车牌定位毕业论文

从根本上讲，车牌定位的算法分为三类，一类是基于边缘的，一类是基于颜色的，一类是基于机器学习的，从实验结果可看出，基于边缘的最简单也最有效，如果对于收费站和小区的应用，做到99%以上的检测率不是件难事，但如果场景复杂一点，误检会比较多，但并不会漏掉真正的车牌，只是虚警率高点，可以通过先验知识、颜色和后面的分割加以去除，误检不是重点。基于颜色的定位算法，从根本上讲也可以算是基于边缘的一种，无非是利用彩色边缘或者灰度图像边缘和颜色一起来定位，基于颜色的车牌定位算法用于高清图片效果不错，对于一般的场景我认为没必要用颜色进行定位，但初期用颜色先去除一些明显不是车牌的区域还是比较有效的。基于机器学习的算法进行车牌定位或者说检测，关键是找到好的特征和好的训练方法，不少人利用adaboost+haar特征进行车牌检测，从我的实验结果来看，检测率也能达到99%以上，但同时虚警率也非常高，会出现很多误检，而且很难把车牌的区域完整的检测出来，所以如果单独要用机器学习的算法还是不太可行，不过可以先利用边缘信息找到候选区域，然后用adaboost去去除非车牌区域，这个效果还是蛮不错的。对于边缘的检测，如果车牌在图像中占的比例不是很小，普通的差分和全局二值化就可以达到很好的效果，如果对于高清图像（譬如要检测几个车道）或者场景很复杂，导致车牌所占图像的比例很小，还有就是车牌处于比较暗的地方，而整个场景很亮，这个时候差分得到的边缘就不会很丰富，如果利用全局二值化就可能导致车牌区域检测不到边缘，解决办法一就是对图像进行灰度拉伸或增强，解决办法二就是换边缘检测的方法（譬如sobel），解决办法三就是改进二值化的方法。对于图像增强的方法我要特别提一下直方图均衡化，很多论文上都会说对输入图片先进行直方图均衡化，但我的实验发现，晚上的图片如果进行直方图均衡化操作后会导致噪点特别多，而且可能会导致车牌区域检测不到边缘，总之图像增强是一把双刃剑，需要慎重考虑。如果利用边缘进行定位，关键是要想办法一定要检测出车牌区域的边缘。总结一下车牌定位，利用边缘是王道，可以先粗检再精检，颜色可以用于精定位和去除误检，机器学习如果想要好的结果得需要好的特征，但目前好像还没有。我个人认为车牌定位的难点不在于找到车牌区域，而在于怎么对车牌区域进行更精确的定位，而精定位的难点在于左右精定位，以便于后面的分割算法。

电子邮件客户端软件(C#) 论文+客户管理系统+客户关系管理系统等一系列计算机毕业论文摘要电子邮件在当今社会中扮演了一个很重要的角色。越来越多的人在使用它。而且用它的人数势必会继续增加。虽然，现在已经有很多的邮件收发软件例如著名的FoxMail 但是对于大多数的非专业的人来说它还是有点难度稍嫌负责。因此，我们就利用SMTP和Pop协议从底层开发了这个软件。SMTP全称是简单邮件传输协议，它专门用来发送邮件用的。Pop全称是邮局协议，是专门用于接收邮件的。

这个 文字不是一般的多 建议你还是去下载研究生的论文和期刊吧，如果懒的话，百度文库里找，就有很多了1) 基于车牌图像色彩信息定位法[12]。我国车牌主要由四种类型组成:蓝底白字、黄底黑字、白底红字和黑底白字。根据车牌底色信息可以准确地定位出车牌的边界。该方法识别滤高、适应性强，但易受光照条件和背景干扰且运算量一般较大，不适合用于实时性要求高的环境中。2) 基于边缘检测的定位法[13]。 车牌字符区域灰度频率变化是车牌区域最稳定的特征，可以利用它的变化来进行车牌定位。首先对车辆图像进行增强，然后再进行边缘提取，最后利用水平扫描线等方法进行车牌区域的检测。该类方法的定位准确率较高，反映时间快，能有效去掉噪声，适合于背景较复杂的车辆图像。但是对车牌严重褪色的情况，由于检测不到字符笔画的边缘会导致定位失败。3) 基于车牌几何特征车定位法[14]。我国车牌标准外轮廓尺寸为440*140且为矩形，整个车牌的宽高比近似为3: 1。利用这种固有特征进行车牌边框提取车牌。这类方法只在车牌位置基本保持水平，同时边框清晰明显时才有效，但若车牌本身的边框是断裂，残缺的或采集到的图像偏离水平角度较大，都会影响定位的准确性，故使用范围较窄。4) 基于频谱分析的车牌定位法[15]。该类方法将图像从空间域变换到频率域进行分析，如DFT变换法和采用小波变换法等。小波分析可以在不同的分辨率层次上对图像进行分割，在低分辨率层次上进行粗分割，这样节约时间同时为细分割缩小检测范围。而在高分辨率层次上实现车牌区域的准确定位。但当车辆图像中存在燥声时，会对准确识别车牌区域带来很大的干扰，影响车牌定位的准确性。