臺灣博碩士論文加值系統

近年來，車牌辨識系統在智慧型運輸系統的應用上一直扮演著相當關鍵的角色，且可應用於停車管控、贓車追緝與車輛檢驗等範疇。因此，本篇論文提出一套低運算量、高辨識率的車牌辨識流程，並實現了即時車牌辨識系統的軟體開發與硬體規劃。
考慮本系統未來產品化的彈性與價格需求，在硬體規劃方面：個人電腦、影像卡與攝影機都盡量以低成本為考量；在演算流程方面，則在高辨識率的前提下，盡可能地降低演算法的複雜度。本論文將車牌辨識劃分為三個階段，分別為車牌定位、字元切割與字元辨識，並詳述於本文之第三章、第四章與第五章。以 C++ 為程式開發語言，實現於 MS Window XP 平台上，本篇論文具體成果歸納如下：
1.於車牌定位方面，植基於空間的點遮罩運算，提出了方格切割的概念，在複雜背景下擷取車牌位置時可避免不必要之雜訊干擾。
2.於字元切割方面，提出了補償的方法，使得某些車牌的髒污、傾斜與光線影響可以降至最小。
3.於字元辨識方面，利用本論文提出之相似度估測及採用階層式比對法則，大大提高了字元辨識率。
由實驗與結果的分析來看，本篇論文之演算流程的確有效地降低複雜度且於不同的距離與角度的測試下，保有了高辨識率的優點，可謂是相當實用之系統。

Recently, vehicle license plate recognition system plays an important role in intelligent transportation system. This paper will propose an algorithm with low computation and high recognition rate algorithm to realize a real time license plate recognition system. We divide our system into three stages, including license plate locating, characters segmentation and characters recognition. A novel method for extracting license plate in complex background is proposed. Due to the influence of lighting effects, tilt or dirty of the license plate, we also create a method to compensate these cases. In characters recognition, template matching and similarity measure are used such that our algorithm is more robust in different inclination and lighting conditions.

圖目錄 IV
表目錄 VI
第一章 緒論 1
1.1 研究動機與目的 1
1.2 文獻回顧 2
1.2.1 車牌定位文獻探討 2
1.2.2 字元切割與字元辨識文獻探討 3
1.3 論文目標 4
1.4 論文架構 5
第二章 硬體規劃與系統流程 6
2.1 硬體架構 6
2.1.1 個人電腦 6
2.1.2 彩色攝影機 KMTV-63F1ND 6
2.1.3 鏡頭 7
2.1.4 影像擷取卡 8
2.1.5 架構規劃與設計 9
2.2 車牌辨識流程 10
2.3 本章總結 12
第三章 車牌定位 13
3.1 影像前處理 13
3.1.1 影像擷取與色彩空間 13
3.1.2 影像雜訊去除 14
3.2 邊緣偵測 15
3.3 邊緣點的串接 18
3.4 邊緣點連結線段群聚分類 19
3.4.1 連通物件法 21
3.4.2 車牌可能區域 22
3.5 本章總結 24
第四章 字元切割與補償 25
4.1 車牌區域二值化 25
4.1.1 固定門檻的二值化 25
4.1.2 以灰階平均值求門檻值 26
4.1.3 以Otsu法求門檻值 26
4.2 週邊非字元物件之去除 29
4.2.1 膨脹與侵蝕 29
4.2.2 先侵蝕後膨脹 30
4.2.3 保留車牌字元 31
4.3 紀錄字元的邊界 32
4.4 框選字元後之細部處理 33
4.4.1 車牌字元的刪除與補償 34
4.4.2 破折號的尋找 37
4.4.3 車牌傾斜角度之估算 37
4.5 本章總結 38
第五章 字元辨識 39
5.1 字元辨識之前處理 39
5.1.1 最鄰近法 39
5.1.2 標準字元資料庫 41
5.2 階層式比對法則 42
5.2.1 最小距離法則 42
5.2.2 相似度估測 43
5.2.3 結合最小距離法與相似度估測 45
5.3 易混淆字型的再確認 45
5.3.1 字型D與0的二次確認 45
5.3.2 字型8與B的二次確認 47
5.3.3 字型1與I的二次確認 47
5.4 英文字母與數字排列確認 49
5.5 本章總結 49
第六章 實驗結果 50
6.1 靜態圖片辨識 50
6.1.1 以不同距離為實驗 50
6.1.2 不同距離與角度的綜合測試 51
6.1.3 一般情況下車牌辨識統計 55
6.2 即時車牌辨識系統測試 55
6.3 辨識速度的測試 56
6.4 本章總結 57
第七章 討論與結論 58
7.1 討論 58
7.1.1 車牌定位錯誤討論 58
7.1.2 字元切割錯誤討論 59
7.1.3 字元辨識錯誤討論 60
7.2 結論 61
7.3 未來展望 61
參考文獻 63

圖 目 錄
圖2.1 KMTV-63F1ND攝影機 7
圖2.2 Tonika鏡頭尺寸標示圖 8
圖2.3 V-Gear 全頻電視卡 9
圖2.4 系統架設示意圖 10
圖2.5 演算法流程圖 12
圖3.1 遮罩運算示意圖 14
圖3.2 理想車牌區域示意圖（以白底黑字為例） 15
圖3.3 車牌掃描及其灰階值 16
圖3.4 遮罩運算淬取出邊緣點 18
圖3.5 邊緣點串接而成的線段 19
圖3.6 64×48的方格切割示意圖 20
圖3.7 邊緣點線段集結區 20
圖3.8 連通物件法示意圖 20
圖3.9 像素點及其鄰點 21
圖3.10 群聚的座標表示 23
圖4.1 車牌區域的灰階圖片 26
圖4.2 車牌區域的直方統計圖 29
圖4.3 車牌區域的二值化圖片 29
圖4.4 膨脹運算示意圖 30
圖4.5 侵蝕運算示意圖 31
圖4.6 先侵蝕後膨脹的影像 31
圖4.7 保留車牌字元之影像 32
圖4.8 框選車牌字元 33
圖4.9 補償被刪除的字元 35
圖4.10 補償字元的左右邊界 36
圖4.11 補償字元的上下邊界 37
圖5.1 最鄰近法示意圖 40
圖5.2 字母 G 正規化結果 40
圖5.3 階層式字元辨識流程圖 42
圖5.4 字母 A 不同情況下之型態 44
圖5.5 字母 A 黑點與白點出現的頻率 44
圖5.6 字型 D 與字型 0 的差異部分 46
圖5.7 字型D的旋轉 46
圖5.8 字型 D 與字型 0 的二次確認 47
圖5.9 字型 8 與字型 B 的二次確認 47
圖5.10 字型 1 與字型 I 投影分佈圖 48
圖6.1 不同距離下之影像 51
圖6.2 不同角度與距離的相對位置示意圖 52
圖6.3 不同距離與角度下之影像 53
圖6.3 不同距離與角度下之影像（續） 54
圖6.4 即時車牌辨識系統介面及其功能 56
圖7.1 車牌字元切割失敗之圖片 60

表 目 錄
表2.1 KMTV-63F1ND規格表 7
表2.2 TVR0616規格表 8
表3.1 常用的遮罩運算 17
表4.1 現行車輛牌照規範表 33
表5.1 標準樣本資料庫 41
表6.1 靜態與動態辨識的比較 57

[1]S. L. Chang, L. S. Chen, Y. C. Chung and S. W. Chen, “Automatic license plate recognition,” IEEE Transactions on Intelligent Transportation Systems, vol. 5, pp. 42-53, Mar. 2004
[2]H. L. Bai, J. M. Zhu and C. P. Liu, “A fast license plate extraction method on complex background,” in Proc. IEEE Intelligent Transportation Systems, vol. 2, pp.985-987, Oct. 2003
[3]W. G. Zhu, G. J. Hou and X. Jia, “A study of locating vehicle license plate based on color feature and mathematical morphology,” in Proc. IEEE International Conference on Signal Processing, vol. 1, pp. 748-751, 2002
[4]W. Wu, M. J. Wang and Z. X. Huang, “An automatic method of location for number-plate using color features,” in Proc. IEEE International Conference on Image Processing, pp. 782-785, 2001
[5]W. Wu Wei, Y. Z. Li, M. J. Wang and Z. X. Huang, “Research on number-plate recognition based on neural networks,” in Proc. Neural Networks for Signal Processing, IEEE Signal Processing Society Workshop, pp. 529-538, Sep. 2001
[6]C. A. Rahman, W. Badawy and A. Radmanesh, “A real time vehicle's license plate recognition system,” in Proc. IEEE Conference on Advanced Video and Signal Based Surveillance, pp. 163-166, July 2003
[7]H. A. Hegt, R. J. de la Haye and N. A. Khan, “A high performance license plate recognition system,” in Proc. IEEE International Conference on Systems, Man, and Cybernetics, vol. 5, pp. 4357-4362, Oct. 1998
[8]C. Coetzee, C. Botha and D. Weber, “PC based number plate recognition system,” in Proc. IEEE Symposium on Industrial Electronics, vol. 2, pp. 605-610, July 1998
[9]P. Comelli, P. Ferragina, M. N. Granieri and F. Stabile, “Optical recognition of motor vehicle license plates,” IEEE Transactions on Vehicular Technology, vol. 44, pp. 790-799, Nov. 1995
[10]Y. P. Huang, S. Y. Lai and W. P. Chuang, “A template-based model for license plate recognition,” in Proc. IEEE International Conference on Networking, Sensing and Control, vol. 2, pp. 737-742, March 2004
[11]M. A. Ko and Y. M. Kim, “License plate surveillance system using weighted template matching,” in Proc. The 32nd Applied Imagery Pattern Recognition Workshop, pp. 269-274, Oct. 2003
[12]V. Koval, V. Turchenko, V. Kochan, A. Sachenko and G. Markowsky, “Smart license plate recognition system based on image processing using neural network,” in Proc. The Second IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, pp. 123-127, Sep. 2003
[13]L. W. Jin and J. Z. Qin, “Car plate number characters recognition using Gabor orientation features and neural networks,” in Proc. The 2003 International Conference on Neural Networks and Signal Processing, vol. 2, pp. 1628-1631, Dec. 2003
[14]X. W. Wang, X. Q. Ding and C. S. Liu, “Optimized Gabor filter based feature extraction for character recognition,” in Proc. 16th International Conference on Pattern Recognition, vol. 4, pp. 223-226, Aug. 2002
[15]K. Chao and M. D. Srinath, “Invariant character recognition with Zernike and orthogonal Fourier–Mellin moments,” Pattern Recognition, vol. 35, no. 1, pp. 143-154, January 2002
[16]Y. C. Chim, A. A. Kassim and Y. Ibrahim, “Character recognition using statistical moments,” Image and Vision Computing, vol. 17, no. 3, pp. 299-307, March 1999
[17]H. Pu, H. Wei, D. F. Wang and Y. J. Zhai, “Car license plate feature extraction and recognition based on multi-stage classifier,” in Proc. International Conference on Machine Learning and Cybernetics, vol. 1, pp. 128-132, Nov. 2003
[18]N. Otsu, “A Thresholding Selection Method from Gray Level Histograms,” IEEE Transactions on Systems, Man and Cybernetics, vol. 9, pp. 62-66, 1979
[19]R. C. Gonzalez and R. E. Woods. (2002). Digital Image Processing. 2nd Edition
[20]林泰良（陳永耀 教授指導）, “智慧型車牌定位與字串分割,” 碩士論文, 國立台灣大學電機工程所, 2000
[21]賴史詠（黃有評 教授指導）, “以模板為基礎之車牌辨識系統設計與應用,” 碩士論文, 大同大學資訊工程所, 2002
[22]鍾國亮, “影像處理與電腦視覺,” 台灣東華書局股份有限公司, 2002年6月