초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

최근 인공지능 기술과 하드웨어 성능의 발전으로 다양한 영상처리 서비스가 가능하게 되고, 이를 활용하는 응용서비스가 다양화되고 있다. 특히 텔레매틱스 분야의 일환인 자동차를 이용한 서비스도 점차 증대되고 있으며 자동 번호판 인식(Automatic License Plate Recognition : ALPR)과 관련된 연구가 활발하게 수행되어 오고 있다. ALPR은 인력의 도움이 필요 없이 ...

최근 인공지능 기술과 하드웨어 성능의 발전으로 다양한 영상처리 서비스가 가능하게 되고, 이를 활용하는 응용서비스가 다양화되고 있다. 특히 텔레매틱스 분야의 일환인 자동차를 이용한 서비스도 점차 증대되고 있으며 자동 번호판 인식(Automatic License Plate Recognition : ALPR)과 관련된 연구가 활발하게 수행되어 오고 있다. ALPR은 인력의 도움이 필요 없이 차량 번호판을 효율적으로 식별하는데 도움이 되고 있으며 도로에서의 차량의 지속적인 증가, 빠른 속도로 감지 및 식별 가능한 디지털 이미지 처리기술의 발전 등의 이유로 최근 몇 년간 그 중요성이 증가되고 있다. 이에 따라 인공지능 기술을 적용한 차량번호판 인식 시스템에 대한 많은 연구가 이루어 졌으며 인식률 또한 상당한 수준까지 증가하였다.
그러나 공사 현장에서의 차량번호판 인식 시스템에서의 인식률은 일반 도로에서의 인식률보다 현저하게 낮은 현상을 보인다. 이는 흙먼지로 인한 번호판의 가려짐, 자갈 등의 외부 충격으로 인한 파손, 손상된 번호판의 조명에 대한 영향이 원인이 된다. 이러한 영향으로 인하여 공사현장에서의 덤프트럭 번호판 영상은 사람의 눈으로도 구별하기 힘든 정도로 번호판이 손상된 사례들이 빈번하게 발생하여 이러한 번호판에 대한 인식률 저하는 빠르게 차량이 순환되어야 하는 공사현장에서의 고질적인 문제점으로 남아있다. 이러한 문제점을 해결하기 위하여 보다 높은 성능의 차량 번호판 인식 기술이 필요하다.
본 논문에서는 공사현장에서 빈번하게 발생하는 손상된 번호판에 대한 인식률을 향상시키기 위한 딥러닝 모델을 제안하였으며, 기존 문제를 해결하기 위한 해결 방안은 다음과 같다.
첫째, 딥러닝 학습을 위하여 부족한 데이터의 보완 및 손상된 영상에 대한 인식 정확도 향상을 위하여 조명환경과 훼손환경에 대한 변환 모델을 통한 Data Augmentation기술을 적용하여 학습을 위한 충분한 양의 데이터셋을 구성하여 모델의 신뢰도를 확보하였다.
둘째, 최근 객체인식 분야에서 좋은 성능을 보이고 있는 Faster R-CNN은 근접한 위치에 있는 객체를 높은 확률로 검출하지만, 실시간 시스템에 적용하기에는 연산량이 많다는 한계가 존재한다. 본 논문에서는 Faster R-CNN의 RPN에서의 연산량을 최소화 하여 실시간 번호판 영역 검출 및 인식에 적합하도록 하였다.
셋째, 스타일 전이 목적으로 사용되는 공용 프레임 워크인 Pix2Pix을 손상된 번호판의 복원에 최적화된 모델로 개선하여 사람의 눈으로도 인식하기 힘든 번호판의 정확도를 향상시켰다.
본 논문에서 제안한 알고리즘의 성능을 평가하기 위하여 실제 공사현장에서 3개월간 촬영한 덤프트럭의 전면 영상 4,600장을 수집하여 사용하였다. 본 논문에서 제안한 방법을 통해 번호판 인식을 수행한 결과 파손된 영상의 경우 22%, 조명의 영향을 받은 영상의 경우 35%의 인식률 향상을 보였다. 또한 기존 Faster R-CNN과 본 논문에서 제안하는 방법을 비교하였을 때 인식률은 평균 1.6% 영상 1장당 평균 처리속도는 23%가 향상되었다.
본 논문에서 제안한 방법은 일반 도로 및 공사현장에서 자동으로 번호판을 인식하는 시스템으로 활용 가능하다. 또한 조명, 영상의 손상 등 외부 요인으로 인한 영향이 크게 미치는 모든 인식 분야에서 전처리 단계의 영상 개선 모듈로 활용할 수 있을 것으로 기대된다.

주제어