본 논문에서는 효율적인 번호판 인식을 위하여 번호판 영역 식별과 문자 분리, 문자 인식에 적합한 번호판 인식 시스템을 위한 방법들을 제안하고자한다. 번호판 영역 식별에는 실시간 처리가 가능하도록 속도가 빠르고, 번호판 영역의 누락이 없는 방법이 필요하다. 제안된 알고리즘은 효율성을 입증하기 위하여 역전파 알고리즘만을 이용한 인식시스템과 SVM만을 이용한 인식시스템 그리고 제안한 인식 시스템을 각각 실험하였다. 그 결과 역전파 알고리즘을 이용한 경우 87.9%, SVM의 경우91.4%의 번호판 인식을 한 반면 제안된 알고리즘은 98.6%의 인식률을 나타내어 최소 7.9%에서 최대 12.2%의 인식률이 향상되었다.
본 논문에서는 효율적인 번호판 인식을 위하여 번호판 영역 식별과 문자 분리, 문자 인식에 적합한 번호판 인식 시스템을 위한 방법들을 제안하고자한다. 번호판 영역 식별에는 실시간 처리가 가능하도록 속도가 빠르고, 번호판 영역의 누락이 없는 방법이 필요하다. 제안된 알고리즘은 효율성을 입증하기 위하여 역전파 알고리즘만을 이용한 인식시스템과 SVM만을 이용한 인식시스템 그리고 제안한 인식 시스템을 각각 실험하였다. 그 결과 역전파 알고리즘을 이용한 경우 87.9%, SVM의 경우91.4%의 번호판 인식을 한 반면 제안된 알고리즘은 98.6%의 인식률을 나타내어 최소 7.9%에서 최대 12.2%의 인식률이 향상되었다.
This study will suggest methods for a license plate recognition system that is suitable for license plate identification, separation of letters, and recognition of letters in order to recognize a licence plate efficiently. The suggested algorithm had tested a recognition system that onlyused backpro...
This study will suggest methods for a license plate recognition system that is suitable for license plate identification, separation of letters, and recognition of letters in order to recognize a licence plate efficiently. The suggested algorithm had tested a recognition system that onlyused backpropagation, a recognition system that used only SVM, and the suggested recognition system in order to prove efficiency. As a result, recognition rate had increased from the minimum 7.9% to the maximum12.2% as the case of using back propagation recognized the number platefor 87.9%, the case of using SVM for 91.4%, and the suggested had 98.6% of recognition rate.
This study will suggest methods for a license plate recognition system that is suitable for license plate identification, separation of letters, and recognition of letters in order to recognize a licence plate efficiently. The suggested algorithm had tested a recognition system that onlyused backpropagation, a recognition system that used only SVM, and the suggested recognition system in order to prove efficiency. As a result, recognition rate had increased from the minimum 7.9% to the maximum12.2% as the case of using back propagation recognized the number platefor 87.9%, the case of using SVM for 91.4%, and the suggested had 98.6% of recognition rate.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 새로운 번호판 인식 알고리즘을 제시한다. 제안된 알고리즘은 입력영상을 인식하기 위해 먼저 SVM망을 사용한다.
본 논문에서는 효율적인 번호판 인식을 위하여 번호판 인식 시스템을 위한 방법들을 제안하였다. 번호판 영역 식별에는 실시간 처리가 가능하도록 속도가 빠르고, 번호판 영역의 누락이 없는 방법이 필요하다.
제안 방법
본 논문에서 제안된 알고리즘의 성능을 입증하기 위하여 일련의 번호판인식 실험을 진행하였다. 각종 번호판에 대한 데이터베이스를 구축하고 역전파 알고리즘, SVM 및 제안한 알고리즘에 대한 인식 실험을 각각 진행하고 이를 비교하여 제안된 알고리즘의 우수성을 증명하였다.
또한 입력영상이 야간에 취득된 경우 조명의 불균일한 경우에도 안정적으로 번호판 영역을 추출 가능하여야 한다. 이를 위해서는 적절한 전처리 과정을 통하여 영상의 균일성을 추구하고 오류가 포함된 영상도 번호판 영역의 누락이 없는 방법을 사용하였다. 제안된 알고리즘은 먼저 SVM망을 사용하여 역전파 알고리즘의 단점을 극복할 수 있다.
이를 위해서는 적절한 전처리 과정을 통하여 영상의 균일성을 추구하고 오류가 포함된 영상도 번호판 영역의 누락이 없는 방법을 사용하였다. 제안된 알고리즘은 먼저 SVM망을 사용하여 역전파 알고리즘의 단점을 극복할 수 있다. 그러나 SVM은 여러 개의 분류기를 생성할 수 있기에 SVM이 선택한 해법들 중 가장 좋은 해법을 찾기 위해 역전파 알고리즘을 사용하였다.
그러나 SVM은 여러 개의 분류기를 생성할 수 있기에 SVM이 선택한 해법들 중 가장 좋은 해법을 찾기 위해 역전파 알고리즘을 사용하였다. 제안된 알고리즘은 효율성을 입증하기 위하여 역전파 알고리즘만을 이용한 인식시스템과 SVM만을 이용한 인식시스템 그리고 제안한 인식 시스템을 각각 실험하였다. 그 결과 역전파 알고리즘을 이용한 경우 87.
대상 데이터
차량에서 전면에 부착된 번호판이 돌출되어 있는 반면, 후면에 부착된 번호판은 함몰되어 있어 번호판의 일부가 패색 될 수 있다. 따라서 전면에서 촬영된 번호판 영상이 추출 및 인식 대상으로 이용되었다.
설치된 카메라를 원격 팬-틸트-줌(pan-tilt-zoom) 제어하여 카메라로부터 20~100m 이내에 있는 차량을 정면에서 획득하였다. 차량에서 전면에 부착된 번호판이 돌출되어 있는 반면, 후면에 부착된 번호판은 함몰되어 있어 번호판의 일부가 패색 될 수 있다.
다양한 번호판 취득을 위하여 도로변에 그림 2과 같이 시스템을 구성하였다. 시스템은 유진시스템의 YSDP-522-35 스피드돔 카메라를, 프레임그래버는 HikVision사의 DS-4004HCI를 사용하였다. 입력된 영상은 4CIF 규격인 720×480으로 변환하였고, P4 듀얼코어 PC에서 수행하였다.
이론/모형
제안된 알고리즘은 먼저 SVM망을 사용하여 역전파 알고리즘의 단점을 극복할 수 있다. 그러나 SVM은 여러 개의 분류기를 생성할 수 있기에 SVM이 선택한 해법들 중 가장 좋은 해법을 찾기 위해 역전파 알고리즘을 사용하였다. 제안된 알고리즘은 효율성을 입증하기 위하여 역전파 알고리즘만을 이용한 인식시스템과 SVM만을 이용한 인식시스템 그리고 제안한 인식 시스템을 각각 실험하였다.
본 논문에서는 새로운 번호판 인식 알고리즘을 제시한다. 제안된 알고리즘은 입력영상을 인식하기 위해 먼저 SVM망을 사용한다. 그러나 SVM은 여러 개의 분류기를 생성할 수 있는 단점이 있다.
성능/효과
본 논문에서 제안된 알고리즘의 성능을 입증하기 위하여 일련의 번호판인식 실험을 진행하였다. 각종 번호판에 대한 데이터베이스를 구축하고 역전파 알고리즘, SVM 및 제안한 알고리즘에 대한 인식 실험을 각각 진행하고 이를 비교하여 제안된 알고리즘의 우수성을 증명하였다.
제안된 알고리즘은 효율성을 입증하기 위하여 역전파 알고리즘만을 이용한 인식시스템과 SVM만을 이용한 인식시스템 그리고 제안한 인식 시스템을 각각 실험하였다. 그 결과 역전파 알고리즘을 이용한 경우 87.9%, SVM 의 경우 91.4%의 번호판 인식을 한 반면 제안된 알고리즘은 98.6%의 인식률을 나타내어 최소 7.9%에서 최대 12.2%의 인식률이 향상되었다.
제안된 방법에 의한 번호판 위치 식별은 평균 98.3% 인식률을 나타내었다. 이를 표 3과 그림 5에 나타내었다.
그러기에 SVM이 선택한 해법들 중 가장 좋은 해법을 찾기 위해 역전파 알고리즘을 사용하는 것이다. 제안된 알고리즘은 역전파 알고리즘과 SVM의 단점을 피하고 장점을 향상시켜, 각각 인식하는 것보다 보다 인식 성공률을 높일 수 있었다.
질의응답
핵심어
질문
논문에서 추출한 답변
SVM이란 무엇인가?
SVM은 분류 및 회귀에 사용되는 지도학습법들의 집합이다. SVM은 입력 데이터를 n차원 공간에 있는 두 집합의 벡터들로 보면서, 그 두 데이터 집합들 간의 가장자리를 극대화하는 공간인 그 공간 내에 하나의 분리하는 초평면을 만든다.
역전파알고리즘은 어디에 있어서 문제점을 가지고 있는가?
역전파알고리즘(BP: back propagation) 및 SVM(support vector machine)은 각종 인식에 유용한 알고리즘이지만 번호판 인식에 있어서는 약간의 문제점을 가지고 있다. 역전파 알고리즘의 경우 다중 분류기로 이는 역전파 알고리즘의 출력은 전체 문자 표본들로부터 단순한 결과를 생성한다.
더 많은 문자들을 분류하기 위해서는 보다 많은 역전파 네트워크 선택을 필요로 하는 이유는 무엇인가?
역전파알고리즘(BP: back propagation) 및 SVM(support vector machine)은 각종 인식에 유용한 알고리즘이지만 번호판 인식에 있어서는 약간의 문제점을 가지고 있다. 역전파 알고리즘의 경우 다중 분류기로 이는 역전파 알고리즘의 출력은 전체 문자 표본들로부터 단순한 결과를 생성한다. 따라서 더 많은 문자들을 분류하기 위해서는 보다 많은 역전파 네트워크 선택을 필요로 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.