臺灣博碩士論文加值系統

車輛識別系統的研究在辨識領域已有相當多年的時間，它的應用範圍廣泛，像是停車場自動化管理、自動化收費站、交通流量管理、以及贓車查緝上都有相當的實用性。此系統可分為靜態系統與動態系統兩種作法：在過去的設計上大部分都是著重在靜態系統的研究，先將車輛停放在適當的位置，再對車牌做亮度的補強以及一些前處理，讓車牌字元可以更清楚，最後才拍下車牌的影像，這張適合被處理的影像是在各種限制條件之下獲得，如果發現車輛沒有停在適當的位置可能還要再停一次，這對使用者來說是非常的不方便。靜態系統對於車輛與環境上已經做了一些條件限制，在解決問題的作法上比較一致且簡單，所以，處理的過程就比動態系統來得容易。在動態系統上車輛與背景環境都不需要作任何的限制，採用攝影機擷取一串連續的影像，從這些影像中可以得到車輛在行進間不同位置與不同角度變化的畫面，所以動態系統得到比較多的影像資訊，可以利用時間上前後影像的關係，對同一台車輛做一次以上的辨識來增加成功機率，此類動態系統的處理環境，盡可能不被人為所限制。因此，更適合應用在真實環境中。

Design of a vehicle recognition system has been investigated for many years in the recognition field. It has been extensively and practicality used in many applications, such as parking lot auto management , automatic tollgate , traffic management , and searching stolen car, and so on. The system can be categorized in two methods, static and dynamic system. In early design many researchers emphasized static systems.
First, the car must be parked at a suitable position. Then, the car license plate need to be compensated for the brightness and made some pre-processing in order to emphasize constract. Finally, a license plate image is taken under various restricted conditions for obtaining an image fit for processing.
If the vehicle is not parked at a suitable position, car parking is need to do again. It would make the driver very inconvenient.However, the static system makes the question be solved more identically and simply because of some premotioned restricted conditions. Therefore, the process of static system is easier than dynamic system. On the dynamic system, vehicle and background are unnecessary to make any restrict. The Dynamic system uses video camera to catch a sequence of frames with various positions and angles of the moving vehicle.
Therefore, the dynamic system can obtain more information from the frames. Thus, a car can be recognized more times to increase the probability of recognization, since the images are catched during a continuous time period. Conclusionly, the system can more adapt to operation in the life.

致謝 . . . . . . . .. . . . . . . . . . . . . . . . . iii
摘要 . . . . . . . .. . . . . . . . . . . . . . . . . iv
Abstract . . . . . . . .. . . . . . . . . . . . . . . v
List of Figures . . . . . . . .. . . . . . . . . . . viii
1. 序論 . . . . . . . .. . . . . . . . . . . . . . . 2
1.1 論文架構 . . . . . . . .. . . . . . . . . . . . 2
1.2 研究動機 . . . . . . . .. . . . . . . . . . . . 2
2. 研究方法 . . . . . . . .. . . . . . . . . . . . . 5
2.1 二值化 . . . . . . . .. . . . . . . . . . . . . 5
2.1.1 臨界值 . . . . . . . .. . . . . . . . . . . . 5
2.1.2 尋找統計圖 (Historgram)的谷底 . . . . . . . . 6
2.2 遮罩運算 (Mask Operator) . . . . . . . . . . . . 7
2.3 影像奇偶列交錯 (Interlace) . . . . . . . . . . . 10
2.3.1 形成的原因 . . . . . . . . . . . . . . . . . 10
2.3.2 消除交錯現象 . . . . . . . . . . . . . . . . 11
2.4 影像強化 (Stretching) . . . . . . . . . . . . . 13
2.4.1 車牌清晰程度的評估 . . . . . . . . . . . . . 13
2.4.2 X-Model轉換 . . . . . . . . . . . . . . . . . 13
2.4.3 Sigmoid Model轉換 . . . . . . . . . . . . . . 15
2.5 車牌矯正 . . . . . . . . . . . . . . . . . . . . 15
2.6 尋找相連目標物 (Object) . . . . . . . . . . . . . 18
2.6.1 相鄰 (Neighbors) 的關係 . . . . . . . . . . . 18
3. 影像取得與車牌定位 . . . . . . . . . . . . . . . . 20
3.1 數位影像擷取 . . . . . . . . . . . . . . . . . . 20
3.1.1 攝影機架設 . . . . . . . . . . . . . . . . . 20
3.1.2 DirectShow . . . . . . . . . . . . . . . . . 21
3.2 背景的擷取 . . . . . . . . . . . . . . . . . . . 24
3.2.1 週期性的背景取樣 . . . . . . . . . . . . . . 25
3.2.2 雜訊濾除 . . . . . . . . . . . . . . . . . . 25
3.3 影像差值法 . . . . . . . . . . . . . . . . . . . 25
3.4 影像投影法偵測車輛 . . . . . . . . . . . . . . . 26
3.5 車牌搜尋 . . . . . . . . . . . . . . . . . . . . 26
3.5.1 原理 . . . . . . . . . . . . . . . . . . . . 26
3.5.2 車牌確認 . . . . . . . . . . . . . . . . . . 29
4. 車牌字元分割與辨識 . . . . . . . . . . . . . . . . 30
4.1 字元分割前處理 . . . . . . . . . . . . . . . . . 30
4.1.1 Morphological Operators分離 . . . . . . . . . 30
4.1.2 車牌的POSTURE . . . . . . . . . . . . . . . . 34
4.1.3 調整車牌邊界 . . . . . . . . . . . . . . . . 34
4.1.4 清除車牌以外的黑色背景 . . . . . . . . . . . 37
4.1.5 清除車牌內非字元成分 . . . . . . . . . . . . 38
4.1.6 取得上下界 . . . . . . . . . . . . . . . . . 40
4.2 字元切割 . . . . . . . . . . . . . . . . . . . . 42
4.2.1 投影法 . . . . . . . . . . . . . . . . . . . 42
4.2.2 尋找相連區塊的方法 . . . . . . . . . . . . . 43
4.3 字元辨識系統--SVMs . . . . . . . . . . . . . . . 43
4.3.1 支持向量機的基本介紹 . . . . . . . . . . . . 44
4.3.2 理論與操作方法 . . . . . . . . . . . . . . . 47
4.3.3 Gaussian Kernel做分類 . . . . . . . . . . . . 52
5. 實驗結果 . . . . . . . . . . . . . . . . . . . . . 54
5.1 影像資料來源 . . . . . . . . . . . . . . . . . . 54
5.2 處理步驟 . . . . . . . . . . . . . . . . . . . . 55
5.2.1 輸入影像 . . . . . . . . . . . . . . . . . . 55
5.2.2 偵測車輛並找出位置 . . . . . . . . . . . . . 55
5.2.3 掃描車牌位置 . . . . . . . . . . . . . . . . 56
5.2.4 處理影像交錯 . . . . . . . . . . . . . . . . 56
5.2.5 調整車牌上下左右邊界 . . . . . . . . . . . . 57
5.2.6 與字元相切的上下界 . . . . . . . . . . . . . 60
5.2.7 分割字元 . . . . . . . . . . . . . . . . . . 61
5.2.8 字元辨識 . . . . . . . . . . . . . . . . . . 65
Bibliography . . . . . . . . . . . . . . . . . . . . 66

[1]
Chih-Wei Hsu,''Decomposition Methods for Binary and Multi-class Support Vector Machines,'''' Computer Science and Information Engineering,in National Taiwan University, 2001.
[2]
Asa Ben-Hur, David Horn, Hava T. SiegeLmann, Vladimir Vapnik,
Support Vector Clustering, Journal of Machine Learning Research , 125-137 , 2001.
[3]
Larry M. Manevitz, Malik Yousef, One-Class SVMs for Document Classification, Journal of Machine Learning Research , 139-154 , 2001.
[4]
O. L. Mangasarian, David R. Musicant, Lagrangian Support Vector Machines, Journal of Machine Learning Research , 161-177 , 2001.
[5]
Andrew W. Moore, ''Characterizing Classifiers,''''School of Computer Science Carnegie Mellon University, Nov 20th, 2001.
[6]
Chih-Jen Lin,''Lecture: Support Vector Machines,''''Dept. of CS, NTU, 2001.
[7]
E. Angel,Interactive Computer Graphics: A Top-Down Approach with OpenGL, Addison Wesley, 1999.
[8]
Shyang-Lih Chang, Li-Shien Chen, Yun-Chung Chung, and Sei-Wan Chen, Automatic License Plate Recognition,IEEE, March 2004.
[9]
Guan-Zong,''DSP Embedded System for Automatic License Plate Recognition,''''National Taiwan University, Electrical Engineering, 2001.
[10]
Vladimir N. Vapnik, ''The Nature of Statistical Learning Theory,'''' Springer New York ,Second Edition,2000.
[11]
Bernhard Scholkopf, Christopher J.C. Burges, Alexander J. Smola,
''Advances in Kernel Methods: Support Vector Learning,'''' Massacusetts Institute of Technology, The MIT Press Cambridge, Massacusetts London, England, 1999.