臺灣博碩士論文加值系統

目前車牌辨識技術已經被廣泛地應用於生活中，其主要通過電腦視覺技術偵測車牌並辨識車牌字元，常見之應用場景如停車場等。通常車牌辨識之對象為靜止車輛，少數是針對行進中車輛進行辨識，其應用受到一定程度限制。台灣地區摩托車占交通工具比例較高，而摩托車行進時穩定度遠不如汽車，導致行進時摩托車車牌視角較為不固定，因此摩托車車牌較汽車車牌辨識難度高。
有鑒於此，本研究設計了一套用於行進中摩托車之車牌辨識系統，其系統可分為三個階段:第一階段車牌檢測其為了提取出車牌在影像中所在的位置。第二階段車牌校正是為了處理行進中的車牌會不固定的傾斜角度，以及不同的位置大小等的問題。第三階段字元辨識是為了將車牌字元提取出來，並將字元準確的辨識出來。
為令系統達到較高的準確度及穩定性，導入了工業應用之電腦視覺函式庫Euresys Open eVision以實現系統功能。目前系統辨識準確度達95.5%以上，平均辨識時間為47.62ms，達成辨識行進中摩托車車牌之目的。

Currently the license plate recognition technology has been widely used in daily life. It mainly detects the license plate characters by computer vision technology and identifies license plate characters. The object of license plate recognition is usually stationary vehicles, a few are for the recognition of moving vehicles, and its application is subject to a certain degree of restrictions. Motorcycle stability is far less than that of vehicles when moving, resulting in a more unfixed motorcycle license plate's sight angle when moving. Therefore, motorcycle license plates are more difficult to identify than vehicle license plates.
This study designed a license plate recognition system for a moving motorcycle. The system can be divided into three stages: The first stage of license plate detection In order to extract the license plate location in the image. The second phase license plate calibration is to deal with the moving license plate has not fixed tilt angle, as well as different location size and other issues. The third stage of character recognition is to extract the license plate characters, and the characters accurately identified.
In order to achieve high accuracy and stability of the system, Euresys Open eVision, a computer vision library for industrial applications, was introduced to realize system functions. At present, the accuracy of system identification reaches above 95.5% with an average identification time of 47.62 ms, which achieves the purpose of identifying motorcycle license plates in progress.

目錄
中文摘要 I
Abstract II
誌謝 III
目錄 V
表目錄 VI
圖目錄 VII
第一章 簡介 1
第二章 文獻探討 3
第三章 系統方法 5
3.1. 車牌檢測 7
3.2. 車牌校正 14
3.3. 字元辨識 21
第四章 實驗分析 27
4.1. 實驗環境 27
4.2. 實驗結果分析 30
4.3. 實驗結果比較 36
4.4. 系統實際拍攝之結果 37
第五章 結論 39
參考文獻 40
附錄一：實驗流程 42

 
表目錄
表 1：利用OCR的字體檔去尋找字元之辨識結果 12
表 2：舊式車牌進行字元辨識的結果 23
表 3：新式車牌進行字元辨識的結果 24
表 4：字元辨識之結果輸出 25
表 5：處理過後的車牌影像進行字元辨識之結果 26
表 6：舊式車牌及新式車牌的數字訓練樣本數 29
表 7：舊式車牌及新式車牌的英字元母訓練樣本數 29
表 8：系統對測試樣本進行測試之結果 31
表 9：辨識車牌影像的執行時間 32
表 10：車牌影像進行字元辨識之結果 34
表 11：性能比較表 37
表 12：系統進行實際測試之結果 38
表 13：字元辨識之結果輸出 46

 
圖目錄
圖 1：摩托車車牌影像 2
圖 2：摩托車車牌範例影像 5
圖 3：摩托車車牌範例影像 6
圖 4：摩托車車牌範例影像 6
圖 5：車牌檢測流程圖 8
圖 6：原始影像轉灰階影像 9
圖 7：灰階影像與背景圖像相減 9
圖 8：灰階影像與相減完的影像相乘之結果 10
圖 9：影像經由高通濾波處裡過後 10
圖 10：從影像中取得所有物件 12
圖 11：將所有物件進行字元判斷 12
圖 12：透過字元辨識之結果來重設車牌的ROI區域 13
圖 13：車牌校正流程圖 15
圖 14：利用Line Gauge來取得車牌邊緣 16
圖 15：上方取到的線與下方取到的線角度落差過大 16
圖 16：凸顯影像邊緣 18
圖 17：使用Register旋轉後的影像 19
圖 18：最終的車牌影像 19
圖 19：利用Point Gauge取得邊緣點 20
圖 20：車牌視角轉正之結果 20
圖 21：字元辨識流程圖 22
圖 22：摩托車新式車牌 23
圖 23：使用OCR的字體檔進行字元辨識之結果輸出 25
圖 24：對車牌影像進行Adaptive Threshold處理之結果 26
圖 25：拍攝影像場景 28
圖 26：相同摩托車影像 30
圖 27：摩托車影像 31
圖 28：去除下方的廣告牌 33
圖 29；不規則的車牌框 33
圖 30：車牌中的Q字元 34
圖 31：車牌字體顏色太淺OCR無法辨識 35
圖 32：貼紙與車牌字元和再一起 35
圖 33：車牌中有髒汙影響到OCR辨識的結果 35
圖 34：切到車牌的邊緣 36
圖 35：實際測試結果 38
圖 36：實際拍攝時嚴重反光 38
圖 37：摩托車範例 42
圖 38：對灰階影像進行背景相減過程 42
圖 39：利用灰階影像與相減影像進行相乘 43
圖 40：使用高通濾波提高車牌亮度 43
圖 41：對影像做尋找物件 43
圖 42：進行字元辨識去尋找出最多字元的物件 44
圖 43：透過字元位置來設定ROI區域 44
圖 44：經由Line Gauge對車牌進行邊緣檢測 44
圖 45：對車牌邊緣進行影像增強 45
圖 46：對增強後的車牌進行邊緣檢測 45
圖 47：利用Point Gauge去尋找最上方的點 45
圖 48：利用Register將其轉正 46
圖 49：進行字元辨識之結果輸出 46

[1]交通統計縣市指標 [Online]. Available: http://geostat.motc.gov.tw/dmz/mocdx/stat-o.html
[2]S. Azam, and M. M. Islam, "Automatic license plate detection in hazardous condition," Journal of Visual Communication and Image Representation, Vol. 36, April 2016, pp. 172-186.
[3]Z. Yao, and W. Yi, "License Plate Detection Based on Multistage Information Fusion," Information Fusion, Vol. 18, July 2014, pp. 78-85.
[4]S. N. H. S. Abdullah, M. Khalid, R. Yusof, and K. Omar, "Comparison of Feature Extractors in License Plate Recognition," First Asia International Conference on Modelling & Siulation, July 2017, pp. 502-506.
[5]M. K. Saini, and S. Saini, "Multiwavelet Transform Based License Plate Detection," Journal of Visual Communication and Image, Representation, Vol. 44, April 2017, pp. 128-138.
[6]R. Chen, and Y. Luo, "An Improved License Plate Location Method Based On Edge Detection," Physics Procedia, Vol. 24, Part B, 2012, pp. 1350-1356.
[7]F. Jun, and D. Shuguang, "A vehicle license plate location and correction method based the characteristics of license plate," Proceedings of the 10th World Congress on Intelligent Control and Automation, July 2012, pp. 47-50.
[8]L. Zheng, X. He, B. Samali, and L. T. Yang, "Accuracy Enhancement for License Plate Recognition," IEEE International Conference on Computer and Information Technology, July 2010, pp. 511-615.
[9]B. R. Lee, K. Park, H. Kang, H. Kim, and C. Kim, "Adaptive Local Binarization Method for Recognition of Vehicle License Plates," International Workshop on Combinatorial Image Analysis, Vol. 3322, 2004, pp. 646-655.
[10]交通總局,交通部[Online]. Available: https://www.thb.gov.tw/
[11]Y. P. Huang, C. H. Chen, Y. T. Chang, and F. E. Sandnes, "An intelligent strategy for checking the annual inspection status of s based on license plate recognition," Expert Systems with Applications, Vol. 36, Issue 5, July 2009, pp. 9260-9267.