文獻探討

近年來手機與網路蓬勃發展，利用這兩種工具來開發的贓車偵測系統也越來 越多，目前國內有許多相關研究，例如[Lai 11]以智慧型手機具備的可攜性以及類 似個人電腦的資訊處理能力當作是使用者端，並實作一個贓車查緝系統。[Zhe 11]

也是利用搭配 Android 的手機作為前端，並經由 WeOCR 辨識系統[Ref 01]識出車 牌號碼後，再把號碼透過警政署贓車查詢系統來偵測是否為贓車，諸如此類的系 統發展也越來越多，越來越受重視。

本研究使用者端部分也是因智慧型手機的多功能性和便利性來做開發，至於 伺服器端的部分，主要有兩個任務，第一是以應用電腦視覺技術的車牌辨識系統，

而這部份又可細分為車牌定位以及字元辨識，接續的兩小節會提出相關的文獻探 討。第二部分是智慧查詢贓車資料庫，所具備的容錯功能是基於馬可夫編輯距離 計算方式來取決於最佳的結果，相關文獻會在本章最後一小節提出。

1.2.1 車牌定位的文獻探討

目前大部分車牌定位的方法是基於車牌形狀與特徵，在影像中尋找這些特性 的位置，找到的位置我們便可視為候選區域，之後再進一步分析是否為車牌，例

如[Zhe 05]利用 Sobel 邊緣偵測的影像處理技術，先對原影像處理過後找出邊界部 分，再移除背景以及雜訊邊緣，最後再利用到四邊形 window 去尋找出可能的車 牌位置。[Guo 08]的研究也是對影像作邊緣偵測後，再利用 Hough transform 計算 這些 edge 所構成的直線方程式，在得到所有的直線方程式後，便可知道影像中是 否有兩條平行線所構成的區塊，再把這區塊視為候選區塊，最後再利用文字辨識 技術分析是否為車牌。上述方法是尋找車牌區塊邊界，我們亦可利用車牌上的特 徵尋找車牌位置，以[Qin 06]的研究得知，車牌內文字部分會產生許多 corner，也 就是邊緣的轉折處，而這些 corner 會密集分佈在車牌區塊內，故先對原影像作

corner detection 之後，在找出一些 corner 密集的所在區塊，以判斷是否為車牌。

除了以 corner 當作特徵外，[Zha 06]研究以 haar-like 的遮罩來計算出影像中這一 類的特徵點，遮罩大小可依據車牌樣式決定，最後再配合 Adaboost 分類器決定這 些特徵點是否為車牌的特徵。

1.2.2 字元辨識的文獻探討

經過車牌定位的過程後，接著是要對車牌進行字元辨識，大致上可分為兩種，

其一是利用分類器（Classifiers）做分類，首先找出大量的車牌影像，從中切割出 文字影像當作訓練樣本，分類方法可以用 Support Vector Machine （SVM）或是

[Gao 07]所用的類神經網路系統，最後便可辨識出字元。另一種方法是樣板比對 法（Template match），例如[Tan 05]，主要作法第一步驟是要建立標準字元圖庫，

以其作為樣版，並將欲比對的字元，縮放至跟樣板大小相同，以點對點方式做比

對，從字元圖庫中找出最相似的字元樣版即為該辨識結果。

1.2.3 字串比對文獻探討

字串比對已經是非常重要且基本的議題，以本研究來說，經過車牌辨識系統 出來的結果要與資料庫車牌號碼作比對，這當中的字串比對，必須要具備容錯的 功能，主要是因為車牌辨識系統的結果並非完美，如果沒有容錯功能，可能會導 致應找到而未找到的可能性，故我們利用字串之間的編輯距離（edit distance）來 代表字串間的相似程度。傳統上，編輯距離代表的是將一個字串編輯為另一個字 串所需的最小編輯動作數，而編輯動作包含『插入字元（insert）』，『刪除字元

（delete）』，『取代字元（replace）』三種動作，然而傳統的方法是每一個編輯動作 之編輯代價均為 1，故傳統的編輯距離真正所代表的是兩字串間結構上的差異[Gar

03]，而非兩字串間真正的相似程度。

因此我們必須重新自訂字元間編輯動作所需的代價，可依照字元形狀、輪廓 比對時要考慮的線段長度與方向[Tsa 85]來定義，當定義好後，計算字串之間差異 最常用的是動態規劃（Dynamic Programming），而動態規劃表格中字串的轉換過 程，可以視為一個馬可夫隨機場[Wei 04]，並依據特定性質定義的派系（Clique）

能量函數，計算出該特性的編輯距離，如此便能反映出兩字串之間的編輯距離 了。