臺灣博碩士論文加值系統

傳統三維建物模型建置的資料來源需實地拍攝取景，不僅耗時且所耗費的設備資源成本相當昂貴。本研究利用谷歌街景服務及路線規劃，建置搭配JavaScript、CSS及HTML之網路平台，取得街景影像素材。在跨平台直譯式語言Python模組中，加入平滑濾波、邊緣偵測、形態學影像處理、一系列限制條件及平行運算多處理器處理（Multiprocessing），發展自動化偵測街道標示之演算法，並利用Amazon EC2所提供的雲端運算之彈性調配資源服務，最後利用Flask網頁應用框架進行整合後端與前端，建置自動偵測街道標示之影像串流路徑預覽系統，提供後續延伸與擴展應用之範圍。
測試一條路徑共176張街景影像，僅需約4.49分鐘，即每一張影像的偵測僅需約1.53秒；使用搭載32核心的運算優化電腦，其租金每小時僅US＄1.68。在這些街景影像中，街道標示牌之自動偵測準確率達80.56%。

Conventional three-dimensional building modeling requires on site shooting for data gathering, therefore, it is not only time-consuming but also very expensive. In this study, we propose a method that utilizes Google Street View service and route planning by using JavaScript, CSS and HTML to build a web application which can also be used to retrieve raw image data. Python, an interpreted cross-platform programming language, is used to implement algorithms in filtering, edge detection, morphological image processing, and set constraints for automated street sign detection. In addition, parallel computing (multiprocessing) is adopted for the implementation of these algorithms that can be executed on Amazon EC2, a flexible deployment resources service for cloud computing. Finally, Flask, a web application framework, is used to distribute processed images from the back-end side to the front-end side. This fully automatic street sign detection with video streaming preview system can provide a wide range of subsequent applications.
For a path with a total of 176 images, it takes 4.49 minutes to process, leading to 1.53 seconds for each image when using a 32-core computer for operations. The rent on Amazon EC2 at the time of this study is US $ 1.68 per hour. Detection accuracy of street signs is 80.56% among these test street view images.

致謝 i
中文摘要 ii
ABSTRACT iii
目次 iv
圖目次 vii
表目次 xii
附錄表目次 xiii
第一章 緒論 1
1.1 前言、研究動機與目的 1
1.2 文獻回顧 4
1.3 研究願景 6
1.4 研究流程 7
1.5 論文架構 8
第二章 研究理論與方法 9
2.1 搜集素材 9
2.1.1 Google Street View Image API 9
2.1.2 軟體工具 10
2.1.3 路線規劃與Google街道影像串流 12
2.2 街道標示影像特徵偵測 13
2.2.1 軟體工具 15
2.2.2 影像前處理 16
2.2.3 邊緣偵測 18
2.2.4 形態學影像處理 23
2.2.5 設定篩選特徵之限制條件 27
2.2.6 平行運算多處理器處理 30
2.3 網頁應用程式設計 31
2.3.1 軟體工具 32
2.3.2 使用介面 33
第三章 平台環境與操作介面 35
3.1 軟硬體工具 35
3.1.1 開發環境及語言 35
3.1.2 亞馬遜彈性雲端運算服務 36
3.2 操作介面介紹 46
第四章 實驗成果與分析 56
4.1 實驗路線 56
4.2 偵測成功之街道標示 58
4.2.1 自動偵測演算法處理過程示意圖 58
4.2.2 偵測成功之街道標示示意圖 66
4.3 偵測失敗之街道標示 68
4.3.1 影像中有缺陷之街道標示示意圖 68
4.3.2 偵測錯誤之街道標示示意圖 69
4.4 實驗成果 71
4.5 成本分析 73
第五章 結論與未來展望 74
5.1 結論 74
5.2 未來展望 76
參考文獻 78
附錄 82

呂文助，2011，以Canny邊緣檢測法與形態學分割方法探討大鼠聲門面積曲線之研究，國立台灣師範大學機電科技學系碩士論文。
林域展，2011，影像處理與類神經網路技術於道路交通標誌辨識之研究，國立國立中興大學土木工程學系碩士論文。
林域展、蔡榮得，2011，影像處理與類神經網路技術於道路交通標誌辨識之研究，第三十屆測量及空間資訊研討會論文光碟，國立國立中興大學，論文編號69-1，共9頁。
張峻珽，2011，谷歌街景影像中興趣點直接地理定位之研究，國立國立中興大學土木工程學系碩士論文。
張峻珽、蔡榮得，2011，谷歌街景影像中興趣點直接地理定位之研究，第三十屆測量及空間資訊研討會（學生論文獎），國立國立中興大學，台中市，編號70-1，共10頁。
陳翔傑，2005，自動化車牌辨識系統設計，國立中央大學電機工程研究所碩士論文。
望熙榮、望熙貴，2015，OpenCV with Visual Studio影像辨識處理，博碩文化，新北市。
黃世名，2011，道路影像交通標誌偵測與正規化處理之研究，國立國立中興大學土木工程學系碩士論文。
黃世名、蔡榮得，2011，道路影像交通標誌偵測與正規化處理之研究，第三十屆測量及空間資訊研討會論文光碟，國立國立中興大學，論文編號161-1，共10頁。
彭騏，2010，用於路線規劃的整合式平滑谷歌街景影片與地圖，國立台灣大學電機資訊學院資訊網路多媒體研究所碩士論文。
曾韻榮，2006，高速公路上之道路牌文字偵測，國立中央大學資訊工程研究所碩士論文。
蔡榮得，2015，影像處理－數學型態影像處理，國立國立中興大學土木工程學系蔡榮得教授之影像處理課程，第八章。
蔡榮得，2015，影像處理－數學型態影像處理，國立國立中興大學土木工程學系蔡榮得教授之影像處理課程，第十二章。
繆紹綱，2004，數位影像處理，第二版，初版二刷，台灣培生教育出版股份有限公司，臺北市。
繆紹綱，2009，數位影像處理，第三版，初版一刷，台灣培生教育出版股份有限公司，臺北市。
Amazon Web Services, 2016, https://aws.amazon.com/, accessed on 30th Mar., 2016.
Anguelov, D., C. Dulong, D. Filip, C. Frueh, S. Lafon, A. Ogale, L. Vincent and J. Weave, 2010. Google Street View: Capturing the World at Street Level, Computer, vol. 43, no. 6, pp. 32-38.
Canny J., 1986. A Computational Approach to Edge Detection, 1986 IEEE Trans. Pattern Anal. Machine Intell., Vol. 8, No. 6, pp. 679-698.
Flores, A. and S. Belongie, 2010. Removing pedestrians from Google Street View images, 2010 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), San Francisco, CA, June, 2010, pp. 53-58.
Gonzalez, R. C. and R. E. Woods, 2002. Digital Image Processing, 2nd ed., Pearson, Prentice Hall, Upper Saddle River, NJ, US.
Gonzalez, R. C. and R. E. Woods, R, 2008. Digital Image Processing, 3rd ed., Pearson, Prentice Hall, Upper Saddle River, NJ, US.
Gorelick M. and I. Ozsvald, 2014. High Performance Python, O’Reilly Media, Inc., 1005 Gravenstein Highway North Sebastopol, CA 95472.
Haralick, R. M. and L. G. Shapiro, 1993. Computer and Robot Vision, Addison-Wesley, New York.
Li, D., Q. Zhu, Q. Liu and P. Xu, 2005. From 2D to 3D GIS for CYBERCITY, 2005. International Conference on Spatial Information Theory and Application, Taichung, Taiwan, May 2005.
Loy, G. and N. Barnes, 2004. Fast Shape-based Road Sign Detection for a Driver Assistance System, 2004 IEEE/RSJ Conference on Intelligent Robots and Systems (IROS), Vol. 1, pp. 70-75.
McAndrew, A., 2004. Introduction to digital image processing, Thomson Course Technology, Boston.
OpenCV-Python Tutorials’s Documentation, 2016, https://opencv-python-tutroals.readthedocs.io/en/latest/, accessed on 4th Feb., 2016.
Peng, C., B. Y. Chen and C. H. Tsai, 2010. Intergrated Google Maps and smooth Street View videos for route planning, International Computer Symposium (ICS), Tainan, Taiwan, Dec. 2010, pp. 319-324.
Tsai, V. J. D. and C. T. Chang, 2012. “Feature Positioning on Google Street View Panoramas,” XXII ISPRS Congress, Melbourne, Australia, ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. I-4, pp. 305-309.
Tsai, V. J. D. and C. T. Chang, 2013. Three-dimensional positioning from Google street view panoramas, IET Image Processing, Vol. 7, Issue 3, pp. 229-239.
Vincent, L., 2007. Taking online maps down to street level, Computer, vol. 40, no. 12, pp. 118-120.
Zhu, W. G., G. J. Hou and X. Jia, 2002. A Study of Locating Vehicle License Plate Based on Color Feature and Mathematical Morphology, 2002 IEEE Conference on Signal Processing, Aug. 2002, Vol. 1, pp. 748-751.