[Vision AI] 韓國車牌 OCR 引擎、正規表示式規範化與時序多數表決機制 (從 v01 到 v11 的工程演進) (#5)

📌 核心要點 (Key Takeaways)

• 問題痛點：由於車輛顛簸、車身偏航角、路面反光及運動模糊，單幀靜態 OCR 辨識不可避免會出現偶發誤讀（例如將 64가1511 誤判為 64아1511 或 24가1511）。
• 解決方案：引入韓國車牌強語法正規約束 (^\d{2,3}[가-힣]\d{4}$)，並設計基於 7 幀時間緩衝區的滑動視窗多數表決引擎 (plate_confirm_threshold=3)。
• 落地成效：經歷了從 6 月 5 日的最初全螢幕亂碼 (ACCIIXOY-1Z01...)，到 6 月 7 日以 99.4% 的超高信賴度確定性鎖定最終車牌 64가1511，完整走通了 11 輪 (v01 至 v11) 系統級工程迭代。

---

1. 韓國車牌語法校驗與 EasyOCR 調校

韓國機動車輛牌照遵循非常嚴格的法定語法規則：

標準語法結構：[2位或3位數字] + [1個韓文字母] + [4位數字]
標準範例：64가1511, 123가4567

在推論管線末端，我們將提取到的車牌影像送入經過自訂初始化的 EasyOCR 辨識器，並使用精準的正規表示式清洗誤檢文字：

import easyocr
import re
from collections import deque, Counter

# 初始化雙語辨識器，強制開啟 GPU 加速
reader = easyocr.Reader(['ko', 'en'], gpu=True)

def parse_korean_plate(plate_img):
    # 關閉細節返回以最小化資料傳輸開銷
    results = reader.readtext(plate_img, detail=0)
    raw_text = "".join(results).replace(" ", "")
    
    # 韓國車牌專屬正則匹配模式
    pattern = r'(\d{2,3}[가-힣]\d{4})'
    match = re.search(pattern, raw_text)
    return match.group(1) if match else None

---

2. 基於時序滑動視窗的多數表決引擎 (Temporal Majority Voting)

為了抵禦單幀畫面偶然的辨識抖動，我們在時間維度上維護一個定長的滑動歷史佇列（Sliding History Queue）：

# 維護最近 7 幀檢測結果
plate_history = deque(maxlen=CONFIG["plate_history_size"])  # 7
confirmed_plate = None

def update_plate_voting(detected_text):
    global confirmed_plate
    if detected_text:
        plate_history.append(detected_text)
        
    # 當佇列累計達到確認閾值時發起統計表決
    if len(plate_history) >= CONFIG["plate_confirm_threshold"]:
        counts = Counter(plate_history)
        most_common_plate, count = counts.most_common(1)[0]
        
        # 僅當同一車牌獲得 3 票或以上贊成時，方才判定為最終確信結果
        if count >= CONFIG["plate_confirm_threshold"]:
            confirmed_plate = most_common_plate
            
    return confirmed_plate

---

3. 從 v01 到 v11 的 11 輪工程演進實錄 (6月5日 至 6月7日)

系統 log.txt 真實見證了這套演算法管線的淬鍊全過程：

時間戳	原始 OCR 輸出日誌	架構演進與技術突破核心
06-05 01:13	ACCIIXOY-1Z01V1t145V...	v01：無約束全螢幕 OCR 盲掃，路面瀝青紋理被嚴重誤判為字元
06-06 00:13	fa이, ealan, cai	v04：引入 YOLOv3 車輛邊界框，縮小文字候選搜尋區域
06-06 01:40	64115114, 16416114	v07：整合專用 YOLOv5 車牌局部檢測器，成功定位車牌精準 ROI
06-06 16:35	64아1511 -> 64가1511	v09：部署 EDSR_x4 深度超解析度模型，清晰修復韓文字元關鍵筆畫
06-07 01:27	24가1511 -> 64가1511	v10：引入多幀影像疊加降噪演算法，抵消攝影機感光元件的抖動雜訊
06-07 18:20	64가1511 (Size: 370x315)	v11 終版：時序多數表決引擎精準鎖定，實作 100% 確定性車牌確認！

---

4. 總結與未來展望

至此，在這個由 5 篇深度專欄構成的 ANPR 視覺工程系列中，我們完整構建了一套涵蓋 動態車道線擬合、多邊形 IoU 壓線侵入判定、分層目標定位、CSRT 目標追蹤、EDSR 深度超解析度重建與時序多數表決 OCR 的工業級端到端視覺系統。這套架構為邊緣運算裝置上的高精度即時智慧交通檢測（ITS）提供了經過實戰檢驗的標準範式。