目前在車牌辨識系統的相關研究中，近年來技術可謂相當豐碩；從超速偵測到贓車辨識等等，皆有相當研究，影像式偵測器能夠獲得許多傳統偵測器所無法收集之交通參數，且影像式偵測器具有成本低廉、裝設與維修容易等優點，故利用影像處理的方式析出時所需之交通參數，是更有效率、更符成本的趨勢。

台灣地區機車車輛數眾多，但在應用在機車騎士執法上這一層面較少討論到。國人普遍駕駛習慣不良，而道路交通事故的發生常常就是因為用路人不守法的行為所致，雖然交通違規並不一定每次都會造成事故的發生，但其危險性及對其他用路人的不良影響亦會對社會造成嚴重的成本。從民國95年至99年間，未戴安全帽而招舉報的案件由40萬件上升至50多萬，國人的駕駛習慣不良在車輛數快速成長之下更使得交通安全的問題日益嚴重。

    因此本研究研擬使用監視攝影機，透過模糊類神經演算法的運算，篩選出未戴安全帽者，並可結合顏色特徵作進一步分析，提高其辨識率，進行未戴安全帽的辨識工作。

    經過實際測試，發現使用模糊類神經網路演算法及後續顏色特徵補助，可以在機車行駛路段中判別未戴安全帽者。其中在機車駕駛高亮度未戴安全帽樣本學習辨識率為95%，正常亮度晴天為96%。高亮度晴天戴半罩式安全帽者95%、正常亮度晴天下為98%。高亮度晴天戴全罩式辨識率為97%、正常晴天戴全罩式安全帽為98%。實際測試高亮度晴天未戴安全帽辨識率為94%、正常亮度晴天未戴安全帽96%，雖然未達百分之百辨識率，但已成功進行初步辨識工作。

By the highly Video technology developing within the past several years, the video-based detector can reached more Traffic parameters than tradition version, the video-based detector have the advantage like low cost, and easily to maintain. Therefore, it is a efficiency method to obtain Traffic parameters by image processing.

The number of motorcycle is very higher in Taiwan now, but the discussion of enforcement by video-based detector is less. The driving habits of people generally adverse, although the violation may not cause car accident, it still makes the society pay huge cost. Recently, the violation of driver without helmet is getting higher with the car-hold-rate increasing; it shows that traffic safety is very important.

In our study, first we use the video-based detector getting video frame, next, using Fuzzy Neural Network to identify the violation of driver without helmet, and finally add the HSV technology to increase detection rates.The simulation results show that using the FNN and HSV to increase detection rates is worked. The detection rate of driver without helmet is more than 96%.Although the detection rates were not achieve 100%, but the feasible platform was established successfully.

目錄
中文摘要............................................................I
英文摘要...........................................................II
致謝..............................................................III
目錄...............................................................IV
表目錄.............................................................VI
圖目錄............................................................VII
第一章	 緒論.....................................................1
1.1研究背景與動機...........................................1
1.2研究目的與重要性.........................................2
1.3研究範疇.................................................2
1.4研究架構及內容...........................................3
1.5研究方法.................................................4
1.6研究流程.................................................5
第二章	 文獻回顧................................................6
2.1影像處理基本原理與技術...................................6
        2.1.1影像之表示...........................................6
      2.2影像處理於交通領域應用...................................9
        2.2.1車輛偵測.............................................9
2.2.2車輛追蹤.............................................9
2.2.3車牌辨識............................................11
      2.3安全帽辨識回顧..........................................14
      2.4智慧型執法系統..........................................14
      2.5模糊類神經網路原理......................................15
        2.5.1模糊類神經的架構....................................16
        2.5.2混合學習演算法......................................17
      2.6安全帽特徵..............................................20
        2.6.1安全帽之特徵(種類)..................................20
        2.6.2安全帽之特徵(尺寸)以全罩式為例......................21
        2.6.3安全帽之特徵(顏色) .................................22
      2.7顏色特徵(HSV)...........................................22
        2.7.1HSV關係.............................................23
        2.7.2頭髮色彩數據分析....................................23
第三章	 道路環境辨識演算法...................................24
3.1背景相減.................................................24
3.2利用特徵法進行配戴安全帽辨識.............................26
    3.2.1點狀圖遮罩的運算.....................................26
    3.2.2連通法...............................................28
    3.2.3影像填補.............................................30
    3.2.4距離轉換.............................................30
    3.2.5膨脹法則.............................................31
    3.2.6顯示主體影像.........................................32
  3.2.7主體頭部影像位置標定.................................33
        3.2.8影像正規化及特徵向量輸出.............................35

第四章	利用模糊類神經網路進行辨識工作.......................36
4.1倒傳遞網路...............................................36
      4.2構建模糊類神經辨識演算法.................................37
        4.2.1模式參數設定.........................................39
      4.3是否戴安全帽之辨識.......................................41
  4.3.1利用類神經網路學習並辨識.............................41
  4.3.2利用色彩數據分析.....................................43
  4.3.3判斷運作流程.........................................43
第五章	攝影機環境與幾何角度...................................44
5.1攝影機與車輛角度.........................................44
5.2攝影機之縱像元解析度與實際距離...........................44
5.3攝影機之橫像元解析度與實際距離...........................45
5.4攝影機架設位置與角度.....................................46
第六章	實驗結果.................................................47
6.1拍攝方式.................................................47
6.2實證結果.................................................51
第七章	 結論與建議..............................................55
7.1結論.....................................................55
7.2建議.....................................................55
參考文獻...........................................................57
英文文獻.....................................................57
中文文獻.....................................................59

表目錄
表1.1警政署舉發報表 – 未戴安全帽舉報統計表........................1
表1.2可使用拍照舉發違規行為列表....................................4
表2.1防護頭盔之種類按用途區分列表.................................20
表2.2防護頭盔之種類按尺寸區分列表.................................21
表2.3防護頭盔之種類按顏色區分列表.................................22
表4.1類神經參數設定表.............................................40
表5.1攝影機之縱向元解析度與實際距離符號代表意義...................45
表5.2攝影機之橫像元解析度與實際距離符號代表意義...................45
表6.1類神經網路資料訓練結果 - 全罩式..............................51
表6.2類神經網路資料訓練結果 - 半罩式..............................51
表6.3類神經網路資料訓練結果 - 未戴安全帽..........................51
表6.4類神經網路違規行為辨識結果 - 未戴安全帽......................52
表6.5使用類神經網路測試誤判列表...................................52
表6.6模糊類神經網路資料訓練結果 - 全罩式..........................52
表6.7模糊類神經網路資料訓練結果 - 半罩式..........................52
表6.8模糊類神經網路資料訓練結果 - 未戴............................52
表6.9模糊類神經網路違規行為辨識結果 - 未戴安全帽..................53
表6.10模糊類神經測試誤判列表......................................53
表6.11探討類神經網路與模糊類神經辨識錯誤之比較....................53
表6.12學習最後收斂之均方根誤差值..................................54

圖目錄
圖1.1研究方法流程圖................................................4
圖1.2研究流程圖....................................................5
圖2.1區域基礎追蹤示意圖............................................9
圖2.2輪廓基礎追蹤示意圖............................................9
圖2.3特徵基礎追蹤示意圖...........................................10
圖2.4模糊類神經網路圖.............................................16
圖2.5半罩式(half) ................................................20
圖2.6半露臉式(semi-jet) ..........................................20
圖2.7露臉式(jet) .................................................20
圖2.8全面式(full-face) ...........................................21
圖2.9頭髮髮色之RGB取像圖.........................................23
圖2.10黑色頭髪之色調分佈..........................................23
圖2.11 2.12 2.13黑色頭髮RGB值分布................................23
圖3.1簡化遮罩.....................................................25
圖3.2參考背景圖Iback..............................................25
圖3.3現在擷取到的影像Inow.........................................25
圖3.4背景相減的遮罩Ib.............................................25
圖3.5點狀圖判斷示意圖.............................................26
圖3.6判斷為前景點的方式...........................................27
圖3.7點狀圖遮罩示意圖.............................................27
圖3.8原始影像.....................................................28
圖3.9點狀遮罩圖...................................................28
圖3.10連通法九方格................................................29
圖3.11連通法掃描順序..............................................29
圖3.12影像填補順序................................................29
圖3.13距離轉換示意圖..............................................31
圖3.14影像膨脹圖..................................................32
圖3.15點狀圖遮罩..................................................32
圖3.16階層式遮罩..................................................33
圖3.17頭部影像位置標定............................................34
圖3.18頭部影像位置標定............................................34
圖3.19特徵點選取示意圖............................................36
圖4.1基本網路拓樸.................................................37
圖4.2模糊類神經網路簡圖...........................................39
圖4.3判斷運作流程圖...............................................43
圖5.1攝影機與真實道路平面角度.....................................44
圖5.2攝影機之縱向元解析度與實際距離.............................. 44
圖5.3攝影機之橫像元解析度與實際距離...............................45
圖5.4拍攝地點位置圖...............................................46
圖6.1架設位置示意圖...............................................47
圖6.2道路環境原始畫面.............................................47
圖6.3單人機車騎士通過畫面.........................................47
圖6.4未帶安全帽之騎士畫面.........................................48
圖6.5經過背景相減之頭部畫面.......................................48
圖6.6顏色特徵畫面.................................................48
圖6.7高亮度(左) 正常亮度(右) 示意圖...............................48
圖6.8正規化影像(半罩1)............................................48
圖6.9正規化影像(半罩2)............................................48
圖6.10正規化影像(全罩)............................................49
圖6.11正規化影像(未戴) ............................................49
圖6.12正規化影像(1/4區塊)(半罩1).................................49
圖6.13正規化影像(1/4區塊)(半罩2)..................................49
圖6.14正規化影像(1/4區塊)(全罩)...................................49
圖6.15正規化影像(1/4區塊)(未戴)...................................50
圖6.16正規化影像(頭部選取)(半罩1).................................50
圖6.17正規化影像(頭部選取)(半罩2).................................50
圖6.18正規化影像(頭部選取)(全罩) ..................................50
圖6.19正規化影像(頭部選取)(未戴) ..................................51
圖6.20取樣錯誤範例圖..............................................53
圖6.21上：學習速率 下：均方根誤差...................................54

1. D. Koller, J. Weber, and J. Malik, Robust Multiple Car Tracking with Occlusion Reasoning, Technical Report UCB/CSD-93-780, University of Calibornia at Berkely, 1993.

2. D. Koller, J. Weber, and J. Malik, Towards Realtime Visual Based Tracking in Cluttered Traffic Scened, Proceedings of the Intelligent Vehicle Symposium, Paris France, pp.201-206, 1994.

3. D.S. Gao, and J. Zhou, Car License Plates Detection from 
Complex Scene, Tsinghua University, Department of 
Automation, P.R.China, 2000.

4. J.W. Hsieh, S.H. Yu, and Y.S. Chen, Morphology-based License Plate Detection from Complex Scenes, Yuan Ze University, Department of Electrical Engineering, Taiwan, 2002.

5.D.Lim, S. Choi, J.Jun, Automated Detection of All Kinds of Violations at A Street Intersection Using Real Time Individual Vehicle Tracking, Fifth IEEE Southwest Symposium on Image Analysis and Interpretation (SSIAIí02) 0-7695-1537-1/02, 2002. 

6. J. Hsieh, S. Yu, Y. Chen, W.Hu, Automatic Traffic Surveillance System for Vehicle Tracking and Classification, IEEE ,TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS,VOL.7,NO.2, 2006.

7. Z. Ming, L. Guoxin, Establishing and Managing Jurisdiction-wide Traffic Monitoring Systems: North American Experiences, JOURNAL OF TRANSPORTATION SYSTEMS ENGINEERING AND INFORMATION TECHNOLOGY, Volume 7, Issue 6, 2007.

8. S. Messelodi, C. Modena,G. Cattoni, Vision-based bicycle/motorcycle classification, Pattern Recognition Letters 28, pp.1719–1726, 2007.
9. C. Oh, S. Ritchie, Recognizing vehicle classification information from blade sensor signature, Pattern Recognition Letters 28, pp.1041–1049, 2007.

10.M. Esteve, C.E. Palau, J. Martnez-Nohales, B. Molina, A video streaming application for urban traffic management, Computer Applications 30  pp.479–498, 2007.

11. V. Brunet, B. Lameyre, Object recognition and segmentation in videos by connecting heterogeneous visual features, Computer Vision and Image Understanding 111, pp.86–109, 2008.

12. Y. Chong, C. Quek, P. Loh, A novel neuro-cognitive approach to modeling traffic control and based on fuzzy neural techniques, Expert Systems with Applications, 2008.

13. S. Cho , C. Quek, S. Seah, C. Chong, A novel application of neuro-fuzzy network for visual based traffic monitoring system, Expert Systems with Applications, 2008.

14. V. Gouet-Brunet, B. Lameyre, Object recognition and segmentation in videos by connecting heterogeneous visual features, Computer Vision and Image Understanding 111, pp.86-106, 2008. 

15. C. Juang, L. Chen, Moving object recognition by a shape-based neural fuzzy network, Neuro Computing 71, pp.2937–2949, 2008

16.范俊海，影像處理技術建構交通資料收集系統之研究，國立台灣大學土木工程學研究所博士論文，民國79年。

17. 鍾國亮，“影像處理與電腦視覺”，台灣東華書局有限公司，民國83年。 

18. 連國珍， “數位影像處理”， 儒林圖書有限公司，民國83年。

19. 王勝石，影像處理與類神經網路整合模式應用於車種分類之研究，國立成功大學交通管理科學研究所碩士論文，民國 84 年。

20. 李克聰、陳昱豪，先進交通執法系統之規劃設計，道路交通安全與執法研討會，民國89年。

21. 蔡博智，影像追蹤方法應用在監控系統之研究，國立中原大學機械工程研究所碩士論文，民國90年。

22. 莊盛淵，夜間影像之車輛分類與追蹤之研究，淡江大學土木工程研究所碩士論文，民國91年
。
23. 林清波，基於即時影像追蹤之交通監測系統，國立交通大學電機與控制工程學系研究所碩士論文，民國 92年。

24. 郭怡雯，利用模糊類神經網路加強彩色影像車輛偵測，國立交通大學交通運輸研究所碩士論文，民國 92年。 

25. 莊佳龍，車輛偵測與車牌辨識系統，國立中正大學光機電整合工程研究所碩士論文，民國93年。 

26. 張國鋒，影像處理在多移動目標物之追蹤，國立交通大學機械工程研究所碩士論文，民國 93年。 

27. 莊劍嵐，機車偵測演算法之研究，淡江大學運輸管理學系運輸科學研究所碩士論文，民國94年。

28. 徐維揚，門禁監控即時辨識系統之實用設計，國立中央大學電機工程系暨研究所碩士論文，民國94年。

29. 謝明逢，利用雙攝影機取像模組建構一大型環境監控系統，國立中央大學資訊工程研究所碩士論文， 民國95年。

30. 王英任，人臉遮蔽之即時辨識系統設計與製作，國立中央大學電機工程研究所碩士論文，民國95年。
 
31. 陳亮佐，一基於輪廓模糊類神經網路之移動物體辨識系統，國立中興大學電機工程學系，民國95年。

32. 簡隆至，即時移動物體偵測及自動追蹤系統，國立台灣科技大學電機工程系碩士論文，民國95年。
  
33. 胡智強，全景影像之移動物偵測與追蹤系統，國立中央大學資訊工程研究所碩士論文，民國95年。

34. 陳昭介，門禁監控系統之影像追蹤，國立中央大學電機工程研究所碩士論文，民國95年。

35. 張建彥、萬燦輝，先進式交通監測與執法系統之執法效益分析，道路交通安全與執法研討會，民國95年。

36. 鄭智鴻，遠距離監視系統 – 人物的偵測與追蹤，國立暨南國際大學資訊工程系碩士論文，民國95年。 

37. 林政儀，利用模糊自我組織類神經網路作即時視訊監控系統，國立中央大學資訊工程研究所碩士論文，民國96年。

38. 繆紹綱，“數位影像處理 - 活用Matlab”，全華圖書股份有限公司，民國96年。

39. 唐嘉宏，雙相機之多目標物特寫追蹤系統，中華大學資訊工程學系碩士論文，民國 97年。

40. 李杰儒，智慧型執法平台之研究以道路環境辨識演算法為基礎，淡江大學運輸管理學系運輸科學碩士班碩士論文，民國97年。

41. 謝正達，運用雙攝影機模組於大型空間之車牌偵測與辨識，中華大學資訊工程學系碩士論文，民國98年。