車輛的發明給人們帶來非常大的便利性，已成為生活中不可或 缺的工具了，人們通常追求方便、快速、效率，因此車的數量也越 來越多，而發生交通事故的機率也隨之增高，例如：闖紅燈、超速、 逆向駕駛、逆向超車、酒駕…等等，又因酒駕而造成重大傷亡的次 數屢次增高，所以近年來政府用更嚴厲的手段來取締酒駕，但酒駕 再犯率依舊是高。 本論文提供一套以車牌辨識的方式來取締酒駕者，首先將曾經 為酒駕者的車牌資料紀錄於資料庫內，並在臨檢站前方架設網路攝 影機，將即時影像串流透過網路傳送至車牌辨識系統主機中，當車 牌辨識系統主機偵測到即時影像串流中車輛的車牌與先前建置在資 料庫中的車牌資料一樣時，此時就發出警報告知臨檢站的員警，該 車牌的駕駛者曾經酒駕過，請員警提高警覺，並提升員警的執行效 率。

The invention of vehicles brings great convenience to people and has become an indispensable tool in life. The number of cars is increasing because of the convenience, speed and efficiency it can bring to people. However, reckless driving leads to increase of the probability of traffic accidents. For example, drunk driving, speeding, improper turn, disobeying traffic lights and signs... etc. In recent years, the number of fatalities caused by drunk driving crashes has risen rapidly. The government attempts to reduce drunk driving by applying the strict policies on prevention measures, with limited success.   This paper describes how license plate recognition applied on banning drunk driving violation.  The process of this application is described below: All the license plate information of the drunk drivers offenders was recorded in the database. IP Camera will be set up in front of the inspection station and generate real-time video stream which will be transmitted though the LAN to the license plate recognition system. The license plate recognition system detects all the passing vehicles in the real-time video stream. An alert notification will be sent to station polices if the system recognizes same license plate number as built database. This application can enhance the efficiency and effectiveness of drunk driving prevention and enforcement.

目錄 
第一章 緒論 1 
1.1  研究動機與目的 1 
1.2  論文組織架構 4 
第二章 相關理論 5 
2.1  色彩模型轉換 5 
2.2  直方圖（Histogram） 6 
2.3  直方圖等化（Histogram Equalization） 6 
2.4  圖像二值化（Binarization） 8 
2.5  邊緣偵測（Edge detection） 12 
2.6  連通區域標記（Connected-component labeling） 15 
2.7  形態學（Morphology） 18 
第三章 系統架構 20 
3.1  硬體介紹 20 
3.2  軟體介紹 22 
第四章 系統實驗與結果 24 
4.1  車輛追蹤及定位 24 
4.2  車輛追蹤及定位失敗與成功 29 
4.3  車牌定位 31 
4.4  車牌定位失敗與成功 35 
4.5  車牌字元切割 40 
4.6  字元切割失敗與成功 46 
4.7  字元辨識 53 
4.8  字元辨識失敗 56 
4.9  資料庫建置 60 
4.10  實驗結果 63 
第五章 結論與未來展望 65 
參考文獻  67 
附錄 A 英文論文 70 

圖目錄 
圖 1-1 動機車輛登記數量圖 2 
圖 1-2 道路交通事故統計圖 2 
圖 2-1 灰階圖像的直方圖 6 
圖 2-2 灰階圖像的直方圖等化 7 
圖 2-3 二值化圖像 8 
圖 2-4 Otsu 變異數分析示意圖 10 
圖 2-5 Otsu 計算門檻值示意圖 11 
圖 2-6 捲積示意圖 12 
圖 2-7 Canny 非最大值抑制示意圖 13 
圖 2-8 拉普拉斯 3×3 的核心 14 
圖 2-9 車輛邊緣偵測圖 14 
圖 2-10 四連通圖 15 
圖 2-11 八連通圖 15 
圖 2-12 八連通標記法計算過程 17 
圖 2-13 膨脹運算計算過程 18 
圖 2-14 侵蝕運算計算過程 19 
圖 3-1 系統架設示意圖 20 
圖 3-2 Sony Xarina CXD4135GG 圖像信號處理晶片架構圖 21 
圖 3-3 網路攝影機圖片 21 
圖 3-4 車牌辨識系統架構流程圖 23 
圖 4-1 擷取車輛圖像流程圖 24 
圖 4-2 車輛追蹤的原始圖 25 
圖 4-3 定界框距離測量示意圖 27 
圖 4-4 車輛追蹤定位過程圖 29 
圖 4-5 車輛追蹤及定位失敗 29 
圖 4-6 成功車輛追蹤及定位縮圖 30 
圖 4-7 車牌定位流程圖 31 
圖 4-8 車牌定位過程圖 33 
圖 4-9 車牌定位案例 A 34 
圖 4-10 車牌定位案例 B 34 
圖 4-11 車牌定位候選區域 35 
圖 4-12 車牌定位失敗案例 A 36 
圖 4-13 車牌定位失敗案例 B 36 
圖 4-14 車牌定位失敗案例 C 37 
圖 4-15 車牌定位失敗案例 D 37 
圖 4-16 車牌定位失敗案例 E 38 
圖 4-17 車牌定位候選區域圖 A 38 
圖 4-18 車牌定位候選區域圖 B 38 
圖 4-19 車牌定位候選區域圖 C 39 
圖 4-20 字元切割及辨識流程圖 40 
圖 4-21 直角坐標轉極坐標示意圖 41 
圖 4-22 霍夫累加矩陣示意圖 41 
圖 4-23 角度傾斜示意圖 42 
圖 4-24 角度旋轉示意圖 42 
圖 4-25 車牌歪斜矯正圖 43 
圖 4-26 車牌左右兩側多餘像素去除 43 
圖 4-27 車牌上下兩側多餘像素去除 44 
圖 4-28 車牌字元切割 44 
圖 4-29 寬車牌字元切割 45 
圖 4-30 綠底車牌字元切割 45 
圖 4-31 車牌字元切割 46 
圖 4-32 車牌字元切割成功 49 
圖 4-33 車牌字元辨識前置處理 53 
圖 4-34 舊式車牌字體 54 
圖 4-35 新式車牌字體 54 
圖 4-36 jTessBoxEditor 工具 55 
圖 4-37 englpexp1box 檔 55 
圖 4-38 jTessBoxEditor 修正字元工具 56 
圖 4-39 車牌辨識失敗（兩側） 56 
圖 4-40 車牌辨識失敗（字元段開） 56 
圖 4-41 車輛違規紀錄資訊圖 62 
圖 4-42 車牌辨識夜間拍攝 64 
圖 5-1 增加字元訓練 65 
圖 5-2 車輛追蹤示意圖 66 
  
表目錄 
表 1-1 105 年 1-12 月 A1 類道路交通事故酒駕肇事死亡及受傷人數統計  3 
表 1-2 105 年 1-12 月 A2 類道路交通事故酒駕肇事受傷人數統計  3 
表 3-1 網路攝影機硬體規格表  21 
表 3-2 網路路由器硬體規格表  22 
表 3-3 車牌辨識系統主機（筆記型電腦）硬體規格表  22 
表 4-1 處理車牌字元相連成功切割表  46 
表 4-2 處理車牌字元相連切割失敗表，  48
表 4-3 車牌字元段開切割失敗表  50 
表 4-4 車牌字元切割失敗（左右兩側多餘區塊）表  51 
表 4-5 車牌字元切割失敗的其他問題  52 
表 4-6 車牌字元辨識失敗 A 表  57 
表 4-7 車牌字元失敗 B 表  59 
表 4-8 資料庫車輛狀態表  60 
表 4-9 資料庫使用者違規紀錄表  60 
表 4-10 資料庫違規名稱表  60 
表 4-11 資料庫車輛狀態名稱表  61 
表 4-12 資料庫車輛狀態範例表  61 
表 4-13 資料庫使用者違規紀錄範例表  61 
表 4-14 資料庫違規名稱範例表  62 
表 4-15 資料庫車輛狀態名稱範例表  62 
表 4-16 車輛定位統計表  63 
表 4-17 車牌定位統計表  63 
表 4-18 字元切割統計表  63 
表 4-19 字元辨識統計表  63 
表 4-20 車牌辨識統計表  63

參考文獻 
[1]  機動車數量。網址：交通部 http://stat.motc.gov.tw/mocdb/stmain.jsp?sys=100&funid=a3301 
[2]  道路交通事故酒駕肇事受傷人數。網址：內政部警政署 
https://www.npa.gov.tw/NPAGip/wSite/lp?ctNode=12744&CtUnit=2543&BaseDSD=7&mp=1 
[3]  Devereux, V.G., 1987 , Limiting of YUV digital video signals BBC Research Department 
Report BBC RD 1987 22. 
[4]  Pearson, K. （1895）. "Contributions to the Mathematical Theory of Evolution. II. Skew 
Variation in Homogeneous Material". Philosophical Transactions of the Royal Society A: 
Mathematical, Physical and Engineering Sciences. 186: 343–414. 
[5]  Nobuyuki Otsu, "A Threshold Selection Method from Gray-Level Histograms," IEEE 
transactions on systems, man and cybernetics, Vol SMC-9, No.1, Jan 1979. 
[6]  直方圖等化。網址： 
https://en.wikipedia.org/wiki/Histogram_equalization#cite_note-3 
[7]  Otsu 二值化。網址： 
https://en.wikipedia.org/wiki/Otsu%27s_method 
[8]  捲積示意圖。網址： 
https://developer.apple.com/library/content/documentation/Performance/Conceptual/vImage/Convol
utionOperations/ConvolutionOperations.html 
[9]  Sobel 邊緣偵測。網址： 
https://www.researchgate.net/publication/239398674_An_Isotropic_3_3_Image_Gradient_Operator 
[10]  Sony Xarina CXD4135GG 圖像信號處理晶片架構圖。網址：
http://image-sensors-world.blogspot.tw/2014/06/sony-updates-xarina-roadmap.html 
[11]  適應式二值化。網址： 
https://docs.opencv.org/2.4/modules/imgproc/doc/miscellaneous_transformations.html#adaptivethre
shold 
[12]  Image moment。網址： 
https://en.wikipedia.org/wiki/Image_moment 
[13]  Image moment。網址： 
https://docs.opencv.org/2.4/modules/imgproc/doc/structural_analysis_and_shape_descriptors.html?
highlight=moments#moments 
[14]  Andrew Senior, Arun Hampapur, Ying-Li Tian, Lisa Brown, Sharath Pank anti and Ruud 
Bolle, "Appearance Models for Occlusion Handling". 
[15]  杜柏賢，”基於嵌入式開發板之車牌辨識系統設計與實作”，淡江大學，資訊工程學
系碩士論文，2014。 
[16]  江忠錦，”斜側方影像之車牌定位與辨識研究”，中華大學，機械工程學系碩士論文，
2000。 
[17]  號牌型式及編碼規則表。網址：交通部公路總局 
https://www.thb.gov.tw/page?node=92d4a6e2-9afb-464d-a2eb-2be8d26d8d89 
[18]  劉冠宏，”雲端車牌辨識系統之 Android App 設計”，淡江大學，資訊工程學系碩士
論文，2012。 
[19]  tesseract-ocr GitHub。網址： 
https://github.com/tesseract-ocr/tesseract 
[20]  Mamata Nayak and Ajit Kumar Nayak. Article: Odia Characters Recognition by Training 
Tesseract OCR Engine. IJCA Proceedings on International Conference on Distributed Computing and Internet Technology 2014 ICDCIT-2014:25-30, December 2013. 
[21]  鐘國亮著，影像處理與電腦視覺導論二版 
[22]  井上誠喜等共著;吳上立、林明德編譯，C 語言數位影像處理，全華圖書，2010 
[23]  Canny Edge Detection。網址： 
https://docs.opencv.org/3.1.0/da/d22/tutorial_py_canny.html 
[24]  Hough transform。網址： 
https://en.wikipedia.org/wiki/Hough_transform