近年犯案類型多元，傳統偵辦方式已無法滿足現況，因此內政部積極導入科技辦案，不僅加快破案速度且更加清楚釐清案發經過，經統計資料顯示2010年以影像技術破案比率佔5.34%，至2016年成長至17.81%，有鑒於汽車與監視器數量逐年提高，調閱影像搜查過程耗時且事倍功半，故本研究以EMGU CV影像處理技術為基礎，結合YOLO V2深度學習技術設計一套「以影像辨識技術為基礎之智慧型車輛偵測系統」，此系統主要包含三個模組：(1)車輛影像辨識模組－針對影像檔內容，將辨識車輛之參數儲存至資料庫；(2)車輛顏色搜尋模組－依據設定條件之RGB參數，於車輛圖檔資料集中進行比對，並顯示符合條件之項目；(3)車型搜尋模組－依據辨識結果資料庫中紀錄之長寬進行篩選，並將結果以清單方式呈現。本研究實驗結果車輛辨識準確率97.16%，顏色搜尋結果在資料前20筆中準確率為96%，車型搜尋結果在前20筆中準確率為87.5%，實驗結果顯示本系統具實務應用。

In recent years, the classifications of crimes are multiple, and the traditional ways to hand criminal cases cannot be satisfied with the circumstance at present. Consequently, the department of interior has actively led to high-technological to take charge of cases, which is not only speeds up the rate of solved criminal cases, but also specifies the procedure. Based on the information shows that, the solved criminal-case ration of video image techniques was 5.34% in 2010, and it grew to 17.81% in 2016. Because the quantity of vehicles and monitors increases year by year, the courses of having access to all surveillance cameras make double results with half effort. This study researched on the EMGU CV based on the image processing techniques to combine YOLO V2. By deep learning to design a suit is that “An intelligent car detection system based on image recognition technologies”, which is including three modules. First of all, a vehicle-image recognition module, according to the content of image files to store recognized vehicle parameters to data base. Second, a vehicle-color-searching module, on the basis of setting conditions in RGB to collect vehicle graphic information to image matching and show matching conditions. Finally, a vehicle-models-searching module, according to the outcome in data base recoding length and width to filter and show the consequences by a list. This study showed that the recognition accuracy of outcome reaches 97.16%, the color-searching accuracy of outcome reaches 96% on the top of 20 rows, the vehicles-models-searching accuracy of outcome reaches 87.5% on the top of 20 rows. The experimental result showed this system is practical application.

中文文獻
[1] 王泰堅、謝哲雄 （2009）， 八卦山隧道新增影像式事件自動偵測系統營運評估，台灣公路工程， 35。
[2] 台北市議會公報（2012）， 台北市議會。
[3] 林仲芬（1995），影像辨認技術，：全華科技圖書股份有限公司。
[4] 林泰良（2000），智慧型車牌定位與字串分割，國立臺灣大學電機工程學研究所，台北市。
[5] 徐麗蘋、張嘉哲、林坤學 （2011）， 一輔助乳癌診斷之乳房X光影像檢索系統[An Image Retrieval System for the diagnosis of Breast Cancer]，資訊科技國際期刊， 5（1），頁 129-145。
[6] 紀岱廷（2019），運用整合深度與人工特徵於熱像障礙物偵測之分析，國立高雄科技大學電腦與通訊工程系碩士論文。
[7] 張平吾、蔡田木（2007），臺北市社區鄰里監視系統在犯罪預防上成效評估之研究，：內政部警政署刑事警察局。
[8] 張守陽、黃榮堂、李璟芳 （2005）， 機械視覺應用於土石流監測之研究['Machine Vision' Applied for Detecting the Debris Flow]，中華水土保持學報， 36（1），頁 1-18。
[9] 張凱淳、王正中 （2012）， 人臉辨識技術應用於警政治安之探討研究，前瞻科技與管理， 2（1），頁 81-92。
[10] 許庭與（2016）， 影像分類於偵查犯罪路徑上之應用研究， 內政部警政署。
[11] 彭莉娟 （2016）， 首都鑑識同儕標竿台北市政府警察局刑事鑑識中心，明辨雜誌， 8。
[12] 曾揚建（1998），車牌辨識系統上車牌尋找、前處理及辨識之研究，國立交通大學電控工程研究所。
[13] 黃益三、吳坤旭 （2015）， CCTV 對犯罪防制之實證研究: 以桃園市為例，犯罪與刑事司法研究（24），頁 83-115。
[14] 黃惠隆、黃文鑑、楊元杉、張禎誼、李妍彧、黃月貞（2005）， 智慧型運輸系統(ITS)設施納入道路設計規範之研究 ： 交通部。
[15] 黃雅軒、顏華慶、李允善 （2010）， 基於灰階影像之速限路標偵測與辨識[Speed Sign Detection and Recognition Based on Gray Image]，Journal of Information Technology and Applications(資訊科技與應用期刊)， 4（4），頁 182-192。
[16] 新北市竊盜犯罪分析（2013） ： 新北市政府。
[17] 楊志強 （2014）， 巡邏車輛之自動車牌辨識系統，中原大學資訊工程研究所學位論文，頁 1-67。
[18] 楊清富、鄭榮瑞、鍾瑞永 （2007）， 文心蘭切花影像分級技術之研究[Research of Grading Oncidium Cut Flower by Image Processing]，臺南區農業改良場研究彙報（50），頁 31-38。
[19] 溫哲彥 （2013）， 影像處理技術於偵查與鑑識之應用-由二維到三維空間，刑事政策與犯罪研究論文集，頁 237-253。
[20] 葉育碩 （2012）， 全球化犯罪預防在「統治」與「治理」機制上策略之研究：臺北市建置錄影監視系統政策之：臺北市建置錄影監視系統政策之個案研究，臺北城市大學學報， 35。
[21] 廖正堅、劉火炎、傅紅貴 （2012）， 道路遠端監錄系統之應用，中興工程（114），頁 55-62。
[22] 廖有祿（2008）， 社區安全e化聯防機制研究計畫-監視錄影系統之整合研究 ： 行政院國家科學技術發展基金管理會輔助計畫期末報告。
[23] 劉峻谷（2003），監視器：犯罪行為全都錄，聯合報。
[24] 駱貞輝 （1999）， 運用科技監視設備強化治安管理，警光雜誌， 519，頁 23-25。
[25] 警政統計通報（2017） 內政部警政署。
 
英文文獻
[1] Arthur, R. M., Humburg, P. J., Hoogenboom, J., Baiker, M., Taylor, M. C., & de Bruin, K. G. (2017). An image-processing methodology for extracting bloodstain pattern features. Forensic Science International, 277, 122-132.
[2] Bennett, T., & Gelsthorpe, L. (1996). Public attitudes towards CCTV in public places. Studies on Crime and Crime Prevention, 5(1), 72-90.
[3] Brown, B. (1995). CCTV in town centres: Three case studies: Citeseer.
[4] Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297.
[5] Du, S., Ibrahim, M., Shehata, M., & Badawy, W. (2013). Automatic license plate recognition (ALPR): A state-of-the-art review. IEEE Transactions on circuits and systems for video technology, 23(2), 311-325.
[6] Farrington, D. P., Gill, M., Waples, S. J., & Argomaniz, J. (2007). The effects of closed-circuit television on crime: Meta-analysis of an English national quasi-experimental multi-site evaluation. Journal of Experimental Criminology, 3(1), 21-38.
[7] Felzenszwalb, P. F., McAllester, D. A., & Ramanan, D. (2008). A discriminatively trained, multiscale, deformable part model. Paper presented at the Cvpr.
[8] Garg, A., & Ramsay, A. (2011). Semantic Content Analysis of Video: Issues and Trends Multimedia Analysis, Processing and Communications (pp. 443-457): Springer.
[9] Gill, M., & Spriggs, A. (2005). Assessing the impact of CCTV: Home Office Research, Development and Statistics Directorate London.
[10] Gonzalez, R. C., & Woods, R. E. (1992). Digital image processing Addison: Wesley publishing company.
[11] Hunke, M., & Waibel, A. (1994, 31 Oct.-2 Nov. 1994). Face locating and tracking for human-computer interaction. Paper presented at the Proceedings of 1994 28th Asilomar Conference on Signals, Systems and Computers.
[12] Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. science, 313(5786), 504-507.
[13] Machaca Arceda, V. E., Fernández Fabián, K. M., Laguna Laura, P. C., Rivera Tito, J. J., & Gutiérrez Cáceres, J. C. (2016). Fast Face Detection in Violent Video Scenes. Electronic Notes in Theoretical Computer Science, 329, 5-26.
[14] McCahill, M., & Norris, C. (2003). CCTV systems in London: their structures and practices. On the threshold to Urban Panopticon.
[15] Olaverri-Monreal, C., Krizek, G. C., Michaeler, F., Lorenz, R., & Pichler, M. (2018). Collaborative approach for a safe driving distance using stereoscopic image processing. Future Generation Computer Systems.
[16] Pawson, R., & Tilley, N. (1994). WHAT WORKS IN EVALUATION RESEARCH? The British Journal of Criminology, 34(3), 291-306.
[17] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Paper presented at the Proceedings of the IEEE conference on computer vision and pattern recognition.
[18] Redmon, J., & Farhadi, A. (2017). YOLO9000: better, faster, stronger. Paper presented at the Proceedings of the IEEE conference on computer vision and pattern recognition.
[19] Roy, D., & C, K. M. (2018). Snatch theft detection in unconstrained surveillance videos using action attribute modelling. Pattern Recognition Letters, 108, 56-61.
[20] Serra, J. (1982). Mathematical morphology and image analysis. Academic, San Diego, Calif.
[21] Sonka, M., Hlavac, V., & Boyle, R. (2014). Image processing, analysis, and machine vision: Cengage Learning.
[22] Sternberg, S. R. (1986). Grayscale morphology. Computer Vision, Graphics, and Image Processing, 35(3), 333-355.
[23] Tilley, N. (1997). Whys and wherefores in evaluating the effectiveness of CCTV. International Journal of Risk, Security and crime prevention, 2(3), 175-186.
[24] Tsakanikas, V., & Dagiuklas, T. (2018). Video surveillance systems-current status and future trends. Computers & Electrical Engineering, 70, 736-753.
[25] Wang, R., Sang, N., Wang, R., & Jiang, L. (2014). Detection and tracking strategy for license plate detection in video. Optik, 125(10), 2283-2288.
[26] Welsh, B. C., & Farrington, D. P. (2008). Effects of improved street lighting on crime. Campbell Systematic Reviews, 13, 1-51.
[27] Zhang, S., Wang, H., Huang, W., & You, Z. (2018). Plant diseased leaf segmentation and recognition by fusion of superpixel, K-means and PHOG. Optik, 157, 866-872.