| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 课题背景 | 第11-14页 |
| 1.1.1 车牌识别系统的研究意义 | 第11-12页 |
| 1.1.2 车牌图像的特点 | 第12-13页 |
| 1.1.3 车牌识别系统研究难点 | 第13-14页 |
| 1.2 背景知识 | 第14-16页 |
| 1.2.1 数字图像处理的主要方法 | 第14-15页 |
| 1.2.2 模式识别系统的原理 | 第15-16页 |
| 1.3 车牌识别系统及相关算法研究现状 | 第16-19页 |
| 1.3.1 车牌识别相关算法研究现状 | 第16-18页 |
| 1.3.2 智能车牌识别系统研究现状 | 第18-19页 |
| 1.4 本文研究内容和创新 | 第19-21页 |
| 1.4.1 主要研究内容 | 第19-20页 |
| 1.4.2 主要创新点 | 第20-21页 |
| 1.5 论文组织结构 | 第21-22页 |
| 第二章 基于分类器投票的车牌定位算法 | 第22-36页 |
| 2.1 现有车牌图像描述子概述 | 第23-27页 |
| 2.1.1 Haar小波描述子 | 第24-26页 |
| 2.1.2 LBP描述子 | 第26页 |
| 2.1.3 原始像素点描述子 | 第26-27页 |
| 2.2 两种新的车牌描述子 | 第27-29页 |
| 2.2.1 彩色信息描述子 | 第27-28页 |
| 2.2.2 滤波器描述子 | 第28-29页 |
| 2.3 分类器设计 | 第29-33页 |
| 2.3.1 SVM工作原理 | 第30-31页 |
| 2.3.2 投票融合分类器 | 第31-33页 |
| 2.4 算法实验与分析 | 第33-35页 |
| 2.4.1 新旧描述子对比实验 | 第33-34页 |
| 2.4.2 投票方法和单一方法分类效果对比试验 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于CUDA的R-ELM字符识别学习算法加速 | 第36-51页 |
| 3.1 R-ELM算法简介 | 第36-39页 |
| 3.1.1 SLFN概述 | 第36-38页 |
| 3.1.2 ELM及R-ELM算法 | 第38-39页 |
| 3.2 CUDA基础 | 第39-43页 |
| 3.2.1 CUDA编译模型 | 第39-40页 |
| 3.2.2 GPU的存储模型 | 第40-41页 |
| 3.2.3 CUDA优化方法 | 第41-43页 |
| 3.3 基于CUDA的R-ELM学习算法 | 第43-47页 |
| 3.3.1 CUDA矩阵乘法 | 第43-44页 |
| 3.3.2 CUDA矩阵求逆方法 | 第44-46页 |
| 3.3.3 CUDA的R-ELM学习算法 | 第46-47页 |
| 3.4 实验数据及结果分析 | 第47-50页 |
| 3.4.1 实验环境 | 第47页 |
| 3.4.2 实验设计和结果 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 智能车牌识别系统实现 | 第51-58页 |
| 4.1 系统流程及模块划分 | 第51-53页 |
| 4.2 系统运行实例与分析 | 第53-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 作者在学期间取得的学术成果 | 第64页 |