본 논문에서는 도로 영상으로부터 차량 번호판 영역을 분할하는 알고리즘을 제시한다. 차량의 번호판 영역이 다른 영역에 비해 차별되는 특정을 세 가지 측면으로 나누어, 1) 번호판의 내부 문자, 2) 번호판의 색상, 3) 번호판의 형태에 대해 분석한다. 전처리 과정에서는, 이와 같은 세 가지 측면을 고려하여 번호판의 내부 영역 및 크기를 판별할 수 있는 임계값들을 계산하며, 이를 위해 표본 영상에 대한 통계적 처리를 수행한다. 차량 영역 분할 알고리즘에서는 임계값들을 이용하여 입력영상 내부에서 번호판 영역이 강조되도록 영상을 이진화한다. 일정한 크기의 윈도우로 이진 영상(binary image) 전체를 탐색하여, 윈도우 내부 픽셀 값의 합이 높은 순으로 서로 중복이 없도록 후보 영역을 찾은 후, 간단한 휴리스틱을 이용하여 후보 영역들 중에서 번호판 영역을 선택한다. 이 알고리즘은 번호판의 변형 또는 색상 명암도에 차이가 있는 경우에 대해서 안정적이다. 또한 이 알고리즘은 복잡한 전처리 과정을 요구하지 않고, 적은 수의 표본 영상에 대한 통계 처리만으로도 228장의 실험 영상들에 대해 97.8% 정도의 높은 성공률을 보였다. 프로토타입 시스템을 구현한 결과는 512M 바이트 메모리를 장착한 3GHz 펜티엄4 PC에서 $1280{\times}960$해상도의 영상 1장당 평균 0.676초의 처리 속도를 보였다.
본 논문에서는 도로 영상으로부터 차량 번호판 영역을 분할하는 알고리즘을 제시한다. 차량의 번호판 영역이 다른 영역에 비해 차별되는 특정을 세 가지 측면으로 나누어, 1) 번호판의 내부 문자, 2) 번호판의 색상, 3) 번호판의 형태에 대해 분석한다. 전처리 과정에서는, 이와 같은 세 가지 측면을 고려하여 번호판의 내부 영역 및 크기를 판별할 수 있는 임계값들을 계산하며, 이를 위해 표본 영상에 대한 통계적 처리를 수행한다. 차량 영역 분할 알고리즘에서는 임계값들을 이용하여 입력영상 내부에서 번호판 영역이 강조되도록 영상을 이진화한다. 일정한 크기의 윈도우로 이진 영상(binary image) 전체를 탐색하여, 윈도우 내부 픽셀 값의 합이 높은 순으로 서로 중복이 없도록 후보 영역을 찾은 후, 간단한 휴리스틱을 이용하여 후보 영역들 중에서 번호판 영역을 선택한다. 이 알고리즘은 번호판의 변형 또는 색상 명암도에 차이가 있는 경우에 대해서 안정적이다. 또한 이 알고리즘은 복잡한 전처리 과정을 요구하지 않고, 적은 수의 표본 영상에 대한 통계 처리만으로도 228장의 실험 영상들에 대해 97.8% 정도의 높은 성공률을 보였다. 프로토타입 시스템을 구현한 결과는 512M 바이트 메모리를 장착한 3GHz 펜티엄4 PC에서 $1280{\times}960$ 해상도의 영상 1장당 평균 0.676초의 처리 속도를 보였다.
This paper presents a robust algorithm for segmenting a vehicle license plate area from a road image. We consider the features of license plates in three aspects : 1) edges due to the characters in the plate, 2) colors in the plate, and 3) geometric properties of the plate. In the preprocessing step...
This paper presents a robust algorithm for segmenting a vehicle license plate area from a road image. We consider the features of license plates in three aspects : 1) edges due to the characters in the plate, 2) colors in the plate, and 3) geometric properties of the plate. In the preprocessing step, we compute the thresholds based on each feature to decide whether a pixel is inside a plate or not. A statistical approach is applied to the sample images to compute the thresholds. For a given road image, our algorithm binarizes it by using the thresholds. Then, we select three candidate regions to be a plate by searching the binary image with a moving window. The plate area is selected among the candidates with simple heuristics. This algorithm robustly detects the plate against the transformation or the difference of color intensity of the plate in the input image. Moreover, the preprocessing step requires only a small number of sample images for the statistical processing. The experimental results show that the algorithm has 97.8% of successful segmentation of the plate from 228 input images. Our prototype implementation shows average processing time of 0.676 seconds per image for a set of $1280{\times}960$ images, executed on a 3GHz Pentium4 PC with 512M byte memory.
This paper presents a robust algorithm for segmenting a vehicle license plate area from a road image. We consider the features of license plates in three aspects : 1) edges due to the characters in the plate, 2) colors in the plate, and 3) geometric properties of the plate. In the preprocessing step, we compute the thresholds based on each feature to decide whether a pixel is inside a plate or not. A statistical approach is applied to the sample images to compute the thresholds. For a given road image, our algorithm binarizes it by using the thresholds. Then, we select three candidate regions to be a plate by searching the binary image with a moving window. The plate area is selected among the candidates with simple heuristics. This algorithm robustly detects the plate against the transformation or the difference of color intensity of the plate in the input image. Moreover, the preprocessing step requires only a small number of sample images for the statistical processing. The experimental results show that the algorithm has 97.8% of successful segmentation of the plate from 228 input images. Our prototype implementation shows average processing time of 0.676 seconds per image for a set of $1280{\times}960$ images, executed on a 3GHz Pentium4 PC with 512M byte memory.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 도로 영상으로부터 차량의 번호판 영역을 발견하여 분할하는 알고리즘을 제시하였다. 차량의 번호판 영역을 다른 영역에 대해 차별화하기 위하여 번호판의 내부 문자가 갖는 세로 방향 에지의 분포와 비율, 번호판의 색상 중 hue의 분포, 번호판의 형태가 갖는 특징들에 대해 분석하였다.
본 연구에서는 도로 영상을 입력으로 받을 때, 영상 내부에서 임의의 위치에 존재하는 차량 번호판을 발견하여 분할하는 알고리즘을 제안한다. 입력에 사용하는 영상은 중국에서 촬영되었으며, 야외의 도로 위에 설치된 CCD 카메라에서 순간 촬영한 1280x960의 고해상도를 가지는 정지 영상이다.
입력된 도로 영상에서 번호판 영역을 추출하기 위해서는 번호판 영역을 다른 영역과 구분할 수 있는 특징을 분석해야 한다. 본 연구의 목표는 중국에서 촬영된 도로 영상으로부터터 차량 번호판을 추출하는 것이다. 따라서, 번호판 영역의 특성은 중국번호판을 대상으로 다음의 세 가지 측면에서 고려되었다.
이 절에서는 번호판의 특징 분석 결과와 전처리 과정을 바탕으로 번호판 영역 분할 알고리즘을 제안한다. 2절에서는, 각 픽셀 厶, 에 대해서, 이 픽셀의 세로 방향 에지 성분이 상위 10.
가설 설정
카메라에서 촬영된 영상은 이미 메모리에 로드(load)되어 있다고 가정한다. 입력 영상 1장에 대해 Sobel 에지 계산 및 Hue 값의 계산을 거쳐 이진화를 수행하는데 걸린 평균시 간은 0.
제안 방법
각 사각 영역 佑의 내부 픽셀들에 대해 세로 방향 에지 성분 £妃冲如(%, )를 계산한 후, 이를 세로 방향으로 누적하여 히스토그램으로 표현하여 분석하였다. 히스토그램으로 표현한 경우에는 세로 방향으로 보았을 때, 번호판 내부의 문자들이 세로 방향 에지를 형성하는 부분과 여백으로 인해 세로 방향 에지가 거의 없는 부분이 확연히 구별되어, 세로 방향 에지의 특성을 구별하기가 더 용이하다.
RGB 색상 값은 색상 정보와 명도(intensity) 정보가 구분되지 않으므로, 같은 색상의 번호판들에 대해서도 입력 영상 촬영 당시의 조 도와 카메라 노출 정도에 따라서 명암이 달라지면 RGB 색상 값의 차이는 커진다. 각 입력 영상이 일정한 조도와 일정한 노출에서 촬영되는 효과를 주기 위하여, 즉 영상 전체의 명암도를 정규화(norma前zation)하기 위하여, 입력 영상 각 픽셀의 RGB 색상 값을 HSV(Hue-Saturation-Value) 색상 값으로 변환하여 사용한다. HSV 색상 모델[15]은 value 정보가 명도 값을 가지므로, value를 제외한 hue와 saturation 정보만을 색상판별에 이용하면 각 픽셀의 명도를 정규화한 효과를 얻을 수 있다.
계산상의 편의와 효율성을 높이기 위해, 픽셀 P" 에 대한 hue 값 版e(pQ 은 최종적으로 0 -255 사이의 정수값을 가지도록 하였다. 각 표본 영상, 에 대해서는 hue의 분포를 정규화된 형태로 추출하기 위해, 다음의 알고리즘을 적용하여, 모든 표본 영상들에 대한 평균적인 hue 분포도를 구하였다.
픽셀의 색상에 대해서도 번호판 내부에 포함된다는 것을 판정하는 기준으로 hue 값의 범위를 (, "帳-까*, ;u*+bge)로 설정하였다. 또한 번호판의 규격 및 카메라와 차량 거리에 의해 입력 영상 내에서 번호판 영역 탐색에 사용할 윈도우 의 크기를 WX/, 로 계산하였다. 이에 따라, 제안하는 번호판 영역 분할 알고리즘은 (그림 4)와 같이 구성된다.
RGB 색상 모델로 표현된 입력 영상에 대해 각 픽셀 별로 일단 HSV 색상 모델 중의 hue 값을 계산한다. 또한 입력 영상에 대해 그레이스케일 영상 (grayscale image)을 계산한다. 입력 영상 /내의 각 픽셀 를 그레이스케일(grayscale)로 변환한 후에는 Sobel 에지 검출 방법으로 세로 방향 에지 성분 Edgeg"W(pG 를 계산한다.
본 논문에서 제안하는 알고리즘은 입력되는 각각의 도로 영상에 대해 색상 모델의 변환, Sobel 에지 연산자 적용 등의 영상 처리 과정을 수행한 후 번호판 내부 영역이 강조되도록 이진 영상(binary image)을 생성한다. 그다음 단계에 서는 영상에 포함될 수 있는 번호판의 최대 규격에 맞추어 윈도우의 크기를 설정하여, 윈도우를 이동해가면서 이진화 영상 전반을 탐색한다.
번호판의 형태는 직사각형이며, 촬영된 번호판의 영상 내 크기는 도로에 설치된 카메라와 차량 간의 거리에 의해 일정 범위 내에서 변화할 수 있다. 본 논문에서는 실험에 사용한 총 238장의 도로 영상 중에서 10장의 표본 영상을 택하여, 이들 영상 내에서 번호판을 포함하는 최소 사 각 영역의 크기를 가로 w 픽셀, 세로 /, 픽셀로 설정하였다. 3절에서 설명할 알고리즘에서는 계산의 효율성을 고려하여, 계산된 값에 약간의 여유분을 추가한 w = 190, 力 = 75의 값을 사용하였다.
797 를 얻었다. 이 값들에 대응되는 정규 분포도도 (그림 3)에 함께 표시하였는데, 본 논문에서는 정규 분포에서 약 68.26%의 신뢰도를 얻을 수 있도록, (〃曲 +<7抛) 의 구간을 번호판 내부에 속하는 픽셀들로 판정하도록 하였다. 실험에 사용한 영상들에서는 hue 값이 Hma =灼“-。3* =136.
주어진 이진화 영상에 대해서, WX/! 크기의 모든 가능한 위치의 사각 영역 R에서 score(R) 값을 계산한 뒤, score(R) 값을 크기순으로 정렬한다. 이 과정에서 처리속도의 효율성을 위해 score(R)의 계산은 인접한 영 역들에 대해 점증적 (incremental)으로 계산하였다. 정렬된 리스트 중에서 서로 겹치는 영 역들에 대해서는 겹치는 것들 중에서 宜。*(2?)값이 최대인 것만 남긴다.
차량의 번호판 영역을 다른 영역에 대해 차별화하기 위하여 번호판의 내부 문자가 갖는 세로 방향 에지의 분포와 비율, 번호판의 색상 중 hue의 분포, 번호판의 형태가 갖는 특징들에 대해 분석하였다. 이러한 특징들을 이용하여 임의의 영상 내에서 번호판 영역을 판별하기 위하여, 전처리 과정에서는 표본 영상에 대해 통계 처리를 하여 번호판의 특징을 판별할 수 있는 임계 값을 계산하였다.
실험적으로 분석한 결과로는 특정 차종이나, 특정 색상의 차량에 대해서는 번호판 영역뿐만 아 니라, 헤드라이트 램프 영역이나 라디에이터 그릴 영역이 근소하게 더 높은 score(R) 값을 가지는 경우도 발생할 수 있다. 이를 해결하기 위해, 본 논문에서는 score(R) 값이 큰 순서대로 최대 3개까지의 영역을 후보 영역으로 간주하여, 휴리스틱 적인 판정을 하였다. 즉, 번호판 영역은 차량 영상 내에서 상당히 아래 부분에 위치하게 되므로, 후보 영역들 중에서 이 성질을 만족시키는 영역을 최종적으로 번호판 영 역으로 판정하도록 하였다.
입력에 사용하는 영상은 중국에서 촬영되었으며, 야외의 도로 위에 설치된 CCD 카메라에서 순간 촬영한 1280x960의 고해상도를 가지는 정지 영상이다. 전처리 과정에서는 입력 영상에서 번호판이 차지할 수 있는 영역의 크기, 중국의 차량 번호판이 갖는 기하학적 특징과 색상의 특징들을 분석하고, 표본 영상에 대한 통계 처리를 통하여 이러한 특징들을 판별할 수 있는 임겨] 값(threshold)을 계산한다. 이 과정에서 얻은 임계 값은 차후에 영역 분할 알고리즘에서 입력 영상을 이진화할 때 사용된다.
이를 해결하기 위해, 본 논문에서는 score(R) 값이 큰 순서대로 최대 3개까지의 영역을 후보 영역으로 간주하여, 휴리스틱 적인 판정을 하였다. 즉, 번호판 영역은 차량 영상 내에서 상당히 아래 부분에 위치하게 되므로, 후보 영역들 중에서 이 성질을 만족시키는 영역을 최종적으로 번호판 영 역으로 판정하도록 하였다. 만약 후보 영역들 중에서 영상의 가장 아래 부분에 있는 것이 둘 이상인 경우는 둘 중에서 score(R) 값이 큰 것을 번호판 영역으로 판정하였다.
본 논문에서는 도로 영상으로부터 차량의 번호판 영역을 발견하여 분할하는 알고리즘을 제시하였다. 차량의 번호판 영역을 다른 영역에 대해 차별화하기 위하여 번호판의 내부 문자가 갖는 세로 방향 에지의 분포와 비율, 번호판의 색상 중 hue의 분포, 번호판의 형태가 갖는 특징들에 대해 분석하였다. 이러한 특징들을 이용하여 임의의 영상 내에서 번호판 영역을 판별하기 위하여, 전처리 과정에서는 표본 영상에 대해 통계 처리를 하여 번호판의 특징을 판별할 수 있는 임계 값을 계산하였다.
대상 데이터
hue 값의 분포를 확인하기 위하여, 몇 장의 번호판 표본 영상을 사용하였다. 본 논문에서는 총 10장의 도로 영상에서 번호판 부분을 추출한 후, 이 부분을 X, y축에 정렬되도록 회전시킨 영상을 번호판의 표본 영상로 사용하였다.
번호판 영역을 발견하기 위하여 사용하는 색상 정보는 중국에서 가장 일반적으로 발견할 수 있는 차량 번호판, 즉 경형, 소형, 중형승용차 및 소형적재 차량의 번호판 색상을 대상으로 하여, 바탕색이 청색이고 문자의 색이 백색인 번호판을 표본으로 사용하였다((그림 2) 참조). 번호판 영역에 속한 픽셀들의 hue와 saturation의 특성을 분석한 결과, saturation은 번호판 영역 내에서 뚜렷하게 특징이 드러나지 않는 반면 hue는 분포상의 특징이 뚜렷했다.
그러나 차량의 번호판 영역 외에도 측면 부분 또는 라디에이터 그릴에서도 많은 세로 에지가 존재할 수 있으므로 세로 에지 정보만으로 번호판의 특징을 정의하기는 어렵다. 본 논문에서는 번호판 내부 영역의 세로 에지 포함 비율을 계산하기 위하여 표본 영상을 사용한다. 표본 영상으로 ” 장을 사용한다고 할 때, 각 표본 영상에 대해 번호판 전체를 포함하는 최소 사각 영역 用, 을 추출한다.
hue 값의 분포를 확인하기 위하여, 몇 장의 번호판 표본 영상을 사용하였다. 본 논문에서는 총 10장의 도로 영상에서 번호판 부분을 추출한 후, 이 부분을 X, y축에 정렬되도록 회전시킨 영상을 번호판의 표본 영상로 사용하였다. 각 표본 영상은 다음과 같이 픽셀들의 집합으로 볼 수 있다.
본 논문에서는 총 10장의 표본 영상에서 번호판을 포함하는 최소 사각 영역 肉를 추출하였다. 각 번호판 사각 영역 & 에 대한 히스토그램을 계산한 후, 각 세로 방향의 에지 성분에 대한 분석 결과를 원래의 Edge'허3(pQ 값으로 다시 환산해 보면, EdgeM(pxy) 값들이 평균 /吳'=51.
본 연구는 입력 영상 및 전처리 과정에서 사용되는 표본 영상으로 중국의 번호판을 사용하였다. 그러나, 본 연구 결과가 중국 현지의 번호판에만 적용되는 것은 아니다.
3절에서 설명한 알고리즘에 대한 프로토타입 시스템은 512M 바이트 메모리를 장착한 3GHz 펜티엄4 PC에서 Visual C++로 구현되었다. 입력 영상으로는 실제로 야외의 도로에서 지지 대 위에 설치된 CCD 카메라에서 촬영한 1280x960 크기의 228장의 RGB 컬러 영상들이 사용되었다. 전처리 과정에서는 10장의 표본 영상을 이용하여 細*, %, b膈의 값을 계산하였고, 번호판 탐색에 사용할 윈도우의 크기 由와 九의 값을 유도하였다.
본 연구에서는 도로 영상을 입력으로 받을 때, 영상 내부에서 임의의 위치에 존재하는 차량 번호판을 발견하여 분할하는 알고리즘을 제안한다. 입력에 사용하는 영상은 중국에서 촬영되었으며, 야외의 도로 위에 설치된 CCD 카메라에서 순간 촬영한 1280x960의 고해상도를 가지는 정지 영상이다. 전처리 과정에서는 입력 영상에서 번호판이 차지할 수 있는 영역의 크기, 중국의 차량 번호판이 갖는 기하학적 특징과 색상의 특징들을 분석하고, 표본 영상에 대한 통계 처리를 통하여 이러한 특징들을 판별할 수 있는 임겨] 값(threshold)을 계산한다.
차량 영역 분할 알고리즘은 입력 영상 내부에서 번호판 영역이 강조되도록 영상을 이진화하며, 이때 전처리 과정에서 계산한 임계 값을 사용한다. 차량 번호판 영역을 포함할 수 있는 일정한 규격의 윈도우로 이진화된 영상 전역을 탐색하면서, 윈도우 내부의 픽셀값의 합이 최대가 되는 순서로 번호판의 후보 영역을 선정한다. 선정된 후보 영역들은 영역이 서로 중복되지 않도록 조절되며, 일정한 규칙에 의해 이들 중의 한 영역을 번호판으로 선택한다.
이론/모형
번호판의 영역을 추출하기 위한 기존의 연구는 이진 영상 처리 기법 [4], 신경망과 Markov Random Field를 이용한 기 법[5], 수학적 형태학(mathematical morphology)을 이용하는 기법[6], 번호판 및 번호판 내부 문자의 색상 정보를 이용하거나[7, 8], 또는 색상과 에지 정보를 동시에 고려하는 기법 [9], 번호판 내부의 명암 변화의 특징을 이용하는 방법 [10, 11], 자동차의 구조적 특징을 이용한 방법 [12] 등의 다양한 접근 방법을 사용하였다.
성능/효과
본 논문에서는 총 10장의 표본 영상에서 번호판을 포함하는 최소 사각 영역 肉를 추출하였다. 각 번호판 사각 영역 & 에 대한 히스토그램을 계산한 후, 각 세로 방향의 에지 성분에 대한 분석 결과를 원래의 Edge'허3(pQ 값으로 다시 환산해 보면, EdgeM(pxy) 값들이 평균 /吳'=51.188, 표준 편차 b盹' = 25.626의 분포를 보였다. 번호판 내부에서 세로 방향 에지들은 (그림 1)(3의 히스토그램 예제에서 보는 바와 같이, 여백인 부분과 글자인 부분에서의 편차가 확 연하므로, 3장에서 제안하는 알고리즘에서는 통계적인 관점에서 상위 10% 내에 속하는 부분만을 최종 판정에 사용하였다.
그림에서 분홍색의 사각형 테두리가 최종적으로 번호판으로 판단된 영역이며, 그 외의 다른 사 각형 테두리는 기타 후보 영역들이다. 결과 영상들은 다양한 조도에서 촬영되었으며, 도로 색상의 명도 차이가 그것을 반영한다. 실패 사례 중의 일부는 번호판의 일부가 최종 영역에 포함되지 않은 경우이며, 번호판의 발견에는 성공했으나 문자 한 개 정도를 포함하지 못한 채 일부만 분할한 경우로서 전체의 0.
셋째, 번호판의 형태 및 색상의 특징값에 대해 통계 기법을 사용하므로, 체계적인 절차에 따라 번호판 영역을 추출할 수 있다. 넷째 복잡한 전처리 과정을 요구하지 않고, 적은 수의 표본 영상에 대한 통계처리만으로도 알고리즘 실행 결과의 성공률이 매우 높다.
번호판 영역을 발견하기 위하여 사용하는 색상 정보는 중국에서 가장 일반적으로 발견할 수 있는 차량 번호판, 즉 경형, 소형, 중형승용차 및 소형적재 차량의 번호판 색상을 대상으로 하여, 바탕색이 청색이고 문자의 색이 백색인 번호판을 표본으로 사용하였다((그림 2) 참조). 번호판 영역에 속한 픽셀들의 hue와 saturation의 특성을 분석한 결과, saturation은 번호판 영역 내에서 뚜렷하게 특징이 드러나지 않는 반면 hue는 분포상의 특징이 뚜렷했다.
본 논문에서 제시한 알고리즘은 통계 기법을 사용하여 번호판을 발견하므로, 번호판의 변형 또는 색상 명암도에 차이가 있는 경우에 대해서 안정적이라는 장점을 갖는다. 또한 복잡한 전처리 과정을 요구하지 않고, 적은 수의 표본 영상에 대한 통계처리만으로도 알고리즘 실행 결과의 성공률이 매우 높다.
둘째, 촬영 당시의 조도 변화나 카메라 노출, 또는 번호판 자체의 탈색에 의해 번호판의 색상 명암도에 차이가 있는 경우 등을 모두 처리할 수 있다. 셋째, 번호판의 형태 및 색상의 특징값에 대해 통계 기법을 사용하므로, 체계적인 절차에 따라 번호판 영역을 추출할 수 있다. 넷째 복잡한 전처리 과정을 요구하지 않고, 적은 수의 표본 영상에 대한 통계처리만으로도 알고리즘 실행 결과의 성공률이 매우 높다.
<표 1>에서는 실험 결과를 보인다. 실험에 성공한 사례는 번호판 전체를 포함하는 영역을 최종적으로 추출한 경우를 의미하며, 97.81%의 성공률을 보였다. 번호판이 휘거나 탈색이 된 경우, 번호판의 위치나 영역 크기의 변화가 심한 경우, 또는 차량의 헤드 부분에 복잡한 구조물이 있거나, 문 자로 구성된 장치물이 부착된 경우에도 높은 성공률로 번호판을 분할할 수 있었다.
정렬된 리스트 중에서 서로 겹치는 영 역들에 대해서는 겹치는 것들 중에서 宜。*(2?)값이 최대인 것만 남긴다. 실험적으로 분석한 결과로는 특정 차종이나, 특정 색상의 차량에 대해서는 번호판 영역뿐만 아 니라, 헤드라이트 램프 영역이나 라디에이터 그릴 영역이 근소하게 더 높은 score(R) 값을 가지는 경우도 발생할 수 있다. 이를 해결하기 위해, 본 논문에서는 score(R) 값이 큰 순서대로 최대 3개까지의 영역을 후보 영역으로 간주하여, 휴리스틱 적인 판정을 하였다.
3절에서 설명할 알고리즘에서는 계산의 효율성을 고려하여, 계산된 값에 약간의 여유분을 추가한 w = 190, 力 = 75의 값을 사용하였다. 이 값은 실험에 사용한 총 228장의 도로 영상에서 성공적인 처리의 경우에는 번호판의 실제 영역을 모두 포함하는 결과를 보였다.
위의 함 수 score(%, )를 입력 영상의 모든 픽 셀들에 적용하여 (그림5) 에서와 같이, 이진화된 영상 广을 생성할 수 있다. 이 결과 영상에서 는 함수 score(p“)가 1로 판정되는 픽 셀들이 번호판 부분에 확연하게 몰려 있는 것을 볼 수 있다.
카메라에서 촬영된 영상은 이미 메모리에 로드(load)되어 있다고 가정한다. 입력 영상 1장에 대해 Sobel 에지 계산 및 Hue 값의 계산을 거쳐 이진화를 수행하는데 걸린 평균시 간은 0.477초이며, 이진화된 영상에서 후보 영역을 찾아 최종적으로 번호판 영역을 결정하는데 걸린 평균 수행 시간은 0.199초이다. 따라서, 입력 영상 1장당 평균 0.
이 방법은 기존의 방법들에 비해 다음과 같은 장점을 갖는다. 첫째, 촬영 각도에 의해 영상 내부에서 차량 번호판이 기울어지거나, 번호판 자체가 변형된 경우에도 안정적으로 번호판을 분할할 수 있다. 둘째, 촬영 당시의 조도 변화나 카메라 노출, 또는 번호판 자체의 탈색에 의해 번호판의 색상 명암도에 차이가 있는 경우 등을 모두 처리할 수 있다.
후속연구
향후에는 차량번호판의 번호 인식이나 외관 인식에서 이 방법을 기본연산으로 사용할 예정이다. 또한, 한 장의 입력 영상 안에 차량이 여러 대 포함되어 있을 경우, 여러 개의 번호판을 동시에 발견하는 방법에 대해 연구할 예정이다.
또한 복잡한 전처리 과정을 요구하지 않고, 적은 수의 표본 영상에 대한 통계처리만으로도 알고리즘 실행 결과의 성공률이 매우 높다. 향후에는 차량번호판의 번호 인식이나 외관 인식에서 이 방법을 기본연산으로 사용할 예정이다. 또한, 한 장의 입력 영상 안에 차량이 여러 대 포함되어 있을 경우, 여러 개의 번호판을 동시에 발견하는 방법에 대해 연구할 예정이다.
참고문헌 (15)
T. Naito. T. Tsukada, K. Yamada, K. Kozuka, and S. Yamamoto, 'Robust license plate re cognition method for passing vechicle under outside environment.'IEEE Trans Vehicular Technology. Vol.49, No.6, pp2309-2319, 2000
C. Rahman, W. Badawy, and A. Radmanesh, 'A real time vehicle's license plate recognition system,' In Proc. of IEEE Conference on Advanced Video and Signal Based Surveillance, pp.163-166, 2003
M. Takatoo. M. Kanasaki. T. Mishima. T. Shibata. and H. Ota, 'Gray scale image processing technology applied to vehicle license number recognition system,' Proc. of IEEE Int. Workshop Industrial Applications of Machine Vision and Machine Intelligence, pp.76-79, 1987
Y.Chui and Q. Huang, 'Automatic license extraction from moving vehicles,' Proc. of Int. Conf. Image Processing, pp.126-129, 1997.
J.-W. Hsieh, S.-H. Yu, and Y-S. Chen, 'Morphology-based license plate detection from complex scenes,' Proc. of l6th International Conference on Pattern Recognition, Vol.3, pp.176-179, 2002
김재남, 최태일, 김병기, 'YUV컬러 공간변화에 의한 잡음환경의 차량번호판 영역 추출,' 한국정보처리학회 논문지 D, Vol13-D No.1, pp.125-132, 2006
이화진, 박형철, 전병환, 'HSI와 YIQ의 복합 색상정보를 이용한 차량번호판 영역 추출,' 한국정보처리학회 논문지 A, Vol.7, No.12, pp.3995-4003, 2000
J.-F. Xu, S. F. Li, and M.-S. Yu, 'Car license plate extraction using color and edge information,' Proc. of IEEE 3rd International Conference on Machine Learning and Cybernetics, pp.3904-3907, Aug., 2004
김병기, '명암변화와 칼라정보를 이용한 차량 번호판 인식.'한국정보처리학회 논문지 A, Vo1.6, No.12, pp.3683-3693, 1999
이윤희, 김봉수, 김경환, '자동차 정면의 구조적 특징을 이용한 번호판 영역 추출 방법,' 한국정보과학회 2003년 추계학술대회 Vol.30, No.2-2, pp.601-603, 2003
D. -S. Gao and I. Zhou, 'Car license plates detection from complex scene,' Proc. of 5th International Conference on Signal Processing, pp.1409-1414, Aug. 2000
F. Yang and Z. Ma, 'Vehicle license plate location based on histogramming and mathematical morphology', Proc. of 4th IEEE Workshop on Automatic Identification Advanced Technologies, pp.89-94, Oct., 2005
J. Foley, A. vanDam, S. Feiner, and J. Hughes, Computer Graphics: Principles and Practice, 2nd Edition, Addison Wesley, 1992
※ AI-Helper는 부적절한 답변을 할 수 있습니다.