一套完整的車牌辨識系統包括三個部分，車牌定位、字元切割與字元辨識，其中車牌定位相較於其他部分相對的困難與複雜，如何在一張隨機擷取的即時路況影像中正確的分辨背景與車牌區域，到目前為止還沒有一套很精確的方法達到此目的。本論文提出一套以VQ編碼為基礎的方法，試著將車牌與背景影像正確的分類出來，雖然未能完整應用於定位系統上，但能幫助系統在定位方法思考上有更多的選擇。整套方法包括前處理，將複雜的影像經過統計學分析與影像處理變成單純的黑白影像，然後利用VQ編碼的觀念將影像轉換成代碼，並且將這些代碼兩兩組合分析其相互關係，同時也提出一種利用統計機率重新將代碼排序的方法，最後使用類神經網路將車牌與背景分離，以達到最終分類的目的。

The operation of a complete license plate recognition system includes three parts: license plate localization, character segmentation, and character identification. Among these three parts, license plate localization is relatively more difficult and complicated. Until now, differentiating background and real license plate images in real and random traffic conditions remains to be a very difficult task. Via a VQ coding technique, this study introduces a method resolve this problem. As a preprocessing step, this method first converts an image to be classified into binary form by using statistics generated from a license plate image database. The next step of the proposed approach is to use a VQ method to represent the image by a series of codewords. By computing the probability of these codewords used by the license plate and background images, these codewords are renumbered. By using neural networks to classify such images, our experimental results show that the proposed approach can differentiate background and real license plate images with a very high successful rate.

摘要
目錄
圖目錄
表目錄
第一章 緒論
1.1 前言
1.2 研究動機與背景
1.3 論文架構
第二章 車牌定位系統簡介
2.1 系統概要
2.2 系統流程與簡介
2.2.1 即時路況影像
2.2.2 影像邊界偵測
2.2.3 邊界區塊尺寸判定
2.2.4 特徵邊界區塊密集度分析
2.2.5 白平衡處理
2.2.6 區塊色彩判定
2.2.7 車牌候選區
2.3 車牌與背景影像資料庫建立
第三章 向量量化與分類器
3.1 最近鄰居分類器
3.2 向量量化原理（Vector Quantization，VQ）
3.3 LBG演算法
3.3.1 向量量化過程中的失真
3.3.2 LBG新增代碼方法
3.4 MLP網路架構與委員會機器（Committee Machine）
3.4.1 MLP網路架構
3.4.2 委員會機器（Committee Machine）
第四章 車牌與背景的編碼方法
4.1 影像前處理
4.1.1 Histogram Normalization
4.1.2 二值化方法
4.2 建立編碼簿（Codebook）
4.3 影像編碼
4.3.1 影像初步編碼
4.3.2 應用統計數據重新編碼
4.3.3 兩兩組合建立新編碼簿
第五章 實驗與結果
第六章 時間分析
第七章 總結與未來展望

[1] Intelligent Transportation Society of Taiwan, http://www.its-taiwan.org.tw/
[2] 林家緯，“以統計數據為基礎的車牌影像處理與辨識方法”，碩士論文，國立中山大學機械與機電工程研究所，2006。
[3] R.M. Harakick, and L.G. Sharpiro, “Computer and Robot Vision”,Addison-Wesley, 1992.
[4] M.D. Fairchild, “Color Appearance Models”,Addison-Wesley, 1998.
[5] Tzan-Sheng Chiou,“Automatic White Balance for Digital Still Camera”,MSc thesis, National Taiwan University, Department of Computer Science and Information Engineering , 2001.
[6] 徐道義，“數位相機自動白平衡：結合灰界理論與色域對應之研究”，碩士論文，私立世新大學平面傳播科技學系，2003。
[7] M.R. Gray,“Vector Quantization”,IEEE ASSP Magazine, April, pp.4-29, 1984.
[8] Linde Y, Buzo A, and Gray RM, “An algorithm for vector quantizer design”, IEEE Transaction on Communications, vol. 28(1), pp. 84-95,1980.
[9] S.Haykin,“Neural Netwoks：A Comprehensive foundation”, ed, Englewood Cliffs, NJ：Pretice-Hall, 1999.
[10] 李宗憲，“以VQ編碼方法為基礎的物件偵測方法”，碩士論文，國立中山大學機械與機電工程研究所，2002。
[11] R.C.Gonzalez, and R.E.Woods,“Digital Image Processing”, Addison-Wesley,pp.171-180,1993.
[12] N.Otsu,“A Threshold Selection Method from Gray-Level Histogram”,IEEE Transactions on System, Man, and Cybernetics, val. SMC-9, 1979, pp.62-66.
[13] 陳朕寬,“彩色車牌的偵測方法”, 碩士論文,　國立中山大學機械與 機電工程研究所, 2005。