一、基于特征颜色的车牌边缘检测方法（论文文献综述）
陈松路[1]（2021）在《车载图像中车牌与车辆检测方法研究》文中研究说明车牌与车辆检测技术是智能交通系统中的重要研究课题,目前已经被广泛应用于车辆身份认证、智能收费、车辆密度统计、智能驾驶和交通管控等方面。但是,由于图像分辨率低且拍摄角度和距离不同,在行车记录仪拍摄得到的车载图像中进行车牌和车辆检测依然是一项极具挑战的任务。当前国内外众多研究学者针对车载图像中车牌与车辆检测的相关问题展开了大量研究,但是却忽略了车牌与车辆之间的相互关系,包括干扰和促进关系,以及车牌自身的结构特点。具体而言,当前的车牌与车辆检测方法仍存在如下问题:第一,由于车辆包含车牌,经典的深度检测网络在同时检测车牌与车辆时车辆检测几乎不会受到任何影响,但是车牌检测会受到车辆影响导致其检测性能大幅下降;第二,远距离的车牌和车辆在图片中占比小,容易造成小尺度车牌和车辆的漏检;第三,在车载图像中,由于拍摄角度不同,使得车牌会产生不同程度的透视变换,导致难以准确检测多方向车牌。针对上述问题,本文分别进行研究,消除了车辆对车牌检测的负面影响,并提升了小尺度车牌和车辆以及多方向车牌的检测性能,最后结合车牌识别验证了本文提出的车牌检测方法的有效性,并分析了不同车牌检测方法的优劣。论文的主要研究内容和创新性工作如下:1)在实际应用中需要同时进行车牌检测和车辆检测,经典的深度目标检测网络在同时检测车牌与车辆时车辆检测几乎不会受到影响,但是车辆会干扰车牌检测,导致车牌检测性能大幅下降。针对这个问题,本文提出了一种在同一个深度神经网络中采用两个独立分支分别检测车牌与车辆的方法,该方法在增加少量网络参数的情况下解耦了车牌检测与车辆检测,消除了车辆对车牌检测的负面干扰。同时,该方法采用特征融合、锚框聚类和注意力机制提升了车牌和车辆的检测性能,尤其是小尺度车牌和车辆。通过实验结果表明,在同时标注车牌和车辆以及单独标注车牌或车辆的多个数据集上,该方法实现了优于单独检测车牌模型和单独检测车辆模型的检测效果,验证了其有效性和泛化能力。此外,由于两个检测分支可以并行推理等特点,该方法实现了比单独检测车牌或车辆更快的运行速度。2)针对车载图像中小尺度车牌易漏检的问题,本文提出一种利用车牌与车辆关系从粗到精进行车牌检测的方法。该方法首先利用车牌中心与车辆中心的位置关系定位出车牌的大体位置,之后在车牌的局部区域内进一步精定位车牌的准确位置。该方法可以缩小车牌的检测范围,提高车牌的相对大小,并降低背景噪声对车牌检测的负面干扰,从而提升小尺度车牌的检测性能。此外,为了解决多方向车牌难以准确检测的问题,该方法提出通过预测车牌四个顶点的方式来实现任意方向车牌的检测,经过水平矫正后再进行后续的车牌识别,有利于提高车牌识别准确率。在两个行车记录仪数据集上的实验结果表明,该方法可以在保持车辆检测性能基本不变的情况下,较显着地提升小尺度和多方向车牌的检测效果。3)为了解决因车牌顶点预测偏移导致多方向车牌检测不准确的问题,本文利用车牌自身的结构特点,即车牌四个顶点之间的相互关系,使预测得到的车牌四个顶点组成的最小矩形框与人工标注的车牌水平矩形框尽可能地重叠,以此使预测得到的车牌顶点尽可能地靠近真实标注的车牌顶点,从而提高车牌顶点预测的准确性。在两个行车记录仪数据集上的实验结果表明,该方法可以在保持车辆检测性能基本不变的情况下,进一步提升多方向车牌检测效果。同时,在城市停车数据集CCPD上的实验也验证了该方法检测多方向车牌的有效性。4)结合车牌识别,对本文提出的车牌检测方法进行验证和分析,进一步说明车牌检测方法的有效性。上述多分支检测车牌和车辆的方法1)是直接在整图中检测车牌,容易导致小尺度车牌漏检。同时,上述利用车牌与车辆关系进行车牌检测的方法2)和3),在车辆漏检或者检测偏差较大的情况下会导致车牌的漏检。针对这个问题,本文提出一种将直接检测以及利用车牌与车辆关系检测相结合的车牌检测方法,以此进一步提高车牌检测性能。两种检测方式都可以预测车牌四个顶点并利用顶点关系进一步优化顶点预测,以此实现准确的多方向车牌检测。具体来说,该检测方法就是将上述方法1)、2)和3)相结合,组成一个可以端到端进行训练和推理的车牌检测网络,该网络可以有效地检测小尺度和多方向车牌。检测到车牌顶点后通过仿射变换进行水平矫正得到水平车牌,之后利用基于序列的车牌识别方法得到车牌号。通过对比不同车牌检测方法的车牌识别性能,说明了本文提出的车牌检测方法的有效性,并分析了不同车牌检测方法的优劣。
陈振宇[2]（2021）在《双行车牌识别技术研究》文中研究指明车牌识别技术在智能交通领域里占据着非常重要的作用,而针对不同类型的车牌,识别方法和效果也有所差距。车牌识别技术主要包括三部分内容,分别为车牌检测、车牌分割和车牌识别,本文根据车牌识别理论基础,对双行车牌识别技术的前两部分做了深入的研究。车牌检测部分,本文提出了一种基于双重概率密度函数的车牌定位方法。首先利用边缘纹理特征,结合双重颜色特征提取方法提取车牌类似区域,然后将所有车牌类似区域进行倾斜角度矫正,最后根据双行车牌的线性和全局概率密度函数特性,使用双重概率密度函数值作为阈值,从车牌类似区中精确定位出车牌。车牌分割部分,本文提出了一种基于自适应阈值的车牌分割方法。首先将车牌图像转化在HSV颜色空间,根据图像在HSV空间的特性将图像二值化,然后利用本文提出的自适应投影法分割出车牌号上的字符。在车牌识别部分,本文根据双行车牌的特征,使用基于卷积神经网络的字符识别方法,对分割所得到的字符进行识别。实验证明,本文根据非机动车车牌特征,针对性提出的车牌识别方法,可以准确的识别出自然状态下的车牌号,适用于挂双行车牌号的各种车辆的车牌识别。
贺振[3]（2021）在《基于卷积神经网络的动态车牌识别算法》文中指出随着生活水平的提高,汽车逐渐进入了人们的家庭。随着车辆的增加,车辆的管理统计变得越加复杂,因此出现了车牌识别系统,广泛用于各种卡口、收费站和刑事案件之中。极大降低了管理成本,并提高了工作效率,缓解了交通堵塞等问题。但是目前广泛应用的车牌识别系统主要为静态识别,对于识别条件要求较高,需要让车辆停在指定位置附近,进行拍摄后再进行识别,局限性较大。本文设计了基于卷积神经网络的动态车牌识别算法,主要是由三个部分组成。第一部分为车牌定位,通过两次YOLOv3-TINY算法完成对车牌定位,并且使用GIo U代替原算法的Io U,并且为了能够更加有效的校正车牌,在输出的时候扩大图像面积。实验表明本算法正确率和召回率都达到了95%左右,而检测速度也达到了81帧/秒。第二部分为车牌矫正,首先通过HSV颜色过滤初步定位车牌位置,然后再在膨胀后的蓝色区域进行白色过滤,通过蓝白色与图像的比例和白色字符的离散程度进行车牌筛选,在确定车牌后进行凸包检测,挑选凸点进行直线拟合得到顶点,最后根据顶点进行透视变换。实验表明本算法在对比Canny边缘检测法和投影法时,无论矫正效果还是矫正速度都优于其他两种。第三部分为字符识别,首先将每帧图像中校正后的车牌每三张合并为一张,以提高识别效率。然后再对YOLOv3-TINY进行改进,添加字符筛选算法,防止一个字符被多次识别,同时根据车牌规律对输出的错误车牌进行修正。实验表明当字符原始分辨率大于4分辨率时,正确率达到了95%,识别速度达到了140帧/秒。最后对整个车牌系统进行了实验,主要从图片识别和视频识别两部分进行验证。实验表明无论是图片识别还是视频识别都拥有90%以上的正确率,即使是1920×1080分辨率的复杂车道场景也有90%的正确率和38帧/秒的识别速度。通过多次实验证明本算法满足动态识别的实时性和正确率要求,拥有良好的优越性和鲁棒性,能够应付多种场景。
俞婷[4]（2021）在《基于深度学习的自然场景下车牌识别算法研究与实现》文中进行了进一步梳理随着智能交通系统的不断发展,我国的交通管理也在不断进步,现已有很多城市普及安装了一体化自动识别车牌系统。车牌识别是智能交通重要的一环,往往起决定性作用。车牌识别应用现状主要在固定的条件下进行,如对小区门口进出车辆的车牌识别。随着适用场景范围的扩大,车牌识别技术面临着更多的问题。目前,摄像头拍摄的图像采集技术已经相当成熟了,但当应用场景的需求扩大后,车牌定位和识别技术仍然需要进一步发展。随着人工智能和深度学习领域的高速发展,计算机处理速度和计算机视觉问题都得到了很大突破,同时也给传统的车牌识别技术带来了转变。通过深度学习技术实现车牌检测和识别具有更高的鲁棒性和自适应能力。本文的研究场景是街道路侧停靠车辆的车牌识别,重点更关注高位摄像头下街道自然场景的车牌识别。通过将车牌识别分为车牌检测、车牌矫正和车牌识别三个模块,来完成整个车牌图片的识别。针对本文高位摄像头街道停车识别展开的研究具体内容如下:1.研究了国内车牌的主要特征,通过三个部分数据组合完成车牌的数据集,主要由CCPD大型车牌数据集和采集的街道场景数据集构成,这两部分数据中,存在中文字符分布不均且大部分省份字符文字缺乏的问题。针对这一问题,人工合成车牌数据来增加中文字符比例,缓解中文字符缺乏问题。2.研究了车牌检测的相关技术。根据识别场景需求确定了可行的基于Open CV级联分类器的检测算法和基于YOLOv2改进的检测算法。改进YOLOv2网络使其更加适应单目标检测任务,并添加多尺度融合机制以提升小尺度车牌的检测率。对比分析两种算法,选择表现更优的基于YOLOv2改进的车牌检测方法来实现车牌检测算法。3.对于车牌字符识别方面,采用一阶段式方法实现不定长车牌的识别。本文在CRNN网络和LPRNet网络的基础上,结合这两种网络结构的特点,构建本文的车牌识别网络,以全卷积网络加上CTC的loss函数实现车牌的不定长识别。改进的CNN+CTC网络采用长卷积核代替RNN,简化网络结构,同时使用1*1的卷积核降维到字符类数,可实现输入多尺度图片识别。在性能测试上,改进的网络在识别准确度和速度上取得了较好的平衡,在准确度上高于LPRNet,在速度上快于CRNN,能够满足本文街道场景的需求。对于车牌倾斜造成易识别出错的问题,分析了车牌可能存在的倾斜角度,根据三维空间形变的特点,使用透视变换方法矫正车牌,通过实验验证,矫正算法对综合类型的蓝牌图片能提高4.6%的序列识别准确度。最后,本文整合车牌检测、车牌矫正和车牌识别三种算法,实现完整的车牌识别流程,通过验证整个系统算法的工作流程,证明了其在街道场景识别任务的可行性。
王军舟[5]（2021）在《基于图像处理的雾天车牌识别技术研究》文中认为近年来,我国频繁发生雾霾等恶劣天气。在雾霾天气中,由于大气光散射效应的作用,图像采集设备获取到的车牌图像产生了严重退化,即车牌图像的表面覆盖一层雾气,并且模糊不清和颜色信息大量缺失,这些因素严重影响了智能交通系统的有效性和可靠性。因此,课题对雾霾天气下的车牌识别技术展开研究,解决雾天条件下车牌识别率低等问题,从而提高智能交通系统的功能完整性和可靠性。雾霾天气下,影响车牌识别效率和正确率的因素较多,这些因素主要为图像中雾气的存留程度以及车牌图像的分辨率。因此,本文从如下几个方面进行深入研究:（1）雾天车牌图像的去雾算法利用非局部TGV正则化的方法对图像初始透射率进行修正,并将二阶的非局部正则器作为正则项,以确保对由图像颜色和深度之间的噪声和歧义引起的异常值具有鲁棒性,随后将修正细化后的图像初始透射率带入到边窗盒子滤波器中得到准确的传输图,解决中间处理步骤所产生的扰动。最后利用大气散射模型和约束条件复原出无雾的车牌图像。通过两方面评价实验,说明所提算法的去雾效果。（2）车牌图像的超分辨率重建算法对雾天图像分辨率以及颜色等信息进行分析。在车牌的Cr、Cb通道图上,利用基于高斯核函数的插值方法对上采样的通道图像进行插值处理,补全其空缺的高分辨率像素。在车牌的Y通道图上,利用图像的低秩属性对车牌进行复原,并与各算法进行重建效果对比。（3）车牌定位算法通过对边缘检测和数学形态学进行分析,将改进的边缘检测算法与数学形态学运算相结合,实现雾天车牌的定位。针对车牌出现倾斜和边框多余的问题,采用Hough变换算法对倾斜的车牌进行校正。通过计算跳变次数和区域扫描像素值累加和去除车牌的上下和左右边框。（4）车牌分割与字符识别通过设计车牌对应的模板,实现对多种类型车牌字符的分割。利用改进Le Net-5的车牌字符识别网络模型,通过修改卷积的层数、激活函数和输出类型等措施,设置Le Net-5网络模型中的参数,从识别正确率及耗时等两个方面与SVM算法和经典Le Net-5网络模型算法进行对比试验。（5）雾天车牌识别系统软件开发根据本文提出的图像处理算法,设计雾天车牌识别系统软件。其主要包括单一识别操作和快速识别操作两部分,可以实现对雾天车牌的快速识别,以及获取中间步骤的算法处理效果。最后,利用设计的雾天车牌识别系统软件对户外拍摄的雾天车牌图像进行功能测试,测试其识别效果和正确率。
徐锋[6]（2020）在《车牌识别算法研究与实现》文中指出近年来,随着机动车数量的飞速增长,交通拥堵、车辆肇事等交通问题越来越多,智能交通系统的需求越来越迫切。车牌自动识别系统因为功能全面,实用性突出,因此成为智能交通系统中的佼佼者。车牌识别算法在不断发展,但其仍有局限性,特别是在识别率和识别速率都尚待进一步优化。因国内汽车类型和规格十分复杂,车牌种类及颜色亦多种多样,位数也未进行完全统一。所以,对于算法智能化需求更高。同时,由于我国车牌字符还包括了汉字,这给车牌识别带来了更高的挑战。车牌自动识别算法包含多种,其中比较具有代表性的包括车牌号码自动定位算法、车牌号码字符识别算法、车牌号码字符分割算法。本论文主要研究利用软件处理图像的相关理论和技术,对涵盖车牌资料的图像展开规范化处理。本论文对车牌识别技术的算法进行了如下的研究:1.车牌定位算法。车牌定位算法多种多样,比较主要有基于边缘检测的方法、基于小波分析定位等。在对车牌进行定位之前需要先对车辆图像进行预处理,通过将车牌图片进行灰度化,通过阈值将其转化为二值图,使车牌信息能够凸显出来。通过比较中值滤波与均值滤波图像处理PSNR值可知均值滤波图像效果更佳。最后使用roberts算子将车牌位置定位出来为下一步字符分割打下基础。2.车牌字符分割算法。比较具有代表性的包括基于垂直投影的方法、聚类方法等。在做分割之前,由于使用垂直投影的方法,需要先对倾斜的车牌部分展开调整,将车牌水平矫正。之后去除车牌边框,特征图只剩下字母数字和汉字。最后通过垂直投影方法对字符展开规范化的分割,获取到单个字母、数字或汉字。3.车牌字符识别算法。其中比较具有典型意义的包括模板匹配法、支持向量机法等,本文对对其展开深入的分析,对两种识别算法进行对比,支持向量机的字符识别方法在识别率以及识别时间上更具优势。通过选取不同核函数,我们对比效率以及识别率,最后选取SVM的RBF核函数:C=100,σ2=1。本文探讨的算法在python进行了实现,python目前应用非常广泛,opencv也对其开放接口。Python代码中将其分为车牌定位模块、字符分割模块以及识别模块。通过main函数作为入口,输入多种场合获得的图像,并依次调用三个模块,训练以及使用svm模型来获取检测结果,得到的结果表明检测正确率高,检测可以达到实时的效果。
樊英[7]（2020）在《雾霾天气下车牌检测与识别算法研究》文中认为随看我国经济的快速发展,由工业废气和机动车尾气等因素导致的雾霾天气频繁出现,雾霾天气下空气浑浊、能见度低等问题造成的检测设备图像采集失真,对智能交通系统尤其车牌识别率产生了严重影响。本课题针对雾霾天气下车牌检测与识别算法开展研究,目的是解决雾霾天气下车牌检测与识别系统识别率低、检测速度慢、鲁棒性差等问题,从而提高智能交通系统在雾霾天气下的交通管控能力、保证民众出行安全与便捷。本课题按照图像去雾、车牌定位、车牌字符分割与识别三个步骤对雾霾天气下的车牌检测与识别算法进行了深入研究。图像去雾:研究了暗原色先验去雾算法和基于引导滤波优化透射图的暗原色先验去雾算法,针对这两种算法去雾效果亮度偏暗和时效性差等问题,提出了基于快速引导滤波的暗原色先验去雾算法,即首先利用快速引导滤波算法优化粗透射率,并根据图像中的天空域占比精细化大气光强度值,然后利用二维伽马自适应算法对去雾后的图像进行亮度均衡化,最终得到清晰的去雾图像;车牌定位:通过数学形态学和边缘检测相结合的算法对去雾后图像车牌粗定位,再根据连通区域分析法筛选出车牌的精确位置;车牌字符分割与识别:通过霍夫变换算法对定位后倾斜车牌水平校正,并选用基于投影的车牌字符分割算法提高车牌字符分割准确率和实效性,然后研究了经典的LeNet-5卷积神经网络结构特点,结合我国车牌字符特征调整了该网络结构,选取了效果更好的ReLU激活函数,并在隐含层添加dropout策略,提出优化改进的LeNet-5卷积神经网络识别车牌字符,最终实现车牌字符的精准识别。通过实验对比发现,本文提出的基于快速引导滤波的暗原色先验去雾算法在去雾效果和时效性上有很大的提升;优化改进的LeNet-5网络结构具有本地化程度高、识别率好等特点。采用本文算法对雾天环境下的车牌图像进行检测与识别,结果表明,此算法在识别率、时效性方面都取得了显着效果。
叶聪[8]（2020）在《智能车库管理系统设计研究》文中提出随着人们生活水平的提高和汽车的普及,国内的汽车销量逐年增加,带来的交通问题也日趋严重,道路拥堵、事故频发、车位难寻等无不困扰着人们。虽然相关的车辆停取设施也在不断建设当中,但其建设速率明显不及车辆递增速率,为了解决车辆增加与车位不足的矛盾,急需一套高效的智能化车库管理系统,最大限度高效利用当前车库资源,从而改善交通状况,提高城市居民生活体验。论文首先分析了智能车库管理系统在国内外的研究及发展现状,随后对智能车库管理系统各组成结构进行分析,在前人的基础上,对当前车库管理系统提出了一系列改进,为后续的智能化城市交通建设提供了一定的帮助。本文主要的研究工作如下:（1）提出了基于BP神经网络的HSI空间车牌识别方法。首先采用Retinex图像增强算法对获取的原始车辆图像进行预处理,使得车牌信息在昏暗光线或烟雾的阻挡下更加突出,随后采用基于HSI颜色空间定位的方法对车牌进行定位并采用垂直投影的方法进行倾斜矫正和字符分割,并采用BP神经网络对预定字符进行训练并识别,最终以较短的时延及较强的鲁棒性实现车辆车牌的识别。（2）为了解决当前车库管理系统在车辆入库后处于无管理状态的不足,本文提出了基于改进蚁群的车库泊车引导方法,提供两种停车模式:自主选择车位以及自动选择车位。同时引入角度偏移函数和距离偏移函数,在自主选择车位模式下,当获取入口点以及目标车位坐标后,在预定车库模型中计算出距离最短且尽可能减少拐弯次数的停车路径;而在自动模式下,由系统自主选择距电梯口或者出口最近的空闲车位,并同样计算出距离短、弯道少的停车路径,从而节省时间,提高停车效率。（3）构建智能车库管理系统软件模型。介绍智能车库管理系统主体结构,从需求分析,功能设计、框架构建等步骤对系统的设计进行全面分析,并采用UML对系统进行建模,最后采用Web开发技术,以Java为脚本语言,编写系统程序并测试功能。通过仿真实验表明,本文提出的车库管理系统在提高存取车辆效率方面有较好的效果,为当前城市车辆拥堵、停车难提供了缓解方案。
贾岚翔[9]（2020）在《计算机视觉在违章识别系统的研究与应用》文中指出随着国力的增强以及人民的富裕,私家车的数量以及私家车出行正在逐渐取代公共交通工具出行方式,交通违章问题是现代交通的核心关注点,也是保证人民财产以及人身安全的的关键。在现实中,交通执法者往往会面临天气等不可抗因素无法执行道路面对面的监督违法,需要快速及时的对车辆违章行为事件做出反应,就需要违章识别系统来辅助交通执法者对交通违章行为识别以及记录,目前市面上的一些违章拍照系统过于单一且违章拍摄的准确度有待提高,在处理干扰事件时会被一些外因影响较大,因此在违章识别问题上利用计算机视觉更加具有现实意义。首先本文针对国内外的计算机视觉方向研究动态进行阐述,以目前的计算机现有运算能力以及网络传输能力应对计算机视觉以及机器学习的问题已经可以完成,进一步对图像预处理的算法进行研究,其中包括图像的基本表示法,形态学操作以及边缘检测和直线检测等,其中最主要的是形态学操作以及边缘检测和直线检测,对后续的违章行为识别有着关键作用。然后分析日常生活中常见的违章行为比如违章停车,违章变道,违章逆行和安全带的佩戴等依次分析和选择设计监测方案,对于车辆识别算法做了多种比对,最后选取了识别效果及速度上最折中的YOLO算法对车辆进行识别,然后对识别违章的算法进行设计,但是仅仅可是识别车辆违章行为还是不够的,还需对违章的车辆进行记录,其中涉及到了车辆牌照的识别,其中又涉及到了车牌的定位,车牌字符的分割以及单个字符的识别。改进了占空比方式违章停车检测方法,并运用在违章识别系统中。使用车辆识别方法加占空比方式识别,更加精确直观的识别违章停车的车辆,从而提高了违章检测的有效性。最后收集大量车辆数据集并对数据集进行标注处理,然后练训识别权重,最后对于识别算法进行比对,验证了识别方案的有效性,同时根据实际情况开发出违章识别系统,将研究算法在系统中进行了有效的应用。
程聃[10]（2020）在《复杂背景下的车牌识别研究》文中研究说明车牌识别系统是现代化智能交通系统组成部分中最为关键的一环,目前已经被广泛的应用到各种非限制户外场景,具有极大的应用价值和研究价值。当前的车牌识别系统在特定交通固定卡口场所和高速公路收费站等光照条件较好的场景下具有较高的识别率,但是仍然无法充分解决有雾天气、背景干扰、污水干扰、车牌倾斜等复杂背景下的车牌识别问题。如何在复杂背景下取得车牌识别的高准确率和高效率识别的平衡,是近年来众多车牌识别领域的学者研究的热点,复杂背景下的车牌识别问题仍然存在许多可待挖掘和完善的空间。为了提高复杂背景下的车牌识别的适应性,本文基于不同的识别算法展开研究,主要研究工作如下:首先在车牌图像去雾预处理和复原方面,针对空气存在的微粒形成的雾天天气车牌图像,对比分析了三种去雾滤波算法,选择在YCrCb空间下基于三边滤波的去雾优化算法作为主要算法,防止空气中的雾化现象对车牌定位阶段造成影响。其次,在车牌图像定位阶段,提出一种基于改进Canny算子和数学形态学相结合的车牌定位算法。对Canny边缘算子中的滤波器使用混合滤波器进行了替换,同时采用基于基于线性增强边缘处理和最大类间方差法获取最佳阈值,结合形态学处理更适用于做车牌定位。然后,在车牌字符的分割阶段,对两种经典模糊聚类算法进行分析,针对算法中采用的度量只有在样本数据的属性互相没有关联的情况下才适用,引入协方差因子进行算法改进,实现车牌字符的准确分割,实验测试结果表明车牌分割效果得到改善。最后,车牌识别阶段采用一种联合HOG特征和SVM算法相结合的车牌识别算法对车牌图像进行识别。通过车牌数据集的测试结果可以得出,本文设计的车牌识别系统能够满足复杂背景下车牌高识别成功率的要求。
二、基于特征颜色的车牌边缘检测方法（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、基于特征颜色的车牌边缘检测方法（论文提纲范文）
（1）车载图像中车牌与车辆检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究内容 |
| 1.3 论文主要贡献 |
| 1.4 论文组织结构 |
| 2 研究综述 |
| 2.1 目标检测 |
| 2.1.1 目标检测概述 |
| 2.1.2 目标检测研究现状 |
| 2.1.3 多尺度问题 |
| 2.2 车牌检测 |
| 2.2.1 车牌检测研究现状 |
| 2.2.2 多尺度车牌检测 |
| 2.2.3 多方向车牌检测 |
| 2.3 车辆检测 |
| 2.4 本章小结 |
| 3 基于多分支注意力机制的车牌与车辆同时检测方法 |
| 3.1 问题概述 |
| 3.2 问题由来 |
| 3.3 算法概述 |
| 3.4 车牌与车辆同时检测算法 |
| 3.4.1 主干网络 |
| 3.4.2 多分支 |
| 3.4.3 锚框聚类 |
| 3.4.4 空间注意力 |
| 3.4.5 特征融合 |
| 3.4.6 损失函数 |
| 3.5 实验验证 |
| 3.5.1 数据集和评价标准 |
| 3.5.2 多分支实验 |
| 3.5.3 不同模块对检测性能的影响 |
| 3.5.4 与检测方法对比实验 |
| 3.5.5 锚框设置对比实验 |
| 3.5.6 检测结果示例 |
| 3.5.7 错误示例 |
| 3.6 本章小结 |
| 4 基于车牌与车辆关系挖掘的小尺度车牌检测方法 |
| 4.1 问题描述 |
| 4.2 算法概述 |
| 4.3 小尺度车牌检测算法 |
| 4.3.1 车辆检测与车牌粗定位 |
| 4.3.2 车牌局部区域估计与整合 |
| 4.3.3 多方向车牌检测 |
| 4.3.4 端到端检测网络 |
| 4.4 实验验证 |
| 4.4.1 数据集和评价标准 |
| 4.4.2 不同模块对检测性能的影响 |
| 4.4.3 区域扩大倍数实验 |
| 4.4.4 水平车牌对比实验 |
| 4.4.5 多方向车牌对比实验 |
| 4.4.6 多尺度车牌对比实验 |
| 4.4.7 运行时间分析 |
| 4.4.8 检测结果示例 |
| 4.4.9 错误示例 |
| 4.5 本章小结 |
| 5 基于车牌顶点关系优化的多方向车牌检测方法 |
| 5.1 问题描述 |
| 5.2 算法概述 |
| 5.3 多方向车牌检测算法 |
| 5.3.1 车辆与车牌检测 |
| 5.3.2 车牌顶点优化 |
| 5.3.3 损失函数 |
| 5.4 实验验证 |
| 5.4.1 数据集和评价标准 |
| 5.4.2 不同设置对检测性能的影响 |
| 5.4.3 运行时间分析 |
| 5.4.4 CCPD数据集对比实验 |
| 5.4.5 检测结果示例 |
| 5.4.6 错误示例 |
| 5.5 本章小结 |
| 6 结合车牌识别的车牌检测方法验证与分析 |
| 6.1 概述 |
| 6.2 车牌检测识别算法 |
| 6.2.1 车牌检测 |
| 6.2.2 水平矫正 |
| 6.2.3 车牌识别 |
| 6.3 实验验证 |
| 6.3.1 数据集和评价标准 |
| 6.3.2 车牌检测对比实验 |
| 6.3.3 车牌识别对比实验 |
| 6.4 本章小结 |
| 7 结论 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（2）双行车牌识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要内容及结构 |
| 1.3.1 本文的主要内容 |
| 1.3.2 本文的总体结构 |
| 第2章 数字图像处理基础 |
| 2.1 图像概念与分类 |
| 2.2 图像的基本运算概述 |
| 2.2.1 点运算 |
| 2.2.2 代数运算和逻辑运算 |
| 2.2.3 几何运算 |
| 2.3 图像分割 |
| 2.3.1 边缘检测 |
| 2.3.2 边缘连接 |
| 2.3.3 阈值分割 |
| 2.3.4 区域分割 |
| 2.4 本章小结 |
| 第3章 车牌检测 |
| 3.1 本文车牌检测方法 |
| 3.1.1 车牌粗定位 |
| 3.1.2 双重概率密度函数 |
| 3.1.3 车牌检测过程 |
| 3.2 实验结果与分析 |
| 3.3 本章小结 |
| 第4章 车牌分割 |
| 4.1 本文车牌分割方法 |
| 4.1.1 图像预处理 |
| 4.1.2 边框去除 |
| 4.1.3 字符分割 |
| 4.2 实验结果与分析 |
| 4.3 本章小结 |
| 第5章 车牌字符识别 |
| 5.1 卷积神经网络 |
| 5.1.1 卷积神经网络概念 |
| 5.1.2 激活函数 |
| 5.1.3 损失函数 |
| 5.2 本文字符识别方法 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（3）基于卷积神经网络的动态车牌识别算法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 课题的国内外研究进展 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的结构安排 |
| 第2章 车牌识别技术概述 |
| 2.1 图像预处理 |
| 2.1.1 图像灰度化 |
| 2.1.2 图像增强 |
| 2.1.3 图像降噪 |
| 2.1.4 边缘检测 |
| 2.1.5 二值化 |
| 2.1.6 形态学处理 |
| 2.2 车牌定位 |
| 2.2.1 基于边缘检测的车牌定位 |
| 2.2.2 基于颜色特征的车牌定位 |
| 2.2.3 基于混合特征的车牌定位 |
| 2.3 车牌矫正 |
| 2.4 字符识别 |
| 2.4.1 字符分割 |
| 2.4.2 模板匹配 |
| 2.4.3 SVM(支持向量机) |
| 2.5 基于神经网络的目标检测与识别模型 |
| 2.5.1 Faster R-CNN网络模型 |
| 2.5.2 SSD网络模型 |
| 2.5.3 YOLOv3 网络模型 |
| 2.5.4 YOLOv3-TINY网络模型 |
| 2.6 本章小结 |
| 第3章 基于YOLOv3-TINY的二次车牌定位 |
| 3.1 车牌定位 |
| 3.2 损失函数改进 |
| 3.3 后期处理 |
| 3.4 实验 |
| 3.4.1 实验环境 |
| 3.4.2 评价指标 |
| 3.4.3 数据准备 |
| 3.4.4 数据训练与实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于颜色的车牌校正 |
| 4.1 颜色过滤 |
| 4.2 图像预处理 |
| 4.3 剔除伪车牌区域 |
| 4.4 凸包检测和直线拟合 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 基于YOLOv3-TINY的字符识别 |
| 5.1 车牌号码规则 |
| 5.2 车牌合并 |
| 5.3 字符筛选 |
| 5.4 后期处理 |
| 5.5 字符识别实验 |
| 5.5.1 实验数据 |
| 5.5.2 实验结果与分析 |
| 5.6 车牌识别系统实验 |
| 5.6.1 图片识别 |
| 5.6.2 视频识别 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（4）基于深度学习的自然场景下车牌识别算法研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车牌检测研究现状 |
| 1.2.2 车牌识别研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文的结构安排 |
| 第二章 相关理论知识 |
| 2.1 卷积神经网络基础 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 全连接层 |
| 2.1.4 激活函数 |
| 2.1.5 优化 |
| 2.2 经典卷积网络结构 |
| 2.3 车牌检测方法 |
| 2.3.1 基于传统方法车牌检测 |
| 2.3.2 基于机器学习的车牌检测 |
| 2.3.3 基于卷积网络的车牌检测 |
| 2.4 车牌字符识别方法 |
| 2.4.1 基于两阶段式的车牌字符识别 |
| 2.4.2 基于一阶段式的车牌字符识别 |
| 2.5 本章小结 |
| 第三章 场景车牌识别存在的问题和车牌数据集 |
| 3.1 自然场景车牌识别的问题 |
| 3.2 国内车牌的主要特征 |
| 3.3 车牌识别研究的相关数据集 |
| 3.3.1 CCPD数据集 |
| 3.3.2 街道场景数据集 |
| 3.3.2.1 街道数据与CCPD数据的对比 |
| 3.3.2.2 数据收集 |
| 3.3.2.3 数据标注 |
| 3.3.2.4 数据增强 |
| 3.3.3 人工生成的数据 |
| 3.4 本章小结 |
| 第四章 车牌检测 |
| 4.1 车牌检测算法选取及分析 |
| 4.1.1 基于机器学习车牌检测方法的选取分析 |
| 4.1.2 基于卷积神经网络车牌检测方法的选取分析 |
| 4.2 基于级联分类器的车牌检测 |
| 4.2.1 训练准备 |
| 4.2.2 模型训练 |
| 4.3 基于YOLOv2 改进的车牌检测 |
| 4.3.1 YOLOv2 网络介绍 |
| 4.3.2 改进网络 |
| 4.3.3 网络训练 |
| 4.4 实验结果比较分析 |
| 4.4.1 实验环境 |
| 4.4.2 性能评价指标 |
| 4.4.3 对比分析 |
| 4.5 本章小结 |
| 第五章 车牌字符识别 |
| 5.1 基于CRNN的车牌识别 |
| 5.1.1 CRNN网络结构 |
| 5.1.2 模型训练 |
| 5.2 基于LPRNet的车牌识别 |
| 5.2.1 LPRNet网络结构 |
| 5.2.2 模型训练 |
| 5.3 实验结果比较分析 |
| 5.3.1 实验环境 |
| 5.3.2 性能评价指标 |
| 5.3.3 结果对比分析 |
| 5.4 改进的车牌字符识别算法 |
| 5.4.1 改进思路 |
| 5.4.2 改进的网络 |
| 5.4.3 网络训练 |
| 5.5 实验结果比较分析 |
| 5.5.1 实验环境 |
| 5.5.2 性能评估与分析 |
| 5.6 车牌矫正 |
| 5.6.1 倾斜情况分析 |
| 5.6.2 透视变换矫正 |
| 5.7 识别算法的可视化 |
| 5.7.1 系统设计 |
| 5.7.2 可视化界面实现 |
| 5.8 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于图像处理的雾天车牌识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去雾算法研究现状 |
| 1.2.2 图像超分辨率重建算法研究现状 |
| 1.2.3 车牌识别算法研究现状 |
| 1.3 课题研究内容及论文结构 |
| 第二章 雾天车牌图像去雾算法研究 |
| 2.1 雾霾的形成与对成像的影响 |
| 2.2 雾天图像退化数学模型 |
| 2.2.1 大气光散射效应 |
| 2.2.2 雾天图像退化模型 |
| 2.3 传统图像去雾算法 |
| 2.3.1 暗通道先验的图像去雾算法 |
| 2.3.2 颜色衰减先验的图像去雾算法 |
| 2.3.3 雾线先验的图像去雾算法 |
| 2.4 基于边窗盒子滤波和透射率修正的图像去雾算法 |
| 2.4.1 基于非局部TGV正则化的透射率计算 |
| 2.4.2 基于边窗盒子滤波的透射率优化 |
| 2.4.3 大气光值估计 |
| 2.4.4 雾天图像的去雾效果与细节对比 |
| 2.5 车牌去雾实验及评价结果 |
| 2.5.1 车牌图像去雾的主观评价 |
| 2.5.2 车牌图像去雾的客观评价 |
| 2.5.3 车辆图像去雾实验结论 |
| 2.6 本章小结 |
| 第三章 雾天车牌定位算法研究 |
| 3.1 车牌特征及规格 |
| 3.2 车牌定位常用算法 |
| 3.3 基于Canny边缘检测和数学形态学的雾天车牌定位算法 |
| 3.3.1 车辆图像灰度化 |
| 3.3.2 车辆图像二值化 |
| 3.3.3 车辆图像边缘检测 |
| 3.3.4 车辆图像数学形态学运算 |
| 3.3.5 车牌区域筛选 |
| 3.4 车牌倾斜校正及边框去除 |
| 3.4.1 车牌倾斜校正 |
| 3.4.2 车牌边框去除 |
| 3.5 本章小结 |
| 第四章 车牌图像超分辨率重建算法研究 |
| 4.1 图像超分辨率重建算法理论 |
| 4.2 基于YCrCb颜色空间和低秩矩阵的图像超分辨率重建算法 |
| 4.3 基于高斯核函数的插值方法 |
| 4.4 基于低秩矩阵的边缘超分辨重建算法 |
| 4.4.1 低秩矩阵理论 |
| 4.4.2 边缘像素的位置分析 |
| 4.4.3 低秩矩阵的确定以及计算 |
| 4.5 实验结果与分析 |
| 4.5.1 主观评价 |
| 4.5.2 客观评价 |
| 4.6 本章小结 |
| 第五章 车牌字符分割与字符识别算法研究 |
| 5.1 车牌字符分割 |
| 5.1.1 车牌字符分割理论 |
| 5.1.2 基于投影和模板匹配的字符分割方法 |
| 5.2 车牌字符识别常用算法 |
| 5.3 雾天车牌字符识别研究 |
| 5.3.1 LeNet-5网络模型 |
| 5.3.2 LeNet-5网络模型的改进 |
| 5.3.3 车牌字符数据集 |
| 5.3.4 网络训练 |
| 5.3.5 实验结果 |
| 5.4 本章小结 |
| 第六章 雾天车牌识别系统软件开发 |
| 6.1 雾天车牌识别系统功能设计 |
| 6.2 雾天车牌识别系统功能测试与分析 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（6）车牌识别算法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 车牌识别技术国内外研究现状 |
| 1.3 中国汽车牌照分析 |
| 1.3.1 中国汽车牌照特点 |
| 1.3.2 我国汽车牌照特殊性 |
| 1.4 课题研究的目的和意义 |
| 1.4.1 车牌字符分割技术的研究现状 |
| 1.4.2 车牌字符分割的难点 |
| 1.4.3 集几种主要的车牌识别方法简介 |
| 1.5 本文结构和内容 |
| 第二章 车牌识别系统概述 |
| 2.1 车牌识别系统结构 |
| 2.2 车牌识别系统算法 |
| 2.2.1 图像预处理 |
| 2.2.2 车牌定位 |
| 2.2.3 车牌字符分割 |
| 2.2.4 车牌字符识别 |
| 2.3 本章小结 |
| 第三章 车牌定位算法研究 |
| 3.1 图像预处理 |
| 3.1.1 彩色图像灰度化 |
| 3.1.2 灰度拉伸 |
| 3.1.3 图像的二值化 |
| 3.1.4 图像滤波 |
| 3.2 数学形态学分析 |
| 3.2.1 腐蚀与膨胀 |
| 3.2.2 开运算和闭运算 |
| 3.3 车牌定位方法研究 |
| 3.3.1 基于彩色分割的车牌定位方法 |
| 3.3.2 基于小波变换的车牌定位方法 |
| 3.3.3 基于遗传算法的车牌定位 |
| 3.3.4 基于数学形态学的车牌定位方法 |
| 3.3.5 基于灰度图像纹理特征分析的车牌定位方法 |
| 3.4 本文的车牌采用的车牌定位算法 |
| 3.4.1 边缘检测 |
| 3.4.2 Roberts边缘车牌定位 |
| 3.5 本章小结 |
| 第四章 车牌字符分割算法研究 |
| 4.1 常用的字符分割算法 |
| 4.1.2 基于聚类分析的车牌字符分割算法 |
| 4.1.3 基于模板匹配的车牌字符分割算法 |
| 4.2 本文的字符分割算法 |
| 4.2.1 车牌的倾斜校正 |
| 4.2.2 去除边框 |
| 4.2.3 字符分割 |
| 4.3 本章小结 |
| 第五章 车牌字符识别算法研究 |
| 5.1 常用的车牌字符识别算法 |
| 5.1.1 基于模板匹配字符识别算法 |
| 5.1.2 基于支持向量机方字符识别算法 |
| 5.1.3 基于神经网络字符识别算法 |
| 5.2 车牌字符图像预处理 |
| 5.3 支持向量机 |
| 5.4 车牌字符识别算法 |
| 5.4.1 车牌字符SVM的构造 |
| 5.4.2 实验过程中相关函数及参数的选定 |
| 5.5 本章小结 |
| 第六章 利用python进行模拟与仿真 |
| 6.1 python介绍 |
| 6.2 python进行模拟与仿真 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表论文及参加项目 |
| 致谢 |
（7）雾霾天气下车牌检测与识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去雾算法研究现状 |
| 1.2.2 车牌识别算法研究现状 |
| 1.3 研究目的和内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 论文结构 |
| 2 雾霾天气下图像去雾算法研究 |
| 2.1 图像去雾算法综述 |
| 2.1.1 雾霾的形成及对成像影响 |
| 2.1.2 图像去雾算法分类 |
| 2.2 基于物理模型的图像复原去雾理论 |
| 2.2.1 大气散射原理 |
| 2.2.2 暗原色先验去雾算法 |
| 2.3 基于引导滤波的透射图优化 |
| 2.4 基于快速引导滤波的暗原色先验去雾算法 |
| 2.4.1 快速引导滤波优化透射图 |
| 2.4.2 大气光值优化 |
| 2.4.3 二维伽马亮度自适应调整 |
| 2.5 实验结果分析与对比 |
| 2.5.1 图像去雾效果对比 |
| 2.5.2 客观数据指标对比 |
| 2.5.3 实验结论 |
| 2.6 本章小结 |
| 3 车牌定位算法研究 |
| 3.1 车牌规定 |
| 3.2 车牌定位常用的方法 |
| 3.2.1 基于边缘检测的车牌定位算法 |
| 3.2.2 基于彩色分割的车牌定位算法 |
| 3.2.3 基于灰度图像纹理特征分析的车牌定位算法 |
| 3.2.4 基于数学形态学的的车牌定位算法 |
| 3.3 针对雾霾天气下改进数学形态学车牌定位算法 |
| 3.3.1 图片灰度化 |
| 3.3.2 灰度拉伸 |
| 3.3.3 数学形态学运算 |
| 3.3.4 二值化 |
| 3.3.5 边缘检测 |
| 3.3.6 确定候选区域 |
| 3.4 实验过程及结果测评 |
| 3.4.1 雾霾天气下车牌定位实验过程 |
| 3.4.2 雾天车牌定位结果对比 |
| 3.5 本章小结 |
| 4 车牌字符分割与识别算法研究 |
| 4.1 车牌倾斜校正 |
| 4.1.1 霍夫变换原理 |
| 4.1.2 基于霍夫变换的车牌倾斜校正 |
| 4.2 车牌分割算法 |
| 4.2.1 常用车牌分割算法 |
| 4.2.2 车牌字符分割 |
| 4.3 车牌字符识别 |
| 4.3.1 常用车牌字符识别算法 |
| 4.3.2 经典LeNet-5卷积网络介绍 |
| 4.3.3 改进的LeNet-5卷积神经网络 |
| 4.3.4 训练识别网络 |
| 4.3.5 识别算法测评 |
| 4.4 本章小结 |
| 5 雾霾天气下车牌检测与识别实验仿真 |
| 5.1 实验结果与分析 |
| 5.1.1 雾霾天气下车牌识别效果测评 |
| 5.1.2 晴朗天气下车牌识别效果测评 |
| 5.2 本章小结 |
| 6 结论与展望 |
| 6.1 本文主要工作总结 |
| 6.2 本文创新 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录1 |
（8）智能车库管理系统设计研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国外研究现状 |
| 1.3 国内研究现状 |
| 1.4 本文研究工作及主要内容 |
| 第二章 车库管理系统中关键技术 |
| 2.1 车牌图像处理方法 |
| 2.1.1 我国小型汽车车牌现行规范 |
| 2.1.2 我国小型汽车车牌特征 |
| 2.1.3 Retinex图像增强方法 |
| 2.1.4 车牌定位方法 |
| 2.1.5 字符分割方法 |
| 2.2 字符识别方法 |
| 2.2.1 支持向量机(SVM)字符识别方法 |
| 2.2.2 人工神经网络(ANN)字符识别方法 |
| 2.3 路径规划算法 |
| 2.3.1 空间表示 |
| 2.3.2 搜索算法 |
| 2.4 本章小结 |
| 第三章 车牌识别系统设计研究 |
| 3.1 系统总体结构 |
| 3.2 车牌图像处理 |
| 3.2.1 车牌图像获取 |
| 3.2.2 车牌定位 |
| 3.2.3 车牌预处理 |
| 3.2.4 字符分割 |
| 3.2.5 字符识别 |
| 3.3 仿真实验与分析 |
| 3.4 本章小结 |
| 第四章 路径规划及引导系统研究 |
| 4.1 车库模型建立 |
| 4.2 算法设计 |
| 4.2.1 角度偏移函数 |
| 4.2.2 距离约束函数 |
| 4.2.3 改进蚁群算法主要步骤 |
| 4.3 仿真结果及对比分析 |
| 4.3.1 角度偏移函数验证分析 |
| 4.3.2 距离约束函数及角度偏移函数综合验证分析 |
| 4.4 本章小结 |
| 第五章 系统集成及软件设计 |
| 5.1 系统结构设计及功能分析 |
| 5.1.1 系统结构设计 |
| 5.1.2 系统功能分析 |
| 5.2 系统用例图分析与设计 |
| 5.3 系统活动图分析与设计 |
| 5.3.1 用户活动图分析与设计 |
| 5.3.2 操作员活动图分析设计 |
| 5.3.3 系统管理员活动图分析设计 |
| 5.3.4 用户停车活动图 |
| 5.3.5 用户取车活动图 |
| 5.4 系统类图分析与设计 |
| 5.5 数据库分析与设计 |
| 5.6 WEB界面设计与实现 |
| 5.7 本章小结 |
| 第六章 总结 |
| 6.1 主要工作回顾 |
| 6.2 本课题今后需进一步研究的地方 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（9）计算机视觉在违章识别系统的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 研究意义 |
| 1.3 国内外研究动态 |
| 1.4 本文主要研究内容及难点分析 |
| 1.5 本章小结 |
| 第2章 图像预处理算法的研究 |
| 2.1 图像基本表示方法 |
| 2.1.1 二值图像 |
| 2.1.2 灰度图像 |
| 2.1.3 彩色图像 |
| 2.2 图像基本处理 |
| 2.2.1 彩色图像转灰度图像 |
| 2.2.2 二值图像的转化 |
| 2.2.3 图像去噪 |
| 2.3 形态学操作 |
| 2.3.1 腐蚀 |
| 2.3.2 膨胀 |
| 2.3.3 开运算与闭运算 |
| 2.4 图像的边缘检测 |
| 2.4.1 Canny边缘检测 |
| 2.4.2 Sobel算子 |
| 2.5 图像中直线检测 |
| 2.5.1 霍夫变换 |
| 2.5.2 概率霍夫变换 |
| 2.6 图像金字塔 |
| 2.7 本章小结 |
| 第3章 违章行为的分析与检测设计 |
| 3.1 违章停车的检测与判别 |
| 3.1.1 均值方差阈值方式检测违章停车 |
| 3.1.2 占空比方式检测违章停车 |
| 3.2 违章变道的检测与判别 |
| 3.2.1 巴氏度量车辆违章变道检测 |
| 3.2.2 分水岭加轨迹违章变道检测 |
| 3.3 违章逆行的检测与判别 |
| 3.3.1 质心坐标检测法 |
| 3.3.2 卷积神经网络的车辆逆行检测 |
| 3.4 安全带佩戴的检测与判别 |
| 3.4.1 基于霍夫变换的安全带检测 |
| 3.4.2 卷积神经网络的安全带识别 |
| 3.4.3 显着梯度图检测安全带 |
| 3.4.4 结合YOLO的驾驶员安全带检测 |
| 3.5 本章小结 |
| 第4章 车牌识别算法的研究 |
| 4.1 车牌定位算法的研究 |
| 4.1.1 图像二值化 |
| 4.1.2 边缘检测 |
| 4.1.3 闭运算与车牌定位 |
| 4.2 车辆牌照字符的分割 |
| 4.2.1 模板匹配法 |
| 4.2.2 垂直投影法 |
| 4.3 单个字符的识别 |
| 4.4 神经网络识别车牌 |
| 4.4.1 特征值的提取 |
| 4.4.2 BP神经网络的训练 |
| 4.5 车辆牌照分类识别 |
| 4.5.1 RGB图像转换HSV类型 |
| 4.5.2 形态统计学识别车牌颜色 |
| 4.6 本章小结 |
| 第5章 车辆识别及跟踪算法的确定 |
| 5.1 SVM分类法识别车辆 |
| 5.1.1 基于HOG特征和SVM的车辆识别 |
| 5.1.2 HOG特征提取 |
| 5.1.3 HOG特征提取的实现方法 |
| 5.1.4 HOG特征提取与计算步骤 |
| 5.1.5 SVM车辆分类器训练 |
| 5.2 YOLO目标检测算法 |
| 5.2.1 YOLOv3目标检测算法原理 |
| 5.2.2 对图片进行标注 |
| 5.2.3 Darknet-53 神经网络 |
| 5.2.4 YOLOv3的多尺度特征目标识别 |
| 5.3 SVM+HOG VS YOLOv3 |
| 5.4 图像标注及权重训练 |
| 5.4.1 增加数据集及图像信息标注 |
| 5.4.2 训练数据集 |
| 5.4.3 训练结果分析 |
| 5.5 车辆追踪算法确定 |
| 5.5.1 多目标跟踪算法 |
| 5.6 本章小结 |
| 第6章 违章识别系统的设计 |
| 6.1 软件需求分析 |
| 6.1.1 用户需求分析 |
| 6.1.2 界面需求分析 |
| 6.2 系统模块及架构设计 |
| 6.2.1 系统模块设计 |
| 6.2.2 系统架构设计 |
| 6.3 系统功能的实现 |
| 6.3.1 软件开发环境 |
| 6.3.2 UI设计 |
| 6.4 软件检测结果分析 |
| 6.5 本章小结 |
| 总结和展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（10）复杂背景下的车牌识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景以及意义 |
| 1.2 车牌识别技术的研究现状 |
| 1.3 车牌识别技术问题总结 |
| 1.4 本文主要研究内容 |
| 第2章 车牌图像预处理 |
| 2.1 雾天环境分析 |
| 2.2 SSR算法 |
| 2.3 MSR和MSRCR算法 |
| 2.4 YCbCr颜色空间下的三边滤波 |
| 2.5 图像去雾效果质量的分析和对比 |
| 第3章 车牌图像定位 |
| 3.1 传统边缘检测算子 |
| 3.2 改进Canny边缘检测算法 |
| 3.2.1 线性边缘增强 |
| 3.2.2 阈值设定 |
| 3.2.3 混合滤波器 |
| 3.3 形态学处理 |
| 3.4 定位测试与分析 |
| 第4章 车牌图像分割 |
| 4.1 车牌图像字符分割算法 |
| 4.2 FCM算法和WFCM算法 |
| 4.3 结合协方差距离的FCM改进算法 |
| 4.4 实验结果与分析 |
| 第5章 车牌图像识别 |
| 5.1 字符识别算法 |
| 5.1.1 模板匹配 |
| 5.1.2 基于神经网络的识别算法 |
| 5.1.3 基于向量机的识别算法 |
| 5.2 特征提取算法模型 |
| 5.2.1 特征提取方法选择 |
| 5.2.2 汉字HOG特征及其联合处理 |
| 5.2.3 字母和数字的特征提取 |
| 5.3 MKPCA降维 |
| 5.3.1 KPCA算法基本原理 |
| 5.3.2 MKPCA算法 |
| 5.4 SVM多类分类器 |
| 5.5 参数选择 |
| 5.6 车牌字符分类器的构造 |
| 5.7 实验测试与分析 |
| 第6章 车牌识别系统的软件设计 |
| 6.1 软/硬件配置要求 |
| 6.2 软件简介及运用 |
| 6.3 系统设计 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士期间研究成果 |
| 致谢 |
四、基于特征颜色的车牌边缘检测方法（论文参考文献）
- [1]车载图像中车牌与车辆检测方法研究[D]. 陈松路. 北京科技大学, 2021(08)
- [2]双行车牌识别技术研究[D]. 陈振宇. 西北师范大学, 2021(12)
- [3]基于卷积神经网络的动态车牌识别算法[D]. 贺振. 哈尔滨理工大学, 2021(09)
- [4]基于深度学习的自然场景下车牌识别算法研究与实现[D]. 俞婷. 电子科技大学, 2021(01)
- [5]基于图像处理的雾天车牌识别技术研究[D]. 王军舟. 东华大学, 2021(09)
- [6]车牌识别算法研究与实现[D]. 徐锋. 扬州大学, 2020(04)
- [7]雾霾天气下车牌检测与识别算法研究[D]. 樊英. 西安科技大学, 2020(01)
- [8]智能车库管理系统设计研究[D]. 叶聪. 华东交通大学, 2020(06)
- [9]计算机视觉在违章识别系统的研究与应用[D]. 贾岚翔. 大连交通大学, 2020(06)
- [10]复杂背景下的车牌识别研究[D]. 程聃. 安徽工程大学, 2020(04)