一、一种汽车牌照多层次分割定位方法（论文文献综述）
徐锋[1]（2020）在《车牌识别算法研究与实现》文中研究指明近年来,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。
王关柱[2]（2013）在《Web环境下车牌识别系统的应用研究》文中研究说明车牌识别系统是一个涉及图像处理、模式识别、计算机视觉、神经网络和软件工程等多个领域的研究课题,它有着广阔的市场和巨大的商业应用前景。目前,大庆市的车辆牌照识别系统,都是传统的C/S模式的软件,这种软件仅仅部署在一个区域内几台特定的电脑上,而且客户端需要安装专用的软件,安装的工作量很大。如果任何一台计算机出现问题,需要对每个客户端进行安装或维护,软件维护和升级成本非常高。实现Web环境下的车牌识别系统,是对车牌识别技术的推广和普及,可以充分的发挥治安管理信息在公安系统实战中起到的作用,能够提高对突发事件的响应速度,提高对高速公路和城市道路的管理水平,抑制交通事故、车辆被盗案件发生的几率,加快公安系统向信息化转变进程。本论文在前人工作的基础上,深入研究了相关的理论算法,设计了详细的解决方案。首先是输入原始的汽车车辆图像进行图像的预处理,包括图像的灰度化处理、灰度拉伸、二值化处理、中值滤波以及形态学滤波；然后对处理后图像进行车牌定位,先进行水平方向的定位,再进行垂直方向上的定位,从而去除掉无用的干扰噪声信息,只保留车牌本身的图像信息；接着从定位好的车牌图像中,将其中的所有字符逐一分割出来,形成独立的字符图像；最后,利用建立好的标准模板库对字符图像进行逐一识别,从而提取出车牌信息。在设计好相关解决方案之后,利用基于ActiveX的网络富客户端技术搭建成一个完整的车辆牌照网络识别系统。实验证明该方案进行车辆牌照信息提取具有很好的准确性和可实施性。
胡桂珍[3]（2010）在《基于数字图像处理的车牌识别系统研究》文中研究表明智能交通系统是目前世界交通运输领域的前沿研究课题,车辆牌照自动识别系统作为智能交通系统中的一项重要技术,结合了图像处理,模式识别,自动化等多项技术,现在已得到广泛的应用。汽车牌照是车辆最清晰、准确、唯一的标志。车辆牌照识别系统作为一个专门的计算机视觉系统,能够自动地拍摄车辆行进的动态数据、有效地判断和提取含有车牌的图像数据并实时准确地识别出车辆牌照上的字符。本文对一套完整的车辆牌照识别方法进行研究。主要内容包括综述了国内外流行的车辆牌照识别技术,分别介绍了车辆牌照系统的每一个组成部分和国内外的识别方法。采用基于灰度图像的二值化算法对图像进行二值化,分析了基于连通域搜索的车牌照粗定位算法,根据车牌照本身的特点,提取车辆牌照区域特征,对车牌进行精确定位。对于车牌区域,采用基于彩色模型的车牌区域的二值化算法。结合垂直投影和连通域对车牌区域进行字符分割,很好地解决了字符粘连和过度分割的问题。分割结束后提取字符的加权组合特征,利用模板匹配法进行车牌照字符识别。本文的动态车牌识别方法是对现有车牌识别自动技术的进一步改进,提高了车牌识别系统的识别速度、准确性,扩大了适用范围。使车牌识别系统能够真正地实现智能交通管理系统对交通情况进行实时监控的要求。
甘英俊,胡天翔,沈海涛,陈睿[4]（2009）在《基于机器视觉的汽车牌照识别》文中提出以汽车牌照的识别为例,具体研究了车牌自动识别的原理。整个处理过程分为预处理、边缘提取、车牌定位、字符分割和字符识别五大模块,用MATLAB软件编程来实现每一个部分,最后识别出汽车牌照。在研究的同时对其中出现的问题进行了具体分析和处理。寻找出对于具体的汽车牌照识别过程的最好的方法。
仇成群[5]（2008）在《基于MATLAB图像处理的汽车牌照识别系统》文中认为汽车牌照识别系统是交通管理领域和数字图像处理领域里的热点问题。文中介绍了一种基于MATLAB处理的汽车牌照图像识别系统。该系统实现了汽车牌照的字符分割,分割准确率高、速度快。整个处理过程分为预处理、边缘提取、车牌定位、字符分割、字符识别五大模块,通过调用MATLAB函数来实现每一个部分处理过程。最后识别出汽车牌照。对其中出现的问题进行了具体分析、处理,找出了汽车牌照识别过程的方法。
齐林[6]（2008）在《汽车牌照自动识别技术的研究》文中进行了进一步梳理随着我国国民经济的高速发展,国内高速公路、城市道路、停车场建设越来越多,对交通控制、安全管理的要求也同样提高,智能交通系统（ITS）已成为当前交通管理发展的重要方向,而汽车牌照识别（LPR）作为智能交通系统的一部分起着举足轻重的作用,它在高速公路、城市道路和停车场等项目管理中占有无法替代的重要地位,它的广泛应用必将有助于我国交通管理自动化的进程。本文应用图像处理、车牌定位、字符分割、神经网络识别等相关技术来解决汽车牌照识别问题。首先采用灰度化、灰度均衡、图像滤波等方法将图像进行预处理,很好地消除了图像的噪音,强化了纵向纹理区,提高了图像的质量;通过对车牌特征和定位技术的研究,运用基于水平扫描和垂直投影的车牌定位方法,能够准确地搜索并定位车牌区域;采用基于汽车牌照的先验知识、Canny变换以及区域增长法的字符分割算法,完成了对车牌字符的准确分割;最后对神经网络的构成以及常用的字符识别方法进行了讨论,并着重分析了BP神经网络的理论原理和在字符识别中的应用。
刘治[7]（2007）在《车辆牌照识别技术的研究与实现》文中指出车牌识别系统是一个涉及图像处理、模式识别、计算机视觉、神经网络和软件工程等多个领域的研究课题,它有着广阔的市场和巨大的商业应用前景。。本文所述的系统,采用数学形态学的方法对车牌进行定位,采用模板匹配的方法对车牌文字进行识别。在车牌定位方面,首先对图片进行预处理。目的是为了突出车牌所在区域的信息,弱化非车牌区域,处理之后的图像在识别过程中更加容易处理。然后对预处理之后的图片采用跳变扫描的方法确定其上下边界,然后通过垂直投影的方法对其左右边界进行确定。这样所取出的车牌区域只是粗定位。接着对粗定位的区域进行二次定位。由于所取出的区域已经相当小,因此可以准确取到二值化阈值分离背景和文字,从而得到准确的车牌区域。第二步是对车牌字符进行分割,首先对已经定位的车牌区域进行Ostu二值化。使用垂直投影的方法对车牌上的字符进行分割。首先确定字符间距最大的区域,可以确定这个区域是车牌字符第二三个字符所在区域,再根据车牌的固有特征,能够很好的分割出每个字符。在识别过程中,采用模板匹配的办法来进行处理。建立模板的办法是将字符划分的特定的矩阵,并对矩阵特征做记录,形成特征向量。求出目标字符的特征向量与模板特征向量的距离,通过这个距离来确定字符。这个确定的过程可以是最小距离法,也可以是k-近邻法。本文所述的系统,对所采集的1000多张包含车牌的图像进行了实验,定位准确率的识别准确率均达到了86%以上,效果比较理想。
周泽华[8]（2007）在《车牌定位与分割算法的研究及实现》文中进行了进一步梳理车牌自动识别系统是现代智能交通管理的重要组成部分，可用于各级各类车辆管理场所。与传统的车辆管理方法相比，它大大地提高了管理效率与水平，节省了人力、物力，实现了车辆管理的科学化、规范化，对交通治安起到了一定的保障作用，因此有着广泛的应用前景。车牌自动识别系统一般包括车牌定位、字符分割和字符识别三个模块。它的研究主要涉及到模式识别、人工智能、计算机视觉、数字图像处理等众多学科领域。车牌的定位、分割更是该系统的关键，由于图像场景的复杂性以及车牌位置和图像质量的不可预知性，牌照定位分割系统一直都未做到令人满意，所以有必要对其进行进一步的研究。本文通过对大量资料的搜集、整理，总结了近年来国内外在车牌定位分割领域的最新研究成果和进展，对车牌区域的固有特征和目前的车牌定位、分割技术进行了分析和比较，提出了自己的观点并设计了一个车牌定位、分割系统。定位方面，针对单一颜色模型分割定位的不足，本文提出了一种基于多颜色模型的车牌定位方法。把RGB彩色车辆图像转化到HSV和YIQ两个颜色空间中，综合这两个颜色空间的信息进行颜色分割能够去除大量的背景干扰信息，只剩下包括车牌在内的较少的与车牌颜色相近的一些区域，更有利于后面的车牌定位。对经过颜色分割后的图像采用两步定位的方法正确定位出车牌。第一步结合分块的思想实现车牌的粗定位大大缩小车牌的搜索区域。第二步，针对车牌目标区域和非目标区域颜色差别较大和相近的粗定位图像分别采用二次颜色分割和基于Log算子进行边缘检测的方法实现车牌的定位，正确定位出车牌。由于受恶劣的天气、变化的光照以及摄像机拍摄角度等因素的影响，使得提取出来的车牌子图像存在污迹、光照不均、倾斜等问题，直接对车牌进行字符分割很容易出错。因此，本文提出了一种基于字符分割的预处理算法。我们对提取的车牌子图像进行维纳滤波和直方图均衡化来解决污迹和光照问题。对于倾斜情况采用Hough变换法和投影法对车牌进行水平和垂直倾斜矫正。并对倾斜矫正后的车牌进行去除上下左右边框、二值化和统一车牌底色处理，为后续的字符分割奠定良好基础。字符分割时，由于车牌长宽比较固定，本文提出了一种基于车牌比例特征的字符分割方法，结合二值图像垂直投影和车牌比例特征各自的优势进行字符分割。利用车牌比例特征大致确定字符间的分割区域，再在这个分割区域中寻找垂直投影值最小的位置就是最佳的分割点。这种方法可以很好地解决字符粘连的情况。本系统测试时，选取了109张黄底车辆图像和344张蓝底车辆图像进行定位测试，其中，黄底车辆图像粗定位正确104张，二次颜色分割方法正确定位100张，基于Log算子进行边缘检测方法正确定位98张。蓝底车辆图像粗定位正确311张，二次颜色分割方法正确定位303张，基于Log算子进行边缘检测方法正确定位306张。在车牌矫正测试中我们对定位出223幅有水平倾斜的车牌子进行测试，投影法的矫正率达到96.9％，对118幅经过水平精细定位的有垂直倾斜的车牌进行垂直倾斜矫正矫正率达到91.5％。字符分割测试中我们选用了经过预处理后的170幅最终精细定位的车牌进行分割，正确切分率达到95.3％。实验证明，本文提出车牌定位和字符分割方法效果良好，达到了实用要求。
周亮[9]（2007）在《基于神经网络的车牌识别算法研究》文中进行了进一步梳理随着城市交通管理现代化水平的提高，建立在车辆牌照识别基础上的交通信号自适应控制系统、智能交通监控系统、GPS车辆管理及导航系统、停车场自动收费系统、智能化交通管理系统应用而生。由于汽车牌照是机动车辆管理的主要标志符号之一，因此对车辆牌照识别系统的研究就尤为重要，该研究的核心是提高车牌识别率，这就需要识别算法能够对环境光照条件，拍摄位置和车辆行驶速度等因素的影响有较大的鲁棒性，并能够满足实时性的要求。本文设计的主要研究内容包括：运用仿真软件对后台图像进行高速，准确的处理。主要工作是对牌照的定位、分割和牌照的字符识别算法方面进行了深入地研究。在牌照的定位之前，本文首先运用不同于当下传统的方法，而是结合当前比较热门的神经网络来对图像进行预处理，得到了比较突出的牌照信息。然后结合牌照自身的一些固有特征，用形态学的方法进行了车牌区域的准确定位；对定位得到的车牌，再次结合牌照内部细节特征，对车牌进行投影，从而得到了车牌较为完整的分割；最后在车牌字符识别阶段，以现今比较流行的神经网络为理论基础，有效的设计出一个改进的神经网络识别算法。仿真结果表明采用本文提出的从车牌定位、分割到最后字符识别的算法能够有效地提高车牌识别率。本文研究内容的创新性体现在以下三个方面：（1）车牌定位阶段，采用一个改进的自适应PCNN神经网络对图像进行预处理可以得到一个细节丰富，边缘完整的二值图像，随后基于牌照固有特征，结合一种新的形态学方法，可以得到多个车牌候选区域；（2）车牌字符分割阶段，为了满足算法实时性的要求，对畸变车牌进行预处理时，采用字符的行特征来描述本文的倾斜校正算法，之后，基于改进的投影特征图对字符图像分割；（3）字符识别阶段，为了提高算法的识别率，采用改进的BP神经网络。仿真结果表明，通过对算法进行一系列的创新和改进，可以使识别算法的速度加快，识别率得到提高，效果比较理想。
林喆[10]（2006）在《车辆牌照层次识别系统的研究》文中研究指明车牌识别技术是智能交通系统（ITS）的重要组成部分，其发展必将大大加速ITS进程。文中对牌照自动识别的关键技术进行了研究，提出了有效的解决方法：如光源的选择、多层次累加投影定位分割、层次分类器字符识别等，并完成了整个系统的程序编写工作，最后对系统进行了实验。文中重点讨论了光源补偿系统的光源选择问题；提出了多层次累加投影的车牌分割法，通过粗分割、二次分割和细分割逐步减少图像的分析处理范围，对车牌进行快速而准确的定位；对于字符分割先通过图像增强处理和图像归一化处理，然后采用改进投影法对字符进行有效的分割；设计了由模板匹配粗分类器、结构笔画数粗分类器和结构信息细分类器组成的层次分类器对汉字进行有效的识别，提高了汉字的识别率；对于字母和数字字符的识别，文中设计了由二值模板匹配器、一级模糊判别和二级模糊判别的层次分类识别器组成的字母、数字、字母+数字的识别器，并根据被识别字符的位置信息将它们分别送到相应的识别器中进行识别，并最终将各个字符识别出来。实验结果表明该系统具有较高的识别率和识别速度，能够满足实时识别的要求。
二、一种汽车牌照多层次分割定位方法（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、一种汽车牌照多层次分割定位方法（论文提纲范文）
（1）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 |
（2）Web环境下车牌识别系统的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 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 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 成型产品概述 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 第二章 车辆牌照的定位与提取 |
| 2.1 我国车辆牌照特性概述 |
| 2.1.1 字符特征 |
| 2.1.2 形状及颜色特征 |
| 2.1.3 纹理及灰度特征 |
| 2.2 图像预处理 |
| 2.2.1 图像灰度化 |
| 2.2.2 灰度拉伸 |
| 2.2.3 二值化 |
| 2.2.4 中值滤波 |
| 2.2.5 形态学滤波 |
| 2.3 车牌定位方法 |
| 2.3.1 水平方向定位 |
| 2.3.2 垂直方向定位 |
| 2.4 小结 |
| 第三章 车辆牌照的字符分割 |
| 3.1 图像分割 |
| 3.1.1 图像分割简介 |
| 3.1.2 常用分割方法 |
| 3.2 字符分割 |
| 3.3 本文采用的字符分割算法 |
| 3.3.1 消除干扰因素 |
| 3.3.2 基于垂直投影的分割算法 |
| 3.4 小结 |
| 第四章 车辆牌照字符的识别 |
| 4.1 车辆牌照中字符识别的特点 |
| 4.2 字符识别方法概述 |
| 4.3 本文采用的字符识别方法 |
| 4.3.1 基本流程 |
| 4.3.2 标准模板库的建立 |
| 4.3.3 字符的归一化处理 |
| 4.3.4 基于模板匹配的车牌字符识别 |
| 4.4 小结 |
| 第五章 基于WEB的车牌识别系统的设计与实现 |
| 5.1 系统的详细设计 |
| 5.1.1 系统架构的设计 |
| 5.1.2 系统的功能设计 |
| 5.1.3 系统的数据流图 |
| 5.1.4 系统的流程图 |
| 5.2 关键技术的介绍 |
| 5.2.1 利用ⅡS搭建Web网络服务系统 |
| 5.2.2 利用ActiveX技术实现富客户端Web应用 |
| 5.2.3 Delphi下调用MATLAB的COM组件 |
| 5.3 系统功能的实现与展示 |
| 5.3.1 图像的导入与预处理 |
| 5.3.2 车牌图像的定位 |
| 5.3.3 车牌字符的分割 |
| 5.3.4 车牌字符的识别 |
| 5.4 系统的应用 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 详细摘要 |
（3）基于数字图像处理的车牌识别系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及其理论与实际意义 |
| 1.2 国内外汽车牌照识别系统的发展与现状 |
| 1.3 国内外车辆牌照识别技术综述 |
| 1.3.1 实时图像的采集 |
| 1.3.2 图像的预处理 |
| 1.3.3 车辆牌照的检测和定位 |
| 1.3.4 字符分割 |
| 1.3.5 字符识别 |
| 1.4 现有车辆牌照识别系统存在的不足与改进的难点 |
| 1.5 本文研究的主要内容 |
| 第2章 图像预处理 |
| 2.1 数字图像处理概述 |
| 2.1.1 数字图像处理的概念 |
| 2.1.2 数字图像处理研究的内容 |
| 2.1.3 数字图像处理特点 |
| 2.1.4 图像的数字化表示 |
| 2.1.5 数字图像处理在车牌识别系统中的应用 |
| 2.2 图像灰度化与二值化 |
| 2.2.1 图像灰度化 |
| 2.2.2 灰度直方图阈值提取及图像二值化 |
| 2.3 图像灰度变换增强 |
| 2.3.1 灰度变换 |
| 2.3.2 直方图均衡化 |
| 2.4 去除噪声 |
| 2.4.1 图像的平滑 |
| 2.4.2 邻域平均法 |
| 2.4.3 中值滤波法 |
| 2.4.4 汽车牌照图像的噪声去除 |
| 2.5 车牌图像的锐化 |
| 2.6 车牌边缘检测 |
| 2.6.1 梯度算子 |
| 2.6.2 Laplacian(拉普拉斯)算子 |
| 2.6.3 车牌图像的边缘检测 |
| 2.7 本章小结 |
| 第3章 车牌定位 |
| 3.1 车牌定位概述 |
| 3.1.1 车牌的先验知识 |
| 3.1.2 车牌定位原理 |
| 3.2 车牌定位算法 |
| 3.2.1 车牌定位算法分析 |
| 3.2.2 车牌定位算法流程 |
| 3.2.3 车牌定位中的关键问题 |
| 3.2.4 车牌定位实验结果 |
| 3.3 本章小结 |
| 第4章 车牌字符分割 |
| 4.1 常用的车牌字符分割算法 |
| 4.2 垂直投影法与连通域法相结合的分割方法 |
| 4.3 本章小结 |
| 第5章 车牌字符识别 |
| 5.1 车牌字符识别原理及组成 |
| 5.1.1 模式识别与车牌字符识别 |
| 5.1.2 车牌字符识别常用方法 |
| 5.2 车牌字符识别预处理 |
| 5.2.1 平滑 |
| 5.2.2 归一化 |
| 5.2.3 细化 |
| 5.3 车牌字符特征提取 |
| 5.3.1 车牌字符统计特征及分析 |
| 5.3.2 常见的字符特征 |
| 5.3.3 提取加权的组合特征 |
| 5.4 概述字符识别方法 |
| 5.5 识别车牌字符的分类器设计 |
| 5.6 车牌识别系统构成 |
| 5.7 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
（4）基于机器视觉的汽车牌照识别（论文提纲范文）
| 0 引言 |
| 1 预处理及边缘提取 |
| 2 车牌提取 |
| 3 字符分割 |
| 4 字符识别 |
| 4.1 模板设计 |
| 4.2 识别过程 |
| 5 结论 |
（6）汽车牌照自动识别技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外车牌自动识别技术的研究状况 |
| 1.3 汽车牌照自动识别技术概述 |
| 1.4 车牌识别技术中的难点 |
| 1.5 本文的主要研究内容及结构框架 |
| 第二章 车牌图像的预处理 |
| 2.1 图像的灰度化 |
| 2.2 图像二值化 |
| 2.3 图像增强 |
| 2.3.1 灰度变换 |
| 2.3.2 灰度均衡 |
| 2.3.3 图像滤波 |
| 第三章 汽车牌照的定位 |
| 3.1 常用的车牌定位方法 |
| 3.2 基于水平扫描与垂直投影的车牌定位方法 |
| 第四章 车牌字符的分割 |
| 4.1 常用的车牌字符分割方法 |
| 4.2 基于Canny 变换和区域增长的字符分割方法 |
| 4.2.1 汽车牌照的先验信息 |
| 4.2.2 车牌图片的预处理 |
| 4.2.3 车牌的倾斜校正 |
| 4.2.4 增强字符区域 |
| 4.2.5 字符的边缘检测 |
| 4.2.6 确定待分割字符区域 |
| 4.2.7 字符的分割和二值化 |
| 第五章 车牌的字符识别 |
| 5.1 字符识别技术简介 |
| 5.1.1 字符识别概述 |
| 5.1.2 常用的字符识别方法 |
| 5.2 神经网络理论概述 |
| 5.3 标准BP 神经网络 |
| 5.4 BP 神经网络的改进 |
| 5.5 BP 神经网络在车牌字符识别中的应用 |
| 5.5.1 字符预处理 |
| 5.5.2 特征的提取 |
| 5.5.3 分类器的选取及神经网络的设计实现 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 研究成果 |
（7）车辆牌照识别技术的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 车牌定位识别技术研究发展状况 |
| 1.1.1 车牌定位技术研究发展状况 |
| 1.1.2 车牌字符识别技术研究发展状况 |
| 1.2 本文所做的工作 |
| 1.2.1 本文的主要研究内容 |
| 1.3 小结 |
| 第二章 车牌识别技术知识 |
| 2.1 图像预处理 |
| 2.2 车牌定位 |
| 2.3 二值转换 |
| 2.4 车牌分类和字符分割 |
| 2.5 字符识别 |
| 2.5.1 字符类型 |
| 2.5.2 字符匹配 |
| 2.5.3 字符训练 |
| 2.6 小结 |
| 第三章 车牌定位算法研究及实现 |
| 3.1 车牌定位算法综述 |
| 3.1.1 汽车牌照的特征 |
| 3.1.2 直线边缘检测算法 |
| 3.1.3 基于阈值迭代的方法 |
| 3.1.4 基于神经网络的车牌定位方法 |
| 3.1.5 基于灰度的检测方法 |
| 3.1.6 基于彩色图的车牌分割方法 |
| 3.1.7 图形学中的种子填充算法 |
| 3.1.8 各种方法的对比 |
| 3.2 车牌定位的图像预处理 |
| 3.2.1 图像的灰度化 |
| 3.2.2 图像的增强 |
| 3.2.3 二值化算法基本原理及OSTU算法介绍 |
| 3.3 基于扫描行的车牌定位算法 |
| 3.3.1 确定车牌区域的上下边界 |
| 3.3.2 确定车牌区域的左右边界 |
| 3.4 结论 |
| 第四章 车牌字符识别算法研究及实现 |
| 4.1 车牌字符分割 |
| 4.1.1 字符分割的算法种类 |
| 4.1.2 基于车牌区域知识和投影的字符切分方法 |
| 4.2 车牌常用字符简介 |
| 4.3 字符识别简介 |
| 4.3.1 字符识别组成 |
| 4.3.2 字符识别常用方法 |
| 4.4 车牌字符识别常用方法 |
| 4.5 车牌字符识别的实现 |
| 4.5.1 字符识别流程 |
| 4.5.2 符识别的特征提取方式 |
| 4.5.3 字符识别的模式识别算法 |
| 4.6 总结 |
| 第五章 总结及展望 |
| 5.1 总结 |
| 5.2 难度分析 |
| 5.3 主要工作 |
| 5.4 存在的问题及展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 修改提纲 |
（8）车牌定位与分割算法的研究及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| Contents |
| 第一章 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车牌定位技术研究 |
| 1.2.2 车牌字符分割技术研究 |
| 1.2.3 车牌字符识别技术研究 |
| 1.3 论文的主要研究内容 |
| 1.4 论文结构 |
| 第二章 系统概述 |
| 2.1 设计思想 |
| 2.2 系统框图 |
| 第三章 基于多颜色模型的车牌定位方法 |
| 3.1 车牌目标区域特点 |
| 3.2 常用的车牌定位方法介绍 |
| 3.3 基于多颜色模型的车牌定位方法 |
| 3.3.1 基于多颜色模型的色彩分割 |
| 3.3.2 车牌区域粗定位 |
| 3.3.3 车牌定位 |
| 3.4 本章小结 |
| 第四章 车牌子图像预处理 |
| 4.1 牌照图像增强 |
| 4.1.1 灰度转换 |
| 4.1.2 维纳滤波 |
| 4.1.3 直方图均衡化 |
| 4.2 车牌的倾斜矫正 |
| 4.2.1 倾斜原因及类型 |
| 4.2.2 水平倾斜矫正 |
| 4.2.3 去除上下边框处理 |
| 4.2.4 垂直倾斜矫正 |
| 4.2.5 去除左右边框处理 |
| 4.3 牌照二值化及统一底色 |
| 4.3.1 车牌图像二值化技术实现 |
| 4.3.2 统一牌照底色处理 |
| 4.4 本章小结 |
| 第五章 基于车牌比例特征的字符分割方法 |
| 5.1 标准车牌介绍 |
| 5.2 基于车牌比例特征和垂直投影相结合的字符分割方法 |
| 5.2.1 方法介绍 |
| 5.2.2 基于车牌比例特征的字符分割算法 |
| 5.3 本章小结 |
| 第六章 实验结果及其分析 |
| 总结 |
| 参考文献 |
| 攻读学位期间发表论文 |
| 致谢 |
（9）基于神经网络的车牌识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 车牌识别技术的研究现状 |
| 1.2.1 车牌定位技术 |
| 1.2.2 字符分割技术 |
| 1.2.3 字符识别技术 |
| 1.3 本文研究的内容 |
| 第二章 数字图像处理基础 |
| 2.1 图像数字化 |
| 2.2 图像增强 |
| 2.2.1 直方图均衡化 |
| 2.2.2 同态滤波 |
| 2.2.3 中值滤波 |
| 2.3 图像分割 |
| 2.3.1 传统的图像分割方法 |
| 2.3.2 基于数学形态学的分割方法 |
| 2.3.3 基于人工神经网络的分割方法 |
| 2.3.4 其它的分割图像的新方法 |
| 2.4 本章小结 |
| 第三章 基于数学形态学的汽车牌照提取 |
| 3.1 图像预处理 |
| 3.1.1 图像转换 |
| 3.1.2 图像增强 |
| 3.2 图像分割 |
| 3.2.1 PCNN神经网络 |
| 3.2.2 基于PCNN神经网络的图像分割 |
| 3.3 基于数学形态学的车牌定位 |
| 3.3.1 数学形态学概述 |
| 3.3.2 结构元设计及车牌候选区域的获得 |
| 3.3.3 连通区域体态分析和目标区域提取 |
| 3.4 本章小结 |
| 第四章 汽车牌照字符分割 |
| 4.1 车牌图像倾斜的纠正 |
| 4.1.1 车牌图像纠正的几种方法 |
| 4.1.2 基于字符行特征的车牌倾斜校正算法 |
| 4.2 基于投影图的字符图像的分割 |
| 4.3 字符的归一化 |
| 4.4 本章小结 |
| 第五章 汽车牌照的字符识别 |
| 5.1 车牌字符识别现有技术 |
| 5.2 车牌字符特征提取 |
| 5.3 基于BP神经网络的字符识别 |
| 5.3.1 神经网络理论概述 |
| 5.3.2 BP神经网络算法的描述 |
| 5.3.3 BP网络存在的缺陷及其原因分析 |
| 5.3.4 BP算法的改进 |
| 5.4 本文的BP网络结构 |
| 5.5 本章小结 |
| 结论 |
| 1. 本文工作总结 |
| 2. 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（10）车辆牌照层次识别系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 车牌自动识别系统的背景及意义 |
| 1.2 车牌自动识别技术的国内外发展现状 |
| 1.3 本文主要研究工作 |
| 2 车牌识别系统的设计与构成 |
| 2.1 车牌的概述 |
| 2.2 LPR系统构成 |
| 2.2.1 系统硬件组成 |
| 2.2.2 软件系统总体结构 |
| 2.3 光源补偿系统 |
| 2.3.1 光源选择的条件 |
| 2.3.2 光源选定 |
| 2.4 抓拍触发装置 |
| 2.5 本章小结 |
| 3 车牌定位分割 |
| 3.1 概述 |
| 3.2 先验知识 |
| 3.3 图像预处理 |
| 3.4 车牌定位粗分割 |
| 3.5 二次分割 |
| 3.6 细分割 |
| 3.6.1 Hough变换 |
| 3.6.2 字符模糊处理及细分割 |
| 3.7 本章小结 |
| 4 字符分割预处理及其切分 |
| 4.1 必要性 |
| 4.2 字符图像增强处理 |
| 4.2.1 增强对比度 |
| 4.2.2 滤波 |
| 4.3 二值化处理及统一背景色 |
| 4.3.1 字符二值化的基本要求 |
| 4.3.2 本文中字符二值化的基本算法 |
| 4.4 字符分割法 |
| 4.5 本章小结 |
| 5 字符识别 |
| 5.1 字符集描述 |
| 5.2 字符归一化 |
| 5.3 现行字符识别方法的描述 |
| 5.4 文中的字符识别方法 |
| 5.4.1 汉字识别 |
| 5.4.2 字母与数字识别 |
| 5.5 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
四、一种汽车牌照多层次分割定位方法（论文参考文献）
- [1]车牌识别算法研究与实现[D]. 徐锋. 扬州大学, 2020(04)
- [2]Web环境下车牌识别系统的应用研究[D]. 王关柱. 东北石油大学, 2013(05)
- [3]基于数字图像处理的车牌识别系统研究[D]. 胡桂珍. 西南交通大学, 2010(10)
- [4]基于机器视觉的汽车牌照识别[J]. 甘英俊,胡天翔,沈海涛,陈睿. 机械制造与自动化, 2009(02)
- [5]基于MATLAB图像处理的汽车牌照识别系统[J]. 仇成群. 机械工程师, 2008(08)
- [6]汽车牌照自动识别技术的研究[D]. 齐林. 西安电子科技大学, 2008(01)
- [7]车辆牌照识别技术的研究与实现[D]. 刘治. 电子科技大学, 2007(05)
- [8]车牌定位与分割算法的研究及实现[D]. 周泽华. 广东工业大学, 2007(05)
- [9]基于神经网络的车牌识别算法研究[D]. 周亮. 青岛科技大学, 2007(04)
- [10]车辆牌照层次识别系统的研究[D]. 林喆. 南京理工大学, 2006(01)