基于数字图像处理技术的停车场管理系统
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-12页 |
| 1 综述 | 第12-20页 |
| ·研究背景与目的 | 第12-13页 |
| ·相关技术的发展现状 | 第13-17页 |
| ·数字图像处理技术的发展现状 | 第13-14页 |
| ·车牌识别技术的发展现状 | 第14-16页 |
| ·停车场计管理系统现状 | 第16-17页 |
| ·图像处理系统的总体架构 | 第17-18页 |
| ·图像处理系统的框架研究 | 第17-18页 |
| ·图像处理系统参数分析 | 第18页 |
| ·论文主要内容与结构 | 第18-20页 |
| 2 车牌图像的预处理 | 第20-32页 |
| ·图像采集和灰度化 | 第20-22页 |
| ·图像复原 | 第22-27页 |
| ·图像去噪 | 第22-24页 |
| ·图像的运动校正 | 第24-25页 |
| ·使用最小均方(维纳)滤波器的逆滤波 | 第25-27页 |
| ·图像的阈值处理 | 第27-31页 |
| ·灰度阈值处理基础 | 第27-28页 |
| ·基本的全局阈值处理 | 第28-29页 |
| ·用OTSU方法的最佳全局阈值处理 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 3 车牌图像的定位与提取 | 第32-48页 |
| ·我国车牌的主要特征 | 第32页 |
| ·基于梯度的图像边缘检测 | 第32-36页 |
| ·基于形态学方法的图像定位 | 第36-40页 |
| ·形态学腐蚀 | 第36-37页 |
| ·形态学膨胀 | 第37-38页 |
| ·开操作与闭操作 | 第38-39页 |
| ·基本的形态学边界提取算法 | 第39-40页 |
| ·基于纹理分析的图像边缘检测 | 第40-41页 |
| ·本文选择的方法及仿真实验 | 第41-43页 |
| ·三种边缘检测算法的比较 | 第41-42页 |
| ·形态学结构元选取 | 第42-43页 |
| ·基于数学形态学的车牌提取算法研究 | 第43-46页 |
| ·本章小结 | 第46-48页 |
| 4 车牌图像的倾斜校正 | 第48-56页 |
| ·车牌倾斜类型分析 | 第48-49页 |
| ·常用的车牌校正算法 | 第49-50页 |
| ·基于Hough变换的图像倾斜检测 | 第50-52页 |
| ·基于Radon变换的图像倾斜检测 | 第52-55页 |
| ·radon变换概述及检测原理 | 第52-53页 |
| ·基于Radon变换的图像倾斜校正 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 5 车牌字符分割与识别 | 第56-62页 |
| ·传统的字符分割技术 | 第56-58页 |
| ·直接投影法 | 第56-57页 |
| ·轮廓投影法 | 第57-58页 |
| ·连通区域法 | 第58页 |
| ·聚类分析法 | 第58页 |
| ·模板匹配法 | 第58页 |
| ·本文设计的字符分割算法 | 第58-59页 |
| ·本章小结 | 第59-62页 |
| 6 基于BP人工神经网络的字符识别方法 | 第62-72页 |
| ·人工神经网络 | 第62-64页 |
| ·人工神经网络概述 | 第62页 |
| ·人工神经元模型 | 第62-64页 |
| ·人工神经网络的学习规则 | 第64页 |
| ·基于BP算法的人工神经网络 | 第64-67页 |
| ·BP神经网络简介 | 第65-66页 |
| ·BP神经网络的结构及设计 | 第66-67页 |
| ·用于车牌字符识别的BP神经网络设计 | 第67-70页 |
| ·本章小结 | 第70-72页 |
| 7 研究工作的总结、改进及展望 | 第72-76页 |
| ·研究工作总结 | 第72-73页 |
| ·关于本文所设计的系统的数据库实现与相关改进 | 第73-74页 |
| ·系统的数据库实现 | 第73页 |
| ·系统的相关改进 | 第73-74页 |
| ·研究工作展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 作者简历 | 第80-84页 |
| 学位论文数据集 | 第84页 |
