一、一种基于汉字结构特征的车牌照字符分割方法（论文文献综述）
谢以磊[1]（2020）在《智能感知下的路内停车系统研究》文中研究表明近些年来,随着我国经济的不断发展,家庭轿车的数量也在急剧增加,传统的停车场已经无法满足现有车辆的需要,为了解决停车难的问题,各地交通部门纷纷开辟了新式的路内停车场。传统的停车场管理系统不能适应新式的停车场的需求,因此需要一套适应能力强、精度高的停车场管理系统,基于以上要求论文设计出一套智能感知下的路内停车系统。在参考传统的智慧停车系统与相关算法的基础上,对系统和算法做如下改进与设计:（1）改进了原有的去除噪声方法。在预处理阶段,采用导向滤波与高低频分离相结合图像去噪方法,首先采用小波变换将高低频分离,分离后的噪声部分主要在高频部分,然后通过导向滤波的特性将高频信号中包含噪声部分的信号去除并且保留了高频信号中纹理、边缘等细节部分。（2）设计了基于MEAN-SHIFT目标追踪算法与Faster RCNN算法相结合的车牌定位算法。在车牌定位阶段采用MEAN-SHIFT算法与Faster RCNN算法结合使用,通过MEAN-SHIFT算法对比车牌照区域与其他区域的相似度,得到小范围车牌照区域,再将小范围的车牌照区域送入Faster RCNN算法中进行车牌区域定位处理。MEAN-SHIFT算法用于找出与车牌照相似度最大的区域,减小算法的识别范围,突出区域特征,进而提高了车牌定位的准确率。（3）设计了基于智能感知下的路内停车系统。在路内停车系统中采用物联网技术实现信息采集端与数据库端、PC端、APP端连接。信息采集端通过SIM卡将采集的信息上传到数据库,PC端对数据集中管理和信息发布,APP端提供停车场查询功能、导航功能以及费用结算等服务,完成智能感知下的路内停车系统设计与实现。图48表4参77
齐家坤[2]（2020）在《复杂条件下的车牌识别算法研究》文中研究表明目前我国的机动车数量正在持续上升,采集车牌的场景也越来越复杂。因此,提升车牌识别技术的普适性至关重要。研究在复杂条件下的车牌识别技术依然有很大的市场价值。具体工作如下:在车牌定位方面,针对传统车牌定位算法对各种复杂条件下的车牌定位效果不理想的问题,本文采用了分割连通域和面积特征的车牌定位方法,通过对二值图像进行区域分割,再根据车牌的面积特征定位车牌区域。从测试结果可以看出,此算法可以在各种复杂的条件下对三种不同种类的车牌进行成功定位,且定位成功率较高。在字符分割方面,针对传统车牌倾斜校正算法耗时较长的问题,本文采用了基于orientation算子的方法来测量出车牌的偏移角度,再使用旋转法对倾斜的车牌进行矫正。实验证明该算法能够在不影响校正成功率的前提下,提高校正的效率。在字符分割中研究了一种基于反色图像的字符分割方法,通过对灰度化处理之后的图像进行反色处理,使得字符部分凸显的同时,可以去除无关区域。此方法运算量较小,分割的效率较高。在车牌字符识别方面,针对Le Net-5网络原型不能直接解决混合识别的问题,本文对传统的Le Net-5网络进行了改进。将图像分别输入两个不同的卷积网络,此方法将能够防止过拟合的发生,可以保证图像特征信息在传递过程中没有流失。本文将其应用于复杂条件下的字符识别算法中,最终识别成功率达到了91.64%,结果表明本文的车牌识别算法在复杂条件下能达到较好的识别准确率且具有很好的普适性。
徐丹[3]（2019）在《基于深度学习的矿用地磅车牌识别研究》文中研究指明在煤炭行业中,企业在进行煤炭的运输、存储时需要快速的对煤炭物资进行精确的称重管理,矿用地磅作为一种有效的称重仪器,在煤炭的运销过程中扮演着非常重要的角色。车牌作为车辆的关键性身份信息,为了提高来往运输车辆计量管理的准确性,研究矿用地磅车牌识别具有十分重要的意义。本文对矿用地磅系统中的车牌识别技术进行了深入的研究。通过研究发现,传统车牌识别技术的模块之间依赖性较强,容易导致误差的积累,影响最后的识别结果。而且由于煤炭行业的特殊性,长期运输煤炭资源的车辆容易导致车牌沾染上煤灰、煤泥等污渍,还容易导致车牌磨损,使得车牌字符模糊。如果通过传统的车牌识别方法进行研究,则需要对矿用地磅车牌图像进行复杂的预处理。通过综合分析,本文采用深度学习的方法,将矿用地磅车牌识别分为车牌检测和车牌字符识别两个过程,无需进行车牌的矫正和字符的分割,而且也无需对图像进行复杂预处理操作。经过分析,本文根据矿用地磅车牌的特点对YOLOv3网络进行改进,使其更好的适用于矿用地磅车牌的检测。在车牌字符识别问题上,由于本文的车牌检测算法是将整张含有车牌的图像进行输入,因此在车牌检测阶段,神经网络不但学习到了车牌的特征,也学习到了车牌中字符的特征。据此本文采用迁移学习的思想将训练好的车牌检测网络的主干网络DarkNet-53进行调整改进后用于矿用地磅车牌字符的识别,这样有利于经过较少次数的训练即可准确识别车牌中的字符。为了支持深度学习车牌识别模型的训练,本文采用人工模拟的方法产生了大量的车牌图像。本文通过对矿用地磅车牌识别进行深入研究,提出的矿用地磅车牌识别方法对黑夜以及车牌倾斜等特殊情况具有较好的鲁棒性,相对提高了矿用地磅系统的可靠性和自动化程度,具有一定的理论意义和工程价值。
许山[4]（2018）在《车牌视频识别算法及系统应用》文中进行了进一步梳理车牌是车辆重要特征,车牌识别是稽查黑车、打击逃费等交通管控的重要手段。尽管车牌视频识别早有许多算法,然而实际应用场景中,光线干扰、车辆运动、拍摄角度、目标较小等条件时,车牌识别的准确率、实时性,目前并不满足实际要求,如收费车道的车牌识别场景。为此,论文依托“基于深度学习的收费车道车辆特征识别系统及应用研究”等省级科技项目,展开了对车牌视频识别算法的研究,仍然具有重要的理论意义和实际应用价值。论文以车牌识别的国内外现状为背景,以机器学习、后续的深度学习机理解析为基础,以收费站等实际应用为导向,分别以机器学习和深度学习车牌识别的算法两条线,开展了一系列的研究工作。机器学习识别的算法研究中,论文解析了他人算法结构原理,分析了车牌区域定位、车牌照字符分割和车牌字符识别等过程中影响准确度的问题;给出了总体设计方案;为了提升车牌识别的识别率和适用性,增添了车牌照区域校正模块。论文还对于机器学习车牌识别存在的不足,给出了相应的解决方法,具体有:车牌照区域检测存在漏检的问题,论文给出了车牌照多特性结合以避免漏检的发生;定位出的车牌照存在倾斜和不完整的现象,因此论文给机器学习车牌识别增加了车牌照区域校正模块,并给出了详细的车牌照区域校正算法;垂直投影法无法分割非连通域字符的问题,论文给出了一种自适应垂直投影法,其能很好的分割出汉字。在深度学习识别的算法研究中,对于数据集准备模块,提出了一种能自动生成增广数据标定信息的数据增广方法,在解决了数据集的同时,也解决了数据标定;对于车牌识别模块,分析了 RCNN系列的目标检测算法;对于小目标车牌字符的识别,提出了深度网络模型SSD的优化算法。论文还针对于深度学习车牌识别存在的问题,也给出了相应的解决办法,具体有:采集到的数据集往往存在数据不足和数据类别分布不均衡的问题,论文提出了一种数据增广的方法,该方法同时能生成相应增补数据的标定信息,从而无需进行繁重的增补图像标定工作;针对于SSD算法检测小目标差的问题,论文对SSD算法网络结构进行了改进,从而使得其能够检测识别小目标车牌字符,并且其检测精度达到了 97.21%。经两种算法的实际场景的视频识别检测:深度学习车牌识别算法除了需要GPU加速的附加条件外,在检测速度和识别率方面均优于机器学习车牌识别算法。论文的主要创新点和特点在于:●针对于机器学习车牌识别率不高的问题,给出了车牌照区域校正和车牌照去边框算法,从而提高了车牌识别准确率;●针对于深度学习数据集不足和数据类别分布不均衡的问题,提出了一种数据增广方法,解决了图像数据集不足和增补图像标定的问题;●针对于深度学习SSD算法检测小目标差的问题,改进了 SSD算法,解决了其检测识别小目标差的问题。
徐风昌[5]（2013）在《基于数学形态学与图像处理的车牌识别系统》文中指出智能交通系统是现代交通管理发展热点和难点，而车牌识别是智能交通系统中的关键技术之一。当今许多车牌识别系统已达到实用水平要求，但是一些车牌识别系统在环境不理想的情况下，正确识别率有待提高。本文对图像预处理、车牌定位、字符分割以及字符识别等车牌识别系统关键模块进行了研究开发，具体做了以下工作：首先，针对车牌图像在露天拍摄时，受到内外界干扰而产生的各类型噪声，本文采用了一种新的去噪方法－自适应中值滤波法。并提出了一种新的边缘检测法（Log-Prewitt、Log-Sobel），以此锐化图像，使得图像更加平滑。根据全局阈值法，选取合适的阈值，进而对灰度图像进行二值化处理。其次，给出了基于数学形态学与色彩特征的车牌定位分割方法。该方法能够准确定位且分割出整个车牌区域。再次，采用基于垂直投影与数学形态学中连通域法，提出特殊的车牌字符分割方法。该方法能准确无误对车牌区域内每一字符进行分割。最后，针对车牌的汉字、字母、数字等特征，设计了车牌识别的神经网络识别器。该神经网络识别器采用标准BP网络算法与附加动量法和学习率相结合的综合算法对车牌图像进行识别。实验结果表明，此法较为理想，而且识别正确率能够达到95%以上。
许鑫[6]（2010）在《军车牌照自动识别系统》文中进行了进一步梳理随着军队机械化和信息化建设的不断深入,多种新式车辆列入部队装备序列,对部队正规化现代化专业化的管理提出了更高的要求,需要运用高科技手段进行有效监管。军车牌照是军车的有效身份认证,我们可以通过对军车牌照的识别,监测军车运行情况,达到对军车进行管理的目的。论文针对传统模拟信号车牌识别系统的不足,首先提出了基于数字图像处理和模式识别的军车牌照自动识别系统,该系统由硬件系统和软件系统组成。硬件系统由高清工业相机、千兆网卡网线等部分组成,保证了获取高清晰车牌图像。其次,在软件系统构成上,该系统分为车牌定位、字符分割和字符识别三个部分。在定位部分,介绍了军车牌照的特征;采用图像灰度化、图像增强等技术对车牌图像进行预处理。采用了一种基于紧致区域和矩形拟合思想的车牌定位方法。设定ROI区域,提出了自适应模板宽度法,对车牌图像进行卷积运算,并与原图相减,得到特征图,用水平扫描法,统计黑白像素的跳变次数,确定车牌上下边界。用矩形拟合的方法,得到车牌的候选区域。再次,在字符分割部分,先对图像进行了增强,接着对车牌进行了倾斜矫正和去除上下左右边框处理,最后对牌照二值化生成二值图,为后续的字符分割奠定了良好的基础。采用了一种基于车牌比例特征和垂直投影相结合的字符分割方法,利用车牌比例特征大致确定分割区域的范围,然后再从分割区域结合垂直投影值寻找最佳的分割位置。建立一个经过聚类的泛化的字符库,把分割后字符与字符库中的模板求欧式距离,并进行判断,把不符合条件的字符重新进行分割。最后,在车牌字符图像预处理的基础上,采用了SVM对军牌汉字和字母数字进行识别,试验结果表明了核函数中的不同参数和不同的误差惩罚因子参数对识别结果的影响相当大,讨论了最优参数的选择方法,并用试验数据验证了SVM算法适合在小样本情况下进行识别的独特优势。实验表明,该系统采集图像成像清晰、传输速度快、实时性强,定位、分割较准确、鲁棒性较强,在光照情况较好的条件下,识别率可达到90%以上。
朱艳[7]（2010）在《应用于收费路口的车牌识别系统设计与实现》文中研究说明车牌照识别（简称LPR）系统,作为智能交通系统的重要组成部分,在交通管理自动化、智能化中占据重要地位,可广泛应用于收费管理、城市交通的车辆管理、车流量统计、电子警察等。因此,对车牌照识别系统的研究具有很高的应用价值。本文结合收费路口环境的特点,旨在将LPR技术应用于收费路口,兼顾识别系统的准确性与实时性,完成了应用于收费路口的车牌照识别系统的设计与实现。车牌照识别系统主要分为三大模块:车牌定位、字符分割和字符识别。在定位模块,结合车牌的边缘特征和纹理特征,在灰度图像的基础上,提出了基于数学形态学的车牌快速定位方法。该方法充分利用了图像采集现场（即收费路口）背景简单的特点,在边缘检测后利用投影法来缩小处理区域,定位较快,耗时100ms左右。在字符分割模块,结合字符的固有特征,采用投影法来实现。首先进行分割前的预处理,对车牌进行二值化、边框去除等。然后对每个字符采用最小外围矩形框来进行粗分割,再结合字符的平均宽度、高度和字符间距、字符位置的一致性,对字符进行细分割,并对字符的断裂和粘连进行处理。这种分割方法对只在水平方向倾斜的字符,即使不经过倾斜矫正,也能达到较好的字符分割效果。另外,在字符二值化时,结合全局阈值和局部阈值的优劣,对传统的Bernsen法进行改进,达到了较好的二值化效果。在字符识别模块,采用了基于支持向量机的字符识别方法。根据车牌中字符位置的不同,分别构建不同的分类器。在对字符进行归一化、特征提取后,利用SVM分类器进行了识别实验。从SVM的不同参数和不同的特征提取方法对识别结果的影响这两个方面对实验结果进行了分析。
胡桂珍[8]（2010）在《基于数字图像处理的车牌识别系统研究》文中提出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。
张倩[9]（2009）在《车辆牌照识别方法研究与实现》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,车辆牌照的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,现在得到了广泛的应用。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、有效地判断和提取有车牌的图像数据并实时准确的识别出车辆牌照上的字符。本文提出了一个完整的车辆车牌照识别方法。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。本文采用了基于灰度图像的二值化算法对图像进行二值化,提出了基于连通域搜索的车牌照粗分类算法,然后根据车牌照本身的特点提取了车辆牌照区域特征,并采用BP神经网络对车牌进行精确定位。本文还采用了面向车牌的基于彩色模型的车牌区域二值化算法,提出了结合垂直投影和连通域对车牌区域进行字符切分,很好的解决了字符粘连和过度切分的问题。切分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。本文提出的车牌牌照识别方法是对现有的车牌识别自动技术的进一步补充完善,提高了车牌识别系统的识别速度、准确性,扩大了其适用范围,使车牌识别系统能够真正的实现智能交通系统对交通情况进行实时监控的要求。实验表明,本文介绍的车辆牌照自动识别方法速度快,适合应用在实时系统中,适应性和抗干扰能力强,能够在不同环境下进行正常的工作,识别率较高。
梁友[10]（2009）在《图像处理及特征识别方法研究》文中指出随着交通智能化的发展,汽车牌照自动识别技术已经成为一项热点研究课题。本文以电子眼采集到的汽车图像为对象,利用图像处理和模式识别相关知识,实现了汽车牌照的自动识别。汽车牌照自动识别包括三项关键技术:车牌照定位、字符分割、字符识别。改进了基于HSI颜色模型和彩色边缘提取两种汽车牌照定位方法,获得了满意的车牌照定位效果;提出了汽车牌照倾斜校正算法,有效的解决了汽车牌照的倾斜问题;提出了动态模板匹配的字符分割算法,能够快速准确的分割出车牌字符;利用BP神经网络实现了车牌字符识别,获得了较高的识别率。
二、一种基于汉字结构特征的车牌照字符分割方法（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、一种基于汉字结构特征的车牌照字符分割方法（论文提纲范文）
（1）智能感知下的路内停车系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 路内停车系统及关键技术的发展现状 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展现状 |
| 1.3 研究的内容和主要工作 |
| 1.4 论文的结构框架 |
| 2 相关技术介绍 |
| 2.1 图像去噪 |
| 2.2 车牌识别算法 |
| 2.2.1 车牌定位方法 |
| 2.2.2 车牌字符分割方法 |
| 2.2.3 车牌字符识别方法 |
| 2.3 MEAN-SHIFT目标追踪算法 |
| 2.4 卷积神经网络算法 |
| 2.4.1 卷积神经网络 |
| 2.4.2 RCNN系列目标检测算法 |
| 2.5 本章小结 |
| 3 车牌识别算法的改进 |
| 3.1 改进的图像去噪算法 |
| 3.1.1 高低频分离 |
| 3.1.2 高低频信号处理 |
| 3.1.3 高低频信号合并 |
| 3.1.4 实验分析与对比 |
| 3.2 区域特征增强的车牌定位算法 |
| 3.2.1 整体框架 |
| 3.2.2 改进的MEAN-SHIFT算法研究 |
| 3.2.3 RPN以及框回归 |
| 3.2.4 车牌定位结果分析 |
| 3.3 车牌字符识别算法 |
| 3.3.1 车牌矫正 |
| 3.3.2 字符分割 |
| 3.3.3 字符识别算法框架及分类模型 |
| 3.3.4 测试与比较 |
| 3.4 本章小结 |
| 4 智能感知下路内停车系统的设计与实现 |
| 4.1 路内停车系统的需求分析 |
| 4.1.1 路内停车系统的总体需求 |
| 4.1.2 路内停车系统的功能需求 |
| 4.2 路内停车系统的概要设计 |
| 4.3 路内停车系统的详细设计 |
| 4.3.1 PC端管理界面设计 |
| 4.3.2 APP端界面设计 |
| 4.3.3 信息采集端设计 |
| 4.4 系统测试 |
| 4.4.1 测试方案 |
| 4.4.2 安全性测试 |
| 4.4.3 完整性测试 |
| 4.5 本章小结 |
| 5 总结和展望 |
| 5.1 研究总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（2）复杂条件下的车牌识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 车牌识别算法研究中存在的问题 |
| 1.4 本文主要研究内容和章节安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文章节安排 |
| 第2章 车牌识别系统相关基础介绍 |
| 2.1 我国车牌的相关特征 |
| 2.2 车牌识别相关机器学习算法简介 |
| 2.2.1 支持向量机(SVM) |
| 2.2.2 卷积神经网络 |
| 2.3 样本图像的采集和使用说明 |
| 第3章 车牌定位算法 |
| 3.1 目前主流的几种车牌定位算法 |
| 3.2 图像预处理 |
| 3.2.1 基于颜色特征的灰度化 |
| 3.2.2 基于OTSU大律法的二值化处理 |
| 3.2.3 光照不均解决算法 |
| 3.2.4 反光解决算法 |
| 3.3 基于分割连通域和面积特征的车牌定位 |
| 3.4 车牌定位算法测试 |
| 第4章 字符分割算法 |
| 4.1 车牌校正算法 |
| 4.1.1 常用的车牌图像倾斜校正算法 |
| 4.1.2 本文的车牌矫正方法 |
| 4.1.3 车牌倾斜校正算法仿真 |
| 4.1.4 数据分析 |
| 4.2 基于反色图像的字符分割方法 |
| 4.3 字符分割方法测试 |
| 第5章 字符识别算法 |
| 5.1 字符识别难点 |
| 5.2 常用的字符识别方法 |
| 5.3 本文的字符识别算法 |
| 5.3.1 LeNet-5的网络结构 |
| 5.3.2 改进的LeNet-5模型 |
| 5.3.3 字符识别实验及分析 |
| 5.3.4 字符识别的结果分析 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所开展的科研项目和发表的学术论文 |
（3）基于深度学习的矿用地磅车牌识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 矿用地磅系统简介 |
| 1.3 国内外车牌识别的现状 |
| 1.4 矿用地磅车牌图像的特点及识别难点 |
| 1.5 论文的结构与安排 |
| 2 深度学习与目标检测 |
| 2.1 深度学习算法的研究现状 |
| 2.2 卷积神经网络 |
| 2.3 深度学习在目标检测中的应用 |
| 2.4 基于深度学习的目标检测 |
| 2.4.1 R-CNN |
| 2.4.2 Fast-RCNN |
| 2.4.3 YOLO |
| 2.4.4 YOLOv2 |
| 2.5 本章小结 |
| 3 基于深度学习的矿用地磅车牌检测 |
| 3.1 国内车牌的特点 |
| 3.1.1 颜色规则 |
| 3.1.2 车牌号编码规则 |
| 3.1.3 车牌尺寸规则 |
| 3.2 迁移学习 |
| 3.3 矿用地磅车牌检测算法 |
| 3.3.1 YOLOv3 |
| 3.3.2 矿用地磅车牌检测算法的结构设计 |
| 3.3.3 损失函数的设计 |
| 3.3.4 筛选过程的设计 |
| 3.4 本章小结 |
| 4 矿用地磅车牌字符识别算法研究 |
| 4.1 国内车牌字符特点 |
| 4.2 字符识别算法 |
| 4.2.1 基于模板匹配的识别算法 |
| 4.2.2 基于特征统计的识别算法 |
| 4.2.3 基于机器学习的识别算法 |
| 4.3 矿用地磅车牌字符识别算法 |
| 4.3.1 基于深度学习进行车牌字符识别 |
| 4.3.2 矿用地磅车牌字符识别算法的结构设计 |
| 4.3.3 损失函数的设计 |
| 4.4 本章小结 |
| 5 矿用地磅车牌识模型的训练及测试 |
| 5.1 矿用地磅车牌识别系统 |
| 5.2 深度学习框架及硬件平台环境的选择 |
| 5.2.1 车牌检测深度学习框架的选择 |
| 5.2.2 车牌字符识别深度学习框架的选择 |
| 5.2.3 硬件平台环境选择 |
| 5.3 矿用地磅车牌检测数据集的准备 |
| 5.3.1 图像的标注 |
| 5.3.2 标准车牌检测数据集的生成 |
| 5.4 矿用地磅车牌字符识别数据集的准备 |
| 5.4.1 人工模拟车牌生成 |
| 5.4.2 标准车牌字符识别数据集的生成 |
| 5.5 矿用地磅车牌检测网络模型的训练 |
| 5.5.1 模型配置 |
| 5.5.2 模型的性能指标 |
| 5.5.3 模型训练及结果分析 |
| 5.5.4 模型测试 |
| 5.6 矿用地磅车牌字符识别网络的训练 |
| 5.6.1 模型配置 |
| 5.6.2 模型参数的设置 |
| 5.6.3 模型训练及结果分析 |
| 5.6.4 模型测试 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）车牌视频识别算法及系统应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 背景意义 |
| 1.2 国内外研究现状 |
| 1.3 难点分析 |
| 1.4 论文研究内容与结构安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文所做的工作 |
| 1.4.3 论文的结构安排 |
| 第二章 车牌视频识别算法总体设计 |
| 2.1 概述 |
| 2.2 机器学习车牌识别算法设计 |
| 2.3 深度学习车牌识别算法设计 |
| 2.3.1 深度学习框架 |
| 2.3.2 深度学习车牌识别算法设计 |
| 第三章 图像预处理 |
| 3.1 图像滤波 |
| 3.2 图像形态学运算 |
| 3.3 图像色彩空间 |
| 3.3.1 图像色彩空间简介 |
| 3.3.2 图像色彩空间转换 |
| 第四章 车牌照区域定位与校正 |
| 4.1 常见的车牌定位方法 |
| 4.2 论文的车牌区域定位算法 |
| 4.2.1 候选车牌矩形区域定位 |
| 4.2.2 车牌照去伪 |
| 4.3 车牌区域校正 |
| 4.4 小结 |
| 第五章 机器学习车牌字符提取与识别 |
| 5.1 车牌字符提取 |
| 5.1.1 车牌照预处理 |
| 5.1.2 车牌字符提取 |
| 5.2 机器学习车牌字符识别 |
| 5.2.1 常见的机器学习字符识别方法 |
| 5.2.2 车牌字符识别 |
| 5.3 小结 |
| 第六章 数据集准备与数据增广 |
| 6.1 数据集准备 |
| 6.1.1 数据采集与清洗 |
| 6.1.2 车牌照标定 |
| 6.1.3 车牌照字符标定 |
| 6.2 数据增广 |
| 6.2.1 图像数据增广 |
| 6.2.2 增广数据的标定信息生成 |
| 6.3 小结 |
| 第七章 深度学习车牌视频识别 |
| 7.1 深度学习目标检测概述 |
| 7.2 基于SSD的车牌照定位 |
| 7.2.1 SSD目标检测 |
| 7.2.2 SSD车牌照定位实现 |
| 7.3 基于SSD改进的神经网络车牌字符识别 |
| 7.3.1 车牌字符识别神经网络的设计 |
| 7.3.2 车牌字符识别实现 |
| 第八章 车牌视频识别系统实现 |
| 8.1 机器学习车牌识别算法系统实现 |
| 8.2 深度学习车牌识别算法系统实现 |
| 8.3 车牌视频识别算法系统应用 |
| 第九章 总结与展望 |
| 9.1 工作总结 |
| 9.2 后续展望 |
| 参考文献 |
| 致谢 |
| 附录 攻读硕士学位期间的学术成果和参与项目等 |
（5）基于数学形态学与图像处理的车牌识别系统（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 车牌识别技术国内外研究现状 |
| 1.3 车牌识别技术的难点 |
| 1.4 我国车牌的特点 |
| 1.5 本课题的研究内容 |
| 第2章 图像的预处理 |
| 2.1 图像的灰度化 |
| 2.2 图像的增强 |
| 2.2.1 灰度拉伸增强对比度 |
| 2.2.2 直方图均衡化 |
| 2.3 自适应中值滤波 |
| 2.4 图像的边缘检测 |
| 2.5 图像的二值化 |
| 2.5.1 全局阈值法 |
| 2.5.2 自适应阈值法 |
| 2.5.3 阈值的选取 |
| 2.6 本章小结 |
| 第3章 车牌定位 |
| 3.1 数学形态学概述 |
| 3.1.1 数学形态学的基本概念 |
| 3.2 二值化图像的腐蚀、膨胀、闭操作和开操作 |
| 3.3 二值化图像的一些基本形态学算法 |
| 3.4 结合数学形态学与色彩特征的车牌定位与分割 |
| 3.5 车牌图像的倾斜校正 |
| 3.6 本章小结 |
| 第4章 字符分割 |
| 4.1 常用的车牌字符分割方法 |
| 4.1.1 模版匹配法 |
| 4.1.2 水平投影法 |
| 4.1.3 聚类分析法 |
| 4.2 基于垂直投影与数学形态学中连通域法的车牌字符分割 |
| 4.3 车牌字符的归一化 |
| 4.4 本章小结 |
| 第5章 基于 BP 神经网络的字符识别 |
| 5.1 神经网络的基本理论概述 |
| 5.2 BP 神经网络 |
| 5.2.1 三层 BP 神经网络算法 |
| 5.2.2 BP 网络算法的程序实现 |
| 5.2.3 标准 BP 算法的缺点与其改进措施 |
| 5.3 BP 网络识别器的设计 |
| 5.3.1 BP 网络结构的设计 |
| 5.3.2 输入输出数据的预处理 |
| 5.3.3 训练集的设计 |
| 5.3.4 网络的训练与学习 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文和参与的科研项目 |
| 致谢 |
（6）军车牌照自动识别系统（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的实用与学术意义 |
| 1.2 课题在国内外研究动态综述 |
| 1.2.1 本课题需要解决的关键技术问题 |
| 1.2.2 目前国内外车牌识别系统的情况 |
| 1.2.3 车牌识别技术研究现状 |
| 1.3 系统框架 |
| 1.4 本文研究内容的安排 |
| 2 硬件系统 |
| 2.1 军车牌照自动识别系统硬件构成 |
| 2.1.1 硬件系统关键设备 |
| 2.1.2 前端系统和计算机的物理连接和数据交换 |
| 2.1.3 后端图像处理设备 |
| 2.2 本章小结 |
| 3 车牌定位 |
| 3.1 军车牌照的特殊性 |
| 3.2 车牌定位介绍 |
| 3.3 车牌定位的预处理 |
| 3.3.1 图像的灰度化 |
| 3.3.2 图像增强 |
| 3.4 基于紧致区域与矩形拟合思想的车牌定位方法 |
| 3.4.1 一种基于紧致区域与矩形拟合思想的车牌定位方法 |
| 3.5 实验结果 |
| 3.6 小结 |
| 4 车牌字符分割 |
| 4.1 车牌字符分割技术研究 |
| 4.2 车牌字符分割的预处理 |
| 4.2.1 图像二值化 |
| 4.2.2 车牌图像倾斜矫正 |
| 4.2.3 牌照反色处理 |
| 4.3 基于车牌比例特征的字符分割方法 |
| 4.3.1 方法介绍 |
| 4.3.2 基于车牌比例特征和垂直投影相结合的字符分割算法 |
| 4.4 字符分割反馈验证 |
| 4.5 车牌分类 |
| 4.6 实验结果 |
| 4.7 小结 |
| 5 车牌字符识别 |
| 5.1 字符识别概述 |
| 5.2 字符识别的预处理 |
| 5.2.1 字符的归一化 |
| 5.2.2 建立字符库 |
| 5.3 一种基于支持向量机的车牌字符识别方法 |
| 5.3.1 字符特征 |
| 5.3.2 核函数的选取 |
| 5.3.3 使用交叉校验的方法训练样本数据 |
| 5.3.4 级联分类器的建立 |
| 5.3.5 试验结果分析与比较 |
| 5.4 小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）应用于收费路口的车牌识别系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作及章节安排 |
| 第二章 车牌定位 |
| 2.1 我国车牌照的特点 |
| 2.1.1 我国现行车牌照规格 |
| 2.1.2 车牌区域特征分析 |
| 2.2 常见的车牌定位方法 |
| 2.3 基于数学形态学的车牌定位 |
| 2.3.1 数学形态学的基本原理 |
| 2.3.2 基于数学形态学的车牌快速定位方法 |
| 2.3.3 实验结果分析 |
| 2.4 本章小结 |
| 第三章 车牌字符分割 |
| 3.1 常见的车牌字符分割方法 |
| 3.2 分割前的预处理 |
| 3.2.1 车牌的二值化 |
| 3.2.2 车牌的倾斜矫正 |
| 3.2.3 车牌边框的去除 |
| 3.3 字符分割 |
| 3.3.1 车牌字符特点 |
| 3.3.2 本文的字符分割 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第四章 车牌字符识别 |
| 4.1 常见的字符识别方法 |
| 4.2 支持向量机的理论知识 |
| 4.2.1 线性可分 |
| 4.2.2 非线性可分 |
| 4.2.3 支持向量机 |
| 4.3 基于支持向量机的字符识别方法 |
| 4.3.1 字符归一化 |
| 4.3.2 字符特征提取 |
| 4.3.3 基于支持向量机的字符识别 |
| 4.3.4 识别结果比较与分析 |
| 4.4 本章小结 |
| 第五章 车牌照识别系统的设计及实现 |
| 5.1 系统的总体结构 |
| 5.2 系统的硬件配置 |
| 5.3 系统的软件流程 |
| 结语 |
| 参考文献 |
| 致谢 |
| 在学期间公开发表论文及着作情况 |
（8）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 |
（9）车辆牌照识别方法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题背景及其意义 |
| 1.2 国内外车辆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 复杂背景下的车辆牌照检测和定位 |
| 1.3.4 字符切分 |
| 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 本文的主要内容及章节安排 |
| 第2章 车辆牌照区域的检测与定位 |
| 2.1 概述 |
| 2.2 图像的预处理 |
| 2.2.1 RGB颜色模型 |
| 2.2.2 彩色图像转换成灰度图像 |
| 2.2.3 灰度图像的增强 |
| 2.3 基于灰度图像的二值化 |
| 2.4 车牌区域的粗定位 |
| 2.4.1 标记二值图像的8连通区域 |
| 2.4.2 车牌照区域的粗定位 |
| 2.5 车牌区域的特征提取 |
| 2.5.1 图像归一化 |
| 2.5.2 图像特征提取 |
| 2.6 基于BP人工神经网络的分类器设计 |
| 2.6.1 人工神经网络简介 |
| 2.6.2 基于BP神经网络的分类器设计 |
| 2.7 实验及结果分析 |
| 2.8 本章小结 |
| 第3章 面向车辆牌照的字符切分 |
| 3.1 基于彩色HSI模型面向车牌的二值化 |
| 3.1.1 HSI彩色模型 |
| 3.1.2 面向车牌的彩色二值化 |
| 3.2 常用的车牌字符切分算法 |
| 3.3 垂直投影法与连通域法相结合的切分方法 |
| 3.3.1 切分算法 |
| 3.4 实验及结果分析 |
| 3.5 本章小结 |
| 第4章 车牌照字符识别 |
| 4.1 车辆字符识别方法概述 |
| 4.2 字符图像预处理 |
| 4.2.1 去除干扰噪声 |
| 4.2.2 归一化 |
| 4.3 特征提取 |
| 4.3.1 常用的字符特征 |
| 4.3.2 提取加权的组合特征 |
| 4.4 分类器设计 |
| 4.5 实验及结果分析 |
| 4.6 本章小结 |
| 第5章 车牌识别系统的设计与实现 |
| 5.1 车牌识别系统构成 |
| 5.2 实验设计及识别结果 |
| 5.3 实验结果分析 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（10）图像处理及特征识别方法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 引言 |
| 1.1 课题的研究背景及意义 |
| 1.2 车牌照识别技术在国内外发展现状 |
| 1.3 本文的主要工作 |
| 1.4 论文各章节安排 |
| 第二章 LPR 相关知识简介 |
| 2.1 LPR 系统的组成及工作原理 |
| 2.2 我国汽车牌照的特点 |
| 2.2.1 我国车牌照的分类规格及颜色 |
| 2.2.2 汽车牌照的式样及牌照组成 |
| 2.3 图像处理 |
| 2.3.1 图像技术与图像工程 |
| 2.3.2 图像处理涉及的学科和领域 |
| 2.4 模式识别技术 |
| 2.5 人工神经网络 |
| 2.6 本章小结 |
| 第三章 汽车牌照定位 |
| 3.1 汽车牌照定位方法简介 |
| 3.2 基于HSI 颜色模型的汽车牌照定位方法 |
| 3.2.1 汽车牌照图像的预处理 |
| 3.2.1.1 几何变换相关知识 |
| 3.2.1.2 汽车牌照图像的几何校正 |
| 3.2.2 车牌照候选区域的获取 |
| 3.2.2.1 图像过滤 |
| 3.2.2.2 孔洞填充 |
| 3.2.2.3 数学形态学处理 |
| 3.2.3 车牌照区域的获取 |
| 3.3 基于彩色边缘提取与数学形态学的汽车牌照定位方法 |
| 3.3.1 彩色垂直边缘提取 |
| 3.3.2 数学形态学处理 |
| 3.3.3 去除粘连及部分干扰区域 |
| 3.3.4 车牌照区域判别 |
| 3.4 本章小结 |
| 第四章 汽车牌照字符分割 |
| 4.1 汽车牌照分割方法简介 |
| 4.2 汽车牌照颜色识别及其二值化 |
| 4.2.1 汽车牌照颜色的识别 |
| 4.2.1.1 直方图平滑化 |
| 4.2.1.2 汽车牌照颜色识别算法 |
| 4.2.2 车牌照图像二值化 |
| 4.3 汽车牌照倾斜校正 |
| 4.3.1 水平倾斜校正 |
| 4.3.1.1 水平倾斜校正原理 |
| 4.3.1.2 水平倾斜校正算法 |
| 4.3.2 垂直倾斜校正算法 |
| 4.3.2.1 车牌照上下边界的去除 |
| 4.3.2.2 差值平方和最大化原理 |
| 4.3.3 车牌照倾斜校正结论 |
| 4.4 车牌照字符分割 |
| 4.4.1 车牌字符串结构特点 |
| 4.4.2 最大类间方差动态模板匹配分割算法 |
| 4.4.2.1 模板的设计 |
| 4.4.2.2 车牌照分割具体步骤 |
| 4.4.3 基于动态模板匹配的字符分割结论 |
| 4.5 本章小结 |
| 第五章 车牌照字符识别 |
| 5.1 字符识别技术概述 |
| 5.2 BP 神经网络字符识别系统 |
| 5.2.1 BP 神经网络结构和算法 |
| 5.2.1.1 BP 神经网络结构 |
| 5.2.1.2 BP 神经网络学习算法 |
| 5.2.2 车牌字符识别网络的构成 |
| 5.2.2.1 输入层神经元的个数 |
| 5.2.2.2 隐层节点数的确定 |
| 5.2.2.3 BP 神经网络输出节点数的确定 |
| 5.2.3 算法实现与结论 |
| 5.3 本章小结 |
| 第六章 结论及展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
四、一种基于汉字结构特征的车牌照字符分割方法（论文参考文献）
- [1]智能感知下的路内停车系统研究[D]. 谢以磊. 安徽理工大学, 2020(07)
- [2]复杂条件下的车牌识别算法研究[D]. 齐家坤. 上海应用技术大学, 2020(02)
- [3]基于深度学习的矿用地磅车牌识别研究[D]. 徐丹. 西安科技大学, 2019(01)
- [4]车牌视频识别算法及系统应用[D]. 许山. 南京大学, 2018(01)
- [5]基于数学形态学与图像处理的车牌识别系统[D]. 徐风昌. 南昌航空大学, 2013(04)
- [6]军车牌照自动识别系统[D]. 许鑫. 重庆大学, 2010(03)
- [7]应用于收费路口的车牌识别系统设计与实现[D]. 朱艳. 东北师范大学, 2010(02)
- [8]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)
- [9]车辆牌照识别方法研究与实现[D]. 张倩. 苏州大学, 2009(10)
- [10]图像处理及特征识别方法研究[D]. 梁友. 华北电力大学（河北）, 2009(11)