Skip to content

遠端路旁 ANPR 系統

遠端路旁 ANPR、車輛與人物偵測原型計劃

Section titled “遠端路旁 ANPR、車輛與人物偵測原型計劃”

專案: 太陽能供電的遠端路旁 ANPR、車輛與人物偵測網絡原型
地點背景: 紐西蘭住宅社區
文件目的: 實際原型與實作計劃
版本: 最終版 3.0 — 2026 年 10 月


  1. 簡介
  2. 問題說明
  3. 原型目標
  4. 建議的最快原型策略
  5. 系統架構
  6. 原型階段
  7. 攝影機建議
  8. 夜間車牌擷取策略
  9. 現成軟件選項
  10. 建議的開源方案 — Frigate
  11. 其他開源 / DIY 軟件
  12. 商業 / 現成 ANPR 軟件
  13. 自訂 Python ANPR Pipeline
  14. 人物偵測、人臉擷取與可選的人臉辨識
  15. 遠端太陽能攝影機節點
  16. 供電系統設計
  17. 電池容量估算
  18. 太陽能板容量估算
  19. 4G / LTE 連線
  20. 防水戶外機箱
  21. 本地處理與遠端處理
  22. 網絡與安全
  23. 資料庫設計
  24. 常見、罕見與新出現車輛偵測
  25. 事件搜尋流程
  26. 儲存與保留政策
  27. 私隱與部署考慮
  28. 原型測試計劃
  29. 成功標準
  30. 建議硬件清單
  31. 建議軟件技術棧
  32. 建議 Repository 結構
  33. 第一個原型的逐步實作
  34. 第二個原型 — 遠端太陽能節點
  35. 未來多攝影機架構
  36. 初期應避免的功能
  37. 風險與緩解措施
  38. 最終建議建置順序
  39. 完成定義
  40. 參考連結

本地住宅區近期對車輛失竊與可疑車輛活動的關注增加。被偷車輛可能在數分鐘內離開區域,而一般家用 CCTV 在夜間往往只能錄到昏暗或模糊的車輛影像。

核心問題是,一般廣角保安攝影機主要用途是顯示整體環境,而不是捕捉移動中的車牌。到了夜間,車頭燈、反光車牌、motion blur(動態模糊)以及攝影機自動曝光,都可能令車牌即使在車輛本身可見的情況下仍然無法閱讀。

本專案提出建立一套小型、私人營運的 ANPR(Automatic Number Plate Recognition,自動車牌辨識)原型系統,可以:

  • 偵測經過指定道路位置的車輛;
  • 在日間與夜間擷取可閱讀的車牌;
  • 記錄車牌、時間、攝影機位置與行車方向;
  • 保存車牌圖片與車輛快照作為佐證;
  • 在發生偷車或其他事件時,快速搜尋相關時段;
  • 區分經常出現、罕見出現以及首次出現的車輛;
  • 將來支援多個遠端攝影機節點;
  • 在沒有市電與固定 Internet 的地方運作。

實際部署目標,是在道路旁邊設置一個小型獨立攝影機節點,放在經過仔細選定的固定位置,用來觀察經過的車輛。

建議原型位置:

  • 位於道路旁或靠近道路的私人土地;
  • 與車道距離足夠近,可取得合適的車牌角度與影像大小;
  • 攝影機只對準較窄的 capture zone,而不是整條街;
  • 具備防風雨與防破壞的實體保護。

此原型並不限於安裝在住宅外牆。未來的節點可以完全獨立於附近建築物,並使用:

ANPR 攝影機
+ 可選的廣角 / 人物攝影機
+ 太陽能板
+ LiFePO4 電池
+ MPPT 充電控制器
+ 4G/LTE Router
+ 可上鎖防水戶外機箱

如果建議位置位於 council road reserve、berm、街燈柱、公用設施電線桿、行人路範圍或其他非私人土地,安裝前必須先向相關土地或基建擁有人確認並取得許可。

第一個目標不是立即建立一個覆蓋整個社區的監控網絡。

第一個目標只是證明一件事:

一部攝影機能否在夜間可靠地捕捉並辨識正在移動的紐西蘭車牌?

只有在這一點成功後,才應進一步擴展到遠端太陽能節點、多攝影機、分析功能或自訂 dashboard。


一般 CCTV 可能會得到以下畫面結果:

看得到車輛: YES
看得到車身顏色: MAYBE
看得到司機: NO
可閱讀車牌: NO

常見原因包括:

  • motion blur;
  • 夜間曝光時間過長;
  • 車頭燈造成 glare;
  • 反光車牌過曝;
  • 紅外線照明不足;
  • 車牌在畫面中所佔像素太少;
  • 攝影機角度過斜;
  • 使用太廣角鏡頭;
  • 過度使用 digital zoom。

因此,本專案必須先解決光學擷取問題,之後才處理 OCR。

建議優先次序:

攝影機 / 照明 ~70%
位置 / 鏡頭 ~20%
軟件 / OCR ~10%

如果原始影格本身沒有可閱讀的字元,軟件無法可靠地「還原」不存在的細節。


完整原型最終應該做到:

車輛經過道路
|
v
攝影機擷取車牌
|
v
ANPR / OCR 讀取車牌
|
v
時間戳 + 方向 + 信心分數
|
v
保存車牌裁切圖 + 車輛圖片
|
v
資料庫
|
v
按事件時間搜尋

事件範例:

Time: 2026-10-04 01:17:21
Camera: NODE-01
Plate: ABC123
Confidence: 97%
Direction: Eastbound
Status: NEW
Plate image: ABC123_011721_plate.jpg
Vehicle: ABC123_011721_vehicle.jpg

最快的方法不是一開始就由零建立完整系統。

建議順序:

ANPR 攝影機
|
錄製測試影片
|
人工檢查車牌

目標:

夜間移動中的車牌,必須先做到人眼可閱讀。

階段 B — 使用現成開源 ANPR 軟件

Section titled “階段 B — 使用現成開源 ANPR 軟件”

建議第一套軟件:

Frigate NVR + 內建 License Plate Recognition

這可以先測試:

RTSP 攝影機
|
Frigate
|
車輛偵測
|
車牌偵測
|
OCR
|
歷史紀錄 / 搜尋

而毋須先自行編寫整套 Python pipeline。

當攝影機已經證明可行,而且已經收集到實際 NZ 車牌樣本後,可建立:

OpenCV
+ YOLO
+ PaddleOCR
+ 自訂 NZ 車牌驗證
+ SQLite/PostgreSQL

用來取代或輔助 Frigate。

只應在階段 A / B 已可靠運作之後才進行。

這可避免過早花錢購買:

  • 電池;
  • 太陽能板;
  • 4G Router;
  • 戶外機箱;
  • 支柱;

卻最後才發現攝影機實際上無法清楚讀取車牌。


道路
================================================
Capture Zone
|
v
[ 車輛 ]
|
v
[ ANPR 攝影機 ]
|
RTSP / LAN
|
v
[ 測試 PC ]
|
+-------+-------+
| |
v v
[ Frigate ] [ 原始影片 ]
|
v
[ LPR ]
|
v
[ 事件 / 搜尋 ]
太陽能板
|
v
MPPT 控制器
|
v
LiFePO4 電池
|
+-----------+-----------+
| |
v v
ANPR 攝影機 4G Router
| |
[可選廣角人物攝影機] |
| |
+------- Ethernet ------+
|
v
4G / LTE
|
v
Internet
|
v
家中 / Cloud Server
|
+-------------+-------------+
| |
v v
資料庫 Dashboard

先使用一部 ANPR 攝影機,在暫時可取得電源與 Ethernet 的位置測試。

暫時不要使用太陽能。

測試:

  • 日間;
  • 夜間;
  • 車頭燈直射;
  • 30 km/h;
  • 50 km/h;
  • 下雨;
  • 車輛迎面駛來;
  • 車輛離開。

成功條件:

大部分移動車輛的車牌,都能用人眼從影像中清楚讀取。

安裝 Frigate。

連接 RTSP 攝影機。

啟用 LPR。

成功條件:

Camera -> Frigate -> 辨識車牌 -> 可搜尋歷史紀錄

使用相同的錄影片段。

建立:

Video
|
YOLO 車輛偵測
|
車牌 detector
|
PaddleOCR
|
NZ 車牌驗證
|
CSV / SQLite

把自訂辨識結果與 Frigate 比較。

將攝影機移到沒有市電的位置。

加入:

  • 電池;
  • 太陽能板;
  • MPPT 控制器;
  • 4G Router;
  • 防水戶外機箱。

加入 Node 02、Node 03 等。

只有在 Node 01 已證明具有可接受可靠度之後,才增加更多節點。


一個很適合的候選型號是:

Hikvision iDS-2CD7A26G0/P-IZHS — 8–32 mm

原因:

  • 專為 ANPR 功能設計;
  • 2 MP progressive scan sensor;
  • DarkFighter 低光能力;
  • motorised 8–32 mm 鏡頭;
  • optical zoom;
  • 內建 850 nm IR;
  • manual / semi-auto focus;
  • 支援非常快的 shutter;
  • RTSP / network streaming;
  • 防風雨機身;
  • 內建 ANPR 功能;
  • 適合較窄的道路 capture zone。

做 ANPR 時,一部優質 2 MP 專用 LPR 攝影機,可能比便宜的 8 MP CCTV 更有效。

例如:

8 MP 一般 CCTV
----------------
街道: 很清楚
車輛: 很清楚
車牌: 過曝 / 模糊
2 MP ANPR 攝影機
----------------
街道: 較暗
車輛: 較暗
車牌: ABC123

對本專案而言,第二種結果更有價值。


夜間應使用專用車牌 capture zone。

例如:

CAPTURE ZONE
|
v
-------------------------------------------------
[ ABC123 ] ----->
-------------------------------------------------
/
/
/
[ ANPR 攝影機 ]

建議初始設定:

Resolution: 1920 x 1080
Frame rate: 25–30 fps
Shutter: 1/500 second
IR: ON
IR wavelength: 850 nm
Gain: limited
WDR: 初期先測試 OFF
Focus: 設定完成後固定
Codec: H.264/H.265

如果仍有 motion blur:

1/500
|
1/750
|
1/1000

應增加照明,而不是簡單地把曝光時間拉長。

目標:

Horizontal angle: 最好 < 30 degrees
Vertical angle: 最好 < 30 degrees

利用 optical zoom 令車牌在畫面中佔有足夠像素。

不要期望同一部廣角攝影機同時兼顧整體監控與長距離車牌 OCR。


有三種合理的軟件策略。

選項成本建置速度可自訂程度建議用途
Frigate免費 / 開源快高最佳第一個原型
OpenALPR open-source免費中等 / 較難高實驗 / 參考
自訂 YOLO + PaddleOCR免費最慢最高Phase 2/3 開發
攝影機內建 ANPR包含在 ANPR 攝影機中很快中等很適合硬件驗證
商業 ANPR 產品付費快視產品而定後期比較

最快的原型建議組合:

專用 ANPR 攝影機
+
Frigate

初期原型可在有需要時同時啟用車輛與人物偵測。人臉偵測 / 裁切可列為可選功能,而自動人臉身份比對不應列入 baseline scope。

同時亦可測試攝影機本身內建的 ANPR 功能(如有)。


Frigate 是目前很適合作為本原型起點的方案,因為它已提供:

  • IP camera / RTSP 支援;
  • 錄影;
  • object detection;
  • event history;
  • snapshots;
  • retention rules;
  • MQTT integration;
  • 內建 licence plate recognition;
  • known plate matching;
  • dedicated LPR camera mode。

目前 Frigate LPR 使用:

YOLOv9 licence plate detector
+
PaddleOCR

模型下載完成後,可在本地運作。

它亦支援窄視角的 dedicated LPR camera。

如果完全自行開發,一開始就要建立:

RTSP reader
vehicle tracking
plate detection
OCR
history
image storage
search UI

而第一個原型可以先讓 Frigate 負責大部分功能。

第一個軟件實驗便可以簡化為:

1. 安裝 Docker
2. 安裝 Frigate
3. 加入攝影機 RTSP URL
4. 啟用 LPR
5. 設定 dedicated LPR camera
6. 讓車輛經過
7. 檢查辨識到的車牌

這可以節省大量初期程式開發時間。


OpenALPR 有一個 open-source library,可以:

  • 分析圖片;
  • 分析影片;
  • 回傳車牌文字;
  • 從 C++、Python、C#、Java、Node.js 與 Go 呼叫。

不過,該 open-source project 已較舊,而且使用 AGPLv3 license。

它適合:

  • 作為參考實作;
  • 快速實驗;
  • 與自訂 pipeline 作比較。

在 2026 年,我不會把它列為本專案第一選擇。

這是建議的長期自訂路線。

Pipeline:

RTSP / MP4
|
OpenCV
|
YOLO 車輛 / 人物 detector
|
YOLO 車牌 detector
|
plate crop
|
PaddleOCR
|
NZ 車牌驗證
|
去重複
|
database

優點:

  • 完全控制;
  • 可以針對紐西蘭車牌調校;
  • 可以使用自己的 training data;
  • 可以自行計算 familiarity / anomaly score;
  • 容易整合自己的 C# backend。

缺點:

  • 開發時間更長;
  • 需要更多 tuning;
  • tracking 與事件邏輯要自己處理。

商業方案值得測試,但應放在 open-source proof of concept 成功之後。

可能類別:

某些 Hikvision 與其他專業 ANPR 攝影機可以直接在攝影機內做辨識。

優點:

遠端位置不需要 GPU server
較低 bandwidth
攝影機直接產生車牌 metadata

這對太陽能部署特別有用。

商業 engine 可能提供:

  • 更高辨識準確度;
  • 各國車牌模型;
  • REST APIs;
  • RTSP stream processing;
  • 技術支援;
  • 更簡單的部署流程。

本專案建議策略:

在測試 Frigate 與攝影機內建 ANPR 之前,不要先購買昂貴商業軟件。

之後可用同一組錄影測試集跑商業 engine,做客觀比較。


當攝影機已經證明可行後,可以建立另一個 Python prototype。

建議元件:

Python 3.11+
OpenCV
Ultralytics YOLO(車輛 / 人物 / 車牌偵測)
PaddleOCR
SQLite
FastAPI(可選)

處理流程:

RTSP stream
|
frame sampling
|
vehicle detection
|
tracking
|
plate detection
|
best-frame selection
|
plate enhancement
|
OCR
|
normalisation
|
confidence scoring
|
deduplication
|
database

常見 OCR 混淆:

0 / O
1 / I
5 / S
8 / B

應同時保存:

RawOCR
NormalizedPlate
Confidence

不要悄悄覆蓋原始 OCR 結果。


14. 人物偵測、人臉擷取與可選的人臉辨識

Section titled “14. 人物偵測、人臉擷取與可選的人臉辨識”

路旁系統亦可以偵測人物。建議將功能分級,令第一個原型即使不建立 biometric identification database,也能具有實際用途。

建議第一版便支援。

Person detected: YES
Timestamp: 01:14:28
Camera: NODE-01
Snapshot: person_011428.jpg

這可以在事件回顧時顯示某個時間點是否有人出現在車輛或 capture zone 附近。

可在 person detection 已運作後加入。

Person detected
|
Face visible?
|
save best face crop

系統可以保存與事件或人物 event 有關的最佳人臉圖片。

此階段的目的,是保留證據影像,而不是自動辨識身份。

Level 3 — Face recognition / identity matching

Section titled “Level 3 — Face recognition / identity matching”

不建議列為 Phase 1 必要功能。

這一級會把偵測到的人臉與已儲存的 biometric reference database 比較,並嘗試辨識或配對某個人。

例如:

Face crop
|
face embedding / biometric template
|
reference database
|
possible match

這會帶來更高的私隱、安全、治理與準確度要求。

在紐西蘭,使用自動化人臉辨識作為身份辨識或分類,可能受 Biometric Processing Privacy Code 2025 規管。如果將來考慮加入此功能,應先完成 privacy impact assessment,並確認 necessity、proportionality、safeguards、透明度、保留期限以及 access control。

本專案建議原則:

先偵測並保存有用影像;第一版不要嘗試自動身份辨識。

14.2 為甚麼最好加一部獨立 overview camera

Section titled “14.2 為甚麼最好加一部獨立 overview camera”

ANPR 攝影機通常針對以下目標調校:

  • 快速 shutter;
  • 窄 field of view;
  • infrared illumination;
  • 反光車牌;
  • 車牌可讀性。

因此,它可能可以得到非常清楚的車牌,但人物影像卻很差。

建議未來的 roadside node:

道路
=====================================================
車輛 / 人物
|
+---------+---------+
| |
v v
ANPR / LPR camera Overview camera
窄視角 較闊視角
fast shutter 人物 / 環境
車牌曝光設定 低光影像
| |
+---------+---------+
|
v
Frigate
|
+-------------+-------------+
| | |
v v v
車牌 車輛 人物

Prototype 1 只需要一部 ANPR 攝影機。

Prototype 2 或之後,只有在人像 / 環境資訊確實有用時,才加入 overview camera。

當設定適當 object-detection model 後,Frigate 本身可以偵測 person。

自訂 Python pipeline 可使用:

YOLO
├── car
├── truck
├── motorcycle
└── person

事件紀錄例子:

EventId
Timestamp
CameraId
VehiclePresent
Plate
PersonPresent
PersonSnapshotPath
FaceCropPath

不應因為某個人或車輛出現在畫面中,就推斷其有犯罪或不當行為。輸出資料只應視為搜尋與調查輔助資訊。


遠端節點應該是一個獨立的路旁單元,設於固定道路位置旁邊,最好位於私人土地或已獲明確授權的地點。

它不應依賴附近住宅提供市電或固定 broadband。

架構:

太陽能板
|
v
MPPT 控制器
|
v
LiFePO4 電池
|
DC Fuse / Breaker
|
+---------+---------+
| |
v v
ANPR 攝影機 LTE Router
| |
+----- Ethernet ----+

未來可選:

Edge Computer
Raspberry Pi / Jetson / Mini PC

但初期如果沒有實際需要,不要加入 edge computer。

原因:

  • 增加耗電;
  • 增加熱量;
  • 增加軟件維護;
  • 增加系統複雜度。

盡量保持整個節點為 DC-only。

避免:

12V battery
|
230V inverter
|
AC adapter
|
12V device

因為每一次電壓轉換都會造成額外耗損。

建議:

12.8V LiFePO4
|
+---- fused DC -> 攝影機
|
+---- fused DC -> LTE Router

如個別設備需要,可加入 regulated DC/DC converter。


建議電池化學:

LiFePO4

原因:

  • 適合 deep-cycle;
  • cycle life 長;
  • 電壓穩定;
  • 比鉛酸電池輕;
  • 可用容量較高;
  • 適合 solar application。

不要使用一般汽車啟動電池。

保守估算:

ANPR 攝影機 15 W
4G Router 3 W
轉換損耗 2 W
----------------------
總計 20 W

每日用電:

20 W x 24 h
= 480 Wh/day

名義容量:

12.8 V x 100 Ah
= 1,280 Wh

假設約 80% 可用:

~1,024 Wh

20 W 負載:

1,024 / 20
= ~51 hours

所以在這個簡化例子中,100 Ah 電池大約提供兩天 автономي運作時間。

建議:

Prototype minimum: 100 Ah
Better: 150 Ah
High resilience: 200 Ah

實際容量必須在量度真實攝影機與 Router 耗電後重新計算。

建議電池具備:

  • low-temperature charging protection;
  • 合適 BMS;
  • 最好放在受保護機箱內。

不要在超出製造商安全溫度範圍時替 LiFePO4 電池充電。


如果每日用電約:

480 Wh/day

那麼 100 W 太陽能板對可靠 24/7 運作而言太勉強。

理論例子:

100 W x 4 peak-sun-hours
= 400 Wh

這還未扣除實際損耗。

建議原型容量:

最低: ~200 W
較建議: ~250–300 W
更穩健: ~300–400 W

最終設計需要考慮:

  • 冬季太陽能產量;
  • 連續陰天;
  • 遮蔭;
  • 太陽能板方向;
  • charging efficiency;
  • battery efficiency;
  • 灰塵;
  • 系統損耗。

建議使用 MPPT controller,而不是基本 PWM controller。


建議類型:

Industrial LTE Router

例如:

Teltonika RUT241

適合原因:

  • 9–30 V DC input;
  • Ethernet;
  • LTE;
  • external antenna;
  • 低功耗;
  • 適合無人值守部署。

公開功耗數據約為:

~1.3 W LTE idle
~1.5 W with one LAN device
~3.3 W under high traffic/load

實際現場功耗仍然應自行量度。

除非有需要,不要 24/7 經 4G 傳送完整影片

Section titled “除非有需要,不要 24/7 經 4G 傳送完整影片”

建議:

攝影機本地錄影
|
ANPR event
|
車牌 metadata
|
小型 JPEG
|
4G upload

事件例子:

{
"camera": "NODE-01",
"time": "2026-10-04T01:17:21",
"plate": "ABC123",
"confidence": 0.97,
"direction": "eastbound"
}

完整影片可保留在本地 SD card,只有發生事件時才下載。


使用可上鎖的 IP65 / IP66 戶外 enclosure。

內部:

+--------------------------------+
| Weatherproof Enclosure |
| |
| LiFePO4 battery |
| MPPT controller |
| fused distribution |
| DC/DC converter |
| LTE router |
| low-voltage protection |
| optional monitoring |
+--------------------------------+

攝影機放在機箱外。

太陽能板放在機箱外。

如有需要,LTE antenna 可安裝在機箱外。

建議加入:

  • cable glands;
  • fused circuits;
  • 適當 surge protection;
  • ventilation / thermal consideration;
  • tamper-resistant fasteners;
  • lock;
  • 清楚標示 isolation point。

實際電氣工作必須符合適用的安裝與安全要求。


最適合第一版 solar node。

Camera
|
onboard ANPR
|
plate + JPEG
|
4G

優點:

  • 遠端端點不需要額外高運算設備;
  • 耗電較低;
  • bandwidth 較低;
  • remote hardware 較簡單。
Remote camera
|
4G RTSP
|
home server
|
Frigate / Python

優點:

  • AI 集中管理;
  • 軟件更新容易。

缺點:

  • data usage 較高;
  • 需要穩定 4G;
  • 持續 RTSP 會消耗 bandwidth。
Camera
|
Jetson / Mini PC
|
ANPR
|
metadata only

優點:

  • 彈性高;
  • network traffic 低。

缺點:

  • 額外耗電;
  • 複雜度增加;
  • 產生熱量;
  • 維護較多。

Prototype 順序:

1. camera onboard ANPR
2. Frigate at home/local test network
3. custom Python
4. edge computer only if justified

不要直接把遠端攝影機的 RTSP 或 web admin interface 暴露到 Internet。

建議:

Remote node
|
LTE Router
|
VPN tunnel
|
Home network

使用:

  • WireGuard 或同類 VPN;
  • 每台設備使用獨立強密碼;
  • 可用時使用 HTTPS;
  • firewall rules;
  • 關閉不必要 inbound ports;
  • 定期 firmware update;
  • 家中使用獨立 camera VLAN;
  • 限制 admin access。

家中網絡例子:

Camera VLAN
192.168.30.0/24
ANPR server
192.168.30.10

Camera
------
Id
Name
Description
Direction
Enabled
CreatedAt
VehicleSighting
---------------
Id
CameraId
TimestampUtc
PlateRaw
PlateNormalized
PlateConfidence
VehicleType
VehicleColour
Direction
PlateImagePath
VehicleImagePath
CreatedAt
PlateStatistics
---------------
PlateNormalized
FirstSeen
LastSeen
SeenCount
NightSeenCount
DaySeenCount
TypicalHour
TypicalDirection
UpdatedAt
Incident
--------
Id
Title
StartTime
EndTime
Description
CreatedAt

24. 常見、罕見與新出現車輛偵測

Section titled “24. 常見、罕見與新出現車輛偵測”

不要把常見車輛直接丟棄。

應保留 sighting,並計算 familiarity。

例如:

ABC123
Seen: 187
Typical: 07:20–08:10
Direction: Eastbound
Status: COMMON

另一例:

XYZ999
Seen: 1
First seen: 01:17
Status: NEW

之後可以建立 anomaly score,例如:

首次出現 +40
出現少於 3 次 +25
午夜至清晨 5 點出現 +20
不尋常方向 +10
不符合平常時間模式 +10
接近事件時間 +20

此分數只應用作搜尋優先排序。

它不能被解讀為司機曾犯罪的證據。


假設偷車事件大約在 01:10 發生:

Incident:
00:45–01:30

系統查詢:

顯示 00:45–01:30
在 Camera 1 / Camera 2
出現過的所有車牌
並按罕見程度排序

例子:

01:17 XYZ999 NEW 97%
01:13 KLM456 RARE 95%
01:08 ABC123 COMMON 98%

之後檢查:

  • 車輛圖片;
  • 車牌圖片;
  • 行車方向;
  • 其他攝影機;
  • 完整本地影片。

建議原型 policy:

完整影片: 48–72 小時
Vehicle snapshots: 14 天
Plate crops: 30 天
Plate metadata: 30 天
Incident evidence: 手動保留

這些是工程上的起始建議,不是法律要求。

應實作自動刪除。

發生事件時:

Create Incident
|
選擇時間範圍
|
Preserve linked media

建議採取保守私隱原則。

包括:

  • 只捕捉保安用途真正需要的畫面;
  • 避免拍攝鄰居私人範圍;
  • 除非真正有需要,否則不要錄音;
  • 不公開 plate history;
  • 限制系統 access;
  • 使用強密碼與 VPN;
  • 限制保留時間;
  • 懷疑犯罪時保存相關影像供警方使用,而不是自行公開辨認人士。

原型最安全直接的做法,是把攝影機安裝在私人土地。

不要在未取得相關擁有人 / authority 許可前,把支柱、機箱、太陽能設備或攝影機安裝在 council road reserve、berm、street furniture 或其他非私人土地。


建立可重複測試的 dataset。

目標:

100–200 次車輛經過

包括:

情況測試
日間慢速車輛
日間30 km/h
日間50 km/h
夜間有街燈
夜間車頭燈向攝影機
夜間車尾牌
夜間濕路面
天氣下雨
交通兩架車靠近通過
特殊personalised plate
特殊污糟車牌
特殊如果看得到則測 motorcycle

每個 sample 都記錄:

人眼能否閱讀車牌?
系統有沒有偵測到車牌?
OCR 是否正確?
Confidence?
車輛方向是否正確?

初期工程目標:

可閱讀車牌擷取率: >= 95%
OCR 完全正確率: >= 90%
可閱讀車牌擷取率: >= 90%
OCR 完全正確率: >= 85%

重要區分:

Capture failure != OCR failure

兩者必須分開統計。


項目建議
CameraHikvision iDS-2CD7A26G0/P-IZHS 8–32 mm 或同級專用 ANPR camera
NetworkEthernet
Power測試期間使用暫時 mains / PoE
Computer現有 Windows / Linux PC
Storage現有 PC storage
Software先使用 Frigate
Development之後再寫 Python

暫時不要購買 solar hardware。

項目建議類型
CameraDedicated 8–32 mm ANPR camera
SD card256–512 GB high-endurance
RouterTeltonika RUT241 或同級
Battery12.8 V 100–150 Ah LiFePO4
Solar初步約 250–300 W
ControllerMPPT 20–30 A class
Enclosure可上鎖 IP65/IP66
ProtectionDC fuses / breakers
NetworkLTE SIM + VPN
Overview/person camera後期可選;第一個 ANPR 測試不需要
Edge computer初期不要加入

最終電氣容量必須按實際負載與設備規格重新驗證。


Docker
Frigate
SQLite / Frigate internal storage
Python
OpenCV
Ultralytics YOLO(車輛 / 人物 / 車牌偵測)
PaddleOCR
SQLite
FastAPI
Python ANPR worker
|
REST / message queue
|
ASP.NET Core API
|
PostgreSQL
|
Vue / Angular frontend

不要一開始就建立 production architecture。


anpr-prototype/
│
├── README.md
├── docker-compose.yml
│
├── frigate/
│ └── config.yml
│
├── python/
│ ├── requirements.txt
│ └── app/
│ ├── capture/
│ │ └── rtsp_capture.py
│ ├── detection/
│ │ ├── vehicle_detector.py
│ │ └── plate_detector.py
│ ├── ocr/
│ │ └── plate_ocr.py
│ ├── processing/
│ │ ├── image_enhancement.py
│ │ ├── plate_normalizer.py
│ │ └── deduplicator.py
│ └── main.py
│
├── data/
│ ├── test-videos/
│ ├── snapshots/
│ ├── plates/
│ └── ground-truth.csv
│
└── docs/

這是建議的最快路線。

Step 1 — 購買 / 借用一部真正 ANPR 攝影機

Section titled “Step 1 — 購買 / 借用一部真正 ANPR 攝影機”

不要一次過購買整套 remote system。

先使用一部 dedicated ANPR-capable camera。

安裝在私人土地。

暫時提供:

PoE / mains
Ethernet

對準一小段道路 capture zone。

在安裝任何 OCR 之前:

先測試夜間畫面。

調整:

zoom
focus
shutter
gain
IR
camera angle
capture distance

直到車牌清楚可讀之前,不要進入下一步。

建立第一個 benchmark dataset。

例如:

day_30kmh.mp4
night_30kmh.mp4
night_headlights.mp4
rain_night.mp4

使用 Docker 安裝。

加入攝影機 RTSP stream。

先確認:

Live view works
Recording works
Car detection works

啟用 Frigate licence plate recognition。

對 dedicated plate camera,設定 dedicated LPR mode。

調校時保存 debug plate images。

建立:

timestamp,actual_plate,frigate_plate,correct
21:03:11,ABC123,ABC123,true
21:05:42,XYZ987,XYZ987,true
21:07:01,DEF456,DEFG56,false

這樣便可以得到客觀 accuracy。

當 plate recognition 已經運作後,如果攝影機畫面涵蓋人物可能與事件相關的範圍,可啟用 Frigate person detection。

確認:

person detected
snapshot saved
timestamp correct

此階段不要加入 face recognition。

如果因 ANPR camera 視角太窄或曝光完全針對反光車牌,而無法取得有用人像,則在下一階段 remote node 中再考慮加入 overview camera。

如果攝影機本身支援 onboard ANPR:

比較:

Frigate result
vs
Camera result

必須使用同一批車輛。

不要一開始就建立完整 backend。

第一個 Python 目標:

Terminal window
python recognize.py night_test.mp4

輸出:

timestamp,plate,confidence

使用:

YOLO
PaddleOCR

根據量度結果決定。

保留 Frigate,之後再加入自己的 API / analytics。

讓攝影機辨識車牌,再把事件送到中央系統。

建立 / fine-tune 自訂 Python model。

這個決定應以測試數據為依據。


34. 第二個原型 — 遠端太陽能節點

Section titled “34. 第二個原型 — 遠端太陽能節點”

只有第一個原型成功後才建立。

架構:

solar
|
MPPT
|
battery
|
+------------+
| |
camera LTE router
| |
+--- LAN ----+

然後測試:

  • 日出時電壓;
  • 日落時電壓;
  • 每日 Wh consumption;
  • battery state of charge;
  • solar harvest;
  • 陰天表現。
  • LTE signal;
  • connection reliability;
  • VPN recovery;
  • remote reboot。
  • 是否保持與本地測試相同影像質素;
  • local SD recording;
  • ANPR event upload。

應讓 Node-01 經歷多個真實天氣週期後,才增加第二個節點。


未來:

NODE-01 --------\
NODE-02 ---------\
NODE-03 ----------> Central API -> PostgreSQL -> Dashboard
NODE-04 ---------/

每個 event:

{
"nodeId": "NODE-02",
"timestamp": "...",
"plate": "ABC123",
"confidence": 0.97,
"direction": "westbound"
}

這樣可以:

  • 在不同位置發現同一車牌;
  • 做時間 correlation;
  • 重建大概行車方向;
  • 分析 rare / new vehicle。

在沒有清楚合法與私隱需要之前,不應建立 route profiling。


初期不要做:

  • facial recognition;
  • 自動身份 lookup;
  • 公開 plate database;
  • 一開始就部署整個 neighbourhood;
  • cloud microservices;
  • Kubernetes;
  • gRPC;
  • custom mobile app;
  • vehicle make/model AI;
  • GPS tracking;
  • 複雜 anomaly AI;
  • custom circuit boards。

這些功能都不能幫助回答第一個最重要的工程問題。


緩解:

Better optics
Fast shutter
850 nm IR
Narrow capture zone
Smaller angle

緩解:

Measure real power
Oversize battery
Oversize solar
MPPT
Low-voltage cutoff
Remote battery telemetry

緩解:

Local recording
Metadata-only uploads
JPEG event upload
Download full video only after incidents

緩解:

  • 安裝於不容易觸及的位置;
  • locked metal enclosure;
  • tamper-resistant fasteners;
  • 隱藏式識別標記;
  • offline alert;
  • 之後可考慮 tracker。

緩解:

  • 保存原始車牌圖片;
  • 保存 confidence;
  • 保存 raw OCR;
  • 在把任何車牌視為事件相關資訊前進行人工確認。

緩解:

  • narrow capture zone;
  • 短 retention;
  • restricted access;
  • 不公開資料;
  • 用於實際保安事件;
  • 非私人土地部署前先確認許可。

建議順序:

1. 購買 ONE 部真正 ANPR 攝影機
|
2. 暫時有電的測試安裝
|
3. 調校夜間車牌擷取
|
4. 錄製 benchmark videos
|
5. 安裝 Frigate
|
6. 測試 Frigate built-in LPR
|
7. 測試 camera-native ANPR
|
8. 啟用 / 測試 person detection
|
9. 量度 recognition accuracy
|
10. 建立最小 Python comparison
|
11. 選擇 recognition engine
|
12. 建立 roadside solar + battery node
|
13. 加入 LTE + VPN
|
14. 讓 Node-01 運作數星期
|
15. 如有需要加入 overview/person camera
|
16. 加入 database / anomaly analytics
|
17. 如有實際需要才考慮 face cropping
|
18. 只有完成 privacy/legal review 後才考慮 biometric face matching
|
19. 最後才考慮更多 roadside nodes

這個做法刻意避免「一次過建晒所有東西」。

它最快能回答:

這個構思在真實本地夜間道路環境下,到底是否可行?


第一個完整 prototype 成功條件:

  • 移動車輛進入 capture zone;
  • 車牌在攝影機原始畫面中清楚可讀;
  • 軟件偵測到車輛 / 車牌;
  • OCR 產生正確車牌;
  • 多個重複 frames 被合併成一個 vehicle event;
  • event 有 timestamp;
  • 如可取得則記錄 direction;
  • 保存 plate crop;
  • 保存 vehicle image;
  • 可以按時間搜尋 sighting;
  • 夜間 performance 可接受;
  • 畫面支援時,person detection 可保存有 timestamp 的人物 snapshot;
  • Prototype 1 不要求自動辨識人物身份;
  • 資料依 retention policy 自動刪除。

Remote prototype 成功條件則是以上功能同時能夠:

  • 只用 battery / solar 供電;
  • 只用 LTE / 4G 連線;
  • 經歷多天正常天氣仍可運作;
  • 經安全 network connection 遠端存取;
  • network 或電源中斷後能自動恢復。

購買硬件前應再次確認以下資料,因為軟件與產品規格可能會改變。

Frigate 目前支援 local LPR、dedicated LPR camera configuration、recognised plate fields、history filtering 與 MQTT events。

實用規格包括 8–32 mm lens option、850 nm IR 以及 dedicated licence-plate recognition。

Open-source library 使用 AGPLv3 license。如考慮整合到商業產品,必須仔細檢查授權要求。

如果系統將來會做人臉身份配對或 biometric categorisation,Biometric Processing Privacy Code 尤其重要。


在把任何設備安裝到遠端路旁之前,第一個實驗只建立:

Hikvision ANPR camera
|
Ethernet
|
Existing PC
|
Frigate

暫時不要 solar。

暫時不要 4G。

暫時不要 custom dashboard。

暫時不要 C# backend。

暫時不要 Raspberry Pi。

第一件事先證明:

夜間移動車輛
|
清楚車牌影像
|
正確車牌辨識

成功後,第二個實驗才建立一個已獲授權的單一路旁節點:

Roadside ANPR camera
|
optional overview/person camera
|
LiFePO4 + Solar
|
LTE Router
|
VPN / remote access

只有 remote node 穩定之後,才把系統擴展成多地點 neighbourhood network。

這個方法是從構想到可運作 ANPR prototype 最快、風險最低的路線。