一、车牌自动识别系统中车牌分割的研究（论文文献综述）
孟令康[1]（2021）在《基于软硬件协同设计的车牌识别SoC系统》文中提出新世纪以来,人工智能技术发展迅速,不断改变着社会生产和人民生活的方式,其中典型的便是车牌识别技术。车牌识别技术首先采集车牌图像,通过专门的图像处理系统处理后抽取目标特征,获得识别结果,该技术目前广泛应用在交通管理、警务管理、智能小区管理、自动化收费等领域。与此同时,车牌识别技术面临新的挑战。近年来新能源汽车逐渐普及,但新能源汽车车牌在车牌大小、车牌底色和字符数量上都与传统车牌有着显着的不同,车牌识别系统需要可以统一识别混合车牌;同时随着车牌识别算法复杂度的增加和图像分辨率的提高,单独的处理器系统完成识别任务愈加艰难,所以需要基于软硬件协同技术将车牌识别算法分别部署在处理器系统和可编程逻辑资源上,实现算法的硬件加速,构建性能更加的车牌识别系统。本文首先总体介绍了车牌识别系统的工作流程和原理,将车牌识别系统分为图像采集、图像预处理、车牌定位、字符分割、字符识别和结果输出6个模块;同时介绍了软硬件协同设计方法,着重说明了软硬件模块划分原则。以此为基础,通过分析车牌识别系统中不同模块的特点,为图像预处理模块和字符识别模块采用硬件设计,为车牌定位模块和字符分割模块采用软件设计。基于软硬件划分结果,使用AXI总线实现PS与PL互联,构建了车牌识别SoC系统的整体架构。车牌识别SoC系统中的硬件设计模块,基于Verilog进行RTL级电路设计。其中图像预处理模块基于深度流水线思想,实现了灰度处理、中值滤波、图像增强和二值化处理的电路设计;字符识别模块基于卷积神经网络硬件加速器实现,汉字和数字字母采用网络参数不同网络结构相同的改进的Le Net-5神经网络进行识别,完成了卷积层、池化层、全连接层和分类器的电路实现。车牌识别SoC系统中的软件设计模块,基于嵌入式Linux系统运行Open CV函数库实现。其中车牌定位模块首先将车牌图像划分成不同的连通域,然后通过先验知识实现车牌区域提取,最后通过车牌倾斜校正和边界定位得到只含有字符信息的车牌图像;字符分割模块首先通过区分车牌类型,然后对混合车牌采用不同的模板进行字符分割,并通过评估分割效果进而调整字符边界,最后将单个字符图像标准化到32x32大小。最后基于Zedboard硬件开发平台搭建了车牌识别SoC系统,采用600张不同种类的车牌测试样本进行功能测试和性能测试,功能测试结果证明车牌识别SoC系统可以完成混合车牌的统一识别任务,性能测试结果表明车牌识别SoC系统在图片分辨率较佳,小角度倾斜的车牌识别时正确率较高,系统运行时间比纯软件实现时减少50%以上,最终车牌识别SoC系统的识别准确率为95.1%,识别时间为0.821s,满足项目要求。
王宁[2]（2020）在《非受限场景下的车牌识别系统的研究与实现》文中研究说明车辆信息管理系统是智能交通领域中的重要研究之一,车牌作为车辆重要的身份标识,一直是较为活跃的研究对象。近年来随着车辆数目的急剧增加,基于自动车牌检测识别的车辆信息管理系统开始逐步应用在交通控制,出入管理,车辆查询等实际生活领域。本文通过分析非受限环境下的车牌识别的小目标和多干扰等难点设计实现了车牌识别系统。通过在公开的数据集上设计多个对比实验,验证了所设计的车牌识别系统的有效性。本文主要的研究工作包含如下内容:（1）研究在非受限场景中鲁棒的车牌检测算法。针对不同场景下的车牌检测中的挑战,本文提出一种基于卷积神经网络的鲁棒车牌检测方法。在经典的目标检测算法Faster R-CNN的基础上,引入了车牌的特征先验和上下文信息实现精准的车牌检测。在提取特征阶段,结合不同分辨率的卷积特征建立融合特征图,提升多尺度的车牌分类和回归的准确性。与Faster R-CNN不同的是,本文在RPN阶段引入角度和分支结构以生成适合车牌的候选区域。此外,为了深入挖掘车牌及其上下文间的联系,提出了一种上下文融合网络增强车牌的特征表示。经实验证明,与现有的方法相比,提出的算法在公开数据集AOLP和SSIG上车牌检测均展现出了优秀的性能。（2）研究在非受限场景中准确的车牌识别算法。本文提出一种基于LSTM和注意力机制的车牌识别算法。通过将车牌图像内整个字符串作为识别目标,设计卷积层进行特征提取,结合循环神经网络与CTC序列模型,实现七位蓝牌和八位新能源车牌不限长度字符序列的识别。考虑在特征映射时单一车牌字符的特征表示能力不足的问题,在循环层引入了注意力机制,将LSTM单元邻近的隐藏状态自适应加权以增强字符的表征能力。此外,为了减少CTC转录时连续相同字符的转录缺失问题,采用一种间隔符语义增强策略。相比于现有车牌识别算法,本文提出的方法避免了分割环节造成的错误累积,实现端到端的不限长度的车牌字符序列识别。（3）设计并实现了基于非受限场景下的车牌识别系统,详细描述系统结构框架及功能模块。通过分析车牌识别系统功能性、复杂性以及信息显示的需求,设计功能模块包括输入与展示模块、车牌检测与识别算法模块以及相关的处理流程控制模块。经实际测试,所设计的车牌识别面向多种场景下的车辆牌照,相比于较为主流的车牌识别系统Easy PR和Hyper LPR识别达到7%性能提升。
徐锋[3]（2020）在《车牌识别算法研究与实现》文中认为近年来,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。
彭鹏[4]（2020）在《基于CNN卷积神经网络的车牌识别研究》文中认为随着大数据技术的成熟以及人工智能技术的蓬勃发展,智慧交通逐渐成为相关技术的重要落地点。通过智慧交通技术,可以使道路网络达到更高的运行效率,既节省了人们的时间,又减少了资源的消耗。城市在发展过程中不免会遇到各种复杂的问题,举例来说,城市停车,停车难已经成为各发展较快城市,城市化过程中一个难以避免的问题。在停车场的入口处,设置车牌识别机以扫描和识别进出车辆的车牌号码,与相关系统对接并记录车辆的信息。车牌识别不仅可以加强车辆进出入管理,而且还有利于优化停车位的分布和方便车主查询查找停车位。因自然环境及监控设备而等因素的影响,采集的车牌照片质量层次不齐,因此,不同质量的标签照片要能够准确识别标签信息很有必要。本文着眼于此次,针对现有车牌检测识别技术的不足,对监控场景下车牌照片检测识别问题进入深入研究和实现。本文研究并实现了一个车牌自动识别系统,该系统由车牌定位模块、字符分割模块、卷积神经网络识别模块三个部分组成。首先本文主要利用Tensorflow开发平台,搭建CNN卷积神经网络,通过采集到的车牌图片训练神经网络,使得系统具有较好的车牌识别图片能力。其次在车牌识别的嵌入式系统硬件实现部分,本文具体研究了利用STM32MP157嵌入式芯片搭建车辆识别嵌入式系统外围电路的设计与原理,以及如何利用STM32CUBE-AI软件将训练好的CNN神经网络部署到嵌入式平台中,实时进行车牌识别。最后通过试验得到了识别结果,并达到了预期的效果,分析出了相应的车牌号。本文的主要工作与创新之处总结如下:1.对车牌自动识别技术的发展现状做了全面深入的调研与总结概括,将其分为车牌定位、字符分割、字符识别、免分割车牌识别四个阶段。明确了每个阶段的主流方法以及它们的优缺点2.提出了基于CNN卷积神经网络的车牌定位方案3.设计并实现了一个简便的嵌入式车牌自动识别系统,并使用自有的数据集对该系统进行了测试。系统在识别速度和识别准确率两方面都达到了符合预期的表现。实验结果表明,与其他单函数方法相比,卷积神经网络方法具有较高的精度和较低的漏测率。同时在图像识别精度和车牌定位精度上有很大的提高。此外,与现有车辆识别系统对比,本文提出的设计方案,在确保较高的准确率和识别率的同时大幅降低了整体方案的硬件成本。
樊英[5]（2020）在《雾霾天气下车牌检测与识别算法研究》文中提出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[6]（2020）在《智能车库管理系统设计研究》文中认为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。
祝启瑞[7]（2020）在《基于深度学习的船舶超吃水判别和船牌识别系统研究》文中研究表明水路航运是人类综合交通运输网必不可少的组成部分,随着船舶使用量的不断增加,船舶超载工作等违法行为发生频率也越来越高,带来了巨大的安全隐患。因此,对船舶进行超吃水判别,并对超载船舶的身份进行准确识别具有重要的研究价值。基于深度学习的车牌识别技术目前已取得了许多重要进展,然而由于船舶铭牌并没有统一的字体与安装位置要求,相关技术在水路航运领域的应用仍然很缺乏。本文对基于深度学习的船舶超吃水判别和船牌识别系统进行了一定的研究,主要的工作总结如下:本文首先搭建基于YOLO v3的目标检测算法网络,通过识别图像上是否存在船舶载重线标识的方式来对船舶的超吃水状态做出判别。同时提出超载船舶再识别算法,计算图像上船舶侧板超出水面的像素高度实现再次判别,提高了超吃水状态判别的精度。之后,提出了基于YOLO v3算法的简易目标跟踪方式,实现了对判定为超载的船舶在视频监控上的实时跟踪。为了对超载船舶进行告警与纠正,需要对船舶身份进行识别,包括船牌的定位提取、倾斜矫正、字符分割与识别。本文提出了基于YOLO v3算法的铭牌定位提取方式,并将船体图像按宽度大小三等分再输入网络进行检测,有效解决了船牌在图像上占比较小的问题。针对提取船牌存在字符倾斜的问题,对字符进行了水平方向上的倾斜矫正。通过阴影分割算法分割下船牌上的单个字符,并训练YOLO v3网络模型对字符进行识别。最后,建立船名有限中文库按照关键词检索的方式对漏识别、误识别的船名进行匹配更正,最终达到了较高的识别准确率。实验结果表明,设计优化的船舶超吃水判别系统在测试集上达到了 91.525%的多类别平均精度,船牌识别系统的正确率达到了 91.37%,且检测速度达到了每秒33次,满足了系统的准确性与实时性需求。本文相关的研究与技术实现,已经在苏州鹤溪大桥航段的海事监控系统中得到了具体应用,实现了良好的检测功能。
杨士东[8]（2020）在《特殊环境下的车牌识别算法》文中研究说明在汽车数量快速增长的当今时代,交通问题也随之日渐突出,为了提高交通的智能化水平,智能交通技术应运而生,车牌识别是智能交通的重要领域,在车牌识别领域产生了许多重要的研究成果。在传统的车牌识别系统中有车牌定位、车牌校正、车牌字符分割、车牌字符识别这些步骤,误差会在不同的模块中一直积累,降低车牌的识别率。尤其在一些光照不足的特殊环境下,误差的影响就更加严重了。所以对特殊环境下的车牌定位技术进行研究,仍具有一定的现实意义和市场价值。首先,在保证图像纹理特征的前提下对图像进行光照增强处理,增强处理采用频域中的同态滤波技术,同态滤波的常见几种滤波器拥有参数过多,计算复杂,参数值选择困难的问题,针对这些问题,对其中的传统高斯滤波器进行改进,使用类似于高斯滤波器的函数代替高斯滤波器,减少参数的数量,函数复杂度也降低了,实验表明,对图像的运算效率提高了,图像的光照效果也得到了很好地补偿。其次,在车牌定位环节,在HSI空间中对图像进行亮度局部同态滤波增强,对饱和度进行拉伸,之后回到RGB空间,针对蓝色和黄色车牌的共同颜色特征和纹理特征,设计了一种基于像素间双通道差异值的车牌定位算法。在RGB空间中,对两种车牌进行直方图分析,为更突出两种车牌的底色黄色和蓝色,将红绿蓝三分量中的中间值绿色置零,所有像素进行二值化,得到预处理图像,对预处理图像中的车牌底色和字符做差,于是提取到了车牌字符的跳变点图像,再使用投影方法确定车牌位置,本算法能同时进行两种颜色车牌的定位,综合了车牌颜色和字符纹理的特征,不依赖于车牌的边框,定位效率显着提高。然后,针对车牌倾斜校正大多依赖车牌的直线边框问题,引入图像低秩纹理不变性算法,在车牌的倾斜校正实验中,效果良好,仅依据未倾斜车牌的最小秩数值,就实现了车牌的校正。在字符分割时,针对传统投影算法分割不准,字符断裂的问题,在分割过程中插入了一个字符模板,降低了字符断裂概率的出现,使分割出的字符更完整。最后,在Le Net-5的基础上,使用改进的网络结构,使用双层的Le net-5神经网络,根据车牌字符特点,调整模型的参数和激励函数,对网络进行优化训练,结果表明,双层的Le Net-5识别效率优于原始的Le Net-5模型,和模板匹配、BP神经网络相比,有明显优势。
冯晓赛[9]（2020）在《雾霾环境下民航车牌识别算法研究及应用》文中研究说明随着我国国民经济的发展,车辆数量爆发式增长,对车牌识别技术提出了更高的要求。当前国内已经有很多车牌识别系统投入商用,但是目前的车牌识别技术存在两个问题:雾霾环境下车牌识别准确率低和不能识别民航特种车辆车牌。一方面,随着雾霾问题的日益严峻,雾霾环境下车牌识别准确率低成了车牌识别技术需要解决的迫切问题。另一方面,近年来相关政策允许部分悬挂民航车牌的车辆在机场外道路上行驶。但是,由于民航特种车辆车牌规格与普通民用车牌规格不同,经过调研发现,目前尚无能够识别民航特种车牌的车牌识别方法。基于上述情况,本文提出了一种能够识别普通车牌和民航车牌的车牌识别方法,并提高了雾霾环境下车牌识别的准确率。论文的主要研究内容如下:首先,用去雾算法对车牌图片进行去雾处理,以提高雾霾环境下车牌识别的准确率。本文选用了一种基于门控融合的图像去雾算法对图片做去雾预处理。该去雾算法具有自动适应不同雾霾浓度的特点,不会对无雾霾图片造成负面影响。其次,设计并训练了一个基于深度学习的车牌检测算法。该车牌检测算法是本文针对车牌检测的特点,对目标检测算法YOLOv3做了修改和优化后,得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒参数计算方法,使锚盒参数的计算更加稳定、合理;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化,提高了计算速度。本文的车牌检测算法能够检测出包括民航车牌在内的多种车牌。再次,训练了一个能够识别民航车牌字符的字符识别算法。该字符识别算法能够识别字符长度不同车牌字符内容。解决了传统车牌识别算法只能够识别固定长度字符串的问题。该字符识别算法能够将车牌检测模块检测出的车牌区域图片识别为字符串而不需要进行字符分割。最后,开发了一套可视化的民航车牌识别系统。该车牌识别系统能够调用上述算法,实现车牌识别算法的演示和验证,方便算法的改进。并通过搭建测试环境和测试用例对系统做了功能测试和性能测试。
曾诚[10]（2020）在《视频流环境下车牌识别系统研究与实现》文中提出近年来,随着全国机动车保有量的日益剧增,车牌识别技术在智能交通领域的应用需求也随之增加。传统车牌识别采用软硬件协助的方式,通过预先在识别路段铺设车辆传感器等硬件检测车辆经过,在其经过时拍照获取车辆图像并对图像进行识别。由于光照、前车遮挡后车等问题,通过拍照获取的车辆信息存在不完整性和失真性,且需预设硬件感应车辆成本较高。因此,本文针对这一原因设计一套基于视频流环境下车牌识别系统。本系统实时的检测识别道路监控视频中车辆车牌信息,相较传统的拍照识别系统,用户可高效获知目标车辆车牌信息,直观获取目标车辆行驶轨迹,系统具有良好的用户友好度。本文的主要研究工作如下:（1）本论文分析了传统感应拍照车牌识别与视频流坏境下车牌识别的优劣势,介绍了我国车牌所包含的字符,分析了我国车牌的特征,并介绍了车牌识别的流程。结合我国车牌特征以及车牌识别流程介绍了本文设计的视频流环境下车牌识别系统中所使用到的相关技术。（2）权衡视频流处理中计算量与识别率,本文通过对基于SIFT特征的关键帧提取算法的改进来提取包含车辆车牌完整信息的关键帧。该算法汲取了背景差分与SIFT特征匹配的思想,并将视频帧划分为突变帧与未突变帧两类,分别对其处理判别是否为关键帧,最终根据哈希算法判别其相似度去除冗余帧。将改进的SIFT特征的关键帧提取算法与传统的背景差分法和SIFT运动特征算法对比实验进行分析,实验结果表明,改进的SIFT特征的关键帧提取算法在关键帧提取方面具有更低的漏帧率,实时性较好。（3）在传统感应拍照车牌识别的基础上,结合视频流处理的特点以及对本课题的需求,提出了该课题的总体系统体系结构和功能模块划分。将视频流坏境下车牌识别系统按照功能要求分为单路段车牌识别、多路段车牌识别与车辆信息统计三大部分,并且分别对每部分内容进行详细地介绍,对本文系统核心功能单路段车牌识别进行了需求详细地分析以及概要设计。（4）将改进的算法应用于视频流车牌识别中,实现单路段车牌识别功能,并用监控视频对其测试,最终完成系统核心识别功能,并验证系统可行性。
二、车牌自动识别系统中车牌分割的研究（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、车牌自动识别系统中车牌分割的研究（论文提纲范文）
（1）基于软硬件协同设计的车牌识别SoC系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展现状 |
| 1.2.1 车牌识别算法发展现状 |
| 1.2.2 车牌识别系统平台发展现状 |
| 1.3 主要工作与文章架构 |
| 第二章 车牌识别SoC系统架构 |
| 2.1 车牌识别系统工作流程 |
| 2.2 软硬件协同设计技术 |
| 2.2.1 软硬件协同设计流程 |
| 2.2.2 软硬件模块划分原则 |
| 2.2.3 软硬件协同设计优点 |
| 2.3 车牌识别系统软硬件模块划分 |
| 2.4 系统架构 |
| 2.5 本章小结 |
| 第三章 车牌识别系统中的硬件设计 |
| 3.1 基于深度流水线的图像预处理硬件加速器设计 |
| 3.1.1 灰度处理 |
| 3.1.1.1 算法原理 |
| 3.1.1.2 硬件实现 |
| 3.1.2 中值滤波 |
| 3.1.2.1 算法原理 |
| 3.1.2.2 硬件实现 |
| 3.1.3 图像增强 |
| 3.1.3.1 算法原理 |
| 3.1.3.2 硬件实现 |
| 3.1.4 二值化处理 |
| 3.1.4.1 算法原理 |
| 3.1.4.2 硬件实现 |
| 3.1.5 仿真结果 |
| 3.2 基于卷积神经网络硬件加速器的字符识别模块设计 |
| 3.2.1 卷积神经网络基础 |
| 3.2.2 改进的LeNet-5模型 |
| 3.2.3 CNN硬件设计基础 |
| 3.2.4 卷积层设计 |
| 3.2.5 池化层设计 |
| 3.2.6 全连接层设计 |
| 3.2.7 分类器设计 |
| 3.2.8 仿真结果 |
| 3.3 本章小结 |
| 第四章 车牌识别系统中的软件设计 |
| 4.1 车牌定位 |
| 4.1.1 车牌区域提取 |
| 4.1.1.1 边缘检测 |
| 4.1.1.2 数学形态学滤波 |
| 4.1.1.3 连通域标记 |
| 4.1.1.4 先验知识筛选 |
| 4.1.2 倾斜校正 |
| 4.1.3 车牌边界定位 |
| 4.2 字符分割 |
| 4.2.1 车牌类型区分 |
| 4.2.2 车牌统一化 |
| 4.2.3 模板分割 |
| 4.2.4 字符标准化 |
| 4.3 本章小结 |
| 第五章 车牌识别SoC系统板级测试 |
| 5.1 硬件平台 |
| 5.2 测试工程 |
| 5.3 系统测试 |
| 5.3.1 功能测试 |
| 5.3.2 性能测试 |
| 5.3.3 资源消耗 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）非受限场景下的车牌识别系统的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状与趋势 |
| 1.2.1 基于特征分析的车牌识别系统 |
| 1.2.2 基于神经网络的车牌识别系统 |
| 1.3 论文主要的研究内容 |
| 1.3.1 非受限场景下的车牌检测算法 |
| 1.3.2 非受限场景下的车牌识别算法 |
| 1.4 论文的结构安排 |
| 第二章 车牌识别系统常用算法介绍及相关理论概述 |
| 2.1 非受限场景下车牌识别的挑战 |
| 2.2 车牌识别研究常用数据集 |
| 2.3 基于候选区域的Faster R-CNN目标检测算法 |
| 2.3.1 Faster R-CNN网络结构 |
| 2.3.2 Faster R-CNN训练与损失函数 |
| 2.4 基于深度神经网络车牌字符识别算法 |
| 2.4.1 基于CNN多标签分类字符识别网络 |
| 2.4.2 基于C-RNN文本序列识别网络 |
| 2.5 本章小结 |
| 第三章 基于辅助先验和上下文融合的车牌检测算法 |
| 3.1 基于辅助先验和上下文融合的车牌检测算法框架 |
| 3.2 辅助先验引导的车牌检测算法 |
| 3.2.1 多尺度信息合成特征图 |
| 3.2.2 多角度和分支RPN网络 |
| 3.2.3 Anchor策略和旋转IoU算法 |
| 3.3 上下文语义融合的车牌检测算法 |
| 3.3.1 上下文语义融合网络 |
| 3.3.2 车牌检测算法损失函数 |
| 3.4 车牌检测算法的实验分析 |
| 3.4.1 实现细节与评价准则 |
| 3.4.2 实验对比及结果分析 |
| 3.5 本章小结 |
| 第四章 基于C-RNN和注意力机制的车牌识别算法 |
| 4.1 基于C-RNN和注意力机制的车牌识别算法框架 |
| 4.2 基于C-RNN的编码-解码模型 |
| 4.2.1 序列特征的生成 |
| 4.2.2 LSTM状态转换 |
| 4.3 基于注意力机制增强的车牌识别算法 |
| 4.3.1 车牌识别中的注意力机制 |
| 4.3.2 基于间隔符的语义增强策略 |
| 4.3.3 基于CTC的车牌序列转录 |
| 4.4 车牌识别算法的实验分析 |
| 4.4.1 实现细节与评价准则 |
| 4.4.2 对比实验与结果分析 |
| 4.5 本章小结 |
| 第五章 非受限场景中车牌识别系统的设计与实现 |
| 5.1 车牌识别系统总体方案设计 |
| 5.2 车牌识别系统的需求分析 |
| 5.2.1 信息显示需求 |
| 5.2.2 复杂度需求 |
| 5.2.3 系统环境需求 |
| 5.3 车牌识别系统功能模块 |
| 5.3.1 输入与显示模块 |
| 5.3.2 车牌检测算法模块 |
| 5.3.3 车牌识别算法模块 |
| 5.4 车牌识别系统的应用 |
| 5.4.1 车牌识别系统测试 |
| 5.4.2 车牌识别系统实际应用场景 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（3）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 |
（4）基于CNN卷积神经网络的车牌识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究的目的和意义 |
| 1.2 国内外技术研究现状 |
| 1.2.1 车牌检测研究现状 |
| 1.2.2 车牌识别研究现状 |
| 1.2.3 我国车牌检测识别系统 |
| 1.3 本文研究内容 |
| 第二章 神经网络及Tensorflow研究 |
| 2.1 人工神经网络技术 |
| 2.2 卷积神经网络网络结构 |
| 2.2.1 卷积的概念 |
| 2.2.2 卷积层 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.2.5 激活函数 |
| 2.3 卷积神经网络中的优化算法 |
| 2.3.1 卷积神经网络中常用的优化算法分类 |
| 2.3.2 梯度下降法分类 |
| 2.3.3 梯度下降的几种优化算法 |
| 2.4 卷积神经网络和其他主流神经网络的比较 |
| 2.5 TensorFlow |
| 2.5.1 TensorFlow程序设计模式 |
| 2.5.2 TensorFlow中的功能实现 |
| 2.6 本章小结 |
| 第三章 图像处理和识别 |
| 3.1 图像采集 |
| 3.2 图像降噪 |
| 3.3 图像分割与轮廓提取 |
| 3.3.1 阈值分割 |
| 3.3.2 基于边缘检测的图像分割 |
| 3.3.3 字符分割 |
| 3.4 车牌识别系统 |
| 3.5 本章小结 |
| 第四章 车牌识别装置硬件实现 |
| 4.1 硬件总体方案设计 |
| 4.2 系统电源设计 |
| 4.2.1 3.3V-LDO电源选型 |
| 4.2.2 3.3V-LDO电路设计 |
| 4.3 图像采集单元 |
| 4.4 微控制器设计 |
| 4.5 外存储器及看门狗电路 |
| 4.6 有线通信接口 |
| 4.7 无线通信接口 |
| 4.8 车牌识别装置电路板设计 |
| 4.9 本章小结 |
| 第五章 车牌识别软件研究 |
| 5.1 基于Linux的软件开发平台 |
| 5.1.1 上位机交叉编译环境的搭建 |
| 5.1.2 Bootloader移植 |
| 5.1.3 Linux内核移植 |
| 5.1.4 Linux根文件系统移植 |
| 5.1.5 设备驱动的编写和移植 |
| 5.2 Python环境安装 |
| 5.3 图像采集程序 |
| 5.4 神经网络在协处理器CM4上的部署 |
| 5.5 三种常见识别算法准确率比较 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（5）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 |
（6）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 |
（7）基于深度学习的船舶超吃水判别和船牌识别系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 船舶自动识别系统研究现状 |
| 1.2.2 船舶超吃水检测方法研究现状 |
| 1.2.3 基于牌照的身份识别技术研究现状 |
| 1.3 本文主要工作及章节安排 |
| 第2章 船舶与船牌图像处理及深度学习相关理论 |
| 2.1 图像处理相关理论 |
| 2.1.1 数字图像表示的方式 |
| 2.1.2 像素的连通性 |
| 2.1.3 RGB图像的灰度化与二值化 |
| 2.1.4 图像直方图 |
| 2.1.5 区域特征提取 |
| 2.2 人工神经网络 |
| 2.2.1 神经元 |
| 2.2.2 神经网络模型 |
| 2.2.3 神经网络的训练 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络理论 |
| 2.3.2 经典CNN模型—LeNet-5 |
| 2.3.3 现代CNN模型—AlexNet |
| 2.4 本章小结 |
| 第3章 船舶超吃水判别及跟踪系统研究 |
| 3.1 超吃水判别系统设计流程 |
| 3.2 超吃水判别系统模型搭建 |
| 3.2.1 基于Region Proposal的深度学习目标检测算法 |
| 3.2.2 基于回归方法的深度学习目标检测算法 |
| 3.3 船舶超吃水判别数据准备和网络模型训练 |
| 3.3.1 实验数据集制作 |
| 3.3.2 实验环境搭建和模型训练 |
| 3.4 船舶超吃水判别结果与分析 |
| 3.5 超载船舶目标跟踪算法设计 |
| 3.6 本章小结 |
| 第4章 船舶非标铭牌识别系统研究 |
| 4.1 船舶非标铭牌定位方法研究 |
| 4.1.1 基于灰度图像的定位方法 |
| 4.1.2 基于彩色图像的定位方法 |
| 4.1.3 基于深度学习的定位方法 |
| 4.2 船舶非标铭牌的倾斜矫正与字符分割研究 |
| 4.2.1 船舶非标铭牌水平倾斜矫正 |
| 4.2.2 船舶非标铭牌的字符分割 |
| 4.3 基于深度学习的船舶非标铭牌字符识别及其改进算法 |
| 4.3.1 船舶非标铭牌字符识别实现及实验分析 |
| 4.3.2 船舶非标铭牌字符识别改进算法 |
| 4.4 船舶非标铭牌识别系统性能分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 缩略语对照表 |
| 攻读学位期间的研究成果 |
| 致谢 |
（8）特殊环境下的车牌识别算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 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 本文主要研究内容 |
| 1.4 论文章节安排 |
| 第二章 基于同态滤波的图像增强算法 |
| 2.1 图像增强算法概述 |
| 2.1.1 空间域的图像增强 |
| 2.1.2 频域的图像增强 |
| 2.2 改进同态滤波图像增强算法 |
| 2.2.1 同态滤波算法流程 |
| 2.2.2 改进型的同态滤波器 |
| 2.2.3 滤波器参数选取试验 |
| 2.2.4 不同图像增强算法效果对比 |
| 2.3 本章小结 |
| 第三章 基于同态滤波和像素间差异值的车牌定位 |
| 3.1 国内车牌特点 |
| 3.1.1 车牌尺寸和颜色标准 |
| 3.1.2 车牌号编码规则 |
| 3.1.3 车牌区域的特点 |
| 3.2 阈值化与数学形态学理论 |
| 3.2.1 阈值化 |
| 3.2.2 数学形态学 |
| 3.3 常用的车牌定位算法 |
| 3.4 基于同态滤波增强和像素间双通道差异值的车牌定位算法 |
| 3.4.1 HSI颜色空间同态滤波增强 |
| 3.4.2 基于像素间双通道差异值的车牌定位算法 |
| 3.4.3 直方图分析 |
| 3.4.4 双通道二值化 |
| 3.4.5 绿色分量置零 |
| 3.4.6 跳变点提取 |
| 3.4.7 投影定位 |
| 3.4.8 跳变点密度检测 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于低秩纹理特征的车牌倾斜与字符分割算法 |
| 4.1 传统倾斜校正算法 |
| 4.2 基于变换不变性低秩纹理的倾斜校正算法 |
| 4.2.1 低秩纹理的定义 |
| 4.2.2 TILT模型的优化求解 |
| 4.3 多分辨率方法 |
| 4.4 几种倾斜校正算法对比 |
| 4.5 基于固定模板的车牌字符投影算法 |
| 4.6 本章小结 |
| 第五章 基于神经网络的车牌字符识别 |
| 5.1 字符识别中的一般困难点 |
| 5.2 常见的几种字符识别方法 |
| 5.3 卷积神经网络 |
| 5.4 双层LeNet-5网络模型字符识别 |
| 5.5 实验与分析 |
| 5.5.1 模型中不同激励函数的比较 |
| 5.5.2 卷积核的四种尺寸对模型识别率的影响 |
| 5.5.3 网络中F5层数量对系统性能的影响 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（9）雾霾环境下民航车牌识别算法研究及应用（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 国内外发展现状 |
| 1.2.1 国内外图像去雾算法发展现状 |
| 1.2.2 国内外目标检测算法发展现状 |
| 1.2.3 国内外字符识别算法发展现状 |
| 1.3 本文主要研究工作 |
| 1.4 本文组织结构 |
| 第二章 车牌图像去雾预处理 |
| 2.1 引言 |
| 2.2 数据集生成 |
| 2.2.1 车牌检测数据集生成 |
| 2.2.2 字符识别数据集生成 |
| 2.3 去雾预处理 |
| 2.3.1 数据集中的雾霾问题 |
| 2.3.2 去雾算法选择 |
| 2.3.3 基于GCANet的图像去雾预处理 |
| 2.4 本章小结 |
| 第三章 基于PLATE-YOLO的民航车牌检测方法研究 |
| 3.1 引言 |
| 3.2 PLATE-YOLO车牌检测模型设计 |
| 3.2.1 锚盒机制及基于层次聚类锚盒参数计算 |
| 3.2.2 多尺度预测优化 |
| 3.2.3 算法复杂度分析 |
| 3.3 PLATE-YOLO车牌检测模型的训练 |
| 3.3.1 实验环境及模型参数配置 |
| 3.3.2 车牌检测模型训练 |
| 3.4 实验结果分析 |
| 3.4.1 对比指标介绍 |
| 3.4.2 多尺度特征消融实验 |
| 3.4.3 去雾处理模块测试 |
| 3.4.4 不同车牌检测模型对比 |
| 3.5 本章小结 |
| 第四章 民航车牌字符识别算法研究 |
| 4.1 引言 |
| 4.2 民航车牌字符识别模型的设计 |
| 4.2.1 民航车牌字符识别模型描述 |
| 4.2.2 特征提取层 |
| 4.2.3 特征编码层 |
| 4.2.4 翻译输出层 |
| 4.3 字符识别模型训练 |
| 4.3.1 实验环境及模型配置 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第五章 基于Python的民航车牌识别系统实现 |
| 5.1 引言 |
| 5.2 系统需求分析 |
| 5.2.1 系统功能需求 |
| 5.2.2 系统性能需求 |
| 5.2.3 系统概述 |
| 5.2.4 系统内部接口描述 |
| 5.3 系统设计概要 |
| 5.3.1 系统整体流程 |
| 5.3.2 可视化交互界面设计 |
| 5.3.3 文件选择模块 |
| 5.3.4 车牌检测模型调用模块设计 |
| 5.3.5 车牌字符识别模型调用模块设计 |
| 5.3.6 识别结果存储模块设计 |
| 5.3.7 识别结果统计模块设计 |
| 5.4 系统测试 |
| 5.4.1 测试内容 |
| 5.4.2 测试环境 |
| 5.4.3 测试方法与步骤 |
| 5.4.4 测试结论 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间取得的研究成果 |
（10）视频流环境下车牌识别系统研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 视频关键帧提取的研究现状与发展趋势 |
| 1.2.2 车牌识别的研究现状与发展趋势 |
| 1.3 本文的研究内容 |
| 1.4 论文的组织结构 |
| 2 车牌识别相关理论与基础概述 |
| 2.1 车牌特征与车牌识别流程 |
| 2.1.1 车牌特征 |
| 2.1.2 车牌所含字符 |
| 2.1.3 传统车牌识别流程 |
| 2.2 Celery |
| 2.2.1 Celery的应用场景 |
| 2.2.2 Celery的优点 |
| 2.3 OpenCV库 |
| 2.3.1 应用场景 |
| 2.3.2 OpenCV的优点 |
| 2.4 TensorFlow |
| 2.4.1 TensorFlow关键词 |
| 2.4.2 TensorFlow中神经网络实现过程 |
| 2.5 CUDA和 cuDNN |
| 2.6 本章小结 |
| 3 KSIFT车辆目标关键帧提取算法 |
| 3.1 运动目标SIFT概述 |
| 3.1.1 SIFT特征 |
| 3.1.2 混合高斯建模 |
| 3.1.3 感知哈希 |
| 3.1.4 汉明距离 |
| 3.2 传统关键帧提取算法 |
| 3.2.1 算法原理 |
| 3.2.2 优缺点分析 |
| 3.3 改进的KSIFT算法 |
| 3.3.1 视频流数据下采样 |
| 3.3.2 计算帧熵值 |
| 3.3.3 混合高斯处理熵值未突变帧 |
| 3.3.4 计算帧间特征点距离 |
| 3.3.5 计算车辆目标占比 |
| 3.3.6 感知哈希与汉明距离去除冗余 |
| 3.4 实验验证对比分析 |
| 3.4.1 评价标准 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 4 基于视频流的车牌识别系统设计 |
| 4.1 系统的需求分析 |
| 4.2 系统总体架构 |
| 4.2.1 系统架构设计 |
| 4.2.2 系统功能模块划分 |
| 4.3 系统功能 |
| 4.3.1 单路段车牌识别 |
| 4.3.2 多路段车牌识别 |
| 4.3.3 车辆信息统计 |
| 4.4 系统功能模块设计 |
| 4.4.1 系统业务流程设计 |
| 4.4.2 系统数据存储设计 |
| 4.4.3 系统主要技术架构 |
| 4.5 单路段车牌识别设计 |
| 4.5.1 视频流中车辆关键帧提取 |
| 4.5.2 车牌定位 |
| 4.5.3 车牌字符分割 |
| 4.5.4 车牌字符识别 |
| 4.6 本章小结 |
| 5 KSIFT算法在车牌识别系统中的应用 |
| 5.1 车牌识别系统中关键帧提取的意义 |
| 5.2 KSIFT算法在车牌识别中的应用 |
| 5.3 基于视频流KSIFT算法的车牌识别的实现与测试 |
| 5.3.1 实现环境 |
| 5.3.2 系统功能测试 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
四、车牌自动识别系统中车牌分割的研究（论文参考文献）
- [1]基于软硬件协同设计的车牌识别SoC系统[D]. 孟令康. 电子科技大学, 2021(01)
- [2]非受限场景下的车牌识别系统的研究与实现[D]. 王宁. 南京邮电大学, 2020(03)
- [3]车牌识别算法研究与实现[D]. 徐锋. 扬州大学, 2020(04)
- [4]基于CNN卷积神经网络的车牌识别研究[D]. 彭鹏. 山东大学, 2020(02)
- [5]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)
- [6]智能车库管理系统设计研究[D]. 叶聪. 华东交通大学, 2020(06)
- [7]基于深度学习的船舶超吃水判别和船牌识别系统研究[D]. 祝启瑞. 苏州大学, 2020(02)
- [8]特殊环境下的车牌识别算法[D]. 杨士东. 东北石油大学, 2020(03)
- [9]雾霾环境下民航车牌识别算法研究及应用[D]. 冯晓赛. 中国民航大学, 2020
- [10]视频流环境下车牌识别系统研究与实现[D]. 曾诚. 西安工业大学, 2020(04)