緒論

第一章 緒論

1.1 研究背景與動機

車輛調查和交通監控的工作量會日漸提升。過去警察為了追蹤車輛，必須調閱範 圍內所有路口監視器，以肉眼過目可疑時段監視畫面、找尋特定車牌，相當的耗 時與費力。所以隨科技進步，上述煩瑣辛苦之事，可透過車牌辨識系統來減輕工 作量。

雖然車牌辨識系統已廣泛的應用於許多交通設施中，例如智慧停車場、交通 收費系統等等。但將上述之系統架構應用於一般道路之路口監視器時，會因為複 雜的環境而遇到許多挑戰。這些變因都會在偵測車牌時產生大量的誤報，使車牌 辨識的準確率變低。以下介紹過去研究遭遇較多、較大的影響因子：

1. 複雜的道路環境：

臺灣的道路較為擁擠，並且充滿需多物件，有商店招牌、交通號誌、路名指 標、車身廣告、攤販或行人、行道植栽，以及各種未知樣式與顏色的車輛。其中 又以商店招牌與車身廣告最具影響，這些物件常會出現字元排列的標示(電話或編 號、標語)，其特徵與車牌非常相似。

- 2 -

圖 1-1 車身廣告與大量字元資訊 光線與陰影的變換：

天色轉換、天氣變化皆會對在街道上所拍攝的影像產生差異。亦或是車輛大 燈之類不穩定光源影響，對車牌影像的處理增加許多困難。

圖 1-2 不同光線下之車牌

2. 不同的車牌顏色、編碼與字體：

台灣車牌大多為白底，還有部分紅底、綠底、黃底；字則分為黑字、紅字、

綠字等不同顏色；車牌的字元排列則有四至七碼，英文、數字不規則混雜；字體 樣式因多次改版而有所不同，整體車牌樣式非常多樣。除此之外，更多狀況在於 車牌上的車行廣告、髒汙、檢驗貼紙，以及車牌字體掉漆等等。

圖 1-3 車牌上的檢驗貼紙與車行廣告

- 3 -

- 4 -

1.3 研究方法概述

本論文提出的系統分為四個部分，包含車輛偵測、車牌偵測、字元分割，與 字元辨識。

圖 1-5 車牌辨識系統流程圖

第一個車輛偵測的部分，使用 COCO 2017[1]的資料集訓練物件偵測架構 YOLOv2[2]來抓取車輛。車輛的種類分為汽車、機車、公車與卡車。這個階段會 將偵測到的車輛座標輸出至下個階段。

- 5 -

圖 1-6 從輸入影像偵測車輛位置

第二個部分車牌偵測，使用 SVM 分類器針對上階段偵測到的車輛進行偵測 車牌，透過此架構可濾除許多誤報。SVM 分類器為監督式機器學習方法，訓練 階段準備大量正樣本(車牌)與負樣本(非車牌)，以 HOG 方向梯度直方圖為特徵來 訓練 SVM 分類器。並且車牌偵測的過程會透過縮放偵測窗(detect window)於輸入 影像上滑動，以確保不同大小的車牌都會被偵測到。

圖 1-7 從車輛區域偵測車牌位置

第三個部分，將 SVM 偵測到的車牌影像經過灰階轉換、二值化、水平與垂 直投影的程序，完成字元分割。為適應道路環境多變的光影分布，以及不同髒汙

- 6 -