선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 차량번호판 인식 과정의 전처리인 차량 번호판 검출 중 정확한 번호판 영역 추출에 대한 연구를 하였다. 차량을 보는 각도에 따라 번호판의 형태도 직사각형에서 다양한 사각형의 모양으로 변이되어 정확한 영역의 추출이 어렵다.
제안 방법
- 기울어진 번호판을 보정하기 위해 번호판 후보 영역의 정확한 추출이 필요하다. 본 논문에서는 YCbCr 색상 좌표계 중에서 자가용 차량의 녹색과 보색 관계가 있는 Cr 성분만을 이용하여 색상에 의한 후보 영역을 추출하였다. 또한 정확한 영역 추출을 위해, 선형 회귀 방정식을 이용하여 직선의 방정식을 근사하였고, 이를 양선형 변환을 통해 기울기 보정을 하여 정확한 후보 영역이 검출되었는지 확인하였다.
- 본 논문에서는 YCbCr 색상 좌표계 중에서 자가용 차량의 녹색과 보색 관계가 있는 Cr 성분만을 이용하여 색상에 의한 후보 영역을 추출하였다. 또한 정확한 영역 추출을 위해, 선형 회귀 방정식을 이용하여 직선의 방정식을 근사하였고, 이를 양선형 변환을 통해 기울기 보정을 하여 정확한 후보 영역이 검출되었는지 확인하였다.
- 있다. 본 논문에서는 비영업용 승용차에 대해서 적용하였다. 비영업용 승용차는 녹색 바탕에 흰색 글씨로 구성되어 있고 가로와 세로의 비율이 2:1인 기하학적 성질을 갖고 있다[7].
- 비영업용 승용차는 녹색 바탕에 흰색 글씨로 구성되어 있고 가로와 세로의 비율이 2:1인 기하학적 성질을 갖고 있다[7]. 번호판 후보 영역을 설정하기 위해서 RGB 영상을 명암과 색차가 분리되는 YCbCr 색상 좌표계로 변환하여 녹색에 대한 Cr 성분만을 이용하였다.
- 또한 차량에 대해 촬영을 할 경우, 번호판 영역에 중심을 맞추어 촬영하게 되므로 번호판 영역은 영상의 중심 근처에 있다. 따라서 본 논문에서는 200 화소를 면적에 대한 임계값으로 설정하였고, 상하좌우 50 화소씩 영역을 축소하여 중심점에 대해가장 가까운 영역을 최종 번호판 후보 영역으로 선택하였다. [그림 2]에 선택된 최종 후보 영역과 입력 영상에 표시된 번호판 영역을 보여주고 있다.
- 검증한다. 본 논문에서는 차량 번호판의 가로와 세로의 비율이 2:1인 특성을 이용하여 100x50 크기의 사각형으로 정규화 하였다. 추출된 번호판 후보 영역은 식 (2)의 양선형 변환을 통해 [그림 4]와 같은 정규화된 직사각형의 모양을 가지게 된다.
- 차량을 보는 각도에 따라 번호판의 형태도 직사각형에서 다양한 사각형의 모양으로 변이되어 정확한 영역의 추출이 어렵다. 이에 YCbCr 색상 정보 중에서 적색 부분에 해당하는 Cr 성분만으로 비영업용 승용차의 녹색 번호판을 추출하였다. 번호판의 잡음을 줄이기 위해 형태학적 필터를 사용하여 번호판 영역의 후보들을 줄였으며, 레이블링 후 위치 정보에 의해 최종 후보 영역으로 선택된 사각형에 대해 선형회귀방정식에 의해 사각형의 외곽에 근사화된 직선들을 얻을 수 있었다.
- 기울기 보정에 소요된 시간은 대략 0.1 초이며, 기울기에 따른 번호판의 인식 성능을 살펴보기 위하여 좌우 0° -70°, lm 전방에서 촬영한 차량에 대해 실험하였다. 간단한 기하학적 패턴을 이용한 인식알고리즘에 의해 실험한 결과 50°까지는 번호판 인식이 가능하였고, 60° 에서는 약 75%정도의 인식률을 보였다.
대상 데이터
- 본 논문에서는 제안된 방법의 성능을 평가하기 위해서 256x256 크기의 여러 칼라 정지 영상을 대상으로 P-4 1.8GHz CPU, 512MB 메모리를 갖는 Windows XP 환경하에서 Microsoft Visual C++ 6.0을 이용해 시뮬레이션 하였다. 실험 영상들은 디지털 카메라를 이용하여 촬영된 영상을 사용하였다.
- 0을 이용해 시뮬레이션 하였다. 실험 영상들은 디지털 카메라를 이용하여 촬영된 영상을 사용하였다. YCbCr 색상 좌표계 중에서 Cr만을 사용하였고, 전체적인 시뮬레이션 과정은 [그림 6]과 같다.
데이터처리
- 제안된 방법의 검출 성능을 확인하기 위하여 여러 칼라 성분을 사용한 유사 방법과 비교하였다. 칼라 성분과 기존 연구 중 이화진 등의 연구[10]와 비교한 결과 H 성분과 Q 성분의 조합에서도 좋은 성능을 보여 주었지만 Cr 성분만을 사용했을 때 92%의 검출 성능을 보여주었으며 변환 시간 등을 고려 했을 때 계산의 효율성 이더 좋았다.
성능/효과
- 1 초이며, 기울기에 따른 번호판의 인식 성능을 살펴보기 위하여 좌우 0° -70°, lm 전방에서 촬영한 차량에 대해 실험하였다. 간단한 기하학적 패턴을 이용한 인식알고리즘에 의해 실험한 결과 50°까지는 번호판 인식이 가능하였고, 60° 에서는 약 75%정도의 인식률을 보였다.
- 이에 YCbCr 색상 정보 중에서 적색 부분에 해당하는 Cr 성분만으로 비영업용 승용차의 녹색 번호판을 추출하였다. 번호판의 잡음을 줄이기 위해 형태학적 필터를 사용하여 번호판 영역의 후보들을 줄였으며, 레이블링 후 위치 정보에 의해 최종 후보 영역으로 선택된 사각형에 대해 선형회귀방정식에 의해 사각형의 외곽에 근사화된 직선들을 얻을 수 있었다.
- 성분을 사용한 유사 방법과 비교하였다. 칼라 성분과 기존 연구 중 이화진 등의 연구[10]와 비교한 결과 H 성분과 Q 성분의 조합에서도 좋은 성능을 보여 주었지만 Cr 성분만을 사용했을 때 92%의 검출 성능을 보여주었으며 변환 시간 등을 고려 했을 때 계산의 효율성 이더 좋았다.
- 제안된 방법의 검출 성능을 확인하기 위하여 총 100 장의 임의의 번호판 영상을 가지고 실험한 결과 92장이 성공적으로 검출되었고 나머지 8장은 검출에 실패하였다. 검출 오류의 원인으로는 첫째, 빛의 영향으로 차량 번호판의 Cr 값이 임계값을 벗어나는 경우, 둘째, 차량의 색 자체가 번호판과 같은 Cr 성분을 갖는 경우, 셋째, 번호판 자체가 그림자에 의해 그늘진 경우나 차량 전체가 그늘진 경우이다.
후속연구
- 추후 과제는 초기 색상의 임계값이 한정된 명암값에 의존적이기 때문에 가변적인 조명에 강건하게 검출하는 것과 번호판 색깔과 비슷한 색깔의 차량 본체에 대해서는 잘못된 후보 영역을 추출하게 되어 최종 정규화된 사각형에 차량 번호가 추출되지 않는 것을 보완할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.