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
- 簡介
- 問題說明
- 原型目標
- 建議的最快原型策略
- 系統架構
- 原型階段
- 攝影機建議
- 夜間車牌擷取策略
- 現成軟件選項
- 建議的開源方案 — Frigate
- 其他開源 / DIY 軟件
- 商業 / 現成 ANPR 軟件
- 自訂 Python ANPR Pipeline
- 人物偵測、人臉擷取與可選的人臉辨識
- 遠端太陽能攝影機節點
- 供電系統設計
- 電池容量估算
- 太陽能板容量估算
- 4G / LTE 連線
- 防水戶外機箱
- 本地處理與遠端處理
- 網絡與安全
- 資料庫設計
- 常見、罕見與新出現車輛偵測
- 事件搜尋流程
- 儲存與保留政策
- 私隱與部署考慮
- 原型測試計劃
- 成功標準
- 建議硬件清單
- 建議軟件技術棧
- 建議 Repository 結構
- 第一個原型的逐步實作
- 第二個原型 — 遠端太陽能節點
- 未來多攝影機架構
- 初期應避免的功能
- 風險與緩解措施
- 最終建議建置順序
- 完成定義
- 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。
預期的路旁部署方式
Section titled “預期的路旁部署方式”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。
2. 問題說明
Section titled “2. 問題說明”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。
3. 原型目標
Section titled “3. 原型目標”完整原型最終應該做到:
車輛經過道路 | v攝影機擷取車牌 | vANPR / 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 01:17:21Camera: NODE-01Plate: ABC123Confidence: 97%Direction: EastboundStatus: NEWPlate image: ABC123_011721_plate.jpgVehicle: ABC123_011721_vehicle.jpg4. 建議的最快原型策略
Section titled “4. 建議的最快原型策略”最快的方法不是一開始就由零建立完整系統。
建議順序:
階段 A — 先證明攝影機能拍到
Section titled “階段 A — 先證明攝影機能拍到”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。
階段 C — 開發自訂 Python 程式
Section titled “階段 C — 開發自訂 Python 程式”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。
階段 D — 建立遠端太陽能節點
Section titled “階段 D — 建立遠端太陽能節點”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。
5. 系統架構
Section titled “5. 系統架構”5.1 初期本地原型
Section titled “5.1 初期本地原型” 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 ]5.2 最終遠端架構
Section titled “5.2 最終遠端架構” 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 Dashboard6. 原型階段
Section titled “6. 原型階段”Phase 1 — 攝影機驗證
Section titled “Phase 1 — 攝影機驗證”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。
Phase 2 — 現成軟件驗證
Section titled “Phase 2 — 現成軟件驗證”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Phase 3 — 自訂 Python 實驗
Section titled “Phase 3 — 自訂 Python 實驗”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。
Phase 4 — 遠端太陽能原型
Section titled “Phase 4 — 遠端太陽能原型”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。
Phase 5 — 多攝影機網絡
Section titled “Phase 5 — 多攝影機網絡”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。
7. 攝影機建議
Section titled “7. 攝影機建議”建議的原型攝影機
Section titled “建議的原型攝影機”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。
8. 夜間車牌擷取策略
Section titled “8. 夜間車牌擷取策略”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 1080Frame rate: 25–30 fpsShutter: 1/500 secondIR: ONIR wavelength: 850 nmGain: limitedWDR: 初期先測試 OFFFocus: 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 degreesVertical 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。
9. 現成軟件選項
Section titled “9. 現成軟件選項”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)。
10. 建議的開源方案 — Frigate
Section titled “10. 建議的開源方案 — Frigate”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。
為甚麼這很有用
Section titled “為甚麼這很有用”如果完全自行開發,一開始就要建立:
RTSP readervehicle trackingplate detectionOCRhistoryimage storagesearch 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 Docker2. 安裝 Frigate3. 加入攝影機 RTSP URL4. 啟用 LPR5. 設定 dedicated LPR camera6. 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。
11. 其他開源 / DIY 軟件
Section titled “11. 其他開源 / DIY 軟件”11.1 OpenALPR
Section titled “11.1 OpenALPR”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。
11.2 YOLO + PaddleOCR
Section titled “11.2 YOLO + PaddleOCR”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。
12. 商業 / 現成 ANPR 軟件
Section titled “12. 商業 / 現成 ANPR 軟件”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:
攝影機內建 ANPR
Section titled “攝影機內建 ANPR”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 ANPR engine
Section titled “商業 ANPR engine”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。
13. 自訂 Python ANPR Pipeline
Section titled “13. 自訂 Python ANPR Pipeline”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+OpenCVUltralytics YOLO(車輛 / 人物 / 車牌偵測)PaddleOCRSQLiteFastAPI(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 |databaseNZ 車牌 normalisation
Section titled “NZ 車牌 normalisation”常見 OCR 混淆:
0 / O1 / I5 / S8 / B應同時保存:
RawOCRNormalizedPlateConfidence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。
14.1 建議功能等級
Section titled “14.1 建議功能等級”Level 1 — Person detection
Section titled “Level 1 — Person detection”建議第一版便支援。
Person detected: YESTimestamp: 01:14:28Camera: NODE-01Snapshot: 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。
Level 2 — Face detection / face crop
Section titled “Level 2 — Face detection / face crop”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。
14.3 人物相關軟件方案
Section titled “14.3 人物相關軟件方案”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:
EventIdTimestampCameraIdVehiclePresentPlatePersonPresentPersonSnapshotPathFaceCropPath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。
15. 遠端太陽能攝影機節點
Section titled “15. 遠端太陽能攝影機節點”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 ComputerRaspberry 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。
16. 供電系統設計
Section titled “16. 供電系統設計”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。
17. 電池容量估算
Section titled “17. 電池容量估算”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。
功率預算例子
Section titled “功率預算例子”保守估算:
ANPR 攝影機 15 W4G Router 3 W轉換損耗 2 W----------------------總計 20 W每日用電:
20 W x 24 h= 480 Wh/day12.8 V 100 Ah 電池
Section titled “12.8 V 100 Ah 電池”名義容量:
12.8 V x 100 Ah= 1,280 Wh假設約 80% 可用:
~1,024 Wh20 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 AhBetter: 150 AhHigh 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。
低溫注意事項
Section titled “低溫注意事項”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。
18. 太陽能板容量估算
Section titled “18. 太陽能板容量估算”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。
19. 4G / LTE 連線
Section titled “19. 4G / LTE 連線”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。
20. 防水戶外機箱
Section titled “20. 防水戶外機箱”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。
21. 本地處理與遠端處理
Section titled “21. 本地處理與遠端處理”Option A — 攝影機內建 ANPR
Section titled “Option A — 攝影機內建 ANPR”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。
Option B — 家中 Server 處理
Section titled “Option B — 家中 Server 處理”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。
Option C — Edge AI
Section titled “Option C — Edge AI”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 ANPR2. Frigate at home/local test network3. custom Python4. edge computer only if justified22. 網絡與安全
Section titled “22. 網絡與安全”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 VLAN192.168.30.0/24
ANPR server192.168.30.1023. 資料庫設計
Section titled “23. 資料庫設計”Camera
Section titled “Camera”Camera------IdNameDescriptionDirectionEnabledCreatedAtVehicleSighting
Section titled “VehicleSighting”VehicleSighting---------------IdCameraIdTimestampUtcPlateRawPlateNormalizedPlateConfidenceVehicleTypeVehicleColourDirectionPlateImagePathVehicleImagePathCreatedAtPlateStatistics
Section titled “PlateStatistics”PlateStatistics---------------PlateNormalizedFirstSeenLastSeenSeenCountNightSeenCountDaySeenCountTypicalHourTypicalDirectionUpdatedAtIncident
Section titled “Incident”Incident--------IdTitleStartTimeEndTimeDescriptionCreatedAt24. 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:
ABC123Seen: 187Typical: 07:20–08:10Direction: EastboundStatus: COMMON另一例:
XYZ999Seen: 1First seen: 01:17Status: 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。
25. 事件搜尋流程
Section titled “25. 事件搜尋流程”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。
26. 儲存與保留政策
Section titled “26. 儲存與保留政策”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 media27. 私隱與部署考慮
Section titled “27. 私隱與部署考慮”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。
28. 原型測試計劃
Section titled “28. 原型測試計劃”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?29. 成功標準
Section titled “29. 成功標準”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。
30. 建議硬件清單
Section titled “30. 建議硬件清單”Prototype 1 — 本地測試
Section titled “Prototype 1 — 本地測試”| 項目 | 建議 |
|---|---|
| Camera | Hikvision iDS-2CD7A26G0/P-IZHS 8–32 mm 或同級專用 ANPR camera |
| Network | Ethernet |
| 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。
Prototype 2 — 遠端節點
Section titled “Prototype 2 — 遠端節點”| 項目 | 建議類型 |
|---|---|
| Camera | Dedicated 8–32 mm ANPR camera |
| SD card | 256–512 GB high-endurance |
| Router | Teltonika RUT241 或同級 |
| Battery | 12.8 V 100–150 Ah LiFePO4 |
| Solar | 初步約 250–300 W |
| Controller | MPPT 20–30 A class |
| Enclosure | 可上鎖 IP65/IP66 |
| Protection | DC fuses / breakers |
| Network | LTE 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。
31. 建議軟件技術棧
Section titled “31. 建議軟件技術棧”DockerFrigateSQLite / Frigate internal storagePythonOpenCVUltralytics YOLO(車輛 / 人物 / 車牌偵測)PaddleOCRSQLiteFastAPI未來 production-style architecture
Section titled “未來 production-style architecture”Python ANPR worker |REST / message queue |ASP.NET Core API |PostgreSQL |Vue / Angular frontend不要一開始就建立 production architecture。
32. 建議 Repository 結構
Section titled “32. 建議 Repository 結構”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/33. 第一個原型的逐步實作
Section titled “33. 第一個原型的逐步實作”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。
Step 2 — 暫時安裝
Section titled “Step 2 — 暫時安裝”安裝在私人土地。
暫時提供:
PoE / mainsEthernet對準一小段道路 capture zone。
Step 3 — 調校影像擷取
Section titled “Step 3 — 調校影像擷取”在安裝任何 OCR 之前:
先測試夜間畫面。
調整:
zoomfocusshuttergainIRcamera anglecapture distance直到車牌清楚可讀之前,不要進入下一步。
Step 4 — 保存 MP4 測試影片
Section titled “Step 4 — 保存 MP4 測試影片”建立第一個 benchmark dataset。
例如:
day_30kmh.mp4night_30kmh.mp4night_headlights.mp4rain_night.mp4Step 5 — 安裝 Frigate
Section titled “Step 5 — 安裝 Frigate”使用 Docker 安裝。
加入攝影機 RTSP stream。
先確認:
Live view worksRecording worksCar detection worksStep 6 — 啟用 LPR
Section titled “Step 6 — 啟用 LPR”啟用 Frigate licence plate recognition。
對 dedicated plate camera,設定 dedicated LPR mode。
調校時保存 debug plate images。
Step 7 — 人工比較辨識結果
Section titled “Step 7 — 人工比較辨識結果”建立:
timestamp,actual_plate,frigate_plate,correct21:03:11,ABC123,ABC123,true21:05:42,XYZ987,XYZ987,true21:07:01,DEF456,DEFG56,false這樣便可以得到客觀 accuracy。
Step 8 — 啟用 person detection
Section titled “Step 8 — 啟用 person detection”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 detectedsnapshot savedtimestamp 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。
Step 9 — 測試攝影機原生 ANPR
Section titled “Step 9 — 測試攝影機原生 ANPR”如果攝影機本身支援 onboard ANPR:
比較:
Frigate resultvsCamera result必須使用同一批車輛。
Step 10 — 建立最小 Python 測試
Section titled “Step 10 — 建立最小 Python 測試”不要一開始就建立完整 backend。
第一個 Python 目標:
python recognize.py night_test.mp4輸出:
timestamp,plate,confidence使用:
YOLOPaddleOCRStep 11 — 決定軟件方向
Section titled “Step 11 — 決定軟件方向”根據量度結果決定。
如果 Frigate 已經夠好
Section titled “如果 Frigate 已經夠好”保留 Frigate,之後再加入自己的 API / analytics。
如果 camera-native ANPR 更好
Section titled “如果 camera-native ANPR 更好”讓攝影機辨識車牌,再把事件送到中央系統。
如果兩者都不夠準確
Section titled “如果兩者都不夠準確”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。
Network
Section titled “Network”- LTE signal;
- connection reliability;
- VPN recovery;
- remote reboot。
Camera
Section titled “Camera”- 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。
35. 未來多攝影機架構
Section titled “35. 未來多攝影機架構”未來:
NODE-01 --------\NODE-02 ---------\NODE-03 ----------> Central API -> PostgreSQL -> DashboardNODE-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。
36. 初期應避免的功能
Section titled “36. 初期應避免的功能”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。
37. 風險與緩解措施
Section titled “37. 風險與緩解措施”風險 — 夜間車牌讀不到
Section titled “風險 — 夜間車牌讀不到”緩解:
Better opticsFast shutter850 nm IRNarrow capture zoneSmaller angle風險 — 冬季電池耗盡
Section titled “風險 — 冬季電池耗盡”緩解:
Measure real powerOversize batteryOversize solarMPPTLow-voltage cutoffRemote battery telemetry風險 — LTE data cost
Section titled “風險 — LTE data cost”緩解:
Local recordingMetadata-only uploadsJPEG event uploadDownload full video only after incidents風險 — 攝影機 / 節點被偷
Section titled “風險 — 攝影機 / 節點被偷”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。
風險 — OCR false positives
Section titled “風險 — OCR false positives”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。
風險 — 私隱問題
Section titled “風險 — 私隱問題”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。
38. 最終建議建置順序
Section titled “38. 最終建議建置順序”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?
39. 完成定義
Section titled “39. 完成定義”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。
40. 參考連結
Section titled “40. 參考連結”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
Section titled “Frigate”- Documentation: https://docs.frigate.video/
- Licence Plate Recognition: https://docs.frigate.video/configuration/license_plate_recognition/
- GitHub: https://github.com/blakeblackshear/frigate
Frigate 目前支援 local LPR、dedicated LPR camera configuration、recognised plate fields、history filtering 與 MQTT events。
Hikvision ANPR camera
Section titled “Hikvision ANPR camera”- Hikvision iDS-2CD7A26G0/P-IZHS(Y) product information: https://hsrc.hikvision.com/en/products/IP-Products/Network-Cameras/DeepinView-Series/ids-2cd7a26g0-p-izhs-y-/
實用規格包括 8–32 mm lens option、850 nm IR 以及 dedicated licence-plate recognition。
OpenALPR
Section titled “OpenALPR”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。
Teltonika RUT241
Section titled “Teltonika RUT241”- Product / documentation: https://teltonika-networks.com/products/routers/rut241
- Power consumption: https://wiki.teltonika-networks.com/view/RUT241_Power_Consumption
紐西蘭私隱指引
Section titled “紐西蘭私隱指引”-
CCTV guidance — Office of the Privacy Commissioner: https://www.privacy.org.nz/resources-and-learning/a-z-topics/privacy-and-cctv/
-
Biometric Processing Privacy Code 2025: https://www.privacy.org.nz/privacy-principles/codes-of-practice/biometric-processing-privacy-code/
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。