字元辨識

在車牌辨識系統中，字元辨識亦屬十分重要的一個環節，本研究於 字元辨識上採用 SimNet 作為辨識之用，為了確保類神經網路學習上的正 確性與加快學習速度，因此我們建構了一個離線學習系統。此離線學習 系統經由實際的車牌影像中，取出號碼樣本作為學習樣本，透過類神經 網路反覆調整網路間的權值，以進行學習的步驟。

在學習的樣本與供後續測試的樣本，必須經過正規化的程序，因此 我們在取樣時即將所取得的樣本進行正規化的動作。學習的部分，本研 究將訓練出三個辨識用的類神經網路，分別為數字、英文字以及英數混 合的字體。由於 SimNet 主要的特色在於分類上，因此在數字上我們主要 是要將樣本分類為 10 類，而英文字及英數混合則為 26 類與 36 類。

在進行字元的正規化的部份，我們主要將字元影像正規為兩種不同 的大小，分別為 12x24 與 16x16，以比較其訓練與辨識時辨識率的差距。

在比較表中，歸類錯誤屬於型 I 誤差，而辨識錯誤屬於型 II 誤差。

表格 5：多車輛影像辨識率統計表

階段代表至此步驟的成果，整體為就全體考量而言

訓練次數 20000 測試次數 2938 學習率 0.1 字元影像

樣本數 221 203 220 260 166 240 241 216 218 233 訓練資料 198 182 198 234 149 216 216 194 196 209 測試資料 23 21 22 26 17 24 25 22 22 24 錯誤歸類 1 0 6 20 13 0 1 0 28 1 錯誤歸類率 0.03% 0% 0.2% 0.6% 0.4% 0% 0.03% 0% 0.95% 0.03%

辨識錯誤 2 0 0 19 0 3 26 19 1 0 辨識錯誤率 0.07% 0% 0% 0.64% 0% 0.1% 0.88% 0.64% 0.03% 0%

訓練次數 20000 測試次數 2938 學習率 0.1 字元影像

樣本數 221 203 220 260 166 240 241 216 218 233 訓練資料 198 182 198 234 149 216 216 194 196 209 測試資料 23 21 22 26 17 24 25 22 22 24 歸類錯誤 0 0 4 18 12 0 31 0 17 17 歸類錯誤率 0% 0% 0.14% 0.61% 0.4% 0% 1.1% 0% 0.58% 0.58%

辨識錯誤 0 0 0 27 0 33 3 22 14 0 辨識錯誤率 0% 0% 0% 0.91% 0% 1.1% 0.1% 0.75% 0.48% 0%

在數字方面共取得了 2218 個字元影像，各正規化為 16x16 與 12x24 兩種影像，發覺將字元正規化為 12x24 較 16x16 的正規化方式辨識率較 高。

在 SimNet 數字訓練方面，12x24 字體與 16x16 字體的正確率分別為 97.6%與 96.7%，12x24 的字體辨識率較高。

在 SimNet 英文字訓練方面，12x24 字體與 16x16 字體的正確率分別 為 92%與 84.3%。而英數混合直接將兩種加總訓練即可，由於仍有許多誤

表格 6：SimNet 字元訓練 12x24 數字

表格 7：SimNet 字元訓練 16x16 數字

判的字，利用反向舉例監督式學習，將字體外型與所識別的類別大異其 趣的部份予以舉例使其調整權重將該樣本過濾掉，之後再進行一次識別 程序，應可以得到更好的成果。

訓練次數 20000 測試次數 5661 學習率 0.1 字元影像

樣本數 37 48 67 17 33 25 68 44 29 39

訓練資料 33 43 60 15 29 22 61 39 26 35

測試資料 4 5 7 2 4 3 7 5 3 4

錯誤歸類 0 4 1 198 13 0 32 4 0 0

錯誤歸類率 0.0% 0.1% 0.0% 3.5% 0.2% 0.0% 0.6% 0.1% 0.0% 0.0%

辨識錯誤 0 186 34 19 0 0 29 13 0 0

辨識錯誤率 0.0% 3.3% 0.6% 0.3% 0.0% 0.0% 0.5% 0.2% 0.0% 0.0%

字元影像

樣本數 82 73 37 25 40 26 45 38 22 23

訓練資料 73 65 33 22 36 23 40 34 19 20

測試資料 9 8 4 3 4 3 5 4 3 3

錯誤歸類 0 0 1 53 28 0 6 63 0 0

錯誤歸類率 0.0% 0.0% 0.0% 0.9% 0.5% 0.0% 0.1% 1.1% 0.0% 0.0%

辨識錯誤 0 13 5 1 22 0 21 7 0 0

辨識錯誤率 0.0% 0.2% 0.1% 0.0% 0.4% 0.0% 0.4% 0.1% 0.0% 0.0%

字元影像

樣本數 20 54 38 24 36 17

訓練資料 18 48 34 21 32 15

測試資料 2 6 4 3 4 2

錯誤歸類 0 0 0 0 0 0

錯誤歸類率 0.0% 0.0% 0.0% 0.0% 0.0% 0.0%

辨識錯誤 72 51 0 0 0 0

辨識錯誤率 1.3% 0.9% 0.0% 0.0% 0.0% 0.0%

表格 8：SimNet 字元訓練 12x24 英文字

訓練次數 20000 測試次數 5661 學習率 0.1 字元影像

樣本數 37 48 67 17 33 25 68 44 29 39

訓練資料 33 43 60 15 29 22 61 39 26 35

測試資料 4 5 7 2 4 3 7 5 3 4

錯誤歸類 0 80 14 119 21 0 14 43 0 0

錯誤歸類率 0.0% 1.4% 0.2% 2.1% 0.4% 0.0% 0.2% 0.8% 0.0% 0.0%

辨識錯誤 50 107 111 51 0 46 46 0 58 0

辨識錯誤率 0.9% 1.9% 2.0% 0.9% 0.0% 0.8% 0.8% 0.0% 1.0% 0.0%

字元影像

樣本數 82 73 37 25 40 26 45 38 22 23

訓練資料 73 65 33 22 36 23 40 34 19 20

測試資料 9 8 4 3 4 3 5 4 3 3

錯誤歸類 50 0 1 58 1 46 46 79 0 109

錯誤歸類率 0.9% 0.0% 0.0% 1.0% 0.0% 0.8% 0.8% 1.4% 0.0% 1.9%

辨識錯誤 51 72 46 1 0 0 1 85 3 51

辨識錯誤率 0.9% 1.3% 0.8% 0.0% 0.0% 0.0% 0.0% 1.5% 0.1% 0.9%

字元影像

樣本數 20 54 38 24 36 17

訓練資料 18 48 34 21 32 15

測試資料 2 6 4 3 4 2

錯誤歸類 0 3 0 0 0 0

錯誤歸類率 0.0% 0.1% 0.0% 0.0% 0.0% 0.0%

辨識錯誤 51 54 0 0 0 0

辨識錯誤率 0.9% 1.0% 0.0% 0.0% 0.0% 0.0%

表格 9：SimNet 字元訓練 16x16 英文字

字體影像檔

影像正規化 (16x16)

權 重 檔

1.數字 2.英文 3.英數混合

SimNet學習 模組

監督網路進行 權重的調整

驗証測試 樣本

辨識率 SimNet辨識

模組

車輛數 車號數 辨識正確 辨識錯誤 辨識率 定位錯誤 22 132 0 132 0.00%

車號完全辨識 509 3054 3054 0 100.00%

車號部份辨識 178 1068 850 218 79.59%

總辨識 709 4254 3904 350 91.77%

車輛數 車號數 辨識正確 辨識錯誤 辨識率 定位錯誤 12 72 0 72 0.00%

車號完全辨識 152 912 912 0 100.00%

車號部份辨識 36 216 151 65 69.91%

總辨識 200 1200 1063 137 88.58%

造成英文字型辨識率較數字字型為差的原因，主要為數字字型的相 似字體較少，僅「0」、「8」、「9」較容易誤判，但由於其特徵相當明顯，

不容易誤判。而在英文字型上則相似字較多如「 I」與「J」、「O」與「D」、

「O」與「Q」等，故誤判的機會較高。在英數字型上的辨識更是問題重 重，諸如「0」與「O」及「Q」、「B」與「8」、「I」與「1」等，因此辨識 出來的效果更差。不過最後的字元辨識率仍較[31]採用的倒傳遞網路為

圖 15：SimNet 辨識流程

表格 10：640x480 車輛號碼辨識率統計表

表格 11：1280x1024 車輛號碼辨識率統計表

高。

不過之所以使得本研究的字元辨識率較[31]為高的原因，主要是由於 本研究在字元進行辨識前已經進行過大小、旋轉與偏斜字體的正規化程 序。雖然[31]也有進行大小的正規化，卻少了旋轉、與偏斜等正規化步驟。

由於其所採用的倒傳遞網路有隱藏層，因此對於偏斜具有適當容忍的能 力，但仍可能有辨識錯誤的可能性。

圖 16：字元影像，以「2」為例

圖 17：SimNet 字元學習學習系統

而在車牌辨識系統的文字正確率方面，640x480 影像車號辨識率為 91.77%，而 1280x1024 影像車號辨識率為 88.58%。