车牌图像识别技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 论文研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 车牌识别系统的主要技术指标 | 第14-16页 |
| 1.3.1 正确识别率 | 第14-15页 |
| 1.3.2 识别速度 | 第15页 |
| 1.3.3 拒识率 | 第15页 |
| 1.3.4 误识率 | 第15页 |
| 1.3.5 可信度 | 第15-16页 |
| 1.4 车牌识别技术的难点 | 第16-18页 |
| 1.5 中国车牌的构成及特点 | 第18-19页 |
| 1.6 本文的主要研究工作 | 第19-20页 |
| 1.7 本论文的组织结构 | 第20-22页 |
| 第2章 车辆图像预处理 | 第22-38页 |
| 2.1 图像灰度化 | 第22-23页 |
| 2.2 图像增强 | 第23-30页 |
| 2.2.1 对比度增强 | 第23-25页 |
| 2.2.1.1 直接灰度映射 | 第24页 |
| 2.2.1.2 直方图变换 | 第24-25页 |
| 2.2.2 图像消噪 | 第25-27页 |
| 2.2.2.1 空域滤波 | 第25-26页 |
| 2.2.2.2 频域滤波 | 第26-27页 |
| 2.2.2.3 基于小波变换的图像消噪 | 第27页 |
| 2.2.3 图像边缘检测 | 第27-30页 |
| 2.3 图像二值化 | 第30-36页 |
| 2.3.1 全局阈值法 | 第31-32页 |
| 2.3.2 局部阈值法 | 第32-33页 |
| 2.3.3 动态阈值法 | 第33-36页 |
| 2.4 降低背景干扰 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 车牌定位 | 第38-53页 |
| 3.1 车牌定位的难点 | 第38-39页 |
| 3.2 现有定位方法的分析研究 | 第39-42页 |
| 3.3 基于跳变点及车牌几何特征的定位算法 | 第42-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 车牌图像预处理 | 第53-71页 |
| 4.1 车牌图像二值化 | 第53-58页 |
| 4.1.1 Bernsen算法 | 第54-55页 |
| 4.1.2 Niblack算法 | 第55页 |
| 4.1.3 CASDA算法 | 第55-58页 |
| 4.2 统一车牌图像背景色 | 第58页 |
| 4.3 二值车车牌图像消澡 | 第58-60页 |
| 4.4 车牌图像的倾斜校正 | 第60-67页 |
| 4.4.1 倾斜角检测 | 第62-64页 |
| 4.4.2 倾斜校正 | 第64-67页 |
| 4.5 车牌边框和铆钉的去除 | 第67-70页 |
| 4.5.1 车牌上下边框的去除 | 第67-68页 |
| 4.5.2 车牌左右边框及铆钉的去除 | 第68-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第5章 车牌字符分割及规范化 | 第71-83页 |
| 5.1 字符分割 | 第71-78页 |
| 5.1.1 现有的主要车牌字符分割方法 | 第71-73页 |
| 5.1.2 基于第3字符的几何分割法 | 第73-78页 |
| 5.2 字符平滑 | 第78-79页 |
| 5.3 车牌字符归一化 | 第79-82页 |
| 5.4 本章小结 | 第82-83页 |
| 第6章 车牌字符识别 | 第83-102页 |
| 6.1 字符识别简介 | 第83-84页 |
| 6.2 车牌字符识别的特殊性 | 第84-86页 |
| 6.3 主要车牌字符识别方法的对比分析 | 第86-93页 |
| 6.3.1 模板匹配法 | 第86页 |
| 6.3.2 特征分析匹配法 | 第86-87页 |
| 6.3.2.1 最小距离法 | 第87页 |
| 6.3.2.2 基于小波变换的方法 | 第87页 |
| 6.3.2.3 基于分形维数的方法 | 第87页 |
| 6.3.3 神经网络法 | 第87-93页 |
| 6.4 基于BP神经网络的车牌字符识别 | 第93-101页 |
| 6.4.1 字符分类特征的提取 | 第93-96页 |
| 6.4.2 神经网络设计 | 第96-98页 |
| 6.4.3 神经网络训练 | 第98-101页 |
| 6.5 本章小结 | 第101-102页 |
| 结论与展望 | 第102-104页 |
| 致谢 | 第104-105页 |
| 参考文献 | 第105-109页 |
| 攻读硕士学位期间发表的论文及参加的科研项目 | 第109页 |
