中 國 文 化 大 學

資 訊 工 程 學 系
資 訊 系 統 專 題

交通執法

學 生：張 凱 荃
駱 冠 宇
指導教授：李 志 仁

中 華 民 國 111 年 12 月
 交通執法
專題學生：張凱荃、駱冠宇

指導教授：李志仁 博士

中國文化大學 資訊工程學系

摘要

隨著資訊與網路科技的快速發展，影像處理的技術也愈加進步，

車牌辨識也廣泛地應用到了停車場當中。然而台灣是一個交通事故占

比很高的國家，政府為此要派遣一些人力來處理交通違規的事件。因

此智慧交通執法可以發揮一些優勢，減少一些人力需求，自動偵測出

是否有道路違規的行為並且進行車牌辨識，更方便的管理交通的秩序，

同時也希望能有效減少交通違規的行為。

關鍵詞：影像處理、類神經網路、智慧交通執法

指導教授 (簽名)

I
 Traffic Enforcement Camera
Student: Kai-Chuan Chang, Kuan-Yu Lo
Advisor: Prof. Chih-Jen Lee
Department of Computer Science and Information Engineering
Chinese Culture University
ABSTRACT
With the rapid development of information and network technology,
image processing is getting better and better, even parking lot is also using
plate detection. However, the percentage of traffic accident is so high in
Taiwan that the government have to arrange employees to deal with traffic
violation. Therefore, traffic enforcement camera can take its advantage to
reduce human resources and detect whether the vehicle violates traffic rule .
It can help to regulate the traffic easily, and also hope to reduce traffic
violations effectively.

Keywords: Image Processing, Neuronetwork, AI of Traffic Enforcement

II
 目 錄

中文摘要.................................................................................................... I
英文摘要...................................................................................................II
表 目 錄.............................................................................................. V
圖 目 錄............................................................................................. VI
第 1 章 研究動機與目的 ...................................................................... 1
1.1 研究動機 ........................................................................................ 1
1.2 研究目的 ........................................................................................ 2
第 2 章 文獻探討................................................................................... 3
2.1 道路標線 ........................................................................................ 3
2.2 HSV ................................................................................................ 3
第 3 章 研究內容、方法與工作項目 .................................................. 5
3.1 開發軟體 ........................................................................................ 5
3.1.1 Jupyter Notebook.................................................................... 5
3.1.2 OpenCV .................................................................................. 6
3.1.3 Colab ....................................................................................... 7
3.1.4 Yolov5 ..................................................................................... 8
3.1.5 Labelimg ................................................................................. 9
3.1.6 Kaggle ................................................................................... 10
3.1.7 MySQL ................................................................................. 11
3.2 研究方法 ...................................................................................... 12
3.2.1 車子 ...................................................................................... 12
3.2.2 判別紅綠燈 .......................................................................... 39
3.2.3 偵測道路標線 ...................................................................... 42
3.2.4 圖形介面 .............................................................................. 45
第 4 章 人力配置................................................................................. 48
第 5 章 結論......................................................................................... 49

III
參考文獻................................................................................................. 50

IV
 表 目 錄

表 2.1 HSV 顏色區間 ............................................................................4

表 4.1 參與本項研究之人員及工作內容 ...........................................48

V
 圖 目 錄

圖 1.1 109 年舉發道路違規交通管理事件概況 ..................................1

圖 2.1 RGB vs HSV ................................................................................3
圖 3.1 Jupyter Notebook .........................................................................5
圖 3.2 OpenCV .......................................................................................6
圖 3.3 Colab ............................................................................................7
圖 3.4 Yolo ..............................................................................................8
圖 3.5 LabelImg ......................................................................................9
圖 3.6 Kaggle ........................................................................................10
圖 3.7 MySQL ...................................................................................... 11
圖 3.8 原始影像....................................................................................12
圖 3.9 車體............................................................................................12
圖 3.10 車牌............................................................................................13
圖 3.11 校正 ............................................................................................13
圖 3.12 車子流程圖 ...............................................................................14
圖 3.13 車體資料集 ...............................................................................15
圖 3.14 車體訓練模型 ...........................................................................16
圖 3.15 車體驗證....................................................................................16
圖 3.16 車體偵測 1 ................................................................................17
圖 3.17 車體偵測 2 ................................................................................17
圖 3.18 車體實際偵測 1 ........................................................................18
圖 3.19 車體實際偵測 2 ........................................................................18
圖 3.20 車牌資料集 ...............................................................................19
圖 3.21 車牌訓練模型 ...........................................................................20
圖 3.22 車牌驗證....................................................................................20
圖 3.23 車牌偵測 1 ................................................................................21
圖 3.24 車牌偵測 2 ................................................................................21

VI
圖 3.25 車牌實際偵測 1 ........................................................................22
圖 3.26 車牌實際偵測 2 ........................................................................22
圖 3.27 適應閥值....................................................................................23
圖 3.28 形態學........................................................................................23
圖 3.29 四邊形輪廓 ...............................................................................24
圖 3.30 校正............................................................................................24
圖 3.31 良好的車牌樣本 .......................................................................25
圖 3.32 良好的車牌灰階二值化 ...........................................................25
圖 3.33 良好的車牌消雜訊 ...................................................................26
圖 3.34 良好的字符預測 .......................................................................26
圖 3.35 不良的車牌樣本 .......................................................................27
圖 3.36 不良的車牌二值化 ...................................................................27
圖 3.37 不良的車牌消雜訊 ...................................................................27
圖 3.38 不良的字符預測 .......................................................................28
圖 3.39 字符資料集訓練 .......................................................................29
圖 3.40 字符資料集 ...............................................................................29
圖 3.41 合併圖片....................................................................................30
圖 3.42 產生 boxlist................................................................................31
圖 3.43 標記文字....................................................................................32
圖 3.44 生成訓練文件 ...........................................................................33
圖 3.45 生成字符集文件 .......................................................................34
圖 3.46 生成數據字典 ...........................................................................34
圖 3.47 字庫文件....................................................................................35
圖 3.48 可用字庫....................................................................................35
圖 3.49 字符集訓練 ...............................................................................36
圖 3.50 字符集驗證 ...............................................................................37
圖 3.51 字符實際偵測 ...........................................................................38
圖 3.52 綠燈............................................................................................39

VII
圖 3.53 綠燈_二值化 .............................................................................39
圖 3.54 紅燈............................................................................................40
圖 3.55 紅燈_二值化 .............................................................................40
圖 3.56 紅綠燈流程圖 ...........................................................................41
圖 3.57 道路標線_canny .........................................................................42
圖 3.58 道路標線_興趣區域 .................................................................43
圖 3.59 道路標線_輸出 .........................................................................43
圖 3.60 道路標線_流程圖 .....................................................................44
圖 3.61 使用者介面 ...............................................................................45
圖 3.62 闖紅燈分類 ...............................................................................45
圖 3.63 跨雙黃線分類 ...........................................................................45
圖 3.64 查詢車牌....................................................................................46
圖 3.65 顯示違規照片 ...........................................................................46
圖 3.66 資料表........................................................................................47

VIII
 第 1 章 研究動機與目的

1.1 研究動機

有鑑於交通違規居高不下[1]，尤其是台灣人口稠密，在交通上也
多仰賴於汽、機車，故在交通繁忙時期，常常出現塞爆的狀況。同時
也因為汽、機車數量多，在交通上有許多亂象。

希望在一些危險或交通繁忙的路口進行偵測，以減少人力去偵查
違規的狀況，亦希望可以藉此讓大眾知道危險性，能夠多多注意自身
安全。

圖 1.1 109 年舉發道路違規交通管理事件概況

1
1.2 研究目的

本研究希望可以透過影像處理對馬路上的違規行為進行偵測，將
路上違規的車輛判別後，把行徑錄入下來，存取在資料庫中。依照警
政署最 109 年的違規種類的資料，其中以違規停車、未依照速率規定
行駛和未依規定轉彎為最多。

(1) 闖紅燈

(2) 跨越雙黃線

2
 第 2 章 文獻探討

基於第一章的研究動機與目的，將會針對如何辨識出車子、判別
紅綠燈以及識別道路標線進行探討。

2.1 道路標線

參考了自動駕駛是如何發現地上的標線，發現了先是使用灰階，
再用高斯模糊去除雜訊，用 canny 把圖片上的線偵測出來，透過興趣
區域選取想要區域，最後由霍夫轉換把線段連接在一起。

因為是參考自動駕駛，而這種場景會隨攝影機的架設位置不同，
所以興趣區域的劃分也會有所不同，不會像車子如果只要跑在同一條
線上就只要偵測固定區域的線就好。

2.2 HSV

相對於 BGR，HSV[2]可以直觀的表示明亮度和鮮豔度。依 Hue

的角度逆時針旋轉，依序是紅色、綠色和藍色。

圖 2.1 RGB vs HSV[2]

3
 為了判別紅綠燈現在是什麼顏色，使用 HSV[2]判別紅色和綠色。
表 2.1 列出了紅色和綠色在 HSV[2]的範圍區間。

表 2.1 HSV[2]顏色區間

顏色 紅色 綠色
HSV

hmin 156 35

hmax 180 77

smin 43 43

smax 255 255

vmin 46 46

vmax 255 255

4
 第 3 章 研究內容、方法與工作項目

依照列舉出的功能，會需要的是偵測車體、車牌、紅綠燈和道路
標線。

3.1 開發軟體

3.1.1 Jupyter Notebook

圖 3.1 Jupyter Notebook

Jupyter Notebook 是一個網頁式的開發工具，可以實時編輯和運

行，馬上就能看到結果。程式碼可以依功能分段進行，當發生錯誤的
時候也能知道哪些區段的程式碼可能有問題。

在電腦上運行程式時，會選用該開發軟體進行，一方面可以自行
建立想要的環境，也可以指挑想要的程式碼運行。

5
3.1.2 OpenCV

圖 3.2 OpenCV[4]

主要用來處理圖片的，需要透過 OpenCV[4]的功能進行灰階、高
斯模糊讓圖片可以減少雜訊和方便後續的辨識，在此次會運用到大量
OpenCV 進行圖片的預處理。

6
3.1.3 Colab

圖 3.3 Colab

Colab[5]是訓練模型時很方便的免費工具，雖然有 GPU 和使用時

間上限，但是跑訓練的速度很快。介面像 Jupyter Notebook，而且已經
內建了許多 module。

使用該平台是因為需要跑訓練模型，一方面可以避免因為本身的
電腦運算速度不夠快，也可以藉由訓練的時間同時跑其他的程式。

7
3.1.4 Yolov5

圖 3.4 Yolo

Yolov5[6]有提供模型可以讓人訓練，但是如果要依照特定的需求
修改模型時，會比較困難，但是 Yolov5[6]在辨識物體上相對於其他辨
識方法準確度較高，即便在偵測過程中會出現速度變慢的狀況，還是
選擇以辨識準確率為主。

8
3.1.5 Labelimg

圖 3.5 LabelImg

Labelimg[7]是影像標註工具，在進行機器學習前需要先在圖片標
記才能讓電腦認知物件，是可以讓使用者在每張圖片上進行標記和分
類。

此次在準備相關圖片的資料集時會需要大量用到，並將標記內容
轉換為 XML 和 Yolo 格式。

9
3.1.6 Kaggle

圖 3.6 Kaggle

跟 Colab 相同，由 Kaggle[8]提供一個平台讓用戶能夠使用他們

的資源運行程式。不好用在於有些功能無法使用，如 cv2.imshow。好
用在於該平台提供的性能可以讓使用者免費使用一周三十小時的
GPU。

當初使用是因為 Colab 的 GPU 需要進行付費，而 Kaggle 卻可以

免費使用。另一點為 Colab 有連線不穩定的狀況出現和訓練模型過程
需要不斷的去觸碰網站以避免被判定閒置，故使用 Kaggle 取而代之。

10
3.1.7 MySQL

圖 3.7 MySQL

phpMyAdmin[9]是一個以 PHP 為基礎，以 Web-Base 方式架構在

網站主機上的 MySQL 的資料庫管理工具，管理者可以透過 Web 介面
進行操作與管理，同樣也可透過 SQL 語法進行資料庫的相關操作，
是一個使用者較為容易瞭解的工具。

此次的偵測違規圖片會儲存在資料庫中和進行調閱，該資料庫便
由 phpMyAdmin 創建。

11
3.2 研究方法

依照方法會分成車子相關的辨識、道路標線和紅綠燈燈號偵測。

3.2.1 車子

偵測違規車輛需要取得車子的位置和車牌號碼，故需從車體開始，
一步步地往下做，到辨識出字符，得到車牌號碼。以下為大致的流程：

從原始影像圖 3.8 中用車體偵測框出車體，得到如圖 3.9。

圖 3.8 原始影像

圖 3.9 車體

獲得圖 3.9 後，使用車牌偵測模型框出車牌，得到如圖 3.10 的樣

子。

12
 圖 3.10 車牌

因為有些車牌的位置不正會影響到字元的辨識，出現字元歪斜的
狀況，所以需要將如圖 3.10 所示的調正，保留車牌的部分，如圖 3.11。

圖 3.11 校正

13
以下為與車子相關的辨識流程圖：

圖 3.12 車子流程圖

14
 之後依照流程分割成車體偵測、車牌偵測、車牌校正和字符測試
進行介紹。

(1) 車體偵測

我們使用 Yolov5[6]進行訓練，圖片是透過自行錄製的影片
中取得的，並且透過自行設定的資料強化，如：變小後放大、模
糊化、增加對比度和增加噪點。資料集共 622 張，分成巴士、汽
車、機車和貨車四種。

圖 3.13 車體資料集

15
在訓練 200 次後，準確率為 95.1%。驗證的準確率為 95.9%

圖 3.14 車體訓練模型

圖 3.15 車體驗證

16
 圖 3.16 和圖 3.17 為訓練結束驗證的結果，確認偵測是否和
標記的結果相同。

圖 3.16 車體偵測 1

圖 3.17 車體偵測 2

17
圖 3.18 和圖 3.19 為實際影片偵測結果。

圖 3.18 車體實際偵測 1

圖 3.19 車體實際偵測 2

18
(2) 車牌偵測

一樣是使用 Yolov5[6]訓練，圖片是由車體的標記中裁切，
並且透過資料強化增加資料集。資料集共 770 張，全部皆分類為
車牌。

圖 3.20 車牌資料集

19
在訓練 200 次後，準確率為 99.9%。驗證的準確率為 99.8%

圖 3.21 車牌訓練模型

圖 3.22 車牌驗證

20
 圖 3.23 和圖 3.24 為訓練結束驗證的結果，確認偵測是否和
標記的結果相同。

圖 3.23 車牌偵測 1

圖 3.24 車牌偵測 2

21
圖 3.25 和圖 3.26 為實際影片偵測結果。

圖 3.25 車牌實際偵測 1

圖 3.26 車牌實際偵測 2

22
(3) 校正

先將車牌變成灰階後，透過適應閥值提升邊界的辨識度。

圖 3.27 適應閥值

使用形態學的 morph_rect、侵蝕和擴張找尋邊界。

圖 3.28 形態學

23
 使用 findContours 查找輪廓，當只要有一個輪廓是有包含四
個點時會是我們所要找的車牌位置，如圖 3.29。

圖 3.29 四邊形輪廓

依照這四個點的座標計算邊線的角度後對圖片和四個點的
座標做座標轉換並對圖片開始校正，如圖 3.29。

圖 3.30 校正

24
(4) 字符辨識

在進行字符辨識的過程，因為圖片在處理的過程中發現有辨
識上的問題，故會分成四個部分。先說明狀況良好與不良的例子
後，在對辨識的模型進行介紹，最後對結果進行結論。

1) 狀況良好例子：

圖 3.31 良好的車牌樣本

抓到車牌後，圖 3.31 進行灰階與二值化的處理，使其

成為黑白兩色的圖片，並且進行輪廓的偵測，將圖片中所有
的輪廓以四邊形的形式框起來，如圖 3.32。

圖 3.32 良好的車牌灰階二值化

25
 為了消除一些會影響到辨識的雜訊，所以設定了相關
的參數，盡量使字體的部分被保留以外，左右兩邊的雜訊消
除是非常重要的，因為左右的雜訊會使嚴重影像辨識的結
果，可能會因此多辨識出兩個字，或使中間的字辨識不出來。

圖 3.33 為狀況較好的例子，如圖所見雜訊較少。

圖 3.33 良好的車牌消雜訊

處理完圖片後，開始進行偵測，使用 Tesseract-Ocr[10]
中預設的字庫 eng 進行辨識，結果為 1T568RK，可能是被
圖片當中所殘留的雜訊影響了結果，所以多出了一個 1，如
圖 3.34。

圖 3.34 良好的字符預測

26
2) 狀況不良例子：

圖 3.35 不良的車牌樣本

圖 3.36 不良的車牌二值化

如圖 3.35 經過處理後，圖 3.36 由於 DR 兩個字跟旁邊

整個黏住了，所以沒有被偵測到輪廓，造成了處理後消失的
情形，而剩下的 1272 也因為和車牌上方黑色物體黏住，導
致處理後雜訊仍然存在，也使字體的辨識變得非常困難，如
圖 3.37。

圖 3.37 不良的車牌消雜訊

27
 使用 Tesseract-Ocr[10]中預設的字庫 eng 進行辨識後結
果為一個字都沒有辨識出來。

圖 3.38 不良的字符預測

28
3) TESSERACT-OCR[10]訓練

由於使用 Tesseract-Ocr[10]中預設的字庫 eng 辨識文字

正確率並不高，所以挑選了抓到的車牌當中經過處理後雜
訊較少，字較沒有黏住的車牌進行訓練，此訓練使用了總共
360 張圖片。

圖 3.39 字符資料集訓練

圖 3.40 字符資料集[11]

29
 訓練過程會分成 A ~ I 九個部分說明訓練過程。

A. 合併所有圖片

對所有的圖進行合併，成為一個 tif 檔案，而當中

有所有被合併的圖，如圖 3.41。

圖 3.41 合併圖片

30
B. 產生 BoxList

執行指令產生 Box 檔案後，可開始進行標記，而

圖片中所顯示的 Empty Page 為沒有被偵測到字體的圖
片，這也意味著必須去親自標記那著圖片中的每一個
字，如圖 3.42。

圖 3.42 產生 boxlist

31
C. 標記文字

使用 jTessBoxEditor 此工具進行標記，基本上大部
分的圖片中的文字都沒有被自動偵測出來並標記，所
以需要親自框住每個字，並輸入表格中，如圖 3.43。

圖 3.43 標記文字

32
D. 生成訓練文件

標記完所有圖片後，開始生成訓練文件，程式會對
於每個圖片進行偵測的訓練，如圖 3.44。

圖 3.44 生成訓練文件

33
E. 生成字符集文件

產生訓練文件後，就可開始產生字符集文件，當中
會包括在 BoxList 中所有出現過的字符，而圖片中的警
告是由於車牌並沒有小寫字母，所以產生了沒有小寫
字母此項目的警告，如圖 3.45。

圖 3.45 生成字符集文件

F. 生成數據字典

根據圖 3.45 獲得結構訊息，產生數據字典，如圖

3.46。

圖 3.46 生成數據字典
34
G. 合併數據文件，形成字庫文件

將生成的數據字典合併為字庫文件，如圖 3.47。

圖 3.47 字庫文件

H. Tesseract-Ocr[10] 可用字庫

輸入指令後查看自行訓練的字庫文件是否可以放
入相對應的資料夾當中，將其取名為 num_1，如圖 3.48。

圖 3.48 可用字庫

35
I. 訓練結果

訓練完後對 360 張圖片進行了測試，正確率為 73%，

對於字體的辨識，有相當多奇怪的因素會影響結果，有
可能只是一個比例不太一樣，就會造成辨識不出來，所
以對於路口監視器拍車輛所得到的車牌進行辨識，需
要相當多類似的樣本，統一的拍攝角度和光線才能得
到更高的正確率，如圖 3.49。

圖 3.49 字符集訓練

36
 觀察了偵測的結果後，大致整理出了以下較為如
疑有的錯誤。

較容易錯誤: B – 8、Z – 2、0 – D、1 – T、G – 6、

7 – Z。

最後在對上述中兩個例子進行測試，7568RK 這張
車牌辨識的結果為完全正確，如圖 3.50。

圖 3.50 字符集驗證

37
 1272DR 辨識的結果還是無法辨識出來，如圖 3.51。

圖 3.51 字符實際偵測

上述兩個例子或許看起來沒差多少，然而進行處
理後卻有極大的不同，可見對於車牌的辨識，細微的差
距也會有巨大的影響。

4) 結論

由上述的例子可知車牌的辨識圖片的清晰度相當重要，
而車牌若髒髒的也可能使辨識結果差之千里，所以若想將
辨識正確率提高到鮮少錯誤，需要相當大的訓練集，圖時對
於車牌的抓取也需要更加精準，以減少車牌以外的不必要
資訊。

38
3.2.2 判別紅綠燈

用中值濾波把雜訊過濾掉。依照文獻探討的 HSV[2]顏色區分，
可以把偵測到的紅色區段和綠色區段用二值化轉成白色。

綠燈時，則會如圖 3.53 的 green_window（圖片右方的方框）顯

示出白色。紅燈時，會如圖 3.55 的在 red_window（圖片左方的方框）
顯示白色。

圖 3.52 綠燈

圖 3.53 綠燈_二值化

39
 圖 3.54 紅燈

圖 3.55 紅燈_二值化

40
以下為紅綠燈判斷流程圖：

圖 3.56 紅綠燈流程圖

41
3.2.3 偵測道路標線[12][13]

先把圖片轉成灰階後，用 canny 把圖片中的線條描繪出來，如圖

3.57。

圖 3.57 道路標線_canny

42
 指定興趣區域的位置在想要的位置上，接著使用霍夫轉換把區域
內的線條畫出來。

圖 3.58 道路標線_興趣區域

圖 3.59 道路標線_輸出

43
以下為道路標線偵測流程圖：

圖 3.60 道路標線_流程圖

44
3.2.4 圖形介面

使用 Python Tkinter[14]進行圖形介面的建立，並且連到本機的資
料庫提供使用者山、查詢車牌、使用分類來查詢或管理資料。

圖 3.61 使用者介面

圖 3.62 闖紅燈分類

圖 3.63 跨雙黃線分類
45
 在查詢車牌的空格中輸入車牌好碼並按下查詢，即可查詢車牌，
若沒有相關資料，則表格中不會顯示任何東西。

圖 3.64 查詢車牌

點集兩下可顯示違規照片，並且進行舉發或是刪除的操作，左上
兩個格子會顯示編號和違規類型，方便確認使用者知道目前選擇了哪
一個項目。

圖 3.65 顯示違規照片

46
 資料庫使用 phpMyAdmin[9]進行資料表的建立，資料表中的資訊
包含了編號、時間、地點、檔案位置、違規類型以及車牌等資訊，檔
案位置的存在是用來讓圖形介面可以透過其找到存在於本機上的檔
案已顯示出圖片，所以除了在使用者介面，也可在本機上查看違規的
照片。

圖 3.66 資料表

47
 第 4 章 人力配置

表 4.1 為參與本項研究之人員及工作內容之人力配置：

表 4.1 參與本項研究之人員及工作內容

姓名 工作內容

張凱荃 車體、車牌

駱冠宇 紅綠燈、道路標線、字符辨識、圖形介面

48
 第 5 章 結論

使用的影片皆為手機拍攝，畫質為 1920x1080 (4k)，但是在辨識

的過程中發現擷取出來的圖片清晰度會大幅下降，導致在最後辨識字
符時會出影像糊在一起或是和邊界相連的狀況。目前的猜想有下列：

(1) 距離過遠

因為是從高處向下拍攝，所以只要目標物從近到遠就會由於
變得過小導致只能擷取到一片白的車牌。

(2) 動態模糊

在拍攝的過程中可以發現物體只有在緩慢移動的時候比較
清晰，反之會糊掉。

(3) 車牌偵測位置

偵測出來的車牌框框會有因為較小或較大而無法準確的判
別該車牌是否應該校正或是因為字符被切而無法辨識，需要再對
車牌的標記進行修改以避免框到外面或太裡面。

(4) 圖片大小變換

為了辨識各個圖片中的目標物會需要使用影像處理方式讓
圖片更好解析，但是或許是有幾次的裁剪後放大又裁減等步驟，
導致圖片失真。

49
 參考文獻

[1] 109 年 1-10 月警察機關受(處)理道路交通事故概況 - 內政部警政署

https://www.npa.gov.tw › app › data › doc
[2] HSV
https://zh.wikipedia.org/zh-
tw/HSL%E5%92%8CHSV%E8%89%B2%E5%BD%A9%E7%A9%BA%E9%9
7%B4
[3] RBG HSV
https://blog.csdn.net/Mark_md/article/details/115132435
[4] opencv
https://pypi.org/project/opencv-python/P.
[5] Colab
https://colab.research.google.com/
[6] yolov5
https://github.com/ultralytics/yolov5
[7] labelimg
https://blog.gtwang.org/useful-tools/labelimg-graphical-image-annotation-tool-
tutorial/
[8] Kaggle
https://www.kaggle.com/
[9] phpMuAdmin
https://www.phpmyadmin.net/
[10] Tesseract OCR
https://github.com/tesseract-ocr/tesseract
[11] 車牌辨識資料集
https://github.com/AvLab-CV/AOLP
[12] 車道線偵測
https://towardsdatascience.com/line-detection-make-an-autonomous-car-see-
road-lines-e3ed984952c
[13] Road Lane-Lines Detection in Real-Time for Advanced Driving Assistance
Systems Wael Farag1,2,4, Zakaria Saleh3,5,2018
[14] Python tkinter:
https://docs.python.org/3/library/tkinter.html
[15] 交通安全入口網
https://168.motc.gov.tw/theme/news/post/1906121102312 Python

50
[16] 機器學習超進化: ：AI 影像辨識跨界應用實戰
https://www.books.com.tw/products/0010870722
[17] Automatic number plate recognition in low quality videos:
https://www.researchgate.net/publication/271556529_Automatic_number_plate_
recognition_in_low_quality_videos

51