一、基于自组织特征映射网络的车牌照汉字识别（论文文献综述）
李亭[1]（2013）在《车牌识别系统的开发研究》文中提出车牌识别技术是智能交通系统的重要组成部分，在交通道路管理和监控方面有着重要的应用价值。车牌识别系统是以车牌图像作为识别对象的机器视觉系统，其中涉及数字光学、数字图像处理、计算机视觉、人工智能等多个领域。本文对车牌识别相关算法进行了对比分析，结合车牌识别的流程，明确了各环节采用的算法，通过MATLAB软件实现了车牌图像预处理、车牌定位、车牌字符分割和车牌字符识别四大组成部分的功能，完成了车牌识别系统软件设计。1、在图像预处理环节中，首先使用加权平均值法将RGB彩色图像转化为灰度图像，以提高整个系统的处理速度；之后针对不同质量的图像，相应的进行灰度拉伸、直方图均衡化和中值滤波处理；最后利用Roberts算子提取车牌边缘。2、在车牌定位环节中，首先根据对数学形态学处理后的图像进行水平和垂直方向的投影扫描，确定车牌位置；之后通过Radon变化法校正倾斜车牌；最后对二值化的车牌图像进行行扫描，并以先验知识为参考，除去车牌的边框与铆钉。3、在车牌字符分割环节中，首先根据字符在垂直方向上的投影与单个字符大小的先验知识，实现车牌字符分割，并利用双线性插值算法进行字符归一化处理。4、在车牌字符识别环节中，首先将网格像素统计特征提取法提取的字符特征作为BP网络的输入；之后通过所构建的网络拓扑结构对输入的样本字符进行训练，形成字符识别网络；最后利用测试样本测试所建立的BP神经网络，检验网络是否成功。在上述分析研究的基础上，基于MATLAB软件开发出车牌识别系统，并通过实验对系统功能进行了测试。结果表明，本文设计开发的车牌识别系统能对车牌较为准确的定位、分割和字符识别，而且整个系统算法简单，同时具有实时性和鲁棒性等特点。
高丽清[2]（2012）在《基于神经网络的车牌汉字识别方法研究》文中认为随着经济的发展，城市中车辆数量越来越大，交通问题日益突出，这使得发展智能交通系统成为需要迫切解决的问题。车牌识别系统是智能交通系统的重要组成部分，广泛地应用于违章车辆稽查、城市监控系统、停车场、高速公路收费站等需要认证车牌的相关场合。车牌字符包含汉字、字母和数字，比起字母和数字，汉字笔画多并且结构复杂，因此，汉字识别是车牌字符识别的难点和重点。近几年，国内研究学者提出了多种车牌字符识别方法，这些方法对字母和数字的识别率高于汉字识别。因此研究车牌中汉字识别方法，提高车牌汉字的识别率具有理论意义和应用价值。因为从车牌中提取的汉字易受车牌提取过程中环境的影响和车牌本身完整性及清洁程度的影响，因此，会存在模糊、污损及变形等问题，增加了识别难度。本文针对这些问题，对车牌中的汉字识别方法展开研究，主要工作如下：1.车牌汉字预处理：由于每次从车牌中切割出来的汉字图像中，汉字所占的大小和所处的位置均不相同，因此，需要对图像进行大小归一化和位置归一化处理。将汉字图像统一调整为32×16，并保证汉字的大小和位置相同。2.汉字粗分类：为了提高汉字的识别率和识别速度，根据汉字在水平和垂直方向的投影特点将汉字大体分为三类。3.神经网络识别器设计：由于神经网络具有较强的抗干扰能力、容错能力和自学习能力，尝试利用BP神经网络进行分类后的汉字识别。与模板匹配方法相比，采用神经网络方法具有更高的识别率和抗干扰能力。
詹勋昌[3]（2011）在《基于网格的神经网络计算平台研究与应用》文中研究说明人工神经网络是由大量神经元广泛互连而成的复杂的非线性运算系统,是对人脑的简化和模拟。由于现实情况的复杂性以及理论尚未成熟,每一种神经网络都存在各自的缺陷,或只适用于解决某一特定的问题。为了模仿人脑的复杂功能,有必要把各种类型的神经网络组织起来形成一个大规模混合神经网络。然而,进行大规模混合神经网络的计算需要超强的计算能力,这在很大程度上限制了人们对神经网络进行更深入的研究。为了解决这个问题,作者实验室研发了一个小型网络系统LabGrid,并以LabGrid为中间件实现了一个基于网格的神经网络计算平台HNetCP,在HNetCP实现了BP和RBF两种神经网络。本文将在HNetCP上实现更多的神经网络算法,利用这些算法可以方便地将各种神经网络应用到不同的场合。论文的主要工作及创新成果如下:1.为HNetCP实现了多种神经网络算法:SOFM网络、LVQ网络、LAM网络、Hopfield网络、ART网络和遗传算法等。加上HNetCP原有的BP和RBF两种模型,可以方便地使用各种神经网络算法进行应用开发。2.针对传统BP算法存在的缺陷,利用遗传算法对BP网络进行改进,提出一种新的遗传BP神经网络。3.结合BP、RBF和LVQ三种网络模型,提出了一种新的混合神经网络分类系统。利用集成网络的泛化能力和不同网络模型之间的差异性,该系统能够自组织地选择最优的网络结构。同时通过HNetCP将混合神经网络并行分布式地运行在实验室网格系统LabGrid上,有效地提高了运行效率。实验表明该系统具有很好的的分类能力,也证明了利用大规模混合神经网络模拟人脑的某些功能是可行的。4.给出HNetCP在实际应用中的两个例子。首先我,利用遗传BP网络进行图像的分割和识别,利用Hopfield网络进行图像的复原,实现了身份证号码的识别。然后,利用神经网络模拟机器人的大脑,用遗传算法对神经网络进行演化,使机器人具备了在未知环境中躲避障碍物的能力。通过这两个例子可以看出,HNetCP在实际中具有很好的应用价值。
孟庆远[4]（2011）在《车牌识别系统中字符识别技术研究》文中认为车辆牌照识别（LPR）技术是智能交通系统（ITS）中的关键技术之一,它涉及了模式识别、人工智能、计算机视觉以及数字图像处理等众多学科领域。车牌识别系统主要包括三个关键部分:车牌定位、字符分割和字符识别。本文就车牌识别的预处理工作以及上述三部分进行了详细阐述,并就字符识别技术进行了一定的研究,针对汉字和英文字母各自的特点,分别提出了两种新的分类器。本文的主要工作如下:在图像预处理部分,介绍了车牌识别技术中的图像灰度化、图像增强、二值化、边缘检测等常用的技术与方法。在车牌定位部分,对我国440mm×140mm规格的车牌进行了详细的分析,阐述了该类型车牌的结构、字符分布、纹理、彩色信息、频谱信息等可用于定位的特征;介绍了几种常用的车牌定位算法,如纹理特征分析的方法、形态学方法、神经网络方法以及小波变换等。在字符分割部分,分析了车牌中可以用于字符分割的结构特征;简要介绍了基于字符间距特征、连通域特征,以及基于识别结果的字符分割算法。在字符识别部分,对字符识别技术进行了概要论述;介绍了车牌字符识别技术中常用的模板匹配法以及BP神经网络法,尤其对在字符识别领域中占有重要地位的BP神经网络法进行了较详细的论述;在分析我国车牌号码编码规则的基础上,提出了基于连通域特征的汉字字符识别算法和基于凹陷区特征的英文字母识别算法。
代小娟[5]（2010）在《一种改进的人工神经网络模型》文中指出人工神经网络的研究与对人脑结构的认识和研究有着密切的关系。通过人工神经网络来模拟人脑学习、认知和记忆等方面的研究受到越来越多的重视。本文在相关研究的基础上构建了一种模式神经元网络模型。该网络通过引入粗分类准则、记忆-遗忘机制和记忆周期机制来实现对人脑学习、认知和记忆过程的充分模拟。该网络的结构可以动态改变,具有自学习、自组织、自适应的特点。模式神经元网络可以实现多级分类和快速识别,可以用来解决机器视觉识别和模式识别分类等方面的相关问题。本文的主要研究工作如下：（1）实现了SOM和ART1两种无监督学习网络算法,并通过实验仿真,分析了两种网络中存在的问题。针对ART1容易受到样本顺序影响的问题,提出了一种改进算法,并进行了设计和实现。该改进算法利用“同或”思想进行匹配度的计算,提高了网络识别准确度。在二值汉字的识别分类实验中,该改进算法减小了输入样本顺序的敏感性,有更好的分类效果。（2）构建了一种模式神经元网络模型,来解决SOM和ART网络中存在的缺陷。模式神经元网络通过设定两个警戒参数,同时实现模式的细分类和粗分类,克服了SOM和ART1网络只能实现一级分类的缺点；该网络通过警戒参数对样本向量和权值向量之间的匹配度进行过滤,避免了SOM对样本迭代训练过程；该网络利用同或思想计算匹配度,提高了识别分类的准确度；该网络的输出神经元数目随着模式的增加而动态增长,克服了SOM网络中输出结构固定的缺陷。并通过实验仿真对三种网络进行了对比验证。（3）优化了模式神经元网络的结构和算法,使该网络能够更好地模拟人脑认知机理。在结构上引入了人脑的“记忆遗忘”机制,针对不同规模的样本集将网络分成两个工作方式,提高了网络的识别速度；提供不同的粗分类准则,增强了网络的灵活性和实用性。在算法上,模式匹配阶段避免了与所有模式的匹配度计算,减少了网络的计算量；网络在识别分类中对小样本量减少了计算复杂度,对大样本量减少了匹配计算量。并通过实验仿真,与SOM、ART1和改进前的PNN网络进行了对比分析。在实验中,该网络对小样本量的识别速度是ART1的1.95倍,是SOM的58.13倍,是改进前PNN网络的1.55倍；对大样本量的识别速度是ART1的1.92倍,是SOM的64.75倍,是改进前PNN网络的2.48倍。
狄俊[6]（2010）在《基于图像处理的印刷体数字识别技术研究 ——车牌号码识别》文中提出近二十年内,随着计算机视觉技术的飞速发展,字符识别这一智能化技术已经被应用到越来越多的领域。例如车牌号识别、账单识别录入、门牌号识别、书刊扫描识别等。在面对大批量数据需要识别输入时,人工方式就显得效率低下,而且出错率较高。虽然目前市面上已经出现了许多字符识别系统,但很多都只能针对情况较为单一或者图像信息较为简单规范的字符进行识别。但实际情况往往是较为复杂的，不同大小的字符,存在噪声背景的字符,有倾斜角度的字符往往会影响识别效率和识别精确率。本论文针对这一情况研究设计出了一个确实可行的,能够解决部分复杂情况下的车牌号码的识别系统。该系统通过反复的实验比较,对比了神经网络算法及模板匹配算法,在兼顾识别效率和精确率情况下选取了较为实用的模板匹配算法,并在程序里逐一实现。该系统主要包括了：图像预处理、车牌定位、字符识别这三大部分内容。在特征提取阶段通过对比几种算法,本论文采用了效率较高且识别率较高的逐像素扫描特征提取方法,这使得之后的BP网络训练能够快速的收敛。但对于实时程度要求较高,精确度要求较高以及复杂环境下的网络训练；显得效率较低。因此在碰到车牌号码识别等一系实际问题时,采用模板匹配会取得更好的识别效果。通过实验证明本论文设计的系统对于车牌号码的识别,无论是在汉字、字母及数字上正确率达到了90%以上,识别速度在2秒左右,：并对复杂环境有着较高的适应能办,具有一定的实用意义。
张秀丽[7]（2008）在《基于机器视觉的车辆识别算法的研究》文中研究指明车牌识别（License Plate Recognition, LPR）系统是智能交通的重要组成部分,主要应用在电子计费领域,例如高速公路不停车收费、停车场管理、多用途收费系统。虽然系统已发展多年,但由于光照变化范围大、图像背景复杂等原因,仍有许多技术难点未能解决。本文对车牌照识别算法中的车牌定位、字符分割和字符识别三个方面的内容进行研究,设计并实现了相应的算法,以期解决系统的技术难点,主要研究成果与创新如下：本文对于彩色图像灰度化,图像增强,中值滤波等图像处理方法在车牌图像识别技术中的应用特点,进行了分析和总结。本文从车牌几何形状的特征出发,设计出一种首先基于颜色特征和车牌的先验知识对车牌进行粗定位,然后根据车牌边界的特点寻找目标对象特征点,对车牌进行精确定位。即在粗定位的基础之上,结合直方图特征分析方法对图像进行二值化,再采用旋转投影法寻找车牌的倾斜角度,进行倾斜校正,边框切除,最后跟据边界黑白像素跳变特点精确定位车牌。这样,通过以上的方法,可以满足本文对车牌定位的处理要求。对校正后的图像采用回扫式分割以及垂直投影方法,利用车牌几何特征从投影图中寻找各个字符的位置以实现字符分割。针对汉字中的二分字和三分字分割时,易错分割的问题,采用回扫式分割方法。并考虑到字符粘连,利用车牌单个字符尺寸的特征,硬性分割；针对字符左右偏移,采用修正车牌的实际宽度的方法；并将其与模板匹配分割等方法进行比较,得出本文的分割方法取得较好的分割结果。研究了基于模板匹配的统计模式识别的方法,以及基于泰勒公式的多模板建模的模式识别的方法。分析了两种方法的优缺点,并根据具体情况给出了改进方案。针对光照不均匀的情况,采用基于模板匹配的统计模式识别和基于泰勒公式的多模板建模的模式识别相结合的方法,实现了车牌字符识别。当光线均匀时,采用基于传统的模板匹配的识别方法；当光线不均匀时,采用基于泰勒公式的多模板识别的识别方法。其中,泰勒公式多模板建模识别根据鲁棒性回归对特征误差最小化原则,得到相应的恢复系数向量；对权值欧式距离进行了分析,找出距离最小量,得出识别结果。同时本文对容易混淆的字符二次识别,使车牌识别识别率有较好的适应性。
付希金[8]（2008）在《自然背景下车牌识别关键技术研究》文中指出车牌识别（License Plate Recognition, LPR）是智能交通系统（Intelligent Transportation Systems, ITS）的关键技术,有着广泛的应用前景,如停车场管理、道路交通监控、高速公路自动收费、住宅社区安全访问等。随着智能交通系统日益普及,研究更为稳定、快速、准确的车牌识别技术具有巨大的研究意义和社会价值。车牌识别的关键技术主要由三个部分组成,包括车牌定位、车牌字符分割和车牌字符识别。文章对这三项技术进行了深入探索和研究,并提出了有效的方法,具体包括以下内容:在分析了各种典型的车牌定位算法的原理、性能以及适用范围的基础上,结合车牌先验知识,提出了一种基于边缘检测的车牌定位算法。该方法采用边缘检测获取车牌区域垂直边缘,利用数学形态学运算得到车牌候选区域,最后结合车牌结构特征,采用扫描行法定位车牌。该算法综合利用了边缘检测、形态学运算在获取车牌候选区域准确的优点以及二值图像在检测真实车牌上具有优势的特点,将二者有机结合起来,有效地解决了自然背景下车牌定位问题,同时该算法适用于多车牌定位场合。大量实验表明,该算法具有定位准确率高,鲁棒性强等优点。在分析了包括模板匹配法、投影法等在内的传统车牌字符分割方法的基础上,提出了一种基于车牌模板的字符分割方法。该方法利用扫描行法定位车牌字符上下边界,根据车牌字符特征及排列特点确定标准车牌模板,通过模板与车牌垂直投影向量匹配,寻找最佳匹配位置,从而确定车牌左右边界,然后结合投影法校正各字符边界,精确分割字符。对提取的车牌进行大量的字符分割实验,实验表明该算法有效地解决了字符模糊、粘连所带来的分割问题,具有较好的鲁棒性,分割速度快、准确率较高。在分析了传统模板匹配字符识别方法存在的不足之处的基础上,提出了一种改进的模板匹配法。改进的模板匹配方法根据英文数字字符笔画相对简单的特点,充分利用了字符背景区域进行匹配,有效地解决了断裂、变形及模糊字符的识别问题,并给出了相似字符识别的解决方法。根据车牌汉字具有字型复杂,笔画丰富的特点,提出了一种基于两级竞争型神经网络的识别方法。该方法首先提取汉字骨架,采用SOM网络分析结构特征,实现汉字的粗分类,而后提取汉字统计特征,采用LVQ网络进行精确识别。实验表明,两种识别算法针对性强、速度快、识别率高。
文乔农[9]（2008）在《车牌识别关键技术研究》文中进行了进一步梳理车牌照识别（LPR,License Plate Recognition）系统的研究与开发,是现代化交通发展的热点问题,也是影响交通系统智能化、现代化的最重要的因素。本论文对LPR的几个关键环节进行了研究,主要工作如下:1.在分析目前常用车牌定位方法的原理和存在问题的基础上,本文采用了一种基于数学形态学的车牌定位算法,然后根据车牌图像的先验知识,即车牌区域的长宽比剔除伪车牌区域,完成车牌的精确定位。实验表明:该算法能够比较快速、有效地提取出车牌区域。2.首先总结了车牌字符分割的一般算法,本文在字符分割方面先对车牌图像倾斜校正,去除边框,最大程度地消除了干扰,然后结合车牌区域的先验知识用投影的方法实现了字符切分。3.分析和总结了车牌字符常用的特征提取方法,提出了基于K-L变换的特征提取方法,K-L变换能降低特征向量的维数并能保留主要的特征,这样大大的降低了识别的复杂性。4.分析和总结了常用的车牌字符识别方法,本文采用基于BP神经网络的识别方法,分为四个子网分别识别,第一个子网络识别汉字,第二个子网络识别字母,第三个子网络识别字母数字,第四个子网络识别字母,这样能提高识别的速度和准确度。
黄继聪[10]（2008）在《基于改进神经网络的汽车车牌自动识别系统的研究与应用》文中指出随着我国经济的发展、汽车拥有量的急剧增加,公路交通成为我国重要的交通运输途径,而传统的人工管理方式已不能满足实际工作的需要,日益拥堵的城市交通需要用更先进、更有效的交通管理和控制技术。以计算机图像处理技术、通信技术为核心的智能化道路交通监控和管理系统ITS（Intelligent Transportation System）已成为当前交通管理发展的主要方向。本论文基于此背景展开,采用视觉分析和图像处理技术,利用计算机高速运算的特性,设计违章车辆的判定算法,并进行车牌号码识别。本文对车牌自动识别系统的关键技术进行了研究,提出了有效的解决策略,完成了实验,并在此基础上开发了一套车牌自动识别软件。文章中介绍了车牌识别系统构架,并对构成系统的各个模块进行深入分析;研究了视频采集与图像传输技术;深入讨论了违章车辆的判定算法,在综合多种算法的基础上提出了基于“虚拟线圈”和运动跟踪的违章车辆判定算法。在车牌定位和字符分割环节,深入研究了Otsu二值化算法,实现了基于边缘检测和垂直投影的车牌定位技术。采用图像旋转技术完成对倾斜图像的矫正,并提出了一种简单而有效的字符分割算法完成字符分割。在车牌字符的识别环节采用了神经网络技术。对传统BP神经网络收敛速度慢且容易陷入局部极小点等缺陷进行改造;采用了改进型的神经网络进行字符识别。实验证明,该方法对字符的识别是很有效的。
二、基于自组织特征映射网络的车牌照汉字识别（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、基于自组织特征映射网络的车牌照汉字识别（论文提纲范文）
（1）车牌识别系统的开发研究（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 我国车牌特征 |
| 1.3 国内外车牌识别技术的发展现状 |
| 1.4 车牌识别技术难点 |
| 1.5 本文的章节安排 |
| 第二章 车牌图像预处理 |
| 2.1 图像灰度化 |
| 2.2 图像增强 |
| 2.2.1 灰度变换 |
| 2.2.2 直方图均衡化 |
| 2.2.3 图像滤波 |
| 2.3 边缘检测 |
| 2.3.1 边缘检测类型 |
| 2.3.2 常用的边缘检测算子 |
| 2.4 本章小结 |
| 第三章 车牌定位 |
| 3.1 常用的车牌定位方法 |
| 3.2 基于数学形态学和投影法相结合的车牌定位方法 |
| 3.2.1 数学形态学理论 |
| 3.2.2 利用数学形态学确定车牌区域 |
| 3.2.3 结合投影法切割车牌区域 |
| 3.3 车牌的倾斜校正 |
| 3.3.1 Radon 变化法原理 |
| 3.3.2 Radon 变化法实施步骤 |
| 3.4 车牌二值化 |
| 3.5 去除车牌边框与铆钉 |
| 3.6 去除间隔符 |
| 3.7 本章小结 |
| 第四章 车牌字符分割 |
| 4.1 传统车牌字符分割的算法 |
| 4.2 基于先验知识约束的垂直投影分割算法 |
| 4.3 字符归一化 |
| 4.4 本章小结 |
| 第五章 车牌字符识别 |
| 5.1 字符特征提取 |
| 5.1.1 字符特征选取原则 |
| 5.1.2 字符特征提取的常用方法 |
| 5.1.3 本文所采用的方法 |
| 5.2 常用字符识别方法 |
| 5.3 神经网络理论基础 |
| 5.4 基于 BP 神经网络的字符识别 |
| 5.4.1 网络拓扑结构确定 |
| 5.4.2 BP 神经网络的训练 |
| 5.4.3 网络性能测试 |
| 5.6 本章小结 |
| 第六章 车牌识别系统开发与性能检验 |
| 6.1 车牌识别系统开发 |
| 6.1.1 系统功能要求 |
| 6.1.2 软件结构设计 |
| 6.1.3 系统开发软件 |
| 6.1.4 系统操作界面 |
| 6.2 车牌识别系统运行过程 |
| 6.3 系统性能测试 |
| 6.3.1 识别成功的测试样本分析 |
| 6.3.2 识别失败原因分析 |
| 6.4 车牌辅助识别软件 |
| 6.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）基于神经网络的车牌汉字识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 车牌汉字识别研究的意义 |
| 1.2 汉字识别方法介绍 |
| 1.2.1 结构模式识别法 |
| 1.2.2 统计模式识别法 |
| 1.2.3 结构模式识别与统计模式识别的结合法 |
| 1.2.4 人工神经网络识别法 |
| 1.2.5 句法模式识别法 |
| 1.3 车牌识别方法 |
| 1.3.1 模板匹配法 |
| 1.3.2 贝叶斯（Bayes）分类器法 |
| 1.3.3 PCA 学习子空间模式识别 |
| 1.3.4 支持向量机法 |
| 1.3.5 神经网络方法 |
| 1.3.6 模糊识别法 |
| 1.4 本文研究内容及结构 |
| 第二章 图像预处理 |
| 2.1 位置归一化 |
| 2.2 大小归一化 |
| 2.3 本章小结 |
| 第三章 汉字粗分类 |
| 3.1 汉字投影分析 |
| 3.2 本章小结 |
| 第四章 基于神经网络的车牌汉字识别器设计与实现 |
| 4.1 BP 神经网络模型 |
| 4.2 神经网络识别器设计 |
| 4.2.1 特征提取 |
| 4.2.2 神经网络设计结构 |
| 4.3 BP 神经网络对粗分类汉字识别 |
| 4.3.1 经过粗分类与未经分类的汉字识别比较 |
| 4.3.2 加噪声汉字的粗分类识别 |
| 4.3.3 有形变的汉字识别效果 |
| 4.3.4 实验结果总结 |
| 4.4 BP 神经网络识别法与模板匹配法比较 |
| 4.4.1 模板匹配法对经粗分类的加噪声汉字识别 |
| 4.4.2 BP 神经网络识别法和模板匹配法比较结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 后记 |
（3）基于网格的神经网络计算平台研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 网格计算的发展 |
| 1.2.2 人工神经网络的发展 |
| 1.2.3 基于网格的神经网络 |
| 1.2.4 实验室研究成果 |
| 1.3 本文主要内容及章节安排 |
| 第二章 研究基础 |
| 2.1 实验室网格系统LabGrid 简介 |
| 2.1.1 LabGrid 的工作原理 |
| 2.1.2 LabGrid 各个功能模块 |
| 2.2 神经网络计算平台HNetCP 简介 |
| 2.3 本章小结 |
| 第三章 神经网络库NNLib |
| 3.1 人工神经网络 |
| 3.1.1 生物神经元的结构 |
| 3.1.2 人工神经元模型 |
| 3.1.3 神经网络的学习 |
| 3.1.4 神经网络的结构 |
| 3.1.5 神经网络的基本模型 |
| 3.2 NNLib 中的神经网络 |
| 3.2.1 BP 网络 |
| 3.2.2 RBF 网络 |
| 3.2.3 SOFM 网络 |
| 3.2.4 LVQ 网络 |
| 3.2.5 ART 网络 |
| 3.2.6 Hopfield 网络 |
| 3.3 NNLib 的设计 |
| 3.4 本意小结 |
| 第四章 利用遗传算法改进BP 网络 |
| 4.1 遗传算法 |
| 4.1.1 编码方法 |
| 4.1.2 适应度函数 |
| 4.1.3 遗传算子 |
| 4.1.4 运行参数 |
| 4.2 遗传算法改进的BP 网络 |
| 4.2.1 BP 神经网络的缺陷 |
| 4.2.2 用遗传算法改进BP 网络的意义 |
| 4.2.3 改进的遗传BP 网络 |
| 4.3 本章小结 |
| 第五章 一种新的混合神经网络分类系统 |
| 5.1 基本理论 |
| 5.1.1 混合神经网络 |
| 5.1.2 神经网络集成 |
| 5.2 混合神经网络的设计 |
| 5.2.1 混合网络的层次结构 |
| 5.2.2 混合网络的学习 |
| 5.2.3 混合网络的分类规则 |
| 5.3 实验与分析 |
| 5.3.1 实验过程 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第六章 HNetCP 的应用 |
| 6.1 HNetCP 在图像处理中的应用 |
| 6.1.1 遗传BP 网络用于图像分割 |
| 6.1.2 Hopfield 网络用于图像复原 |
| 6.1.3 遗传BP 网络用于图像识别 |
| 6.2 HNetCP 在机器人避障中的应用 |
| 6.2.1 应用场景 |
| 6.2.2 网络的设计 |
| 6.2.3 运行演示 |
| 6.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（4）车牌识别系统中字符识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 ITS 及其发展 |
| 1.2.1 ITS 的概念和组成 |
| 1.2.2 ITS 的发展背景及动因 |
| 1.2.3 ITS 的发展现状 |
| 1.3 车牌识别系统简介 |
| 1.3.1 车牌识别系统概述 |
| 1.3.2 车牌识别系统的组成 |
| 1.4 本文主要研究内容及结构安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文的结构安排 |
| 第二章 车牌图像的预处理 |
| 2.1 车牌图像的预处理 |
| 2.2 图像的灰度化及图像增强 |
| 2.2.1 图像的灰度化 |
| 2.2.2 图像增强 |
| 2.3 灰度图像的增强 |
| 2.3.1 线性灰度变换 |
| 2.3.2 分段线性灰度变换 |
| 2.4 图像的二值化 |
| 2.5 边缘检测 |
| 2.5.1 Roberts 算子 |
| 2.5.2 Prewitt 算子 |
| 2.5.3 Sobel 算子 |
| 2.5.4 Canny 算子 |
| 2.6 本章小结 |
| 第三章 车牌定位 |
| 3.1 车牌的规格及特征 |
| 3.1.1 车牌的类型及规格 |
| 3.1.2 车牌的特征 |
| 3.2 常用的车牌定位算法 |
| 3.2.1 基于纹理特征分析的车牌定位 |
| 3.2.2 基于数学形态学的车牌定位 |
| 3.2.3 基于神经网络算法的车牌定位 |
| 3.2.4 基于小波变换的车牌定位 |
| 3.3 本章小结 |
| 第四章 字符分割 |
| 4.1 我国机动车牌的式样特征 |
| 4.2 字符分割的方法 |
| 4.2.1 基于图像特征的字符分割 |
| 4.2.2 基于识别结果的字符分割 |
| 4.3 本章小结 |
| 第五章 字符识别 |
| 5.1 字符识别技术概 |
| 5.2 车牌字符识别的特点 |
| 5.3 字符识别方法概述 |
| 5.3.1 基于模板匹配的字符识别算法 |
| 5.3.2 基于神经网络的识别算法 |
| 5.4 基于连通域特征的汉字识别 |
| 5.4.1 车牌汉字字符 |
| 5.4.2 连通域 |
| 5.4.3 汉字字符的连通域 |
| 5.4.4 基于字符连通域特征的车牌字符识别算法 |
| 5.4.5 实验结果 |
| 5.5 基于轮廓特征的英文字符识别 |
| 5.5.1 字符图像的轮廓特征 |
| 5.5.2 字符图像的背景场 |
| 5.5.3 字符圈的提取 |
| 5.5.4 字符的凹陷区 |
| 5.5.5 字符凹陷区的提取及识别 |
| 5.5.6 字符的连通域特征 |
| 5.5.7 字符的分类 |
| 5.5.8 实验及结果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（5）一种改进的人工神经网络模型（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 ANN发展的历史及现状 |
| 1.2 课题研究背景及意义 |
| 1.3 本文的贡献及内容组织 |
| 1.3.1 本文的贡献 |
| 1.3.2 本文组织 |
| 第二章 SOM和ART1网络工作原理 |
| 2.1 SOM网络 |
| 2.1.1 SOM网络的结构描述 |
| 2.1.2 SOM网络的工作原理 |
| 2.1.3 SOM网络的优缺点 |
| 2.2 ART1网络 |
| 2.2.1 ART1网络的结构描述 |
| 2.2.2 ART1网络的工作原理 |
| 2.2.3 ART1网络的优缺点 |
| 2.3 本章小结 |
| 第三章 SOM和ART1算法验证及分析 |
| 3.1 SOM算法的实验仿真 |
| 3.1.1 SOM算法实现 |
| 3.1.2 实验仿真 |
| 3.1.3 结果分析 |
| 3.2 ART1算法的实验仿真 |
| 3.2.1 ART1算法实现 |
| 3.2.2 实验仿真 |
| 3.2.3 结果分析 |
| 3.3 ART1改进算法 |
| 3.3.1 改进策略 |
| 3.3.2 实验仿真 |
| 3.3.3 结果分析 |
| 3.4 本章小结 |
| 第四章 模式神经元网络模型的设计与实现 |
| 4.1 PNBANN网络的思想 |
| 4.2 PNN网络的理论模型 |
| 4.2.1 PNN网络基本结构 |
| 4.2.2 PNN网络工作原理 |
| 4.2.3 PNN与SOM、ART1网络的区别 |
| 4.2.4 PNN网络的特点 |
| 4.3 PNN网络算法实验仿真 |
| 4.3.1 PNN网络算法实现 |
| 4.3.2 实验仿真 |
| 4.3.3 结果分析 |
| 4.3.4 PNN、SOM、ART1实验对比分析 |
| 4.4 本章小结 |
| 第五章 模式神经元网络的改进算法 |
| 5.1 记忆-遗忘曲线及其原理 |
| 5.2 改进后的PNN网络 |
| 5.2.1 改进后的PNN网络的结构图 |
| 5.2.2 改进后的PNN网络的基本原理 |
| 5.2.3 PNN网络的改进之处 |
| 5.3 改进后的PNN网络算法实验仿真 |
| 5.3.1 改进后的PNN网络算法实现 |
| 5.3.2 实验仿真 |
| 5.3.3 结果分析 |
| 5.3.4 PNN网络的优化效果 |
| 5.5 本章小结 |
| 第六章 总结及展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 北京化工大学硕士研究生学位论文答辩委员会决议书 |
（6）基于图像处理的印刷体数字识别技术研究 ——车牌号码识别（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪言 |
| 1.1 研究背景及意义 |
| 1.2 字符识别技术的发展简介 |
| 1.3 字符识别技术中的难点 |
| 1.4 字符识别采取的技术路线 |
| 1.5 论文研究的实验环境介绍 |
| 1.6 本章小结 |
| 第二章 BP神经网络的结构和学习规则 |
| 2.1 图像的特征提取 |
| 2.1.1 Hilditch骨架特征提取法 |
| 2.1.2 13点特征提取法 |
| 2.1.3 水平垂直方向特征提取法 |
| 2.1.4 本论文采用的逐像素特征提取法 |
| 2.2 神经网络在数字识别中的应用 |
| 2.3 BP神经网络的构成与工作原理 |
| 2.3.1 人工神经网络 |
| 2.3.2 BP网络算法 |
| 2.4 本章小结 |
| 第三章 模板匹配的字符识别研究 |
| 3.1 模板匹配识别的研究意义 |
| 3.2 本论文提出的压缩模板匹配算法 |
| 3.2.1 分类处理图像样本集 |
| 3.2.2 压缩模板生成算法 |
| 3.2.3 压缩模板集的构造与扩展 |
| 3.2.4 三种常用的模板匹配算法 |
| 3.2.5 基于压缩模板集的模板匹配 |
| 3.3 本章小结 |
| 第四章 复杂情况下车牌号码识别技术 |
| 4.1 车牌的定位 |
| 4.1.1 几种常见的车牌定位方法 |
| 4.1.2 视觉空间和颜色空间的转换 |
| 4.1.3 基于HIS颜色模型的车牌定位方法 |
| 4.2 车牌倾斜矫正 |
| 4.3 车牌边框去除 |
| 4.4 车牌号码的分割 |
| 4.4.1 字符分割的一些算法 |
| 4.4.2 本文采用的字符分割算法 |
| 4.5 本章小结 |
| 第五章 实验结果分析及算法改进 |
| 5.1 BP网络字符识别的设计实现 |
| 5.2 压缩模板匹配算法的设计实现 |
| 5.3 实验数据对比 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士学位期间发表论文 |
（7）基于机器视觉的车辆识别算法的研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及其理论与实际意义 |
| 1.2 国内外车辆牌照识别系统的发展与现状 |
| 1.2.1 实时图像的采集 |
| 1.2.2 图像的预处理 |
| 1.2.3 字符识别 |
| 1.3 现有车辆牌照识别系统存在的不足与改进的难点 |
| 1.4 本文的主要内容及章节安排 |
| 第2章 车牌图像的检测与定位 |
| 2.1 基于颜色特征车牌区域的粗定位 |
| 2.2 基于车辆牌照区域特征的精确定位 |
| 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 |
| 2.2.4 滤波 |
| 2.2.5 图像边缘检测技术 |
| 2.2.6 Hough变换 |
| 2.2.7 车辆牌照区域的精确定位 |
| 2.3 实验及结果分析 |
| 2.4 本章小结 |
| 第3章 车辆牌照的字符切分 |
| 3.1 目前我国车牌的构造特征 |
| 3.2 车牌字符分割的主要处理步骤 |
| 3.2.1 边框切除 |
| 3.3 传统的字符分割法简介 |
| 3.3.1 直接投影法 |
| 3.3.2 模板匹配字符分割算法 |
| 3.4 基于车牌构造的投影分割法 |
| 3.4.1 基于车牌构造的投影分割算法 |
| 3.4.2 基于车牌构造的投影分割算法的改进 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第4章 车辆牌照的字符识别 |
| 4.1 车牌照字符分割预处理 |
| 4.1.1 分裂合并的归一化方法 |
| 4.1.2 插值变换的归一化方法 |
| 4.2 特征提取与选择 |
| 4.2.1 主成分分析方法 |
| 4.2.2 粗集理论 |
| 4.3 多模板识别 |
| 4.3.1 多模板建模识别 |
| 4.3.2 多级分类器的设计 |
| 4.3.3 结论 |
| 4.4 本章小结 |
| 第5章 车牌识别算法的实现与仿真 |
| 5.1 编程工具 |
| 5.2 车牌识别算法的实现 |
| 5.3 仿真结果及其分析 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文进一步研究的展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士学位期间发表的学术论文 |
（8）自然背景下车牌识别关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 车牌定位技术的研究现状 |
| 1.2.2 车牌字符分割技术的研究现状 |
| 1.2.3 车牌字符识别技术的研究现状 |
| 1.3 本文研究的主要内容 |
| 1.4 本文的结构框架 |
| 第二章 车牌识别相关图像处理技术 |
| 2.1 图像增强 |
| 2.1.1 高帽-低帽变换 |
| 2.1.2 直方图均衡化 |
| 2.1.3 邻域平均法 |
| 2.2 边缘检测 |
| 2.2.1 Sobel 算子 |
| 2.2.2 高斯拉普拉斯算子 |
| 2.3 数学形态学 |
| 2.3.1 腐蚀与膨胀 |
| 2.3.2 开运算与闭运算 |
| 2.3.3 细化 |
| 2.4 图像二值化 |
| 2.4.1 全局阈值法 |
| 2.4.2 局部阈值法 |
| 2.5 小结 |
| 第三章 车牌定位 |
| 3.1 我国车牌的特征 |
| 3.2 现有车牌定位方法 |
| 3.2.1 基于灰度图像的定位方法 |
| 3.2.2 基于彩色图像的定位方法 |
| 3.3 基于边缘检测的车牌定位方法 |
| 3.3.1 图像预处理 |
| 3.3.2 检测车牌候选区 |
| 3.3.3 定位车牌 |
| 3.4 实验结果及分析 |
| 3.5 小结 |
| 第四章 车牌字符分割 |
| 4.1 图像预处理 |
| 4.1.1 二值化 |
| 4.1.2 倾斜校正 |
| 4.1.3 消除干扰 |
| 4.2 基于车牌模板的字符分割方法 |
| 4.2.1 定位字符上下边界 |
| 4.2.2 建立字符串匹配模板 |
| 4.2.3 字符分割 |
| 4.3 字符归一化 |
| 4.4 实验结果及分析 |
| 4.5 小结 |
| 第五章 车牌字符识别 |
| 5.1 车牌字符识别特点 |
| 5.2 字符特征提取 |
| 5.3 人工神经网络 |
| 5.3.1 自组织特征映射网络 |
| 5.3.2 SOM 网络的改进 |
| 5.3.3 LVQ 网络 |
| 5.4 英文及数字字符识别 |
| 5.4.1 改进的模板匹配法字符识别 |
| 5.4.2 相似字符识别 |
| 5.4.3 实验结果及分析 |
| 5.5 汉字识别 |
| 5.5.1 汉字细化 |
| 5.5.2 基于两级竞争型神经网络的汉字识别 |
| 5.5.3 实验结果及分析 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间公开发表论文及着作情况 |
（9）车牌识别关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 车牌识别系统的应用领域 |
| 1.2.车牌识别技术的理论背景 |
| 1.3 车牌识别系统国内外研究现状 |
| 1.4.车牌识别技术中的难点 |
| 1.5 本论文主要研究内容 |
| 第二章 车牌图像处理技术 |
| 2.1 车牌图像的灰度化 |
| 2.2 车牌图像增强 |
| 2.3 车牌图像二值化 |
| 2.4 车牌图像的平滑去噪 |
| 2.5 车牌图像边缘检测 |
| 2.6 小结 |
| 第三章 车牌定位技术 |
| 3.1 本文的基于数学形态学的车牌定位方法 |
| 3.1.1 数学形态学基本理论 |
| 3.1.2 数学形态学的车牌定位 |
| 3.2 车牌图像倾斜矫正 |
| 3.3 小结 |
| 第四章 车牌字符分割及相关处理 |
| 4.1 本文的车牌字符的分割方法 |
| 4.1.1 除去上下边框 |
| 4.1.2 基于投影的初次分割 |
| 4.1.3 字符内有断裂的牌照图像的处理 |
| 4.2 车牌字符分割的的其它他算法 |
| 4.3 车牌字符归一化处理 |
| 4.4 车牌字符细化的方法与实现 |
| 4.5 小结 |
| 第五章 车牌字符图像的特征提取 |
| 5.1 本文采用K-L变换提取车牌字符特征向量 |
| 5.1.1 K-L变换原理 |
| 5.1.2 K-L变换提取车牌字符特征向量的算法 |
| 5.2 其它常用特征提取方法 |
| 5.3 小结 |
| 第六章 车牌字符识别技术 |
| 6.1 本文基于BP神经网络识别车牌字符 |
| 6.1.1 人工神经网络在图像字符识别中的应用 |
| 6.1.2 人工神经网络的工作原理与构成 |
| 6.1.3 三层BP网络学习算法 |
| 6.1.4 三层BP神经网络字符识别器 |
| 6.2 其它常用的字符识别方法 |
| 6.3 小结 |
| 第七章 结束语 |
| 7.1 工作总结 |
| 7.2 对未来工作的展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（10）基于改进神经网络的汽车车牌自动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 车牌识别发展概况 |
| 1.2 车牌识别的具体应用领域 |
| 1.3 选题的背景和意义 |
| 1.4 课题的主要工作 |
| 1.5 车牌识别项目要求 |
| 1.6 论文组织结构 |
| 第2章 项目总体方案设计 |
| 2.1 车牌识别原理 |
| 2.1.1 违章车辆的判定方式 |
| 2.1.2 车牌的识别方式 |
| 2.2 设计方案确定 |
| 2.3 硬件部分设计 |
| 2.4 视频采集技术 |
| 2.5 视频转换和图像处理 |
| 2.5.1 OpenCV介绍 |
| 2.5.2 OpenCV的安装和使用 |
| 2.5.3 视频采集 |
| 2.6 视频传输技术 |
| 2.6.1 C/S传输模型 |
| 2.6.2 图像传输实现 |
| 2.7 本章小结 |
| 第3章 违章车辆的判定 |
| 3.1 判定方式分类 |
| 3.1.1 外触发机制 |
| 3.1.2 自触发机制 |
| 3.2 多信息融合的违章车辆判定 |
| 3.2.1 车辆违章的触发 |
| 3.2.2 车辆跟踪 |
| 3.3 本章小结 |
| 第4章 车牌区域提取和字符分割 |
| 4.1 车牌区域提取 |
| 4.1.1 车牌图像的二值化 |
| 4.1.2 边缘检测 |
| 4.1.3 利用中值滤波去除车牌图像噪声 |
| 4.1.4 利用水平和垂直投影提取车牌区域 |
| 4.2 字符分割 |
| 4.2.1 图像预处理 |
| 4.2.2 车牌的倾斜校正以及上下位置的精分割 |
| 4.2.3 字符分割过程 |
| 4.3 本章小结 |
| 第5章 字符识别 |
| 5.1 中国车牌特点 |
| 5.2 车牌识别方法综述 |
| 5.2.1 车牌识别难点 |
| 5.2.2 车牌识别常用方法 |
| 5.2.3 车牌特点分析以及设计要点 |
| 5.2.4 本论文采用的识别算法 |
| 5.3 基于神经网络的车牌字符识别 |
| 5.3.1 人工神经网络简介 |
| 5.3.2 BP网络模型 |
| 5.3.3 改进BP神经网络算法 |
| 5.3.4 LM神经网络算法 |
| 5.3.5 两种改进算法的比较 |
| 5.4 字母和数字的识别 |
| 5.4.1 样本库的整理 |
| 5.4.2 数字和字母特征的提取 |
| 5.4.3 样本训练设计 |
| 5.4.4 训练过程 |
| 5.4.5 字母和数字识别程序 |
| 5.4.6 识别结果检测 |
| 5.5 汉字识别 |
| 5.5.1 汉字识别综述 |
| 5.5.2 汉字识别难点以及解决方案 |
| 5.5.3 训练和识别过程 |
| 5.6 系统识别过程总述 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、基于自组织特征映射网络的车牌照汉字识别（论文参考文献）
- [1]车牌识别系统的开发研究[D]. 李亭. 长安大学, 2013(06)
- [2]基于神经网络的车牌汉字识别方法研究[D]. 高丽清. 东北师范大学, 2012(05)
- [3]基于网格的神经网络计算平台研究与应用[D]. 詹勋昌. 华南理工大学, 2011(12)
- [4]车牌识别系统中字符识别技术研究[D]. 孟庆远. 中北大学, 2011(10)
- [5]一种改进的人工神经网络模型[D]. 代小娟. 北京化工大学, 2010(01)
- [6]基于图像处理的印刷体数字识别技术研究 ——车牌号码识别[D]. 狄俊. 昆明理工大学, 2010(02)
- [7]基于机器视觉的车辆识别算法的研究[D]. 张秀丽. 东北大学, 2008(03)
- [8]自然背景下车牌识别关键技术研究[D]. 付希金. 东北师范大学, 2008(11)
- [9]车牌识别关键技术研究[D]. 文乔农. 昆明理工大学, 2008(09)
- [10]基于改进神经网络的汽车车牌自动识别系统的研究与应用[D]. 黄继聪. 哈尔滨工程大学, 2008(06)