臺灣博碩士論文加值系統

自動監控系統是一個重要的安全控制工具，它被廣泛地應用在公共區域之中。在自動監控系統中的許多目標，車牌辨識可以幫助識別出恐怖分子的車輛。自動監控系統中的光線狀態總是不夠穩定，所以傳統的車牌偵測無法達到偵測目的。在本篇論文中，我們針對車牌定位提出一個新方法。透過形態學運算，我們經由前處理這個步驟，在車牌中產生新的特徵。接下來，我們應用適應性分群法(AdaBoost)從弱分類器空間中選取一些弱分類器，進而創造出一個強分類器。實驗結果顯示出我們提出的方法可以成功的在不同的光照環境中偵測出車牌的位置。

Autonomous surveillance systems are widely used as an important tool for security control in public areas. Among the numerous targets of the autonomous surveillance system, license plate recognition can help to identify the terrorist in cars. Uneven lighting conditions happen all the time in an autonomous surveillance system. As a result, traditional license plate detection can’t achieve the goal. In this research, we propose a novel method for license plate localization. The features of a license plate is generated in preprocess through the morphology. Then, apply the AdaBoost algorithm to select some weak classifiers from the weak classifier space to construct a strong classifier. Experimental results show that the proposed method can efficiently detect license plates under different illuminations.

目錄 i
圖目錄 iii
第一章 緒論 1
1.1研究動機 1
1.2研究目的 2
1.3研究目標 3
1.4章節說明 3
第二章 文獻回顧 5
2.1自動化移動平台 5
2.2自動化移動平台相關研究 6
2-2-1 以校園巡邏為目的的自動化移動平台 6
2-2-2 以居家保全為目的的自動化移動平台 7
2.3車牌偵測 8
2.4車牌偵測相關研究 8
2-4-1 以影像梯度值為偵測基礎的車牌偵測方法 9
2-4-2 以固定區域為偵測基礎的車牌偵測方法 10
2-4-3 以適應性分群法為基礎的車牌偵測方法 11


第三章 適應性分群法 12
3.1積分影像 12
3.2矩形特徵 15
3.3適應性分群法 17
3.4串聯式架構 20
第四章 應用於自動監控系統中的車牌偵測技術 23
4.1利用矩形特徵為基礎之車牌偵測 23
4.2前處理 24
4.3車牌偵測的步驟 27
第五章 實驗結果 30
第六章 結論與未來展望 37







圖目錄
圖 3-1 積分影像基本概念圖 12
圖 3-2 矩形總和面積表(Summed Area Table，SAT) 13
圖 3-3 基本矩形特徵 14
圖 3-4 矩形特徵於車牌上之表示圖 15
圖 3-5 車牌訓練樣本 16
圖 3-6 串聯式偵測架構 19
圖 4-1 矩形特徵為基礎之車牌樣本架構 23
圖 4-2 正樣本產生流程圖 25
圖 4-3 經過前處理的正樣本 26
圖 4-4 車牌偵測的流程圖(訓練部分) 28
圖 4-5 車牌偵測的流程圖(偵測部分) 28
圖 5-1(a)(b) 車牌偵測結果 31
圖 5-1(c)(d) 車牌偵測結果 32
圖 5-1(e)(f) 車牌偵測結果 33
圖 5-1(g)(h) 車牌偵測結果 34
圖 5-1(i)(j) 車牌偵測結果 35

參考文獻
[1]F. Xu, Z. X. Li, K. Yuan, “The design and implementation of an autonomous campus patrol robot,” Proceedings of 2007 IEEE, December 15-18, 2007, Sanya, China.

[2]C. W. Chang, K. T. Chen, H. L. Lin, C. K. Wang, J. H. Jean, “Development of a Patrol Robot for Home Security with Network Assisted Interactions,” SICE Annual Conference 2007, Sept. 17-20, 2007, Kagawa University, Japan.

[3]J. Sun, D. Cui, D. Gu, H. Cai, G. Liu, “Empirical Analysis of AdaBoost Algorithms on License Plate Detection,” Proceeding of the 2009 IEEE, August 9-12, Changchun, China.

[4]Y. Freund and R. E. Schapire, “Experiments with a New Boosting Aalgorithm,” in Proc of the 13th International Conference on Machine Learning, pp. 148-156, Bari, Italy 1996.

[5]R. E. Schapire and Y. Singer, “Improved Boosting Algorithms Using Confidence-rated Predictions.” Machine Learning, 1999, 37(3) 297-336.

[6]J. Friedman, T. Hastie, and R. Tibshirani, “Additive Logistic Regression: a Statistical View of Boosting,” The Annals of Statistics, 2000, vol.28, no.2, pp.337-407.

[7]J. M. Guo, Y. F. Liu, “License Plate Localization and Character Segmentation With Feedback Self-Learning and Hybrid Binarization Techniques,” IEEE Transactions on Vehicular Technology, 57(3), MAY, 2008.

[8]D. S. Gao, J. Zhou, “Car License Plates Detection from Complex Scene,” Proceedings of ICSP 2000.

[9]P. Viola, M. J. Jonse, “Robust Real-Time Face Detection,” International Journal of Computer Vision 57(2), 137-154, 2004.

[10]L. L. Huang, A. Shimizu, “A multi-expert approach for robust face detection,” Pattern Recognition 39, 1695-1703, 2006.

[11]R.C. Gonzalez and R.E. Woods, Digital image processing, Addison-Wesley Publishing Company, Inc., 1992.