外文资料翻译---车牌识别
毕业设计(论文)外文资料翻译
学院：电子与电气学院
专业：电子信息工程
姓名：
学号：
License plate recognition
外文出处：
(用外文写)Louka Dlagnekov, Serge Belongie 附件： 1.外文资料翻译译文；2.外文原文。
注：请将该封面与附件装订成册。
附件1：外文资料翻译译文
《车牌识别》
摘要：车牌号码识别（LPR）的研究是一个相当重要的问题，这一系统已经是商业运作系统的几个重要组成部分之一。然而许多类似系统需要复杂的视频采集硬件并且需要与红外闪光灯利用技术相结合，用以形成大尺寸车牌在某些区域和（人工）字符鉴别。在本文中，我们描述了一个车牌识别系统，这一系统实现了高质量的视频信号分辨，具备较高的识别率而且不需要昂贵的硬件。我们也探讨了汽车制造和模式识别问题，其目的在于搜寻用于部分车牌号码监控并与录像档案馆联合一些汽车视觉描述系统。我们的提出的方法将提供给民间基础设施宝贵的信息，并提供以各种情境为执法对象的信息。
1、简介
车牌识别问题（LPR）被广泛认为是与许多系统急待解决的问题之一。一些较为著名的是为伦敦交通拥挤而设置的收费系统，以及为美国海关边境巡逻任务开发的系统，还有在加拿大和美国的部分收费公路用于执法的收费系统。虽然向公众发布了一些关于商业的准确性细节，但是部署的车牌识别系统仅仅在可操作的条件下才能正常工作。因而，他们有两个主要缺点是我们可以解决的：
首先，他们需要高解析度成像，需要有专门的硬件。大多数的学术研究在这方面也需要高清晰度图像或依赖于特殊地理位置的车牌，并考虑下到这些地区的人和实物因素，甚至是一些常见的误读字符和特殊字符。
其次，具有一定性质的LPR系统可以当作是汽车的指纹车牌。换句话说，确定车辆的身份完全基于附带的车牌。可以想见，这种情况下需要考虑两个板块从完全不同的品牌和型号的汽车被调换的情况，在这种情况下，这些系统将无法发现这一问题。我们作为分辨者也不太会容易分辨汽车的车牌号码，除非汽车很接近我们的。我们也不能非常容易的记忆所有字符。然而，我们能够识别和记忆的汽车外观，，即使当汽车正在加速离开我们。事实上，信息记忆表现出这样了一种迹象，首先是汽车的品牌和型号，只有那么它的车牌号码，有时甚至不是一个完整的号码。因此，考虑到汽车的外观描述和部分车牌号，当局应该能够查询他们对类似的车辆监控系统和检索时，该车辆失踪与当时存档的录像资料以及时间记号。
在本文中，我们描述了一个车牌识别方法，执行良好，而且不需要使用昂贵的成像硬件，同时可以用于探索汽车制造商和型号识别（MMR）。由于车牌的互补性和品牌和型号的信息不同，使用时需要考虑分辨能力，不仅具备高精度文字分辨能力，而且具备更强能力的汽车监控系统。
2、车牌侦测
在任何物体识别系统中，有两个需要加以解决的重大问题 - 即检测到场景中的对，并且认识它，检测是一个重要的先决条件。我们进入车牌检测问题则作为一个文本提取的问题[5]。该检测方法可作如下描述。窗口大约一个车牌图像的尺寸，被安置在每个视频流和帧的图像内容作为输入传递给一个分类器，如果窗口包含一个车牌其输出为1否则为0。然后把放置在画面中的车牌和候选地点的所有可能的地点记录该在类并输出一览表。而实际上，这种分类，我们需要一个强大的分类器，存在许多弱分类，针对于不同功能的专门牌照，从而使每一个更为准确的分辨出来。这种有效的分类器采用AdaBoost算法，因为它们只需要超过50％的准确度，AdaBoost的选择最佳的现象并从弱分类设置，每一个单一的功能都能用弱分类器实现。
3、品牌和型号识别
由于与车牌识别问题，探测车的第一步，品牌和型号进行识别（MMR）。为此，我们可以应用运动分割方法估算的感兴趣区域（ROI），其中包含了汽车。相反，我们决定使用作为存在和一个视频流中车辆的位置显示检测到的车牌位置，并为作物识别汽车的投资回报率。这种方法也将是有益品牌和型号的静态影像，那里的分割问题是比较困难的。
3.1字符识别
应用二值化算法，这是我们最初的意图，如对尼布莱克算法的修改后的版本由陈和尤尔[5]用于提取牌照从我们的检测器板的图像，然后使用商业二元化的形象OCR 的包作为输入。我们发现，即使我们尝试在104 × 31的OCR软件包决议也产生了非常糟糕的结果。也许这不应该作为许多定制的OCR车牌识别系统在现有的解决方案考虑。
除非在阅读文字手写的形式,然后对分割图像进行识别，这是与OCR软件来分割共同的特点。市场细分最简单的方法通常涉及的行和列像素，并把部门在当地最小的投影功能的投影。在我们的数据中，分辨率太低可依靠分割字符以这种方式解
决，因此，我们决定采用模板匹配，而不是简单的匹配，它可以同时找到两个位置的人物和他们的身份。
该算法可描述如下：对于每个字符的例子，我们搜索在车牌图像模板的图像中所有可能的偏移量，并记录前N最佳匹配。的搜索是通过使用标准化互相关（NCC）的，以及关于评分阈值的位置，然后才考虑一个可能匹配的应用。如果有多个字符匹配一个地区的平均字符的大小，选择具有较高的相关性特征，具有较低的相关性字符将被丢弃。一旦所有的模板已检索，发现每个地区的特点是从左向右形成一个字符串。 N是对车牌图像分辨率的依赖性，应当选择恰当，并不是所有的N场比赛是在一个单一的字符相同的字符时，多次出现在图像里，所以，并非所有地区都可能处理。这种方法似乎效率不高，但是，认识过程的一类二阶时的时间为104 × 31分辨率，我们是可以接受的这一范围的。
4、数据集
我们会自动生成运行在几个小时的视频数据检测和跟踪车牌和种植400 × 220像素周围的每个跟踪序列中的车牌架固定窗口的大小的汽车图像数据库。这种方法产生的图像，其中1,140辆各品牌和型号的大小都大致相同。该作物窗口位置，这样的车牌是在底部的第三个中心的外形。我们选择这个作为参考点，以确保匹配的正确性，完成的只有车的提取而不是背景的提取。如果我们为中心的车牌纵向和横向的汽车，车牌装在他们的保险杠会在图像中出现道路的图像。
在收集这些图片，我们手动指定品牌，型号和年份标签的1,140张图片中的790。我们无法标签其余350张图像由于我们与这些汽车不很熟悉的。我们经常做的汽车的网站来确定汽车的制造和使用。该网站允许用户输入检查汽车号码检测是否已通过最近的烟雾检查。对于每个查询，该网站返回烟雾的历史以及汽车的品牌和型号说明如果可用。美国加利福尼亚州要求所有车辆超过三年以上才能通过烟雾检查每二年。因此，对我们个人的经验而言，他们依靠标签查询汽车。
我们分成查询设置1,140标记图像和数据库设置。查询集包含选择代表了38
多种品牌和型号的图像类，与相同品牌和型号，但不同年份多个查询在某些情况下，为了捕捉随着时间的推移变化的模型设计。我们评估在数据库中找到的查询每个图像的最佳匹配的识别方法每场演出。
4.1 SIFT特征匹配
尺度不变特征变换（SIFT）特征洛韦最近开发的是不变的规模，甚至部分不变旋转和光照差异，这使得它们也适合用于识别物体。我们采用SIFT特征匹配的孕产妇死亡率问题如下：
1．为每个图像D的数据库和查询影像q时，执行关键点定位和描述符的任务。
2.对于每个数据库图像D：
（一）对于每一个关键点克勤Q中找到关键点在D第纳尔具有最小的L2距离，并至少有一个最近的描述距离较小的因素。如果没有这样的科威特第纳尔存在，检查下克勤的理论不成立。
（二）计数的n的成功匹配在描述号码d.
3. e选择具有最大的N和认为的最佳匹配。
5、结果
对SIFT匹配算法产生上述的查询设置了89.5％的识别率。对于在集合测试一些疑问识别结果显示在图6。前10场比赛都是同一品牌和超过20的数据库中的一些类似的模型车的所有疑问。
SIFT特征匹配的查询大部分无法正确分类有5个或更少的条目类似的数据库了。对制造和相应的查询与数据库中的许多例子模型的结果，它是安全的假设，拥有品牌和型号，每类将提高识别率更多的例子。
附件2：外文原文（复印件）
License plate recognition
Abstract
License Plate Recognition (LPR) is a fairly well explored problem and is already a component of several commercially operational systems. Many of these systems, however, require sophisticated video capture hardware possibly combined with infrared strobe lights or exploit the large size oflicense plates in certain geographical regions and the (artificially) high discriminability of characters. In this paper,we describe an LPR system that achieves a high recognition rate without the need for a high quality video signalfrom expensive hardware. We also explore the problem of car make and model recognition for purposes of searchingsurveillance video archives for a partial license plate number combined with some visual description of a car. Our proposed methods will provide valuable situational information for law enforcement units in a variety of civil infrastructures.
1 Introduction
License plate recognition (LPR) is widely regarded to be a solved problem with many systems already in operation.
Some well-known settings are the London Congestion Charge program in Central London, border patrol duties by the U.S. Customs, and toll road enforcement in parts of Canada and the United States. Although few details are released to the public about the accuracy of commercially deployed LPR systems, it is known that they work well under controlled conditions. However, they have two main disadvantages which we address in this paper.
Firstly, they require high-resolution and sometimes specialized imaging hardware. Most of the academic research
in this area also requires high-resolution images or relies on geographically-specific license plates and takes advantage
of the large spacing between characters in those regions and even the special character
features of commonly misread characters.
Secondly, LPR systems by their nature treat lic ense plates as cars’ fingerprints. In other words, they determine a vehicle’s identity based solely on the plate attached to it. One can imagine, however, a circumstance where two plates from completely different make and model cars are swapped with malicious intent, in which case these systems would not find a problem. We as humans are also not very good at reading cars’ license plates unless they are quite near us, nor are we very good at remembering all the characters. However, we are good at identifying and remembering the appearance of cars, and therefore their makes and models, even when they are speeding away from us.
In fact, the first bit of information Amber Alert signs show is the car’s make and model and only then its license plate number, sometimes not even a complete number. Therefore, given the description of a car and a partial license plate number, the authorities should be able to query their surveillance systems for similar vehicles and retrieve a timestamp of when that vehicle was last seen along with archived video data for that time. In this paper, we describe an LPR method that performs well without the need for expensive imaging hardware and also explore car make and model recognition (MMR). Because of the complementary nature of license plate and make and model information, the use of MMR can not only boost the LPR accuracy, but allow for a more robust car surveillance system.
2 License Plate Detection
In any object recognition system, there are two major problems that need to be solved –that of detecting an object in a scene and that of recognizing it; detection being an important requisite. We approached the license plate detection problem as a text extraction problem [5]. The detection method can be described as follows. A window of interest, of roughly the dimensions of a license plate image, is placed over each frame of the video stream and its image contents are passed as input to a classifier whose output is 1 if the window appears to contain a license plate and 0 otherwise. The window is then placed over all possible locations in the frame and candidate license plate locations are recorded for which the classifier outputs a1. In reality, this classifier, which we shall call a strong classifier, weighs the decisions of many weak classifiers, each specialized for a
different feature of license plates, thereby making a much more accurate decision. This strong classifier is trained using the AdaBoost algorithm, and the weak classifiers are considered weak since they only need be over 50% accurate. Over several rounds, AdaBoost selects the best performing weak classifier from a set of weak classifiers, each acting on a single feature.
3 Make and Model Recognition
As with the license plate recognition problem, detecting the car is the first step to performing make and model recognition (MMR). To this end, one can apply a motion segmentation method to estimate a region of interest (ROI) containing the car. Instead, we decided to use the location of detected license plates as an indication of the presence and location of a car in the video stream and to crop an ROI of the car for recognition. This method would also be useful for make and model recognition in static images, where the segmentation problem is more difficult.
3.1 Character Recognition
It was our initial intent to apply a binarization algorithm, such as a modified version of Niblack’s algorithm as used by Chen and Yuille [5], on the extracted license plate images from our detector, and then use the binarized image as input to a commercial OCR package. We found, however, that even at a resolution of 104 × 31 the OCR packages we experimented with yielded very poor results. Perhaps this should not come as a surprise considering the many custom OCR solutions used in existing LPR systems.
Unless text to be read is in hand-written form, it is common for OCR software to segment the characters and then perform recognition on the segmented image. The simplest methods for segmentation usually involve the projection of row and column pixels and placing divisions at local minima of the projection functions. In our data, the resolution is too low to segment characters reliably in this fashion, and we therefore decided to apply simple template matching instead, which can simultaneously find both the location of characters and their identity.
The algorithm can be described as follows. For each example of each character, we search all possible offsets of the template image in the license plate image and record the top N best matches. The searching is done using normalized cross correlation (NCC), and
a threshold on the NCC score is applied before considering a location a possible match. If more than one character matches a region the size of the average character, the character with the higher correlation is chosen and the character with the lower correlation is discarded. Once all templates have been searched, the characters for each region found are read left to right forming a string. N is dependent on the resolution of the license plate image and should be chosen such that not all N matches are around a single character when the same character occurs more than once on a plate, and not too large so that not all possible regions are processed.
This method may seem inefficient, however, the recognition process takes on the order of half a second for a resolution of 104 × 31, which we found to be acceptable.
4 Datasets
We automatically generated a database of car images by running our license plate detector and tracker on several hours of video data and cropping a fixed window of size 400 × 220 pixels around the license plate of the middle frame of each tracked sequence. This method yielded 1,140 images in which cars of each make and model were of roughly the same size. The crop window was positioned such that the license plate was centered in the bottom third of the image. We chose this position as a reference point to ensure matching was done with only car features and not background features. Had we centered the license plate both vertically and horizontally, cars that have their plates mounted on their bumper would have exposed the road in the image.
After collecting these images, we manually assigned make, model, and year labels to 790 of the 1,140 images. We were unable to label the remaining 350 images due to our limited familiarity with those cars. We often made use of the California Department of Motor Vehicles’ web site to determine the makes and models of cars with which we were not familiar. The web site allows users to enter a license plate or vehicle identification number for the purposes of checking whether or not a car has passed recent smog checks. For each query, the web site returns smog history as well as the car’s make and model description if available. The State of California requires all vehicles older than three years to pass a smog check every two years. Therefore, we were unable to query cars that were three years old or newer and relied on our personal experience to label them.
We split the 1,140 labeled images into a query set and a database set. The query set contains 38 images chosen to represent a variety of make and model classes, in some cases with multiple queries of the same make and model but different year in order to capture the variation of model designs over time. We evaluated the performance of each of the recognition methods by finding the best match in the database for each of the query images.
4.1 SIFT Matching
Scale invariant feature transform (SIFT) features recently developed by Lowe [14] are invariant to scale, rotation and even partially invariant to illumination differences, which makes them well suited for object recognition. We applied SIFT matching to the problem of MMR as follows:
1. For each image d in the database and a query image q, perform keypoint localization and descriptor assignment.
2. For each database image d:
(a) For each keypoint kq in q find the keypoint kd in d that has the smallest L2 distance
to kq and is at least a factor of _ smaller than the distance to the next closest descriptor. If no such kd exists, examine the next kq.
(b) Count the number of descriptors n that successfully matched in d.
3. Choose the d that has the largest n and consider that the best match.
5 Results
The SIFT matching algorithm described above yielded a recognition rate of 89.5% on the query set. Recognition results for some of the queries in the test set are shown in Figure 6. The top 10 matches were all of the same make and model for some of the queries with over 20 similar cars in the database.
Most of the queries SIFT matching was not able to classify correctly had 5 or fewer entries similar to it in the database. Based on the results of queries corresponding to makes and models with many examples in the database, it is safe to assume that having more examples per make and model class will increase the recognition rate.
汽车车牌识别系统的设计文献综述
计算机图形学 课 程 设 计 题目名称：汽车车牌识别系统的设计综述班级： 学号： 学生姓名：
汽车车牌识别系统的设计综述 摘要 车牌的自动识别是计算机视觉、图像处理与模式识别技术在智能交通领域应用的重要研究课题之一, 是实现交通管理智能化的重要环节, 主要包括车牌识别、字符预处理和特征提取三个关键环节。 车牌识别包括车牌定位、灰度（或彩色）图像二值化、字符切分及字符识别等。 图像预处理包括图像灰度变换、图像增强、图像二值化、梯度锐化、噪声去除、倾斜度调整、车牌边框去除、字符分割、尺寸标准归一化、紧缩重排。 特征提取本文采用逐象素特征提取法来对支付进行识别。 理论上，本系统可以对中国大陆普通汽车车牌的字符进行识别。 关键词：车牌识别，图像预处理，特征提取
引言 1.1 问题概述 随着我国汽车产业的飞速发展，大量在公共场合的汽车需要得到监管，为了更好地进行管理，必须对车辆进行一种确认，而车牌识别就是其中最有效的确认方法，汽车车牌识别VLPR 是Vehicle License Plate Recognition 的简称，他是智能交通系统(Intelligent Transportation Systems，ITS)的一个重要组成部分。车牌识别技术的运用使得“大输入小输出”成为了可能——输入一幅很大存储量的图像，输出时仅仅是很小存储量的数字，这必然使得其在大量存储和管理数据库相连等方面有无可替代的优越性。车牌识别技术在高速公路收费站、路口监测(电子警察)、大型停车场等场所具有广阔的发展前景。 1.2 目的和意义 车牌识别LPR[1]是智能交通系统(ITS)的一个重要组成部分。在社会生活，治安管理等方面有很大的作用。车牌识别技术的运用使得“大输入小输出”成为了可能——输入一幅很大存储量的图像，输出时仅仅是很小存储量的数字，这必然使得其在大量存储和管理数据库相连等方面有无可替代的优越性。 由于光照、气候引起的车牌图像上字符光照不均，车牌本身污损造成的字符笔画不清和字符间粘连，汽车行驶速度较快，使拍摄出的车牌字符产生变形、模糊不清，因此图像需要增强。另外又由于拍摄角度及拍摄点的高度、路面的倾斜等情况造成了车牌图像的倾斜，从而需要对车牌进行校正。另外字符的识别也是一个重点问题。 1.3 思路和方法 借助数字图像处理和模式识别技术，我们对车牌图像依次进行以下处理：彩色的256 色的BMP 图进行灰度转换－>图像增强－>图像二值化－>梯度锐化（Roberts 梯度算子）->离散点噪声去除->倾斜度调整->边框切除->字符切割->字符尺寸归一化->字符紧缩重排->神经网络的字符识别，最后得出车牌字符。
外文翻译
Load and Ultimate Moment of Prestressed Concrete Action Under Overload-Cracking Load It has been shown that a variation in the external load acting on a prestressed beam results in a change in the location of the pressure line for beams in the elastic range.This is a fundamental principle of prestressed construction.In a normal prestressed beam,this shift in the location of the pressure line continues at a relatively uniform rate,as the external load is increased,to the point where cracks develop in the tension fiber.After the cracking load has been exceeded,the rate of movement in the pressure line decreases as additional load is applied,and a significant increase in the stress in the prestressing tendon and the resultant concrete force begins to take place.This change in the action of the internal moment continues until all movement of the pressure line ceases.The moment caused by loads that are applied thereafter is offset entirely by a corresponding and proportional change in the internal forces,just as in reinforced-concrete construction.This fact,that the load in the elastic range and the plastic range is carried by actions that are fundamentally different,is very significant and renders strength computations essential for all designs in order to ensure that adequate safety factors exist.This is true even though the stresses in the elastic range may conform to a recognized elastic design criterion. It should be noted that the load deflection curve is close to a straight line up to the cracking load and that the curve becomes progressively more curved as the load is increased above the cracking load.The curvature of the load-deflection curve for loads over the cracking load is due to the change in the basic internal resisting moment action that counteracts the applied loads,as described above,as well as to plastic strains that begin to take place in the steel and the concrete when stressed to high levels. In some structures it may be essential that the flexural members remain crack free even under significant overloads.This may be due to the structures’being exposed to exceptionally corrosive atmospheres during their useful life.In designing prestressed members to be used in special structures of this type,it may be necessary to compute the load that causes cracking of the tensile flange,in order to ensure that adequate safety against cracking is provided by the design.The computation of the moment that will cause cracking is also necessary to ensure compliance with some design criteria. Many tests have demonstrated that the load-deflection curves of prestressed beams are approximately linear up to and slightly in excess of the load that causes the first cracks in the tensile flange.(The linearity is a function of the rate at which the load is applied.)For this reason,normal elastic-design relationships can be used in computing the cracking load by simply determining the load that results in a net tensile stress in the tensile flange(prestress minus the effects of the applied loads)that is equal to the tensile strength of the concrete.It is customary to assume that the flexural tensile strength of the concrete is equal to the modulus of rupture of the
1外文文献翻译原文及译文汇总
华北电力大学科技学院 毕业设计（论文）附件 外文文献翻译 学号：121912020115姓名：彭钰钊 所在系别：动力工程系专业班级：测控技术与仪器12K1指导教师：李冰 原文标题：Infrared Remote Control System Abstract 2016 年 4 月 19 日
红外遥控系统 摘要 红外数据通信技术是目前在世界范围内被广泛使用的一种无线连接技术，被众多的硬件和软件平台所支持。红外收发器产品具有成本低，小型化，传输速率快，点对点安全传输，不受电磁干扰等特点，可以实现信息在不同产品之间快速、方便、安全地交换与传送，在短距离无线传输方面拥有十分明显的优势。红外遥控收发系统的设计在具有很高的实用价值，目前红外收发器产品在可携式产品中的应用潜力很大。全世界约有1亿5千万台设备采用红外技术，在电子产品和工业设备、医疗设备等领域广泛使用。绝大多数笔记本电脑和手机都配置红外收发器接口。随着红外数据传输技术更加成熟、成本下降，红外收发器在短距离通讯领域必将得到更广泛的应用。 本系统的设计目的是用红外线作为传输媒质来传输用户的操作信息并由接收电路解调出原始信号，主要用到编码芯片和解码芯片对信号进行调制与解调，其中编码芯片用的是台湾生产的PT2262，解码芯片是PT2272。主要工作原理是：利用编码键盘可以为PT2262提供的输入信息，PT2262对输入的信息进行编码并加载到38KHZ的载波上并调制红外发射二极管并辐射到空间，然后再由接收系统接收到发射的信号并解调出原始信息，由PT2272对原信号进行解码以驱动相应的电路完成用户的操作要求。 关键字：红外线；编码；解码；LM386；红外收发器。 1 绪论
车牌识别论文
《车牌识别系统》 车牌识别系统 摘要：文章从车牌定位、车牌字符分割和车牌字符识别 3个阶段对车牌识别技术进行了深入研究，并用MATLAB进行了仿真。 关键词：车牌识别，车牌定位，车牌字符分割 1 引言
车牌是一辆汽车独一无二的信息，因此，对车辆牌照的识别技术可以作为辨识一辆车最为有效的方法。随着 ITS(智能交通系统)的高速发展，对车牌识别技术的研究也随之发展。从根本上讲，牌照识别应用了先进的图像处理，模式识别，人工智能技术来获取，处理，解释，记录拍照的图像。目前，牌照识别技术已经广泛而成功的应用于高速公路的监测，电子收费，交通违规管理，安全停车管理，偷盗车辆辨识等重要领域。 车牌识别系统一般包括以下几个部分，见图1。 图1 车牌识别系统 主要研究内容如下: 1.车牌的定位研究。先进行图像的预处理，包括:RGB彩色图像的灰度化、图像灰度拉伸、图像边缘检测、灰度图的二值化等;车牌定位采用基于水平和垂直投影分布特征的方法。 2.字符分割的研究。先对定位后的车牌图像进行预处理，然后按照车牌的先验信息,用区域增长算法来确定候选车牌的字符区域。 3.字符识别的研究。对于提取出的单个字符，先进行归一化操作，再与给定的模板做对比，识别出字符。 2. 图像的定位 2.1 图像的预处理 一般情况下，由CCD采集到的图像会有不理想的情况，如光线过强，或者偏弱，这些都会对后续的图像处理产生一向。而且车牌位于车身下部，靠近散热片，对比度较差，此时若直接对灰度图像进行定位会有不小的困难，为了获得较好处理的灰度图像，在对CCD 采集的原始图像进行灰度化后，要对其灰度转换。 首先对图像灰度拉伸，使灰度级占据 0--255整个区域，这样做的目的是为了减少光线过强，或者偏弱时造成的灰度级过少．本文直接采用直方图均衡化，这样处理简单，运算量小，效果也较理想。 2.2 边缘提取
外文资料翻译_基于ASP校园论坛毕业设计_相关外文资料
网络课堂：一个大型互动远程教学平台 林，SW1，程，K L2，王，R3，周，H4和H5陈，S 1cs_lswaa@https://www.360docs.net/doc/c7299355.html,t.hk 2cs_cklaa@https://www.360docs.net/doc/c7299355.html,t.hk 3cs_wrx@https://www.360docs.net/doc/c7299355.html,t.hk 4cs_zhxaa@https://www.360docs.net/doc/c7299355.html,t.hk 5gchan@https://www.360docs.net/doc/c7299355.html,t.hk 香港科技大学计算机科学系 摘要： 传统上，为了与教员进行更好的交流互动，讲座一般在学生所处的教室进行。这种模式对于有些学生并不是很方便和划算，例如对于那些正在工作的、行动不便的、生活在偏远地区的，或者类似在SARS期间被社会隔离的人来说。 伴随着宽带互联网连接和无线媒体（Wi-fi 和 3G）的普遍渗透，我们开发了一个平台，让讲座可以通过互联网以交互方式进行。该项目被称为“网络课堂”，提供了一种类似于现今的传统教室，但学生们分布在互联网的教学体验。学生可以在任何时间任何地点使用他们的 PC 或便携式计算机通过互联网和无 线媒体向他们的导师提问题。视频、音频、以及白板也流向实时的用户终端。利用现有现成的计算产品和最先进的网络技术，该系统可扩展到数百名学生。它具有成本效益，能够有效地突破地域限制让学生来听取讲座。使用该系统的学生传来的最初反馈是积极和鼓舞人心的。 关键词： 远距离学习，网络课堂，互动、教育、分布式系统、多媒体应用和通信网 引言 随着计算设备和计算机使用的巨大增长，人与人之间的地理距离已显著减少。简单举几个目前正在使用的互联网软件的例子：网络会议，网络电话，ICQ 聊天等等。利用这些，人们可以在世界的各个角落，与他人进行比以往任何时候都更经济、更有效地沟通。
近来，香港政府一直在努力推行“终身学习”的理念。然而，在香港的工作时间和生活节奏，让人们几乎不可能在一个固定的时间，固定的地点进行学习。在香港科技大学计算机科学系,我们已经开发了一个名为“网络课堂"的交互式远程学习平台。该项目旨在为广大学生提供现场讲座。它允许学生在任何时间任何地点通过任何一台计算机来参加课程。 我们在下图展示所开发的系统。它由学生的分布组成网络。教授可以通过互联网提供他/她的讲座录音和课件，也可以通过轮询与学生进行交流。 该平台有以下几个独特的功能和技术项目： 网络模块：我们设计并实现了一个传输机制，以便容纳成千上万没有强大的服务器的学生和客户的需要。我们的网络协议在最近召开的重大会议和研讨会上得以展示，并引起了广泛的关注。 2、音频模块：在该模块中音频能够被很好地传递给学生。在传递过程中，我们使用了一个高度压缩的音频，并不会占用大量的网络带宽，使用的编码标准称为G.723。 3、视频模块：我们已经实现了最新的H.264视频压缩编码技术。它在保证了视频的高质量的同时，对于网络和系统资源的使用显著减少了，也因此，这个软件的带宽的要求大大降低。 4、网络接口：这一部分的重点是支持一个网络接口。有了这项功能，学生
车牌识别英文文献2翻译
实时车辆的车牌识别系统 摘要 本文中阐述的是一个简炼的用于车牌识别系统的算法。基于模式匹配，该算法可以应用于对车牌实时检测数据采集，测绘或一些特定应用目的。拟议的系统原型已经使用C++和实验结果已证明认可阿尔伯塔车牌。 1.介绍 车辆的车牌识别系统已经成为在视频监控领域中一个特殊的热门领域超过10年左右。随着先进的用于交通管理应用的视频车辆检测系统的的到来，车牌识别系统被发现可以适合用在相当多的领域内，并非只是控制访问点或收费停车场。现在它可以被集成到视频车辆检测系统，该系统通常安装在需要的地方用于十字路口控制，交通监控等，以确定该车辆是否违反交通法规或找到被盗车辆。一些用于识别车牌的技术到目前为止有如BAM（双向联想回忆）神经网络字符识别[1]，模式匹配[2]等技术。应用于系统的技术是基于模式匹配，该系统快速，准确足以在相应的请求时间内完成，更重要的是在于阿尔伯塔车牌识别在字母和数字方位确认上的优先发展。由于车牌号码的字体和方位因国家/州/省份的不同而不同，该算法需要作相应的修改保持其结构完整，如果我们想请求系统识别这些地方的车牌。 本文其余部分的组织如下：第2节探讨了在识别过程中涉及的系统的结构和步骤，第3节解释了算法对于车牌号码的实时检测，第4节为实验结果，第5节总结了全文包括致谢和参考文献。 2.系统架构 系统将被用来作为十字路口的交通视频监控摄像系统一个组成部分来进行分析。图1显示了卡尔加里一个典型的交叉口。只有一个车牌用在艾伯塔，连接到背面的车辆照相机将被用于跟踪此背面车牌。 图1 卡尔加里一个的典型交叉口
系统架构包含三个相异部分：室外部分，室内部分和通信链路。室外部分是安装摄像头在拍摄图像的不同需要的路口。室内部分是中央控制站，从所有这些安装摄像头中，接收，存储和分析所拍摄图像。通信链路就是高速电缆或光纤连接到所有这些相机中央控制站。 几乎所有的算法的开发程度迄今按以下类似的步骤进行。一般的7个处理步骤已被确定为所有号牌识别算法[3] 共有。它们是： 触发：这可能是硬件或软件触发。硬件触发是旧的方式，即感应圈用于触发和这个表述了图像通过检测车牌的存在何时应该被捕获。硬件触发现在在操作上在许多地方被软件触发取代。在软件触发，图像分为区，通过图像对于分析的车辆的检测的执行。 图像采集：硬件或软件触发启动图像捕捉设备来捕捉和存储图像来进一步的分析。 车辆的存在：这一步是只需要如果在确认一定时间间隔后触发完成不需要知道车辆存在于捕获的图像中。这一步背景图像与捕获的图片作比较，并检测是否有任何重大改变。如果没有，拍摄的图像被忽略，否则进入到下一个步骤。 寻找车牌：此步骤是在捕获的图像中定位车牌。一些技术的可用于这一步，例如颜色检测[4]，特征分析[5]，边缘检测[6]等。在捕获的图像中的任何倾斜是纠正在这一步。一旦车牌已被定位，图像即准备进行字符识别。 字符分割：分割可以通过检测浓到淡或者淡到浓的过渡层。车牌中的每个灰色字符产生了一个灰色带。因此，通过检测类似灰度带每个字符可以被分割出来。 识别过程：这是光学字符识别的一步。一些技术可以被用于到这一步包括模式匹配[2]，特征匹配[7][8]和神经网络分类[9]。 发布过程：这是应用程序的特有的一步。根据应用此步骤可保存已被检测出来的车牌用于交通数据收集，尝试匹配号牌与被盗车辆数据库或在停车场中为认可停车的车辆打开汽车门等等。 3.算法 该算法用于在处理捕获的图像和车牌检测后的车牌字符识别。基于模式匹配，系统沿用了一个智能算法用于艾伯塔车牌字母和数字的识别。图2显示了一个艾伯塔省车牌样本其中包含三个字母，3个数字和破折号在内。所以通过基本的字符确认方法，模糊的字符比如有：数字'0'和字母'O'，数字'8'和字母'B已被解决。 此外，由于前三个字符是字母，所以只需与A-Z这一段的字母作比较比较。类似的，在最后三个字符，它门只需与0-9这一段数字作比较。
毕业设计外文翻译资料
外文出处： 《Exploiting Software How to Break Code》By Greg Hoglund, Gary McGraw Publisher : Addison Wesley Pub Date : February 17, 2004 ISBN : 0-201-78695-8 译文标题： JDBC接口技术 译文： JDBC是一种可用于执行SQL语句的JavaAPI（ApplicationProgrammingInterface应用程序设计接口）。它由一些Java语言编写的类和界面组成。JDBC为数据库应用开发人员、数据库前台工具开发人员提供了一种标准的应用程序设计接口，使开发人员可以用纯Java语言编写完整的数据库应用程序。 一、ODBC到JDBC的发展历程 说到JDBC，很容易让人联想到另一个十分熟悉的字眼“ODBC”。它们之间有没有联系呢？如果有，那么它们之间又是怎样的关系呢？ ODBC是OpenDatabaseConnectivity的英文简写。它是一种用来在相关或不相关的数据库管理系统（DBMS）中存取数据的，用C语言实现的，标准应用程序数据接口。通过ODBCAPI，应用程序可以存取保存在多种不同数据库管理系统（DBMS）中的数据，而不论每个DBMS使用了何种数据存储格式和编程接口。 1．ODBC的结构模型 ODBC的结构包括四个主要部分：应用程序接口、驱动器管理器、数据库驱动器和数据源。应用程序接口：屏蔽不同的ODBC数据库驱动器之间函数调用的差别，为用户提供统一的SQL编程接口。 驱动器管理器：为应用程序装载数据库驱动器。 数据库驱动器：实现ODBC的函数调用，提供对特定数据源的SQL请求。如果需要，数据库驱动器将修改应用程序的请求，使得请求符合相关的DBMS所支持的文法。 数据源：由用户想要存取的数据以及与它相关的操作系统、DBMS和用于访问DBMS的网络平台组成。 虽然ODBC驱动器管理器的主要目的是加载数据库驱动器，以便ODBC函数调用，但是数据库驱动器本身也执行ODBC函数调用，并与数据库相互配合。因此当应用系统发出调用与数据源进行连接时，数据库驱动器能管理通信协议。当建立起与数据源的连接时，数据库驱动器便能处理应用系统向DBMS发出的请求，对分析或发自数据源的设计进行必要的翻译，并将结果返回给应用系统。 2．JDBC的诞生 自从Java语言于1995年5月正式公布以来，Java风靡全球。出现大量的用java语言编写的程序，其中也包括数据库应用程序。由于没有一个Java语言的API，编程人员不得不在Java程序中加入C语言的ODBC函数调用。这就使很多Java的优秀特性无法充分发挥，比如平台无关性、面向对象特性等。随着越来越多的编程人员对Java语言的日益喜爱，越来越多的公司在Java程序开发上投入的精力日益增加，对java语言接口的访问数据库的API 的要求越来越强烈。也由于ODBC的有其不足之处，比如它并不容易使用，没有面向对象的特性等等，SUN公司决定开发一Java语言为接口的数据库应用程序开发接口。在JDK1．x 版本中，JDBC只是一个可选部件，到了JDK1．1公布时，SQL类包（也就是JDBCAPI）
毕业设计--基于单片机的车牌识别系统设计与实现
基于单片机的车牌识别系统设计与实现 目录 摘要 (2) 二、选题 (4) 三、系统主要特点 (5) 四、系统方案、实现原理 (6) 4.1 图像采集及存储格式 (8) 4.2 图像的灰度化 (8) 4.3 图像的二值化 (9) 4.4 车牌的去边框 (9) 4.5 图像的梯度锐化 (10) 4.6 字符分割算法 (11) 4.7 字符的归一化 (12) 4.8字符特征提取 (13) 4.9 字符识别算法 (15) 4.9.1 BP神经网络法 (15) 4.9.2 模板匹配法 (17) 五、操作说明与硬件框图 (18) 六、实验程序 (19) 七、数据统计分析 (66) 八、结果分析 (66) 九、实验心得 (66) 十、参考文献 (69)
摘要 伴随着世界各国汽车数量急剧增加，城市交通状况日益引起人们的重视，如何有效地进行交通管理，已成为越来越多人关注的焦点，解决这些问题的关键就是建立智能交通系统。车牌识别是智能交通系统的重要组成部分，它在交通控制与监视中有着多种用途，目前已广泛应用于各种领域。 本文将TMS320C54XX作为核心器件用于车牌自动识别系统中，完成车牌图像的采集、数字图像的处理、提取车牌信息并针对提取的特征对字符进行识别。首先分析了车牌识别系统实现的背景以及其实现意义。然后对实现车牌识别的硬件环境作简要介绍。接着对车牌识别过程中所涉及的边缘检测、字符分割、大小归一化等一系列数字图象处理技术进行进一步的详细分析。之后，对几种字符特征提取算法进行了对比分析，最后选取最适合的网格特征提取法，以此为基础进行模扳匹配，最终识别出车牌号码。 关键词：车牌提取；图象处理；车牌识别；单片机；模扳匹配
毕业设计外文资料翻译译文
附件1：外文资料翻译译文 包装对食品发展的影响 一个消费者对某个产品的第一印象来说包装是至关重要的，包括沟通的可取性，可接受性，健康饮食形象等。食品能够提供广泛的产品和包装组合，传达自己加工的形象感知给消费者，例如新鲜包装/准备，冷藏，冷冻，超高温无菌，消毒（灭菌），烘干产品。 食物的最重要的质量属性之一，是它的味道，其影响人类的感官知觉，即味觉和嗅觉。味道可以很大程度作退化的处理和/或扩展存储。其他质量属性，也可能受到影响，包括颜色，质地和营养成分。食品质量不仅取决于原材料，添加剂，加工和包装的方法，而且其预期的货架寿命（保质期）过程中遇到的分布和储存条件的质量。越来越多的竞争当中，食品生产商，零售商和供应商；和质量审核供应商有显着提高食品质量以及急剧增加包装食品的选择。这些改进也得益于严格的冷藏链中的温度控制和越来越挑剔的消费者。 保质期的一个定义是：在食品加工和包装组合下，在食品的容器和条件，在销售点分布在特定系统的时间能保持令人满意的食味品质。保质期，可以用来作为一个新鲜的概念，促进营销的工具。延期或保质期长的产品，还提供产品的使用时间，方便以及减少浪费食物的风险，消费者和/或零售商。包装产品的质量和保质期的主题是在第3章中详细讨论。 包装为消费者提供有关产品的重要信息，在许多情况下，使用的包装和/或产品，包括事实信息如重量，体积，配料，制造商的细节，营养价值，烹饪和开放的指示，除了法律准则的最小尺寸的文字和数字，有定义的各类产品。消费者寻求更详细的产品信息，同时，许多标签已经成为多语种。标签的可读性是为视障人士的问题，这很可能成为一个对越来越多的老年人口越来越重要的问题。 食物的选择和包装创新的一个主要驱动力是为了方便消费者的需求。这里有许多方便的现代包装所提供的属性，这些措施包括易于接入和开放，处置和处理，产品的知名度，再密封性能，微波加热性，延长保质期等。在英国和其他发达经济体显示出生率下降和快速增长的一个相对富裕的老人人口趋势，伴随着更加苛
基于模板匹配的车牌识别及matlab实现
科类理工类编号（学号）20082036 本科生毕业论文（设计） 基于模板匹配的车牌识别及matlab实现 License plate recognition based on template matching and matlab implementation 伏绍鸫 指导教师：朱玲职称讲师 农业大学黑龙潭650201 学院：基础与信息工程学院 专业：电子信息工程年级：2008级 论文（设计）提交日期：2012年5月答辩日期：2012年5月
答辩委员会主任：林楠 农业大学 2012年05 月
目录 摘要 (1) ABSTRACT (2) 1 前言 (3) 2 车牌识别系统分析 (4) 2.1 车牌识别的目的 (5) 2.2车牌识别现状分析 (5) 2.3车牌识别的意义 (6) 2.4 我国车牌分析 (7) 3 车牌识别系统的原理及方法 (8) 3.1车牌识别系统简述 (8) 3.2 车牌图像处理 (9) 3.2.1 图像灰度化 (9) 3.2.2 图像二值化 (10) 3.2.3边缘检测 (10) 3.2.4 图像闭运算 (12) 3.2.5图像滤波处理 (13) 3.4 车牌字符处理 (15) 3.4.1 阈值化分割原理 (15) 3.4.2 对车牌阈值化分割 (16) 3.4.3 字符归一化处理 (17) 3.5 字符识别 (17) 3.5.1 字符识别简述 (17) 3.5.2 字符识别的分类 (18) 3.5.3 基于模板匹配的字符识别 (19) 4 实验分析 (19) 4.1车牌定位过程及分析 (19) 4.2 车牌字符识别 (23) 4.3 车牌识别结果及分析 (26) 5 结论 (28) 参考文献 (29) 致 (29) 附录 (29)
人力资源管理系统毕业设计(论文)外文资料翻译(学生用)
理工学院毕业设计(论文)外文资料翻译 专业：信息管理与信息系统 姓名： 学号： 外文出处:American Journal of Industrial and (用外文写) Business Management,2013,3,497-506 附件： 1.外文资料翻译译文；2.外文原文。
附件1：外文资料翻译译文 开发人力资源信息系统对领导产生的积极作用 1引言 人力资源信息系统已经初步确定为研究区域，这项研究有助于开发一套人力资源信息系统以便取得更好的领导效果。人力资源信息系统的研究还处于早期阶段，它需要吸收多方面的知识，在实践中运用人力资源信息系统要从多个角度来考虑，因此，人力资源信息系统的研究要突破传统的应用领域，这就需要将人力资源信息系统的设计和实现进行比较。人力资源信息系统专为人力资源管理而设计并应用于具体的领导领域具有良好的领导效果。究其原因，应用领域的选择目的是观察并找出人力资源信息系统的作用和使用细节方面的问题。 2 研究的方法 人力资源信息系统要以信息科学为研究基础，要以人为本。该研究不是集中在一个人力资源信息系统上或者只研究一个具体的领导活动，作为一个系统，研究的内容要覆盖每个人的具体活动内容，同时也涵盖了领导人的活动背景。这项研究，重点是以人为本，同时利用信息系统弄清组织中每一个人的角色和每个角色的重要意义。这项研究是在信息和通信技术方面进行的广泛概念性研究，重点是领导的创先争优活动。在组织方面的信息系统是不同的地方发生的活动的现实的一部分。但从用户的角度使用的信息系统本身不工作，而这为用户提供了一个工作的有利工具。根据以前的观念，从语境角度解决的主要问题是： ●什么HRIS意味着良好的领导。 ●什么是人力资源信息系统的作用。 2.1目标 ●要了解好领导者如何执行他们的领导能力; ●要了解人力资源信息系统在他们的领导活动中的作用; ●要讨论人性化应用领域的作用和人力资源信息系统的发展。 2.2问题陈述 ●要了解人力资源信息系统作为一个系统不能简单地直接开发，开发结构的描述是为
车牌识别系统外文文献
Vehicle License Plate Recognition System Based on Digital Image Processing Yao Yuan,Wu xiao-li Department of Computer Science and Engineering, Henan University of Urban Construction eyaoyuan@https://www.360docs.net/doc/c7299355.html, Akf1l'll c l-This paper analyzes the basic method of digital video image processing, studies the vehicle license plate recognition system based on image processing in intelligent transport system, presents a character recognition approach based on neural network perceptron to solve the vehicle license plate recognition in real-time traffic flow. Experimental results show that the approach can achieve better positioning effect, has a certain robustness and timeliness. Keywonls-veltic/e license plate recognition; imllge processing,· "igilll/I'fJ ltology I. INTRODUCTION Since the 21st century, with social development and improvement of living standards, the number of vehicles is continuously increased, the traffic conditions is worsening, which brought huge pressures to the society and environment. Intelligent transport system is a real-time, accurate, and efficient transportation management system built based on a relatively perfect road infrastructure and by synthetically using the advanced electronic technology, information technology, sensor technology and systemic engineering technology in ground transportation [1] . d management . This system can solve the vanous roa problems generated by the traffic congestion, thus receiving more and more attention. Vehicle license plate recognition is one of the key technologies in the intelligent transport system, while its development is rapid, has been gradually integrated into our real life. Vehicle license plate recognition system can carry out automatic registration, verification, monitoring and alarm management, is an important part of modem highway toll management system, highway speed automatic monitoring system, highway surveillance, parking automatic charging management and other fields. II. VEHICLE LICENSE PLATE RECOGNITION SYSTEM A. Vehicle license p late recognition system overview Vehicle license plate recognition system is mainly composed by hardware and software. The hardware part includes a control computer, one Ethernet camera, a UPS power supply and an interface control port. These sections ensure the car images intake and processing. The software part is divided into the Ethernet camera embedded front-end software and the processing software in the industrial computer. Vehicle license plate recognition system usually consists of data acquisition (license plate image acquisition), license plate extraction, and license plate identification several major components, the system architecture as shown 978-1-4244-5540-9/10/$26.00 ?2010 IEEE in figure 1. Image extraction Recognition results Image preprocessing Information recognition Figure I. Vehicle license plate recognition system structure In the vehicle license plate recognition system, the image acquisition is completed mainly by the hardware, which is to extract the foreground image of the vehicle, to convert the camera's video signal to digital image signals to be sent to the computer for processing. Because the impact of the natural environment and the lighting conditions, there are many disturbances in the license plate images, which brings inconvenience to the positioning of the license plate, so in order to better extract the license plates, it needs to preprocess the license plate image to ensure the license plate location quality. VLP detection, this part is the core of the system, and the implementation of which affects the performance of the whole system, which is mainly to use pattern recognition [2] , digital image processing, information theory and other knowledge to position and extract the license plate in the license plate images. Character segmentation and recognition, when the plate has been successfully extracted, it needs to segment the characters in which, and use prior knowledge to identify them to get the final results. B. Key technologies o/license p late recognition 1) Vehicle license regional positioning technology: it is to use the above characteristics to determine the true location of l icense plate. To accurately position the vehicle license plate .from the images obtained .from the natural scene is the key of the vehicle license plate recognition system, is also the most diffi c ult ste p. 2) Vehicle license plate character segmentation technology: it is to divide the license plate region into a single character region .for the follow-u p license plate recognition module to ident!fY the single characters. J) Vehicle license plate character recognition technology: character recognition is the p rocess of confirming the Chinese characters, English letters and numbers on the license plate on the basis of the accurate l"J segmentationfor the vehicle license p late character .