一、汽车牌照的实时识别（论文文献综述）
罗新枫[1]（2019）在《卷积神经网络在多路网络视频流车牌识别中的研究及应用》文中认为随着社会的快速发展与人们生活水平的显着提高,汽车拥有量日益剧增,为保障公民的安全出行以及方便对道路车流的监管,市场上已经构建了强大的视频监控系统。然而对于能直接应用于现存监控视频的车牌识别系统的研究相对较少,因此对于视频流的车牌实时识别的研究具有一定的发展前景。本文应用基于卷积神经网络的目标识别算法YOLO9000,设计了一套多路网络视频流的车牌智能识别系统,可直接应用于现有的城市监控视频中,对于收费系统、交通监控、停车场管理等实际应用有重大的实用价值。与传统的车牌识别算法相比,本研究采用深度学习的方法减少了输入图像的预处理、字符特征提取等步骤,并且允许样本数据存在一定程度的缺损,实现了多尺度图像、小目标以及多目标的检测。运用改进YOLO9000网络模型可以同时实现车牌检测与字符分割,具有良好的容错、并行处理和自学习能力,对于应用环境复杂多变的车牌识别问题更具优势,解决了传统方法速度慢的问题。经过测试,对于车牌检测、字符分割以及字符识别的精度分别达到了98.9%、97.16%与97%,具有较好的识别效果。本文设计的车牌识别系统,首先应用VLC播放IP摄像头分发的多路网络视频流,进行实时传输与解码,提取包含完成车牌信息的关键帧;然后采用多线程并发处理的方式,调用智能车牌识别算法对待处理图像队列依次完成车牌检测、字符分割以及字符识别;最后实现车牌识别结果及视频流数据的实时显示,同时完成对车牌识别结果及其附带的时间信息的统计分析,并将统计结果保存为日志信息,实现了多路网络视频流的实时、高效、稳定的车牌信息提取。
叶绮文[2]（2019）在《基于顾客采纳行为的电动汽车市场扩散机制研究》文中研究说明近年来,国家为促进电动汽车的发展,相继出台《节能与新能源汽车产业发展规划（2012-2020年）》等战略规划以及相关政策法规,推动和鼓励公共交通、物流运输等领域组织的电动汽车采纳。然而,电动汽车在私人用车市场却陷入了发展瓶颈,产业链上相关企业与个体顾客对电动汽车的商业投资和采纳均持观望态度,导致了的“蛋生鸡,鸡生蛋”困局。由于市场需求是企业决策的基础,因此唯有充分了解顾客的采纳行为及市场扩散机制,进行有效的电动汽推广,才能打破现有的僵持局面,从根本上解决电动汽车私人用车领域采纳率低、市场规模难以扩大等现实问题。电动汽车的市场扩散是一个受到产品、顾客、政策环境等不同层面因素影响的长周期动态过程,其中因素之间的多重并发因果关系、采纳主体的互动以及环境与采纳主体之间的信息反馈是已有基于产品视角的技术采纳研究与基于顾客视角的产品扩散研究所无法完全解释的。此外,由于顾客价值文化、社会环境的差异,我国的电动汽车采纳与扩散问题需要基于特定的市场特征与政策环境进行探讨。然而,已有相关研究缺乏对因素的作用机理与市场动态扩散机制的探索,存在着结论矛盾、研究方法单一等局限。因此,本研究从产品与顾客的综合视角针对我国电动汽车私人用车领域的采纳与扩散问题,综合集成系统动力学、模糊逻辑、情景实验、基于模糊集的定性比较分析等多种前沿方法,开展以下几项创新性工作:（1）构建考虑顾客模糊感知的电动汽车采纳与市场扩散系统动力学模型,结合交易效用与社交效用理论,从个人层面以“效用-成本”的角度分析电动汽车的汽车属性及ICT技术应用所带来的特有属性对顾客采纳行为与市场扩散过程的影响。研究发现,基于顾客模糊感知的采纳行为对电动汽车扩散存在延迟作用;燃油汽车与电动汽车的总成本差异影响着其他电动汽车属性对市场扩散的作用效果。（2）结合技术采纳模型与Bass扩散模型,构建考虑顾客异质性与口碑传播的电动汽车采纳与扩散系统动力学模型,分析不同采纳群体对电动汽车的感知差异与群体间的互动关系对电动汽车市场扩散的影响。通过对比不同顾客结构下的仿真结果,研究发现大比例的首次购车者能够促进电动汽车市场的口碑传播和加强规模经济效应,同时放大了电动汽车感知易用性对市场扩散的积极作用。（3）构建考虑政策环境及网络外部性影响的电动汽车采纳与扩散系统动力学模型,从宏观层面分析政策环境等外部因素对电动汽车市场扩散的作用机理,并基于我国情景,给出政策的最优时间与资金分配策略。研究发现,具有网络外部性的政策设置能够加速电动汽车的市场扩散,但加速了资金的消耗;取得充电设施建设政策与其他政策之间的平衡是促进政策横向整合的关键;小额激励性政策有利于政策组合在时间维度上的整合。（4）针对影响因素的多重并发因果关系,使用基于模糊集的定性比较分析方法对不同层面的影响因素进行基于整体论视角的组态分析,从而分析综合考虑顾客特征、电动汽车属性及政策环境的市场扩散策略组合。研究结果在一定程度上解释了已有关于性别、收入、政策等因素的矛盾结论,并发现了高强度与低强度政策组合、货币类与非货币类激励等有效政策组合;同时给出了不同政策环境下汽车企业的业务重点与目标客户群体。本研究的主要贡献包括:（1）在理论层面上,以产品和顾客的综合视角分析了各类影响因素与顾客采纳行为之间的复杂因果关系以及电动汽车市场扩散的复杂机制,为解决电动汽车采纳率低、市场扩散缓慢等关乎国家战略产业发展的现实问题提供理论指导;（2）在方法层面上,针对电动汽车采纳与扩散过程的复杂性与动态性,集成多种前沿的方法对研究问题展开深入分析,同时也为后续研究提供了方法支持;（3）在应用层面上,基于研究结果,针对不同的发展阶段、顾客结构和政策环境,为政府和企业提供了政策制定策略与全面的管理建议。
周敦[3]（2018）在《基于图像处理的高速弓网综合检测系统技术研究》文中研究指明在人工智能发展火热的时代,各种智能化技术发展火热,不断冲击传统产业的发展。中国铁路作为作为国民经济发展的重要基础性支撑,对中国经济的发展有着至关重要的作用。同时,最为中国最繁忙的路上交通系统之一,由于其运行速度快,运行环境复杂,容易造成严重的安全事故,威胁人民群众的生命财产安全。因此,除了严格把控铁路建设基础设施的各项安全技术标准外,对铁路系统进行智能化检测监测尤为重要。但目前提出智能检测监测系统还不够完善,技术指标不完善,大量的图像数据没有得到充分地利用,图像处理技术运用亟待完善。世界各国也在积极探索,以期在不断提高速度的同时,提供更加智能检测监测安全防控。随着列车速度不断提高,对检测监测的精度要求也不断提高。我国接触网检测技术发展起步较晚,虽然“中国速度”在不断的走出国门,但是检测技术运用还不够成熟,检测精度不高,很多检测技术还处于人工检测和辅助检测的阶段,铁路的智能化改造更是今后一段时间铁路发展的趋势。因此,本文主要对高速弓网综合检测系统中的关键技术进行研究,旨在提高检测监测精度,对未来接触网综合检测提供发展方向,具备一定的现实意义。本文的主要工作及研究成果如下:（1）深刻了解接触网检测各项检测监测技术标准,分析各项检测参数的应用技术范围,分析影响本文实验数据的主要因素为光照,为了解决不均匀光照问题,实验对比分析了直方图均衡化技术与多尺度视网膜技术优劣,最终确定将基于亮度的多尺度视网膜技术应用于本文的所有图像对比度增强,实验表明,多尺度视网膜增强预处理不仅能够把车厢号识别准确率提高了约15%,而且提高了ROI定位的召回率,得到了23%的提升。（2）基于场景文本识别技术设计车厢号自动定位检测框架,定位过程主要分为两部分,基于MSER与人工规则过滤的粗筛选过程,以及基于强弱种子分类以及SVM+人工特征的识别定位过程。实验结果表明采用HOG特征识别准确率达98.34%,基本达到行业应用标准。（3）基于BOF+SVM的受电弓关键区域定位。首先根据受电弓滑板区域的几何特性提出基于Canny+Hough的ROI区域粗提取过程,然后,通过k-means++对SIFT特征向量聚类构建视觉特征,SVM实现受电弓滑板区域的自动定位,实现了96%识别率,为行业提供了一定的技术指标对比,提高了图像利用率。
郜鹏[4]（2016）在《汽车牌照自动识别技术研究》文中进行了进一步梳理随着我国经济水平的高速发展,作为一种重要的交通工具,我国的汽车数量急剧增加,这就对交通控制和安全管理提供了更高的要求。近年来社会生活节奏不断加快,对车辆的管理也逐渐从传统的人工管理方式向智能化和自动化的方向发展。对汽车牌照的识别能够为车辆管理提供一个良好的可视化条件,车牌识别技术的改善能够进一步提升我国交通系统的智能化程度,以达到智能交通的要求。因此对于汽车牌照自动识别中的关键技术进行研究,对提高整个识别系统可靠性有重要意义。论文主要研究内容如下：1)研究了应用在汽车牌照识别中的几种关键图像处理技术。通过灰度增强,直方图变换等方式对汽车牌照图像中相关信息进行了研究,再对图像进行去噪和边缘检测,有效地滤除原始图像中的噪声干扰及弱相关信息,实现了对强相关信息的局部增强,完成汽车牌照图像预处理。2)研究了汽车牌照自动识别的主要组成部分。首先重点对汽车牌照定位进行分析,对基于数学形态学的定位方法进行研究,采用一种结合图像颜色特征定位的判定方法。然后对定位结果进一步处理,以垂直投影法完成车牌字符的分割,就其中字符结构造成的异常状态进行了分析并提出解决办法。最后采用模板匹配算法完成汽车牌照字符的识别。
魏承文[5]（2014）在《汽车牌照识别技术的研究》文中研究表明汽车牌照识别技术不仅可以应用在交通管理领域，而且在收费站、停车场等车辆管理领域以及其它公共场所等民用领域也都有广泛的应用；目前随着图象识别技术的快速发展，汽车牌照识别技术的应用也已经渗透到了当今社会的各个领域，并且为社会管理和人民生活带来了极大的便利。因此，进一步开展汽车牌照识别技术研究能够极大地促进我国车辆管理公共事业的发展，对提高我国交通领域的现代化管理水平具有重要的学术研究意义和应用价值。本文在理解并掌握汽车牌照识别相关关键技术的基础上，分别从图像预处理、汽车牌照图像定位、图像分割和图象识别等方面展开了较深入的研究。论文作者的主要研究工作包括如下内容：（一）在图像预处理技术研究中，分别对图像的灰度化、降噪、图像增强以及二值化技术进行了较深入的探讨，仿真效果表明，通过图像预处理后，汽车牌照图像的质量得到了明显的改善；（二）在车牌定位研究中，研究了基于数学形态学和纹理特征的粗定位和精确定位方法，比较了两种定位方法的仿真效果，证明了精确定位方法的有效性和准确性；（三）在车牌字符分割技术研究中，分别研究了基于联通区域和基于投影法的字符分割方法，阐述了两种方法各自的适用性，并对其分割效果进行了对比，结果表明，在本文的研究中，投影法的定位效果较好；（四）在汽车牌照字符识别技术研究中，综合了图像预处理、定位和分割各种算法的基础上，提出了基于模板匹配和基于BP神经网络的字符识别方法，并通过对33幅随机汽车牌照图像采用MATLAB仿真进行了两种识别效果的对比，结果表明，基于BP神经网络的汽车牌照字符识别方法的识别效果较为准确和可靠。
张宏丹[6]（2014）在《汽车牌照自动识别系统的设计与实现》文中进行了进一步梳理本文主要研究的是汽车牌照自动识别系统,其作为信息化、智能化、数字化的综合交通管理系统在如今汽车普及的状况下显得非常重要。由于我国车牌的多样化,样式、颜色、规格不尽相同,本文主要针对车牌尺寸为440mm×140mm的规格,此尺寸牌照能占到日常生活中车牌的90%以上。基于数字图像处理、模式识别、计算机视觉等技术,以自己对车牌识别的认识和研究,在系统实现过程中,将整个框架确定为图像预处理阶段、车牌定位阶段、字符分割阶段和字符识别阶段,每个阶段的实现均从传统的理论入手,结合试验和经验添加新的算法和思路,在效率上得以提高。在图片预处理阶段,利用图像的灰度化减少了图像的冗余信息,使得占用很少的空间,运用图像的增强增加了原本图像不是很明显的脉络,给出了清晰的车辆信息。在车牌定位阶段,首先分析了车牌的特征信息,在这些特征信息和先验知识下找到车牌的连通区域,然后在此基础上分析纹理等信息,去掉伪车牌区域,最终找到车牌区域。在字符分割阶段,首先对车牌进行了水平垂直倾斜校正,然后进行水平方向投影去除车牌的边框以及铆钉等,再在垂直方向上投影,在投影区域内出现有规律的间隔,判断并分析这些间隔,最终以此来确定每个字符的左右边界,实现字符分割。最后是字符识别阶段,在这一阶段采用改进的模板匹配的相关算法对车牌分割出来的单个字符进行识别。整个系统实现过程中,在vs2008开发环境下,用C++语言完成了整个系统的开发。各个阶段联系紧密,在此基础上对汽车牌照自动识别系统各个模块进行设计。最后,完成系统集成和运行,并通过测试,系统识别率有很大提高。
陈敬来[7]（2012）在《基于神经网络车牌识别方法研究》文中指出车牌识别技术是制约交通智能化的一个重要因素，在现代化交通管理中占据着重要的地位。由于车牌种类繁多，拍摄时所处的环境条件各异，汽车牌照污损等影响，给车牌的自动识别带来了很大的困难，本文基于神经网络原理对汽车牌照识别方法进行了研究，提出了有效的解决方法。论文的主要研究工作有以下几个部分：首先研究了车牌定位方法。研究了基于垂直边缘与车牌句法特征的车牌粗定位算法，该方法可以有效的检测出图像中车牌的位置，进而研究了基于旋转差分投影的车牌水平精确定位与倾斜校正算法。其次研究了图像分割方法。分析了汽车牌照字符的特点，研究基于差分投影和优割字符的字符分割方法。基于字符分割垂直投影法和连通域法的优点，形成一个滑动窗口对图像进行有效的评判分割，解决了二值化图像中字符断裂及字符粘连的问题。第三研究了车牌特征提取和识别方法。首先研究了字符特征提取方法。以建立高识别率的车牌识别系统为目的，对字符的灰度图像特征提取问题进行了研究，给出了特征提取算法。进而论文研究了分类器的选择、组织及字符识别过程，研究了基于RBF神经网络的车牌字符识别方法，研究了基于分级RBF神经网络的车牌字符识别方法，给出了方法的实现过程。最后，通过仿真实验对文中的研究方法进行了检验，取得了良好的仿真实验研究结果，证明了方法的有效性和先进行。
何小娜[8]（2010）在《基于智能算法的汽车牌照识别技术研究》文中指出随着信息技术和智能技术的发展,交通管理系统的信息化、智能化已成为主要的发展的趋势。车牌识别系统是智能交通系统的核心组成部分,在现代交通收费管理系统中发挥着举足轻重的作用。近年来,对车牌识别系统中关键技术的研究已经成为智能交通领域的一个热点问题。本文对车牌识别系统中的图像预处理、汽车牌照定位、字符分割、字符识别等几大关键部分进行了比较深入、全面的研究,并对汽车牌照字符分割技术做了新的尝试。字符分割的效果直接影响后续图像处理的性能。本文对汽车牌照字符分割的技术采用改进的蚁群算法。图像分割是图像处理和图像分析的重要基础。基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛。因此,本文设计了基于二维直方图和改进的蚁群聚类算法的图像分割方法,改进了应用传统分割方法分割图像效果不佳的问题。蚁群聚类算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。改进后的算法通过二维直方图设置初始聚类中心来减少蚁群算法循环次数,定义了一种新的引导函数,并通过改进信息素更新机制提高蚁群聚类的速度。实验证明,该算法是一种比较准确、快速的图像分割方法。由于人工神经网络具有与人脑相似的高度性,基于神经网络的车牌识别技术研究行性、良好的容错性和联想记忆功能、自适应、自学习能力和容错等特点,特别是以改进型网络为代表的神经网络具有良好的自学习能力、强大的分类能力、容错能力或鲁棒性,可以实现输入到输出的非线性映射。因此,选择神经网络作为字符进行分类、识别的主要方法。应用神经网络的容错和自适应的特征,结合网孔法和扫描法对所识别的字符进行并行和串行的多识别融合方法识别字符,缩小识别字符集中字符的数量。网络的学习训练采用BP算法的改进方式,它采用附加动量法和学习率自适应调整两种策略。附加动量法降低了网络相对误差曲面局部细节的敏感性,有效抑制网络陷于局部极小。自适应调整了学习率,有利于缩短学习时间,从而提高了学习速度,并增加了算法的可靠性。测试效果验证了所使用的方法的正确性,达到了研究目标。
胡桂珍[9]（2010）在《基于数字图像处理的车牌识别系统研究》文中研究指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。
杨峰[10]（2009）在《汽车牌照识别技术的研究》文中研究说明随着信息技术和智能技术的发展,交通管理系统的信息化、智能化已成为主要的发展的趋势。车牌识别系统（LPR）是智能交通系统（ITS）的核心组成部分,在现代交通收费管理系统中发挥着举足轻重的作用。近年来,对车牌识别系统中关键技术的研究已经成为智能交通领域的一个热点问题。本文对车牌识别系统中的图像预处理、车牌定位、字符分割、字符识别等几大关键部分进行了比较深入、全面的研究,并对定位技术做了新的尝试。车牌定位是车牌识别系统处理的第一步,定位的准确与否直接关系车牌识别的成败。本文采用基于水平灰度跳变特征的综合车牌定位方法,定位步骤分为粗定位和精定位两个部分。水平粗定位中,利用先验知识,由下至上地搜索;精定位中,用HOUGH变换做多线检测;车牌字符的分割效果直接影响到字符识别。在字符分割之前,先对二值化处理后的车牌图像分离下边缘像素,再通过HOUGH变换检测倾斜角并校正。同时用改进的垂直投影法克服边框和铆钉的影响;车牌字符的识别是整个系统中核心环节,也是系统的设计目的所在。根据车牌字符的特点,采用BP神经网络进行分类识别。将归一化处理后的独立字符图像分别送至网络训练,用训练好的网络进行仿真测试。测试效果验证了所使用的方法的正确性,达到了研究目标。
二、汽车牌照的实时识别（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、汽车牌照的实时识别（论文提纲范文）
（1）卷积神经网络在多路网络视频流车牌识别中的研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车牌识别研究现状 |
| 1.2.2 目标识别算法研究现状 |
| 1.3 研究内容及组织架构 |
| 1.3.1 研究内容 |
| 1.3.2 本文的组织架构 |
| 第2章 车牌识别技术基础 |
| 2.1 传统车牌识别技术 |
| 2.1.1 运动车辆检测 |
| 2.1.2 车牌定位 |
| 2.1.3 字符分割 |
| 2.1.4 字符识别 |
| 2.2 基于卷积神经网络的目标识别算法 |
| 2.2.1 卷积神经网络 |
| 2.2.2 RCNN算法 |
| 2.2.3 Faster RCNN算法 |
| 2.2.4 SSD算法 |
| 2.2.5 YOLO算法 |
| 2.3 本章小结 |
| 第3章 数据集的构建 |
| 3.1 国内车牌的特征 |
| 3.2 数据集的分类 |
| 3.3 车牌检测数据集标定 |
| 3.4 字符自动生成算法 |
| 3.5 数据归一化 |
| 3.6 本章小结 |
| 第4章 基于卷积神经网络的车牌识别 |
| 4.1 基于YOLO9000 的车牌检测与字符分割 |
| 4.1.1 网络结构设计 |
| 4.1.2 k-means++提取候选框 |
| 4.1.3 损失函数 |
| 4.1.4 联合训练 |
| 4.2 基于CNN的字符识别 |
| 4.2.1 CNN网络结构设计 |
| 4.2.2 模型训练 |
| 4.3 实验结果分析 |
| 4.3.1 车牌检测与字符分割结果分析 |
| 4.3.2 字符识别结果分析 |
| 4.4 本章小结 |
| 第5章 系统设计与应用 |
| 5.1 系统框架设计 |
| 5.2 视频采集与解码 |
| 5.2.1 VCL简介 |
| 5.2.2 网络视频流的采集 |
| 5.2.3 网络视频流的解码 |
| 5.3 并发智能处理 |
| 5.4 客户端显示与统计分析 |
| 5.4.1 Qt简介 |
| 5.4.2 客户端显示 |
| 5.4.3 数据统计分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（2）基于顾客采纳行为的电动汽车市场扩散机制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究问题 |
| 1.1.1 研究背景 |
| 1.1.2 研究问题 |
| 1.2 研究目标与研究意义 |
| 1.2.1 研究目标 |
| 1.2.2 研究意义 |
| 1.3 研究内容、研究框架与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究框架 |
| 1.3.3 研究方法 |
| 1.4 论文框架结构 |
| 1.5 论文创新性说明 |
| 第二章 文献综述 |
| 2.1 文献检索情况与学术趋势分析 |
| 2.2 本研究的采纳与扩散理论基础 |
| 2.2.1 采纳理论基础 |
| 2.2.2 扩散理论基础 |
| 2.2.3 技术采纳与技术扩散的关系分析 |
| 2.3 电动汽车采纳与扩散的研究方向 |
| 2.3.1 采纳行为影响因素 |
| 2.3.2 不同因素影响下的电动汽车扩散研究 |
| 2.4 电动汽车采纳的影响因素 |
| 2.4.1 电动汽车属性 |
| 2.4.2 顾客特征 |
| 2.4.3 政策环境 |
| 2.5 电动汽车扩散相关研究 |
| 2.5.1 电动汽车扩散量化模型研究 |
| 2.5.2 电动汽车扩散建模仿真研究 |
| 2.6 文献总结 |
| 2.6.1 已有文献的贡献 |
| 2.6.2 不足之处 |
| 2.7 本章小结 |
| 第三章 电动汽车采纳与扩散系统分析及研究数据收集 |
| 3.1 电动汽车采纳与扩散的系统分析 |
| 3.1.1 电动汽车采纳与扩散系统边界 |
| 3.1.2 电动汽车采纳与扩散系统的主体 |
| 3.1.3 电动汽车采纳与扩散系统要素分析 |
| 3.2 系统模型构建方法的确定 |
| 3.2.1 系统动力学的基本特性分析 |
| 3.2.2 系统动力学的适用性分析 |
| 3.2.3 系统动力学建模工具 |
| 3.3 顾客对电动汽车属性、政策的偏好及采纳态度调查 |
| 3.3.1 情景实验法 |
| 3.3.2 实验目的 |
| 3.3.3 实验被试 |
| 3.3.4 实验设计 |
| 3.3.5 数据分析 |
| 3.4 本章小结 |
| 第四章 顾客模糊感知对电动汽车采纳行为及市场扩散过程的影响研究 |
| 4.1 模型构建 |
| 4.1.1 模型框架 |
| 4.1.2 变量的相互作用与因果关系分析 |
| 4.1.3 总体模型构建 |
| 4.2 顾客模糊感知设置 |
| 4.2.1 模糊逻辑 |
| 4.2.2 顾客的模糊感知函数 |
| 4.3 模型检验 |
| 4.3.1 模型结构检验 |
| 4.3.2 基于模型结构的系统行为检验 |
| 4.3.3 基于历史数据的系统行为检验 |
| 4.4 模型仿真结果分析 |
| 4.4.1 基于顾客感知的模型仿真 |
| 4.4.2 基于电动汽车属性的模型仿真 |
| 4.5 结果分析与针对电动汽车发展阶段的管理建议 |
| 4.6 本章小结 |
| 第五章 顾客结构及交互行为对电动汽车市场扩散的影响研究 |
| 5.1 模型构建 |
| 5.1.1 模型框架 |
| 5.1.2 变量的相互作用与因果关系分析 |
| 5.1.3 总体模型构建 |
| 5.2 模型检验 |
| 5.2.1 模型结构检验 |
| 5.2.2 基于模型结构的系统行为检验 |
| 5.2.3 基于历史数据的系统行为检验 |
| 5.3 模型仿真结果分析 |
| 5.3.1 基于顾客结构的模型仿真 |
| 5.3.2 基于顾客采纳异质性的模型仿真 |
| 5.4 结果分析与针对不同市场及顾客效用感知的管理建议 |
| 5.5 本章小结 |
| 第六章 考虑双重网络外部性的电动汽车政策策略研究 |
| 6.1 模型构建 |
| 6.1.1 模型框架 |
| 6.1.2 变量的相互作用与因果关系分析 |
| 6.1.3 总体模型构建 |
| 6.2 模型检验 |
| 6.2.1 模型结构检验 |
| 6.2.2 基于模型结构的系统行为检验 |
| 6.2.3 基于历史数据的系统行为检验 |
| 6.3 政策组合与政策实施策略的仿真对比分析 |
| 6.3.1 政策组合及策略的分析步骤 |
| 6.3.2 最优政策组合分析 |
| 6.3.3 无网络外部性情景下的最优政策策略分析 |
| 6.3.4 存在网络外部性情景下的最优政策策略分析 |
| 6.4 结果分析与针对电动汽车政策制定的管理建议 |
| 6.5 本章小结 |
| 第七章 基于组态分析的电动汽车市场扩散策略组合研究 |
| 7.1 基于模糊集的定性比较分析 |
| 7.1.1 方法及相关概念介绍 |
| 7.1.2 适用性分析 |
| 7.2 变量设定与数据校准 |
| 7.2.1 变量设定 |
| 7.2.2 案例数据分析与校准 |
| 7.3 必要条件检验 |
| 7.4 真值表构建与前因条件组合求解 |
| 7.5 市场扩散策略组合分析与管理建议 |
| 7.6 本章小结 |
| 结论 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
| 附录4 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（3）基于图像处理的高速弓网综合检测系统技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.1.1 高速铁路发展的时代背景 |
| 1.1.2 高速铁路供电系统检测监测系统 |
| 1.2 主要研究内容 |
| 1.2.1 课题来源 |
| 1.2.2 课题研究重点 |
| 1.3 国内外研究现状 |
| 1.3.1 车顶受电弓检测监测现状 |
| 1.3.2 列车车厢号识别研究现状 |
| 1.4 主要工作和创新 |
| 1.5 论文结构与组织 |
| 第二章 实验图像预处理 |
| 2.1 不均匀光照的影响 |
| 2.2 图像对比度增强方式 |
| 2.3 多尺度视网膜图像增强算法 |
| 2.3.1 单尺度视网膜算法 |
| 2.3.2 多尺度视网膜算法 |
| 2.4 基于亮度的多尺度视网膜图像增强算法 |
| 2.5 实验结果 |
| 2.6 本章小结 |
| 第三章 列车车厢号检测与识别 |
| 3.1 列车车厢号定位特征 |
| 3.1.1 列车车厢号定位与汽车牌照定位 |
| 3.1.2 列车车厢号定位方法 |
| 3.2 列车车厢号定位与提取 |
| 3.2.1 列车车厢号定位于场景文本定位 |
| 3.2.2 基于最大稳定极值区域的车厢号提取 |
| 3.2.3 车厢号区域粗提取 |
| 3.2.4 基于强种子的车厢号定位与提取 |
| 3.3 列车车厢号识别 |
| 3.3.1 特征设计 |
| 3.3.2 基于SVM的车厢号字符识别 |
| 3.4 实验结果与分析 |
| 3.4.1 不同特征实验结果分析 |
| 3.4.2 不同光照条件实验结果分析 |
| 3.5 本章小结 |
| 第四章 列车车顶受电弓关键区域检测与提取 |
| 4.1 受电弓关键区域特性提取 |
| 4.1.1 受电弓关键区域特性粗提取 |
| 4.1.2 受电弓粗提取区域扩充 |
| 4.2 受电弓关键区域精提取 |
| 4.2.1 SIFT特征构建 |
| 4.2.2 视觉词典构建 |
| 4.2.3 基于词包特征的分类器模型建立 |
| 4.2.4 基于词包特征的分类器分类 |
| 4.3 受电弓关键区域提取实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（4）汽车牌照自动识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容 |
| 1.4 论文结构 |
| 第二章 图像预处理 |
| 2.1 数字图像概述 |
| 2.1.1 图像的表示 |
| 2.1.2 彩色模型 |
| 2.2 汽车牌照识别概述 |
| 2.3 图像预处理 |
| 2.3.1 图像数字化 |
| 2.3.2 图像预处理 |
| 2.4 数学形态学图像处理 |
| 2.5 边缘检测 |
| 2.6 本章小结 |
| 第三章 汽车牌照定位 |
| 3.1 汽车牌照定位概述 |
| 3.2 汽车牌照图像特征 |
| 3.3 汽车牌照定位方法 |
| 3.3.1 基于数学形态学的定位方法 |
| 3.3.2 基于颜色特征的定位方法 |
| 3.3.3 改进的汽车牌照定位方法 |
| 3.3.4 几种定位方法的比较 |
| 3.4 本章小结 |
| 第四章 汽车牌照字符分割 |
| 4.1 汽车牌照字符分割概述 |
| 4.2 倾斜校正 |
| 4.2.1 Hough变换 |
| 4.2.2 基于投影法的倾斜校正算法 |
| 4.3 边框去除 |
| 4.4 统一车牌底色 |
| 4.5 字符分割 |
| 4.6 归一化处理 |
| 4.7 本章小结 |
| 第五章 汽车牌照字符识别 |
| 5.1 汽车牌照字符识别概述 |
| 5.2 基于模板匹配的字符识别 |
| 5.3 模板匹配算法 |
| 5.3.1 ABS算法 |
| 5.3.2 归一化互相关匹配算法 |
| 5.3.3 图像矩匹配算法 |
| 5.3.4 基于图像特征点的匹配算法 |
| 5.4 模板匹配字符识别结果 |
| 5.5 本章小结 |
| 第六章 实验结果分析 |
| 6.1 实验环境 |
| 6.2 汽车牌照定位结果和分析 |
| 6.3 汽车牌照识别结果和分析 |
| 全文总结及展望 |
| 致谢 |
| 参考文献 |
（5）汽车牌照识别技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 汽车牌照识别技术现状 |
| 1.2.1 国外现状 |
| 1.2.2 国内现状 |
| 1.3 目前汽车牌照识别技术中存在的技术难点 |
| 1.4 本文的主要研究工作 |
| 1.5 论文的组织结构安排 |
| 第二章 汽车牌照识别技术基础 |
| 2.1 汽车牌照识别相关技术基础 |
| 2.1.1 汽车牌照识别流程 |
| 2.1.2 图像预处理 |
| 2.1.3 图像定位 |
| 2.1.4 图像分割 |
| 2.1.5 图像识别 |
| 2.2 我国汽车牌照特点分析 |
| 2.3 汽车牌照图像预处理 |
| 2.3.1 图像灰度化 |
| 2.3.2 图像降噪 |
| 2.3.3 图像增强 |
| 2.3.4 图像二值化 |
| 2.4 本章小结 |
| 第三章 汽车牌照定位技术研究 |
| 3.1 常用的汽车牌照定位方法 |
| 3.1.1 数学形态学定位方法 |
| 3.1.2 边缘检测定位方法 |
| 3.1.3 纹理特征定位方法 |
| 3.1.4 颜色空间定位方法 |
| 3.2 基于数学形态学的汽车牌照粗定位技术研究 |
| 3.3 基于纹理特征的汽车牌照精确定位技术研究 |
| 3.4 本章小结 |
| 第四章 汽车牌照分割技术研究 |
| 4.1 常用的汽车牌照分割方法 |
| 4.1.1 连通区域字符分割方法 |
| 4.1.2 投影法字符分割方法 |
| 4.1.3 聚类分析字符分割方法 |
| 4.2 基于连通区域的字符分割技术研究 |
| 4.3 基于投影法的字符分割技术研究 |
| 4.4 本章小结 |
| 第五章 汽车牌照识别技术研究 |
| 5.1 常用的汽车牌照识别方法 |
| 5.1.1 模板匹配字符识别方法 |
| 5.1.2 分类器字符识别方法 |
| 5.1.3 统计特征匹配识别方法 |
| 5.2 基于模板匹配的汽车牌照识别技术研究 |
| 5.3 基于BP神经网络的汽车牌照识别技术研究 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 附件 |
（6）汽车牌照自动识别系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景、目的与意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的目的 |
| 1.1.3 课题研究的意义 |
| 1.2 国内外研究现状 |
| 1.3 本人的主要工作及成果 |
| 1.4 论文的结构安排 |
| 1.5 本章小结 |
| 第二章 车牌识别系统的理论基础 |
| 2.1 车牌的特征信息 |
| 2.2 车牌识别系统总体结构设计 |
| 2.2.1 车牌识别系统的原理 |
| 2.2.2 车牌识别系统的结构 |
| 2.2.3 车牌识别系统详细流程图 |
| 2.3 车牌识别系统引用的理论技术 |
| 2.3.1 图像灰度化 |
| 2.3.2 图像的增强 |
| 2.3.3 图像的二值化 |
| 2.4 本章小结 |
| 第三章 车牌定位 |
| 3.1 车牌定位简介 |
| 3.2 图像的边缘检测 |
| 3.3 车牌定位 |
| 3.3.1 车牌上下边界初定位 |
| 3.3.2 车牌左右边界初定位 |
| 3.4 车牌定位结果分析 |
| 3.5 本章小结 |
| 第四章 字符分割 |
| 4.1 字符分割简介 |
| 4.2 字符分割前期车牌预处理 |
| 4.2.1 字符灰度线性扩展 |
| 4.2.2 车牌的反色处理 |
| 4.2.3 车牌倾斜校正 |
| 4.2.4 车牌水平边框的去除 |
| 4.3 车牌字符分割 |
| 4.3.1 字符分割 |
| 4.3.2 字符分割的结果分析 |
| 4.4 本章小结 |
| 第五章 字符识别 |
| 5.1 字符识别简介 |
| 5.2 字符归一化 |
| 5.3 模板匹配字符识别 |
| 5.3.1 模板匹配简介 |
| 5.3.2 模板设计 |
| 5.4 字符识别 |
| 5.4.1 字符匹配 |
| 5.4.2 模板匹配字符识别 |
| 5.5 本章小结 |
| 第六章 系统实现与测试 |
| 6.1 系统实现 |
| 6.1.1 系统初略界面 |
| 6.1.2 系统的部分功能 |
| 6.2 实验结果 |
| 6.2.1 车牌定位的结果分析 |
| 6.2.2 字符分割的结果分析 |
| 6.2.3 字符识别的结果分析 |
| 6.2.4 系统成功率和性能分析 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
（7）基于神经网络车牌识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究目的和意义 |
| 1.2 汽车牌照识别方法研究现状 |
| 1.3 汽车牌照识别系统构成 |
| 1.4 汽车牌照识别关键技术分析 |
| 1.5 我国汽车牌照的特点分析 |
| 1.6 本文主要研究内容 |
| 第二章 汽车牌照的定位方法研究 |
| 2.1 常见的汽车牌照定位方法分析 |
| 2.1.1 基于形状特征的车牌定位方法 |
| 2.1.2 基于颜色特征的车牌定位方法 |
| 2.1.3 基于纹理特征的车牌定位方法 |
| 2.1.4 基于边缘跳变次数的车牌定位方法 |
| 2.2 车牌图像预处理方法 |
| 2.2.1 图像增强方法 |
| 2.2.2 图像降噪方法 |
| 2.2.3 图像二值化处理方法 |
| 2.3 车牌的粗定位方法 |
| 2.3.1 车牌的粗定位方法 |
| 2.3.2 伪区域剔除方法 |
| 2.4 车牌水平精确定位与倾斜校正 |
| 2.4.1 车牌水平精确定位方法 |
| 2.4.2 车牌的倾斜校正方法 |
| 2.5 实验结果及分析 |
| 2.6 本章小结 |
| 第三章 汽车牌照字符分割方法研究 |
| 3.1 车牌字符的一般特征分析 |
| 3.2 字符分割方法研究 |
| 3.2.1 基于垂直投影的字符分割算法 |
| 3.2.2 基于连通域的字符分割算法 |
| 3.3 基于垂直投影和优割字符的字符分割方法 |
| 3.3.1 图像预处理 |
| 3.3.2 字符垂直切分方法 |
| 3.3.3 字符分割结果调整方法 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 汽车牌照字符识别方法研究 |
| 4.1 车牌字符特征提取方法 |
| 4.1.1 图像的特征描述 |
| 4.1.2 特征组合描述方法 |
| 4.1.3 基于改进 KPCA 的字符特征提取方法 |
| 4.1.4 实验结果及分析 |
| 4.2 车牌字符识别方法 |
| 4.2.1 分类器技术简介 |
| 4.2.2 神经网络分类器 |
| 4.2.3 基于分级 RBF 神经网络的字符识别方法 |
| 4.3 本章小结 |
| 第五章 结论 |
| 5.1 论文总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介 |
| 作者在攻读硕士学位期间发表的学术论文 |
| 致谢 |
（8）基于智能算法的汽车牌照识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究意义 |
| 1.2 汽车牌照识别概述 |
| 1.2.1 牌照识别的研究现状 |
| 1.2.2 汽车牌照识别的关键技术 |
| 1.2.3 我国汽车牌照的特点 |
| 1.2.4 论文的主要工作 |
| 第二章 汽车牌照图像预处理 |
| 2.1 图像的灰度化 |
| 2.2 牌照图像增强 |
| 2.2.1 直方图均衡法 |
| 2.2.2 图像滤波 |
| 2.3 图像的二值化 |
| 2.4 牌照图像统一背景色处理 |
| 2.5 小结 |
| 第三章 牌照图像的定位 |
| 3.1 汽车牌照区域的特征 |
| 3.2 牌照定位的常用方法 |
| 3.3 利用HOUGH变换的定位法 |
| 3.3.1 粗定位 |
| 3.3.2 精定位 |
| 3.4 小结 |
| 第四章 牌照图像的字符分割 |
| 4.1 牌照图像字符分割概述 |
| 4.2 算法简介 |
| 4.2.1 基本蚁群算法原理 |
| 4.2.2 二维直方图 |
| 4.2.3 蚁群聚类算法 |
| 4.3 改进蚁群聚类算法进行牌照字符分割 |
| 4.3.1 提取图像分割的特征 |
| 4.3.2 确定初始聚类中心 |
| 4.3.3 引导函数 |
| 4.4.4 改进信息素更新机制 |
| 4.4 算法设计 |
| 4.5 实验结果及分析 |
| 4.6 小结 |
| 第五章 字符识别 |
| 5.1 字符的预处理 |
| 5.2 特征的提取 |
| 5.3 分类器的选取 |
| 5.4 小结 |
| 第六章 汽车牌照识别系统设计 |
| 6.1 实验样本的选择 |
| 6.2 牌照图像的预处理 |
| 6.3 牌照图像的定位 |
| 6.4 牌照图像的字符分割 |
| 6.5 字符识别 |
| 6.6 实验结果及分析 |
| 6.7 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 附录1 |
| 攻读硕士学位期间研究成果 |
（9）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 |
（10）汽车牌照识别技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 LPR系统的整体框架 |
| 1.3 LPR系统的性能参数 |
| 1.4 LPR的发展历程 |
| 1.5 LPR国内外研究现状 |
| 1.6 我国汽车牌照的特点与规范 |
| 1.6.1 我国汽车牌照的特点 |
| 1.6.2 我国汽车牌照的规范 |
| 第二章 图像预处理 |
| 2.1 图像的灰度化 |
| 2.2 灰度的线性变换 |
| 2.3 图像的二值化 |
| 2.4 图像的滤波处理 |
| 2.5 基于水平灰度跳变的二值化法 |
| 2.6 小结 |
| 第三章 车辆牌照的定位 |
| 3.1 车牌区域的特征 |
| 3.2 车牌定位的常用方法 |
| 3.3 利用HOUGH变换与先验知识的由粗到精的定位法 |
| 3.3.1 粗定位 |
| 3.3.2 精定位 |
| 3.4 小结 |
| 第四章 牌照字符的分割 |
| 4.1 字符分割方法简介 |
| 4.2 字符分割的二值化 |
| 4.3 去除边框 |
| 4.4 倾斜校正 |
| 4.4.1 倾斜角度的检测 |
| 4.4.2 图像旋转 |
| 4.5 字符分割 |
| 4.6 小结 |
| 第五章 车牌字符识别 |
| 5.1 常用识别方法简介 |
| 5.2 人工神经网络概述 |
| 5.3 BP神经网络算法描述 |
| 5.4 BP神经网络的设计问题 |
| 5.5 字符的归一化 |
| 5.6 实验结果及分析 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文及参与的研究课题 |
| 致谢 |
四、汽车牌照的实时识别（论文参考文献）
- [1]卷积神经网络在多路网络视频流车牌识别中的研究及应用[D]. 罗新枫. 深圳大学, 2019(01)
- [2]基于顾客采纳行为的电动汽车市场扩散机制研究[D]. 叶绮文. 华南理工大学, 2019
- [3]基于图像处理的高速弓网综合检测系统技术研究[D]. 周敦. 国防科技大学, 2018(03)
- [4]汽车牌照自动识别技术研究[D]. 郜鹏. 西南交通大学, 2016(01)
- [5]汽车牌照识别技术的研究[D]. 魏承文. 华南理工大学, 2014(01)
- [6]汽车牌照自动识别系统的设计与实现[D]. 张宏丹. 电子科技大学, 2014(03)
- [7]基于神经网络车牌识别方法研究[D]. 陈敬来. 沈阳建筑大学, 2012(06)
- [8]基于智能算法的汽车牌照识别技术研究[D]. 何小娜. 长春工业大学, 2010(02)
- [9]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)
- [10]汽车牌照识别技术的研究[D]. 杨峰. 湖南师范大学, 2009(10)