在前面的章節中，我們已經學習了人臉偵測的相關技術。今天將進一步挑戰另一個常見且實用的電腦視覺應用：車牌偵測與辨識（ALPR, Automatic License Plate Recognition）🚗。

車牌辨識是一個結合影像處理與文字辨識的完整流程，主要步驟如下：

1. 車牌區域偵測：定位車牌於影像中的位置。
2. 影像前處理：進行灰階化、二值化與降噪等處理，以提升辨識效果。
3. 文字切割與辨識：利用 OCR 技術辨識車牌上的文字。

📌 方法介紹

傳統方法（OpenCV）

• 利用邊緣檢測與輪廓分析找出疑似車牌區域。
• 對車牌進行透視變換，獲得正視角影像。
• 使用 OCR 工具（如 Tesseract）進行文字辨識。

深度學習方法

• 採用 YOLO、EAST、CRNN 等模型進行車牌偵測與文字識別。
• 準確率較高，但需較多訓練資料與運算資源。

本篇將以OpenCV + Tesseract為例，快速實作一個基礎的車牌辨識系統。

📌 環境安裝

請先安裝必要的 Python 套件：

conda install -c conda-forge pytesseract

並安裝 Tesseract OCR（Windows 版本下載與說明），安裝後請設定環境變數，或於程式中指定 tesseract 執行檔路徑。

🖼 測試圖片準備

以下程式碼示範如何載入影像並進行灰階化處理：

import cv2
import pytesseract

# 設定 Tesseract 執行檔路徑（請依實際安裝位置調整）
pytesseract.pytesseract.tesseract_cmd = r"C:\\Program Files\\Tesseract-OCR\\tesseract.exe"

# 讀取原始影像
img = cv2.imread("car.jpg")
# 轉為灰階影像，利於後續處理
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

cv2.imshow("Original", img)

# 將下列語句放於所有顯示語句的最後
cv2.waitKey()
cv2.destroyAllWindows()

📌 範例程式：車牌偵測與文字辨識

以下為完整的車牌偵測與辨識流程，並於每個步驟加以說明：

# 1. 影像前處理：高斯模糊去除雜訊
blur = cv2.GaussianBlur(gray, (5, 5), 0)

# 2. 邊緣檢測：強化矩形邊緣特徵
edges = cv2.Canny(blur, 100, 200)

# 3. 輪廓偵測：尋找所有邊緣輪廓
contours, _ = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 4. 依輪廓面積排序，優先檢查較大區域
contours = sorted(contours, key=cv2.contourArea, reverse=True)
plate = None
for cnt in contours:
  peri = cv2.arcLength(cnt, True)
  approx = cv2.approxPolyDP(cnt, 0.02 * peri, True)
  # 只考慮四邊形（車牌多為矩形）
  if len(approx) == 4:
    x, y, w, h = cv2.boundingRect(approx)
    aspect_ratio = w / float(h)
    area = w * h
    # 車牌通常為橫向矩形，長寬比約 2~6，並限制最小面積
    if 2 < aspect_ratio < 6 and w > 80 and h > 20 and area > 2000:
      plate = gray[y:y+h, x:x+w]
      cv2.drawContours(img, [approx], -1, (0, 255, 0), 2)
      break

# 5. 文字辨識（OCR）：若偵測到車牌區域，則進行文字辨識
if plate is not None:
  # 使用 Tesseract OCR 辨識車牌文字，--psm 7 適合單行文字
  text = pytesseract.image_to_string(plate, config='--psm 7')
  print("偵測到的車牌號碼：", text.strip())
  cv2.imshow("Plate", plate)

cv2.imshow("Car", img)

📖 程式說明

• 高斯模糊：降低影像雜訊，避免誤判邊緣。
• Canny 邊緣檢測：強化矩形邊緣，利於輪廓偵測。
• 輪廓分析：尋找所有可能的矩形區域，並依面積與長寬比篩選出車牌。
• Tesseract OCR：對偵測到的車牌區域進行文字辨識。

📌 範例結果

執行後，程式會於車牌位置標示偵測到的區域，並輸出辨識結果，例如：

偵測到的車牌號碼： BFF 5555

🎯 今日結語

1. 車牌偵測可透過邊緣檢測與輪廓分析有效定位車牌區域。
2. Tesseract OCR 能快速辨識文字，但影像前處理（如二值化、降噪）對準確率有顯著影響。
3. 若需更高辨識率，可考慮結合深度學習模型（如 YOLO + CRNN）進行進階應用。