본 논문에서는 차량의 식별마크 분류 및 차량번호판 인식을 통한 차량인식 알고리즘을 제안하였다. 제안한 알고리즘에서는 먼저 입력 차량영상으로 부터 잡음제거, 세선화 과정 등 전처리 과정들을 수행하고 명암값 변화 빈도 분포를 사용하여 차량식별마크와 번호판 영역을 추출하였다. 또한 추출된 후보 영역으로부터 차량 식별마크와 번호판 영역의 구조적 특성 정보를 사용하여 차량 식별마크, 번호판의 문자 및 숫자를 분류하였으며, 하이브리드 패턴벡터 및 수직수평 패턴벡터를 사용하여 식별마크, 문자 및 숫자를 인식하여 차량 정보 인식율을 개선하였다. 제안한 알고리즘에서는 차량의 식별마크가 차량의 종류에 따라 독립적인 특성, 식별마크와 번호판 영역에서는 문자와 배경이 뚜렷하게 구별되는 특성 및 수평 및 수직빈도수 분포가 식별마크 및 번호판 이외의 영역과 뚜렷이 구별된다는 특성들을 이용하였다. 제안한 방법의 성능을 확인하기 위하여 다양한 환경에서 촬영된 350여개의 영상에 대하여 차량인식 실험을 수행하였고 제안한 방법이 차량번호판의 크기와 위치에 무관하고 잡음의 영향에 덜 민감하였을 뿐만 아니라 불규칙적인 외부환경에서도 인식율이 개선되었다. 또한 식별마크와 번호판 인식의 실시간 처리가 가능하여 실제 주차장이나 도시화도로등에 적용이 가능하다.
본 논문에서는 차량의 식별마크 분류 및 차량번호판 인식을 통한 차량인식 알고리즘을 제안하였다. 제안한 알고리즘에서는 먼저 입력 차량영상으로 부터 잡음제거, 세선화 과정 등 전처리 과정들을 수행하고 명암값 변화 빈도 분포를 사용하여 차량식별마크와 번호판 영역을 추출하였다. 또한 추출된 후보 영역으로부터 차량 식별마크와 번호판 영역의 구조적 특성 정보를 사용하여 차량 식별마크, 번호판의 문자 및 숫자를 분류하였으며, 하이브리드 패턴벡터 및 수직수평 패턴벡터를 사용하여 식별마크, 문자 및 숫자를 인식하여 차량 정보 인식율을 개선하였다. 제안한 알고리즘에서는 차량의 식별마크가 차량의 종류에 따라 독립적인 특성, 식별마크와 번호판 영역에서는 문자와 배경이 뚜렷하게 구별되는 특성 및 수평 및 수직빈도수 분포가 식별마크 및 번호판 이외의 영역과 뚜렷이 구별된다는 특성들을 이용하였다. 제안한 방법의 성능을 확인하기 위하여 다양한 환경에서 촬영된 350여개의 영상에 대하여 차량인식 실험을 수행하였고 제안한 방법이 차량번호판의 크기와 위치에 무관하고 잡음의 영향에 덜 민감하였을 뿐만 아니라 불규칙적인 외부환경에서도 인식율이 개선되었다. 또한 식별마크와 번호판 인식의 실시간 처리가 가능하여 실제 주차장이나 도시화도로등에 적용이 가능하다.
In this paper, we propose a vehicle recognition system based on the classification of vehicle identification mark and recognition of vehicle license plate. In the proposed algorithm, From the input vehicle image, we first simulate preprocessing procedures such as noise reduction, thinning etc., and ...
In this paper, we propose a vehicle recognition system based on the classification of vehicle identification mark and recognition of vehicle license plate. In the proposed algorithm, From the input vehicle image, we first simulate preprocessing procedures such as noise reduction, thinning etc., and detect vehicle identification mark and license plate region using the frequency distribution of intensity variation. And then, we classify extracted vehicle candidate region into identification mark, character and number of vehicle by using structural feature informations of vehicle. Lastly, we recognize vehicle informations with recognition of identification mark, character and number of vehicle using hybrid and vertical/horizontal pattern vector method. In the proposed algorithm, we used three properties of vehicle informations such as Independency property, discriminance property and frequency distribution of intensity variation property. In the vehicle images, identification mark is generally independent of the types of vehicle and vehicle identification mark. And also, the license plate region between character and background as well as horizontal/vertical intensity variations are more noticeable than other regions. To show the efficiency of the propofed algorithm, we tested it on 350 vehicle images and found that the propofed method shows good Performance regardless of irregular environment conditions as well as noise, size, and location of vehicles.
In this paper, we propose a vehicle recognition system based on the classification of vehicle identification mark and recognition of vehicle license plate. In the proposed algorithm, From the input vehicle image, we first simulate preprocessing procedures such as noise reduction, thinning etc., and detect vehicle identification mark and license plate region using the frequency distribution of intensity variation. And then, we classify extracted vehicle candidate region into identification mark, character and number of vehicle by using structural feature informations of vehicle. Lastly, we recognize vehicle informations with recognition of identification mark, character and number of vehicle using hybrid and vertical/horizontal pattern vector method. In the proposed algorithm, we used three properties of vehicle informations such as Independency property, discriminance property and frequency distribution of intensity variation property. In the vehicle images, identification mark is generally independent of the types of vehicle and vehicle identification mark. And also, the license plate region between character and background as well as horizontal/vertical intensity variations are more noticeable than other regions. To show the efficiency of the propofed algorithm, we tested it on 350 vehicle images and found that the propofed method shows good Performance regardless of irregular environment conditions as well as noise, size, and location of vehicles.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 입력 차량영상에서 하이브리드 패턴 벡터를 사용한 차량번호판과 차량식별마크 인식을 통한 차량인식 방법을 제안하였다. 제안한 방법을 실제 고속도로나 주차장 진입 차량에 적용한 결과 기존의 방법에 비해 차량번호판의 인식율을 개선하였을 뿐만 아니라 차량 고유 식별마크를 인식함으로써 부가적인 차량정보를 획득할 수 있었다.
제안 방법
있다. [11-14] 제안한 알고리즘에서는 지능형 차량인식시스템 구현을 위하여 차량번호판과 차량 식별 마크 정보를 동시에 분류 인식하는 알고리즘을 제안하였다. 일반적으로 실시간으로 진입하는 차량으로부터 번호판, 식별마크 등의 정보를 획득하기 위해서는 차량의 전면부를 선호하여 촬영하는 방법과 차량의 후면부를 촬영하는 방법이 있다.
그러나 본 논문에서는 이진 번호판 영상에서 추출되어진 문자와 숫자를 정확히 인식하기 위하여 문자의 중심을 기준으로 수직, 수평 패턴을 추출하고, 수직축을 중심으로 시계방향으로 3도 간격으로 회전하면서 문자영역과 배경영역을 120개의 0과 1의 조합된 정보로 표현하는 하이브리드 패턴벡터 방법을 적용하였다. 추출된 각각의 문자 및 숫자에 제안한 하이브리드 패턴벡터를 적용한 결과 기존의 원형 패턴 벡터 방법에 비해 인식율이 개선되었으며 실시간 처리가 가능하였다.
그림 2에서와 같이 차량 식별마크의 종류와 형태가 매우 다양하므로 기존의 개별적인 문자 인식 방법으로는 실시간 처리와 인식에 어려움이 있으므로 본 논문에서는 차량 후면 입력영상으로 부터 명암도 변화 값 정보를 사용하여 식별마크 영역을 추출한 후수평 및 수직 패턴벡터를 사용하여 식별마크의 패턴 정보로서 차량의 종류와 형태를 인식하도록 하였다. 또한 차량의 후면부에서 번호판과 마크는 일정한 위치 정보를 가진다.
기존의 차량인식에 대한 연구는 주로 차량검지 혹은 차량번호판 연구[1]에 국한되어 개별적으로 수행되어 왔으나 차량자체를 인식하기 위해서는 번호판 뿐만 아니라 차량식 별마크 및 차형 인식에 대한 연구가 통합적으로 적용되어야 할 것이다. 따라서 제안한 차량인식시스템에서는 주차장 혹은 고속도로 관리소를 지나서 진출하는 입력차량의 후면 차량 번호판과 차량식별마크를 획득하여 실시간으로 검출, 분류 및 인식하는 차량인식시스템을 제안하였다. 기존의 차량번호판 인식에 관한 연구들로는 번호판 특징 영역의 사전지식에 의해 번호판 영역추출과 신경망에 의해 문자 인식하는 방법[2], 전체 영상의이치화 처리로 번호판 영역의 추출과 글자의 유사 도법을 적용하여 번호판 문자를 인식하는 방법[3], 문자인식에서 문자의 크기, 이동 및 회전에 무관한 원형 패턴을 사용하여 문자 인식하는 방법[4] 및 기타칼라정보, 허프변환, 명암벡터 등을 사용한 방법들이 있다[5-10].
원의 중심은 글자의 폭의 1/2, 높이의 1/2로하고, 원의 반지름은 폭의 1/2을 R이라 하고, 원의 중심에서 수직 축을 기준 축으로 정하고 3도씩 시계방향으로 회전하면서 해당되는 좌표에서 120개 원소의 배경과 글자영역의 분포를 패턴으로 적용한다. 또한 기울어진 문자의 각에 따라 회전하여 인식할 수 있으며 DB에 저장된 각 문자의 패턴벡터에 대해 입력되는 하이브리드 패턴 벡터를 순환이동하면서 최소거리가 되는 벡터를 추출하여 문자 및 숫자로 인식하도록 하였다. 그림 13에 하이브리드 패턴벡터를 이용한 실제 차량 번호판의 인식 결과를 나타내었다.
제안한 알고리즘에서는 우선 차량의 입력 후면부 영상에서 상단부 수평경계선을 기준으로 시작하여 명 암도 변화 빈도수를 계산하여 번호판 세로영 역을 추출한 다. 또한 번호판의 가로영역 추출은 추출된 세로 영역 내에서 동일한 방법으로 명암도 변화 빈도수를 계산하여 추출한다. 또한 식별마크 영역 추출은 에지 검출과 이진화 처리된 영상으로부터 식별 마크의 후보 영역을 추출한 후 수평에지 명암도 변화 빈도수를 사용하여 식 별마크 가로영역을 추출한 후 마크의 최대 높이값 정보를 이용하여 세로 영역을 추출하도록 하였다.
또한 번호판의 가로영역 추출은 추출된 세로 영역 내에서 동일한 방법으로 명암도 변화 빈도수를 계산하여 추출한다. 또한 식별마크 영역 추출은 에지 검출과 이진화 처리된 영상으로부터 식별 마크의 후보 영역을 추출한 후 수평에지 명암도 변화 빈도수를 사용하여 식 별마크 가로영역을 추출한 후 마크의 최대 높이값 정보를 이용하여 세로 영역을 추출하도록 하였다.
수직수평 패턴 벡터는 중심으로부터 마크영역의 전체높이를 삼등분하여 가로 방향으로 패턴을 읽고 또한 가로영역의 중심에 대해서 세로 방향의 패턴을 처리하도록 하였다. 또한 식별마크의 크기가 각각 다르므로 식별 마크의 상대적 길이 정보와 획득된 수직수평 패턴 정보로부터 식별마크를 분류 인식하도록 하였. 그림 14에 차량 식별마크 인식을 위한 전체 구성도를 나타내었으며, 국내 대표 차량의 차량식별마크에 대한 수직 수평 패턴벡터 적용 결과를 그림 15에 나타내었고, 제안한 알고리즘을 적용하여 실제 진입 차량에 대해 식별 마크를 추출하여 차종을 인식하는 전체 과정을 그림 16에 나타내었다.
소벨연산자은 일차 미분값을 이용하므로 잡음에 강하고 처리시간이 짧다는 장점과 두꺼운 에지검출의 단점을 동시에 가지고 있다. 또한 윤곽선 검출된 영상으로부터 적응적인 임계치를 적용하여 잡음의 영향을 최소화하면서 명암도 변화값 범위 설정에 용이하도록 하였다.
번호판 인식은 추출된 후보 영역으로부터 세선화를 적용하여 잡음을 제거한 후 문자와 숫자 영역을 분할하였고 분할된 문자와 숫자 영역에서 하이브리드 패턴벡터를 사용하여 차량 번호판을 인식하도록 하였다. 또한 차량 식별마크 부분은 후보영역으로 부터 명암의 변화에 따라 임계치가 동적으로 변화할 수 있는 동적 이진화 방법을 적용한 후 수평 수직 패턴벡터를 사용하여 분류 인식하도록 하였다.
카메라를 통하여 획득된 차량 영상에서 번호판 영역의 수직 및 수평 명암값 빈도수 정보를 이용하여 번호판의 영역을 추출하고, 하이브리드 패턴 벡터를 적용하여 문자 및 번호를 인식하였다. 또한 차량의 식별마크는 수평 및 수직 에지의 명암도 변화 빈도수를 이용하여 식별마크영역을 추출하고 추출된 식별마크 영역에 수직수평 패턴벡터를 적용하여 인식하도록 하였다. 그림 17 및 그림 18에 차량 번호판 뿐만 아니라 식별마크가 좌측에 있는 경우, 식별 마크가 우측에 있는 경우 각각에 대한 인식 과정을 나타내었다.
며 추출된 세로영역에서 수직축상에서 프로파일 검색과 수직수평 명암도 변화값 정보를 이용하여 가로영역을 추출한다. 그림 7은 입력영상에서 소벨 마스크를 적용한 후 잡음제거한 영상으로 부터 후보영역 _1내에서 번호판의 세로영역을 분할하고 분할한 세로 영역에서 번호판의 가로영역을 추출하여 차량 번호판을 추출한 결과영상을 나타내고 있다.
본 논문에서는 다양한 입력차량에 대하여 후보영역 추출을 실험 하였고 추출된 후보영 역으로 부터 문자와 숫자 부분을 분할하여 하이브리드 패턴벡터와 수평 수직 패턴벡터를 적용하여 번호판과 식별마크를 인식하도록 하였다. 번호판 인식은 추출된 후보 영역으로부터 세선화를 적용하여 잡음을 제거한 후 문자와 숫자 영역을 분할하였고 분할된 문자와 숫자 영역에서 하이브리드 패턴벡터를 사용하여 차량 번호판을 인식하도록 하였다. 또한 차량 식별마크 부분은 후보영역으로 부터 명암의 변화에 따라 임계치가 동적으로 변화할 수 있는 동적 이진화 방법을 적용한 후 수평 수직 패턴벡터를 사용하여 분류 인식하도록 하였다.
본 논문에서 제안한 지능형 차량인식시스템은 크게 차량식별마크 분류인식 과정과 차량번호판 인식 과정으로 구성되어 있다. 입력차량 영상으로부터 명암값 변화 빈도수 및 수직'템플릿.
및 식별마크 후보영역을 추출한다. 본 논문에서는 다양한 입력차량에 대하여 후보영역 추출을 실험 하였고 추출된 후보영 역으로 부터 문자와 숫자 부분을 분할하여 하이브리드 패턴벡터와 수평 수직 패턴벡터를 적용하여 번호판과 식별마크를 인식하도록 하였다. 번호판 인식은 추출된 후보 영역으로부터 세선화를 적용하여 잡음을 제거한 후 문자와 숫자 영역을 분할하였고 분할된 문자와 숫자 영역에서 하이브리드 패턴벡터를 사용하여 차량 번호판을 인식하도록 하였다.
추출된 가로영역 내에서 식별마크의 최대 높이값 정보를 이용하여 세로영역을 추출하며 번호판과 식별 마크의 가로대 새로의 구조적 크기 정보를 사용하여 검증을 수행한다. 본 논문에서는 번호판 후보 영역의 가로와 세로 비가 2:1일 경우 번호판 영역으로 선택하고 마크 후보영 역은 가로와 세로의 비가 최대 값을 갖는 영역을 선택하여 추출한다. 그림 8은 입력 영상에서 식별마크의 가로영역 분할과 동시에 세로 영역을 분할하여 식별마크를 추출하는 과정으로서 실제 차량 영상에서 번호판 및 식별마크를 동시에 추출한 결과 영상이다.
추출이 어려운 실정이다. 본 논문에서는 앞 절에서 파악한 차량번호판과 식별마크의 구조적 형태 및 위치 정보들을 사용하여 입력 차량 영상으로부터 이진화를 수행한 후 차량번호판 및 식별 마크 영역의 평균 명암값 변화 빈도수가 다른 영역의 명암값 변화 빈도수 보다 상대적으로 높다는 특성을 이용하여 특징 영역들을 추출하였다. 이를 위해 이진화된 영상으로부터 번호판과 식별마크 영역의 평균 명암값 변화 빈도수를 계산하여 번호판과 마크영역을 추출을 위한 최적 임계값 범위를 결정하도록 하였다.
전자의 경우 국내에서도 차량과속단속, 자동과금 등의 분야에 많은 연구가 진행되고 있으며, 후자의 경우는 전면부 촬영에 따른 운전자의 거부감, 조명반사 정도, 차량식별마크의 후면부 위치 등의 이유로 국외에서 많이 수행되고 있는 방법이다. 본 논문에서는 차량번호판 뿐만 아니라 차량식별 마크 인식을 통한 차량인식을 위하여 차량 번호판과 차량식별마크를 복합적으로 획득할 수 있도록 차량의 후면부에서 진입 차량영상을 획득하는 방법을 사용하였다.
또한 차량마다 식별 마크의 크기가 다양하므로 가로대 세로비를 이용하여 수직수평 패턴벡터를 구한다. 수직수평 패턴 벡터는 중심으로부터 마크영역의 전체높이를 삼등분하여 가로 방향으로 패턴을 읽고 또한 가로영역의 중심에 대해서 세로 방향의 패턴을 처리하도록 하였다. 또한 식별마크의 크기가 각각 다르므로 식별 마크의 상대적 길이 정보와 획득된 수직수평 패턴 정보로부터 식별마크를 분류 인식하도록 하였.
본 논문에서는 앞 절에서 파악한 차량번호판과 식별마크의 구조적 형태 및 위치 정보들을 사용하여 입력 차량 영상으로부터 이진화를 수행한 후 차량번호판 및 식별 마크 영역의 평균 명암값 변화 빈도수가 다른 영역의 명암값 변화 빈도수 보다 상대적으로 높다는 특성을 이용하여 특징 영역들을 추출하였다. 이를 위해 이진화된 영상으로부터 번호판과 식별마크 영역의 평균 명암값 변화 빈도수를 계산하여 번호판과 마크영역을 추출을 위한 최적 임계값 범위를 결정하도록 하였다. 제안한 알고리즘에서는 우선 차량의 입력 후면부 영상에서 상단부 수평경계선을 기준으로 시작하여 명 암도 변화 빈도수를 계산하여 번호판 세로영 역을 추출한 다.
결과도 그림 10에 나타내었다. 잡음제거와 세선화 기법을 적용한 영상에서 실제 번호판 특성을 고려하여 상부와 하부의 각 문자 및 숫자의 중심에서 사각형의 면적을 넓혀 가면서 글자의 끝점을 찾아 그 사각형의 영역 외 영상을 잡음으로 처리 제거하여 문자와 숫자영역을 분할하도록 하였다.
입력차량 영상으로부터 명암값 변화 빈도수 및 수직'템플릿. 정보를 이용하여 차량 번호판 영역과 차량식별마크 영역을 검출 분할한 후 분할된 영상으로부터 정확한 식 별마크, 문자 및 숫자를 인식하기 위하여 차량번호판 및 마크가 가지는 기하학적 인 특성을 기반으로 하이브리드 패턴 벡터 및 수직수평 패턴벡터를 적용 인식하도록 하였다. 차량식별마크의 차종별 분류인식을 위하여 수직 수평 패턴벡터를 이용하였으며, 번호판 인식을 위하여 추출된 번호판 영역으로부터 문자와 숫자 영역을 재분할한 후 분할괸 문자와 숫자영역에 하이브리드 패턴벡터를 적용하여 차량번호판을 실시간으로 인식하도록 하였다.
제안한 알고리즘에서는 번호판과 식별마크의 윤곽선을 추촐하기 위해 소벨연산자를 사용하였다. 소벨연산자은 일차 미분값을 이용하므로 잡음에 강하고 처리시간이 짧다는 장점과 두꺼운 에지검출의 단점을 동시에 가지고 있다.
이를 위해 이진화된 영상으로부터 번호판과 식별마크 영역의 평균 명암값 변화 빈도수를 계산하여 번호판과 마크영역을 추출을 위한 최적 임계값 범위를 결정하도록 하였다. 제안한 알고리즘에서는 우선 차량의 입력 후면부 영상에서 상단부 수평경계선을 기준으로 시작하여 명 암도 변화 빈도수를 계산하여 번호판 세로영 역을 추출한 다. 또한 번호판의 가로영역 추출은 추출된 세로 영역 내에서 동일한 방법으로 명암도 변화 빈도수를 계산하여 추출한다.
제안한 알고리즘은 실제 고속도로나 주차장에 진입하는 차량에 있어서 차량번호판 뿐만 아니라 차량 식별 마크를 인식하여 효율적으로 차량을 관리할 수 있는 방법이다. 그러나 진입 차량의 번호판이 심하게 훼손된 경우, 차량특징자 주변이 심하게 훼손된 경우는 영상처리 방법의 어려움과 마찬가지로 인식율에 다소 어려움이 있으므로 향후 이런 경우 인식율 개선에 대한 연구를 진행하여야 할 것이다.
정보를 이용하여 차량 번호판 영역과 차량식별마크 영역을 검출 분할한 후 분할된 영상으로부터 정확한 식 별마크, 문자 및 숫자를 인식하기 위하여 차량번호판 및 마크가 가지는 기하학적 인 특성을 기반으로 하이브리드 패턴 벡터 및 수직수평 패턴벡터를 적용 인식하도록 하였다. 차량식별마크의 차종별 분류인식을 위하여 수직 수평 패턴벡터를 이용하였으며, 번호판 인식을 위하여 추출된 번호판 영역으로부터 문자와 숫자 영역을 재분할한 후 분할괸 문자와 숫자영역에 하이브리드 패턴벡터를 적용하여 차량번호판을 실시간으로 인식하도록 하였다. 제안한 시스템은 차량 식별 마크 분류 및 차량번호판 인식 알고리즘, 영상획득보드, CCD카메라로 구성되었으며 실시간으로 차량 인식이 가능하므로 실제 도로상에서 자동과금, 주차 차량 관리 및 범죄차량관리 등의 용도에 실적용이 가능할 것이다.
추출된 가로영역 내에서 식별마크의 최대 높이값 정보를 이용하여 세로영역을 추출하며 번호판과 식별 마크의 가로대 새로의 구조적 크기 정보를 사용하여 검증을 수행한다. 본 논문에서는 번호판 후보 영역의 가로와 세로 비가 2:1일 경우 번호판 영역으로 선택하고 마크 후보영 역은 가로와 세로의 비가 최대 값을 갖는 영역을 선택하여 추출한다.
5m각도로 다양한 영상을 촬영하였다. 카메라를 통하여 획득된 차량 영상에서 번호판 영역의 수직 및 수평 명암값 빈도수 정보를 이용하여 번호판의 영역을 추출하고, 하이브리드 패턴 벡터를 적용하여 문자 및 번호를 인식하였다. 또한 차량의 식별마크는 수평 및 수직 에지의 명암도 변화 빈도수를 이용하여 식별마크영역을 추출하고 추출된 식별마크 영역에 수직수평 패턴벡터를 적용하여 인식하도록 하였다.
대상 데이터
본 논문의 실험에 사용된 영상은 PULNIX CCD 카메라를 이용하여 맑은 날의 오전 및 오후에 촬영한 영상을 사용하였으며 차량의 후면에서 카메라 거리는 3m, 카메 라 높이는 1.5m각도로 다양한 영상을 촬영하였다. 카메라를 통하여 획득된 차량 영상에서 번호판 영역의 수직 및 수평 명암값 빈도수 정보를 이용하여 번호판의 영역을 추출하고, 하이브리드 패턴 벡터를 적용하여 문자 및 번호를 인식하였다.
실험에서는 CCD카메라를 통하여 350여 개의 차량 후면부 영상을 획득하였으며 실험한 결과 95%의 식별 마크 및 차량번호판 추출율을 나타내었다. 제안한 알고리즘은 실제 고속도로나 주차장에 진입하는 차량에 있어서 차량번호판 뿐만 아니라 차량 식별 마크를 인식하여 효율적으로 차량을 관리할 수 있는 방법이다.
이론/모형
본 논문에서는 차량번호판 인식에 하이브리드 패턴 벡터를 사용하였다. 본 논문에서 제안한 하이브리드 패턴벡터는 기존의 원형패턴벡테4]를 사용할 때발생되는 특정 문자에 대한 인식율 저하를 개선하고자 세 개의 반지름을 사용하여 시계방향으로 3。간격씩 120개의 화소들을 대상으로 각도에 따라 글자와 문자가 추출되는 독립적인 패턴 이외에 문자 높이의 반으로 나눈 수평축과 문자 폭에 반으로 나눈 수직축을 독립적인 패턴으로 사용하여 문자의 검은점과 횐점으로 나타나는 화소 정보를 기반으로 인식하는 방법이다.
성능/효과
통한 차량인식 방법을 제안하였다. 제안한 방법을 실제 고속도로나 주차장 진입 차량에 적용한 결과 기존의 방법에 비해 차량번호판의 인식율을 개선하였을 뿐만 아니라 차량 고유 식별마크를 인식함으로써 부가적인 차량정보를 획득할 수 있었다. 또한 제안한 방법은 고속도로나 도시화도로 및 주차장 등에 진입하는 차량의 번호판 정보와 특징 인식을 통해 차량의 자동관리가 가능할 것이다.
추출된 각각의 문자 및 숫자에 제안한 하이브리드 패턴벡터를 적용한 결과 기존의 원형 패턴 벡터 방법에 비해 인식율이 개선되었으며 실시간 처리가 가능하였다.
후속연구
제안한 알고리즘은 실제 고속도로나 주차장에 진입하는 차량에 있어서 차량번호판 뿐만 아니라 차량 식별 마크를 인식하여 효율적으로 차량을 관리할 수 있는 방법이다. 그러나 진입 차량의 번호판이 심하게 훼손된 경우, 차량특징자 주변이 심하게 훼손된 경우는 영상처리 방법의 어려움과 마찬가지로 인식율에 다소 어려움이 있으므로 향후 이런 경우 인식율 개선에 대한 연구를 진행하여야 할 것이다.
또한 인식율 개선을 위해서는 효과적인 영상분할 과정은 물론 차량번호판과 차량식별마크의 특성 분석을 기반으로 정확한 추출과정이 선행되어야 할 것이다.
제안한 방법을 실제 고속도로나 주차장 진입 차량에 적용한 결과 기존의 방법에 비해 차량번호판의 인식율을 개선하였을 뿐만 아니라 차량 고유 식별마크를 인식함으로써 부가적인 차량정보를 획득할 수 있었다. 또한 제안한 방법은 고속도로나 도시화도로 및 주차장 등에 진입하는 차량의 번호판 정보와 특징 인식을 통해 차량의 자동관리가 가능할 것이다.
차량식별마크의 차종별 분류인식을 위하여 수직 수평 패턴벡터를 이용하였으며, 번호판 인식을 위하여 추출된 번호판 영역으로부터 문자와 숫자 영역을 재분할한 후 분할괸 문자와 숫자영역에 하이브리드 패턴벡터를 적용하여 차량번호판을 실시간으로 인식하도록 하였다. 제안한 시스템은 차량 식별 마크 분류 및 차량번호판 인식 알고리즘, 영상획득보드, CCD카메라로 구성되었으며 실시간으로 차량 인식이 가능하므로 실제 도로상에서 자동과금, 주차 차량 관리 및 범죄차량관리 등의 용도에 실적용이 가능할 것이다.
향후 연구과제로는 차량번호판, 차량식별마크 등 차량 데이터가 훼손된 경우, 차량의 다양한 특징 자와 차량 등 통합 차량인식에 대한 연구가 보완되어야 종합적인 차량정보 관리에 유용할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.