TWI497422B

TWI497422B - 車牌影像辨識系統及方法

Info

Publication number: TWI497422B
Application number: TW101149760A
Authority: TW
Inventors: Bing Fei Wu; Yen Lin Chen; hao yu Huang; Hsin Yu Lin
Original assignee: Univ Nat Chiao Tung
Priority date: 2012-12-25
Filing date: 2012-12-25
Publication date: 2015-08-21
Also published as: US8953846B2; CN103903005A; US20140177925A1; CN103903005B; TW201426564A

Description

車牌影像辨識系統及方法

本發明係為一種車牌影像辨識系統及方法，特別的是一種應用於監控交通載具之車牌的系統與方法。

在習知技術中，影像辨識技術係讓使用者可藉由電腦視覺處理技術解決生活中的許多問題，例如為了控管進出國道客運站的龐大客運車輛，必須使用可記錄客運車輛進出時間的系統。舉例而言，目前國道客運站已經開始使用影像處理辨識系統來取代人力，用以自動化的辨識與記錄該客運車輛。

然而，由於該客運車輛的車型或外觀新舊的不同，導致在該客運車輛辨識的過程中，會發生許多無法識別的情況。

一般而言，該國道客運站所使用的該影像處理辨識系統係採用車牌辨識技術。舉例而言，該影像處理辨識系統係利用文字辨識技術(optical character recognition，OCR)辨識位於該車牌上的號碼，但由於該影像處理辨識系統在文字辨識過程中，該車牌上的號碼必須在文字內容完整的情形下才能正常地辨識。然而，該車牌之車牌號碼係可能發生無法辨識的情況，例如被車前燈等的遮蔽物遮蔽、車牌號碼汙損與車牌號碼不清晰等，此種情況也可稱為車牌本身因素。

另外，該車牌係可能因外在環境的影響而導致無法辨識文字的情況，例如環境昏暗、煙霧造成的眩光、車前燈太亮等光影變化所造成車牌上號碼的改變，此種情況也可稱為環境因素。

簡言之，由於上述車牌本身因素與上述環境因素，使得該系統無法有效地利用該文字辨識技術辨識該車牌上的號碼。

為解決上述的問題，習知技術也提出一些解決的方法，例如將該車牌的辨識過程區分成兩個階段，第一個階段係為偵測該車牌，以及第二階段係為辨識該車牌的號碼。

偵測該車牌的方法大多係採用抓取車牌邊緣輪廓、色彩分部或灰階分佈等演算法，用以搜尋到該車牌的區域分布，以及該車牌號碼的辨識方法係幾乎採用該文字辨識技術的演算法以取得該車牌號碼。

然而，若該等方法要能夠正常的運作，則必須要有一個前提，該前提就是在擷取該車牌的過程中，所擷取到的車牌影像必須要是清楚，且讓該等演算法能夠明顯地區別該車牌上的號碼。

故有需要提出一種車牌影像辨識系統及方法，可用於解決習知技術的缺失。

本發明之一目的係提供一種車牌影像辨識系統，供辨識附掛在交通載具上具有車牌號碼的車牌，用以達到監控該交通載具的目的。

本發明之又一目的係提供上述的車牌影像辨識方法，藉由旋轉強度統計長條圖演算法(histogram of oriented gradients analysis，HOG)與支持向量器演算法(support vector machines analysis，SVM)用以演算該車牌，使得該車牌不受到車牌本身因素與環境因素的影響。

本發明之又一目的係提供上述的車牌影像辨識方法，藉由主成分分析演算法(principle component analysis，PCA)與支持向量器演算法(SVM)對該車牌的影像進行分類，使得可自分類後的該影像中快速地與即時地判斷位於該交通載具上該車牌的位置與該車牌上的號碼。

本發明之另一目的係提供上述的車牌影像辨識方法，透過縮減在資料庫中與該車牌相關樣本類別的數量，除可減少該樣本類別占用該資料庫的空間之外，更能夠在辨識過程中提高演算的速度。

本發明之又一目的係提供上述的車牌影像辨識方法，係先利用該低解析度取得該車牌附掛於該交通載具的位置，並在獲得該車牌的位置之後，進一步利用該高解析度取得該車牌上的該車牌號碼。

本發明之再一目的係提供上述的車牌影像辨識方法，若資料庫未建立有新車牌的車牌影像樣本時，則在車牌位置資料庫與車牌號碼資料庫利用單一車牌的複數新車牌圖框建立新的新車牌位置樣本類別與新車牌號碼樣本類別，而該等該等新車牌圖框係可降低該車牌被誤判的風險。

為達到上述目的與其它目的，本發明係提供一種車牌影像辨識系統，一種車牌影像辨識系統，係供辨識附掛在交通載具上具有車牌號碼的車牌，該影像偵測辨識系統係包含資料庫模組、縮減模組、影像擷取單元、分類單元與辨識模組。其中，該資料庫模組係具有車牌位置資料庫與車牌號碼資料庫，該車牌位置資料庫係儲存複數車牌位置樣本類別，以及該車牌號碼資料庫係儲存複數車牌號碼樣本類別；該縮減模組係與該資料庫模組連接，該減縮模組係減少位於該資料庫模組中該等車牌位置樣本類別與該等車牌號碼樣本類別的類別數量；該影像擷取單元係供執行第一解析度與第二解析度的影像擷取，該影像擷取單元係藉由該第一解析度擷取該車牌以產生車牌位置影像及藉由該第二解析度擷取該車牌以產生車牌號碼影像，其中該第二解析度係高於第一解析度；該分類單元係連接該影像擷取單元，該分類單元藉由旋轉強度統計長條圖演算法(histogram of oriented gradients analysis，HOG)與支持向量器演算法(support vector machines analysis，SVM)演算該車牌位置影像及該車牌號碼影像，用以產生車牌位置類別與車牌號碼類別；以及該辨識模組，係連接該分類單元與該資料庫模組，該辨識模組在該車牌位置資料庫中搜尋與該車牌位置類別相關的該等車牌位置樣本類別之其一者，並在該辨識模組確認該車牌位置類別與該車牌位置類別相關的該車牌位置樣本類別相同之後，該辨識模組在該車牌號碼資料庫中搜尋與該車牌號碼類別相關的該等車牌號碼樣本類別之其一者，並在該辨識模組搜尋到與該車牌號碼類別相關的該車牌號碼樣本類別之後，該辨識模組將該車牌號碼類別視為該車牌的該車牌號碼。

為達到上述目的與其它目的，本發明係提供一種車牌影像辨識方法，係供辨識附掛在交通載具上具有車牌號碼的車牌，該車牌影像辨識方法係包含步驟(a)，係在車牌位置資料庫儲存與該車牌相關的車牌位置樣本類別，以及在車牌號碼資料庫儲存與該車牌號碼相關的車牌號碼樣本類別；接著步驟(b)，係利用低解析度與高解析度的影像擷取技術分別地擷取該車牌，以產生車牌影像；再接著步驟(c)，係藉由旋轉強度統計長條圖演算法(HOG)演算該車牌影像，以產生車牌位置影像與車牌號碼影像；又接著步驟(d)，係藉由支持向量器演算法(SVM)演算該車牌位置影像與該車牌號碼影像，以產生車牌位置類別與車牌號碼類別；以及另接著步驟(e)，係在該車牌位置資料庫中搜尋與該車牌位置類別相關的該車牌位置樣本類別，並在確認該車牌位置類別係與該車牌位置樣本類別相同之後，進一步在該車牌號碼資料庫中搜尋與該車牌號碼類別相關的該車牌號碼樣本類別，且該辨識模組也在該車牌號碼資料庫搜尋有該車牌號碼樣本類別之後，將該車牌號碼類別視為該車牌的該車牌號碼。

與習知技術相較，本發明的車牌影像辨識系統係解決在傳統車牌辨識技術中因車牌本身因素與環境因素所造成無法執行辨識的缺失。

本發明係將車牌辨識的過程區分為二個階段，第一階段利用低解析度掃描該車牌用以快速搜尋可能是車牌的區塊，直到確認到位於該交通載具中該車牌的位置時，再透過高解析度進一步掃描該車牌之影像中的該車牌號碼。因此，本發明係藉由二階段且不同的影像擷取解析度擷取該影像，用以減少辨識車牌號碼所需耗費的時間。

由於本發明係採用複雜的二種演算法(亦即HOG與SVM)進行演算，因此演算過後的資料勢必會十分龐大。若直接地將該資料儲存在資料庫模組中，除了會占用資料庫模組的儲存空間之外，更會影響存取該資料的速度，但藉由本發明所提供的縮減模組，可縮減位於該資料模組中龐大的該資料量，用以彌補因使用該等演算法所造成執行速度降低與占用該資料庫模組的儲存空間等的缺失。

在該車牌辨識的過程中，若該車牌為新車牌(即在資料庫模組中未儲存的車牌)時，更可藉由本發明的更新模組，在資料庫模組中自動地建立與該新車牌相關新車牌位置樣本類別與新車牌號碼樣本類別。此外，由於本發明的該更新模組係在一時間中擷取複數張新車牌圖框。故藉由該更新模組係除可在該資料模組中建立正確且可供該新車牌進行辨識的相關樣本類別之外，更可讓該新車牌的辨識率可大為提升。

為充分瞭解本發明之目的、特徵及功效，茲藉由下述具體之實施例，並配合所附之圖式，對本發明做一詳細說明，說明如後：請參考第1圖，係本發明第一實施例之車牌影像辨識系統的方塊示意圖。於第1圖中，該車牌影像辨識系統10係辨識附掛在交通載具2上具有車牌號碼4的車牌6。一般而言，在同一個國家或同一個區域中該車牌6具有固定的尺寸。

該車牌影像辨識系統10係包含資料庫模組12、縮減模組14、影像擷取單元16、分類單元18與辨識模組22。

該資料庫模組12係具有車牌位置資料庫122與車牌號碼資料庫124，且該車牌位置資料庫122係儲存複數車牌位置樣本類別CLPPS(classification of the license plate position sampling)，以及該車牌號碼資料庫124係儲存複數車牌號碼樣本類別CLPNS(classification of the license plate number sampling)。

該縮減模組14係與該資料庫模組12連接，且該減縮模組14係減少位於該資料庫模組12中該車牌位置樣本類別CLPPS與該車牌號碼樣本類別CLPNS的類別數量。

該影像擷取單元16係能夠執行第一解析度FR(first resolution)與第二解析度SR(second resolution)的影像擷取，且該影像擷取單元16係以該第一解析度FR擷取該車牌6，並藉由旋轉強度統計長條圖演算法(HOG)產生車牌位置影像ILPP(image of the license plate position)及以該第二解析度SR擷取該車牌6，並且藉由該旋轉強度統計長條圖演算法產生車牌號碼影像ILPN(image of the license plate number)。於本實施例中，該第二解析度SR係高於第一解析度FR，亦即該第二解析度係為高解析度及該第一解析度FR係為低解析度。該解析度的定義係指在同一個被擷取影像中所包含畫素的總數量，總數量多者可稱為高解析度；反之，則稱為低解析度。該分類單元18係連接該影像擷取單元16，且該分類單元18藉由主成分分析演算法(PCA)與支持向量器演算法(SVM)演算該車牌位置影像ILPP及該車牌號碼影像ILPN，並在該分類單元18演算該等影像之後，產生車牌位置類別CLPP(classification of the license plate position)與車牌號碼類別CLPN(classification of the license plate number)。

該旋轉強度統計長條圖演算法(HOG)、該主成分分析演算法(PCA)與該支持向量器演算法(SVM)係於後詳細說明。

該辨識模組22係連接該分類單元18與該資料庫模組12，且該辨識模組22在該車牌位置資料庫122中搜尋與該車牌位置類別CLPP相關的該車牌位置樣本類別CLPPS，並在該辨識模組22確認該車牌位置類別CLPP係為該車牌位置樣本類別CLPPS之後，該辨識模組22在該車牌號碼資料庫124中搜尋與該車牌號碼類別CLPN相關的該車牌號碼樣本類別CLPNS，並在該辨識模組22從該車牌號碼資料庫124搜尋到該車牌號碼樣本類別CLPNS時，將該車牌號碼樣本類別CLPNS視為該車牌6的該車牌號碼4。

一併參考第2圖，係為第1圖中資料庫模組12建立該車牌位置樣本類別CLPPS與該車牌號碼樣本類別CLPNS的詳細流程圖。

於第2圖中，該影像擷取單元16擷取該運輸工具2之該車牌6，使得該影像擷取單元16可在擷取該車牌6之後產生車牌位置影像樣本與車牌號碼影像樣本。於本實施例中，係以車牌影像樣本的名詞代表該車牌位置影像樣本與車牌號碼影像樣本。

該影像擷取單元16藉由該旋轉強度統計長條圖演算法取得具有特徵值的該車牌影像樣本，例如該特徵值係可為該車牌之影像的像素梯度強度以及旋轉程度。

於本實施例中，像素的梯度係又可區分為水平方向梯度值G_x 及垂直方向梯度值G_y ，而該水平方向梯度值G_x 、垂直方向梯度值G_y 與旋轉程度的數學關係式係可如下所示。該G係表示為梯度及θ係表示為旋轉角度。

該車牌6之影像係可區分為畫素胞(pixel cell)、畫素區塊(pixel block)與畫素視窗(pixel windows)。舉例而言，可一併參考第3圖，該畫素胞係以8×8、該畫素區塊(由四個該畫素胞所組成)係為16×16，以及該畫素視窗(即該車牌位置影像ILPP的尺寸)係為96×24為例說明。該車牌影像樣本依照上述畫素胞、畫素區塊與畫素視窗的定義，係進一步將該車牌影像樣本分割為2×11個該畫素區塊，且每一該畫素區塊具有4個畫素胞，且每一該畫素區塊的旋轉角度係可從0度開始，並每次增加20度，直到旋轉角度係為180度停止，使得每一該畫素區塊可包含有9旋轉角度。故該車牌影像樣本的數目係可如下所示：9×((11×2)×4)=792。

該車牌號碼影像樣本取得的方式與該車牌位置影像樣本大致相同，差異僅在於畫素胞、畫素區塊與畫素視窗尺寸的不同。舉例而言，該車牌位置樣本類別選用的尺寸係主要能在最短的時間之內達到一定辨識度作為選擇的條件。

回到第2圖，該分類單元18係導入一負樣本特徵NS(Negative Samples)。該分類單元18以該主成分分析演算法與該支持向量器演算法演算該車牌位置影像樣本、該車牌號碼影像樣本與該負樣本特徵，用以產生該車牌位置樣本類別CLPPS與該車牌號碼樣本類別CLPNS。值得注意的是，該負樣本特徵NS係來自於任意的圖片，且該圖片不能包含該車牌位置影像樣本與該車牌號碼影像樣本。

該主成分分析演算法是一種降低向量維度與壓縮的演算法。

該支持向量器演算法是一種分類演算法，一併可參考第4圖。若在第4圖設定二個類別X₁ (亦即右方的區域)與X₂ (亦即左方的區域)的區域，則可以在二個類別中找出一個超平面(亦即實線的部分)，並利用該超平面能將類別X₁ 與類別X₂ 完全分開。該支持向量器演算法就是要找出這個超平面，且該支持向量器演算法所演算的該超平面將使得該二個類別X₁ 與X₂ 之間的距離為最遠。對照本發明，類別X₁ 係為車牌位置資料庫122，及該類別X₂ 係為車牌號碼資料庫124，且該車牌位置資料庫122用於儲存該車牌位置樣本類別CLPPS，以及該車牌號碼資料庫124用於儲存該車牌號碼樣本類別CLPNS。

參考第5-7圖，係為第1圖之縮減模組之詳細說明示意圖。

該車牌影像樣本經由該支持向量器演算法演算(SVM)之後，係會產生數量龐大的該車牌位置樣本類別CLPPS與該車牌號碼樣本類別CLPNS。

因此，本發明係利用該縮減模組14縮減位於該車牌位置資料庫122中該車牌位置樣本類別CLPPS的數量與位於該車牌號碼資料庫124中該車牌號碼樣本類別CLPNS的數量，其分述如下：1)車牌位置資料庫的縮減

該支持向量器演算法係包含了n個的支持向量(support vector)，而每一個支持向量都和特徵向量具有相同維度，而該支持向量器演算法的分類方法係將輸入的該車牌影像樣本乘上n維的支持向量，並再乘上一個n維的向量(vector)，用以產生該車牌位置樣本類別CLPPS與該車牌號碼樣本類別CLPNS。

由於每一個該車牌影像樣本都要乘上n個支持向量r以及一個n維的向量，所以參照下式數學式的推導可先將n 個的支持向量乘上一個n維的向量，以獲得如數學式的一維決定向量(decision vector)。再者，於下所表示的數學符號係可參照表1中的物件定義。

為該車牌影像樣本LPS所取出的特徵向量，該車牌影像樣本特徵向量定義如下：

支持向量集合(support vector set，SVT)，S_v 為支持向量器演算法訓練出來的支持向量所成的集合，其定義如下：

分類結果如下式所示，最後Sum 的值將決定該車牌影像樣本LPS的類別：

將式上述中的提出可以得到如下的數學式；

又，在上式中是一個和特徵向量同樣為度的向量，其定義如下：

於本實施例中僅需要將該車牌影像樣本乘上就可以得到分類結果，使得縮減後結果係如下所示：

藉由上述的推導可得知，原本SVT個FVS維度的資料庫模組係已經縮減為僅有1個FVS維度的向量資料庫。

2)車牌號碼資料庫的縮減

假設該分類單元18係以三個類別為例說明，則該支持向量器演算法係將所有類別的向量空間以第5圖的方式劃分。

首先將n個類別都分入一個正類別(positive class)中，並增加另一個負類別(negative class)，並以一個支持向量器演算法分離這二個類別，如第6圖所示。

接著於第5圖中藉由該支持向量器演算法演算出最佳分類超平面(optimal separating hyper plane，OSH)，並且以f(x)>0或f(x)<0分開該正類別與該負類別。

由於每一個車牌影像樣本和該最佳分類超平面的距離不同，因此產生不同的f(x)值，但相同類別所產生的值會落在相鄰近的位置，而在類別分開的過程中，實際上就是把所有樣本點映射在最佳分類超平面的法向量(亦即水平軸的部分)上，使得原本三維的樣本空間縮減至一維的樣本空間。換言之，該演算方法係將多維的樣本空間縮減為單一維的樣本空間。但，仍然有可能存在有重疊的區域(例如第一類別與第二類別重疊的區域)，而該重疊的區域並無法做到一對一的映射，故在另外一實施例中則需要利用更高維度的樣本空間進行分類。

參照第1圖，該車牌號碼資料庫124係可先藉由二類(例如正類別與負類別)先行計算每一個該車牌號碼樣本類別CLPNS是否能夠完全地被分類在一維的空間上，若未能完全地分離在一維的樣本空間上，則進一步再增加另外一維度用以分離該車牌號碼樣本類別CLPNS，直到所有的該車牌號碼樣本類別CLPNS都能在該樣本空間上獲得一對一的映射，最終使得該車牌號碼樣本類別CLPNS能獲得縮減。

一併參考第7圖，係該車牌號碼資料庫進行縮減的步驟流程圖。

於第7圖中，縮減的步驟係起始於步驟S71，係藉由該支持向量器演算法將複數車牌號碼樣本區分出該正類別與該負類別。

接著步驟S72，係統計該正類別內該等車牌號碼樣本之特徵向量尺寸(feature vector size)中每一個維度的變異數 (variance)，用以產生一個維度變異數集合(dimension variance set)，而該維度變異數集合係如下所示。於下所示的數學符號係可參照表2中的物件定義。

樣本特徵向量，為輸入樣本所取出的特徵向量，維度變異數集合的定義如下：

V 為特徵向量每一個維度的變異量所成的集合，該定義如下：

Q 為梯度量化位階所成的集合，該量化位階集合定義如下：

為統計所有訓練樣本後，量化位階q _i 的數量，N 為所有量化位階數量的總合係如下所示：

為量化位階q _i 出現的機率，並滿足所有位階機率總和為1，而數學式係如下所示：

又，每一個維度平均值μ 的數學式係如下所示：

又v 的數學式係如下所示：

藉由以上述數學式可以獲得到維度變異數集合V 。

接著步驟S73，係分類器分類該等車牌號碼樣本，並將每一個該等車牌號碼樣本代入最佳分類超平面之後，並記錄每一個類別的值所產生的區間，同時檢查是否有重疊區域(overlapping region)。假如有重疊區域，則從變異數向量中挑選一個維度變異數集合之中最大的維度值值。

經由上一步所挑選的維度值，進一步統計該重疊區域中該維度的分布圖，並產生類別區域(class region)，並再檢查是否有重疊區域。

若仍有該重疊區域，則在變異數中再挑選一個除了前一個被挑選的維度值之外的另一個最大的維度值，直到沒有重疊區域為止。

接著步驟S74，係建立該車牌號碼資料庫124。

參考第8圖，係本發明第二實施例之車牌影像辨識系統的方塊示意圖。於第8圖中，該車牌影像辨識系統10’除包含前述第一實施例中該資料庫模組12、該縮減模組 14、該影像擷取單元16與該辨識模組22之外，更包含更新模組24與分類單元18’。

該更新模組24係連接該資料庫模組12與該影像擷取單元16，且在該更新模組24透過該影像擷取單元16偵測到一新車牌4’(new license plate)(未被建立於該資料庫模組12)之後，該更新模組24係連續地擷取該新車牌4’以形成複數新車牌圖框NLPIF(image frame of new license plate)。

於本實施例中，該分類單元18’除了與該影像擷取單元16連接之外，更與該資料庫模組12連接。該分類單元18’藉由主成分分析演算法與該支持向量器演算法演算該等新車牌圖框NLPIF，用以產生新車牌位置樣本類別CNLPPS(classification of the new license plate position)與新車牌號碼樣本類別CNLPNS(classification of the new license plate number)，且該分類單元18’將該新車牌位置樣本類別CNLPPS及該新車牌號碼樣本類別CNLPNS儲存在該資料庫模組12。

因此，該資料庫模組12即可對該新車牌4’進行偵測與辨識。

參考第9圖，係說明第1圖該影像擷取單元16與該辨識模組22的詳細流程圖。於第9圖中，該車牌6辨識的流程係分為二個階段。

第一階段係藉由低解析度的影像擷取技術偵測該車牌6的位置，以及第二階段藉由高解析度的影像擷取技術辨識位於該車牌6上的號碼。

該低解析度的影像擷取技術偵測車牌的流程，係將攝影機拍攝之影像縮小image_scale倍，並在縮小後的影像中先以小於訓練車牌大小的plate_scale倍掃描整張影像，並慢慢增加掃描面積的倍數，直到掃描面積等於訓練車牌的大小為止，最後再將被偵測出的車牌位置乘回image scale倍，並將該車牌6的位置擷取出來。

在確定該車牌6之車牌位置之後，再執行該高解析度的影像擷取技術的流程，並配合該車牌號碼資料庫124辨識是否為可供辨識的車牌。若該辨識模組在該車牌號碼資料庫搜尋與該車牌6相關的該車牌號碼樣本類別CLPNS時，則將該車牌號碼樣本類別CLPNS視為該車牌6的該車牌號碼；反之，則建立新車牌。

參考第10-14圖，係說明第8圖中更新模組的詳細流程圖。

於第10圖中，該更新模組24係在該資料庫模組14中更新未被記錄的該新車牌6。

該更新模組12的更新步驟係起始於步驟S101，係藉由影像擷取裝置(例如攝影機)連續地擷取新車牌4’以產生複數新車牌圖框NPLIF。

接著步驟S102，係判斷是否為車牌。於此步驟中，係利用影像擷取單元16對交通載具2之車牌6進行偵測及利用該辨識模組22對交通載具2之車牌6進行辨識。該辨識模組22辨識的結果係可透過例如第11圖所示的車牌區間圖以判斷該車牌6在該資料庫模組12是否有對應的該車牌位置樣本類別CLPPS與該車牌號碼樣本類別CLPNS。

假若該車牌經偵測與辨識後的結果係落在新的車牌(new LP)的區間，則表示該車牌是屬於新的車牌，該車牌係未被儲存在該資料庫模組12。

接著步驟103，係判斷該影像中區塊相似度是否大於第一門檻值。若區塊相似度小於第一門檻值則回至步驟S101，重新等待車牌影像的輸入；反之，若該區塊相似度大於該第一門檻值則進入步驟S104，則判定該影像係為車牌。該區塊相似度的檢測方法係根據影像中具有圖案平均分配的特徵，並藉由該特徵決定是否為車牌的影像。

舉例而言，一併可參考第12圖，將圖像分割為若干個相同大小的區塊，例如將具有96×24像素大小的圖像分割為3個32×24大小的區塊b1、b2、b3。接著，並經由下列數學式求出該圖像中每個區塊的最大值I _max 與最小值I _min 。

I _max =(MAX {b 1},MAX {b 2},MAX {b 3})

I _min =(MIN {b 1},MIN {b 2},MIN {b 3})

接著再經由下列數學式求出的平均值I _diff 及變異數μ,v 。

最後根據平均值I _diff 及變異數μ,v 而獲得實驗門檻值l ，如下列數學式所示。該實驗門檻值l 可用以決定區塊相似度檢測的結果。

v <l

回到第10圖，接著步驟S104，係擷取該車牌影像樣本的車牌號碼影像，並可藉由該車牌影像樣本中的車牌號碼與車牌邊界之間的空白區間準確的分割出車牌號碼。

於本實施例中，先選定一個範圍並開始由該範圍往外擴張，並且統計每行每列的灰階質變異數，直到變異數小於某個門檻值之後定義為邊界(如虛線所示)，並取上下左右邊界的交點作為擷取車牌號碼範圍，而該灰階質變異數的計算方法如下：f 為統計所有訓練樣本後，每個灰階值的個數，L 為最大灰度值，N 為所有灰階值的加總，其數學式表示如下：N =f ₁ +f ₂ +...+f _L

接著P _i 為灰階值i 出現的機率，並滿足所有灰階值機率總和為1

得灰階值平均值μ 的數學式係如下所示：

為求得灰階質變異數v 的數學式係如下所示：

經由上述的數學式可以計算出每行每列的灰階質變異數，並從該灰階質變異數可了解到每行每列像素的分布情形。

接著步驟S105，係以旋轉強度統計長條圖演算法紀錄(trace)該車牌影像樣本。

接著步驟S106，係判斷是否在20個該等圖框中取得10個該車牌影像樣本。若判斷為是的話，則執行步驟S107，係訓練位於該資料庫模組中的車牌與車牌號碼；反之，回到步驟S101，讓影像擷取裝置再擷取該車牌的該等圖框。

一併參考第13圖，係說明第10圖中步驟S102之車牌判別的詳細流程圖。

於第13圖中，係起始於步驟S131，係輸入待判定車牌的影像。

接著步驟S132，係判斷複雜度是否小於第一門檻值，若該複雜度大於該第一門檻值，則回至步驟S131；反之，若該複雜度小於該第一門檻值則進入步驟S133。該複雜度的檢測係藉由檢測出影像之邊緣，並統計該邊緣經檢測後圖像之像素總和，用以判斷是否大於第一門檻值。

在步驟S133中，係進一步判斷區塊相似度是否小於第一門檻值。若該區塊相似度大於該第一門檻值，則回至步驟S131；反之，若該區塊相似度小於該第一門檻值，則進入步驟S134。

換言之，若該像素總和與該區塊相似度皆小於該第一預定門檻值，則由該車牌影像判斷出該車牌影像係表示該車牌。

一併可參考第14圖，係說明第10圖中步驟S107的方法步驟。

於第14圖中，該步驟係起始於步驟S141，係自該等新車牌圖框NPLIF取得第一個圖框，並藉由該旋轉強度統計長條圖演算法演算該第一個圖框，以建立一標準影像樣本。

接著步驟S142，係計算前一者該新車牌圖框NPLIF與後一者該新車牌圖框NPLIF之間特徵值的誤差。若二者之間的誤差(於後詳述)小於一預定第二門檻值，該標準車牌影像樣本由後一者的該新車牌圖框取代，依此類推，直到計算完所有的該等新車牌圖框之後，才將該標準車牌影像樣分別地儲存至該車牌位置資料庫與該車牌號碼資料庫。

上述中所提及該誤差的計算數學式如下所示。為與該標準車牌影像樣相關新車牌圖框NPLIF所取出的特徵向量所成的集合，而數學式表示係如下所示：

為後一者該新車牌圖框NPLIF所取出的特徵向量，而數學式表示係如下所示：

經由數學式計算上述二者之間特徵向量的誤差值m ，並配合經由實驗取得的該第二門檻值l ，產生如下的數學式：

m <l

因此，可藉由上述該數學式決定該標準車牌影像樣本是否由後一者的該新車牌圖框取代。

本發明在上文中已以較佳實施例揭露，然熟習本項技術者應理解的是，該實施例僅用於描繪本發明，而不應解讀為限制本發明之範圍。應注意的是，舉凡與該實施例等效之變化與置換，均應設為涵蓋於本發明之範疇內。因此，本發明之保護範圍當以申請專利範圍所界定者為準。

2‧‧‧交通載具

4‧‧‧車牌號碼

4’‧‧‧新車牌

6‧‧‧車牌

10、10’‧‧‧車牌影像辨識系統

12‧‧‧資料庫模組

122‧‧‧車牌位置資料庫

124‧‧‧車牌號碼資料庫

14‧‧‧縮減模組

16‧‧‧影像擷取單元

18、18’‧‧‧分類單元

22‧‧‧辨識模組

24‧‧‧更新模組

CLPPS‧‧‧車牌位置樣本類別

CLPNS‧‧‧車牌號碼樣本類別

FR‧‧‧第一解析度

SR‧‧‧第二解析度

ILPN‧‧‧車牌號碼影像

ILPP‧‧‧車牌位置影像

HOG‧‧‧旋轉強度統計長條圖演算法

PCA‧‧‧主成分分析演算法

SVM‧‧‧支持向量器演算法

CLPP‧‧‧車牌位置類別

CLPN‧‧‧車牌號碼類別

NPLIF‧‧‧新車牌圖框

第1圖係本發明第一實施例之車牌影像辨識系統的方塊示意圖；第2圖係說明第1圖中資料庫模組建立車牌位置樣本類別與車牌號碼樣本類別的詳細流程圖；第3圖係說明第1圖車牌號碼樣本類別的像素示意圖；第4圖係說明第2圖之支持向量器演算法的演算示意圖；第5-7圖係說明為第1圖之縮減模組之詳細說明示意圖；第8圖係本發明第二實施例之車牌影像辨識系統的方塊示意圖；第9圖係說明第1圖中影像擷取單元與辨識模組的詳細流程圖；以及第10-14圖係說明第8圖中更新模組的詳細流程圖。