[논문]하이브리드 통계적 특징 모델과 신경망을 이용한 자동차 번호판 인식

유신; 정병준; 강현철

문제 정의

그러나 일정한 구조를 정의하기가 쉽지 않거나, 변형을 허용하는 경우, 통계적인 특징을 많이 사용하며, 대표적인 통계적 특징으로는 주성분분석 (principal component analysis, PCA), 선형판별분석 (linear discrimination analysis, LDA), 독립성분분석 (independent component analysis, ICA) 등이 있다. 본 논문에서는 도로상의 과적 화물 차량을 대상으로 차량 번호판인식을 하는 경우를 위하여, 조명의 변화 등의 일반적인 승용차량에서의 영상 자체 왜곡뿐만 아니라, 의도적인 물리적 왜곡, 즉 클리핑이나 휘어짐 등의 정도가 큰 경우를 포함한, 보다 다양한 숫자 패턴에 효율적으로 대처하기 위해, 이러한 개별 통계적 특징의 장점을 살리면서, 기존 모델의 단점을 극복하고자 통계적 특징의 혼합 모델을 제안하며, 대표적인 신경망인 다층 퍼셉트론 (multi-layer perceptron)과 교사 학습이 가능하며, 학습이 빠르며, 구현이 용이한 Learning Vector Quan- tizer를 이용하여 제안한 특징의 유효성을 비교, 검증하고자 한다.
문자 추출 효율올 높였다. 본 논문에서는 이러한 과정을 통해 추출된 번호판 숫자 영역을 대상으로 한 숫자 인식을 다루게 된다[1].
이미지간의 상관관계를 제거한다. 이는 결과적으로 기하학적으로 특징의 공간적 배치에 대한 크기에 대한 정규화 된 특성을 고려하는 방법이라 할 수 있다[4丄 산란행렬을 구성하는 과정은 같은 클래스 내(within class)의 분산 %을 최소화하고 다른 클래스 사이(bet- ween class)의 분산 岛은 최대화 시키는데 목적이 있다. 클래스 내 분산과 클래스 간 분산을 수식화하면 식 (7)과 식 (8)로 정리된다,
주성분 분석은 다변량 자료의 총 변이를 주성분이라는 축약된 양을 통해 해석함으로써 다차원 변수들을 단순화 시키고, 서로 상관있는 변수들 간의 내적 구조를 분석하는 데 목적이 있다. 이를 위해 주성분 분석은 고유 영상들의 선형 결합으로 변환시켜서 주성분이라고 부르는 서로 독립적인 변수들을 유도한다.

제안 방법

이런 특성을 극복하기 위해 ICA는 고차 통계적 특성을 이용하여 이미지 간 독립성을 확보하고 이미지의 특성을 분해하며 이는 결국 기하학적으로 이미지의 공간적인 상관관계를 고려하여 회전에 강건한 특성을 가질 수 있도록 하고 있다. ICA를 효과적으로 수행하기 위해 혼합 신호를 대상으로 영 평균과 백색화의 전처리 과정을 수행한다. 이는 신호의 1.
고유벡터의 개수 선택은 분산과 누적분포를 통해 실험적으로 구했다. 표 1은 고유 숫자의 개수에 따른 설명력을 나타낸 겻으로, 표 1에서 보는 것과 같이 고유 숫자의 개수가 100개만 되더라도 전체 학습 패턴의 93.
본 논문에서 제시하는 통계적 특징의 유효성을 검증하기 위하여 통계적 특징 추출 혼합 모델을 실제 번호판 특징 표현에 적용하고 추출된 특징 추출 결과를 신경망에 입력하여 성능 평가를 하였다. 통계적 특징 추출에서 상관관계를 고려한 PCA+LDA+ICA 혼합 모델을 통해 클래스 혹은, 개별 이미지 간의 중복성을 제거함으로써 상관관계를 더욱 효과적으로 제거된 것을 확인할 수 있었다.
본 논문에서는 3차 함수를 이용하여 구현한다. 할 선법을 이용한 최종 갱신된 특징 추출 벡터 WICA = 3가 되며, ICA에 의해 재해석된 입력은 식 (6) 과 같다.
저주파 영상은 원 영상에 5*5 평활화 필터를 적용하여 얻었다. 이렇게 얻어진 차 영상은 밝기 분포에 적응적으로 다중 이중화 영상을 얻기 위해 다중 이진화 임계치로 이진화하였다.
데 목적이 있다. 이를 위해 주성분 분석은 고유 영상들의 선형 결합으로 변환시켜서 주성분이라고 부르는 서로 독립적인 변수들을 유도한다. 여기서, 각주 성분이 가지는 변이의 크기를 기준으로 중요도를 생각할 때, 처음 몇 개의 주성분이 원래 자료에 내재하는 총 변이의 많은 부분을 포함하기 때문에 차원의 축약을 기할 수 있다.
그림 2는 이진화 결과를 나타낸다. 이진화된 영상에서 숫자 영역에 해당하는 부분을 얻어낸 후, 얻어진 숫자 영역이 번호판의 숫자에 해당하는지를 확인하기 위해, 번호판 내에 존재하는 숫자 영역들 중에는 적어도 2개 이상의 이웃을 가진 숫자 영역이 존재하며, 이웃으로 판별된 숫자영역들의 크기는 동일하고, 이읏이라고 판별된 숫자 영역들에서 수직, 수평으로 일정 거리 이내에 수직에 지와 수평에 지가 존재한다는 제약조건들을 적용하여 번호판 영역을 추출한다. 이진화된 번호판 영상에는 여전히 잡음이 섞여있는 상태이므로 영상 내에서 문자들을 추출해 내는 것이 용이하지 않다.
전처리 과정으로 서브 샘플링을 한 후, 차 영상으로부터 번호판 후보영역을 추출한다. 저주파 영상은 원 영상에 5*5 평활화 필터를 적용하여 얻었다.
수 있다. 학습된 클래스의 중심 벡터와 입력 벡터 간의 유클리디언 거리 4, 弓를 비교하여 번호판 문자인식에 적용한다.

대상 데이터

53% 를 설명하고 얐는 것을 알 수 있다. 본 논문에서는 자동차 번호판의 인식률을 높이기 위해 영상 데이터의 차원의 축약 보다는 각 숫자의 특징 정보를 잘 표현할 수 있는 고유 숫자의 개수 선정에 비중을 두어, 99.52%를 설명할 수 있는 400개의 고유 숫자를 선택하였다.
통계적 특징 추출에서 상관관계를 고려한 PCA+LDA+ICA 혼합 모델을 통해 클래스 혹은, 개별 이미지 간의 중복성을 제거함으로써 상관관계를 더욱 효과적으로 제거된 것을 확인할 수 있었다. 인식 성능 분석에 사용한 영상 온 무작위로 선택된 자동차 영상에서 숫자별 50개씩을 선택한 총 500개의 숫자 영상을 대상으로 하였으며, 이 중 300개의 숫자 영상을 학습 데이터로 사용하고, 나머지 200개 숫자 영상을 인식성능을 측정할 테스트 데이터로 사용하였다. 신경망의 파라미터로 학습률을 0.

이론/모형

해를 구하였다. 고정 점 알고리즘에서 도함수 계산의 제약을 해결하기 위한 근사화 기법으로는 할 선법을 사용하였으며, 최종 갱신 식은 식 (5) 와 같다.
LVQ 신경망은 경쟁 시 신경망이 형성하는 결정 경계를 베이시안 최적 결정 경계에 접근하도록 고안된 방법이며, LVQ 신경망의 교사 학습 일고리즘으로는 LVQ1, LVQ2, LVQ3 등 여러 가지 학습 알고리즘이 있다. 본 논문에서는 LVQ2 학습 알고리즘을 이용하여 신경망을 학습한다. LVQ2는 두 개의 중심 벡터에 의해 형성되는 결정 경계를 베이시안 최적 경계에 가까워지도록 하기 위해 한 번에 두 개의 출력 뉴런의 연결 벡터를 갱신하는 방법이다.
이 되며, 본 논문에서는 고정 점 알고리즘을 이용하여 ICA의 해를 구하였다. 고정 점 알고리즘에서 도함수 계산의 제약을 해결하기 위한 근사화 기법으로는 할 선법을 사용하였으며, 최종 갱신 식은 식 (5) 와 같다.

성능/효과

BP-MLP와 LVQ의 인식 결과를 비교, 정리하면, PCA+ 1CA+LDA 혼합 모델이 시간과 인식 성능을 고려했을 때에 가장 우수하다. 인식률만 보면, LDA 단일 모델이 가장 높은 인식 결과를 보이지만 원 영상의 모든 요소를 이용하여, 가장 긴 처리 시간(약 16 배)이 소요된다.
LVQ의 학습 시에는 가중치 행렬의 증가 갱신율이 감소 갱신율보다 낮은 경우, 단일 특징 추출 모델의 성능이 더 좋아지는 경향을 보이고, 반복 횟수에 무관한 성능을 보였으며, 가중치 행렬의 증가 갱신율이 감소 갱신율 보다 높은 경우, PCA+ICA+LDA 혼합 모델만이 파라메터에 관계없이 성능이 좋아짐을 알 수 있다. 따라서 LVQ는 모델에 따라 표 4, 5에서와같이 성능뿐 만이 아니라 시간 면에서 탁월한 성능을 보였다.
그림 6의 PCA+ICA+LDA 혼합모델은 PCA뉘CA 혼합모델의 결과에 다시 LDA를 통해 문자 간의 특성이 최대한 고려 되도록 한 모델로서 문자 간의 다른 특성만 남게 된다. 그림의 결과를 통하여 데이터의 량은 줄이고, 문자의 종류별 특성과 개별 문자의 특성이 모두 고려됨으로써 효과적 특징 추출을 함을 알 수 있다.
Case A는 가중치 행렬 (weighted matrix) 의 증가갱신율(increase update rate) 이 감소 갱신율(decrease update rate) 보다 낮은 경우를 말하며, Case 日는 반대의 경우를 말한다. 먼저 표 4의 결과를 얻은 후, 이를 바탕으로 반복 횟수의 최적화를 통해 거의 동일한 결과를 얻으면서도, 실행 시간은 대폭 줄일 수 있었다
본 논문에서는 숫자의 특징 추출을 위하여 데이터 간의 최적의 산란도를 확보할 수 있는 통계적 특징의 혼합 모델을 제안하였으며, 이는 특징 값의 차원을 감소시키면서도, 개별 문자 간의 고유특징 성분을 잘 유지하여, 화물차량의 차량번호판과 같이, 왜곡의 정도가 심한 경우의 입력 영상에 대하여서도 강건함을 갖게 됨으로써, 자동차 번호판 숫자인식에 효과적인 방법임을 실험을 통해 검증하였다. 아울러 최종 인식 프로세스를 BP-MLF와 LVQ를 각각 사용하여 비교하였으며, BP- MLP는 성능 면에서 탁월함을 보였고, LVQ 망은 성능뿐만 아니라 속도면에서도 좋은 성능을 보였다 모델 선택에 따라 다소 인식 성능의 저하가 있는 경우도 있었으나, 이는 입력 데이터의 감소로 인한 정보 손실에 따른 것이므로, 처리 시간이 민감한 경우, LVQ 망의 선택도 가능함을 알 수 있었다.
통해 검증하였다. 아울러 최종 인식 프로세스를 BP-MLF와 LVQ를 각각 사용하여 비교하였으며, BP- MLP는 성능 면에서 탁월함을 보였고, LVQ 망은 성능뿐만 아니라 속도면에서도 좋은 성능을 보였다 모델 선택에 따라 다소 인식 성능의 저하가 있는 경우도 있었으나, 이는 입력 데이터의 감소로 인한 정보 손실에 따른 것이므로, 처리 시간이 민감한 경우, LVQ 망의 선택도 가능함을 알 수 있었다. 이를 통해 특징 모델과 인식신경망의 선택에 따른 인식률과 프로세싱타임에 대한성능 차이가 확인되었다.
아울러 최종 인식 프로세스를 BP-MLF와 LVQ를 각각 사용하여 비교하였으며, BP- MLP는 성능 면에서 탁월함을 보였고, LVQ 망은 성능뿐만 아니라 속도면에서도 좋은 성능을 보였다 모델 선택에 따라 다소 인식 성능의 저하가 있는 경우도 있었으나, 이는 입력 데이터의 감소로 인한 정보 손실에 따른 것이므로, 처리 시간이 민감한 경우, LVQ 망의 선택도 가능함을 알 수 있었다. 이를 통해 특징 모델과 인식신경망의 선택에 따른 인식률과 프로세싱타임에 대한성능 차이가 확인되었다. 추후 과제로는 보다 다양한 신경망 모델이나 SVM(Support Vector Machine) 둥을이용한 인식 시스템에 적용하는 것과 비교 분석한 각 모델들의 성능 평가 등의 확장된 분석연구가 필요하다.
90로 설정하였다. 자동차 번호판 숫자 영상을 대상으로 하였을 때의 인식률을 분석하면, 혼합 모델들이 단일 모델에 비해 전체적으로 높은 인식 성능을 보이며, 세 가지 혼합 모델 중 PCA+ICA 혼합 모델과 PCA+LDA+ICA 혼합 모델이 입력된 이미지 200장 모두를 인식하는 성능을 보언다. 이는 두 혼합모델이 특징 추출에 대한 분산의 산란 정도를 분석했던 결과와 같이 입력 이미지간의 산란 정도가 다른 모델에 비해 우수함을 의미하며, 따라서 이미지별로 효과적으로 특징이 추출되어 인식에 있어서도 보다 좋은 결과를 나타낸 것이다.
성능 평가를 하였다. 통계적 특징 추출에서 상관관계를 고려한 PCA+LDA+ICA 혼합 모델을 통해 클래스 혹은, 개별 이미지 간의 중복성을 제거함으로써 상관관계를 더욱 효과적으로 제거된 것을 확인할 수 있었다. 인식 성능 분석에 사용한 영상 온 무작위로 선택된 자동차 영상에서 숫자별 50개씩을 선택한 총 500개의 숫자 영상을 대상으로 하였으며, 이 중 300개의 숫자 영상을 학습 데이터로 사용하고, 나머지 200개 숫자 영상을 인식성능을 측정할 테스트 데이터로 사용하였다.
표 2의 다층 퍼셉트론 신경망의 인식 결과는 PCA十 ICA의 혼합 모델이 가장 좋은 성능을 보임올 알 수 있다. 표 3에는 LVQ에 사용된 상세 파라메타를 나타내었다.
하지만, 각 벡터들이 유사성이 떨어질수록 더 산란된값을 보이는 분산 그래프를 비교하여 보면 PCA+ICA+ LDA 혼합 모델의 결과가 PCA+ICA 혼합 모델보다 더산란되어 있으며, 이는 더 효과적으로 상관관계를 제거하였음을 알 수 있다.
그림 7에서 PCA와 LDA 의 경우, 단일 모델을 적용하였을 때도 데이터 에너지 집중화를 통해 데이터가 감소함을 알 수 있다. 하지만, 통계적 특징 추출에서 상관관계를 고려한 PCA+LDA, PCA+ICA 혼합 모델을 통해 클래스 혹은, 개별 이미지 간의 중복성을 제거함으로써 상관관계를 더욱 효과적으로 제거된 것을 확인할 수 있다. 물론, PCA+LDA 혼합모델의 경우, 이미 PCA 단계에서 데이터 압축이 일어났으므로 데이터의 클래스 간, 클래스 내 분산을 최대화하더라도 큰 성능 개선을 보이지 못하고, PCA보다 다소 개선된 결과를 보여준다.

후속연구

이를 통해 특징 모델과 인식신경망의 선택에 따른 인식률과 프로세싱타임에 대한성능 차이가 확인되었다. 추후 과제로는 보다 다양한 신경망 모델이나 SVM(Support Vector Machine) 둥을이용한 인식 시스템에 적용하는 것과 비교 분석한 각 모델들의 성능 평가 등의 확장된 분석연구가 필요하다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

하이브리드 통계적 특징 모델과 신경망을 이용한 자동차 번호판 인식
Recognition of License Plates Using a Hybrid Statistical Feature Model and Neural Networks 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

하이브리드 통계적 특징 모델과 신경망을 이용한 자동차 번호판 인식 Recognition of License Plates Using a Hybrid Statistical Feature Model and Neural Networks 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

유신 (4) 강현철 (19)

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

하이브리드 통계적 특징 모델과 신경망을 이용한 자동차 번호판 인식
Recognition of License Plates Using a Hybrid Statistical Feature Model and Neural Networks 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper