本論文使用樹莓派搭配OpenCV與CNN研究製作辨識台灣新式與舊式兩種的車牌辨識系統，透過OpenCV進行車牌影像前處理成功定位車牌與分割字元後，使用CNN將分割好的字元執行訓練，最後將要辨識的新式與舊式車牌同樣進行前處理並運用訓練好的CNN模組做辨識，於事先連接好的顯示器就可直觀得到車牌的辨識結果。本論文所開發的車牌辨識系統的適用於靜態的車牌影像，由於體積小方便攜帶與不佔空間的特性使其容易擴充與安置於各種環境，而訓練與測試影像的辨識正確率分別為99.87%與99.99%，足以證明卷積神經網路是一個很好的學習與辨識車牌中不同字體的模型。

This paper uses the Raspberry Pi with OpenCV and CNN to study and identify the new and old license plate recognition systems in Taiwan. After the license plate image pre-processing is successfully performed by OpenCV, the license plate and the segmentation characters are successfully located, and the segmented characters are executed using CNN. Finally, the new and old license plates to be identified are also pre-processed and trained using the trained CNN module. The connected display can intuitively obtain the identification result of the license plate. The license plate recognition system developed in this paper is suitable for static license plate images. Due to its small size, easy to carry and space-saving features, it is easy to expand and settle in various environments, and the recognition accuracy of training and test images is 98.77% and 99.99%, respectively, which is enough to prove that convolutional neural networks are a good model for  learning and recognizing different fonts in license plates

目錄
第一章 緒論	1
1.1前言	1
1.2研究動機與目的	2
1.3研究方法	2
1.4論文架構	3
第二章 文獻探討	4
2.1嵌入式車牌辨識系統製作	4
2.2以OpenCV實現車牌辨識系統	5
2.3 雙規格車牌辨識系統之實作	6
2.4多規格車牌邊是系統之設計與實作	7
2.5植基於卷積神經網路之高效能車牌辨識系統	8
第三章 相關研究	9
3.1台灣車牌特性與規格	9
3.2樹莓派	11
3.3 OpenCV	12
3.4深度學習	13
3.5 CNN	14
第四章 系統架構設計	15
4.1影像前處理	15
    4.1.1讀取灰階影像	16
    4.1.2高斯平滑	17
    4.1.3邊緣偵測	18
    4.1.4二值化、閉運算與車牌定位	19
    4.1.5字元切割與正規化	21
    4.1.6旋轉	23
4.2 CNN模組訓練	24
4.3車牌辨識	25
4.4車牌樣本進階處理方法	26
第五章 系統實作與結果討論	27
5.1 車牌辨識系統實作流程圖	27
5.2 實驗設備與樣本環境	28
5.3 車牌前處理	33
5.4 CNN訓練模組最佳化	34
    5.4.1 單一舊車牌訓練	35
    5.4.2 新舊車牌混和7:3訓練	37
    5.4.3 新舊車牌亂數混和同時縮小字元樣本	39
    5.4.4 保留原尺寸並去除問題字元	41
5.5 辨識結果	44
第六章 結論與未來展望	49
6.1結論	49
6.2未來展望	49
參考文獻	50
附錄: 英文論文	53

 
圖目錄
圖3.2-1 樹莓派與學生證大小對比	11
圖3.3-1 使用OpenCV將影像灰階、高斯平滑、邊緣偵測	12
圖3.4-1 深度學習神經網路架構圖	13
圖3.5-1 CNN架構圖	14
圖4.1-1彩色影像轉灰階	16
圖4.1-2 灰階影像做高斯平滑	17
圖4.1-3 使用Sobel找尋垂直與水平邊緣的差別	18
圖4.1-4兩種二值化與互相做AND運算的影像結果	20
圖4.1-5車牌定位前處理	21
圖4.1-6車牌文字分割	21
圖4.1-7 新舊車牌文字分割完的樣本整理	22
圖4.1-8車牌旋轉校正	23
圖4.1-9 車牌樣本正逆時針旋轉3次增加樣本數	23
圖4.3-1車牌辨識系統硬體執行流程	25
圖5.1-1車牌辨識系統實作流程圖	27
圖5.3-1 前處理後樣本收集成果	33
圖5.4-1 CNN模組最佳化流程圖	34
圖5.4-2 單一舊車牌訓練執行結果	35
圖5.4-3新舊車牌混和7:3訓練結果	37
圖5.4-4 新舊車牌亂數混合大張字元樣本訓練結果	39
圖5.4-5 新舊車牌亂數混合小張字元樣本訓練結果	40
圖5.4-6保留原尺寸並去除問題字元訓練結果	42

 
表目錄
表4.2-1 本論文CNN模組使用的參數表	24
表5.2-1樹莓派2B與3B的規格比較表	29
表5.4-1 單一舊車牌訓練資料表	36
表5-4-2新舊車牌混和7:3訓練資料整理表	38
表5-4-3新舊車牌亂數混和大張字元樣本訓練資料整理表	40
表5-4-4新舊車牌亂數混合小張字元樣本訓練資料整理表	41
表5-4-5保留原尺寸並去除問題字元訓練資料整理表	43

中文論文
[1]	郭冠呈，以OpenCV實現車牌辨識系統，國立彰化師範大學電子工程學系，2015。
[2]	曹景翔，嵌入式車牌辨識系統製作，健行科技大學，2016。
[3]	藍浩恩，雙規格車牌辨識系統之實作，國立臺灣海洋大學，2013。
[4]	廖偉銘，多規格車牌辨識系統之設計與實作，國立臺灣海洋大學，2014。
[5]	林永鑫，植基於卷積神經網路之高效能車牌辨識系統，國立臺灣師範大學，2016。

英文論文
[6]	Alegria, F. and Girao, P. S. (2006), “Vehicle Plate Recognition for Wireless Traffic Control and Law Enforcement System,”IEEE International Conference on Industrial Technology, pp. 1800-1804.
[7]	Cho, B. K., Ryu, S. H., Shin, D. R., and Jung, J. I. (2011), “License Plate Extraction Method for Identification of Vehicle Violations at a Railway Level Crossing,”International Journal of Automotive Technology, Vol. 12, No. 2, pp. 281-289.
[8]	Du, S., Ibranhim, M., Shehata, M., and Badawy, W.(2013), “Automatic License Plate Recognition (ALPR): A State-of-the-Art Review,”IEEE Transactions on Circuits and Systems for Video Technology, Vol. 23, No. 2, pp. 311-325.
[9]	Kanayama, K, Fujikawa, Y., Fujimoto K., and Horino, M. (1991), “Development of Vehicle-License Number Recognition System Using Real-Time Image Processing and its Application to Travel-Time Measurement,”41st IEEE Vehicular Technology Conference, pp. 798-804.
[10]	Lin, C. H., Lin, Y. S., and Liu, W. C. (2018), “An Efficient License Plate Recognition System Using Convolution Neural Networks,” IEEE International Conference on Applied System Innovation, pp. 13-17.
其他
[11]	交通部公路總局: https://www.thb.gov.tw/
[12]	程式好好玩，[Python+OpenCV] 灰階、模糊、邊緣檢測: https://dotblogs.com.tw/coding4fun/2017/11/09/125723
[13]	阿洲程式教學，OpenCV教學: http://monkeycoding.com/?page_id=12
[14]	雞雞與兔兔的工程世界，[機器學習 ML NOTE]Convolution Neural Network 卷積神經網路: https://is.gd/M7hdXX
[15]	維基百科-樹莓派: https://zh.wikipedia.org/wiki/树莓派 
[16]	維基百科-OpenCV: https://zh.wikipedia.org/wiki/OpenCV
[17]	維基百科-深度學習: https://zh.wikipedia.org/wiki/深度学习
[18]	Sobel邊緣檢測算法:https://blog.csdn.net/tianhai110/article/details/5663756
[19]	張元翔(2016)。《Raspberry Pi嵌入式系統入門與應用實作》。台北市:碁峰資訊股份有限公司。
[20]	張平(2017)。《OpenCV算法精解》。北京市:電子工業出版社。