Basic Search / Detailed Display

Author: 張簡子介
Thesis Title: 用小腦模型在FPGA上作車牌辨識
Advisor: 張吉正
Degree: 碩士
Master
Department: 工業教育學系
Department of Industrial Education
Thesis Publication Year: 2003
Academic Year: 91
Language: 中文
Number of pages: 86
Keywords (in Chinese): 可程式閘排列(FPGA圖像處理類神經網路小腦模型(CMAC)
Keywords (in English): FPGA, Image Processing, Neural Network, CMAC
Thesis Type: Academic thesis/ dissertation
Reference times: Clicks: 342Downloads: 0
Share:
School Collection Retrieve National Library Collection Retrieve Error Report
  • I
    摘要
    自動化車牌辨識是一套專門辨識與記錄車輛牌照系統,其過程分兩階段,第
    一階段之車牌字元擷取是應用圖像灰階化、圖像二值化、交越特性及投影分析等
    運算法則找出車牌上6 個字元的位置;第二階段的字元辨識是利用類神經網路或
    是樣板比對等方法作每個字元的辨識。
    上述車牌字元擷取或字元辨識使用到的各種運算法則皆引伸出大量資料之
    重覆運算,目前多使用相關PC 組成之電腦系統作軟體處理,如欲充分發揮車牌
    辨識系統的功能應將之小型化或作為可攜式系統,讓它廣泛使用於各種停車場管
    理,甚至可輔助相關警政之車輛查緝以方便車輛管理。
    FPGA(Field Programmable Logic Array)是將上述軟體程式作成硬體電路小
    型化的重要方法。本研究是利用類神經網路中的小腦模型(Cerebellar Model
    Articulation controller,CMAC)作成字元辨識的方法,利用FPGA 作成硬體電路
    以達到小型化與快速運算的目的。
    CMAC 是1975 年Albus 根據Marr 的小腦皮質模型發展出來的數學演算法,
    由於沒有涉及到艱深的數學運算與構造簡單,正好適用於作硬體化,且CMAC
    學習時具有快速收斂、良好的類化能力(generalization)等優點,故常被應用在
    機械手臂控制及機器人步行控制等非線性系統。
    在實驗50 張自用小客車的車牌中,使用軟體模擬的車牌辨識系統有5 張車
    牌辨識錯誤,車牌辨識率為90%;在50 張車牌的300 個字元中,有5 個字元辨
    識錯誤,總字元辨識率為98.3%,辨識錯誤的情形為“0”誤認為“D”及“1”
    誤認為“I”;另外,在硬體實驗的車牌辨識率為70%,總字元辨識率為92.3%,
    其中“0”字元的辨識率為0%。晶片設計所使用的Gate Count 為11,420。

    II
    Abstract
    Vehicle license plate recognition is a system especially for recognizing and
    recording the car license plate. The whole process can be accomplished by two steps
    namely, the car plate catching and the character recognition. The first step, or plate
    catching step, applies the image processing technologies, such as color graying, image
    binarization, edge detection, crossing characteristics, to locate the license plate and the
    six characters on the plate from an image picture of a car. The second step, or character
    recognition step, applies the technologies such as Neural Network, Template Matching
    for pattern recognition to identify each character found from the first step.
    The technologies used by plate catching and character recognition are actually
    using the algorithms that need large quantity of data transfer and massive repeated
    mathematical calculations. Currently the plate recognition system is used mostly in big
    parking area or in free way turnpike. They are large PC related compute network
    system. If the system can be made small or even portable, then it can be more widely
    used in car parking or help in charging of high way car patrolling.
    FPGA (Field Programmable Logic Array) is one of the way to have these PC
    software become hardware circuits (so called hardwarization). This project is trying to
    organize CMAC (Cerebellar Model Articulation controller) algorithm to perform
    character recognition, and transfer it into hardware circuit to obtain fast processing and
    system minimization.
    CMAC is mathematical equations developed by Albus in 1975 based on Mass’s
    Cerebellar Cortex. There is no complicated mathematical operation involved in
    CMAC. So it is suitable for hardwarization. Also CMAC’s learning demonstrates a
    fast convergence and a good generalization capability, so mostly applied to
    manipulator and biped walking robot in nonlinear system.
    The software experiment shows a license recognition ratio of 90% and a character
    recognition ratio of 98.3%. The hardware experiment shows a license recognition ratio
    of 70% and a character recognition ratio 92.3%. Gate count of chip design are 11,420.

    III 總目錄 中文摘要.... I 英文摘要...II 總目錄.......II 圖目錄.....VI 表目錄..VIII 第一章緒論… … … … … … … … … … … … … … … … … … … … … … … … … … … 1 1.1 研究背景與動機… … … … … … … … … … … … … … … … … … … … … … … .1 1.2 研究目的… … … … … … … … … … … … … … … … … … … … … … … … …3 1.3 研究範圍與限制… … … … … … … … … … … … … … … … … … … … … … … .3 1.3.1 研究範圍… … … … …. … … … … … … … … … … … … … … … … … … 3 1.3.2 研究限制… … … … … … . … … … … … … … … … … … … … … … … … 3 1.4 研究方法… … … … … … … … … … … … … … … … … … … … … … … … …4 1.5 研究步驟… … … … … … … … … … … … … … … … … … … … … … … … …5 第二章車牌辨識相關背景知識… … … … … … … … … … … … … … … … … … … ..6 2.1 車牌辨識系統架構… … … … … … ... … … … … … … … … … … … … … … . .6 2.2 車牌字元擷取… … … … … … … … … … … … … … … … … … … … … … … .8 2.2.1 圖像灰階化… … … … … … … … … … … … … … … … … … … … … . 8 2.2.2 圖像二值化… … … … … … … … … … … … … … … … … … … … … . 8 2.2.3 車牌交越特性… … … … … … … … … … … … … … … … … … … … . . .10 2.2.4 投影分析… … … … … … … … … … … … … … … … … … … … … …...11 2.3 相關車牌辨識方法… … … … … … … … … … … … … … … … … … … … . . . 11 2.3.1 類神經網路法… … … … … … … … … … … … … … … … … … … … . . .12 2.3.2 樣板比對法… … … … … … … … … … … … … … … … … … … … . . .14 IV 2.3.3 結構法… … … … … … … … … … … … … … … … . . … … … … … … .16 2.3.4 統計法.… … … . … … … … … … … … … … … … … … … … … … … .20 2.3.5 其它辨識法… … … … … … … … … … … … … … … … … … … … . . .22 2.3.6 比較與討論… … … … … … … … … … … … … … … … … … … … . . .26 第三章小腦模型… … … … … … … … … … … … … … … … … … … … … … … … ..29 3.1 小腦模型之理論背景… … … … … … … … … … … … … … … … … … … … . . .29 3.2 小腦模型之理論… … … … … … … … … … … … … … … … … … … … … …...30 3.2.1 小腦模型之基本架構… … … … … … … … … … … … … … … … … .30 3.2.2 小腦模型記憶體映射方式… … … … … … … … … … … … … … … .31 3.2.3 小腦模型之學習流程… … … … … … … … … … … … … … … … …33 3.2.4 小腦模型回想演算法… … … … … … … … … … … … … … … … …35 3.2.5 小腦模型學習演算法… … … … … … … … … … … … … … … … …36 3.3 小腦模型車牌辨識… … … … … … … … … … . .. … … … … … … … … … … 37 3.3.1 小腦模型車牌辨識之設計… … … … … … … … … … … … … … … .37 3.3.2 小腦模型之字元學習… … … … … … … … … … … … … … … … …39 3.3.3 小腦模型之字元辨識… … … … … … … … … … … … … … … … …41 3.3.4 小腦模型之參數設定… … … … … … … … … … … … … … … … …44 3.3.5 軟體模擬實驗… … … … … … … … … … … … … … … … … … … …...45 第四章辨識晶片之設計… … … … … … … … … … … … … … … … … … … …...47 4.1 晶片規劃… … … … … … … … … … … … … … … … … … … … … … … … ..48 4.1.1 晶片架構… … … … … … … … … … … … … … … … … … … … … … . . .48 4.1.2 資料流程之控制… … … … … … … … … … … … … … … … … … … 51 4.2 晶片模組設計… … … … … … … … … … … … … … … … … … … … … …...54 4.2.1 SPP Controller … … … … … … … … … … … … … … … … … … … …...54 4.2.2 Image_Pixel … … … … … … … … … … … … … … … … … … … …...56 4.2.3 Memory Address Mapping … … … … … … … … … … … … … … ….57 V 4.2.4 SRAM Controller … … … … … … … … … … … … … … … … … … … 5 8 4.2.5 CMAC Output … … … … … … … … … … … … … … … … … … … …...60 4.2.6 CMAC Error … … … … … … … … … … … … … … … … … … … …...60 4.2.7 Recognition Module … … … … … … … … … … … … … … … … … … … 6 1 4.2.8 LCD Controller … … … … … … … … … … … … … … … … … … … …...62 第五章實驗結果與討論… … … … … … … … … … … … … … … … … … … …...65 5.1 硬體實驗結果… … … … … … … … … … … … … … … … … … … … … …...65 5.2 研究討論… … … … … … … … … … … … … … … … … … … … … … … … ..70 第六章結論與建議… … … … … … … … … … . … … … … … … … … … … … … ..72 參考書目… … … … … … … … … … … … … … … … … … … … … … … … … … … ….74 附錄一學習率實驗… … … … … … … . . … … … … … … … … … … … … … … … .78 附錄二量化層實驗… … . … … . . … … … … … … … … … … … . . … … … … … … .80 附錄三小腦模型記憶體映射表… … … … … … … … … … … … … … … … ….82 附錄四硬體實驗之辨識率… … … ... … … … … … … … … … … … … … … … .84 附錄五軟體字元學習結果… … … … … … … … … … … … . . … … … … … … … ….85 附錄六硬體字元學習結果… … … … … … … … … … … … … … … … …. . … … … .86
    無法下載圖示
    QR CODE