車牌定位與辨識系統 Plate and Recognition of Characters on the Vehicle License Plate
前言 本文主要以車牌(vehicle license plate)影像之不同大小、複雜環境背景以及不同天候的影像為分析對象，提出一套簡單與便利的車牌自動定位以及辨識技術。
章節架構 簡介 影像處理 車牌定位 字元切割 字元特徵值 車牌字元辨識 實驗結果 結論
簡介 研究背景 過去受限於個人電腦的速度，使得辨識速度和正確率不佳，所以車牌影像辨識技術並沒有被廣泛地運用。如今個人電腦的軟硬體技術日新月異，一日千里，已經可以解決車牌影像辨識速度及車牌字元辨識正確率不佳的問題。
研究流程 字元辨識 車牌定位 簡化影像資訊 字元切割 邊緣偵測 過濾步驟 圖1 研究流程
影像處理 彩色影像灰階化(Gray) 主要是剃除多餘資訊;加速運算
直方圖等化(Histogram equalization) 主要功能，是將影像中的色階等化成0~255色階 (1)正規化(normalization) (2)等化(equalization): 可以加強影像的對比效果，使色階能夠均勻分佈
影像二值化(Image Binarization) 降低資訊量及圖像的複雜度，本文所使用的二值化方法為固定門檻值二值化 為灰階影像的灰階值， 則為固定門檻值， 為影像經二值化後的值， 為圖像水平軸座標， 為圖像垂直軸座標
車牌定位 Sobel邊緣偵測 像元 上的梯度大小 表1: 遮罩對應的空間座標位置 方向的梯度 方向的梯度 表2: 方向運算子 表3: 方向運算子 表3: 方向運算子
字元特徵的邊緣 設定門檻值 來過濾大部分不需要的梯度值 =max_sdx/3
111111 H < m pixel 車牌水平字元特徵之定位 條件一： 6000 條件二： ， The number of pixel > 12 111111 H < m pixel ( ：為水平線之高度)
黑點數比例= 0.21869~0.52778 車牌垂直字元特徵之定位 2.54~3.74 由此類推直至最後一像素 符合黑點數比例即留下 W H 黑點數比例= 0.21869~0.52778 由此類推直至最後一像素 符合黑點數比例即留下 往右平移一個像素 定位完成
字元切割 車牌定位結果調整 統計左右兩邊垂直的黑點數 再判斷左右兩邊的黑點數是否大於區塊高度的一定比例。
車牌文字切割 車牌文字的長寬也有一定的比例，因此取出車牌文字影像，並測量其車牌文字高度，經由高度與比例相乘後得到車牌文字的寬度。 H 車牌字元正規化 對切割後的車牌文字做正規化的動作，使車牌文字大小一致，然後再進行特徵值的擷取。
字元特徵值 每個文字均分為八等份，並將每一等份依序計算其00、450、900、1350、1800、2250、2700及3150八個角度的黑點數量當作該字元之特徵。
車牌字元辨識 把0到9，Ａ到Ｚ等35個字元的特徵值存入資料庫內，就可對欲辨識的影像做查詢的動作。將運算結果由小到大做排序，最小距離即為資料庫中所對應的字元。 k為車牌6個字元，i為資料庫中35個字元，j為每個字元的64個特徵值。
實驗結果 測試總張數 成功張數 失敗張數 成功率 23張 21張 2張 91%
車牌定位成功影像 影像中車牌大小的不同 影像中天候不同之影像 影像中背景複雜度之影像
車牌定位失敗影像 光線過強，造成圖片過度曝光， 使車牌部分重要的資訊流失 由於樹枝本身的區塊過於密集， 導致定位時將樹枝當成了車牌。
車牌字元辨識成功影像 R98453 6V6591
車牌字元辨識失敗影像 573SMA Y30000
結論 本研究車牌定位之實驗，採用了23張車牌影像作實驗，無論車牌在影像中的大或小、因天候不同或背景複雜度之影像、背景是亮、暗、複雜與否，都能完整的定位出來，而且有很高的成功率，以證明本文所提的技術之可應用性。 在整個研究過程中，我們也遭遇到許多的困難，有一些因素會使得影像中的車牌定位失敗，諸如車牌影像不清晰、車牌有汙損、拍攝角度不良等等因素。 有鑑於車牌辨識的失敗率，其中歸納出一些問題：拍照技術有待改進、照片內物件過多、邊緣過於複雜、定位後的車牌是傾斜的以及字元特徵的切割數太少。
~END~