第三章 研究架構
3.5 車牌字元辨識
校正的動作，但由於形態學本身的特性容易在校正後造成字形的模糊及 字體相連的問題，因此在此利用近鄰插補法(Nearest-neighborhood
interpolation)，補足所需要的資訊，本研究雖然也有嚐試利用線性插補法 (Linear interpolation)來補足所需要的資訊，但由於線性插補法在小物件字 型較不容易看出成效且需要利用較多的計算時間，因此只需要利用近鄰 插補法即可達到相當不錯的效果。
[
( ), ( )]
) ,
1(x y g round x round y
f = s 方程式 24
Ø 偏斜
在拍攝車輛影像時，可能造成旋轉的原因有二：一為攝像設備傾斜 或地面不平坦所造成；另一則為拍攝位置、角度等。其中前者所造成的 影響純粹為旋轉，而後者就產生了偏斜問題，在大多數的例子中兩者是 同時發生的。因此利用 Hough Transform 計算所得的資料包含了前述的兩 項因素，必須一併校正。
經過旋轉校正後，即使原始影像仍存有偏斜現象，其特性亦已改變，
只要以剪變效應視之即可。最普遍的兩種剪變轉換是 x 與 y 方向剪變。
字元識別問題，其實是一簡單的資料分類問題。近年來，類神經網 路(Neural Network)扮演了在資料分類上，一個十分重要的角色，類神經 網路是依據人類的思考與腦部活動而建構出的一種類似大腦功能的數學 模型。類神經網路也有類似人類腦細胞由許多簡單而彼此相互連續的神 經元所組成，而它們之間進行平行處理運算，且其架構也有其規律性。
而 SimNet，則是結合了類神經網路以及模糊邏輯之後，所產生的一個新 的模式。
SimNet 為一兩層式的類神經網路，分別為輸入層(Input Layer)與輸出 層(Output Layer)；輸入層用來接收輸入的各個特徵，而輸出層則用來表 示所輸入者所被歸類的情況。其中輸入層與輸出層以完全連結(Fully Connected)的型式存在。
為了避免輸入向量中的某個值具有過巨大的數值，進而掌控了整體 的輸出結果，因此適當的正規化是必要的，本研究對於每個輸入輸入神 經元都將之正規化為 0 到 1 的區間。
Ø 學習階段
在學習階段中，首先必須計算 Matching Degrees 也就是相似程度，主 要為了比對 Pattern 的相似性。Matching Degrees 的計算公式如下：
∑ ∑
∑
= +
i i
i i i
i i
I W
W I W
I
MD ( )( ) ε
)) , min(
( ) , (
2
方程式 25
) , ( ) , ( ) , ( lim
0MD I W = S I W ⋅S W I
→
ε 方程式 26
其中，S(I,W)代表了 I 歸屬為 W 之子集合的程度[30]
計算完 Matching Degrees 之後找出其中的最大值，並與兩個門檻值
2 1,ρ
ρ 進行比較，其中0≤ ρ1 < ρ2 ≤1，在 MDs>ρ2時，代表樣本與某類別 相似程度非常高，並不需要對權重更新。在ρ1 ≤MDs ≤ρ2時，表示與某類 別相當類似，而其間的差異則可能導因於小群體間的變異。在此，透過 更新其權重來使其更接近真實分類狀況，當MDs ≤ ρ1時，則表示了完全不 與任何過去的經驗相似，必須另外產生新類別以容納此類樣本。
<
≤
≤
>
1 2 1
2
ρ ρ ρ
ρ MDs
MDs MDs
Ø 權重更新法則
如果神經元 J 在比對階段具有最大值，在必須更新的狀況下，所有與 J 有關的權重，都必須以下面的公式進行更新。
i W
I
WJi = r i − Ji old ∀
∆ + − )( ( )),
1 1 ( β
α 方程式 27
i W W
WJi = Ji(old)+∆ Ji, ∀ 方程式 28
其中的β≥1表示訓練的次數，而 r 則為常數，影像收斂的速率。在 經過大量的訓練後，其中的權重，將不再產生重大的改變。而這樣的狀 態，我們稱之為收斂，亦即lim∆ =0
∞
→ W
t ，其中，t 為訓練的次數。
當α=0時，SimNet 將強迫不進行學習任何新的 Pattern，當網路已經 訓練好之後，必須將α=0，使其專門供進行辨識時使用，而當α=1時，
則強迫 SimNet 網路將權重重新進行改寫的動作。大多數的情況在進行監 督學習或非監督式學習時，α值通常都是介於 0 與 1 之間。
完全符合，不需要更新權重 符合，需要進行權重的修改 不符合，需要建立新類別
3.5.2 車牌字元辨識
此節中，我們主要將工作分為兩個部份，分別為學習階段與辨識階段。在學 習階段中主要為將初始化後的 SimNet 進行各式的學習過程，主要的輸入為車牌 所取出的字元，並且產生適當的權重，而當所訓練所得到的結果錯誤率收斂到相 當小的階段，訓練期完成，進行辨識階段，這個階段主要是利用這些權重來進行 辨識的工作，並且其α 值為零，權重無法再進行修正的動作。
茲將分別描述如下：
Ø 學習階段：在學習階段中，各個程序如下
1. 蒐集由照片中取出 0~9 與 A~Z 及軍、使、外等字體樣本。
2. 樣本蒐集完畢後，便開始進行訓練工作 3. 進行訓練
4. 直到各個樣本收斂至一定的程度 5. 儲存權重值
Ø 辨識階段：利用前面學習權重，進行辨認，此時權重已 不再調整了。
在學習階段，必須判斷學習是否具成效，因此需要一個收斂程度的 判斷標準，由於 SimNet 主要進行的識別為分類之用，因此我們在識別的 正確率方面採用以下公式作為判斷的基準。
Error Rate = (錯誤分類的樣本數)/(已 識 別 的) 方程式 29 本 數
當 Error Rate 小於百分之二且不有任何變化產生，即代表讓訓練成果 已收斂至一定的程度，可以將其權重拿來作為辨識之用。