| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题背景和意义 | 第8-10页 |
| 1.2 课题国内外发展现状 | 第10-12页 |
| 1.3 结合序列图像超分辨率重建的车牌识别技术方法介绍 | 第12-14页 |
| 1.4 本文结构 | 第14-15页 |
| 2 序列图像的超分辨率重建 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 图像传感器 | 第15-16页 |
| 2.3 超分辨率重建算法 | 第16页 |
| 2.4 L1范式超分辨率重建 | 第16-18页 |
| 2.5 评价指标 | 第18-20页 |
| 2.6 结合 L_1范式和 L_2范式的超分辨率重建算法 | 第20-22页 |
| 2.7 超分辨率重建效果 | 第22-24页 |
| 3 车牌定位和字符分割 | 第24-35页 |
| 3.1 引言 | 第24页 |
| 3.2 车牌特征 | 第24-25页 |
| 3.3 色彩模型 | 第25-28页 |
| 3.3.1 RGB 颜色模型 | 第25-26页 |
| 3.3.2 CMYK 模型 | 第26页 |
| 3.3.3 HSV 彩色模型 | 第26-28页 |
| 3.4 车牌定位方法 | 第28-30页 |
| 3.4.1 基于灰度图像的车牌定位方法 | 第28-29页 |
| 3.4.2 基于彩色图像的定位方法 | 第29-30页 |
| 3.5 车牌定位方法及效果展示 | 第30-33页 |
| 3.6 车牌字符分割方法及效果展示 | 第33-35页 |
| 4 车牌字符识别 | 第35-48页 |
| 4.1 字符识别 | 第35-37页 |
| 4.1.1 字符识别起源 | 第35页 |
| 4.1.2 字符特征 | 第35-37页 |
| 4.1.3 字符识别方法介绍 | 第37页 |
| 4.2 支持向量机与统计学习 | 第37-41页 |
| 4.2.1 机器学习和经验风险 | 第38-39页 |
| 4.2.2 统计学习理论 | 第39-40页 |
| 4.2.3 线性可分 | 第40-41页 |
| 4.3 SVM 核函数 | 第41-42页 |
| 4.4 梯度方向直方图信息 | 第42-43页 |
| 4.5 车牌字符识别方法 | 第43-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 在学研究成果 | 第55-56页 |
| 致谢 | 第56页 |