번호판 인식은 교통 법규 준수 및 감시, 보안 및 범죄 예방 등에 사용되는 중요한 기술이다. 블랙박스에 촬영된 영상은 화질이 충분하지 않아 번호판을 인식하기 어려운 경우가 많다. 하지만 다양한 열화의 종류, 작은 해상도, 데이터의 부재, 증거 능력 확보 등으로 인해 번호판을 복원하기 어렵다. 본 논문은 딥 러닝 기반의 열화 된 여러 장의 영상으로부터 고화질의 이미지를 복원하는 ...
번호판 인식은 교통 법규 준수 및 감시, 보안 및 범죄 예방 등에 사용되는 중요한 기술이다. 블랙박스에 촬영된 영상은 화질이 충분하지 않아 번호판을 인식하기 어려운 경우가 많다. 하지만 다양한 열화의 종류, 작은 해상도, 데이터의 부재, 증거 능력 확보 등으로 인해 번호판을 복원하기 어렵다. 본 논문은 딥 러닝 기반의 열화 된 여러 장의 영상으로부터 고화질의 이미지를 복원하는 프레임워크를 제안한다. 제안한 프레임워크는 여러 장 영상의 정렬을 맞춘 후 정보를 종합하여 영상을 복원한다. 영상 간의 정렬을 맞추기 위해 광학 흐름을 사용하며 spatio-temporal smoothness를 사용하여 광학 흐름의 오류를 검출하고 보정하였다. 광학 흐름 오류와 열화에 강인한 종합 방법과 대비 제한 적응 히스토그램 평활화를 사용하여 가시성을 높였다. 사전 학습된 지식에 의존하지 않고 입력 이미지의 정보를 최대한 활용하여 왜곡된 정보를 만들어 내는 환각 현상을 방지하였다. 프레임워크 평가를 위해 실제 블랙박스 영상으로부터 데이터 50개를 수집하였으며 각 데이터는 31장의 영상으로 이루어져 있다. 기존 연구들과 비교하였을 때 가시성과 인식의 관점에서 개선된 성능을 보였으며 환각 현상 없이 증거 능력을 확보하는 것을 보였다.
번호판 인식은 교통 법규 준수 및 감시, 보안 및 범죄 예방 등에 사용되는 중요한 기술이다. 블랙박스에 촬영된 영상은 화질이 충분하지 않아 번호판을 인식하기 어려운 경우가 많다. 하지만 다양한 열화의 종류, 작은 해상도, 데이터의 부재, 증거 능력 확보 등으로 인해 번호판을 복원하기 어렵다. 본 논문은 딥 러닝 기반의 열화 된 여러 장의 영상으로부터 고화질의 이미지를 복원하는 프레임워크를 제안한다. 제안한 프레임워크는 여러 장 영상의 정렬을 맞춘 후 정보를 종합하여 영상을 복원한다. 영상 간의 정렬을 맞추기 위해 광학 흐름을 사용하며 spatio-temporal smoothness를 사용하여 광학 흐름의 오류를 검출하고 보정하였다. 광학 흐름 오류와 열화에 강인한 종합 방법과 대비 제한 적응 히스토그램 평활화를 사용하여 가시성을 높였다. 사전 학습된 지식에 의존하지 않고 입력 이미지의 정보를 최대한 활용하여 왜곡된 정보를 만들어 내는 환각 현상을 방지하였다. 프레임워크 평가를 위해 실제 블랙박스 영상으로부터 데이터 50개를 수집하였으며 각 데이터는 31장의 영상으로 이루어져 있다. 기존 연구들과 비교하였을 때 가시성과 인식의 관점에서 개선된 성능을 보였으며 환각 현상 없이 증거 능력을 확보하는 것을 보였다.
License plate recognition (LPR) is an essential technology in various applications, including traffic law enforcement and surveillance, security, and crime prevention. However, the images captured by Blackbox often have insufficient quality, making it challenging to recognize license plates. In addi...
License plate recognition (LPR) is an essential technology in various applications, including traffic law enforcement and surveillance, security, and crime prevention. However, the images captured by Blackbox often have insufficient quality, making it challenging to recognize license plates. In addition, the various causes of degradation, small resolution, lack of data, and the need to ensure evidential value make it challenging to restore license plates. We propose a deep learning-based multi-frame image restoration framework that restores high-quality images from multi-frame degraded images. The proposed framework aligns multi-frame images using optical flow and aggregate information to restore the image. The proposed framework utilizes spatio-temporal smoothness to detect and refine optical flow errors. Also, the proposed framework leverages the aggregation method that is robust against optical flow errors and image degradation. Contrast-Limited Adaptive Histogram Equalization (CLAHE) is subsequently employed to enhance the visibility. Since the proposed framework maximizes the use of information from the input images instead of relying on pre-trained knowledge, it prevents hallucinations, which create distorted information. To evaluate the framework, we collected 50 data samples from real-world Blackbox, each consisting of 31 images. In experiments on the Blackbox datasets, the proposed framework exhibited improved performance in visibility and recognition compared with the baseline restoration models. Furthermore, the proposed framework ensures evidential value without hallucination.
License plate recognition (LPR) is an essential technology in various applications, including traffic law enforcement and surveillance, security, and crime prevention. However, the images captured by Blackbox often have insufficient quality, making it challenging to recognize license plates. In addition, the various causes of degradation, small resolution, lack of data, and the need to ensure evidential value make it challenging to restore license plates. We propose a deep learning-based multi-frame image restoration framework that restores high-quality images from multi-frame degraded images. The proposed framework aligns multi-frame images using optical flow and aggregate information to restore the image. The proposed framework utilizes spatio-temporal smoothness to detect and refine optical flow errors. Also, the proposed framework leverages the aggregation method that is robust against optical flow errors and image degradation. Contrast-Limited Adaptive Histogram Equalization (CLAHE) is subsequently employed to enhance the visibility. Since the proposed framework maximizes the use of information from the input images instead of relying on pre-trained knowledge, it prevents hallucinations, which create distorted information. To evaluate the framework, we collected 50 data samples from real-world Blackbox, each consisting of 31 images. In experiments on the Blackbox datasets, the proposed framework exhibited improved performance in visibility and recognition compared with the baseline restoration models. Furthermore, the proposed framework ensures evidential value without hallucination.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.