| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国内研究现状 | 第9-11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 2 基于HSV和纹理特征的车标定位 | 第14-36页 |
| 2.1 车牌定位与预处理 | 第14-32页 |
| 2.1.1 车牌特征 | 第14-16页 |
| 2.1.2 车牌HSV颜色检测 | 第16-18页 |
| 2.1.3 车牌的纹理检测 | 第18-30页 |
| 2.1.4 定位车牌 | 第30-32页 |
| 2.2 车标定位 | 第32-35页 |
| 2.2.1 车标粗定位 | 第32页 |
| 2.2.2 Haar特征 | 第32-34页 |
| 2.2.3 Adaboost算法 | 第34-35页 |
| 2.3 本章小结 | 第35-36页 |
| 3 基于2DLPP与2DLDA特征融合的车标特征提取 | 第36-47页 |
| 3.1 引言 | 第36页 |
| 3.2 1D数据降维方法对比研究 | 第36-39页 |
| 3.2.1 线性判别分析(LDA) | 第36-37页 |
| 3.2.2 主成分分析(PCA) | 第37-38页 |
| 3.2.3 局部保持投影(LPP) | 第38-39页 |
| 3.3 2DLDA、2DPCA和2DLPP特征提取方法介绍 | 第39-44页 |
| 3.3.1 2DLDA特征提取方法 | 第39-41页 |
| 3.3.2 2DPCA特征提取方法 | 第41-43页 |
| 3.3.3 2DLPP特征提取方法 | 第43-44页 |
| 3.4 2DLPP、2DLDA特征融合 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 4 基于KNN算法的车标识别 | 第47-58页 |
| 4.1 引言 | 第47页 |
| 4.2 K-近邻算法(KNN) | 第47-48页 |
| 4.3 实验设计 | 第48-52页 |
| 4.3.1 实验数据介绍 | 第48-50页 |
| 4.3.2 实验平台与环境 | 第50-51页 |
| 4.3.3 实验流程与验证方法 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-57页 |
| 4.4.1 车牌定位准确率 | 第52-53页 |
| 4.4.2 车标定位准确率 | 第53-54页 |
| 4.4.3 1D特征提取识别率对比 | 第54-55页 |
| 4.4.4 2D特征自融合识别率对比 | 第55-56页 |
| 4.4.5 不同2D特征交叉融合识别率对比 | 第56页 |
| 4.4.6 车标识别性能对比 | 第56-57页 |
| 4.4.7 实验结果分析 | 第57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-59页 |
| 5.1 研究工作总结 | 第58页 |
| 5.2 研究展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |