| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 车牌识别的流程 | 第12-13页 |
| 1.4 国内车牌的规格特征 | 第13-14页 |
| 1.5 本文的组织结构 | 第14-16页 |
| 第2章 车牌定位 | 第16-26页 |
| 2.1 常用的车牌定位算法研究 | 第16-17页 |
| 2.2 车牌定位先验知识 | 第17-18页 |
| 2.2.1 颜色空间 | 第17-18页 |
| 2.2.2 车牌图像特征 | 第18页 |
| 2.3 颜色空间转换 | 第18-19页 |
| 2.4 基于目标颜色对边缘检测及综合特征的车牌定位方法 | 第19-25页 |
| 2.4.1 基于目标颜色对边缘检测的车牌粗定位 | 第19-22页 |
| 2.4.2 基于车牌综合特征的精细定位 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 倾斜校正 | 第26-37页 |
| 3.1 车牌倾斜典型模式 | 第26-27页 |
| 3.2 传统的车牌倾斜校正方法 | 第27-30页 |
| 3.2.1 Hough 变换法 | 第27-28页 |
| 3.2.2 旋转投影法 | 第28页 |
| 3.2.3 主元分析(PCA)法 | 第28-29页 |
| 3.2.4 Radon 变换法 | 第29-30页 |
| 3.3 基于投影点坐标方差最小的倾斜车牌校正方法 | 第30-36页 |
| 3.3.1 基于 Sobel 边缘检测的投影点坐标方差最小的水平倾斜校正 | 第30-33页 |
| 3.3.2 车牌上下边界的划定 | 第33-34页 |
| 3.3.3 车牌图像的垂直倾斜校正 | 第34-35页 |
| 3.3.4 车牌左右边界的划定 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 字符分割 | 第37-45页 |
| 4.1 常用的车牌字符分割算法 | 第37页 |
| 4.2 图像预处理 | 第37-40页 |
| 4.2.1 图像对比度增强 | 第38-39页 |
| 4.2.2 车牌灰度图像的二值化 | 第39-40页 |
| 4.2.3 车牌图像的归一化 | 第40页 |
| 4.3 基于改进连通域提取的车牌字符分割算法 | 第40-44页 |
| 4.3.1 连通域提取方法概述 | 第40-41页 |
| 4.3.2 基于改进连通域提取的车牌字符粗分割 | 第41-42页 |
| 4.3.3 粘连字符块的分割 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 字符识别 | 第45-52页 |
| 5.1 车牌字符识别的常用方法 | 第45-46页 |
| 5.1.1 基于模板匹配的车牌字符识别方法 | 第45页 |
| 5.1.2 基于字符结构特征的车牌字符识别方法 | 第45-46页 |
| 5.1.3 基于神经网络的车牌字符识别方法 | 第46页 |
| 5.2 BP 神经网络的基本原理 | 第46-48页 |
| 5.2.1 BP 神经网络结构 | 第46页 |
| 5.2.2 BP 神经网络学习算法 | 第46-48页 |
| 5.3 基于 BP 神经网络的车牌字符识别 | 第48-51页 |
| 5.3.1 车牌字符的归一化 | 第48-49页 |
| 5.3.2 车牌字符特征提取 | 第49页 |
| 5.3.3 BP 神经网络的参数设计 | 第49-51页 |
| 5.4 实验结果分析 | 第51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 车牌识别算法实现及应用 | 第52-56页 |
| 6.1 系统简介 | 第52-53页 |
| 6.1.1 编程环境 | 第52页 |
| 6.1.2 系统界面 | 第52-53页 |
| 6.2 车牌识别实例 | 第53-54页 |
| 6.3 车牌识别应用 | 第54-55页 |
| 6.4 本章小结 | 第55-56页 |
| 第7章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第62-63页 |
| 致谢 | 第63页 |