近年來隨著車牌影像辨識系統技術的進步，實際的潛在應用也日益增加，例如查緝贓車、取締違規車輛以及無人化停車場自動收費系統等。然而在實際上，車牌辨識系統目前尚無法便捷、快速地普及化，其主要原因之一是在辨識技術上仍有需要改善的地方，如車牌定位率、字元辨識率等。因此本研究針對此部份期望能提升車牌影像辨識系統辨識的準確率。
在車牌辨識系統中主要分為車牌定位以及車牌辨識兩部分，其中在車牌辨識部分中選取車牌二值化的門檻值對車牌字元分割以及辨識中扮演著很重要的因素，門檻值若選的不好將會造成字元切割困難和辨識錯誤等問題發生，因此本文加入照度參數以經驗法則作為基礎，利用大量車牌資料去做門檻值的篩選和調整，經由實驗的結果來選擇其最佳的數值作為門檻值範圍。
最後經由實驗證明，利用本論文提出的二值化門檻值範圍不管是在燈光明亮的地方還是昏暗之處，都能夠大幅的提升字元切割和車牌辨識的成功率，使得整個車牌辨識系統可以發揮出更好的效能。

Over recent years, as the vehicle license plate recognition system technology continues to improve, the actual potential applications are also on the rise. Common application examples are stolen cars identification, traffic violations ticketing, and the toll collecting systems of man-free parking lots. Yet in practical implementation, a major reason that the license plate recognition system is unable to rapidly and expeditiously become prevalent lies in how the recognition technology leaves room to be improved upon, such as the license plate positioning ratio, character recognition ratio and so on. As a result, this study intends to focus on this area such that the recognition accuracy of the license plate recognition system can be further improved.  
License plate recognition system is divided into two parts as the license plate positioning and license plate recognition. The binarization of threshold plays an important role in the license plate character segmentation and recognition which used in the image edge detection. Unsuitable and inappropriate threshold will cause character cutting difficulties and recognition errors. This paper will add illumination parameters and use a large number of license plate information to adjust the threshold value, and then select the best value for threshold according to empirical result.
Finally, experiments show that the derived threshold values will significantly enhance the success rate of character cutting and license plate recognition whether it is in bright light or a dark place, and also makes the license plate recognition system perform better.

目錄
第一章  緒論	1
1.1 研究背景	1
1.2 研究方法與目的	2
第二章  相關研究	3
2.1 濾波器	3
2.2 邊緣偵測	4
2.2.1 Soble、Kirsch & Laplacian 邊緣偵測	4
2.2.2 Canny 邊緣偵測	5
2.2.3 SUSAN 角點偵測	7
2.3 車牌定位(License Plate Positioning)	8
2.3.1 水平投影與垂直投影(Horizontal projection and Vertical projection)	8
2.4 二值化(Binary Thresholding)	10
2.4.1 統計法	10
2.4.2 百分比法(P-Tile Method)	11
2.4.3 歐蘇法(Otsu's Method)	11
2.5 形態學	13
2.5.1 膨脹(dilation)	13
2.5.2 侵蝕(erosion)	15
2.5.3 斷開(opening)	17
2.5.4 閉合(closing)	18
2.6 光照度	18
2.7 車牌字元分割	19
2.7.1 連通標記(Connected Components Labeling)	20
2.7.2 水平投影及垂直投影	21
2.8 樣板比對	22
第三章  車牌擷取及辨識	23
3.1 影像前置處理	24
3.2 車牌定位	26
3.3 車牌字元分割	27
3.3.1 車牌二值化	28
3.3.2 細切車牌邊界	29
3.3.3 連通法分割字元	30
3.4 字元辨識	31
第四章  實驗及討論	34
4.1 測試影像及器材	34
4.2 車牌二值化加入照度參考	35
4.3 二值化車牌辨識之實驗結果	39
4.4 實驗比較結果	41
第五章  結論	45
參考文獻	47
附錄-英文論文	48

圖目錄
圖 1  Sobel範例	4
圖 2  Kirsch範例	4
圖 3  Laplacian 範例	5
圖 4  一次微分與二次微分的比較	5
圖 5  SUSAN圓形遮罩	7
圖 6  USAN值的變化	7
圖 7  馬來西亞車輛原始影像	9
圖 8  Soble邊緣偵測後之影像	9
圖 9  邊緣偵測後之水平投影計算	9
圖 10  邊緣偵測後之垂直投影計算	10
圖 11  統計法之範例	11
圖 12  百分比法之範例	11
圖 13  群組示意圖	12
圖 14  (a)膨脹前(b)膨脹後效果示意圖	14
圖 15  膨脹罩窗大小的影響	15
圖 16  (a)侵蝕前(b)侵蝕後效果示意圖	16
圖 17  侵蝕罩窗大小的影響	17
圖 18  (a)斷開之示意圖 (b)閉合之示意圖	18
圖 19  反平方定律示意圖	19
圖 20  (a)四連通的區域位置	20
圖 21  (a)未標號之二值化圖	21
圖 22  (a)車牌字元之水平投影及垂直投影 (b)字元分割	21
圖 23  車牌辨識大致流程	23
圖 24  原始車輛影像	24
圖 25  灰階影像	24
圖 26  經過Canny邊緣偵測處理影像	25
圖 27  門檻值取過密之影像	25
圖 28  門檻值取過疏之影像	25
圖 29  台灣自用小客車車輛牌照樣式	26
圖 30  擷取車牌之執行結果	27
圖 31  擷取車牌之影像	27
圖 32  (a)(b)門檻值取得不適合辨識字元	28
圖 33  二值化後之車牌影像	28
圖 34  灰階直方圖選取門檻值示意圖	28
圖 35  二值化處理後的車牌	29
圖 36  細部界定上下之車牌	29
圖 37  連通法切割結果	30
圖 38  切割出的字元	30
圖 39  字元分割流程圖	31
圖 40  Tesseract-OCR的訓練圖文	32
圖 41  Tesseract-OCR 訓練字體資訊	33
圖 42  測試車牌影像	33
圖 43  辨識結果	33
圖 44  拍攝車牌示意圖	34
圖 45  低照度下選取之門檻值對應圖	36
圖 46  不同照度下選取之門檻值對應圖	36
圖 47  照度取log之不同照度下選取門檻值對應圖	37
圖 48  不同參數集的機率密度函數	38
圖 49  不同參數集的累積分布函數	38
圖 50  數據曲線與累積分布函數比較圖	39

表目錄
表 1  日常代表性照度	19
表 2  車牌辨識統計表	40
表 3  各種照度下之車牌辨識統計表	40
表 4  辨識錯誤之車牌比對資料表	41
表 5  有無加入照度參數之二值化圖像比較表	42
表 6  有無照度參數之車牌辨識統計比較表	42
表 7  有無照度參數之各種照度下之車牌辨識統計比較表	43

[1]Christos-Nikolaos E. Anagnostopoulos, Ioannis E. Anagnostopoulos, Ioannis D. Psoroulas, Vassili Loumos, and Eleftherios Kayafas, “License Plate Recognition From Still Images and Video Sequences: A Survey,” IEEE Transactions on Intelligent Transportation Systms, vol. 9, no. 3, pp. 377-391, 2008.
[2]Hsiao-Wei Chang, “Precise News Video Text Detection and Text Extraction Based on Multiple Frames Integration,” PhD dissertation, Tamkang University, tku-100-895410180-1, 2011. 
[3]Chin-Cheng Chou, and Yi-Hong Tseng, “Entering-and-Exiting Management of Parking Lots by an Application of Image-Analysis Techniques,” Journal of Science and Engineering Technology, vol. 3, no. 2, pp. 85-97, 2007.
[4]Ming-Chin Chuang. Digital Image Processing Image Segmentation. [Online].      [http://www.csie.cyut.edu.tw/~s9227609/DIP-4-segment.pdf] 
[5]Digital Image Processing, 3rd ed. [Online].    [http://eshare.stut.edu.tw/EshareFile/2010_4/2010_4_3b11d57a.pdf]
[6]Othman Khalifa, Sheroz Khan, Rafiqul Islam, and Ahmad Suleiman, “Malaysian Vehicle License Plate Recognition,” The International Arab Journal of Information Technology, vol. 4, no. 2, pp. 359-364, 2007. 
[7]J.G. Park, “An Intelligent Framework of Illumination Effects Elimination for Car License Plate Character Segmentation,” Proceedings of the Ninth International Conference on Machine Learning and Cybernetics, pp. 1268-1272, 2010.
[8]Neng-Sheng Pai, Sheng-Fu Huang, Ying-Piao Kuo, and Chao-Lin Kuo, “License Plate Recognition Based on Extension Theory,” in 2010 International Symposium on Computer Communication Control and Automation, pp. 164-167, 2010. 
[9]Soodamani Ramalingam, Zuwena Musoromy, and Nico Bekooy, “Edge Detection Comparison for License Plate Detection,” in Control Automation Robotics and Vision, pp. 1133-1138, 2010.
[10]Richard E. Woods, Rafael C. Gonzalez, Digital Image Processing 2/E, Ed.: Princeton University Press, 2006. 
[11]Lihong Zheng, Bijan Samali, Xiangjian He, and Laurence T. Yang, “Accuracy Enhancement for License Plate Recognition,” in 2010 10th IEEE International Conference on Computer and Information Technology, pp. 511-516, 2010.