臺灣博碩士論文加值系統

本論文提出一種適合於社區、學校及停車場等非開放性應用環境之類條碼式車牌辨識(License-Plate Recognition,LPR)系統。本系統結合掃瞄視窗(sliding window)、一維非遞迴式離散週期性小波轉換(1-D Non-Recursive Discrete Periodized Wavelet Transform, 1-D NRDPWT)與倒傳遞類神經網路(Back Propagation Neural Network)，可達到高效能即時辨識功能。
傳統的車牌辨識系統需要車牌定位、字元切割、字元辨識……等複雜的處理過程。本系統有別於傳統系統的處理流程，以一128×45之掃瞄視窗對影像進行掃瞄，並且於掃瞄過程中同步執行一維非遞迴式離散週期性小波轉換，經由七階之小波轉換後可得128×45個係數。我們僅選擇最後三階(第五~第七階)之係數，且將掃瞄線以隔兩條取一條之方式擷取，此可減少計算時間但不犧牲辨識能力。最後經三值化的動作，取得車牌對應之特徵值。資料庫內共有100台車輛，每一台車輛均以六種不同的距離拍攝後方車牌，以模擬車輛行進中之動作。每一種距離的車牌皆採上、下、左、右各位移3 像素，共可得24500張訓練樣本。類神經網路訓練與測試模式，採Leave-One-Out方法。最後，以類神經網路辨識與驗證兩流程實現辨識功能。其中驗證乃藉由比對訓練車牌與辨識影像之小波係數，此可有效地進一步提昇辨識成功率。實驗統計結果，車牌成功辨識率可達99%。本系統具有高辨識率及高容錯力(fault-tolerance)等特性。

The thesis proposes a bar-code like license-plate recognition (LPR) system which is suitable for non-open environment such as community, school, and parking lot. The system combined sliding window, 1-D Non-Recursive Discrete Periodized Wavelet Transform (1-D NRDPWT), and Back Propagation Neural Network to achieve an automatic high-performance real-time license-plate recognition system.
Traditional LPRs usually include complicated processes such as license-plate locating, character segmentation, and character recognition. The proposed system is different from the processes of traditional systems. We use a sliding window with 128×45 size to scan the input image, at the same time, implement 1-D NRDPWT. After 7 degree transform, we could receive 128×45 wavelet coefficients. We only pick the coefficients of fifth degree to seventh degree, and pick the scan lines by the way which is skip two scan lines and choose one scan line, therefore the execution time could be reduced but still has high recognition performance. Finally, we set two thresholds to get tri-values, and these tri-values represent the feature of license plate. There are 100 cars in database, each license plate was photographed with 6 different distances for simulating the moving cars. Each training license plate shift 3 pixels upward, downward, leftward, and rightward, we can get 24500 training patterns totally. We adopt Leave-One-Out method for the training and testing of Neural Network. The recognition process is divided into two parts, Neural Network recognition process and check process, the action of check is comparing the wavelet coefficients between training license plate and input image, and it could improve the recognition rate. According to experiments, the recognition rate could as high as 99%. The proposed system has high recognition rate and high fault-tolerance features.

中文摘要…………………………………………………………………………… i
英文摘要…………………………………………………………………………… ii
誌謝………………………………………………………………………………… iv
目錄………………………………………………………………………………… v
表目錄……………………………………………………………………………… vii
圖目錄……………………………………………………………………………… viii
第一章 緒論 ……………………………………………………………………… 1
1.1 研究動機 …………………………………………………………… 1
1.2 研究方法 …………………………………………………………… 3
1.3 論文架構 …………………………………………………………… 4
第二章 1-D非遞迴式離散週期性小波轉換 …………………………………… 5
2.1 遞迴式離散小波轉換之理論 ……………………………………… 5
2.2 1-D非遞迴式離散週期性小波轉換之理論………………………… 10
2.3 建構非遞迴式離散週期性小波轉換矩陣 ………………………… 19
第三章 類神經網路簡介 ………………………………………………………… 21
3.1 類神經網路 ………………………………………………………… 21
3.2 感知器 ……………………………………………………………… 27
3.3 倒傳遞類神經網路 ………………………………………………… 31
3.4 倒傳遞類神經網路架構 …………………………………………… 32
3.5 倒傳遞類神經網路的學習方法 …………………………………… 35
3.6 倒傳遞類神經網路的訓練過程 …………………………………… 42
3.7 倒傳遞類神經網路的辨識過程 …………………………………… 45
第四章 系統架構 ………………………………………………………………… 47
4.1 環境設定 …………………………………………………………… 48
4.2 設備說明 …………………………………………………………… 49
4.3 車牌特徵擷取 ……………………………………………………… 51
4.4 車牌資料庫之類神經訓練 ………………………………………… 60
4.5 掃描及辨識 ………………………………………………………… 63
4.5.1 輸入欲辨識影像……………………………………………… 63
4.5.2 灰階轉換 …………………………………………………… 63
4.5.3 掃描視窗……………………………………………………… 64
4.5.4 1-D非遞迴式離散週期性小波轉換 ………………………… 66
4.5.5 特徵擷取 …………………………………………………… 66
4.5.6 類神經辨識 ………………………………………………… 67
4.5.7 驗証 ………………………………………………………… 68
第五章 實驗結果與討論 ………………………………………………………… 73
第六章 結論與未來展望………………………………………………………… 80
參考文獻…………………………………………………………………………… 81

[1]蕭湧晉，使用滑動視窗於車道環境中的車牌辨識，國立高雄第一科技大學，電腦與通訊工程研究所，碩士論文，民國九十七年七月。
[2]陳鴻文，車輛辨識系統應用於車輛進出管制，國立高雄第一科技大學，電腦與通訊工程研究所，碩士論文，民國九十六年六月。
[3]許智達，基於非遞迴式離散週期小波轉換之車牌辨識系統，清雲科技大學，電子工程研究所，碩士論文，民國九十五年六月。
[4]林志銘，基於一維非遞迴式離散週期小波轉換之車牌辨識系統，國立高雄第一科技大學，電腦與通訊工程研究所，碩士論文，民國九十七年七月。
[5]K. C. Hung, Y. J. Huang, F. C. Hsieh and J. C. Wang, “An AOCA-based VLSI architecture for non-recursive 2D discrete periodized wavelet transform”, Digital Signal Processing, 2002. DSP 2002. 2002 14th International Conference on Volume 1, Vol.1, pp.273 – 276, July. 2002.
[6]C. F. Tsai, H. S. Wang, and K. C. Hung, “A high efficient non-recursive discrete periodized wavelet transform for extracting the transformed coefficients of coarser resolution levels”, The 2004 IEEE Asia-Pacific Conf. on Circuits And Systems, pp. 661-664, Dec. 2004.
[7]K. C. Hung, “The generalized uniqueness wavelet descriptor for plannar closed curves”, IEEE Trans. Image Processing, Vol.9, pp.834-845, May. 2000.
[8]S.Mallet, “A theory for multiresolution signal decomposition: The wavelet representation”, IEEE Trans. Pattern Anal. Machine Intell, Vol.11, pp.674-693, July. 1989.
[9]葉怡成，類神經網路模式應用與實作，儒林圖書公司，第四版三刷，第4-2~4-51頁，民國九十三年六月。
[10]謝富強，「非遞迴式二維離散週期性小波轉換之AOCA超大型積體電路架構」，私立義守大學電子工程研究所，碩士論文，民國九十一年六月。
[11]K. C. Hung, Y. S. Hung, and Y. J. Huang, 2001, “A non-separable VLSI architecture for 2D discrete periodized wavelet transform”, IEEE Trans. on VLSI systems, Vol. 9, No. 5, pp.565-576, Oct. 2001.
[12]葉怡成，類神經網路模式應用與實作，儒林圖書公司，第四版三刷，第4-2~4-51頁，民國九十三年六月。
[13]I. Daubechies, “Orthonormal Based of Compactly Supported Wavelet”, Communications in Pure Applied Math, Vol.41, pp.909-996, 1988.
[14]A. S. Lewis, G. Knowles, “VLSI architecture for 2D Daubechies wavelet transform without multipliers,” Electronics Letters, vol. 27, no. 2, pp. 171-173, Jan. 1991.
[15]蘇木春，張孝德，機器學習：類神經網路、模糊系統以及基因演算法則，全華科技圖書股份有限公司，民國九十三年一十一月。
[16]王進德，類神經網路與模糊控制理論入門，全華圖書公司，台北，民國九十年。
[17]葉怡成，類神經網路模式應用與實作，儒林圖書公司，第四版三刷，第4-2~4-51頁，民國九十三年六月。
[18]缪紹剛，數位影像處理-活用Matlab，全華科技圖書股份有限公司，民國九十四年六月。
[19]王政偉，「結合小波轉換與類神經網路辨別電力開關之切換」，私立中原大學電機工程學系，碩士論文，民國九十二年七月。
[20]陳順宇，鄭碧娥， “統計學 四版”，第2-4 – 2-5頁，民國九十三年三月
[21]http://www.avi.com.tw/digital_camera/digital-camera-fujifilm/digital-camera-fujifilm-f100.htm

[22]R.C. Gonzalez, and R.E. Woods, Digital Image Processing Addison-Wesley, 2006.