一、基于改进的BP神经网络进行车牌定位的研究（论文文献综述）
李非[1]（2021）在《基于GASA-BP神经网络雾霾天气下车牌识别方法研究》文中提出近年来随着科技进步,计算机的计算能力得到了巨大提高,基于人工神经网络的车牌识别技术已经成为一个研究热点。随着工业发展,雾霾逐渐出现在生活中,这就给车牌识别技术带来了新的挑战,研究雾霾天气下的车牌识别技术,具有一定的现实意义。首先,雾霾天气下车牌识别需要完成车牌图像去雾,针对暗通道去雾算法去雾后图像整体偏暗的问题,本文利用对数变换来提高去雾图像的亮度;针对单尺度Retinex去雾后的图像细节不突出的问题,本文在进行单尺度Retinex去雾前对图像进行马尔算子边缘增强。最终提出了一种融合改进暗通道和改进单尺度Retinex去雾算法,实验证明本文算法比改进前算法去雾效果明显提升。其次,在车牌定位环节,首先对去雾后的图像进行灰度化、直方图均衡化和去噪处理,然后引用边缘算子检测和数学形态学融合定位的算法进行车牌定位,实验表明,融合定位比单独边缘检测算法定位成功率有很大提高。然后,在字符分割环节,在研究了传统投影法字符分割后,针对左右结构的汉字字符存在容易被过度分割的问题,提出了一种改进垂直投影算法进行字符分割,通过结合分隔符设计了四个字符框,通过统计第四个框即间隔符处的像素数量和像素宽度,当达到预设的阈值,便成功分割出前两个字符。实验结果表明该算法有效解决汉字字符被过度分割问题,后五个字符依据传统垂直投影法来分割。最后,使用BP神经网络进行车牌识别,传统BP神经网络由于随机初始化权值和阈值,导致网络在训练时出现容易陷入局部最小值、迭代次数多等问题。针对以上问题,本文设计了一种GASA-BP神经网络车牌识别算法,先利用融合遗传算法（Genetic Algorithm）和模拟退火算法（Simulated Annealing）求得一组最优权值和阈值,然后送入BP神经网络进行训练,该算法具备了遗传算法（GA）全局搜索能力和模拟退火算法（SA）局部搜索能力。实验结果表明优化后的网络在字符识别率上较未优化的高,在达到相同误差网络训练所需迭代次数明显减少,使用GASA-BP神经网络对单一去雾和融合去雾后的车牌识别,在准确率方面融合去雾算法比单一去雾算法有明显优势。
叶聪[2]（2020）在《智能车库管理系统设计研究》文中研究指明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。
杨洋[3]（2020）在《雾霾天气下车牌识别的技术研究》文中研究表明在如今的信息化时代,随着科技与经济的发展,汽车的数目日益增多,车牌识别技术在安防监控、智能交通等领域都起到了很重要的作用。但是由于雾霾等恶劣天气的影响,会导致车牌识别的难度提高,无法识别到完整的车牌信息。针对以上现实问题,本文以雾霾天气下的车牌识别问题为研究对象,提出了一种自适应滤波去雾算法,建立了图像去雾、车牌定位、字符分割与识别的研究体系,达到雾霾天气下的良好车牌识别效果。论文主要研究内容如下。目前,在众多研究成果中,暗通道去雾算法为图像去雾技术提供了新的思路,该算法在景深变化较小的区域去雾效果较好,但是在景深变化较大的区域存在光晕、颜色失真等不足。本文针对这些不足提出了一种高斯自适应多尺度加权滤波去雾算法,该算法通过多尺度最小值加权滤波得到粗级透射率,后经由高斯自适应约束与多尺度加权引导滤波得到优化透射率,并结合加权大气光强进行计算,最终得到去雾图像。对比实验表明,本文的去雾算法在可见边集合数之比、平均梯度与饱和像素点百分比等指标的表现上均优于其他去雾算法,体现了本文去雾算法的优异性。基于提出的去雾算法,本文开展了车牌定位、字符分割和字符识别的工作。首先,采用边缘检测确定目标轮廓,并结合数学形态学达到标记车牌区域的效果,实现了车牌的准确定位,为后续的字符分割提供了前提条件;其次,采用先验知识约束的垂直投影法,实现了字符分割,为最后的字符识别提供了保障条件;最终,采用一种改进的BP神经网络算法,通过引入附加动量项与自适应学习因子,提高了字符识别的效率与准确率。通过采用本文的去雾识别算法,进行了雾霾天气下车牌识别的对比实验,结果表明:本文的车牌去雾识别算法的识别率达到93.60%,较经典的暗通道去雾算法下的车牌识别率提高了2.80%,具有良好的识别效果。
杨士东[4]（2020）在《特殊环境下的车牌识别算法》文中指出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。
黄彩霞[5]（2020）在《基于神经网络的车牌识别算法研究》文中研究说明随着中国经济的快速发展,汽车的保有量在逐年增加。智能交通管理系统在交通管控中的重要地位越发地凸显出来,而车牌识别是智能交通管理系统的核心,所以研究车牌识别具有举足轻重的意义。本文研究了车牌识别算法,将卷积神经网络LeNet-5应用到车牌字符的识别中,着重改进了车牌字符识别算法。定位车牌,分割车牌字符和识别字符是车牌识别常规处理的“三部曲”。首先对采集到的车牌图像进行灰度化和平滑滤波等预处理,接着采用基于边缘检测和数学形态学算法实现车牌定位;然后结合车牌具体特征改进垂直投影算法,分割出车牌字符;分割好的车牌字符作为下一步字符识别的数据集,最后在深入研究了卷积神经网络的工作原理以及优势的基础上,将具有权值共享和局部感受野特点的网络应用到车牌字符识别当中。在LeNet-5经典网络结构的基础上,改进了输入层、隐含层和输出层的结构,优化卷积层和下采样层参数,构建了DLeNet-5网络,相比于原始网络,改进的网络应用于车牌字符识别具有更高的识别率。车牌识别不仅在公共安全管理体系和各种交通场合发挥着不可或缺的作用,而且在未来的无人驾驶和无人汽车等领域,也将扮演重要的角色,将为城市的健康发展带来诸多便利。
张然[6]（2020）在《基于图像处理的雾天车牌识别算法研究》文中指出近年来,汽车在人们的生活中被越来越多的使用,智能交通系统（ITS）已成为解决车辆管理问题的常用方法,其重要组成部分的车牌识别系统（LPRS）也得到了快速的发展。但是,当空气质量下降,雾霾天气形成时,难以采集到清晰的车牌影像,从而降低了车牌识别的成功率。针对这一现象,本文研究了在雾天情况下的车牌图像识别技术。本文首先对含有雾气的车牌图像进行了去雾处理,有效复原了雾天图像,之后再对车牌图像进行识别,提高了雾天车牌识别的成功率。主要研究内容如下:在图像去雾方面,首先对常见的去雾算法进行了研究与对比,针对传统的暗原色先验算法在处理大面积强光区域如天空、白色车辆时失真以及去雾后图像颜色偏暗等缺点,将容差法引入到暗原色先验算法之中并改进了大气光强的估算方法,同时利用对比度拉升的方式对去雾后的图像进行了亮度提升操作,采用改进的暗原色先验算法对车辆图像进行去雾处理。最后进行了仿真实验,对改进算法的去雾效果进行了分析。在车牌定位方面,阐述了车牌定位的预处理流程,针对传统的Canny算子中高低阈值数值固定的缺点,采用自适应的方式获取Canny算子的高低阈值,利用改进后的Canny算子对图像进行了边缘检测。针对车牌图像含有噪声的问题,研究对比了多种去噪算法,并对传统中值滤波算法进行了改进,使滤波窗口的大小可以自适应的改变,采用改进的自适应中值滤波方式对车牌图像进行了去噪处理。最终采用基于数学形态学和像素扫描法的定位方法对车牌进行了准确定位。在字符分割阶段,介绍了车牌倾斜校正的方法,优化了OTSU算法中阈值的选择并采用改进的OTSU算法对图像进行了二值化处理。针对车牌图像清晰度不高的问题,采用形态学方法对车牌图像进行了处理,提升了图像的清晰度使之更易辨识。在去除了车牌上下边框后,通过垂直投影的方法对车牌字符进行了字符分割。在字符识别方面,针对车牌字符的特点,利用遗传算法（GA）优化了BP神经网络,采用改进的BP神经网络算法对车牌字符进行识别,阐述了神经网络的设计以及神经网络中相关参数的选择。最后对本文车牌识别算法的流程进行了仿真实验,实验结果表明,本文算法取得了较高的识别率。
吴海雯[7]（2019）在《基于BP算法的车牌识别与应用》文中提出近些年来我国经济不断进步,不同类型的车辆数越来越多,从而给交通管理带来了巨大的挑战。因此智能的交通管理系统让机动车的管理更数字智能化,另一方面,促进交通管理,确保日常交通安全和监控,避免交通拥堵,对交通管理的自动化非常重要,具有很大的实施可能性。一直以来也备受关注。其中对机动车的车牌识别技术（Vehicle License Plate Recognition,VLPR）的研究就变得非常重要,监控管理,违章管理等等都要利用此技术进行管理。目前机动车识别系统主要特点是车牌采集、图像预处理、定位车牌、字符分割、字符识别。科技发展迅速,识别系统也是越来越完善,当下在各个领域应用的比较好,本文主要研究的是智能停车场中的车牌识别所使用的技术和算法研究,在传统的基础上相应作出一些改进。论文中图像预处理模块是将先把摄像机拍摄的彩色照片处理成灰色照片,因为彩色照片占内存,再次对灰度化图像进行增强和平滑处理,最后运用Roberts算法进行边缘检测简化图像信息确定车牌的位置;车牌定位是利用图像腐蚀,图像膨胀,开、闭运算方法找出车牌的位置,然后利用Radon变换把车牌进行校正;字符分割里通过传统Ostu算法和改进后的算法进行比较,选择合适的图像二值化处理方式,滤波去除噪音,此基础上使用垂直投影法,让字符达到分割的目的,分割的字符大小上不一致,需要字符归一化处理;字符切割出来后,通过字符提取过程进行的字符提取,主要是在模板匹配和BP神经网络的算法识别的基础上生成独立的字符,得出最后结果。目前智能管理系统在智能停车场应用率比较高。因此管理系统在理论的基础之上,利用Matlab软件开发了车牌识别系统,并对系统功能进行了实验测试。而且结果显示,车牌识别系统对车牌定位、分割和识别是非常准确的,其中的系统算法也简单,具有实用的价值。
崔世杰[8]（2019）在《雾霾天气中车牌号码识别研究》文中提出近年来,随着科技的进步与发展,车牌图像识别技术的应用己经非常广泛。但是雾霾天气在我国出现的越来越多,特别是北方城市,在雾霾天气下如何做到准确的车牌识别,越来越成为一个很重要的研究方向。在此背景之下本文将雾霾天气下车牌图像识别作为研究方向,根据众多研究人员的研究经验,以Retinex理论为基础,展开了对雾霾图像增强处理方法的研究,并创新地提出了一种结合改进的Retinex算法和暗通道先验去雾算法的融和算法,将图像增强效果提升。运用常用的定位方法以及形态学、投影、区域合并的定位方法。在预处理方法中,研究了车牌増强方法、二值化、边缘检测等方法。其次介绍了几种常用的车牌字符分割算法,并分析了各种算法的特点并对车牌进行校正,去除车牌边框、对字符进行分割以及对车牌字符进行归一化操作,得出分割后图像。最终基于BP神经网络的车牌字符识别模块的操作,并得出良好的结果。
阳光[9]（2019）在《基于支持向量机和深度学习的车牌识别技术研究》文中研究说明车牌识别是一种计算机视觉技术,其运用数字图像处理和模式识别的相关知识完成汽车牌照的识别,汽车牌照相当于汽车的身份证,通过与车辆绑定的唯一标识对其进行监管,能够让交通管理更加高效和便捷。本文在调研传统车牌识别技术的基础上,分别对车牌定位、有效车牌判断、字符分割和字符识别四大技术进行了完整且详细的论述,旨在解决目前传统车牌识别算法存在的问题。其主要研究内容如下:1.论述了单一特征如边缘或颜色特征定位算法的局限,并引入文字特征定位的方法,文字特征定位的方法可以很好的弥补边缘和颜色特征定位的不足,在综合考虑应用场景以及算法效率等方面之后,最终采用边缘、颜色和文字等特征相结合的方法进行车牌定位。2.无论使用边缘、颜色和文字等特征结合还是其他的车牌定位方法,都不可能滤除现实场景中的所有干扰,在定位出车牌的同时可能会产生一些类似车牌的干扰图像。为了在候选图像中筛选出有效车牌,使用机器学习领域中的支持向量机模型进行分类训练以判断候选图像是否为车牌,从而得到最后的车牌图像。3.由于我国车牌包含特殊的中文字符,这也要求字符分割算法需要很好的适应中文。在调研相关资料后,使用轮廓和先验知识相结合的方法实现车牌字符分割,并通过特殊字符平移的方式定位中文字符的位置,从而弥补传统分割算法对中文支持较差的不足。同时,把所有分割好的车牌字符图像处理成20×20像素大小,该像素大小的图片可以正常且清晰地显示车牌字符,还可以在不影响车牌字符识别率的情况下减小网络的计算量。4.本文应用了深度学习的相关技术,并提出了一种改进的卷积神经网络LeNet-5模型用于车牌字符识别。通过TensorFlow深度学习框架以及可视化工具TensorBoard绘制网络模型的训练准确率和损失函数对比曲线,对原始卷积神经网络LeNet-5模型中的参数进行了多项修改,根据本文数据集的测试结果可以发现,最终改进的卷积神经网络LeNet-5模型与传统人工神经网络模型相比,其具有更高的字符识别率,更好的特征分类效果和更少的训练迭代步数。在上述研究的基础的上,本文主要算法的辨识效果为:在车牌定位部分,使用边缘、颜色、文字特征结合SVM模型的车牌定位方法,在常规环境下车牌定位率可达96.8%,在相对复杂环境下车牌定位率可达89.9%以上,其中训练的SVM模型FScore指标达96.84%;在车牌字符分割部分,使用字符轮廓结合先验知识的车牌字符分割方法,对中文字符的有效分割率达96.6%,英文字母和数字的有效分割率达97.8%;在车牌字符识别部分,使用改进的卷积神经网络LeNet-5模型,最后的中文识别率达99.2%,英文字母和数字的识别率达99.6%。
闫伟[10]（2019）在《基于PLC的智能立体停车管理系统研究》文中认为伴随着自动化技术的发展和创新,我国工业发展得到了质的飞跃,城市高速发展的同时,停车难问题也成为了一二线城市中普遍存在的问题之一。建立立体停车系统对解决这一问题具有重要指导意义,因此智能停车系统已经成为智能建筑领域新的研究热点问题之一。论文以升降横移式立体车库控制系统为研究对象,结合上位机组态软件、下位机PLC以及相关执行元件,实现对立体停车系统的设计,以此满足用户基本的停车、取车功能,并采用限位传感器、重量传感器等相关传感器,实现对当前车位状态的检测,如果出现托盘超载、车身过限等现象时会发出报警信号。首先,在算法方面,运用BP神经网络算法对车牌字符进行识别,以便系统实现智能化管理,在进行字符识别之前,进行了车牌图像预处理、车牌定位、车牌字符分割等操作,同时运用MATLAB仿真软件验证算法的可行性。其次,在下位机方面,用西门子S7-200PLC作为控制器来控制相应的电机以实现托盘的升降和横移动作,保证存取车的秩序性。再次,在上位机方面,用WINCC Flexible组态软件来进行系统的组态画面设计并对其实现监控,用触摸屏的人机交互功能实现手动、自动的状态切换,以此便捷系统检修。最后,进行了系统测试,包括PLC程序部分调试、触摸屏程序部分调试和系统调试,调试结果证明本文研究的智能立体停车管理系统具有一定的可行性。
二、基于改进的BP神经网络进行车牌定位的研究（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、基于改进的BP神经网络进行车牌定位的研究（论文提纲范文）
（1）基于GASA-BP神经网络雾霾天气下车牌识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 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 本文主要内容与章节安排 |
| 1.4 本文创新之处 |
| 第二章 基于融合改进暗通道和改进Retinex去雾算法 |
| 2.1 大气散射模型 |
| 2.1.1 入射光衰减模型 |
| 2.1.2 大气光成像模型 |
| 2.1.3 雾霾天气图像成像模型 |
| 2.2 改进暗通道先验去雾算法 |
| 2.2.1 暗通道先验去雾算法 |
| 2.2.2 马尔算子改进暗通道先验去雾算法 |
| 2.3 改进Retinex理论 |
| 2.3.1 单尺度Retinex算法 |
| 2.3.2 改进SSR算法 |
| 2.4 融合改进暗通道和改进Retinex去雾算法 |
| 2.4.1 算法融合流程 |
| 2.4.2 图像去雾算法评价指标 |
| 2.4.3 融合算法的效果评价 |
| 2.5 本章小结 |
| 第三章 基于边缘检测和形态学处理结合的车牌定位 |
| 3.1 车牌图像预处理 |
| 3.2 边缘检测 |
| 3.3 数学形态学 |
| 3.3.1 膨胀和腐蚀 |
| 3.3.2 开启与闭合 |
| 3.4 利用边缘检测和数学形态学进行车牌定位 |
| 3.5 实验结果分析 |
| 3.6 本章小结 |
| 第四章 基于改进垂直投影车牌分割算法 |
| 4.1 字符分割方法总述 |
| 4.1.1 模板匹配分割法 |
| 4.1.2 连通域分割法 |
| 4.1.3 垂直投影分割法 |
| 4.2 倾斜车牌校正 |
| 4.2.1 Hough变换 |
| 4.2.2 Radon变换 |
| 4.2.3 倾斜车牌校正 |
| 4.3 改进垂直投影法字符分割 |
| 4.4 字符处理 |
| 4.5 本章小结 |
| 第五章 基于GASA-BP网络的车牌字符识别 |
| 5.1 车牌字符常用识别算法 |
| 5.2 传统BP神经网络 |
| 5.2.1 BP神经网络概述 |
| 5.2.2 BP神经网络算法的学习过程 |
| 5.2.3 车牌识别神经网络结构设计 |
| 5.3 遗传算法 |
| 5.4 模拟退火算法 |
| 5.5 基于GASA-BP神经网络车牌字符识别 |
| 5.6 实验结果分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（2）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 |
（3）雾霾天气下车牌识别的技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去雾国内外研究现状 |
| 1.2.2 车牌识别国内外研究现状 |
| 1.2.3 雾霾天气下车牌识别研究现状 |
| 1.3 论文主要研究内容及章节安排 |
| 第二章 高斯自适应多尺度加权滤波去雾算法 |
| 2.1 暗通道先验算法理论模型 |
| 2.1.1 大气散射模型 |
| 2.1.2 暗通道先验算法 |
| 2.2 高斯自适应多尺度加权滤波去雾算法 |
| 2.2.1 多尺度最小值加权滤波 |
| 2.2.2 高斯模型自适应线性约束 |
| 2.2.3 多尺度加权引导滤波 |
| 2.2.4 加权大气光强 |
| 2.2.5 图像去雾还原 |
| 2.3 去雾效果质量评价指标 |
| 2.3.1 主观分析 |
| 2.3.2 客观分析 |
| 2.4 去除车牌图像中的雾霾 |
| 2.5 本章小结 |
| 第三章 车牌定位技术 |
| 3.1 传统的车牌定位 |
| 3.1.1 基于边缘检测的车牌定位 |
| 3.1.2 基于颜色分割的车牌定位 |
| 3.1.3 基于小波变换的车牌定位 |
| 3.1.4 基于遗传算法的车牌定位 |
| 3.1.5 基于数学形态学的车牌定位 |
| 3.1.6 基于灰度图像纹理特征分析的车牌定位 |
| 3.2 边缘检测与数学形态学结合的车牌定位法 |
| 3.2.1 图像预处理 |
| 3.2.2 图像边缘检测及二值化 |
| 3.2.3 数学形态运算 |
| 3.2.4 实验结果 |
| 3.3 本章小结 |
| 第四章 车牌字符分割技术 |
| 4.1 传统车牌字符分割算法 |
| 4.1.1 基于模板匹配的分割算法 |
| 4.1.2 提取连通域的分割算法 |
| 4.1.3 基于颜色特征的分割算法 |
| 4.1.4 基于先验知识的分割算法 |
| 4.1.5 基于投影法的分割算法 |
| 4.2 基于先验知识约束的投影分割算法 |
| 4.2.1 车牌倾斜校正 |
| 4.2.2 车牌图像二值化及擦除边框 |
| 4.2.3 先验知识约束下的垂直投影分割 |
| 4.2.4 字符归一化 |
| 4.3 本章小结 |
| 第五章 车牌字符识别技术 |
| 5.1 字符特征值提取 |
| 5.1.1 十三点特征提取法 |
| 5.1.2 垂直方向统计特征提取法 |
| 5.1.3 骨架特征提取法 |
| 5.1.4 结构特征提取法 |
| 5.1.5 逐像素特征提取法 |
| 5.2 常见的字符识别方法 |
| 5.2.1 模板匹配法 |
| 5.2.2 特征匹配法 |
| 5.2.3 神经网络识别法 |
| 5.3 一种改进的BP神经网络算法 |
| 5.3.1 神经网络理论基础 |
| 5.3.2 神经网络设计 |
| 5.3.3 一种改进的BP神经网络 |
| 5.3.4 识别结果 |
| 5.4 雾霾天气下车牌识别实验分析 |
| 5.4.1 去雾处理实验分析 |
| 5.4.2 车牌识别实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）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 |
（5）基于神经网络的车牌识别算法研究（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 车牌识别研究现状 |
| 1.2.2 神经网络研究现状 |
| 1.3 我国车牌特征及识别难点 |
| 1.3.1 车牌特征 |
| 1.3.2 车牌识别难点 |
| 1.4 论文主要工作和结构安排 |
| 1.4.1 论文主要工作 |
| 1.4.2 论文章节安排 |
| 2 车牌定位 |
| 2.1 车牌图像预处理 |
| 2.1.1 彩色图像灰度化 |
| 2.1.2 图像的平滑滤波 |
| 2.2 常用车牌定位算法 |
| 2.2.1 基于数学形态学的车牌定位算法 |
| 2.2.2 基于颜色信息的车牌定位算法 |
| 2.2.3 基于边缘信息的车牌定位算法 |
| 2.2.4 基于机器学习的车牌定位算法 |
| 2.3 基于边缘检测和数学形态学的车牌定位算法 |
| 2.4 实验结果以及分析 |
| 2.5 本章小结 |
| 3 车牌字符分割 |
| 3.1 车牌图像二值化 |
| 3.2 车牌倾斜矫正 |
| 3.3 常用车牌字符分割算法 |
| 3.4 改进的垂直投影分割 |
| 3.5 实验结果以及分析 |
| 3.6 本章小结 |
| 4 卷积神经网络 |
| 4.1 卷积神经网络介绍 |
| 4.1.1 卷积神经网络特点 |
| 4.1.2 卷积神经网络基本结构 |
| 4.2 卷积神经网络训练 |
| 4.2.1 学习规则 |
| 4.2.2 训练方式 |
| 4.2.3 权值初始化 |
| 4.2.4 学习率 |
| 4.2.5 收敛条件 |
| 4.3 本章小结 |
| 5 基于卷积神经网络的车牌字符识别 |
| 5.1 LeNet-5 网络介绍 |
| 5.2 基于改进的DLeNet-5 的字符识别 |
| 5.2.1 DLeNet-5对LeNet-5 的改进 |
| 5.2.2 DLeNet-5 的具体结构 |
| 5.2.3 数据集的获取 |
| 5.2.4 算法实现描述 |
| 5.3 实验结果以及比对 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间的主要研究成果 |
| 致谢 |
（6）基于图像处理的雾天车牌识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究的背景与意义 |
| 1.2 研究现状 |
| 1.2.1 图像去雾技术研究现状 |
| 1.2.2 车牌识别技术研究现状 |
| 1.3 研究思路与内容 |
| 第2章 图像去雾技术 |
| 2.1 雾霾的成因和机制 |
| 2.2 常见图像去雾算法 |
| 2.2.1 基于Retinex理论的去雾算法 |
| 2.2.2 基于暗原色先验的去雾算法 |
| 2.3 去雾算法仿真对比 |
| 2.4 改进的暗原色先验去雾算法 |
| 2.5 去雾算法评价指标 |
| 2.6 改进去雾算法仿真 |
| 2.7 本章小结 |
| 第3章 车牌定位技术 |
| 3.1 车牌特征确认 |
| 3.2 车牌定位预处理 |
| 3.2.1 图像灰度化 |
| 3.2.2 灰度变换 |
| 3.2.3 图像去噪 |
| 3.2.4 边缘检测 |
| 3.3 车牌定位 |
| 3.3.1 常用车牌定位方法 |
| 3.3.2 数学形态学理论 |
| 3.3.3 基于数学形态学和像素扫描法的车牌定位 |
| 3.4 本章小结 |
| 第4章 车牌字符分割 |
| 4.1 车牌倾斜校正 |
| 4.2 车牌图像二值化 |
| 4.3 车牌图像形态学处理 |
| 4.4 车牌上下边框去除 |
| 4.5 基于垂直投影法的车牌字符分割 |
| 4.6 本章小结 |
| 第5章 车牌字符识别 |
| 5.1 常用字符识别方法 |
| 5.2 基于改进的BP神经网络车牌字符识别 |
| 5.2.1 字符特征提取 |
| 5.2.2 BP神经网络简介 |
| 5.2.3 遗传算法(GA)简介 |
| 5.2.4 BP神经网络模型 |
| 5.2.5 BP神经网络设计 |
| 5.3 车牌识别仿真结果 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（7）基于BP算法的车牌识别与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 绪论 |
| 1.1 课题研究的意义 |
| 1.2 现状和趋势 |
| 1.2.1 国外的现状 |
| 1.2.2 国内的现状 |
| 1.2.3 存在的问题 |
| 1.2.4 中国车牌 |
| 1.3 论文的主要内容 |
| 2. 图像预处理 |
| 2.1 图像灰度化 |
| 2.2 图像增强 |
| 2.2.1 灰度拉伸 |
| 2.2.2 图像平滑 |
| 2.3 边缘检测 |
| 2.4 本章小结 |
| 3. 车牌定位 |
| 3.1 基本流程图 |
| 3.2 基于数学形态学的定位 |
| 3.2.1 数学形态学的介绍 |
| 3.2.2 基于数学形态学的运算 |
| 3.3 基于投影法的定位 |
| 3.4 对定位后的图像倾斜校正 |
| 3.4.1 倾斜校正模式 |
| 3.4.2 Radon变换的原理 |
| 3.5 本章小结 |
| 4. 字符分割 |
| 4.1 字符分割的方法 |
| 4.2 图像预处理 |
| 4.2.1 图像二值化 |
| 4.2.1.1 Otsu二值化算法 |
| 4.2.1.2 改进的Otsu二值化算法 |
| 4.2.2 去除边框和铆钉 |
| 4.2.3 投影法字符分割 |
| 4.3 字符归一化 |
| 4.4 本章小结 |
| 5. 字符识别 |
| 5.1 字符特征提取 |
| 5.2 模板匹配法 |
| 5.3 BP神经网络法 |
| 5.3.1 BP神经网络简介 |
| 5.3.2 BP神经网络算法的思想 |
| 5.3.3 BP神经网络的改进 |
| 5.3.3.1 附加动量因子 |
| 5.3.3.2 自适应学习步长 |
| 5.3.3.3 综合法 |
| 5.4 BP神经网络的设计 |
| 5.5 Matlab Gui界面 |
| 5.6 实验数据和分析 |
| 5.7 本章小结 |
| 6. 系统应用 |
| 6.1 智能停车场中的系统结构 |
| 6.2 系统硬件 |
| 6.3 系统软件 |
| 6.4 智能停车场的优势 |
| 6.5 本章小结 |
| 7. 总结与展望 |
| 7.1 论文总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
（8）雾霾天气中车牌号码识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1、课题研究的背景和意义 |
| 1.2、国内外的研究现状 |
| 1.2.1 图像增强的去雾方法 |
| 1.2.2 图像复原去雾方法 |
| 1.3、论文的章节安排 |
| 第二章 雾霾天气中物体的成像模型 |
| 2.1 雾霾的介绍 |
| 2.2 雾霾天气下的成像原理 |
| 2.3 大气入射光衰减模型 |
| 2.4 本章小结 |
| 第三章 融合retinex和暗通道的去雾处理算法 |
| 3.1 Retinex理论简介 |
| 3.1.1 色彩恒常理论 |
| 3.1.2 Retinex理论的算法流程 |
| 3.2 单尺度Retinex(SSR)算法 |
| 3.2.1 SSR算法的简介 |
| 3.2.2 单尺度Retinex算法的仿真流程 |
| 3.3 多尺度Retinex(MSR)算法 |
| 3.3.1 多尺度Retinex算法介绍 |
| 3.3.2 多尺度Retinex算法的流程 |
| 3.4 改进后的单尺度retinex去雾算法 |
| 3.4.1 图像的边缘的增强 |
| 3.4.2 拟合函数的运用 |
| 3.4.3 算法流程 |
| 3.5 融合改进后单尺度Retinex与暗通道的去雾算法 |
| 3.5.1 暗通道先验算法理论 |
| 3.5.2 算法融合流程 |
| 3.5.3 图像去雾算法评价指标 |
| 3.5.4 融合算法的效果评价 |
| 3.6 本章小结 |
| 第四章 车牌图像的定位与车牌分割 |
| 4.1 车牌的特征 |
| 4.2 车牌定位前的处理 |
| 4.2.1 车牌边缘检测 |
| 4.2.3 二值化 |
| 4.3 车牌定位 |
| 4.3.1 常用定位算法 |
| 4.3.2 数学形态学理论 |
| 4.3.3 合并方法定位 |
| 4.4 常用的车牌字符分割算法 |
| 4.4.1 基于投影的车牌分割算法 |
| 4.4.2 基于模板匹配的字符分割算法 |
| 4.4.3 基于聚类分析法的字符分割算法 |
| 4.5 本文实现的车牌字符分割算法 |
| 4.5.1 车牌图像二值化 |
| 4.5.2 车牌校正 |
| 4.5.3 字符分割 |
| 4.6 本章小结 |
| 第五章 基于BP神经网络的车牌字符识别 |
| 5.1 BP神经网络原理 |
| 5.1.1 BP神经网络识别算法分析 |
| 5.1.2 基于BP神经网络的字符识别 |
| 5.2 车牌字符识别方法介绍 |
| 5.2.1 基于特征统计的识别方法 |
| 5.2.2 基于模板匹配的识别方法 |
| 5.2.3 基于神经网络的识别方法 |
| 5.3 车牌字符识别实验 |
| 5.3.1 车牌识别系统 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）基于支持向量机和深度学习的车牌识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与论文结构 |
| 1.4 本章小结 |
| 第2章 车牌定位算法研究 |
| 2.1 常见的车牌定位方法 |
| 2.1.1 基于车牌边缘特征的定位方法 |
| 2.1.2 基于车牌颜色特征的定位方法 |
| 2.2 基于边缘、颜色和文字结合的车牌定位 |
| 2.2.1 边缘特征法 |
| 2.2.2 颜色特征法 |
| 2.2.3 文字特征法 |
| 2.3 本章小结 |
| 第3章 SVM模型的有效车牌判断方法研究 |
| 3.1 基础知识 |
| 3.1.1 逻辑回归 |
| 3.1.2 支持向量机 |
| 3.1.3 一类和多类SVM |
| 3.2 SVM训练和测试 |
| 3.2.1 学习数据 |
| 3.2.2 数据标签 |
| 3.2.3 数据分组及训练 |
| 3.2.4 数据测试及评价指标 |
| 3.3 车牌定位测试 |
| 3.3.1 包含多张车牌的定位 |
| 3.3.2 夜间车灯照射下的定位 |
| 3.3.3 车牌自身存在污渍且车牌颜色和车身颜色相近时的定位 |
| 3.3.4 大雾天气时的定位 |
| 3.3.5 冰雪天气时的定位 |
| 3.3.6 车牌拍摄角度存在偏斜的定位 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 车牌字符分割算法研究 |
| 4.1 常见的字符分割方法 |
| 4.1.1 基于模板匹配的字符分割方法 |
| 4.1.2 基于垂直投影的字符分割方法 |
| 4.1.3 基于先验知识的字符分割方法 |
| 4.2 基于车牌字符轮廓和先验知识的字符分割方法 |
| 4.2.1 车牌预处理 |
| 4.2.2 车牌字符分割 |
| 4.2.3 车牌字符归一化 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第5章 车牌字符识别算法研究 |
| 5.1 深度学习工具及部署 |
| 5.1.1 深度学习框架的选择 |
| 5.1.2 运行环境部署 |
| 5.2 基于传统人工神经网络的字符识别 |
| 5.2.1 M-P模型 |
| 5.2.2 感知器 |
| 5.2.3 BP神经网络 |
| 5.3 基于深度学习的字符识别 |
| 5.3.1 卷积神经网络的结构 |
| 5.3.2 卷积层 |
| 5.3.3 池化层 |
| 5.3.4 全连接层 |
| 5.3.5 卷积神经网路参数的整定 |
| 5.3.6 LeNet-5模型改进 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（10）基于PLC的智能立体停车管理系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究目的和意义 |
| 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 研究内容 |
| 第2章 智能立体停车管理系统总体设计 |
| 2.1 立体车库的分类及选型 |
| 2.1.1 立体车库的分类 |
| 2.1.2 立体车库的选型 |
| 2.2 升降横移式停车系统的工作原理 |
| 2.3 立体停车系统总体结构 |
| 2.4 立体停车系统机械部分组成 |
| 2.4.1 托盘装置 |
| 2.4.2 传动装置 |
| 2.4.3 安全防护装置 |
| 2.4.4 钢架结构 |
| 2.5 立体停车系统自动控制部分组成 |
| 2.6 智能立体停车管理系统总体设计方案 |
| 2.7 本章小结 |
| 第3章 基于BP神经网络算法的车牌识别 |
| 3.1 车牌识别简介 |
| 3.2 车牌图像采集及预处理 |
| 3.2.1 车牌图像采集 |
| 3.2.2 车牌图像预处理 |
| 3.3 车牌定位方法 |
| 3.4 车牌字符的分割 |
| 3.5 基于BP神经算法的字符识别 |
| 3.5.1 BP神经网络简介 |
| 3.5.2 车牌字符的组成及特征提取 |
| 3.5.3 字符识别BP神经网络的设计 |
| 3.5.4 字符识别BP神经算法的实现 |
| 3.5.5 字符识别BP神经算法的仿真 |
| 3.6 本章小结 |
| 第4章 智能立体停车管理系统的硬件设计 |
| 4.1 硬件选择 |
| 4.1.1 可编程控制器的选型 |
| 4.1.2 触摸屏的选择 |
| 4.1.3 传感器的选择 |
| 4.1.4 电机的选择 |
| 4.2 I/O口地址分配 |
| 4.3 安全保护设备及PLC外围接口设计 |
| 4.4 本章小结 |
| 第5章 智能立体停车管理系统的软件设计 |
| 5.1 组态软件的应用需求 |
| 5.1.1 WINCC Flexible组态软件概述 |
| 5.1.2 组态画面设计 |
| 5.1.3 组态变量列表 |
| 5.2 触摸屏和PLC的通讯 |
| 5.3 软件设计流程 |
| 5.4 上位机功能实现 |
| 5.5 本章小结 |
| 第6章 系统测试 |
| 6.1 PLC程序部分调试 |
| 6.1.1 软件仿真 |
| 6.1.2 程序调试 |
| 6.2 触摸屏程序部分调试 |
| 6.3 系统调试 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录1 ：2、4、5号车位存取车程序梯形图 |
| 附录2 :手动存取车程序梯形图 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
四、基于改进的BP神经网络进行车牌定位的研究（论文参考文献）
- [1]基于GASA-BP神经网络雾霾天气下车牌识别方法研究[D]. 李非. 东北石油大学, 2021
- [2]智能车库管理系统设计研究[D]. 叶聪. 华东交通大学, 2020(06)
- [3]雾霾天气下车牌识别的技术研究[D]. 杨洋. 太原理工大学, 2020(07)
- [4]特殊环境下的车牌识别算法[D]. 杨士东. 东北石油大学, 2020(03)
- [5]基于神经网络的车牌识别算法研究[D]. 黄彩霞. 江西财经大学, 2020(11)
- [6]基于图像处理的雾天车牌识别算法研究[D]. 张然. 成都理工大学, 2020(04)
- [7]基于BP算法的车牌识别与应用[D]. 吴海雯. 扬州大学, 2019(06)
- [8]雾霾天气中车牌号码识别研究[D]. 崔世杰. 华南理工大学, 2019(06)
- [9]基于支持向量机和深度学习的车牌识别技术研究[D]. 阳光. 成都理工大学, 2019(02)
- [10]基于PLC的智能立体停车管理系统研究[D]. 闫伟. 吉林建筑大学, 2019(01)