中 華 大 學

中 華 大 學 碩 士 論 文

斜側方影像之車牌定位與辨識研究 Vehicle License Number Identification for

Oblique Images

系 所 別：機械工程學系研究所 學號姓名：M09608044 江 忠 錦 指導教授：范 志 海 博 士

中 華 民 國 九十九 年 八 月

i

摘 要

由於台灣的車輛密度很高，因此車輛的管理就顯得格外重要。車牌辨識是一個有 效的方式，然而在一般環境中很難保證取得無歪斜的車牌，歪斜車牌會影響到車牌定 位的結果，所以本研究提出一個方法來定位與辨識車輛斜側方影像中的歪斜車牌。

本研究以個人電腦為平台，使用直方圖均值化、Kuwahara濾波器、小波轉換、

Otsu法二值化、霍夫轉換、細化和字元特徵等方法來進行車牌定位與車牌辨識。首先，

利用直方圖均值化和Kuwahara濾波器進行影像處理，再利用小波轉換與Otsu法二值化 進行車牌定位，然後利用霍夫轉換矯正歪斜車牌，最後利用細化與字元特徵來進行字 元辨識。

關鍵字:影像處理、車牌定位、車牌辨識

ABSTRACT

Because of the high density of vehicles in Taiwan, the management of vehicles is very important. Vehicle license plate recognition is an effective way, but in the general environment it is difficult to assure that the license plate without tilt which will affect the recognizing results of license plate location, so we propose a method to locate and identify the vehicle license plate in oblique images.

Based on the PC platform, the Histogram Equalization, Kuwahara filter, wavelet transform, Otsu binary value method, Hough transform, Thinning and character characteristic value are used to locate the license plate and recognize it’s number. First, we us the Histogram Equalization and the Kuwahara filter for image processing, and then use wavelet transform and Otsu binary value method for license plate location, use Hough transform to correct distort plate, and finally use thinning and character characteristic value to do character recognition.

Keywords: Image Processing, Recognition of license plate, license plate location

iii

致謝

在研究所的這幾年中，讓我學到了很多的東西，首先我要感謝的，是我在研究所 地的指導老師 范志海教授，由於老師在我研究遇到瓶頸時的指導與建議，讓我能順 利完成這項研究。再來要感謝口試委員 葉茂勳教授，與 陳振文教授在口試時的指 點，讓一些缺失得以修正。

再來要感謝我的父母，由於他們在經濟上對我的支持，讓我可以專心在課業與研 究上，而不必去擔心生活上與經濟上的問題，我的兩位姊姊和妹妹也會在閒暇時陪我 聊天，讓我輕鬆許多。

另外要感謝愛抽菸的學長彭裕航，他留下的一些書籍對我非常有幫助，臭猴子學 長以及實驗室的同學小史、阿哲、小岡，學弟妹小倩、蕭大俠、小豪也在念研究所期 間帶給我很多歡樂，排解了許多的壓力。謹以此文獻給所有曾經幫助過我的師長及親

友，謝謝你們對我的幫助。

目錄

摘 要 ... i

ABSTRACT ... ii

致謝 ... iii

表目錄 ... vi

圖目錄 ... vii

第一章 緒論 ...1

1.1 研究動機 ...1

1.2 相關研究回顧 ...1

1.3 論文架構 ...3

第二章 硬體設備與系統架構 ...3

2.1 硬體設備 ...3

2.2.1 硬體平台 ...3

2.2.2 取像裝置 ...4

2.2 辨識系統流程 ...5

第三章 影像處理...8

3.1 數位影像處理 ...8

3.2 影像前處理 ...8

3.2.1 彩色影像轉換成灰階影像 ...8

3.2.2 直方圖均值化 (Histogram Equalization) ...8

3.2.3 kuwahara 濾波器 ... 10

第四章 車牌定位... 13

4.1 前言 ... 13

4.2 小波轉換(Wavelet)... 15

4.3 Otsu 法[14]二值化突顯小波轉換的結果 ... 16

4.4 尋找車牌位置 ... 18

4.4.1 水平方向直線掃描 ... 18

4.4.2 矩形遮罩全圖掃描 ... 20

4.5 歪斜車牌校正 ... 23

4.5.1 霍夫轉換(Hough Transform) ... 24

4.5.2 校正 ... 31

第五章 字元切割與辨識 ... 36

5.1 尋找字元區域上下邊緣... 36

5.1.1 十字濾波 ... 36

5.1.2 尋找車牌上下緣 ... 37

5.1.2 字元切割 ... 39

5.2 字元特徵 ... 41

v

5.2.1 字元細化處理 ... 42

5.2.2 擷取字元特徵值 ... 44

5.3 階層式字元辨識 ... 46

5.3.1 第一次分類 ... 46

5.3.2 第二次分類 ... 47

6.1 樣本來源與實驗流程 ... 55

6.1.1 樣本來源 ... 55

6.1.2 實驗流程 ... 55

6.2 實驗結果 ... 56

6.2.1 車牌定位與校正 ... 56

6.2.2 字元切割 ... 57

6.2.3 字元辨識 ... 58

6.3 結果討論 ... 58

參考文獻 ... 61

表目錄

表 4.1 小波轉換係數。 ... 16 表 5.1 節點類型總數。 ... 45

vii

圖目錄

圖 2.1 HP 工作站 workstation wx8200。 ... 4

圖 2.2 Nokia X6 行動電話。 ... 5

圖 2.3 系統流程圖。 ... 7

圖 3.1 灰階分布偏低的車輛影像。 ... 9

圖 3.2 灰階偏低的車輛影像經過直方圖均值化處理後的結果。... 10

圖 3.3 Kuwahara 濾波器的矩形遮罩。... 11

圖 3.4 原始車牌影像。 ... 12

圖 3.5 經由 Kuwahara 濾波器處理後的車牌影像。 ... 12

圖 4.1 高速公路收費站的電子收費系統示意圖。 ... 13

圖 4.2 高速公路收費車牌辨識系統執行示意圖 ... 14

圖 4.3 從車輛側前方或側後方拍攝的車牌影像可能會產生歪斜的情況。 ... 14

圖 4.4 (5,3)小波轉換流程圖。 ... 15

圖 4.5 經過水平方向及垂直方向高頻轉換後的結果 ... 16

圖 4.6 小波轉換的結果經過 Otsu 法二值化計算後的結果。 ... 18

圖 4.7 中山大學王中山的研究中對車牌進行水平方向掃描的結果。 ... 19

圖 4.8 針對水平方向掃描的方法不適用於傾斜較度較大的車牌。 ... 20

圖 4.9 矩形遮罩掃描方式。 ... 21

圖 4.10 用矩形遮罩在小波轉換的結果上掃描高頻數量最多的位置。 ... 21

圖 4.11 用矩形遮罩掃描後找出車牌所在的位置。 ... 22

圖 4.12 柏油路在陽光照射下經過小波轉換後會產生大量且密集的高頻訊號。22 圖 4.13 過濾垂直方向較少的連續高頻訊號後的定位結果。 ... 23

圖 4.14 定位完成的歪斜車牌。 ... 24

圖 4.15 坐標軸上一個點，會有無限多的線段通過 ... 25

圖 4.16 通過座標





圖 4.17 影像座標平面上有多個點落在同一條直線方程式上。 ... 27

圖 4.18 在影像平面空間中同一條直線上的點，其參數空間座標上的直線會相交於一 點。 ... 28

圖 4.19 對車牌影像進行二值化處理。 ... 29

圖 4.20 從二值化後的車牌影像中尋找垂直方向高頻訊號。 ... 30

圖 4.21 經由霍夫轉換找出車牌垂直方向高頻訊號中擁有最多白點的直線。 . 30 圖 4.22 進行垂直方向霍夫轉換時將座標旋轉 90° 以避免斜率無限大的問題。31 圖 4.23 歪斜的車牌形狀不是矩形，不能直接作旋轉 ... 31

圖 4.24 直接旋轉車牌影像會造成車牌左右兩側變成不是垂直線的情形。 ... 32

圖 4.25 車牌歪斜示意圖 ... 33

圖 4.26 參考周圍像素來計算校正後的像素值。... 34

圖 4.27 經過校正後的車牌影像。 ... 35

圖 5.1 經過二值化後的車牌影像。 ... 36

圖 5.2 十字濾波示意圖。 ... 37

圖 5.3 消除雜訊後的二值化車牌影像。 ... 37

圖 5.4 二值化後的車牌在水平方向黑白轉換的數量較多的位置。 ... 38

圖 5.5 決定車牌上下緣位置。 ... 38

圖 5.6 切割字元區域上下緣之後的影像。 ... 39

圖 5.7 不同字元，垂直方向高頻數量也不同。 ... 39

圖 5.8 切割完上下緣的車牌白點投影在 x 軸上的情形。 ... 40

圖 5.9 y 軸方向黑點數量為 0 的地方為字元切割處。 ... 40

圖 5.10 完成字元切割的結果。 ... 40

圖 5.11 破折號無法被正確切割的情形。 ... 41

圖 5.12 破折號消失修正後的字元切割結果。 ... 41

圖 5.13 細化演算法所使用的 3x3 矩形遮罩。 ... 42

圖 5.14 細化範例。 ... 43

圖 5.15 節點類型。 ... 44

圖 5.16 第一次端點總數分類。 ... 47

圖 5.17 Group A 辨識流程圖。... 48

圖 5.18 Group B 辨識流程圖。... 49

圖 5.19 Group C 辨識流程圖。... 50

圖 5.20 Group D 辨識流程圖。 ... 52

圖 5.21 Group E 辨識流程圖。 ... 53

圖 5.22 Group F 辨識流程圖。 ... 54

圖 6.1 實驗流程圖。 ... 55

圖 6.2 車牌定位成功的樣本。 ... 56

圖 6.3 車牌校正成功的樣本。 ... 56

圖 6.4 車牌定位受到背景影響而失敗的樣本。 ... 57

圖 6.5 正確切割字元的樣本。 ... 57

圖 6.6 字元切割失敗的樣本。 ... 58

1

第一章 緒論

1.1 研究動機

隨著科技的進步，汽車已經成為人們交通上不可或缺的代步工具，同時，隨 著經濟發展，汽車在一般家庭的普及率也非常高，相對地，汽車也更加容易成為 犯罪的工具，因此，汽車的管理也顯得非常重要。根據交通部的統計資料(2009 年 5 月)，台灣總共有超過五百六十六萬輛小客車，其中，主要的管理方式是依靠 交通部登記發放之車牌。

雖然有很多有效的方法可以利用在車輛識別上，例如無線射頻(RFID)等無線 通訊方式，但是利用這些方法，就必須要對車輛加上額外的裝置以進行感應，部 分車主可能無法接受，且每增加一部需要登記的車輛，就必須增加一筆額外的成 本。因此，最直接的方式就是利用管理車牌的方式來進行。

雖然車牌對於車輛管理非常的有效，但是若以人工的方式來進行，無法長時 間持續地辨識車牌，為了解決這個問題，就需要一套能有效對車牌進行辨識的系 統，而車牌辨識的結果，可以應用在許多的管理場合，例如大樓停車場管理，或 是路口用於贓車查緝等。

1.2 相關研究回顧

關於車牌辨識的研究，國內外已經有不少相關論文的發表，本小節就前人的 研究做個簡單的介紹。

2003 年，賴史詠[1]以模板為基礎來進行車牌辨識，先利用車牌的字母邊界 高分差強度來判別車牌的位置並且使用影像處理的技術調整輸入影像，計算車牌 需被正規化的參數並利用相關係數的運算，計算車牌可能的傾斜角度，將車牌轉

正，再使用樣板基礎的技術辨識車牌上的數字，雖然可以有效矯正與辨識傾斜的 車牌數字，且系統所花時間並不會隨數字增加跟著等比增加，但是若車牌變形太 嚴重的話，僅僅是旋轉車牌並無法解完全校正歪斜的車牌。

2004 年，王精忠[2]以影像處理的技術，將輸入之車輛影像處理成固定解析 度之灰階影像，再以 Sobel Method 的邊緣偵測法找出車牌的邊緣，最後以濾波 器找出車牌位置；在影像二值化部份，利用動態門檻值法找出門檻值，將灰階車 牌影像轉成二值化影像；在車牌矯正部分，利用車牌下輪廓分析法找出車牌傾斜 的角度，進行矯正；在字元切割部分，利用垂直投影法找出字元的寛度，利用水 平投影法將車牌的字元切割出來，最後，將切割完成之字元影像以部分辨識法的 方式，將車牌影像中的車牌號碼辨識出來。雖然此方法在車牌定位、字元切割與 字元辨識方面皆有很高的成功率，但是車牌校正僅進行一次旋轉，無法使用在從 側面拍攝的車牌影像。

2006 年邱秉毅[3]針對特定範圍內的汽、機車車牌進行辨識，使用樣板比對 法與類神經網路進行辨識動作。車牌採用靜態固定式的擷取，再進行車牌定位、

字元的分割、字元的辨識三大部分。

2008 年張逸中[4]以包含車牌的影像輪廓辨識資訊為分析主體，完成一個適 用於一般停車場環境的完整辨識流程。主要程序包括最佳化灰階處理、二值化影 像、目標物輪廓描繪與分析、車牌字元擷取、字元影像縮放與旋轉、字元比對。

由文獻可知，雖然以往有許多的車牌定位方法被提出，但是許多都是針對無 過大變形的車牌進行定位，若車牌變形歪斜太過強烈，使車牌變成非矩形的形 狀，往往無法順利用於定位，更別說是對字元進行切割與辨識。而字元辨識方面，

類神經網路法雖然具有抗雜訊、高容忍度等優點，但是卻需要花上大量的時間與 樣本來進行訓練，而樣板比對則是受到字元大小的限制，必須將字元正規化成一 樣的大小，且容易受到雜訊及字元變形等因素干擾，由於歪斜車牌在校正過程中 或多或少都會產生一定程度的字元變形，所以無法將樣板比對應用在歪斜車牌的

3

構如端點和岔點等特徵可以容忍在車牌歪斜校正過程中產生的一定程度的變 形，所以本文採用字元結構特徵來進行字元辨識。

1.3 論文架構

1. 緒論：介紹本研究的動機以及文獻回顧的探討。

2. 硬體設備與系統架構：簡述本定位系統所使用的硬體設備及整個系統的流程 規畫。

3. 定位系統演算法：介紹本系統使用於定位的方法，如 Kuwahara 濾波器、(5,3) 小波轉換等。

4. 車牌校正與切割：介紹本系統使用於車牌校正與切割的方法。

5. 結果與討論：探討研究的實驗結果。

6. 結論與未來展望：思考本系統可繼續研究並改進的方向。

第二章 硬體設備與系統架構

2.1 硬體設備

2.2.1 硬體平台

本研究使用 HP workstation xw8200 工作站電腦[05]，中央處理器為兩顆 Xeon 3.2GHz CPU ， 記 憶 體 容 量 為 4GB(DDR2 400) ， 作 業 系 統 為 Windows XP Professional。

圖 2.1 HP 工作站 workstation wx8200。

本研究使用 Borland C++ Builder 6.0 程式設計軟體並且配合影像資料庫 Matrox Image Library 7.0(MIL 7.0)來撰寫。

2.2.2 取像裝置

本研究使用 NOKIA X6 行動電話[06]的照相功能，拍攝解析度為 2048×1536 pixels 的數位照片，拍攝完畢後再利用電腦軟體將數位相片縮小成 640×480 pixels 的解析度。

5

圖 2.2 Nokia X6 行動電話。

2.2 辨識系統流程

首先，我們使用 Nokia X6 到戶外進行拍照，然後將照片上傳到電腦上，再 使用軟體將照片縮小至 640×480 pixels 的大小。

在影像前處理的部分，當系統讀取彩色影像之後，會先將彩色影像轉換成 8-bit(256 色)的灰階影像，然後使用直方圖均值化(Histogram equalization)[07][08]

方法將畫面對比度提高，再使用 Kuwahara 濾波器[09]過濾細微的雜訊，並將灰 階起伏不大的區域平滑化，減少不必要的邊界產生，同時將影像中灰階起伏較 大，也就是邊界的部分保留下來，以利後續小波轉換的進行。

完成 Kuwahara 濾波之後，接著進行(5,3)小波轉換[10]，分析影像中高頻的 訊號，也就是灰階起伏變化較劇烈的地方。藉由這些高頻訊號以及車牌區域高頻 訊號密集的特性，設定一個適當大小的區域，統計該區域內高頻訊號的數量最多 的位置來進行車牌定位。

為了方便後續的字元辨識等工作，定位完成後要對車牌進行歪斜校正的動 作。依照車牌邊緣水平方向直線較長的特性，利用霍式轉換(Hough Transform)[11]

找出車牌影像中的長直線，以及該直線的直線方程式的係數，然後再進行一次垂 直方向的 Hough Transform，找出車牌在垂直方向的邊緣的直線方程式，之後根 據這兩條直線的斜率來進行車牌歪斜校正。校正完成後，利用投影法來尋找字母 區域的左右邊緣並進行切割，以完成車牌定位。

定位完成後，使用投影法將車牌中的字母一一切割出來，再依照字母與數字 的特徵進行字元辨識，如此一來，整個車牌辨識系統便完成了。

圖 2.3 即為本研究的系統流程圖。

7

圖 2.3 系統流程圖。

第三章 影像處理

3.1 數位影像處理

一般能夠呈現於電腦上的圖片或相片，我們稱為數位影像，依影像的存放方 式又可分為空間域(spatial domain)影像資料格式及頻率域(frequency domain)資料 格式，而數位影像處理主要是經由 CCD 擷取空間域(spatial domain)畫面資料在電 腦端做運算的處理技術，使處理過的影像能夠提供我們正確的資訊解決問題，數 位 影 像 處 理 主 要 包 含 五 個 部 份 為 ： 影 像 加 強 (Enhancement) 、 影 像 還 原 (Restoration) 、 影 像 壓 縮 (Compression) 、 影 像 重 建 (reconstruction) 、 影 像 分 析 (Analysis)。

3.2 影像前處理

3.2.1 彩色影像轉換成灰階影像

由於我們從取像裝置取得的影像都是彩色影像，雖然包含了資訊可供影像辨 識使用，但是若直接以彩色影像進行處理，將會花上許多的運算時間，為了簡化 電腦的運算，我們要將彩色影像轉換成灰階的影像。一般的數位彩色影像是由 R(Red)、G (Green)、B(Blue) 這三種顏色所組成的，每種顏色均為 8-bit(256 階)，

總共 24-bit，經由 MIL 7.0 影像函式庫，將彩色影像轉換為 8-bit 灰階影像。

3.2.2 直方圖均值化 (Histogram Equalization)

雖然車牌文字與底色是由高對比的顏色所組成，但是環境的光線影響，常常 會使影像的灰階分佈呈現偏高或偏低的情況，因此，我們要想辦法調整影像的對 比，讓影像更有利於進行分析。

9

本文使用了直方圖均值化(Histogram Equalization)這個方法，這個方法能將 影像中出現機率較高，且分布較集中的灰階值擴展開來。

以一個灰階影像為例，讓n 表示灰階_i i出現的次數，這樣影像中灰階為i的 像素的出現機率是

 

n i ni

P_x (3-1)

其中，L是影像的灰階數，以 8-bit 灰階影像來說，L就是 256， n 是影像的總像 素數。

把 c 作為對應於p的累計函數，定義為

    





i

j

x

j

p i

c

0

(3-2) 然後代入計算 Histogram Equalization 方程式

 

   







  





  1

) (

min

min L

c N M

c

h c





其中，

c

以一張實際從停車場拍攝的影像為例，圖 3.1 為一灰階分佈偏低的影像。

圖 3.1 灰階分布偏低的車輛影像。

圖影像中，車牌文字與底色的對比不夠明顯，這樣不利於我們對車牌進行定 位與辨識，因此我們進行一次 Histogram Equalization 的處理，以提高影像整體的 對比。

圖 3.2 灰階偏低的車輛影像經過直方圖均值化處理後的結果。

圖 3.2 即為圖 3.1 經過 Histogram Equalization 處理後的影像，其中車牌部分 文字與底色的對比明顯的提高了，後續進行小波轉換的結果會比較明顯，這有助 於我們對車牌的定位與分析。

3.2.3 kuwahara 濾波器

在影像辨識中，邊緣一直是很重要的特徵，若在對影像進行分析之前，能將 影像中邊緣的特徵強化的話，對後續要進行的分析將會很有用處。

然而，我們在處理影像時，往往要先將影像用平滑濾波器將影像平滑化，以 減少一些雜訊對後續分析的干擾，但是在平滑的過程中，往往會將我們所需要的 訊息也一併過濾掉，例如邊界。

Kuwahara 濾波器是一種能平滑影像過濾雜訊，同時又能保留影像中邊緣的 一種濾波器，這種濾波器就是邊緣保留型濾波器(edge-preserving filter)。

11

Kuwahara 濾波器可以使用各種不同的大小與形狀的遮罩來實現，在本研究 中，我們將使用 J=K=4L+1 大小的矩形遮罩。其中，L 為整數。

圖 3.3 Kuwahara 濾波器的矩形遮罩。

我們將遮罩分割成四個區域，L1，因此J  K 5，每個區域的大小為

 

 ^J



  ^K





i

Variance:

   

1

, ²

2





 

h y x

s f 

(3-4)

Standard Deviation:



^f  ^x

^y 

 ^{x, y} 

我們用一張車輛的影像來當例子，圖是以攝影機從車輛側後方進行拍攝的影 像樣本，圖 3.5 即是圖 3.4 經過 kuwahara 濾波器將影像平滑，但又同時加強影像

中邊界的結果。

圖 3.4 原始車牌影像。

圖 3.5 經由 Kuwahara 濾波器處理後的車牌影像。

13

第四章 車牌定位

4.1 前言

車牌定位是整個車牌辨識系統最重要的部分，因為若無法正確定位出車牌的 位置，那麼後續字元切割與字元辨識就無法繼續進行下去。

雖然已經有許多人對車牌定位進行過相關的研究，但是多數的研究樣本都是 從車輛正前方或正後方拍攝靜止車輛的車牌，所得到的車牌影像幾乎沒有傾斜的 問題，若要從車輛正前方或正後方進行取像作業，則只能從車輛正上方進行，像 是高速公路收費站的電子收費系統[12]，為了確保車輛有申裝相關服務與設備，

就有在收費站車輛通道正上方架設攝影機的車牌辨識系統，如圖 4.1 和圖 4.2 所 示。

圖 4.1 高速公路收費站的電子收費系統示意圖。

圖 4.2 高速公路收費車牌辨識系統執行示意圖

但並不是所有環境都能在車輛行進路徑正上方架設取像裝置，在許多情形 下，取像裝置只能從車輛側前方或側後方進行拍攝，而且，並非每台汽車的車牌 高度位置都一樣，因此從側面取得的車牌經常會有歪斜的情況，如圖 4.3 所示。

圖 4.3 從車輛側前方或側後方拍攝的車牌影像可能會產生歪斜的情況。

15

一旦投入實際應用，針對無歪斜情形的車牌定位方法，定位成功率會大幅降 低，為了解決這個問題，我們需要一個能針對由車輛側面取像的車牌定位與校正 歪斜車牌的方法。

4.2 小波轉換(Wavelet)

小波轉換是近年來相當熱門的一種訊號處理技術，已經被廣泛運用在數值分 析、影像處理、語音辨識、量子理論等領域[13]。本研究將利用離散小波轉換的 方法來進行車牌定位的工作。

(5,3)小波轉換是 JPEG2000 中提到的二維離散小波轉換(2-D Discrete Wavelet Transform)演算法，它的轉換流程如圖 4.4 所示：

圖 4.4 (5,3)小波轉換流程圖。

若將 x 定義為輸入訊號，則S_i⁰  x_2i，d_i⁰  x_2i1，其中





0 1

2 1 2

1 2

1



   







 



 _{i i i i i i}

i

d S S S d S

d





0 1

8 1 4 1 4

3 4

1 8

1 4

1







     







 



 _{i i i i i i i i}

i

S d d S d S d S

S

小波轉換係數如表所示。

表 4.1 小波轉換係數。

高頻係數 1、-1/2

低頻係數 3/4、1/4、-1/8

車牌影像經過水平方向小波高頻轉換及垂直方向小波高頻轉換後的結果如 圖 4.5 所示。

圖 4.5 經過水平方向及垂直方向高頻轉換後的結果

由圖，我們可以看到小波轉換後的高頻訊號依照灰階變化強烈的不同，在影 像上出現不同強度的結果，但這樣的結果仍然不適合直接用來進行車牌定位，因 為根據環境的因素，高頻訊號的強弱也會有差異，因此我們要對小波轉換的結果 再進行一次處理，以決定那些高頻訊號是我們要的。

4.3 Otsu 法[14]二值化突顯小波轉換的結果

為了決定哪些小波轉換處理後的高頻訊號是我們要的，我們要決定一個門檻 值，強度高於門檻值的高頻訊號，也就是灰階變化相對較強的部份才是我們要的

17

結果，而強度低於門檻值的高頻訊號則捨棄不用，所以我們要挑選一個適當的二 值化演算法來幫助我們決定最佳的門檻值。

本研究選用一種常用的二值化演算法，Otsu 法。Otsu 法二值化是利用統計 機率的原理來找出適當的門檻值，他的優點是二值化的速度不算慢，而且也容易 找出適當的灰階值。其計算方法如下所示：

N

p_i  nⁱ (4-3)

  





k

i

p

k

1



  







L

i i

τ

μ L ip

μ

1

(4-5)

  





k

i

ip

k

1



       

  ^k    ^k  ^{k L}

k

k k



  1

2 1

2









 

其中，

n 是灰階值為

p 是灰階為

圖 4.6 即為圖 4.5 經過 Otsu 法二值化方法計算過後的結果，強度高於門檻 值的高頻訊號，我們以白色來表示，強度低於門檻值的高頻訊號，則以黑色來表 示。

圖 4.6 小波轉換的結果經過 Otsu 法二值化計算後的結果。

由圖 4.6 我們可以發現，經由 Otsu 法計算過後，在車牌文字的部分出現大 量且密集的高頻訊號，我們將利用這個特徵來進行車牌的定位。

4.4 尋找車牌位置

4.4.1 水平方向直線掃描

在取得二值化後的高頻訊號後，我們要利用這些資訊從中找出車牌正確的位 置。在中山大學王中山[15]的研究中，他使用小波轉換的方法找出高頻訊號後，

再針對水平方向做單一直線的掃描，尋找水平方向局部區域內高頻訊號較多且密 集的地方來判斷是否為車牌位置，如圖 4.7。

19

圖 4.7 中山大學王中山的研究中對車牌進行水平方向掃描的結果。

此種方法固然有效，但僅能針對影像中歪斜程度不大的車牌使用，如果影像 中的車牌歪斜程度過大的話，那麼此種方法掃描後的結果將無法涵蓋大部分的車 牌，如圖 4.8 所示。

圖 4.8 針對水平方向掃描的方法不適用於傾斜較度較大的車牌。

4.4.2 矩形遮罩全圖掃描

為了避免這種情形發生，本研究將使用一個矩形遮罩來進行全圖掃描。

首先依據環境因素來設定一個適當大小的遮罩，遮罩大小必須根據擷取影像 時和車牌之間的角度及距離來決定，遮罩大小只要比影像中車牌區域稍大即可；

若設定太小的遮罩會無法涵蓋整個車牌區域。

掃描的方式是由左上角開始，然後往右邊掃描，每移動一個像素的距離就統 計遮罩內高頻訊號的數量並記錄下來，掃描完第一排後，將遮罩往下移一個像素 的距離，由左而右再進行一次掃描，並統計遮罩內高頻訊號的數量，直到整張影 像都掃描完為止。掃描方式如圖 4.9 所示。

21

圖 4.9 矩形遮罩掃描方式。

掃描完後，尋找影像中遮罩區域內擁有最多高頻訊號的位置，就是車牌所在 的地方。如圖 4.10 和圖 4.11 所示。

圖 4.10 用矩形遮罩在小波轉換的結果上掃描高頻數量最多的位置。

圖 4.11 用矩形遮罩掃描後找出車牌所在的位置。

但有時候，背景會因為特定因素產生大量密集的高頻訊號，甚至密集程度遠 遠高過車牌所在的區域，例如太陽光照射下的柏油路面。

23

圖 4.12 即為柏油路面因為大量高頻訊號，導致定為失敗的情形。但是經過 仔細觀察之後我們可以發現，即使是歪斜車牌，在二值化後的影像中仍然會保留 有許多垂直方向的連續直線，而柏油路面在垂直方向則較少有連續的高頻訊號，

根據這個特性，我們可以將小波轉換後經過二值化的影像作進一步的處理，將垂 直方向少於四個的連續高頻訊號給過濾掉，這麼一來就可以將絕大部分的柏油路 面的高頻訊號過濾掉，並保留大部分車牌區域的高頻訊號。圖 4.13 即為經過進 一步過濾後的車牌定位結果。

圖 4.13 過濾垂直方向較少的連續高頻訊號後的定位結果。

4.5 歪斜車牌校正

在車牌完成定位後，我們還要對歪斜的車牌進行校正，否則無法進行車牌字

元的切割工作。

圖 4.14 即為歪斜車牌定位後的結果。

圖 4.14 定位完成的歪斜車牌。

要進行車牌歪斜校正，首先要先找出車牌歪斜的角度。本研究採用 Hough Transform 來偵測車牌水平與垂直方向歪斜的角度，並利用偵測結果來對車牌進 行校正。

4.5.1 霍夫轉換(Hough Transform)

霍夫轉換是一種在數位影像處理中用來分析圖形特徵的方法，它的運作方式 是將影像轉換成直線方程式

^f   ^x

^ax

^b

假設我們在影像座標

 ^{x, y} 

 ^{a, b} 

的可能性有無限多個，如圖 4.15 所示。

25

圖 4.15 坐標軸上一個點，會有無限多的線段通過

若將通過該點的線段方程式的參數畫到參數空間座標上的話，就會形成一條 直線，如圖 4.16 所示。

圖 4.16 通過座標





我們可以看成在影像座標上的一個點，對參數空間座標中的每一個參數 a 及 相對應的參數b都累加 1。

在影像座標平面上有多少個點，就會有多少條直線出現在參數空間座標上，

當影像座標平面上的點出現在同一條直線方程式上時，在參數空間座標上的直線 就會相交於一點，也就是每個影像座標平面上的點都對相交於參數空間座標上的 這個點投下一票，而這個相交的座標

 ^{a, b} 

27

圖 4.17 影像座標平面上有多個點落在同一條直線方程式上。

圖 4.17 即為一張簡單的示意圖，在影像平面座標上總共有五個點，這五個 點分別是

 

















^f   ^x

 

程式上，其參數為





圖 4.18 在影像平面空間中同一條直線上的點，其參數空間座標上的直線會相交 於一點。

圖 4.18 即為圖 4.17 影像座標平面中的五個點在參數空間座標上產生的五條 直線，這五條直線都經過









個點得到最高的五票得票數，而





 ^{a, b} 

的得票數。

但是這種霍夫轉換有個問題，那就是當影像座標平面上的直線越接近垂直的 角度時，那麼該直線的斜率，也就是參數 a 會越大，當直線為垂直時， a 就會 是無限大而無法納入有限的累加器中。

所以，一般實作的霍夫轉換都是採用極座標

 ^

^r 

 ^{a, b} 

表現的直線方程式為

^x

  

  

^r

29

但是，為了簡化程式的運作，我們仍然是採用

^f   ^x

^ax

^b

來進行，因為影像中車牌的歪斜程度不可能到接近垂直這麼離譜，甚至歪斜角度 要超過 45° 都有困難，因此我們不必顧慮斜率會接近無限大的問題。

首先，我們要找出車牌影像中垂直方向的高頻訊號。由於車牌區域影像尺寸 不大，使用小波轉換的方法得到的高頻訊號數量太少，因此無法有效用來尋找直 線，所以本研究改用另外一種替代的方法來尋找高頻。

我們先對車牌影像作一次二值化的處理，如圖 4.19 所示。

圖 4.19 對車牌影像進行二值化處理。

然後作垂直方向的掃描，只要是二值化影像中有像素由白變黑，或是由黑變 白的情形，就將它視為一個高頻訊號，如圖 4.20 所示。

圖 4.20 從二值化後的車牌影像中尋找垂直方向高頻訊號。

之後對這些高頻影像進行霍夫轉換的運算，找出其中最長的直線。如圖 4.21 所示。

圖 4.21 經由霍夫轉換找出車牌垂直方向高頻訊號中擁有最多白點的直線。

而垂直方向也是用同樣的方法去尋找擁有最多白點的直線，為了避開斜率趨 近於無限的問題，我們在尋找垂直方向直線時，要將座標軸旋轉 90°來進行演算，

同樣的將我們要尋找的直線的斜率控制在 1 以下，如圖 4.22 所示。

31

圖 4.22 進行垂直方向霍夫轉換時將座標旋轉 90° 以避免斜率無限大的問題。

4.5.2 校正

找出車牌歪斜角度後，我們要對車牌進行校正，最直覺的方式就是將整個影 像同時作旋轉。但是，歪斜車牌的影像並不一定呈現一個完美的矩形，通常會是 一個不規則的四邊形，如圖 4.23 所示

圖 4.23 歪斜的車牌形狀不是矩形，不能直接作旋轉

如果直接進行旋轉的話，會造成車牌左右兩側變成不是垂直線的情況，如圖 4.24 所示。

圖 4.24 直接旋轉車牌影像會造成車牌左右兩側變成不是垂直線的情形。

這樣會不利於後續字元切割的工作，所以不能直接對車牌進行旋轉，我們要 透過其他方法來校正車牌。

4.5.2 車牌校正

首先，根據之前找到的水平線傾斜斜率和垂直線傾斜斜率，我們可以畫出一 示意圖，如圖 4.25 所示。

33

圖 4.25 車牌歪斜示意圖

黑色方格代表車牌影像的每一個像素，中間像素為

 ^{x, y} 

影像中車牌的分布情況，如圖 4.26，若將紅色方格看成一個座標系統，我們將中 間的方格標示為

 ^x



圖 4.26 參考周圍像素來計算校正後的像素值。

參考紅色方格中心點所在的黑色方格座標，我們可以計算出紅色方格中心點 距離所在的黑色方格中心點

 ^{x, y} 

 ^x

^y



 ^x



上

 ^{x }



 ^x

^y 

 ^x

^y 

 ^x

^y



 ^x

^y



下

 ^x

^y



將這 9 個像素的像素值做平均，就可以得到校正後的影像的像素值

 ^x



計算完後，我們將所有的

 ^x



35

圖 4.27 經過校正後的車牌影像。

第五章 字元切割與辨識

5.1 尋找字元區域上下邊緣

5.1.1 十字濾波

為了要能正確辨識字元，我們必須正確地將字元先切割出來。

如同前面進行定位時所使用的方法，在這裡，我們一樣要利用車牌字元部分 水平方向高頻數量很多的特性來尋找字元區域。首先先對車牌做一次二值化處 理，如圖 5.1 所示。

圖 5.1 經過二值化後的車牌影像。

由圖 5.1 我們可以發現，二值化後未經處理的車牌影像仍然有很多突出的雜 訊，在進行字元切割之前，我們要先將這些雜訊給去除掉。

我們使用一個十字型的遮罩去做運算，當畫面中有突出的白色或黑色雜訊 時，就將該雜訊消除掉，當上下左右四個像素中，有三個像素和中間像素不同時，

就代表那個點是我們要消除的雜訊。圖 5.2 為十字濾波示意圖。

37

圖 5.2 十字濾波示意圖。

圖 5.3 為消除雜訊後的車牌影像。

圖 5.3 消除雜訊後的二值化車牌影像。

5.1.2 尋找車牌上下緣

接下來我們對過濾掉雜訊後的車牌做一次水平方向的掃描，並記錄 y 軸上 每一排的像素有多少個水平方向的高頻。

在台灣，除了少數車種以外，絕大部分車種都是由六個字元加上一個破折號 所組成，每個字元在水平方向至少會形成兩個高頻訊號(由白轉黑或由黑轉白)，

所以，經過校正的車牌影像，字元區域水平方向至少會有十二個以上的高頻，但 是考慮到車牌影像並非只有包含高對比的車牌，加上環境光源的影響，可能會使 字元的一些部份在二值化後融入背景中，所以我們將掃描的高頻數量設定成八 個。利用這個特性，我們可以很快找出包含字元區域的部分。圖 5.4 即為掃描的

結果。

圖 5.4 二值化後的車牌在水平方向黑白轉換的數量較多的位置。

我們用紅色線條代表水平方向有高於八個高頻訊號的位置，從圖可以看到看 到，字元區域及字元上方含有台灣省、台北市或高雄市的區域已經涵蓋在我們所 找到的紅色線條裡面，我們再進一步尋找影像中所涵蓋的最大寬度的紅色線條，

此線條的上緣和下緣就是我們要尋找的字元區域的上緣和下緣位置。

圖 5.5 即為一個找出字元區域上緣和下緣的車牌影像示意圖，其中，紅色線 代表車牌上緣，藍色線代表字元區域下緣。

圖 5.5 決定車牌上下緣位置。

圖 5.6 為切割上下緣之後的字元區域影像。

39

圖 5.6 切割字元區域上下緣之後的影像。

5.1.2 字元切割

尋找完上下緣之後，我們要再將車牌左右緣找出來，但是尋找字元左右側 時，不能像尋找上下緣一樣從高頻的多寡去判斷，因為高頻數量有限，而且不同 字元在垂直方向所產生的高頻數量也不同，像是 1 與 8，1 在垂直方向只會有兩 個高頻，但是 8 在垂直方向就有六個高頻，如圖 5.7 所示。

圖 5.7 不同字元，垂直方向高頻數量也不同。

所以我們不能以高頻數量為依據來尋找字元區域左右緣。我們要使用其他規 則來進行剩下的字元切割的工作。

首先，我們計算每個 y 軸方向上的每個點在 x 軸座標上的黑點數量。圖 5.8 是以投影的方式來表現的示意圖。

圖 5.8 切割完上下緣的車牌白點投影在 x 軸上的情形。

我們由圖可以發現，在字元之間的黑點數量是最少的。我們在黑點數量只有 字元區域高度 10%的部分畫上紅線，如圖 5.9 所示。

圖 5.9 y 軸方向黑點數量為 0 的地方為字元切割處。

圖 5.9 中紅線的部分就是我們要尋找的字元間的間隔。找出這些位置以後，

我們再從各個紅線區域中去尋找黑點數量最少的位置，那些位置就是我們要尋找 的各個字元間的間隔位置。圖 5.10 即為字元分割的結果。

圖 5.10 完成字元切割的結果。

但是，圖 5.10 是以車牌影像為理想狀態的情形下所得到的結果，有的時候

41

會出現破折號在二值化與過濾雜訊的過程被過濾掉，或是破折號投影到 x 軸上的 數量太少，以至於無法正確切割的情形，如圖 5.11。針對這種情況，我們有必要 加以修正結果。

圖 5.11 破折號無法被正確切割的情形。

由於破折號只會出現在第二個和第三個字元之間，或是第四個和第五個字元 之間，所以我們比較初步分割時第二到第五個字元的寬度，擁有最大的寬度的字 元，就是有可能包含破折號的字元。

如果寬度最大的字元是第二個，那麼破折號就在第二個字元的右端，如果寬 度最大的字元是第三個，那麼破折號就在第三個字元的左端，如果寬度最大的字 元是第四個，那麼破折號就在第四個字元的右端，如果寬度最大的字元是第五 個，那麼破折號就在第五個字元的左端。我們可以根據字元區域的高度，給定一 個適當的補償大小。圖 5.12 即為破折號消失修正後的字元切割結果。

圖 5.12 破折號消失修正後的字元切割結果。

5.2 字元特徵

本研究採用字元特徵辨識法[16]，由於本研究是針對由側面取像的車輛影像 去做定位，在同一張車牌中，不同位置的字元會有大小不一的情形，因此無法使

用樣板比對法等需要統一大小的字元的辨識方法，但是字元特徵辨識法不會受到 字元大小的影響，所以本研究採用字元特徵辨識法來進行字元辨識的工作。

5.2.1 字元細化處理

細化[17]是形態處理的一種演算法。細化被使用在許多的應用中，尤其是在 骨架化(Skeletonization)的應用裡面最有用。在骨架化的應用中，細化經常用來處 理邊界偵測後的結果，讓最後的結果變成只剩下一個像素的寬度。細化演算法通 常僅適用在二值化影像中，因為我們必須給定一個明確的物件和背景，才能將物 件進行細化處理。

細化必須受到下列四個限制：

(1) 約略的端線位置必須保存。

(2) 連接的部分不能中斷。

(3) 相連的區域必須被細化成相連的線。

(4) 細化後的圖形，其骨架必須近似物體的中線(medial lines)。

本研究所使用的細化演算法是利用 T. Z. Zhang 及 C. Y. Suen 細化規則。細化 演算法使用八鄰近指定方式，其矩形遮罩如圖 5.13 所示。

圖 5.13 細化演算法所使用的 3x3 矩形遮罩。

A. 當下述四個條件都成立時，則刪除(亦即讓所代表像素之像素值變成 0)，

43

此步驟之主要作用是要將位於左上角、右邊及下面的像素侵蝕掉。

(1) 計 算 P 到₂ P 個 像 素 點 ， 如 值 為 1 則₉ ^N

 

9 3

2

1 P P P

P    。

如果 ^2N

 

(2) 由P₂ P₃ P₄ P₈ P₉ P₂成一循環，當像素由 0 變成 1 時，

則將^S

 

如果^S

 

(3) P₂P₄ P₆ 0。 (4) P₄ P₆P₈ 0。

B. 當下述四個條件都成立時，則刪除(亦即讓所代表像素之像素值變成 0)，

此步驟之主要作用是要將位於右下角、左邊及上面的像素侵蝕掉。

(1) 同步驟 A1。

(2) 同步驟 A2。

(3) P₂P₄P₈ 0。 (4) P₂P₆P₈ 0。

圖 5.14 細化範例。

圖 5.14 為以一個寬度為三個像素的「H」字形為例，其中圖(a)為原始圖形；

圖(b)為 H 字形經過步驟 A 細化的結果；圖(c)為圖(b)經過步驟 B 細化的結果；

圖(d)為圖(c)再次經過步驟 A 細化的結果；圖(e)為圖(d)再次經過步驟 B 細化的結 果。

5.2.2 擷取字元特徵值

經過細化演算法的計算後，字元會被細化成寬度只有一個像素的骨架形式，

而且仍然保有該字元最基本的結構，此時，我們就可以從這些字元結構中找出它 的特徵並進行分類。本研究採用的方式是階層式字元辨識，針對每一個字元的結 構進行分析，並根據字元的節點特徵值、節點方向性編碼集結點四角定位編碼，

並配合各節點在四個象限的位置來判定，最後即可將影像中的字元辨識出來。

本研究主要是利用 skeleton revision algorithm[18]來定義節點特徵，節點特徵 分為端點、三叉點及四叉點，如圖 5.15 所示。

圖 5.15 節點類型。

我們利用一個 3×3 的矩形遮罩，將細化後的字元影像掃描一次，然後以 P 為中心點，計算周圍八個像素中與 P 點具有同樣像素值的個數，如此便可得到 各字元的結構特徵。雖然理論上會有四叉點的存在，但是實際上執行過細化後的 影像，幾乎不會出現四叉點，通常接近互相垂直的兩條直線在細化過程中會變成 兩個三叉點。

由於受到各種因素的影響，某些字元在細化後的結構特徵不會只有一種。各 個字元的節點類型總數整理如表 5.1 所示。

45

表 5.1 節點類型總數。

字元 端點 三叉點 四叉點

１

２ ０ ０

３ １ ０

２ ２ ０ ０

３

２ ０ ０

３ １ ０

４

２ ３ ０

３ ４ ０

５

２ ０ ０

３ １ ０

６ １ １ ０

７ ２ ０ ０

８ ０ ２ ０

９ １ １ ０

Ａ ３ ３ ０

Ｂ ０ ２ ０

Ｃ ２ ０ ０

Ｄ ０ ０ ０

Ｅ ３ １ ０

Ｆ ３ １ ０

Ｇ ２ ０ ０

Ｈ ４ ２ ０

Ｉ

２ ０ ０

３ １ ０

Ｊ ２ ０ ０

Ｋ ４ ２ ０

Ｌ ２ ０ ０

Ｍ ５ ３ ０

Ｎ ４ ２ ０

Ｏ ０ ０ ０

Ｐ １ １ ０

Ｑ

０ ３ ０

１ ３ ０

Ｒ ２ ２ ０

Ｓ ２ ０ ０

Ｔ ３ １ ０

Ｕ ２ ０ ０

Ｖ ３ １ ０

Ｗ ４ ２ ０

Ｘ ４ ２ ０

Ｙ ３ １ ０

Ｚ ２ ０ ０

5.3 階層式字元辨識

5.3.1 第一次分類

目前在台灣，交通部在車牌編號的規定上，數字的 0 與英文字母的 O 為同 一種字型，所以我們可以看成需要辨識的字元為數字 1~9 和英文字母 A~Z 共 35 個字元，我們根據前面取得的字元特徵來統計端點總數，由端點總數判斷後可以

47

分為如圖的六組類型。

圖 5.16 第一次端點總數分類。

由圖 5.16 我們可以發現，英文字母 M 和Ｗ可以很快由端點總數為 5 的部分 分類出來，而端點總數為兩個和三個的字元比較多，因此需要更精確的第二次分 類。

5.3.2 第二次分類

(1) Group A (端點總數為 0)

端點總數為 0 的的字元數較少，我們可以透過三叉點的數量將 0、D 及 8、

B、Q 這兩組再細分出來，如圖 5.17 所示。

圖 5.17 Group A 辨識流程圖。

由於 Q 的三叉點都集中在第三第四象限，所以我們可以很快地將 Q 辨識出 來，剩下 O、D 和 8、B 這兩組。接著，利用 D 與 B 有較長垂直線段的特徵，可 以依此將 0、D、8、B 這四個字元辨識出來。

(2) Group B(端點總數為 1)

在端點總數為 1 的分類中，我們先依照端點所在的象限位置進行分類，再依 照三叉點來細分剩下的字元。辨識流程如圖 5.18 所示。

49

圖 5.18 Group B 辨識流程圖。

在 Group B 裡面，若端點落在第一象限中，則該字元辨識為 6，若端點落在 第四象限，則該字元辨識為 Q。

若端點落在第三象限，則該字元可能為 9 或 P。我們再進一步分析三叉點的 位置，9 的三叉點會落在第一和第四象限，而 P 的三叉點會落在第二和第三象限，

所以分析完三叉點的位置後，我們就可以分別辨識出 9 和 P 這兩個字元。

(3) Group C(端點總數為 2)

在 Group C 裡面，我們先將同時具有三叉點的 4 和分類，然後依照三、四象 限的端點數量來辨識，另外，3 和 U 的端點位置也跟其他字元有明顯的不同，所 以可以先將這四個字元辨識出來，其他的字元就用節點方向性的特徵來做分類，

之後再用垂直、水平長直線的特徵做進一步的分類，其中，7 可以根據在第三、

第四象限中沒有水平特徵來辨識，而 2 和 Z 則是根據在第一和第二象限的水平 長度明顯不同來辨識。Group C 整體流程如圖 5.19 所示。

圖 5.19 Group C 辨識流程圖。

51

(4) Group D(端點總數為 3)

在 Group D 裡面，字元 4 和 A 同時具有三個以上的三叉點，我們先利用這 個特徵把 4 和 A 分類出來，然後根據第二和第三象限的端點數量來決定，如果 在第二和第三象限沒有端點則辨識為 4，反之則辨識為 A。

對於其他字元，我們進行把字元分成由左到右為 A、B、C 共三份進行下一 步的分類。在 A 區如果有兩個端點的話，就分類為 3 和 5，接著再根據 C 區有 無三叉點來辨識是 3 或 5。在 B 區如果有三個端點的話，就辨識為 1，如果只有 一個端點的話，就分類為 T、V、Y，然後再根據水平特徵和垂直特徵來進行辨 識。在 C 那區，如果有三個端點的話就辨識為 E，如果有兩個端點的話就辨識為 F。Group D 辨識流程如圖 5.20 所示。

圖 5.20 Group D 辨識流程圖。

(5) Group E(端點總數為 4)

由於 Group E 的四個端點都是分布在四個角落，無法直接用端點來辨識，所 以我們先根據三叉點的分布情形來做分類。若將字元由左而右依順序劃分成 A、

B、C 三個區域，H 和 N 的兩個三叉點會分別落在 A 區和 C 區，而 H 的兩個三 叉點會同時分別落在第一象限和第二象限或同時分別落在第三象限和第四象

53

限，所以有這兩種情況時可以直接辨識為 H。N 的三叉點只會同時分別落在第二 象限和第四象限。

K、M、W、X 這三個字元可以用垂直的特徵來分類。由於某些 W 與 M 在 細化後的特徵與 X 相似，所以我們設定一個門檻值，將低於門檻值的字元定義 為 X。K、M、 W 最大的不同在於第一象限和第四象限的垂直特徵，根據這個 地方的垂直特徵，便可以將 K 辨識出來。最後的 M 和 W 是觀察 B 區三叉點的 分布情形，若三叉點集中在一、二象限就辨識為 M，若是集中在第三第四象限 就辨識為 W。

Group E 辨識流程如圖 5.21 所示。

圖 5.21 Group E 辨識流程圖。

(6) Group F(端點總數為 5)

端點總數為伍的字元只有兩個，因此我們可以很容易的將字元 M 和 W 辨識 出來，只要檢查一二象限端點數量的總數即可，如果在一二象限的端點總數是 二，就將字元辨識成 M，如果是三，就將字元辨識成 W。圖 5.22 即為 Group F 辨 識流程圖。

圖 5.22 Group F 辨識流程圖。

在這裡的分類系統主要是引用自彭裕航的自動車牌辨識系統[16]，其中，經 由實驗結果，排除掉髒汙、缺塊等明顯造成字元特徵改變的因素，Group A 到 Group D 的分類方式是非常正確的，只是在 Group E 與 Group F 中，彭裕航將 M 只分類到四個端點的 Group E，而 W 只分類到五個端點的 Group F，但在經過反 覆測試後發現，M 這個字元仍然有機會出現五個端點的情形，而 W 亦有可能出 現四個端點的情形，故本研究將分類結果稍作修改，加入更進一步的分類。

55

第六章 實驗結果與討論

6.1 樣本來源與實驗流程

6.1.1 樣本來源

本研究的樣本來源，是使用照相手機到停車場進行隨機採樣拍攝，拍攝角度 一律是從汽車的側前方或側後方進行拍攝，拍攝位置以不影響車輛直線前進為原 則，車牌均有或多或少的歪斜。拍照完之後利用 Paint.NET 影像處理軟體[19]，

將照片縮小到 640×480 pixels 的大小，並儲存成 BMP 影像格式。

6.1.2 實驗流程

本研究實驗流程如圖 6.1 所示。

圖 6.1 實驗流程圖。

6.2 實驗結果

6.2.1 車牌定位與校正

本研究採用了總數為 150 張的車輛影像來當樣本，其中，能成功定位的車牌 數量總共有 130 張，定位成功率為 86.67 %。

圖 6.2 為車牌定位成功的樣本。圖 6.3 為車牌校正成功的樣本。

圖 6.2 車牌定位成功的樣本。

圖 6.3 車牌校正成功的樣本。

圖 6.4 為車牌定位受到背景影響而失敗的樣本。

57

圖 6.4 車牌定位受到背景影響而失敗的樣本。

6.2.2 字元切割

在切割字元區域上下緣的部分，從定位完成並校正後的 130 張車牌影像中，

正確切割字元的總共有 100 張，字元切割成功率為 76.92%。

圖 6.5 為正確切割字元的樣本。圖 6.6 為字元切割失敗的樣本。

圖 6.5 正確切割字元的樣本。

圖 6.6 字元切割失敗的樣本。

6.2.3 字元辨識

在字元辨識的部分裡，全部 600 個字元中有 558 個辨識成功，辨識成功率為 93%，其中包含了字元中含有髒汙造成誤判，以及因為二值化過程中造成的不完 整字元所造成的誤判；另外還有部分字元因為校正過程中產生的鋸齒，使細化後 的垂直與水平特徵消失變成波浪狀線條而造成誤判。

6.3 結果討論

在車牌定位的部分，由於系統無法自動判斷車牌的大小，所我們必須預先依 照拍攝車牌的環境，例如車輛會經過的角度、距離及攝影機鏡頭的焦距來設定一 個適當大小的遮罩，這個遮罩大小若能設定成剛好比字元區域稍大，則定位準確 率會比較高，本研究預設的車牌偵測區域大小為 152×84 pixels，在大部分校正後 車牌寬度大於 100 pixels 小於 133 pixels 的樣本都能正確定位，若車牌影像更大 的話，則需要一個更大的遮罩來進行定位，否則無法將整個字元區域納入。

後續的字元切割的結果則較為不理想，主要是因為在歪斜車牌校正過程中，

會使車牌影像變得較為模糊或產生鋸齒狀邊緣的影響，部分字元會相連在一起，

相連的部分會造成投影後字元間分界不明顯的結果，所以切割效果會變得比較

59

牌寬度能提高到 130 pixels 以上的話，對於校正過程產生的這類影響可以減輕不 少。

在字元辨識的部分，由於校正過程產生的鋸齒狀邊緣，會影響到部分需要靠 垂直或水平特徵的來辨識的字元，所以某些特定的字元，辨識率會稍微降低，像 是 1 這個字元。

第七章 結論與未來展望

在整個車牌辨識系統中，最重要的部分就是定位系統，後續的字元切割與字 元辨識必須要定位系統能確實定位才能進行。本研究提出了一個針對歪斜車牌的 定位與辨識系統，特別是在無法確保能取得無歪斜的車牌影像環境時，能有效地 進行車牌定位。雖然定位成功率仍然稍低，只有 86.67%，無法達到百分之百，

但是相較於其他只能針對無歪斜車牌進行的定位系統，本研究的車牌定位系統仍 然是非常有效的。對於字元切割的部分，由於原始影像較為模糊，或是校正過程 對車牌的影響，會使得字元切割的成功率大幅降低。而字元辨識的部分，除了原 本車牌的髒汙等不可抗力的影響，校正過程中產生的鋸齒狀邊緣會造成字元垂直 與水平特徵的改變，讓辨識結果產生錯誤，若針對校正的演算法進行改良，並提 高取得的影像品質，想必能讓整體的辨識率有所提升。

另外，本研究所使用的演算法需要較長的計算時間，利用 HP workstation xw8200 進行運算時，平均一張 640×480 的影像要計算約五秒的時間，若要應用 在即時運算上會有困難，未來若有其他有效但更快速的演算法，或是將系統建構 在更快速的硬體環境上的話，就可以使辨識系統做更有效的應用。

61

參考文獻

[01] 賴史詠，「以模板為基礎之車牌辨識系統設計與應用」，2003 年，大同 大學資訊工程學系研究所碩士論文。

[02] 王精忠，「車牌辦識系統之研究」，2004 年，大同大學通訊工程學系研 究所碩士論文。

[03] 邱秉毅，「採用類神經網路之車牌辨識系統」，2005 年，明新科技大學 電子工程學系研究所碩士論文。

[04] 張逸中，「以輪廓辨識為基礎的車牌辨識處理程序」，2008 年，NST2008 全國電信研討會暨國科會電信學門研究成果發表論文集，編號 PC1-49，99 頁。

[05] 惠普官方網站

http://welcome.hp.com/country/tw/zh/cs/home.html。

[06] NOKIA 官方網站：http://www.nokia.com.tw/。

[07] Russ, The Image Processing Handbook: Fourth Edition, CRC 2002.

[08] Acharya and Ray, Image Processing: Principles and Applications, Wiley-Interscience 2005.

[09] 陳向筠，「保留邊緣濾波器評估指標之研究」，2002 年，國立交通大學 土木工程學系研究所碩士論文。

[10] Official JPEG 2000 website, available at < http://www.jpeg.org/jpeg2000/>.

[11] Duda, R. O. and P. E. Hart, "Use of the Hough Transformation to Detect Lines and Curves in Pictures," Comm. ACM, Vol. 15, pp. 11–15 (January, 1972).

[12] 遠通電收官方網站：http://www.fetc.net.tw/portal/。

[13] 梁学章、何甲兴、王新民、李強，「小波分析」，囯防工业出版社。

[14] M. Sezgin and B. Sankur (2003). "Survey over image thresholding techniques and quantitative performance evaluation" . Journal of Electronic Imaging 13 (1): 146–165.

[15] 王中山，「使用小波轉換於車牌偵測」，2004 年，國立中山大學機械與

機電工程學系研究所碩士論文。

[16] 彭裕航，「車牌自動辨識系統」，2008 年，中華大學機械工程學系研究 所碩士論文。

[17] 連國珍，「數位影像處理」，2006 年 02 月三版二刷，儒林出版社。

[18] Nakamura, T., H. Enowaki and H. Itoh, “Skeleton revision algorithm using maximal circles”, IEEE, Japan, 1998.

[19] Paint.NET 影像處理軟體官方首頁：http://www.getpaint.net/