第 1 頁

智慧型停車場的車牌辨識系統

Recognition System of Vehicle License Plates

for Intelligent Parking Lot

指導教授：方瓊瑤 組員：田智婷

（（（（一一一一）））） 專題摘要專題摘要專題摘要專題摘要：：：：

本研究設計一套適用於智慧型停車場的車牌辨識系統。將攝影機架設於停車

場的出入口，當車輛進入停車場時，系統自動取像辨識車牌後，利用辨識的結果

加上追蹤系統，可確定該車輛的停車位置，方便駕駛者取車。當車輛離開停車場

時，出口處的辨識系統可以利用車牌辨識的結果進行停車的自動計時與計費。另

外若與警方連線，車牌辨識的結果還可以利用來判斷該車輛是否為贓車，提高失

竊車輛的尋獲率。

（（（（二二二二）））） 研究動機與研究問題研究動機與研究問題研究動機與研究問題研究動機與研究問題

目前車輛進入停車場的計時計費方式，已由傳統人工的方式，進化到利用取

票機與讀票機的方式，而台北市目前正在推廣的悠遊卡刷卡方式使得停車場的計

時計費更為方便。但是這些改良系統都還是需要一些步驟來處理停車費扣繳的問

題，例如駕駛必須停車、取票（或刷卡）、等柵欄打開等三個步驟，才能進入停

車場。如果駕駛者能夠以正常速度開入停車場，就可以略過上述的三個步驟，節

省許多的時間。

在使用車牌辨識系統的狀況下，車輛進入停車場時，駕駛不再需要降低速

度，只需在一定速度的範圍內，進入停車場，本系統便會經由攝影機擷取彩色影

像辨識車牌；在車輛要離開停車場時，再一次的利用本系統辨識車牌，便可經由

電腦來計算車輛的停車時數並計算停車費用，這樣停車計費系統就可以變的更簡

單、更省時方便。

再者，現在有些停車場擁有廣大的面積，且場內停車區間的設計非常相似，

常常會使駕駛在取車時浪費許多時間搜尋車輛的所在，所以迫使駕駛在停車時，

第 2 頁

必須先記住周遭環境的特徵與停車格號碼，才得以順利取車。但如果使用本系

統，在進入停車場時，便記錄車號於電腦中，再利用全場的攝影機追蹤車子停放

的位置，等車主取車時，只要在附近系統輸入車牌，便可以輕鬆找到愛車，不用

再擔心會忘記車輛停在那個位置而浪費時間。

自動辨識車牌系統還有其他更多的應用，例如贓車查緝、違規取締等。利用

本系統可以減輕很多警察的負擔，更可以加快資料的傳輸。

本計畫主要的應用在於停車場的自動計時計費，而收費停車場目前多為自用

小客車所使用，所以本計畫將範圍縮小到自用小客車的車牌辨識上，如此可以減

少系統複雜度。

本系統處理車牌的主要步驟有二，車牌定位與車牌辨識。車牌定位的主要目

的在影像中找到車牌的正確位置（如圖一的紅框處所示），由於自用小客車的車

牌設計是由對比強烈的白底黑字，所以在尋找車牌位置的時候，只需要找出黑點

經過白點與白點經過黑點所產生的高度灰階變化的地方，再經過 Morphological

operations 即可找到車牌位置。而車牌辨識的目的則是在所找到的車牌位置上，

分割出字元，並進行資料庫和特徵的比對，來達到正確的辨識車牌號碼（如圖

二）。

本系統在進行影像處理時，將會面臨到許多應解決的困難，這些都是系統設

計時應該考慮的重點。

� 背景光線的改變

圖一、在原始圖片中找到車牌的

正確位置。

圖二、正確的擷取出車牌號碼。

第 3 頁

由於停車場的光線會變亮或變暗，所以系統的設計應在不同背景光線的改變下，

皆能準確的計算出車牌位置。

� 天氣的影響

如果在室外的停車場，天氣的改變，例如:下雨、起霧等，都會增加影像辨識的

困難度。所以天氣因素的克服也是應考慮的重點。

� 車牌的完整性

如果車牌上面有污垢、毀損、車牌翹起，皆會造成無法準確讀取車牌上的文字，

而導致辨識錯誤，所以車牌的完整復原也是一項很重要的工作。

� 即時性

為了使駕駛能夠快速的進出停車場，對於影像的分析處理，必須相當快速，否則

會讓使用者認為還不如使用悠遊卡或者人工記時來計算停車時數，造成系統的實

用性下降。

（（（（三三三三）））） 文獻回顧與探討文獻回顧與探討文獻回顧與探討文獻回顧與探討

國內外歷年來對於車牌辨識的研究相當多，在國內外車牌辨識系統的相關文

獻中，較常見的典型方法如下。

首先在車牌定位上，林泰良[3]的智慧型車牌定位與字串分割裡面有提到一

個作法，是以空間頻域分析的原理來找到車牌的位置，他們所用到的方法主要是

利用離散的傅利葉轉換（Discrete Fourier Transform；DFT）來找出車牌的垂直以

及水平的位置，其作法是利用影像中具有密集係灰階變化的特徵來進行。

基於車牌是影像中灰階變化最為激烈的假設，先做列的離散傅利葉轉換，再

將列的離散傅利葉轉換後的數值取絕對質在相加以作為垂直諧波標準差估算能

量。得知垂直諧波標準差估算能量後可以藉此來推斷車牌的垂直位置，再從留下

的區域去做行的離散傅利葉轉換，即可得到水平的諧波標準差估算能量，從變化

較明顯的突起處，便可判斷出車牌的水平位置。

陳麗奾[2]利用色彩資訊（色調、飽和度和明度）和邊緣兩類特徵，結合模

糊集合理論和色彩理論來進行車牌定位，此方法強調在任何環境下都可以將車牌

第 4 頁

的位置找出。做法是假設有一張顯示車牌的圖為RGB影像，我們先將其轉成HIS

的影像，如此可以得到三張圖分別稱為H圖、S圖、和I圖。另外如果再在輸入的

影像中偵測和車牌顏色有關的彩色邊線稱此圖為E圖。

接著再根據一些系統參數和衣些適當的函數，將H圖、S圖、I圖、和E圖模

糊化成H'圖、S'圖、I'圖、和E'圖。再這些圖中每一點所存在的值分別代表著從色

調、飽和度、透明度、和彩色邊線這些特徵上來觀察的點，所以該點是屬於"車

牌區域"的程度值。但由於從色調特徵上，只能凸顯出車牌中色彩的部份，而從

飽和度和透明度的特徵上，只能凸顯出車牌中黑色或白色的部份，因此在整合

時，要先結合彩色的特徵，即參考H'、S'、和I'各模糊圖的重要性，將這些模糊

圖整合成G'圖，使得根據色彩特徵，也可以在影像中凸顯整個車牌區域。

接下來再利用fuzzy aggregation operator 來結合色彩和彩色邊線的特徵，就

在此時，車牌的區域會有較高的整合值。接下來再利用一些過濾的法則；如車牌

的長寬比、局部色彩、灰階之異變數、以及線條跨越變遷的頻率等等方法來將可

能的車牌區域篩選出來。

Poon[1]等人的研究中，他們利用morphology的一連串運算，來找車牌的可

能位置。Morphology為Georges Matheron和Jean Serra在1965年提出的理論。理論

中的closing技術可以去除影像中的雜訊，而opening 技術可以把不連續的區塊連

結在一起。這兩種技術皆用了dilation 和 erosion步驟。Dilation 和 erosion其運

算的原理是將影像A與一個區域視窗(local window)─稱為結構元素structuring

element(SE) B的特定集合運算，其結果為一個新的濾波影像。

Ｄilation 和 erosion是建立在Minkowski集合運算，其定義如下：

Dilation（如圖三）：

IBb

bABABAD∈

+=⊕= )(),(

Erosion（如圖四）：

IBb

bABABAE∈

−=−Θ= )()(),(

第 5 頁

其中 }|{ BbbB ∈−=−

Dilation 通常造成物件範圍的擴大，相反的，erosion 則使物件範圍縮小，

其擴大和縮小的程度是由所選擇的結構單元SE決定。最常見的結構單元是

4-connected和8-connected集合, N4 和 N8：

Opening和closing運算建立在dilation和erosion運算的基礎上，可以建構出更

高階的型態學運算：

Opening：

))(()()( BABEDBBABAABO =⊕Θ== o

有以下特性：

1. BA o is a subset (subimage) of A .

2. If C is subset of D , then BC o is a subset (subimage) of BD o .

Dilation

Erosion

圖五、左為 N4 ，右為 N

8。

圖三、Dilation 圖示。

圖四、Erosion 圖示。

第 6 頁

3. )()( BABBA ooo = .

Closing：

)),,(()()( BBADEBBABAABC −−=Θ⊕=•=

有以下特性：

1. A is a subset (subimage) of BA• .

2. If C is subset of D , then BC • is a subset (subimage) of BD • .

3. )()( BABBA •=••

Anagnostopoulos[2]等人的研究著重在車牌分割的技術，可以適應戶外的環

境，首先利用sliding concentric windows (SCWs)進行快速的車牌定位，接著再使

用SCW進行字元的分割，最後使用兩層的類神經網路完成字元辨識。

此論文的車牌定位方式是根據車牌劇烈變化的特徵，定義了一個分割方法

SCWs。首先製造出A和B兩個同心方塊，接著算出A和B的平均和標準差，如果

平均和標準差超過定義的threshold，就視為RoI。接著使用connected component

analysis(CCA)把相鄰的RoI點做連結，根據CCA可以找出面積、方向、長寬比等

特徵，若連結好的區域滿足Euler number > 3、2 < Aspect ratio < 6等特徵，即為車

牌的候選位置儲存在陣列中。

潘家鵬、林天斌、柯偉基[5]則開發出兩種車牌定位系統，一個為針對一般

車牌定位，另一個為針對模糊車牌所開發的。其中利用車牌特徵（黑白交替次數

頻繁）篩選可能的邊緣點，而後經過複雜的演算法來達到精確定位。而針對模糊

車牌所開發的定位系統，則是配合RGB的特性（例如：紅色的R值必大於G值），

圖六、左為同心方塊 ，右為掃瞄圖片的路徑。

第 7 頁

再透過車牌特徵（車牌邊線大多數是多數點構成邊線）篩選可能的邊緣點。

辨識車牌上，洪健詠[6]的車牌辨識系統裡面使用的方法，是先將原始影像

中所取得的車牌，經過轉檔、二值化、過濾雜訊、正規化、細線化等動作，將車

牌中的號碼切割成單一的字元之後才進入辨識的動作。

在其中的細線化是和其他文獻很不一樣的地方，他不希望影像的大小影響字

元的粗細進而增加辨識的難度，所以增加了細線化這個步驟來增加辨識的成功

率。

陳麗奾[2]利用模糊集合理論之二元化方法，再配合”車牌字元在水平方向的

中心等距分佈在一直線上”的特性，便可以從任何角度和變形的狀況下，完整的

萃取出車牌上車號字元。

最後使用自組型類神經網路(SOM)來進行字元的辨識，稱為MSOM (modified

SOM)，此法可以容忍相當程度的字元變形。基本理念是先找出輸入字元影像的

輪廓後，將其嵌入類神經網路。然後以一標準字元來刺激此一神經網路，使輸入

字元在權重空間的樣式逐漸變形成該標準字元的樣子。在每一次受刺激變形時，

記錄其形變量，當行變完成時，整體的形變量及代表著輸入字元與標準字元之間

的差異量。利用此差異量的大小，來判斷輸入字元和標準字元是否屬於同一類別。

曾揚建[9]所提出的方法，輸入的車牌影像主要是經由濾波後二值化處理及

切割，再將切割後的數字或英文字母儲存，以供學習與辨識之用。而辨識系統部

分，則是採用類神經網路和FUZZY法則的技術。

第 8 頁

（（（（四四四四）））） 開發工具和硬體設備需求開發工具和硬體設備需求開發工具和硬體設備需求開發工具和硬體設備需求

完整的車牌辨識系統包含了硬體及軟體兩個部分，硬體的部分主要是負責影

像的取得和影像品質的提升，而軟體部分則是對影像的處理與車牌的辨識，而此

軟體部分是由Borland C++ Builder 6.0所開發。

本系統實驗所用之攝影機為 Nikon FH500，攝影機所預設的位置如圖七，其

紫色部分為攝影機可視範圍。但目前實驗階段無法取得真實停車場出入口的影

像，所以使用在師大校園內停車場內車子的影像，影像輸入大小為 640*480

pixels。

圖七、攝影機預設示意圖。

第 9 頁

（（（（五五五五）））） 研究方法及步驟研究方法及步驟研究方法及步驟研究方法及步驟

圖八、系統流程圖。

第 10 頁

流程圖（圖八）中的步驟說明如下，其中步驟[1]到步驟[8]是車牌定位的實作過

程，而步驟[9]到步驟[14]是車牌辨識的實作過程：

[1] 影像輸入影像輸入影像輸入影像輸入

由架設在停車場出入口的攝影機，取得彩色輸入影像（如圖九），本系統將

針對每張影像進行分析。

[2] Sub-sample

為了降低影像資料量，所以按照比例縮小原圖，如此便可以加快之後運算的

速度，增加系統效率。且 sub-sample 不會改變車牌的特徵，本系統仍可以正

確地擷取車牌，且速度加快。

[3] 灰階化灰階化灰階化灰階化

因為我們將目標鎖定在自用小客車上面，而自用小客車的車牌為白底黑字（車

牌顏色特性詳見附件表二），彩色影像的灰階化可以降低往後運算的複雜度，

而且也不會影響自用小客車車牌特徵的擷取（如圖十的左圖）。主要因為白

底黑字、黑白交替次數頻率、長寬比例…等特徵，與色彩因素無關，故本計

畫採用灰階化後的影像進行特徵的擷取。

[4] Histogram equalization （（（（直方圖等化直方圖等化直方圖等化直方圖等化））））

由於外在因素會影響影像的品質（例如光線明暗所造成的陰影），而導致車

牌特徵不明顯，無法擷取車牌和辨識車牌，所以使用 Histogram equalization，

可以加強黑白對比，消除部分陰影等外界干擾（如圖十的右圖），有利於往

後的影像處理。

圖九、彩色單張影像。

第 11 頁

[5] 車牌特徵強化車牌特徵強化車牌特徵強化車牌特徵強化

本系統使用的方法是利用黑點經過白點與白點經過黑點所產生的高度灰階

變化當作本系統尋找車牌邊緣的依據，也就是根據車牌上黑白相間的縱線區

為特徵，而設計兩個一維遮罩對影像濾波，來找出有可能的車牌邊緣。

本系統使用[-1,0,1]和[1,0,-1]當作遮罩值，進行尋找左右兩邊的邊緣。不單獨

使用[-1,0,1] 或[1,0,-1] ，原因是只用一邊尋找遮罩得出的範圍會比較少（如

圖十一的左圖），造成失敗率提高。而用雙遮罩可以確保車牌資訊保留（如

圖十一的右圖）。採用一維遮罩而不用二維遮罩的原因是本系統僅打算擷取

車牌特徵黑白相間的「縱線區」，如果用二維遮罩則可能會找出更多雜訊，

造成之後處理步驟的困擾。

[6] 平滑化濾波和二值化平滑化濾波和二值化平滑化濾波和二值化平滑化濾波和二值化

經由步驟[5]所處理過的影像仍會出現一些背景雜訊，其值比起車牌附近的值

來的小，經過平滑化濾波和二值化可以去除這些雜訊，也可以加強影像對比

（如圖十三），有利於之後的影像處理。

圖十、左圖為灰階化的影像，右圖為經過 Histogram equalization 處理的影像。

圖十一、左圖為使用單一遮罩濾波後的影像，右圖為使用雙遮罩濾波後的影像。

第 12 頁

平滑化濾波是對影像上任一點像素 y)(x, 平滑濾波後之新層階值 y)g(x, 可由

下式表示之。

9/),(y)g(x,1

1

1

1

++= ∑∑−= −=m n

nymxf

其中， y)f(x, 為 y)(x, 的層階值，其鄰近之各係數如圖十二所示：

1 1 1

1 1 1

1 1 1

二值化是要選出一個臨界值Th (Threshold value)，在本系統中Th 的值為 85。

在做平滑化濾波處理之後，Th 與 y)g(x, 做比較，產生二值化影像，其層階值

為 y)(x,gnew ，可由下式表示之：

≤

>=

Thyxg

Thyxg

),( ,0

),( ,255y)(x,gnew

若

若

[7] Morphological operation

經由步驟[6]所處理過的影像，仍有些許雜訊和區塊間的不連續（如圖十四

(a)）。雜訊的產生是因為有時候背景和車牌一樣的特徵相同（黑白相間的高

度灰階變化），但這些雜訊的密度通常皆小於車牌附近的密度，故本系統使

用 Morphological operation 中的 opening 的運算方式把雜訊去除。

區塊間的不連續則是因為本系統使用的是「一維遮罩」對影像濾波，所找到

的邊緣點的水平方向都沒有連續，故本系統使用 Morphological operation 中的

圖十三、圖為二值化和平滑化濾波後的影像。

圖十二、 y)f(x, 鄰近之各係數（處理像素為中間像素）。

第 13 頁

closing 的運算方式，可以把不連續的點給連接起來，使沒有連接的區塊形成

連續且完整的區塊。

本系統利用 Morphological operation 中的 opening 和 closing 運算方式，交互使

用，可以把影像中的雜訊去掉，並把車牌附近的區域連結起來，以利於之後

擷取車牌的正確性。

[8] 車牌擷取車牌擷取車牌擷取車牌擷取

經由步驟[7]所完成的影像中，可以把亮點的部分擷取出來，經由 X 軸和 Y

軸的投影，完成車牌擷取（如圖十五）。如果車牌擷取不完整，系統會再回

到步驟[1]，重新擷取車牌。如果車牌擷取完整，便開始辨識車牌。

[9] 車牌影像前處理車牌影像前處理車牌影像前處理車牌影像前處理

圖十五、擷取出車牌的部分。

圖十四、(a)為二值化的影像，(b)為使用 column 的 opening 和 closing

交互使用後的影像，(c) 為使用 row 的 opening 和 closing 交

互使用後的影像。

(a) (b)

(c)

第 14 頁

擷取後的車牌，也仍然會有些許的雜訊，例如釘孔和車牌上面的「臺灣省」

等字樣（如圖十六），這個步驟是希望可以透過一些簡單的方式過濾掉這些

不需要的雜訊。首先對擷取出的車牌影像進行灰階化（如圖十七(a)），降低

運算複雜度；接著使用 Histogram equalization（如圖十七(b)），加強黑白對

比，消除部分陰影等外界干擾；最後使用平滑化濾波和二值化（如圖十七(c)），

去除雜訊和加強對比，有利於之後的運算。

[10] 車牌字元分割車牌字元分割車牌字元分割車牌字元分割

在擷取出的車牌影像中，因為只有兩個顏色所以可以把影像做二值化。在二

元化後的影像中，利用水平投影可以把上下的白邊都去掉，而垂直投影可以

分割出每個字元。經由這個步驟，每個字元可以被完整分割出來（如圖十八）。

[11] 字元正規化字元正規化字元正規化字元正規化

資料庫中所儲存的字元樣本(templates)皆有固定的大小和長寬，所以把步驟

[10]所擷取出的字元影像調整成和樣本一樣的大小（如圖十九），就是字元

正規化。目前樣本的大小為 8*16，資料量足以分析，又不會因為字型太大造

成記憶體的負荷。

圖十八、分割出獨立的字元。

圖十九、正規化後的字元。

圖十六、擷取出帶有釘孔和「臺灣省」字樣的車牌。

圖十七、(a)為灰階化後的車牌影像，(b)為 Histogram equalization 後的車

牌影像，(c)為平滑化濾波和二值化後的車牌影像。

(a) (b) (c)

第 15 頁

[12] 字元比對字元比對字元比對字元比對

經由步驟[11]正規化後的字元和資料庫中所儲存的 35 個字元做比對（25 個英

文字母和 10 個數字，如圖二十，不包含英文字母 O，因為車牌中英文字母 O

不會出現），便可以得到較靠近的字母，選出最接近的五個候選者，依序給

予他們 0 到 4 的票數（如表一）。當距離相差太遠，系統會把候選者從行列

中剔除，而我們的字元樣本(templates)為 8*16 pixels，共有 128 pixels，所以

如果相差了 40 pixels 以上，則已經相距太多，便會從候選者行列中剔除。

當行列中沒有任何一個候選者的時候，則表示此位置並非字元，就忽略不輸

出，這樣可以成功忽略在車牌當中“-”的符號。

當行列中有超過一個候選人，則進行步驟[13]加以確認。

候選人號碼 0 1 2 3 4

距離 最遠�-------------------------------------------------------------�最近

票數 0 1 2 3 4

[13] 特徵特徵特徵特徵比對比對比對比對

在選出來的候選者中，根據每個字元的特徵再來與以增加票數，這裡所選的

字元特徵有上下對稱、左右對稱、中間是否有洞和整個字元的黑點數目等四

個特徵（如圖二十一），根據資料庫中的樣本把每個字的特徵紀錄下來，而

輸入的字元就來比對是否有符合這些候選者的特徵，如果有，則票數加一，

如果沒有符合，則不動票數。

圖二十、資料庫中的字元樣本。

表一、五位最接近的候選者與得到票數的示意圖。

第 16 頁

[14] 車牌號碼輸出車牌號碼輸出車牌號碼輸出車牌號碼輸出

經由步驟[12]和[13]所選出的候選人，取出得票數最高者，輸出為車牌號碼（如

圖二十二）。

5451DW

（（（（六六六六）））） 完成的工作內容與系統特色完成的工作內容與系統特色完成的工作內容與系統特色完成的工作內容與系統特色

利用影像技術根據車牌的特徵（白底黑字、黑白相間的高度灰階變化）完成

「擷取車牌」的動作；經由過濾雜訊、車牌分割後，再和資料庫中的樣本比對與

特徵比對，完成「車牌辨識」的動作。

本系統不會受到車牌顏色的影響；也因為是根據車牌的高度灰階變化特徵，

在擷取位置時也不會被車牌的位置所影響，只要車牌為正的即可。

（（（（七七七七）））） 本系統實驗結果本系統實驗結果本系統實驗結果本系統實驗結果

實驗結果的正確率如下表所示，全部影像共有 148 張，目前分為「車牌擷

取」、「字元分割」和「字元辨識」三部分進行分析。車牌擷取正確率為 82%

(122/148)；成功擷取出車牌影像後才執行字元分割步驟，而正確率為 84%

(102/122)；在成功分割的字元中，字元的辨識正確率為 77.7%(506/651)

全部影像 車牌擷取正確率 字元分割正確率

148 張 84.5% (125 張) 87.2% (109 張)

圖二十一、字元特徵示意圖，(a)為上下對稱，(b)為左右對

稱，(c)為中間是否有洞，(d)為整張圖黑點的總數。

(a) (b) (c) (d)

圖二十二、車牌號碼輸出。

第 17 頁

全部字元 字母辨識正確元

651 個 77.7% (506 個)

[case 1] 光線充足的情況光線充足的情況光線充足的情況光線充足的情況

圖二十三中，顯示出車子的原始照片，以及擷取出的車牌部份、分割字元部

份，和最後辨識字元的結果。在此光線充足的情況下，車牌定位的正確率較

高，影響車牌辨識的正確率也較高。

[case 2] 光線不足讓照片有色差的情況光線不足讓照片有色差的情況光線不足讓照片有色差的情況光線不足讓照片有色差的情況

在此光線不足讓照片有色差的情況下，還是可以辨識成功，是因為過程中都

有使用 Histogram equalization，只要車牌和其他顏色的差異存在，還是可以

成功的過濾掉光線造成的影響。

[case 3] 各種顏色各種顏色各種顏色各種顏色的的的的車子車子車子車子

在本系統車牌辨識的過程中是使用灰階影像，且車牌為白底黑字，故車牌定

位和車牌辨識都不受車子顏色的影響。而計程車的車牌為白底紅字，在灰階

化後，也是屬於深底白字，故也不受影響（如圖二十五）。

8629MU 6927QJ

圖二十三、光線充足的情況。

6C9171 2376UR

圖二十四、光線不足的情況。

第 18 頁

[case 4] 擷取車牌超過邊緣的情況擷取車牌超過邊緣的情況擷取車牌超過邊緣的情況擷取車牌超過邊緣的情況

在此案例中，擷取出來的車牌雖然完整，但也包含了一小部分車牌以外的車

身部分（如圖二十六中的紅色部分），且由於所擷取到的車身部分是深色又

成細長條，和字母特徵一樣，所以在車牌前處理時的沒有過濾掉。此一問題

可以經由固定車牌個數，來篩選不適任的字母。

[case 5] 車牌定位錯誤的情況車牌定位錯誤的情況車牌定位錯誤的情況車牌定位錯誤的情況

在車牌定位的過程中，其實車牌的特徵是有被完整保留下來的，只是在最後

擷取的時候，使用的是 X 軸和 Y 軸的投影方法，所以所擷取到的集合反而

ICR4773I

K86583

513CT

CP9647

Q31731

圖二十五、各種顏色的車子。

圖二十六、截取車牌超過邊緣。

圖二十七、車牌定位錯誤。

第 19 頁

不是車牌部份。這問題可以經由改善投影方法，再加上 connected component

的方法，來予以修正。

[case 6] 擷取後的車牌經過處理後反而不清楚的情況擷取後的車牌經過處理後反而不清楚的情況擷取後的車牌經過處理後反而不清楚的情況擷取後的車牌經過處理後反而不清楚的情況

這部份是因為車牌影像前處理沒有弄好，在左圖其實不需要 Histogram

equalization 就可以很清楚的辨識出來，但使用後反而不好，這問題應該可

以經由可選擇性的 Histogram equalization 來解決。

而右圖在分割的時候，把“6”分割成兩個字元，這問題應該是在平滑化濾波

時，把一些資訊給模糊化了，如果平滑化濾波改成中值濾波，讓邊緣完整保

留下來，應該可以減少把資料給模糊化的情形發生了

[case 7] 辨識車牌錯誤辨識車牌錯誤辨識車牌錯誤辨識車牌錯誤

圖二十九中，紅色字體代表辨識錯誤的地方。在本系統中，[0,D,Q]和[8,S,B]

很容易混淆，雖然已經加入了一些特徵下去，但這些太相似的字母還是無法

都很準確的辨識出來。這也許可以利用車牌的規則來改善，例如圖二十九中

的右邊車牌，出現了四個英文字母很不正常，且英文字母也不會出現在車牌

的中間兩碼。加入類似這種的車牌規則，應該可以提高辨識度。

圖二十八、擷取後的車牌經過處理後反而不清楚。

25790A Z429E0 55CSMW

圖二十九、辨識車牌錯誤。

第 20 頁

（（（（八八八八）））） 討論與建議討論與建議討論與建議討論與建議

本系統是以電腦視覺為基礎的車牌辨識系統，預計安裝在停車場的出入口，

經由輸入的影像自動辨識車牌，以達到計時計費的目的，目的是為了提升進出停

車場的方便性。

本系統目前仍有一些待改善的部份，在「車牌擷取」的動作中，仍會有些車

牌擷取的不完整，或車牌位置錯誤，其車牌位置錯誤的原因為那錯誤的地方也有

和車牌特徵相同的地方（黑白相間的高度灰階變化），所以在 Morphological

operation 的過濾中無法過濾掉。希望在未來可以藉由其他的車牌特徵，例如長寬

比、車牌的變異數等特徵，來減少其錯誤率。

而「字元辨識」的動作中，有時候票數太接近，也還是會有些錯誤，也許可

以更改每個候選者的票數，根據其距離來分配票數。或著再加些其他的特徵，例

如：六個字母中，中間兩個字母必為數字等的其他車牌的特徵來幫助辨識車牌。

（（（（九九九九）））） 附錄附錄附錄附錄

車輛種類 背景顏色 字元顏色 範例

自用小客車 白色 黑色

營業小客車 白色 紅色

遊覽大客車 紅色 白色

營業大客車、

營業貨車 綠色 白色

自用大客車、

自用貨車 白色 綠色

AB-1234

AB-123

AB-123

AB-1234

AB-123

表二、車牌顏色特性。

第 21 頁

〇〇〇〇（（（（一一一一 ）））） 參考文獻參考文獻參考文獻參考文獻

[1] J.C.H. Poon, M. Ghadiali, G. M. T. Mao, and L. M. Sheung, “A robust vision system for

vehicle license plate recognition using grey-scale morphology,” Proceedings of the IEEE

International Symposium on Industrial Electronics (ISIE ‘95), Vol. 1, pp.394-399, 1995.

[2] C. N. E. Anagnostopoulos, I. E. Anagnostopoulos, V. Loumos, and E. Kayafas, “A License

Plate-Recognition Algorithm for Intelligent Transportation System Applications,” IEEE

Transactions on Intelligent Transportation Systems, Volume 7, Issue 3, pp. 377-392,

Toronto, 2006.

[3] Y. Q. Yang, J. Bai; R. L. Tian, and N. Liu, “A vehicle license plate recognition system

based on fixed color collocation,” Proceedings of 2005 International Conference on

Machine Learning and Cybernetics Volume 9, pp. 5394-5397, Beijing, 2005.

[4] 陳麗奾，"在未設限環境下車牌的定位與辨識"，國立臺灣師範大學資訊教育研究所碩

士論文，2000。

[5] 林泰良，"智慧型車牌定位與字串分割"，國立臺灣大學電機工程學研究所碩士論文，

2000。

[6] 呂信德，"利用多重專家之車牌辨識系統"，國立中央大學資訊工程研究所碩士論文，

2002。

[7] 潘家鵬、林天斌、柯偉基，"車牌定位"，國立逢甲大學資訊工程研究所專題研究報告，

2005。

[8] 洪健詠，"車牌辨識系統"，立德管理學院資訊工程學系專題研究報告，2004。

[9] Morphologie mathematigue ,

http://140.115.11.235/~chen/course/vision/ch9/單元九、數學型態學.pdf

[10] 莊志鴻，"以 WWMS 法做車牌字元辨識"， 國立交通大學電機與控制工程學研究所碩

士論文，1999。

[11] 曾揚建，"車牌辨識系統上車牌尋找、前處理及辨識之研究"，國立交通大學電機與控

制工程學研究所碩士論文，1999。

[12] 王勝均，"應用於停車場之動態車牌定位系統"，國立臺灣師範大學機電科技研究所碩

士論文，2006。