車牌識別系統(tǒng)的設(shè)計與實現(xiàn)參考畢業(yè)論文-在線瀏覽
2024-08-07 16:23本頁面
【正文】 ．北京：機械工業(yè)出版社，2012，27[6] 湯方義．基于OpenCV 和CUDA 的車牌識別系統(tǒng)的軟件設(shè)計與實現(xiàn)[D]．長春：吉林大學(xué)，2011[7] DaRocha G A，Manoel S J．Character recognition in Car license plates based on principal ponents and neutral processing[J]．Pattern Recongnition，2006，39(2)：2631[8] 侯宏花．數(shù)字圖像處理與分析[M]．北京：北京理工大學(xué)出版社，2011，74136[9] 劉同焰．車牌識別系統(tǒng)的相關(guān)算法研究與實現(xiàn)[D]．廣州：華南理工大學(xué)，2012[10] 閆青．車牌識別系統(tǒng)中車牌定位算法的研究[D]．濟南：山東大學(xué)，2010[11] K．Deb，Jo KangHyun．HSI color based vehicle license plate detection [C]．International Conference on Contro1，Automation and Systems，2008：687691[12] Heo G，Kim M，Jung I，et al. Extraction of car license plate regions using line grouping and edge density methods[C]．2007 International Symposium on Information Technology Convergence，2007：3742[13] 張金艷．基于神經(jīng)網(wǎng)絡(luò)的車牌識別算法研究[D]．秦皇島：燕山大學(xué)，2010[14] Li Bo，Zeng Zhiyuan，Dong Huali．Automatic License Plate Recognition System[J]．Applied Mechanics and Materials，2010，20：438444[15] Wei W，Wang M，Huang Z．An Automatic Method of Location for Number Plate using Color Features[C]．IEEE International Conference on Image Processing，2001，1：782785[16] 鄒曄．基于紋理分析和梯度特征的車牌定位算法[J]．科技廣場，2009，(5)：109111[17] F．Faradji，A．H．Rezaie，M．Ziaratban．A MorphologicalBased License Plate Location[C]，IEEE International Conference on Image Processing，2007：5760[18] 黃豪杰，李榕，常鴻森．基于邊緣顏色分布的車牌定位新方法[J]．激光雜志，2007，28(3)：5759[19] 方萬元，梁久禎．復(fù)雜背景下快速車牌定位算法[J]．計算機工程與應(yīng)用，2012，48(2)：160163[20] 郭航宇，景曉軍，尚勇．基于小波變換和數(shù)學(xué)形態(tài)法的車牌定位方法研究[J]．計算機技術(shù)與發(fā)展，2010，20(5)：1316[21] 崔屹．數(shù)學(xué)形態(tài)學(xué)方法及應(yīng)用[M]．北京：科學(xué)出版社，2002，100120[22] 劉志軍．基于神經(jīng)網(wǎng)絡(luò)的車牌識別技術(shù)研究[D]．南京：南京郵電大學(xué)，2011[23] Tindall ．Deployment of automatic license plate recognition systems in multinational environments[C]．European Conference on Security and Detection．April，1997，(3)：4246[24] 李云紅，屈海濤．數(shù)字圖像處理[M]．北京：北京大學(xué)出版社，2012，145160[25] 姜誼，嚴京旗．車牌定位及傾斜校正方法[J]．微型電腦應(yīng)用，2010，26(4)：4547[26] 張司興．車牌識別算法研究及系統(tǒng)設(shè)計[D]．南京：南京理工大學(xué)，2010[27] 高原．車牌識別技術(shù)研究[D]．北京：北京交通大學(xué)，2011[28] 于彥國．車牌識別中的關(guān)鍵算法研究[D]．長沙：湖南師范大學(xué)，2011[29] 朱秀峰．車牌字符識別算法研究與實現(xiàn)[D]．武漢：華中科技大學(xué)，2012[30] Koval V，Turchenko V，Kochan V．Smart license plate recognition system based on image processing using neural network[J]．IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing System，2003(8)：125128附錄附錄1 譯文基于方向梯度直方圖和支持向量機的多數(shù)據(jù)集車輛識別方法Ilias KamalEquipe RITMENSLAS . 713Universit233。關(guān)鍵詞：支持向量機SVM，方向梯度直方圖，機器學(xué)習(xí)。簡單來說，SVM是一種識別數(shù)據(jù)模式并分類或者分析的監(jiān)督式學(xué)習(xí)方法。Vapnik和Chervonenkis[4]于上一世紀60年代末首次提出SVM，但大部分無人問津，后直至90年代初才被人所重視[5]。在本文中，我們將只關(guān)注于數(shù)據(jù)分類，更確切地說是基于特定特征的圖像分類。因為顏色或者紋理特征在給定大量相同顏色的汽車的時候效果并不明顯，因此唯一可以選擇的特征便是形狀了。用于汽車識別的良好的特征是方向梯度直方圖[6]，它可以提供確切的關(guān)于形狀定位的信息，并且開銷不大。利用上述所示的訓(xùn)練數(shù)據(jù)，學(xué)習(xí)機將會得到如下所示的超平面公式或者決策函數(shù)： (2)這里，w是標準權(quán)值點，b是偏移量。注釋：為n+1維的分隔超平面，它的決策域在n維超平面內(nèi)，并且它是超平面和輸入空間的交匯處，因此可以證明?！ D1 有一個大邊緣的線性分類器 圖2 有一個小邊緣的線性分類器A、 線性軟邊緣分類器 在介紹中闡述的線性可分的例子并不是永遠都有效的，尤其是當數(shù)據(jù)是從經(jīng)驗或者是真實生活里得來的，也可以說在相互重疊的數(shù)據(jù)集中尋找一個線性可分的情況并不永遠都是一個最好的方法，甚至說都不是一個可行的方法。 由于分隔超平面的自帶屬性和約束條件(5)，一個相互重疊的數(shù)據(jù)集合并不能很好的被分類，對于任何一個訓(xùn)練數(shù)據(jù)，它都會被誤分類，相應(yīng)的，將會為了最終分類正確會使它的值增長，最優(yōu)算法因而會選擇所有訓(xùn)練數(shù)據(jù)作為支持點。相應(yīng)的，這個學(xué)習(xí)問題會被表達為下式的最小值： (6)受制于如下約束條件： (7)C為懲罰參數(shù)，為非消極松弛變量。為了簡化問題，我們只描述L1準則SVM條件下的二次問題（6）的結(jié)果，由雙變量的凹點給出：
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1