본 논문에서는 차량의 후면에서 촬영한 영상을 이용하여 효과적으로 번호판을 추출하고, 그 안에 표기된 문자를 인식하는 방법을 제안한다. 기존의 연구방법은 전체영상에 대하여 전처리를 수행하여 에지(edge)영상을 구하여 이진화한다. 이진화된 영상에서 허프(Hough)변환을 수행하여 수평, 수직선을 구하고, 번호판의 특징을 이용하여 번호판 영역을 추출한다 이 방법의 문제점은 처리시간이 많이 소요되므로 실시간 처리가 곤란하다는 점과 야간관 같이 명암상태가 불규칙하고 영상에서 번호판 테두리가 나타나지 않으면 번호판 영역추출을 할 수 없다는 점이다. 또한 차량의 후면에서 촬영한 영상에서 번호판 영역의 명암값 변화의 특성을 이용하여 번호판 영역에서 숫자폭, 배경영역과 숫자영역의 명암차를 조사하여 숫자영역임을 확인하고, 확인된 숫자와 숫자사이의 거리를 조사하여 번호판 영역을 추출한다. 본 연구는 기존방법의 번호판 테두리 훼손에 따른 번호판 영역추출 실패의 문제점을 해결하고 시간 소요의 문제를 실시간 안에 처리함으로써 실용적 응용이 가능하다. 실험 결과 100장의 샘플영상으로 실험한 결과 멀리 있는 자동차 영상에서도 자동으로 번호판을 판독할 수 있었으며, 번호판 추출에 실패한 영상은 13%를 나타내었고, 문자 인식에 실패한 영상은 0.4%의 결과를 나타내었다
본 논문에서는 차량의 후면에서 촬영한 영상을 이용하여 효과적으로 번호판을 추출하고, 그 안에 표기된 문자를 인식하는 방법을 제안한다. 기존의 연구방법은 전체영상에 대하여 전처리를 수행하여 에지(edge)영상을 구하여 이진화한다. 이진화된 영상에서 허프(Hough)변환을 수행하여 수평, 수직선을 구하고, 번호판의 특징을 이용하여 번호판 영역을 추출한다 이 방법의 문제점은 처리시간이 많이 소요되므로 실시간 처리가 곤란하다는 점과 야간관 같이 명암상태가 불규칙하고 영상에서 번호판 테두리가 나타나지 않으면 번호판 영역추출을 할 수 없다는 점이다. 또한 차량의 후면에서 촬영한 영상에서 번호판 영역의 명암값 변화의 특성을 이용하여 번호판 영역에서 숫자폭, 배경영역과 숫자영역의 명암차를 조사하여 숫자영역임을 확인하고, 확인된 숫자와 숫자사이의 거리를 조사하여 번호판 영역을 추출한다. 본 연구는 기존방법의 번호판 테두리 훼손에 따른 번호판 영역추출 실패의 문제점을 해결하고 시간 소요의 문제를 실시간 안에 처리함으로써 실용적 응용이 가능하다. 실험 결과 100장의 샘플영상으로 실험한 결과 멀리 있는 자동차 영상에서도 자동으로 번호판을 판독할 수 있었으며, 번호판 추출에 실패한 영상은 13%를 나타내었고, 문자 인식에 실패한 영상은 0.4%의 결과를 나타내었다
This Paper describes algorithm to extract license plates in vehicle images. Conventional methods perform preprocessing on the entire vehicle image to produce the edge image and binarize it. Hough transform is applied to the binary image to find horizontal and vertical lines, and the license plate ar...
This Paper describes algorithm to extract license plates in vehicle images. Conventional methods perform preprocessing on the entire vehicle image to produce the edge image and binarize it. Hough transform is applied to the binary image to find horizontal and vertical lines, and the license plate area is extracted using the characteristics of license plates. Problems with this approach are that real-time processing is not feasible due to long processing time and that the license plate area is not extracted when lighting is irregular such as at night or when the plate boundary does not show up in the image. This research uses the gray level transition characteristics of license plates to verify the digit area by examining the digit width and the level difference between the background area the digit area, and then extracts the plate area by testing the distance between the verified digits. This research solves the problem of failure in extracting the license plates due to degraded plate boundary as in the conventional methods and resolves the problem of the time requirement by processing the real time such that practical application is possible. This paper Presents a power automated license plate recognition system, which is able to read license numbers of cars, even under circumstances, which are far from ideal. In a real-life test, the percentage of rejected plates wan 13%, whereas 0.4% of the plates were misclassified. Suggestions for further improvements are given.
This Paper describes algorithm to extract license plates in vehicle images. Conventional methods perform preprocessing on the entire vehicle image to produce the edge image and binarize it. Hough transform is applied to the binary image to find horizontal and vertical lines, and the license plate area is extracted using the characteristics of license plates. Problems with this approach are that real-time processing is not feasible due to long processing time and that the license plate area is not extracted when lighting is irregular such as at night or when the plate boundary does not show up in the image. This research uses the gray level transition characteristics of license plates to verify the digit area by examining the digit width and the level difference between the background area the digit area, and then extracts the plate area by testing the distance between the verified digits. This research solves the problem of failure in extracting the license plates due to degraded plate boundary as in the conventional methods and resolves the problem of the time requirement by processing the real time such that practical application is possible. This paper Presents a power automated license plate recognition system, which is able to read license numbers of cars, even under circumstances, which are far from ideal. In a real-life test, the percentage of rejected plates wan 13%, whereas 0.4% of the plates were misclassified. Suggestions for further improvements are given.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
후면 영상의 촬영 이점은 많은 차량이 전면부에 번호판을 알아보지 못하게 하는 장식물을 갖고 있다는 점과 차량 뒷부분의 밝기는 전면부 라이트만큼 영상에 영향을 주지 않는다는 점을 들 수 있다. 따라서본 논문에서는 차량의 후면 번호판영상을 취득하여 그 안에 있는 문자의 특징을 찾아냄으로써 번호판을 인식하는 것을 제안한다[10〕. 여러 논문들에서 템플릿 매칭은 번호판의 중심점을 찾는데 사용되고 있는데, 사각 모서리 부분을 검출하게 되면, 사각형 면적은 공간 주파수로 계산할 수 있다.
이에 각기 다른 번호판을 효율적으로 포착하고 판별할 수 있는 많은 번호판 자동 인식 시스템에 관한 연구가 발표되고 있다[1-8]. 본 논문은 차량의 후면에서 번호판 영역을 추출하여, 고속으로 번호판의 문자를 인식하는 방법을 제안한다. 일반적으로 차량의 번호판을 인식하는 과정은 차량영상에서 번호판 영역을 추출하는 과정, 다음으로 번호판영역의 분자를 분리하는 과정, 그리고 추출된 문자를 인식하는 과정으로 이루어진다.
제안 방법
100장의 샘플영상을 이용하여, 디지털화한 후 PAL 포맷으로 VHS 테입에 기록하였다. 이런 추가적인 기록 단계는 영상의 시각 해상도를 줄이고 약간의 잡음을 발생시킨다.
이때 번호판은 시각적인 왜곡으로 인해서 정확한 사각형이 되지 않기 때문에 180X40의 고정 픽셀을 갖는 사각형의 번호판을 재샘플링에 의해 다시 구성되어진다. 다음으로 번호판의 문자는 대비, 휘도, 크기에 따라서 대략적으로 분할한 다음, 호텔링 변환 (Hotelling transform)을 이용하여 분리된 문자를 인식 하였다.
본 논문은 차량의 후면에서 촬영한 영상을 이용하여 공간주파수를 이용하여 효과적으로 번호판 영역을 추출하고, 히스토그램을 이용하여 문자를 분리한 다음, 문자인식 방법으로 데이터의 양을 줄이기 위해서 호텔링 변환을 이용하였다. 실험결과로써 총 100 장의 샘플영상을 이용하여 번호판 추출성공률 87%, 문자 분리 성공률 965%의 결과를 나타냈으며, 변환된 사본 샘플올 갖는 변환되지 않은 문자와 비교함으로써 발생 가능한 분리 에러라든가 다른 왜곡에 대한 유용한 정보를 얻을 수 있었다.
것을 의미한다. 이 공간들은 번호판에서 그레이레벨 값의 세로 열 합을 구한 다음, 최대값을 구함으로써 측정하였다. 이 세로 열을 계산하기 전에, 더 정확한 세로열 합의 그래프를 얻기 위해서 히스토그램 스트레칭의 공간 식을 적용하게 된다.
이론/모형
또한 다른 종류의 왜곡은 원 영상과 재구성된 샘플들간의 차이 때문에 발생할 수도 있다. 그래서 본 논문에서는 샘플과 재구성된 샘플간의 유클리드 거리 (Euclidean distance)를 이용하였다.
템플릿 매칭은 한 문자와 다른 문자를 구별하는 특별한 특징을 알고 있는 것이 아니라 단지 문자와 표준과의 차이를 비교하는 것이다. 본 논문에서 제안하는 방법은 호텔링 변환[11]을 이용하였다. 호텔링 변환은 상관 매트릭스의 고유벡터를 투영함으로써 수직분해처럼 생각할 수 있다.
성능/효과
여러 영상을 비교 분석해보았을 때, 영상은 적어도 10%의 어두운 픽셀과 60%의 밝은 픽셀을 가지고 있어야 한다. 실험 결과에서 영상은 백색의 가장 밝은 픽셀의 60%로 투영함으로써 문자분리 처리과정을 향상시키게 된다. 검정색의 가장 어두운 픽셀을 10%로 투영하는 것은 문자 분리를 왜곡시키는 것을 증명하기 위해서이다.
이런 추가적인 기록 단계는 영상의 시각 해상도를 줄이고 약간의 잡음을 발생시킨다. 실험결과 테스트 단계에서 13% 의 번호판이 거부되어졌고, 나머지 0.4%의 번호판은 분류되는데 실패하였다. 실패한 경우는 그림 7과 같이 번호판이 더렵혀진 경우나 또는 번호판이 심하게 찌그러진 경우에 추출이 곤란하였다.
호텔링 변환을 이용하였다. 실험결과로써 총 100 장의 샘플영상을 이용하여 번호판 추출성공률 87%, 문자 분리 성공률 965%의 결과를 나타냈으며, 변환된 사본 샘플올 갖는 변환되지 않은 문자와 비교함으로써 발생 가능한 분리 에러라든가 다른 왜곡에 대한 유용한 정보를 얻을 수 있었다. 향후 연구과제로써 문자 인식의 경우 호텔링 변환 공간에서 원래의 문자와 재구성된 문자간의 왜곡을 수정하는 방법과 번호판 영역 추출시 번호판 주위가 더렵혀지거나 복잡한 경우에 보다 안정되게 번호판 영역을 추출하는 방법 등을 들 수 있다.
후속연구
실험결과로써 총 100 장의 샘플영상을 이용하여 번호판 추출성공률 87%, 문자 분리 성공률 965%의 결과를 나타냈으며, 변환된 사본 샘플올 갖는 변환되지 않은 문자와 비교함으로써 발생 가능한 분리 에러라든가 다른 왜곡에 대한 유용한 정보를 얻을 수 있었다. 향후 연구과제로써 문자 인식의 경우 호텔링 변환 공간에서 원래의 문자와 재구성된 문자간의 왜곡을 수정하는 방법과 번호판 영역 추출시 번호판 주위가 더렵혀지거나 복잡한 경우에 보다 안정되게 번호판 영역을 추출하는 방법 등을 들 수 있다.
참고문헌 (12)
D.W. Tindall, Deployment of automatic licenseplaterecognition systems in multinational environments, European Conference on Security and Detection 1997, pp. 28-30
S. Draghici, A neural network based artificial vision system for license plate recognition, Int. J. on Neural Systems. Feb. 1997, Vol.8, Iss, I, pp.113-126
T. Sato, H. Sato, S. Ozawa, M. Komatsu, A. Kobayashi and M. Sato, Motion blur correction of license plate images on running vehicle, Trans. IEE Japan, June 1997, Vol.117-C, Iss.6, pp.777-784
Y.T. Cui and Q. Huang, Character extraction of license plates from video, proc. IEEE Computer Society Conf. On Computer Vision and pattern Recognition 17-19 June 1997, pp.502-507
H. Fujiyoshi, T. Umezaki, T. Imamura and T. Kanade, Area extraction of the license plate using artificial neural netwotk, Trans. Of the Instirue of Electronics, Information and Communication Engineers D-II, June 1997, Vol. J80D-II, Iss.6. pp.1627-1634
T. Hori, Traffic camera system development, proc. SPIE Feb.1997, Vol.3028, pp.81-90
T. Agui, H.J. Choi and M. Nakajima, Method of extracting car number plates by image processing, Systems and Computers in Japan, 1998, Vol.19, no.3, pp.46-52
※ AI-Helper는 부적절한 답변을 할 수 있습니다.