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 이러한 관점에서 CCD카메라나 디지털 카메라로 입력된 자동차 영상에서 번호판 영역이 기울어져 왜곡되어 있는 경우에도 이 영역을 효과적으로 보정하는 번호판 정규화 기법과 신경회로망 기법을 이용하여 학습된 차번 인식 시스템을 제안한다. 번호판 정규화 과정에서는 먼저 기울기 탐색 방법을 통해 번호판의 상하좌우 테두리 부분에 해당하는 직 선을 검출해 내고 이 네 직선들이 서로 교차되는 교점을 찾아낸다.
- 본 논문에서는 자동차 번호판 인식 시스템에서 매우 중요한 전처리 과정인 번호판 영상의 왜곡 보정 및 정규화 방법 제안하였다. 실험 결과 제안한 방법이 왜곡된 번호판의 네 방향 테두리 기울기를 모두 찾아 보정함으로써 기존의 방법보다 더욱 우수한 왜곡 보정 성능을 보여주는 것을 확인할 수 있었다.
가설 설정
- 여기서, ne총자료수, 兔 는 종속변수;의 拾번째 자료 값 % = 1, 2, b, 는 회귀 계수(/ = 0, 1, 는 독립변수 c, 의 為번째 값, 钦는 北번째 자료의 오차항으로 정의되며 평균과 분산이 각각0, 尸인 서로 독립적인 정규분포를 따르는 것으로 가정한다. 특히, 가장 간단한 선형식인 質 = 1인 경우 회귀 계수는 식 (2), (3) 과 같다.
제안 방법
- 4개의 교점에 의해 표현되는 사변형 모양의 왜곡된 번호판 영상을 직사각형의 영상으로 변환하는 양선형 변환 (Bilinear tnmsformaticm)을 이용하여 정규화함으로써 기하학적으로 왜곡된 영상이 보정된다. 마지막으로 정규화된 번호판 영상에서 문자를 분할하여 Delta-bar-delta 학습 알고리즘에 의해 학습된 문자 인식기를 바탕으로 자동차 번호판을 인식 한다.
- 제안하는 번호판 정규화 방법은 먼저 자동차 번호판 영상에서 번호판의 테두리 부분에 대한 경계선 정보를 잘 반영할 수 있도록 번호판 경계선 추출 영상을 생성하고 이 경계선 추출 영상으로부터 상하좌우 네 방향으로 각각 번호판 테두리에 해당하는 직선을 검출한 후 이 직선의 기울기를 번호판 테두리의 기울기로 판단한다. 그리고, 번호판의 왜곡 보정 방법은 검출된 테두리 직선들의 교점을 각각 구하고 구해진 4개의 교들을 기준으로 양 선형 변환 기법에 의해 정규화된 크기의 영상으로 변환하는 정규화 과정을 수행함으로써 왜곡된 번호판 영상을 정형화된 영상으로 변환한다.
- 번호판의 테두리 부분에 대한 경계선을 검출한 영상을 만들기 위해서 본 논문에서는 컬러 검출 영상과 그레이 영상을 이용한다. 먼저 밝기 정보에 민감하지 않은 컬러 정보인 색상(Hue) 정보를 사용하여 원 영 상에서 번호판 색깔에 해당하는 녹색 영역을 추출한다.
- 영상을 이용한다. 먼저 밝기 정보에 민감하지 않은 컬러 정보인 색상(Hue) 정보를 사용하여 원 영 상에서 번호판 색깔에 해당하는 녹색 영역을 추출한다. 이 때, 번호판의 색상과 유사한 영역 만을 추출하게 되면 번호판 영 역이 추출될 수 있지만 불필요한 다른 영 역도 같이 추출될 수 있으므로 경계선 검출 시 번호판의 테두리 부분이 아닌 부분에서도 경계선이 동시에 검출될 수 있다.
- 따라서 추출된 컬러 영 상에서 Labeling을 수행하여 번호판보다 작은 크기를 가지는 불필요한 컬러 영역들은 제거하고, 번호판 색상 영역이 아닌 내부 숫자 영역은 모폴로지 닫힘 연산(Morphology closing)을 수행하여 번호판 색상 영역으로 채워 버림으로써 불필요한 경계선이 추출되지 않도록 하였다. 이와 같은 과정을 거친 다음 컬러 추출 영상으로부터 경계선 영상을 생성한다.
- 불특정한 영역으로 나타나는 번호판 영역을 직사각형 형태의 정형화된 영상으로 정규화 하기 위해서 그림 3과 같이 4개 방향별로 구분하여 각각 번호판의 테두리직 선을 검출하는 방법을 사용한다.
- Step 3. 목표치 d와 최종 출력 g를 비교하여 오차를 구하고 출력층의 오차 신호 勾와 은닉 층에 전파되는 오차 신호 &를 구한다.
- Step4. A:번째 학습 단계에서의 은닉층과 줄력층간의연결강도 변화량 厶蚀* 및 입력층과 은닉층간의 연결 강도 변화량 厶系 를 구하고 각각의 연결강도를 수정한다.
- 번호판 영 상의 화질 및 번호판을 촬영 하는 각도에 따라 번호판 기울기 보정 및 정규화 성능을 비교 평가하기 위해서 총 621개의 실험 영상을 정면에서 번호판을 촬영한 영상 (정면 영상) 398개와 측면에서 촬영한 영상(측면 영상) 223개로 구분하여 각각의 그룹에 대한 성능 평가를 수행하도록 하였다.
- 따라서 본 논문에서는 제안된 기울기 보정 및 정규화 기법에 의해 왜곡된 번호판 영상이 보정되는 예를 다양한 번호판 영 상을 통해 먼저 살펴본 후, 번호판 문자인식 기를 이용한 문자 인식 결과를 통해 그 유용성을 평가하였다. 그리고 색상 정보를 이용하여 번호판을 추출한 영역을 그대로 인식하는 방법(mefliodl;Noraml), 단순한 Hough 변환을 사용하는 방법(method2;Simple HT), 수정 된 Hough 변환을 사용한 방법(method3;Modified HT) 과 제안된 빙법(memod4;Proposed)을 서로 객관적으로 비교 평가할 수 있도록 하였다.
- 따라서 본 논문에서는 제안된 기울기 보정 및 정규화 기법에 의해 왜곡된 번호판 영상이 보정되는 예를 다양한 번호판 영 상을 통해 먼저 살펴본 후, 번호판 문자인식 기를 이용한 문자 인식 결과를 통해 그 유용성을 평가하였다. 그리고 색상 정보를 이용하여 번호판을 추출한 영역을 그대로 인식하는 방법(mefliodl;Noraml), 단순한 Hough 변환을 사용하는 방법(method2;Simple HT), 수정 된 Hough 변환을 사용한 방법(method3;Modified HT) 과 제안된 빙법(memod4;Proposed)을 서로 객관적으로 비교 평가할 수 있도록 하였다.
- 수정 된 Hough 변환을 사용한 방법은 단순한Hough 변환을 사용하는 방법과 유사하지만 그 단점을 개선한 방법으로써 제안한 방법과 같이 번호판의 테두리 경계선 정보에 불필요한 성분이 포함되지 않도록 하여 효과적으로 직선을 검출하도록 수정한 방법이다. 제안된 방법과 Hough 변환을 사용하는 방법에서 번호판의 기울기 검출범 위 는 -20°~+20°로 설 정 하였다.
- 왜곡된 번호판 영상의 보정 성능이 실제 번호판 문자인식에 얼마나 유용한지를 평가하기 위해 번호판에 존재하는 일련 번호와 차종 코드 숫자에 대한 인식 실험을 수행하였다. 일련 번호는 자동차 번호판에서 가장 크고 비교적 분할이 쉬 운 문자인데 반해 차종 코드는 상대적으로 크기가 작고 한글 문자와 이웃하고 있어서 문자 분할 시 고려해야 할 요소가 더 많다.
대상 데이터
- 자동차 번호판의 문자 인식기의 학습을 위한 특징 벡터는 그림 8과 같은 추출 숫자 영상을20x20 크기로 정규화한 총'400개의 명도값 데이터를 0~1 사이의 값으로 변환하여 사용하였다. 따라서 다층 퍼 셉트론의 입력 노드의 수는 400개 이 며 은닉 노드의 수는 20개, 출력 노드 의수는 10개가 된다.
- 따라서 다층 퍼 셉트론의 입력 노드의 수는 400개 이 며 은닉 노드의 수는 20개, 출력 노드 의수는 10개가 된다. 인식기를 학습하기 위해 사용된 입력 숫자 영상은 실험에 사용되지 않은 불특정 다수의 숫자 영상으로 학습하였다 N
- 본 논문의 실험에 사용된 번호판 영상은 핸드폰 및 다양한 종류의 디 지 털 카메 라(Contax i4r, Sonny P9, Nikon D70) 등으로 촬영된 총 621개의 디지털 영상이다. 번호판 영 상의 화질 및 번호판을 촬영 하는 각도에 따라 번호판 기울기 보정 및 정규화 성능을 비교 평가하기 위해서 총 621개의 실험 영상을 정면에서 번호판을 촬영한 영상 (정면 영상) 398개와 측면에서 촬영한 영상(측면 영상) 223개로 구분하여 각각의 그룹에 대한 성능 평가를 수행하도록 하였다.
이론/모형
- 두 개의 직선이 만나는 교점은 Gauss-Jordan 법에 의해 다음과 같이 선형 연립방정식으로 계산한다. 그림 5 와 같이 두 개의 직선 A, 勾을 행렬로 식 (11)과 같이 나타낼 수 있으며 두 직선의 교점 伝迎)은 식 ((2)와 같이 역 행렬에 의해 표현되며 Gauss -Jordan 법에 의해 구한다.
- 자동차 번호판의 문자를 인식하기 위해서 본 논문에서 는 다양한 응용 분야에서 널리 사용되는 오류 역 전파알고리 즘(BP)을 사용하는 다층 퍼 셉트론으로 숫자 인식기를 구현하였으며 학습 알고리즘은 Delta-bar-delta 알고리즘 [13] 을사용한다.
성능/효과
- 그러므로 이후 과정 인 문자 분할 과정 에 많은 어 려 움을 주게 되고 추출되는 번호판의 문자 또한 기울어지 게 되어 문자 인식 성능을 떨어뜨리는 요인으로 작용하게 된다. 제 안된 방법은 3차원 원근 왜곡이 발생 한다고 하더 라도 번호판의 상하좌우 테두리를 모두 검출하므로 4개의 직선 성분에 의해 번호판의 4개 꼭지점을 검출할 수 있고 이 4개 점을 사용하여 영상을 직사각형 형태로 변환하여 규격 화된 번호판 영상을 만들어 낼 수 있으므로 문자 분할 및 인 식 과정에서 의 오류를 최 소화할 수 있는 장점을 가진다.
- 제안된 방법은 일련 번호와 차종 코드 모두 다른 방법에 비해 월등히 우수한 성능을 나타냄을 알 수 있다. 비교적 인식하기 용이한 일련 번호의 경우 기존의 방법보다 9.
- 비교적 인식하기 용이한 일련 번호의 경우 기존의 방법보다 9.3%(정면영상 8%, 측면영상 11.7%)의 인식률 향상이 있었으며 작은 숫자인 차종 코드의 경우 기존의 방법보다 16.1 %(정면영상 14.9%, 측면영상 18.4%)의 인식률 향상을 나타냄을 알 수 있다. 특히 번호판 영상의 왜곡이 심한 측면 영상에서 상대적으로 더 좋은 인식 성능의 향상을 나타내었다.
- 4%)의 인식률 향상을 나타냄을 알 수 있다. 특히 번호판 영상의 왜곡이 심한 측면 영상에서 상대적으로 더 좋은 인식 성능의 향상을 나타내었다.
- 본 논문에서 사용한621 개의 테스트 영상으로 번호판 문자 인식 시스템의 성능을살펴본결과 실제 번호판 영역의 추출 과정에서도 많은 오류가 발생했으며 기울기 보정이 제대로 되었음에도 불구하고 문자 분할 과정에서의 오류로 인해 제대로 인식되지 않는 영상이 많음을 확인하였다. 그러므로 전체적인 인식 성능의 향상을 위해서는 제안한 번호판 왜곡 보정 단계 및 인식기 성능의 향상 뿐만 아니라 번호판 영역 추출 및 문자 분할 성능 등이 전체적으로 뒷받침되어야 함을 알 수 있으며 문자인식 과정이 이루어지기 전까지의 과정이 종합적으로 잘 처리되지 않으면 결과적으로 최종 인식 성능이 나빠지게 된다.
- 그러므로 전체적인 인식 성능의 향상을 위해서는 제안한 번호판 왜곡 보정 단계 및 인식기 성능의 향상 뿐만 아니라 번호판 영역 추출 및 문자 분할 성능 등이 전체적으로 뒷받침되어야 함을 알 수 있으며 문자인식 과정이 이루어지기 전까지의 과정이 종합적으로 잘 처리되지 않으면 결과적으로 최종 인식 성능이 나빠지게 된다.
- 방법 제안하였다. 실험 결과 제안한 방법이 왜곡된 번호판의 네 방향 테두리 기울기를 모두 찾아 보정함으로써 기존의 방법보다 더욱 우수한 왜곡 보정 성능을 보여주는 것을 확인할 수 있었다. 뿐만 아니라 Delta-bar-delta 알고리즘에 학습된 신경회로망에 의해 문자를 인식하여 일련 번호와 차종 코드에 대해 인식률을 살펴본 결과 기존의 방법보다9%이상 인식률이 향상되는 것을 알 수 있었다.
- 실험 결과 제안한 방법이 왜곡된 번호판의 네 방향 테두리 기울기를 모두 찾아 보정함으로써 기존의 방법보다 더욱 우수한 왜곡 보정 성능을 보여주는 것을 확인할 수 있었다. 뿐만 아니라 Delta-bar-delta 알고리즘에 학습된 신경회로망에 의해 문자를 인식하여 일련 번호와 차종 코드에 대해 인식률을 살펴본 결과 기존의 방법보다9%이상 인식률이 향상되는 것을 알 수 있었다. 특히 번호판의 기울기에 영향을 많이 받는 작은 숫자 영역인 차종 코드에 대해서는 16% 이상 인식률이 향상되었으며 이것은 제안한 방법이 번호판의 왜곡을 보정하는 전처리 기능을 효과적으로 수행했음을 알 수 있었다.
- 뿐만 아니라 Delta-bar-delta 알고리즘에 학습된 신경회로망에 의해 문자를 인식하여 일련 번호와 차종 코드에 대해 인식률을 살펴본 결과 기존의 방법보다9%이상 인식률이 향상되는 것을 알 수 있었다. 특히 번호판의 기울기에 영향을 많이 받는 작은 숫자 영역인 차종 코드에 대해서는 16% 이상 인식률이 향상되었으며 이것은 제안한 방법이 번호판의 왜곡을 보정하는 전처리 기능을 효과적으로 수행했음을 알 수 있었다.
후속연구
- 그림에서 (3)는 번호판의 왜곡이 심하여 테두리 직선이 직선 검색 영역을 벗어나는 경우로 번호판 왼쪽 테두리 검색 시 탐색 영역 왼쪽 위 지점 보다 테두리에 해당하는 직선이 더 왼쪽으로 향해 있어서 가상 직선을 그을 수 없는 경우에 해당된다. 이와 같은유형의 번호판은테두리 검색 영역을더 확장해줌으로써 해결할 수 있지만그렇게 되면 다른 경계선들이 많이 포함되어 테두리가 아닌 부분을 직선으로 검출할 수 있는 문제점이 발생하게 되므로 검색 영역을 적절하게 확장하는 방법에 대한 연구가 필요하다. (b)는 번호판 테두리가 직선 각도 검색 범위를 초과하는 경우로 번호판의 위쪽과 아래쪽 테두리가20°를 초과하여 많이 기울어져 있는 영상이다.
- 이와 같은유형의 번호판영상은매우처리하기 힘든 영상으로 제안하는 번호판 왜곡 보정 기법으로는 해결할 수 없는 영상의 예이다. 이러한문제점을해결할 수 있는 방안은 영상을 획득하는 과정에서 개선되어야 할 부분이 많으며 조명 보정에 관한 전처리나 그림자 처리에 대한 추가적인 연구가 필요할 것으로 판단된다.
- 향후 연구 과제로는 2007년형 신형 자동차 번호판의 특징인 흰색 도색 번호판을 위해 색상 정보를 사용하지 않고 번호판 영역을 추출하는 방법에 대한 연구가 필요하며, 이를 바탕으로 제안한기울기 보정 기법을 더욱 개선하여 번호판 테두리가 심하게 왜곡된 번호판 영상, 경계선 정보가 명 확하게 나타나지 않는 영상 등에 대한 보정 성능 개선에 대한 연구를수행할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.