一、利用Hough变换和先验知识的车牌字符分割算法（论文文献综述）
苏春燕[1]（2021）在《复杂环境下综合多种特征的车牌定位算法研究》文中指出复杂环境下的车牌定位与字符分割一直是车牌识别技术的重点和难点。复杂环境下的许多场景,均会严重影响车牌定位与字符分割的快速性和准确率,造成车牌识别失败。诸如存在反光、背光、光照不均匀;拍摄角度不确定和拍摄距离远近不一;车牌纹理特征相似或存在与车牌底色相近的车灯、保险杠、车牌标志和广告信息牌等;车牌存在污损、字符粘连与断裂。针对复杂环境下车牌定位、字符分割存在的难点,提出一些有效的改进措施。（1）车牌定位部分,为了解决基于颜色统计的车牌定位方法易受光照条件影响而定位准确率不高的问题,提出一种光照补偿方法。将车辆图像从RGB颜色空间转换到HSI颜色空间,并分离三分量。利用多尺度高斯函数提取亮度分量中包含的光照分量。然后构造二维伽马函数,并对光照分量进行自适应亮度校正。最后转换回RGB空间,采用基于颜色统计的方法进行车牌定位。实验结果表明,对于常见的蓝底车牌,能够很好的降低光照变化对车牌定位的影响,实现夜晚及光照不均车辆的准确定位。为了解决基于颜色统计的车牌定位方法在车牌颜色更接近车体时无法准确定位的问题,提出一种基于颜色统计与改进的Canny算子相结合的车牌定位方法。先对Canny算子进行改进,提出一种新的一阶偏导数计算公式,然后利用改进的Canny算子对车牌图像进行边缘检测,弱化车牌横向边缘,突出字符区域。最后经数学形态学处理后,得到所有候选区域,并对其再分析得到车牌位置。实验结果表明,改进后的Canny算子较好地检测出了车牌的竖向边缘,减少了横向边缘,突出了字符纹理,减少了计算量。提出的方法能够成功定位车牌底色与车身颜色相近的车牌,定位准确率高。（2）字符分割部分,为了解决车牌存在水平倾斜的问题,提出一种基于字符外接矩形与角度直方图的水平倾斜校正方法。车牌图像经处理后得到多个连通域,排除干扰区域后得到字符外接矩形,然后计算字符外接矩形的角度并投影到直方图,得到近似的倾斜角,至此完成水平校正。针对部分汉字不连通以及字符存在粘连、断裂现象导致字符分割失败的问题,提出一种基于间隔符位置特点和垂直投影的字符分割方法。在垂直投影的基础上,以间隔符为分割点,向左反推中文字符的位置和大小,并借助字符长度特征,向右分割字母和数字。实验结果表明,很好地解决了部分汉字不连通和字符粘连的问题。
杨洋[2]（2020）在《雾霾天气下车牌识别的技术研究》文中研究指明在如今的信息化时代,随着科技与经济的发展,汽车的数目日益增多,车牌识别技术在安防监控、智能交通等领域都起到了很重要的作用。但是由于雾霾等恶劣天气的影响,会导致车牌识别的难度提高,无法识别到完整的车牌信息。针对以上现实问题,本文以雾霾天气下的车牌识别问题为研究对象,提出了一种自适应滤波去雾算法,建立了图像去雾、车牌定位、字符分割与识别的研究体系,达到雾霾天气下的良好车牌识别效果。论文主要研究内容如下。目前,在众多研究成果中,暗通道去雾算法为图像去雾技术提供了新的思路,该算法在景深变化较小的区域去雾效果较好,但是在景深变化较大的区域存在光晕、颜色失真等不足。本文针对这些不足提出了一种高斯自适应多尺度加权滤波去雾算法,该算法通过多尺度最小值加权滤波得到粗级透射率,后经由高斯自适应约束与多尺度加权引导滤波得到优化透射率,并结合加权大气光强进行计算,最终得到去雾图像。对比实验表明,本文的去雾算法在可见边集合数之比、平均梯度与饱和像素点百分比等指标的表现上均优于其他去雾算法,体现了本文去雾算法的优异性。基于提出的去雾算法,本文开展了车牌定位、字符分割和字符识别的工作。首先,采用边缘检测确定目标轮廓,并结合数学形态学达到标记车牌区域的效果,实现了车牌的准确定位,为后续的字符分割提供了前提条件;其次,采用先验知识约束的垂直投影法,实现了字符分割,为最后的字符识别提供了保障条件;最终,采用一种改进的BP神经网络算法,通过引入附加动量项与自适应学习因子,提高了字符识别的效率与准确率。通过采用本文的去雾识别算法,进行了雾霾天气下车牌识别的对比实验,结果表明:本文的车牌去雾识别算法的识别率达到93.60%,较经典的暗通道去雾算法下的车牌识别率提高了2.80%,具有良好的识别效果。
安鸿波[3]（2020）在《轮船吃水线动态视觉识别方法》文中研究表明轮船进出口货物的重量鉴定作为港口核算货物的重要依据,通常采用水尺计重方法。但传统的人工观测方法效率低,难以保证准确性和公平性,并且具有较高的危险系数,无法满足港口数字化、信息化的发展需求。而已有的基于图像识别技术检测吃水线多采用固定摄像头,针对现有固定摄像头拍摄吃水线方法存在的布设复杂、观测船舶外舷吃水线困难等缺点加以改进,本文对在整幅图片范围内快速准确定位到位置动态变化的船舶水线区域进行研究,提出一种吃水线区域动态识别方法,并基于识别出的区域最终完成吃水值的确定,为准确实时水尺计重提供有效保障。1.提出了基于轮廓统计筛选的吃水线区域动态识别方法为简化固定摄像装置的复杂布设,利用无人机对轮船吃水线进行拍摄。但是,无人机受到飞行航迹波动的影响,船舶吃水线区域在图像中的位置并不固定。因此,本文提出一种吃水线区域动态识别方法。针对动态变化的吃水线区域,利用水尺字符分布特征进行统计筛选水尺刻度轮廓的方法,识别出感兴趣的吃水线水平区域。针对光照条件变化以及船体水迹线干扰等问题,本文基于识别出的吃水线水平区域,进行颜色空间转换。在L*a*b颜色空间下,结合考虑先验知识的Kmeans++聚类与分水岭算法,综合利用像素点的颜色和空间信息,准确分割出吃水线。故在垂直方向上定位出吃水线位置,完成感兴趣吃水线区域动态识别任务。实验证明该方法能够在复杂场景下,在整幅轮船图像中检测出位置动态变化的吃水线区域,既保证了水尺字符有效信息的完整,又能减轻算法的计算量。2.提出综合处理不同倾斜类型的区域校正方法并完成大小水尺字符的分割无人机拍摄角度导致的倾斜水尺字符将会影响字符的分割效果以及吃水值的识别准确率,本文针对不同区域倾斜类型,总结出一种区域校正方法,对识别出的吃水线区域进行倾斜校正。根据吃水线和水尺字符走势计算垂直和水平方向的倾斜斜率,然后通过确定原图像的源点求解变换矩阵进行投影变化,完成对吃水线区域的倾斜校正。实验证明该方法能够有效应对不同的区域倾斜类型,水平倾斜模式、垂直错切模式、水平错切模式、一般倾斜模式等统一使用该方法完成区域的倾斜矫正。根据水尺字符的特殊排列方式,通过向垂直方向和水平方向上投影的方法进行水尺字符的分割,能够有效分割出大小水尺字符,同时记录下字符的位置信息,为最终确定吃水值提供基础。3.实现水尺字符的识别,完成轮船吃水值确定本文选择选择简化的VGG网络Mini VGG对提取出的水尺字符进行识别,该网络具有较高的识别准确性和较快的算法运行速度,并且实验表明在各项分类性能指标中表现良好,能够有效识别分割出的水尺字符;利用固定的字符高度标准换算图像中每个像素代表的真实距离,实现图像与现实之间的距离度量转换。根据精确识别出的吃水线位置与首个近水面水尺字符之间的像素距离,换算成实际高度,根据吃水值计算公式得到单张图片吃水值。由于水尺计重过程中船舶处于海浪之中,存在波浪涌动,导致吃水线读取数值也存在波动。而实际观测的港口环境水面属于规则波中的正弦波,实验表明在时间段内单张图片吃水值拟合出波面曲线呈现明显的正弦波的特性,对波浪进行分析并最终给出吃水值,为水尺测定提供了科学合理的参考。本文通过对现有图像识别技术检测轮船吃水线的不足进行研究,提出一种基于轮廓统计筛选的吃水线区域动态识别方法,并基于识别出的区域完成对轮船吃水线的检测以及吃水值的确定。为管理人员提供科学有效的水尺计重方法,对港口自动化和后续措施有一定的指导意义。论文有图44幅,表8个,参考文献87篇。
佘爽[4]（2019）在《对抗生成训练样本用于复杂环境下车牌端到端识别》文中指出车牌ID作为各种智能交通系统建设需求的关键信息之一。目前,绝大多数车牌识别算法仅在确定的常规场景下有效,对于实际环境中一些不确定因素影响,如雾霾、雨雪等恶劣天气,车辆高速运动导致采集车牌模糊,车牌拍摄环境光线黑暗或强光,监控设备像素低、位置倾斜等导致车牌模糊、倾斜以及人为车牌字符涂抹或部分遮挡等涉车犯罪活动等,车牌识别系统识别准确度较低。同时车牌类型多,如:新能源车牌（8位字符）、港澳车牌等,大部分算法仅支持特定类别的车牌识别,难以满足实际应用需求。虽然近年来基于深度学习的车牌识别系统在一定程度上提高了车牌识别性能,但目前该类算法仍存在一些缺点,如:依赖大量标记数据、需字符分割或标签对齐等。因此,针对上述问题,本文以深度学习方法为基础,研究内容主要包括以下三点:（1）良好的深度模型依赖大量真实标记样本而人工标记成本高,本文提出一种新的样本生成及增强策略,仅采用少量的标记数据,在CycleGAN的基础上改进,引入“特征一致性”损失函数,模型GAN-Plate可生成大量逼真的车牌样本。（2）为提高复杂环境下的车牌识别的鲁棒性,本文设计了一种新的端到端车牌识别模型Incep-PlateNet,模型包括车牌自矫正模块、车牌特征提取模块等,无需字符预分割或标签对齐,实现真正地端到端车牌识别,同时支持多种类型车牌识别。（3）考虑系统实际部署终端设备的计算性能及车牌识别实时性需求,本文在深度模型设计上遵循结构小型化设计理念,同时在模型工程应用阶段从模型剪枝和量化角度对模型进行压缩,在提高模型终端的运行速度同时保证了模型的识别精度。实验表明,本文提出的对抗生成样本策略可以很好解决训练样本小的难题,结合生成的样本训练本文提出的端到端车牌识别模型Incep-PlateNet,相比未扩充样本训练的模型,常规环境下车牌识别率提升4.18%,识别精度达98.83%;复杂环境下车牌识别率提升8.54%,识别精度达90.06%,均优于最新算法。对于模型实际部署应用,在CPU:Core i7-6700K Skylake,RAM:4G上测试单张车牌识别耗时12-16ms,模型仅2.3M。
罗琴[5]（2019）在《新能源车牌识别算法研究》文中研究说明本文主要对新出现的新能源车牌的识别进行算法研究,在总结前人工作经验和研究成果的基础上,完成对整个车牌识别系统的设计和实现。在图像处理模块,首先对车牌图片压缩到规范尺寸,采用G通道灰度化方法,并对其灰度图均衡化,增强图片对比度,滤波排除噪声干扰,提高有效信息的辨识度。针对车牌定位模块,本文提出边缘形态学结合颜色形态学对车牌进行准确定位。对预处理后图片进行Sobel算子边缘检测并二值化、进行形态学操作形成连通区域,再结合车牌颜色形态学方法,分析连通区域中颜色占比,尺寸特征筛选出车牌最佳区域,此算法降低了定位中车身颜色与车牌颜色相近的干扰,提高了定位准确率。针对字符分割模块,采用先验知识结合连通域分割法。输入定位车牌图片,根据新能源大型、小型车牌颜色不同,采用颜色形态学处理车牌图片左右边界,排除非车牌区域的干扰,同时分辨出车牌类型;Radon算法倾斜矫正后采用阈值跳变法去除上下边界,接着采用先验知识结合连通域分割算法寻找第二个字符位置,然后倒推汉字和其余六个字符,对车牌内的连通区域进行遍历分割,该分割法结合两种算法的优势,避免汉字过度分割。针对字符识别模块,提出支持向量机结合梯度方向直方特征的方法。首先对分割后二值字符进行归一化操作,提取梯度直方图特征;然后用支持向量机构造汉字、字母、数字和DF四个分类器,对字符样本进行训练、预测并建立模型;最后对测试字符进行特征分类,根据车牌字符序号分别对应识别,输出完整车牌号码。在新能源车牌样本有限的情况下,该识别算法取得了明显效果。本文利用MATLAB软件设计了一个车牌识别GUI界面。由于实验条件限制,测试车牌采用场景不同类型尺寸的136张新能源车牌图片进行了测试,最终正确识别124张车牌,总体识别率在91.2%左右,识别时间在0.4s0.5s左右,对比其他方法处理结果,本文方法基本满足识别要求,具有较强的鲁棒性,后期在设备和算法方面可进行一定优化。
黄榜[6]（2019）在《基于深度学习的多车牌字符识别算法研究》文中研究说明随着社会经济的高速发展,汽车数量的急剧增加,智能交通管理成为当今社会主流,其中车牌识别是智能交通的核心环节之一。目前,市场上已出现各种各样的车牌识别系统产品且取得不错效果,但针对单一车牌来说,当光照不足、背景复杂、车牌倾斜变形时,识别效果就差强人意了。如何克服这些问题,让车牌识别系统变得更加稳定和通用,成为新的研究热点。本文就近几年在图像识别领域取得巨大成就的深度学习方法进行研究,采用其中的卷积神经网络来实现多车牌字符识别,主要包括三个步骤:车牌定位、字符分割和字符识别。首先是车牌定位环节。由于拍摄的图像质量参差不齐,提出基于改进二维离散小波变换的图像增强方法改善图像质量,获取车牌边缘信息;接着,利用车牌字符在车牌底色上整齐排列产生规律的纹理信息,检测到车牌边缘线的跳变次数,可以粗略定位车牌所在行;然后,根据车牌底色的阈值范围,将小范围的车牌信息图经过颜色空间转换,找到多车牌的可能位置;最后,通过先验知识,筛选车牌,精确定位所有车牌。实践证明,这种定位方法准确率高、速度快。但其中的颜色筛选过程对光照敏感,使得夜晚的定位效果欠佳,因此,又加入基于机器学习的方法弥补这一不足,通过Adaboost算法对特征进行训练,不依赖于颜色特征检测车牌,实现夜晚条件下的多车牌的定位。其次,字符分割是中间环节。由于拍摄角度可能影响车牌倾斜,因此,提出基于角点仿射变换的方法来快速矫正倾斜车牌。其主要思想是根据车牌的形状特征,找到车牌矩形框的角点,取其中不共线的三个点仿射变换成直角三角形,实现整个车牌的倾斜矫正;接着,对于矫正后的车牌提出基于垂直投影和连通域判断的方法分割字符,得到用于识别的单个字符。最后是字符识别。通过分析当前流行的AlexNet、VGGNet、GoogLeNet和ResNet等卷积神经网络,根据字符识别的难度和特点,设计基于改进的AlexNet模型用于字符识别。由于整个网络的模块较多、不同的卷积核大小、批量化大小和Dropout率对于网络性能的影响不一,需要通过设计实验来得到最优化的网络参数;最后,通过开源的OpenCV平台,将字符识别结果打印在待识别的车牌图像上。
李明东[7]（2019）在《模糊车牌识别算法的研究与实现》文中研究说明随着社会经济的不断发展,机动车数量也日益增加,由此,智能交通系统产生了,而它的核心又离不开车牌识别技术。但是在智能监控视频中,车辆往往是快速移动的,使得捕获到的图像模糊不清,进而给后期工作,如目标的分析和识别等,增加一定的难度。本文对车牌识别相关算法进行了学习和研究,重点对运动模糊情况下车牌图像的复原以及复原后字符识别进行了深入的研究,主要研究内容如下:（1）针对车牌图像去模糊问题,提出一种基于随机抽样一致性（RANSAC）的复原方法。首先,在倒频谱域对模糊图像实施Canny边缘检测,使用RANSAC方法来估计模糊方向;然后,通过模糊图像倒频谱域的零点分量来估计模糊长度;最后,结合Richardson-Lucy（RL）算法和L0正则化先验各自的优点,对模糊车牌图像进行复原。（2）在车牌定位方面,先对复原后的图像进行灰度增强、中值滤波等预处理操作;接着利用车牌本身及字符丰富的边缘信息,对预处理后的复原图像使用Sobel边缘检测;再进行腐蚀、膨胀等形态学操作,通过结构元素对图像中对应的形状进行度量、提取;最后,采用车牌的大小特征和形状特征,筛选轮廓区域,确定车牌区域。（3）在车牌校正及字符分割方面,分析了车牌倾斜的原因及倾斜类型,并介绍分析几种常见的倾斜校正方法,采用基于Radon变换和旋转投影法的校正方法;同时介绍了一些常用字符分割方法,对这些方法的优缺点进行了分析,最终使用基于投影和字符特征的方法进行字符的分割。（4）在字符识别方面,为了提高车牌的识别率,本文提出了基于组合特征和BP神经网络的识别方法。首先,考虑到数字、字母的易混淆特性,使用LBP提取局部纹理特征,再根据车牌汉字结构特点,改进LBP算子,使用改进的LBP以及水平垂直投影提取特征,用提取的特征训练BP网络,最终用于识别车牌字符。
李强[8]（2019）在《复杂环境下的车牌识别系统及其应用》文中认为现代社会的发展日新月异,人民生活质量不断提高,越来越多的人选择汽车作为自己出行的代步工具,汽车的数量也不断增加,汽车的有效管理成为了道路交通安全中的重要环节,汽车牌照识别的研究也越来越受到人们的普遍关注,并取得了丰硕的成果。车牌识别的研究已经日趋成熟,但是对于复杂环境下的车牌识别效果并不是很好。本文研究的是在复杂环境下的车牌识别的研究及应用,一般的车牌识别程序只针对环境状况良好和车牌状态良好的情形下能取得有较好的识别率。而对于复杂环境下的车牌:如污损车牌,光照暗淡,模糊,车牌变形等情形下车牌识别效果不佳。本文针对这种情况,对车牌识别展开了深入的研究,主要研究内容如下:1.针对污损车牌的研究,提出了一种改进的模板匹配的车牌识别方法,能够有效的识别污损车牌。2.对于光照较暗较亮等情况下,通过去噪,进行空间均衡化处理,提高车牌区域的对比度,使车牌字符更容易识别,提高了复杂情况下车牌的识别率。3.结合HOG特征、骨架特征以及非全字符输入的方法,通过SVM训练得到分类器,能够有效的识别光线暗淡等情形下的车牌。该识别方法能够实时检测和识别车牌,可运用该方法做成车牌识别设备应用在停车场、小区、公司等场所中。本文提出的在复杂环境下的车牌识别方法,对很多场景都有较好的识别率,如:污损车牌,光线暗淡等情况下也具有不错的识别效果。
唐婷[9]（2018）在《污染车牌定位与分割方法研究与实现》文中研究指明车牌识别技术在现代智能交通系统中发挥着重要作用。车牌定位与分割技术业已发展成熟,但这些常用算法在处理污染车牌时并不能取得良好效果。本文采集了大量车牌表面污浊、陈旧、破损等受到不同程度污染的车辆图像,建立污染车牌素材库,以此为数据样本重点研究污染车牌的定位与字符分割问题,以期提高污染车牌定位与分割的准确率。污染车牌与清洁车牌图像特征不同。首先通过对车牌灰度直方图和方差规律的分析,定义污染车牌的研究范围。由于初始图像定位成功率较低,本文使用感兴趣区域提取、灰度化、二值化方法对图像进行预处理。车牌定位采用边缘检测与数学形态学相结合的粗定位算法,在图像中形成多个连通区域,再使用基于先验知识消除局部区域的精确定位算法,消除面积过大或过小,或比例严重不符合规律的连通区域,最后将真正的车牌提取出来。成功定位的污染车牌不能直接用于字符分割,本文分析传统算法的利弊,使用最佳全局阈值法二值化、Hough算法倾斜校正、垂直扫描与水平扫描相结合去除边框、车牌大小归一等方法在分割前对车牌图像进行二次预处理。设计了一种基于垂直投影与自适应模板匹配相结合的字符分割算法,由于污染物会造成字符断裂,本文提出了一种新的针对数字“1”和断裂字符检测的新模板,抑制了污染物干扰,降低了字符断裂的出错率。最后通过常用的模板匹配字符识别算法对分割的字符进行识别,检验了本文车牌定位与字符分割算法的可行性。通过大量实验证明,本文所设计的车牌定位与分割方法具有较高的实用性和鲁棒性,有效解决了污染车牌在定位与分割过程中遇到的问题。严重污染的车牌在定位和分割时可能会得不到理想效果,本文通过图像的灰度直方图和方差的比较,客观分析了这类图像不能被定位和分割的原因。
罗迤文[10]（2018）在《基于深度学习的复杂场景下车牌识别系统》文中研究表明车牌识别是图像处理领域中目标识别和场景文字识别技术的一个综合应用,是智能化犯罪车辆动态追踪打击系统中车辆身份验证的关键技术。目前常用的车牌识别系统流程主要分为四步:车牌检测、车牌校正、字符分割和字符识别,传统算法的可识别背景单一,采集相机的距离和角度固定,应用场景具有很大的局限性,算法时间复杂度较大,难以达到车载移动环境下快速识别车牌的应用需求。为实现以上需求,本文设计了一种可部署在嵌入式端的复杂场景下的高效车牌识别系统,通过结合深度学习技术,优化车牌识别流程,仅需车牌检测、偏斜校正和字符识别三步完成识别。首先在车牌检测上采用单次多目标检测（SSD）的网络框架,实现了端对端的车牌检测与分类;在车牌偏斜校正模块,提出一种基于多级阈值二值化图像的方法直接定位区域角点,然后通过透视变换实现多种偏斜情况的单步校正;在车牌字符识别模块,取消了字符分割的步骤,采用卷积循环神经网络（CRNN）的类序列识别思想,实现车牌全部字符的端对端识别。进一步地,由于深度学习网络的参数量较多、计算量较大,本文对SSD和CRNN网络进行效率优化,重组网络内部结构,大幅度的降低了网络参数计算量。本系统在1216张多场景数据集上达到了96.13%的识别准确率,在PC端上平均识别速度达到26FPS,在嵌入式平台上仍能达到平均10FPS的识别速度。经实验证明,本文的车牌识别系统能够成功应用在车载平台下的动态复杂场景中,算法鲁棒性和识别准确率及速度都较传统系统有明显的提升,具有更广泛的实际应用价值。
二、利用Hough变换和先验知识的车牌字符分割算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用Hough变换和先验知识的车牌字符分割算法（论文提纲范文）
（1）复杂环境下综合多种特征的车牌定位算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外车牌识别的研究现状 |
| 1.2.1 车牌定位算法研究现状 |
| 1.2.2 字符分割算法研究现状 |
| 1.3 车牌识别算法的研究难点 |
| 1.4 车牌识别算法的评价指标 |
| 1.5 论文研究内容和章节安排 |
| 1.5.1 论文主要研究内容 |
| 1.5.2 论文章节安排 |
| 2 车牌定位与字符分割 |
| 2.1 车牌识别算法的框架 |
| 2.2 车牌的先验知识 |
| 2.3 常用的车牌定位算法 |
| 2.4 常用的字符分割算法 |
| 2.5 本章小结 |
| 3 颜色统计与改进的Canny算子相结合的车牌定位方法 |
| 3.1 算法描述 |
| 3.2 光照补偿 |
| 3.2.1 颜色空间转换 |
| 3.2.2 光照-反射成像模型 |
| 3.2.3 基于多尺度高斯函数的光照分量的提取 |
| 3.2.4 基于二维伽马函数的自适应亮度校正 |
| 3.2.5 实验结果分析 |
| 3.3 颜色统计 |
| 3.3.1 颜色统计流程 |
| 3.3.2 定位结果分析 |
| 3.4 边缘纹理特征定位 |
| 3.4.1 灰度化 |
| 3.4.2 改进的Canny边缘检测 |
| 3.4.3 形态学操作 |
| 3.4.4 候选区域分析 |
| 3.4.5 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于间隔符位置特点和垂直投影的字符分割算法 |
| 4.1 车牌字符特征 |
| 4.2 字符分割难点 |
| 4.3 字符分割算法 |
| 4.3.1 算法描述 |
| 4.3.2 二值化 |
| 4.3.3 形态学处理 |
| 4.3.4 车牌水平倾斜校正 |
| 4.3.5 去除上下边框和间隔符 |
| 4.3.6 去除左右边框 |
| 4.3.7 字符分割 |
| 4.3.8 实验结果与分析 |
| 4.4 .本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（2）雾霾天气下车牌识别的技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去雾国内外研究现状 |
| 1.2.2 车牌识别国内外研究现状 |
| 1.2.3 雾霾天气下车牌识别研究现状 |
| 1.3 论文主要研究内容及章节安排 |
| 第二章 高斯自适应多尺度加权滤波去雾算法 |
| 2.1 暗通道先验算法理论模型 |
| 2.1.1 大气散射模型 |
| 2.1.2 暗通道先验算法 |
| 2.2 高斯自适应多尺度加权滤波去雾算法 |
| 2.2.1 多尺度最小值加权滤波 |
| 2.2.2 高斯模型自适应线性约束 |
| 2.2.3 多尺度加权引导滤波 |
| 2.2.4 加权大气光强 |
| 2.2.5 图像去雾还原 |
| 2.3 去雾效果质量评价指标 |
| 2.3.1 主观分析 |
| 2.3.2 客观分析 |
| 2.4 去除车牌图像中的雾霾 |
| 2.5 本章小结 |
| 第三章 车牌定位技术 |
| 3.1 传统的车牌定位 |
| 3.1.1 基于边缘检测的车牌定位 |
| 3.1.2 基于颜色分割的车牌定位 |
| 3.1.3 基于小波变换的车牌定位 |
| 3.1.4 基于遗传算法的车牌定位 |
| 3.1.5 基于数学形态学的车牌定位 |
| 3.1.6 基于灰度图像纹理特征分析的车牌定位 |
| 3.2 边缘检测与数学形态学结合的车牌定位法 |
| 3.2.1 图像预处理 |
| 3.2.2 图像边缘检测及二值化 |
| 3.2.3 数学形态运算 |
| 3.2.4 实验结果 |
| 3.3 本章小结 |
| 第四章 车牌字符分割技术 |
| 4.1 传统车牌字符分割算法 |
| 4.1.1 基于模板匹配的分割算法 |
| 4.1.2 提取连通域的分割算法 |
| 4.1.3 基于颜色特征的分割算法 |
| 4.1.4 基于先验知识的分割算法 |
| 4.1.5 基于投影法的分割算法 |
| 4.2 基于先验知识约束的投影分割算法 |
| 4.2.1 车牌倾斜校正 |
| 4.2.2 车牌图像二值化及擦除边框 |
| 4.2.3 先验知识约束下的垂直投影分割 |
| 4.2.4 字符归一化 |
| 4.3 本章小结 |
| 第五章 车牌字符识别技术 |
| 5.1 字符特征值提取 |
| 5.1.1 十三点特征提取法 |
| 5.1.2 垂直方向统计特征提取法 |
| 5.1.3 骨架特征提取法 |
| 5.1.4 结构特征提取法 |
| 5.1.5 逐像素特征提取法 |
| 5.2 常见的字符识别方法 |
| 5.2.1 模板匹配法 |
| 5.2.2 特征匹配法 |
| 5.2.3 神经网络识别法 |
| 5.3 一种改进的BP神经网络算法 |
| 5.3.1 神经网络理论基础 |
| 5.3.2 神经网络设计 |
| 5.3.3 一种改进的BP神经网络 |
| 5.3.4 识别结果 |
| 5.4 雾霾天气下车牌识别实验分析 |
| 5.4.1 去雾处理实验分析 |
| 5.4.2 车牌识别实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（3）轮船吃水线动态视觉识别方法（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 船舶水尺标志介绍 |
| 1.4 研究内容 |
| 1.5 组织结构 |
| 2 相关图像处理研究 |
| 2.1 轮廓查找 |
| 2.2 K-means聚类 |
| 2.3 投影变换 |
| 2.4 卷积神经网络 |
| 2.5 本章小结 |
| 3 吃水线区域动态识别 |
| 3.1 吃水线水平区域定位 |
| 3.2 吃水线精确分割 |
| 3.3 实验验证及分析 |
| 3.4 本章小结 |
| 4 吃水线区域矫正与水尺字符分割 |
| 4.1 吃水线区域倾斜情况 |
| 4.2 吃水线区域倾斜矫正 |
| 4.3 水尺字符分割 |
| 4.4 实验验证及分析 |
| 4.5 本章小结 |
| 5 轮船吃水值确定 |
| 5.1 基于卷积神经网络的水尺字符识别 |
| 5.2 单张图片中船舶吃水值确定 |
| 5.3 吃水线波浪绘制 |
| 5.4 实验验证及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作 |
| 6.2 进一步研究工作 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）对抗生成训练样本用于复杂环境下车牌端到端识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 课题来源 |
| 1.3 车牌识别国内外研究现状 |
| 1.3.1 字符分割的车牌识别框架及相关算法 |
| 1.3.2 端到端车牌识别框架及相关算法 |
| 1.4 研究内容 |
| 1.5 论文组织结构 |
| 第二章 应用场景及相关技术 |
| 2.1 应用场景 |
| 2.1.1 车辆出入卡口 |
| 2.1.2 智能交通与智慧城市 |
| 2.2 应用需求 |
| 2.2.1 车牌多样性 |
| 2.2.2 环境复杂 |
| 2.3 相关技术理论 |
| 2.3.1 卷积神经网络 |
| 2.3.2 循环神经网络 |
| 2.3.3 生成对抗网络 |
| 2.3.4 连接时序分类原理 |
| 2.4 本章小结 |
| 第三章 对抗生成车牌训练样本 |
| 3.1 问题描述 |
| 3.2 基于OpenCV的样本生成 |
| 3.2.1 中国车牌特征 |
| 3.2.2 车牌生成器 |
| 3.3 对抗生成逼真车牌样本 |
| 3.3.1 SimGAN介绍 |
| 3.3.2 CycleGAN介绍 |
| 3.3.3 本文提出的生成对抗网络模型:GAN-Plate |
| 3.4 GAN-Plate模型训练 |
| 3.4.1 模型训练参数设置 |
| 3.4.2 模型训练策略 |
| 3.5 本章小结 |
| 第四章 端到端车牌识别算法:Incep-PlateNet |
| 4.1 问题描述 |
| 4.2 Incep-PlateNet模型结构 |
| 4.2.1 车牌自矫正模块 |
| 4.2.2 特征提取模块 |
| 4.2.3 特征序列化模块 |
| 4.2.4 序列解码模块 |
| 4.2.5 Incep-PlateNet模型及参数 |
| 4.3 Incep-PlateNet模型训练 |
| 4.3.1 模型训练参数设置 |
| 4.3.2 模型训练策略 |
| 4.4 本章小结 |
| 第五章 实验验证与分析 |
| 5.1 实验准备 |
| 5.1.1 实验环境 |
| 5.1.2 数据集介绍 |
| 5.2 车牌样本生成实验及对比分析 |
| 5.2.1 实验参数设置 |
| 5.2.2 实验对比分析 |
| 5.2.3 实验总结 |
| 5.3 车牌识别实验及对比分析 |
| 5.3.1 实验评价指标和参数设置 |
| 5.3.2 实验对比分析 |
| 5.3.3 实验总结 |
| 5.4 车牌识别系统设计及应用 |
| 5.4.1 模型压缩 |
| 5.4.2 系统部署及应用 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表的论文 |
| 攻读学位期间参加的科研项目 |
| 致谢 |
（5）新能源车牌识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 车牌识别系统概述 |
| 1.4 研究内容及组织结构 |
| 第2章 车牌图像增强 |
| 2.1 国内车牌特征 |
| 2.2 车牌识别技术难点 |
| 2.3 系统需求分析 |
| 2.4 图像处理理论 |
| 2.5 本章小结 |
| 第3章 车牌检测 |
| 3.1 传统定位方法简述 |
| 3.2 本文定位算法 |
| 3.3 算法测试与性能分析 |
| 3.4 本章小结 |
| 第4章 车牌分割 |
| 4.1 传统分割方法综述 |
| 4.2 本文分割算法 |
| 4.3 算法测试与性能分析 |
| 4.4 本章小结 |
| 第5章 车牌字符识别 |
| 5.1 传统识别方法综述 |
| 5.2 本文识别算法 |
| 5.3 算法测试与性能分析 |
| 5.4 本章小结 |
| 第6章 系统界面 |
| 6.1 界面设计 |
| 6.2 论文工作总结 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（6）基于深度学习的多车牌字符识别算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车牌识别研究现状 |
| 1.2.2 深度学习研究现状 |
| 1.3 多车牌识别技术难点 |
| 1.4 主要研究内容 |
| 1.5 文章结构 |
| 第二章 机器学习与深度学习相关理论基础 |
| 2.1 机器学习与深度学习 |
| 2.2 Adaboost算法理论基础 |
| 2.2.1 Adaboost算法原理 |
| 2.2.2 Adaboost算法应用 |
| 2.3 卷积神经网络理论基础 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.4 卷积神经网络训练 |
| 2.4.1 激活函数 |
| 2.4.2 反向传播算法 |
| 2.4.3 卷积神经网络训练难点 |
| 2.5 本章小结 |
| 第三章 基于Adaboost算法的多车牌检测定位 |
| 3.1 国内车牌特征概述 |
| 3.2 常见的车牌定位算法 |
| 3.3 基于字符跳变和颜色特征的白天多车牌检测 |
| 3.3.1 改进二维离散小波变换的图像增强 |
| 3.3.2 字符跳变检测与颜色空间转换 |
| 3.3.3 车牌轮廓检测 |
| 3.3.4 实验结果分析与展示 |
| 3.4 基于Adaboost算法的夜晚多车牌检测 |
| 3.4.1 分类器训练 |
| 3.4.2 多尺度滑动窗口检测 |
| 3.4.3 实验结果分析与展示 |
| 3.5 本章小结 |
| 第四章 投影连通域判断字符分割和传统字符识别算法 |
| 4.1 车牌倾斜矫正 |
| 4.1.1 常见车牌倾斜矫正算法 |
| 4.1.2 改进的基于车牌角点仿射变换的倾斜矫正算法 |
| 4.2 车牌字符分割算法 |
| 4.2.1 常见字符分割算法 |
| 4.2.2 改进的基于字符投影和连通域判断的字符分割算法 |
| 4.3 车牌字符识别算法 |
| 4.3.1 常见字符识别算法 |
| 4.3.2 改进模板和比对函数的字符识别算法 |
| 4.4 本章小结 |
| 第五章 基于深度学习的车牌字符识别 |
| 5.1 车牌数据集与环境搭建 |
| 5.1.1 车牌数据集 |
| 5.1.2 框架选择 |
| 5.1.3 实验环境搭建 |
| 5.2 改进的基于AlexNet结构的卷积神经网络模型 |
| 5.2.1 AlexNet模型简介 |
| 5.2.2 模型改进 |
| 5.2.3 网络训练 |
| 5.2.4 网络性能参数分析 |
| 5.3 实验结果分析与展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（7）模糊车牌识别算法的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 运动模糊复原研究现状 |
| 1.2.2 车牌识别技术研究现状 |
| 1.2.3 车牌识别技术难点 |
| 1.3 论文的主要工作 |
| 1.4 论文的组织结构 |
| 第二章 运动模糊图像的复原 |
| 2.1 运动模糊图像退化模型 |
| 2.2 运动模糊参数的估算 |
| 2.2.1 RANSAC估算运动模糊方向 |
| 2.2.2 估算运动模糊长度 |
| 2.3 图像复原 |
| 2.3.1 逆滤波复原方法 |
| 2.3.2 维纳滤波复原方法 |
| 2.3.3 RL算法结合L_0正则化复原方法 |
| 2.4 复原图像质量评价指标 |
| 2.4.1 主观评价方法 |
| 2.4.2 客观评价方法 |
| 2.5 实验结果与分析 |
| 2.5.1 模糊参数估算 |
| 2.5.2 仿真图像复原 |
| 2.5.3 实际模糊图像复原 |
| 2.6 本章小结 |
| 第三章 车牌定位 |
| 3.1 我国车牌特征 |
| 3.2 常见车牌定位算法 |
| 3.2.1 基于灰度图像的定位方法 |
| 3.2.2 基于彩色图像的定位方法 |
| 3.3 基于边缘检测与形态学的车牌定位算法 |
| 3.3.1 复原图像预处理 |
| 3.3.2 边缘检测 |
| 3.3.3 形态学处理 |
| 3.4 本章小结 |
| 第四章 车牌校正及字符分割 |
| 4.1 常见车牌校正和字符分割方法 |
| 4.1.1 车牌倾斜分析 |
| 4.1.2 常见车牌校正方法 |
| 4.1.3 常见字符分割方法 |
| 4.2 基于Radon变换和旋转投影法的校正算法 |
| 4.2.1 基于Radon变换的水平倾斜校正算法 |
| 4.2.2 基于旋转投影法的垂直倾斜校正算法 |
| 4.3 基于投影和字符特征的字符分割方法 |
| 4.3.1 去除垂直边框和间隔符 |
| 4.3.2 字符分割 |
| 4.4 本章小结 |
| 第五章 车牌字符识别 |
| 5.1 常见字符识别方法 |
| 5.1.1 模板匹配方法 |
| 5.1.2 人工神经网络方法 |
| 5.1.3 支持向量机方法 |
| 5.2 基于组合特征及BP神经网络的字符识别 |
| 5.2.1 字符预处理 |
| 5.2.2 特征提取 |
| 5.2.3 BP网络结构的设计 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（8）复杂环境下的车牌识别系统及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 现代化的交通系统 |
| 1.1.2 车牌识别的发展与应用 |
| 1.1.3 车牌识别技术中的难点 |
| 1.2 论文的研究内容及主要工作 |
| 第二章 车牌识别的研究概况 |
| 2.1 概述 |
| 2.2 车牌定位 |
| 2.2.1 车牌定位研究概况 |
| 2.2.2 车牌定位方法 |
| 2.3 车牌字符分割 |
| 2.3.1 模板匹配分割字符 |
| 2.3.2 聚类分析分割字符 |
| 2.3.3 投影分割字符 |
| 2.4 车牌字符识别 |
| 2.5 本章小结 |
| 第三章 车牌识别流程 |
| 3.1 概述 |
| 3.2 图片预处理 |
| 3.2.1 灰度化处理与灰度化增强 |
| 3.2.2 图像二值化处理 |
| 3.3 边缘检测 |
| 3.4 图像开闭运算 |
| 3.4.1 膨胀和腐蚀 |
| 3.4.2 开启和闭合 |
| 3.4.3 连通区域标记 |
| 3.5 车牌区域搜索 |
| 3.6 车牌校正 |
| 3.7 车牌字符分割 |
| 3.8 字符识别 |
| 3.9 本章小结 |
| 第四章 复杂场景下的污损车牌识别 |
| 4.1 概述 |
| 4.2 污损车牌定位 |
| 4.3 车牌图像预处理 |
| 4.3.1 图像预处理 |
| 4.3.2 高斯滤波 |
| 4.4 车牌分割 |
| 4.5 车牌识别 |
| 4.5.1 传统的车牌识别方法 |
| 4.5.2 改进的模板匹配方法 |
| 4.6 实验结果与结论 |
| 第五章 基于组合特征训练的车牌识别系统 |
| 5.1 概述 |
| 5.2 车牌字符特征提取 |
| 5.2.1 车牌字符识别流程 |
| 5.2.2 提取字符特征 |
| 5.2.3 字符的骨架特征提取 |
| 5.2.4 非全字符 |
| 5.3 SVM分类器训练 |
| 5.3.1 SVM简介 |
| 5.3.2 SVM核函数选择 |
| 5.3.3 SVM训练 |
| 5.4 车牌识别系统设计 |
| 5.4.1 系统设计架构流程图 |
| 5.4.2 MFC框架 |
| 5.4.3 车牌识别系统功能模块 |
| 5.5 实验结果与总结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（9）污染车牌定位与分割方法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究目的及意义 |
| 1.2 车牌识别技术的发展现状 |
| 1.2.1 车牌识别技术国外发展现状简介 |
| 1.2.2 车牌识别技术国内发展现状简介 |
| 1.3 本文内容安排 |
| 2 车牌定位与分割技术 |
| 2.1 车牌的先验知识 |
| 2.2 常用车牌定位方法简介 |
| 2.2.1 基于边缘检测的定位方法 |
| 2.2.2 基于数学形态学的定位方法 |
| 2.2.3 基于纹理特征的定位方法 |
| 2.2.4 基于颜色特征的定位方法 |
| 2.3 常用车牌分割算法简介 |
| 2.3.1 基于先验知识的分割算法 |
| 2.3.2 基于模板匹配的分割算法 |
| 2.3.3 基于连通区域的分割算法 |
| 2.3.4 基于投影法的分割算法 |
| 2.4 污染车牌分析 |
| 2.4.1 污染车牌与清洁车牌的对比 |
| 2.4.2 污染车牌处理难点分析 |
| 本章小结 |
| 3 污染车牌定位 |
| 3.1 初始图像预处理 |
| 3.1.1 ROI区域分割 |
| 3.1.2 彩色图像灰度化 |
| 3.1.3 图像二值化 |
| 3.2 基于边缘检测和数学形态学相结合的车牌粗定位算法 |
| 3.2.1 图像的边缘 |
| 3.2.2 常用的边缘检测算子 |
| 3.2.3 数学形态学方法 |
| 3.3 基于先验知识消除局部区域的车牌精确定位算法 |
| 3.3.1 消除面积过大和过小的区域 |
| 3.3.2 消除比例不规范的区域 |
| 本章小结 |
| 4 污染车牌字符分割与识别验证 |
| 4.1 车牌图像分析及预处理 |
| 4.1.1 车牌图像分析 |
| 4.1.2 OTSU最佳全局阈值二值化图像 |
| 4.1.3 车牌图像的倾斜校正 |
| 4.1.4 去除边框和间隔符 |
| 4.1.5 车牌归一化 |
| 4.2 基于垂直扫描与自适应模板匹配相结合的字符分割算法 |
| 4.2.1 垂直投影 |
| 4.2.2 基于先验知识的自适应模板匹配字符分割 |
| 4.3 模板匹配字符识别验证 |
| 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
（10）基于深度学习的复杂场景下车牌识别系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 车牌识别的难点 |
| 1.4 论文创新点 |
| 1.5 论文章节安排 |
| 第二章 车牌识别系统概述 |
| 2.1 中国机动车号牌制式介绍 |
| 2.2 传统车牌识别算法概述 |
| 2.3 本文车牌识别系统介绍 |
| 2.4 本章总结 |
| 第三章 基于改进的SSD车牌检测分类网络 |
| 3.1 常用车牌检测定位算法 |
| 3.1.1 基于传统特征的车牌检测定位 |
| 3.1.2 基于机器学习的车牌检测定位 |
| 3.2 基于轻量型SSD的车牌检测分类网络 |
| 3.2.1 SSD检测定位算法 |
| 3.2.2 基于深度可分离卷积的SSD车牌检测分类网络 |
| 3.3 实验对比与结果分析 |
| 3.3.1 车牌图像数据集 |
| 3.3.2 车牌检测网络训练 |
| 3.3.3 实验对比与结果分析 |
| 3.4 本章总结 |
| 第四章 基于多级二值化的车牌字符偏斜校正 |
| 4.1 传统字符校正算法 |
| 4.1.1 基于Hough变换的字符校正 |
| 4.1.2 基于Radon变换的字符校正 |
| 4.2 基于多级二值化的车牌校正算法 |
| 4.3 实验对比与结果分析 |
| 4.4 本章总结 |
| 第五章 基于改进的CRNN车牌字符识别网络 |
| 5.1 传统车牌字符识别算法 |
| 5.1.1 车牌字符分割 |
| 5.1.2 单字符识别 |
| 5.2 基于轻量型CRNN的车牌字符识别网络 |
| 5.2.1 CRNN序列识别算法 |
| 5.2.2 基于深度可分离卷积和GRU的CRNN车牌字符识别网络 |
| 5.3 实验对比与结果分析 |
| 5.3.1 车牌数据集 |
| 5.3.2 车牌字符识别网络训练 |
| 5.3.3 实验对比与结果分析 |
| 5.4 本章总结 |
| 第六章 系统设计与实验分析 |
| 6.1 车牌识别系统介绍 |
| 6.2 系统平台介绍 |
| 6.2.1 嵌入式平台介绍 |
| 6.2.2 嵌入式环境搭建 |
| 6.3 系统实验结果与分析 |
| 6.4 系统GUI界面设计 |
| 第七章 总结与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录 A 车牌检测分类部分伪代码 |
| 附录 B 车牌偏斜校正部分伪代码 |
| 附录 C 车牌字符识别部分伪代码 |
四、利用Hough变换和先验知识的车牌字符分割算法（论文参考文献）
- [1]复杂环境下综合多种特征的车牌定位算法研究[D]. 苏春燕. 兰州交通大学, 2021(02)
- [2]雾霾天气下车牌识别的技术研究[D]. 杨洋. 太原理工大学, 2020(07)
- [3]轮船吃水线动态视觉识别方法[D]. 安鸿波. 中国矿业大学, 2020(01)
- [4]对抗生成训练样本用于复杂环境下车牌端到端识别[D]. 佘爽. 广东工业大学, 2019(02)
- [5]新能源车牌识别算法研究[D]. 罗琴. 长江大学, 2019(12)
- [6]基于深度学习的多车牌字符识别算法研究[D]. 黄榜. 合肥工业大学, 2019(01)
- [7]模糊车牌识别算法的研究与实现[D]. 李明东. 上海工程技术大学, 2019(06)
- [8]复杂环境下的车牌识别系统及其应用[D]. 李强. 上海工程技术大学, 2019(06)
- [9]污染车牌定位与分割方法研究与实现[D]. 唐婷. 兰州交通大学, 2018(03)
- [10]基于深度学习的复杂场景下车牌识别系统[D]. 罗迤文. 国防科技大学, 2018(01)