[논문]가우시안 창을 이용한 번호판 영역 검출

강용석; 배철수

doi:10.7840/kics.2012.37a.9.780

가우시안 창을 이용한 번호판 영역 검출
License Plates Detection Using a Gaussian Windows 원문보기

한국통신학회논문지. The journal of Korea Information and Communications Society. 무선통신, v.37A no.9, 2012년, pp.780 - 785

강용석 (한국폴리텍대학 자동차학과) , 배철수 (관동대학교 전자통신공학과)

초록
AI-Helper

본 논문은 차량 번호판 중앙부 위치값을 기반으로 한 신경망을 이용하여 차량의 번호판 영역을 추출하는 방법을 제안하고자 한다. 임의의 숫자들로 정의된 번호판영역에 대한 학습패턴과 넓은 범위를 수용할 수 있도록 한 신경망의 학습패턴을 이용하여 보다 효율적인 방법을 제시하였다. 학습패턴으로 차량 번호판 인식의 최적화을 이루었고 차량번호 및 헤드라이트 부분의 은닉효과와, 학습패턴의 확대 및 감소에 대하여 연구하였다. 위의 과정을 통하여 지하주차장에서 595여대의 자동차에 대하여 번호판 영역을 추출한 결과 98.5%의 인식율을 보여주었다.

Abstract ▼ AI-Helper

In the current study, the authors propose a method for extracting license plate regions by means of a neural network trained to output the plates center of gravity. The method is shown to be effective. Since the learning pattern presentation positions are defined by random numbers, a different pattern is submitted to the neural network for learning each time, which enables it to form a neural network with high universality of coverage. The article discusses issues of the optimal learning surface for a license plate covered by the learning pattern, the effect of suppression learning of the number and headlight sections, as well as the effect of learning pattern enlargement/reduction and of concentration value conversion. Results of evaluation tests based on pictures of 595 vehicles taken at an underground parking garage demonstrated detection rates of 98.5%.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 신경망을 통한 차량번호판의 위치를 검출하는 방법을 제안하고 그 유효성을 보여주었다. 실험을 통해 윈도우 영역이 번호판 최적의 학습영역에 포함될 때 투영 합산 과정에 가우시안창을 적용함으로써 끼치는 영향에 대해서도 고찰하였다.
본 논문은 차량 번호판 중앙부 위치값을 기반으로한 신경망을 이용하여 차량의 번호판 영역을 추출하는 방법을 제안하고자 한다. 임의의 숫자들로 정의된 번호판영역에 대한 학습패턴과 넓은 범위를 수용할 수 있도록 한 신경망의 학습패턴을 이용하여 보다 효율적인 방법을 제시하였다.
본 논문에서는 신경망을 통한 차량번호판의 위치를 검출하는 방법을 제안하고 그 유효성을 보여주었다. 실험을 통해 윈도우 영역이 번호판 최적의 학습영역에 포함될 때 투영 합산 과정에 가우시안창을 적용함으로써 끼치는 영향에 대해서도 고찰하였다. 번호판 영역이 학습패턴에 의해 60% 이상 포함됐을 경우 32화소 값의 변화폭으로 595대의 자동차를 통해 실험한 결과로 97.

가설 설정

3. 그림 6에서 보여주는 것과 같이 임의의 이동값을 가지고 윈도우 영역을 x와 y방향으로 스캔한다.
4. 모든 입력 이미지는 1-3까지의 반복된 과정을 통해서 구해진다.

제안 방법

본 논문은 차량 번호판 중앙부 위치값을 기반으로한 신경망을 이용하여 차량의 번호판 영역을 추출하는 방법을 제안하고자 한다. 임의의 숫자들로 정의된 번호판영역에 대한 학습패턴과 넓은 범위를 수용할 수 있도록 한 신경망의 학습패턴을 이용하여 보다 효율적인 방법을 제시하였다. 학습패턴으로 차량 번호판 인식의 최적화을 이루었고 차량번호 및 헤드라이트 부분의 은닉효과와, 학습패턴의 확대 및 감소에 대하여 연구하였다.
임의의 숫자들로 정의된 번호판영역에 대한 학습패턴과 넓은 범위를 수용할 수 있도록 한 신경망의 학습패턴을 이용하여 보다 효율적인 방법을 제시하였다. 학습패턴으로 차량 번호판 인식의 최적화을 이루었고 차량번호 및 헤드라이트 부분의 은닉효과와, 학습패턴의 확대 및 감소에 대하여 연구하였다.

대상 데이터

실제와 같은 환경을 위해서, 이 실험에서 사용된 이미지는 지하의 주차 차고에서 일시적으로 주차된 자동차의 이미지를 CCD 카메라에 의해 획득하였다. 입력이미지 순서는 그림 7에서 보여주는 것과 같다.
입력이미지 순서는 그림 7에서 보여주는 것과 같다. 실험을 위하여 차량 595대의 이미지를 데이터 베이스화했고 데이터베이스화한 이미지 중에 22%는 배경색상이 번호판과 같은 그린색이다. 차량의 위치에 따라 촬영거리가 일정하지 않아 차량번호판의 사이즈가 모두 일정하지는 않다.
투영 합산이 이루어질 때 이미지의 출력 값에 가우시안창을 적용하는 것은 번호판 인식율을 증가시키는데 영향을 끼친다. 우리는 실험에서 윈도우 크기를 16에서 28까지 화소를 변화시키며 다양한 윈도우 크기를 가지고 실험하였다. 명확한 결과값를 얻기 위해, 윈도우 영역에서 x와 y 방향 모두 64화소로 이동폭을 설정해야 했다.

성능/효과

5%의 인식율을 나타냈다. 그리고 본 실험에서 제거 패턴을 사용함으로써 번호판 주위나 헤드라이트 부분의 검출오류데이터를 억압함으로써 실제 번호판을 인식하는데 98.7%까지 개선된 결과를 보여주었고 여러 학습패턴을 적용함으로써 향상된 결과값을 얻을 수 있었다. 향후 과제로 100%의 결과를 산출하기 위해서는 번호판과 차량이 색상이 동일한 경우일 때나 기타 다른 요소들을 배제할 수 있는 기술이 요구된다.
셋째, 낡은 번호판이나 오염에 의하여 다소 잡음이 있는 경우에도 인식이 가능해야 한다. 넷째, 가급적 실시간 처리가 가능해야 하며 적절한 처리 성능을 가져야 한다.
첫째, 입력된 번호판의 위치, 크기, 어느 정도의 기울어짐에 관계없이 인식이 가능해야 한다. 둘째, 빛의 양과 같은 촬영환경의 변화에 관계없이 안정적인 번호판 인식이 가능해야 한다. 셋째, 낡은 번호판이나 오염에 의하여 다소 잡음이 있는 경우에도 인식이 가능해야 한다.
그림 9와 표 1에 학습영역 α에 따른 번호판 검출 수와 검출률을 나타내었다. 번호판 입력 영역이 60%이상을 포함할 경우 98.5% (587/595)의 값으로 가장 좋은 인식률을 보여주었다. 실험을 통해 최적의 학습영역을 (α=60) 산출해 낼 수 있었다.
번호판의 최적의 학습 영역을 얻는 것에 대한 실험은 다수의 검출오류가 번호판 주위의 부분과 전조등 부분에 나타나는 것을 확인하였다. 제거 학습을 통해 검출오류 부분을 제거하기위해 이 학습법을 사용하였다.
둘째, 빛의 양과 같은 촬영환경의 변화에 관계없이 안정적인 번호판 인식이 가능해야 한다. 셋째, 낡은 번호판이나 오염에 의하여 다소 잡음이 있는 경우에도 인식이 가능해야 한다. 넷째, 가급적 실시간 처리가 가능해야 하며 적절한 처리 성능을 가져야 한다.
그러므로 팽창 학습에서 작은 번호판 영역을 포함하는 패턴을 포함하지 않기로 했다. 윈도우 영역의 변화 넓이는 x와 y방향으로 32화소로 설정하였고 번호판이 60%이상 번호판 입력 영역에 포함될 경우 성공적인 인식률을 확인하였다. 그림 8은 투영 합산의 예로서 원의 크기에 따른 신경망에서의 응답 포인트를 보여준다.
그림 11과 표 2는 제거 학습법을 적용한 후에 얻어진 검출결과를 나타내었다. 제거 학습을 사용하지 않은 경우 93.3%의 검출률을 보여 주었고 번호판 주위를 제거한 경우 95.3%, 헤드라이트를 포함해서 제거한 경우는 96.5%까지 증가했음을 보여주고 있다. 32화소 너비로 이동하였을 경우 98.
차량의 번호판 자동인식은 차량영상에서의 번호판 추출, 추출된 번호판영역에서의 특징구분에 의한 문자 구분, 각 특징에 대한 문자 인식의 단계로 구분되며, 다음의 4가지 성질을 만족시켜야 한다. 첫째, 입력된 번호판의 위치, 크기, 어느 정도의 기울어짐에 관계없이 인식이 가능해야 한다. 둘째, 빛의 양과 같은 촬영환경의 변화에 관계없이 안정적인 번호판 인식이 가능해야 한다.

후속연구

7%까지 개선된 결과를 보여주었고 여러 학습패턴을 적용함으로써 향상된 결과값을 얻을 수 있었다. 향후 과제로 100%의 결과를 산출하기 위해서는 번호판과 차량이 색상이 동일한 경우일 때나 기타 다른 요소들을 배제할 수 있는 기술이 요구된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	차량의 번호판에서 센터위치는 어떤 과정에 의해 진행되는가?	1. 신경망을 통해 윈도우 영역의 압축이미지를 가지고 3-1에서 기술했던 것과 같은 방법을 사용함으로써 출력값을 계산할 수 있다. 2. 산출된 출력값 16×8과 확대된 192×96값을 가지고 가우시안창을 적용함으로써 처리한다. 3. 그림 6에서 보여주는 것과 같이 임의의 이동값을 가지고 윈도우 영역을 x와 y방향으로 스캔한다. 4. 모든 입력 이미지는 1-3까지의 반복된 과정을 통해서 구해진다. 5. 계산을 통해 산출된 값 중에 가장 큰 출력 값이 번호판의 중앙부 위치 값이 된다.
	차량의 번호판 자동인식은 어떤 4가지 성질을 만족시켜야 하는가?	차량의 번호판 자동인식은 차량영상에서의 번호판 추출, 추출된 번호판영역에서의 특징구분에 의한 문자 구분, 각 특징에 대한 문자 인식의 단계로 구분되며, 다음의 4가지 성질을 만족시켜야 한다. 첫째, 입력된 번호판의 위치, 크기, 어느 정도의 기울어짐에 관계없이 인식이 가능해야 한다. 둘째, 빛의 양과 같은 촬영환경의 변화에 관계없이 안정적인 번호판 인식이 가능해야 한다. 셋째, 낡은 번호판이나 오염에 의하여 다소 잡음이 있는 경우에도 인식이 가능해야 한다. 넷째, 가급적 실시간 처리가 가능해야 하며 적절한 처리 성능을 가져야 한다.
	번호판 자동인식의 핵심과제는 무엇인가?	따라서 차량의 다양한 규격과 조명 및 주변 환경 등에 제한을 받지 않고, 정확하게 번호판 영역을 추출하고 인식하는 것이 번호판 자동인식의 핵심과제이다. 차량의 번호판 자동인식은 차량영상에서의 번호판 추출, 추출된 번호판영역에서의 특징구분에 의한 문자 구분, 각 특징에 대한 문자 인식의 단계로 구분되며, 다음의 4가지 성질을 만족시켜야 한다.

참고문헌 (13)

K. Imai, K. Gohara, and Y. Uchigawa. Recognition of laterally written character lines using a 3-layered model. Trans. I.E.I.C.E., PRU91-3, 1991.
J. Nishimura and N. Koyama. Learning capability vs input pattern resolution in back propagation method. Trans. Inst. Inf. Proc. Eng. Jpn., 35, No. 11, pp.2331-2337, 1994.
H. Kato et al. Number plate recognition techniques. Mitsubishi Electric Industries Review, 62, No. 2, pp.8.12, 1988.
H. Takahashi, E. Maeda, A. Shio, and K. Ishii. Image recognition techniques for automation of parking garage supervision. NTT R&D, 41, No. 4, pp.493-500, 1992.
Y. Handa et al. Development and applications of fast image processing devices. Mitsubishi Heavy Industries Review, 27, No.1, pp.76-80 1990.
M. Deguchi, K. Kato, G. Miya, and M. Hinenoya. Development of a number plate reading device for computing the travel time. Sumitomo Electrical Industries, No. 139, pp.8-13, 1991.
T. Sai, T. Agui, and M. Nakajima. Number plate region extraction method using adaptive parameter flat area-restricted half conversion. I.E.I.C.E. (D-II),72, No. 4, pp. 597-604, 1994.
F. Martin, M. Garcia, and L. Alba, "New methods for automatic reading of VLP's (Vehcle License Plates)," in Proc. IASTED Int. Conf. SPPRA, Jun. 2002.
B. Hongliang and L. Changping, "A hybrid license plate extraction method based on edge statistics and morphology," in Proc. ICPR, pp. 831-834, 2004.
D. Zheng, Y. Zhao, and J. Wang, "An efficient method of license plate location," Pattern Recognit. Lett., vol. 26, no. 15, Nov. pp.2431-2438, 2005.

상세보기
ZHOU Kaijun, CHEN Sanbao, XU Jiangling, Research of Vehicle License Plate Location and Character Segmentation Under Complex Scenes, Computer Engineering, pp.198-200, 2007.
HO-Sik Park, Cheol-Soo Bae, "An Efficient Vehicle Parking Detection Method Using Gray Scale Images", Journal of Korea Information and Communications Society, Vol 36, No10, pp.629-634, 2011.

원문보기 상세보기
Cheol-Soo Bae, Hyun-Yeol Kim, Tae-Woo Kim, Yong-Seok Kang, Suen-Ki Hwang, "Implementation of Smart car using Fuzzy Rules", Journal of Korea Institute of Information, Electronics and Communication Technology, Vol. 5, No2, 2012.

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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