臺灣博碩士論文加值系統

本論文探討主題在於從灰階汽車影像中辨識出其車牌號碼。從架構上來看，車牌辨識系統至少需包含車牌定位及字元辨識兩大模組。車牌定位模組負責從整張影像中找出車牌所在的區域，再經字元辨識模組由此區域中辨識出車牌號碼。若採用傳統模式識別技術進行字元辨識，則字元辨識模組大致上可再分為字元分割、特徵萃取及字元分類等三大部份，且幾乎都必須經過影像二值化的前處理步驟以降低字元辨識模組的複雜度。在真實環境之中，車牌影像品質常受到照明不均或不清潔等因素之影響，若再對其進行二值化必會產生大量的資訊流失或誤差而難以辨識，故須使用許多耗時的影像前處理及後處理以為彌補。有鑑於此，本系統採用一特殊的類神經網路以直接針對未經二值化的灰階影像進行字元分類，其中特殊之處在於區域性感受野 (local receptive field) 及加權值共享 (weight sharing) 的採用。前者使得運算量大幅下降並使網路可分辨出字元的局部差異性，後者則可使網路具有較佳之一般性。除此之外，更發展出毋需進行字元分割的辨識方式，而採用與人類閱讀相似的方式由類神經網路將車牌影像由左至右“看”一遍，之後分析所有網路輸出所形成之軌跡即可得到車牌號碼。至於在之前的車牌定位方面則先以水平對比較大之處作為物件垂直邊緣所在，再以水平及垂直投影找出投影量較大且密集之處為車牌位置。在所作的實驗中，共使用173張車牌影像，其中120張為類神經網路訓練之用，其餘53張為測試之用。在車牌定位方面因為不需訓練，故經173張影像測試後得到99.4%的正確率 (172/173)。由於該張定位錯誤的車牌影像無法參與訓練，因此在119張車牌影像的訓練下得到的車牌辨識正確率（不含定位）為97.4% (116/119)，而最終的測試得到92.4% (49/53) 的整體車牌辨識正確率。在Pentium-150的處理器之下，車牌定位模組平均使用少於0.06秒的時間，字元辨識模組平均亦使用不到0.16秒的時間。由於所提出的車牌辨識系統具有相當高的辨識率及極佳的執行效率，因此具有高度的實用性。

A practical system aiming at recognizing Vehicle Identification Number (VIN) from a gray-level car image is proposed in the thesis. In general, a vehicle license plate recognition system consists of two indispensable modules — the license plate locator and the VIN recognizer. In systems that apply classical pattern recognition methods, image thresholding is almost indispensable for the VIN recognizer to work well. However, the quality of image usually gets worse after thresholding and a lot of time-consuming image preprocessing and postprocessing steps must be applied for the VIN recognizer to work well. Therefore, a specific neural network is used in the proposed system to perform character classification directly through gray-level images. In this network, local receptive field and weight sharing are applied to make the network more perceptible to local character differences and be generalized well, respectively. As an innovative idea, the network “reads” the license plate from the left to the right and the VIN can be recognized by analyzing output traces of the network. In the system, the license plate is located by utilizing first derivatives of horizontal lines. In our experiment, 120 car images are used for network training and another 53 images are for network testing. Since no training is needed for the license plate locator, all 173 images are used to test the locator and the identification rate is 99.4% (172/173). Thereafter, the network is trained by 119 identified license plate images since the locator misses one plate and the training recognition rate is 97.4% (116/119). For the 53 testing license plates, the recognition rate is 92.4% (49/53). On a Pentium-150 processor, a license plate can be located in less than 0.06 second on an average, and the VIN can be recognized from the license plate in less than 0.16 second on an average. Therefore, the proposed license plate recognition system is highly practical due to its fastness and robustness.

目錄 …………………………………………………………………I
圖目錄 ……………………………………………………………IV
第一章 緒論 ………………………………………………………1
1.1 研究動機 …………………………………………………1
1.2 研究方向及目的 …………………………………………2
1.3 論文架構 ...………………………………………………3
第二章 文獻回顧 …………………………………………………4
2.1 Nijhuis等人所作的研究 ………………………………4
2.2 Raus等人所作的研究 ………………………………5
2.3 Parisi等人所作的研究 …………………………………7
2.4 魏健宏、王勝石所作的研究 ……………………………8
2.5 張銘豪所作的研究 ………………………………9
2.6 仲崇實所作的研究 ………………………………10
2.7 總結 ……………………………………………………12
第三章 類神經網路簡介 ………………………………………14
3.1 類神經網路架構 ………………………………………14
3.1.1 神經元 ……………………………………………15
3.1.2 層 …………………………………………………15
3.1.3 網路 ………………………………………………17
3.2 倒傳遞演算法 …………………………………………17
3.3 區域性感受野（local receptive field）…………………21
3.4 加權值共享（weight sharing）…………………………23
3.5 訓練方式 ………………………………………………23
第四章 車牌辨識系統 …………………………………………25
4.1 系統架構 ………………………………………………25
4.2 車牌規格 ………………………………………………25
4.3 車牌定位 ………………………………………………27
4.3.1 找出垂直邊緣 ……………………………………27
4.3.2 計算水平投影 ……………………………………28
4.3.3 找出可能的水平區間 ……………………………28
4.3.4 計算水平區間的垂直投影 ………………………30
4.3.5 找出可能的車牌位置 ……………………………30
4.3.6 驗證可能的車牌位置 ……………………………31
4.4 字元辨識 ………………………………………………33
4.4.1 系統架構 …………………………………………33
4.4.2 辨識方法 …………………………………………37
4.4.3 目標輸出值之產生 ………………………………37
4.4.4 輸出軌跡分析 ……………………………………40
第五章 實驗結果 ………………………………………………44
第六章 結論及未來發展 ………………………………………52
6.1 評估及檢討 ……………………………………………52
6.2 未來發展方向 …………………………………………53
參考文獻 …………………………………………………………55
附錄 A Practical Approach to Designing Real Time Car License
Plate Recognition Systems …………………………………58
圖3-1 人工神經元結構 …………………………………………16
圖3-2 兩層完全連通類神經網路架構 …………………………16
圖3-3 E (w) 與加權值修正方向之關係 ………………………19
圖3-4 E (w) 過大所造成的影響 ………………………………19
圖3-5 (a) 區域性感受野 (b) 加權值共享 ……………………22
圖4-1 自動車牌辨識系統架構 …………………………………26
圖4-2 車牌規格 …………………………………………………26
圖4-3 (a) 原始車輛影像 (b) 所得之垂直邊緣影像 …………29
圖4-4 車牌定位子系統所找到的車牌 …………………………32
圖4-5 車牌字元辨識類神經網路架構 …………………………36
圖4-6 由車牌中所分割出的子區塊 ……………………………39
圖4-7 目標輸出值產生器 ………………………………………39
圖4-8 典型的類神經網路輸出軌跡 ……………………………41
圖4-9 車牌中字元之標準間距 …………………………………41
圖5-1 車牌辨識系統圖形使用者介面 …………………………45
圖5-2 訓練樣本的上下緣包含較少的空白 ……………………45
圖5-3 (a) 遭誤判之車牌影像 (b) 誤判為Y1-1077之軌跡 …47
圖5-4 (a) 遭誤判之車牌影像 (b) 誤判為HM-0143之軌跡 …48
圖5-5 (a) 反光車牌影像 (b) 二值化之車牌影像
(c) 由 (a) 所得之輸出軌跡 ……………………………49
圖5-6 (a) 不清潔的車牌影像 (b) 二值化之車牌影像
(c) 由 (a) 所得之輸出軌跡 ……………………………50

[1] 魏健宏、王勝石，“人工神經網路應用於車牌辨識之研究”，成功大學學報（科技、醫學篇）第三十卷，台南，民國八十四年十一月，頁199-213。
[2] 張銘豪，利用分割辨識方法之英文數字辨識系統，國立中山大學資訊工程研究所，碩士論文，高雄，民國八十五年七月。
[3] 仲崇實，影像處理與類神經乏晰方法於車輛牌照自動辨識之應用研究，元智大學資訊研究所，碩士論文，中壢，民國八十七年六月。
[4] 吳孟璁，車輛牌照自動辨識系統，淡江大學資訊工程研究所，碩士論文，台北，民國八十七年六月。
[5] R. C. Gonzalez, and R. E. Woods, Digital Image Processing, Addison-Wesley, 1992.
[6] S. Haykin, Neural Networks, Prentice-Hall, 1999.
[7] Y. le Cun, “Generalization and Network Design Strategies,” in R. Pfeifer, Z. Schreter, F. Fogelman-Soulie, and L. Steels (Eds.), Connectionism in Perspective, Elsevier Science Publishers, 1989, pp. 143—155.
[8] J.A.G. Nijhuis, M.H. ter Brugge, K.A. Helmholt, J.P.W. Pluim, L. Spaanenburg, R.S. Venema, and M.A. Westenberg, “Car License Plate Recognition with Neural Networks and Fuzzy Logic,” in Proceedings of IEEE International Conference on Neural Networks, Vol. 5, pp. 2232-2236, 1995.
[9] N. Otsu, “A Threshold Selection Method from Gray-Level Histograms,” IEEE Transactions on System, Man, and Cybernetics, Vol. SMC-9, pp. 62-66, 1979.
[10] R. Parisi, E.D. Di Claudio, G. Lucarelli, and G. Orlandi, “Car Plate Recognition by Neural Networks and Image Processing,” in Proceedings of the 1998 IEEE International Symposium on Circuits and Systems, Vol. 3, pp. 195-198, 1998.
[11] M. Raus, and L. Kreft, “Reading Car License Plates by the Use of Artificial Neural Networks,” in Proceedings of the 38th Midwest Symposium on Circuits and Systems, Vol. 1, pp. 538-541, 1996.
[12] A. Waibel, T. Hanazawa, G. Hinton, K. Shikano, and K. Lang, “Phoneme Recognition Using Time-Delay Neural Networks,” IEEE Transactions on Acoustics, Speech and Signal Processing, Vol. 37, No. 3, pp. 328-339, March 1989.