[논문]차량 번호판 인식을 위한 앙상블 학습기 기반의 최적 특징 선택 방법

조재호; 강동중

doi:10.5370/kiee.2016.65.1.142

차량 번호판 인식을 위한 앙상블 학습기 기반의 최적 특징 선택 방법
An Ensemble Classifier Based Method to Select Optimal Image Features for License Plate Recognition 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.65 no.1, 2016년, pp.142 - 149

조재호 (School of Mechanical Engineering, Pusan National University) , 강동중 (School of Mechanical Engineering, Pusan National University)

Abstract ▼ AI-Helper

This paper proposes a method to detect LP(License Plate) of vehicles in indoor and outdoor parking lots. In restricted environment, there are many conventional methods for detecting LP. But, it is difficult to detect LP in natural and complex scenes with background clutters because several patterns similar with text or LP always exist in complicated backgrounds. To verify the performance of LP text detection in natural images, we apply MB-LGP feature by combining with ensemble machine learning algorithm in purpose of selecting optimal features of small number in huge pool. The feature selection is performed by adaptive boosting algorithm that shows great performance in minimum false positive detection ratio and in computing time when combined with cascade approach. MSER is used to provide initial text regions of vehicle LP. Throughout the experiment using real images, the proposed method functions robustly extracting LP in natural scene as well as the controlled environment.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 다양하고 복잡한 배경을 포함한 일반적인 영상에서 텍스트가 아닌 영역을 제거하고 텍스트를 추출하는 방법을 제안한다. 일단 텍스트 후보 영역이 추출되면, LP 추출을 위한 텍스트 그룹핑 방법을 이용하여 번호판 영역만을 추출하는 방법을 제안한다.

제안 방법

본 논문은 제한되지 않은 일반적인 도심환경의 영상에서 MSER을 통해 문자·숫자와 유사한 영역을 추출한 후, MB-LGP 특징을 정의하고 다수의 특징 풀에서 최적의 특징만을 선택하는 앙상블 기반의 학습 알고리즘을 숫자 추출에 적용하고, 필터링된 영역 유사도가 번호판 형태를 취하는 영역들을 묶는 번호판 인식 알고리즘을 제안하였다. 기존의 LPR 알고리즘은 색상, 문자 위치 정보·크기·색상·주변 경계 등의 유사도를 고려하여 찾기 때문에 추출된 배경의 거짓 긍정 영역들이 번호판과 유사한 패턴을 가진다면 실제 번호판과 잘 구분하지 못한다.

대상 데이터

실험을 위한 샘플 구성은 번호판의 숫자 영역에 그림자나 조명에 따른 편차 등으로 영상이 고르지 않은 열악한 환경에서도 강인한 성능을 보이기 위해 날이 어두울 때, 밝을 때 그리고 그림자가 졌을 때를 고려하여 0부터 9까지 각 숫자에 대한 원본을 50개씩 준비하였다. 그림 4는 학습용 긍정, 부정 샘플의 일부를 보여준다.
그림 4는 학습용 긍정, 부정 샘플의 일부를 보여준다. 준비한 원본 샘플을 1~3° 시계·반시계방향으로 회전(Rotation), 1~3픽셀 상·하·좌·우·대각선 방향으로 이동(Shift)하여 숫자마다 2,800개의 학습용 이미지를 생성하였다. Negative 샘플 추출 시 기존의 문자·숫자 영역을 제외한 영상 내 무작위 데이터 추출이 아닌 MSER로 추출된 영역에서 숫자가 아닌 영역을 Negative 샘플로 사용하였다.

데이터처리

그림 10은 OpenCv_Contrib의 End-to-End 방법[14]과 본 논문의 알고리즘을 비교한 결과이다. 기존의 번호판 인식 알고리즘은 일반적인 풍경을 포함한 번호판 추출에는 적합하지 않으므로 본 논문의 목적과 유사한 텍스트 추출 알고리즘과 비교하였다. 번호판은 텍스트의 특징을 가지고 있으므로 텍스트 추출 알고리즘은 번호판을 인식할 수 있다.

성능/효과

기존의 LPR 알고리즘은 색상, 문자 위치 정보·크기·색상·주변 경계 등의 유사도를 고려하여 찾기 때문에 추출된 배경의 거짓 긍정 영역들이 번호판과 유사한 패턴을 가진다면 실제 번호판과 잘 구분하지 못한다. 제안된 알고리즘은 문자·숫자와 유사 영역에 대해 숫자인지 인식 후, 남은 영역들에 대해 위치·배경색·크기의 유사성이 번호판의 특징을 가졌는지 검사하기 때문에 영역 간 색상 및 색의 강도가 유사하고 위치 정보가 인접한지의 판단을 이용하므로 보다 강인하게 번호판을 찾을 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	LPR 시스템의 일반적인 방법은 무엇인가?	기존의 LPR 시스템은 영상 내 차량 번호판의 위치 인식과 번호판 내 숫자 인식의 두 가지 분야로 구성된다. LPR 시스템의 일반적인 방법으로는 번호판의 컬러, 모양, 대칭, 가로·세로 비율과 같은 이미지 특징을 사용하여 먼저 번호판을 찾고[1, 2] 번호판에서 숫자, 문자 사이의 선, 영역의 블럽(blob)등이 정렬된 정도로 번호판 여부를 측정한다[1, 3]. 컬러, 엣지, 블랍과 픽셀 밝기 같은 이미지 특징을 이용하는 번호판 추출 방법은 해당 특징이 주변의 조명이나 환경적인 변화에 매우 민감하여 영상 내에서 번호판 영역만을 추출하는 것에 많은 제약이 있다.
	LPR 시스템의 구성은 무엇인가?	기존의 LPR 시스템은 영상 내 차량 번호판의 위치 인식과 번호판 내 숫자 인식의 두 가지 분야로 구성된다. LPR 시스템의 일반적인 방법으로는 번호판의 컬러, 모양, 대칭, 가로·세로 비율과 같은 이미지 특징을 사용하여 먼저 번호판을 찾고[1, 2] 번호판에서 숫자, 문자 사이의 선, 영역의 블럽(blob)등이 정렬된 정도로 번호판 여부를 측정한다[1, 3].
	야외 환경에서 대부분의 텍스트 추출 기법 중 패치 방법과 영역 기반 방법의 큰 특징은 무엇인가?	Mishra[10]은 HOG 특징과 SVM 분류기를 기반으로 한 방법(end-to-end method)을 제안하였다. 패치 방법은 텍스트 인식과정 전의 전처리(preprocessing)를 요구하며, 배경에서 정확하게 텍스트 영역을 추출하지는 못한다. 반면에, 영역기반의 방법은 텍스트 가능성이 큰 영역과 텍스트가 아닌 영역을 따로 분할한다. 후처리를 통해 후보 중에서 텍스트를 구분한다. Yao[11]는 스트로크 폭 변환(Stroke Width Transform)방법으로 영역을 추출하였고, Chen[12]은 MSER(Maximally Stable Extremal Regions)을 사용하여 문자의 스트로크 폭을 결정하는 텍스트 추출 방법을 제안하였다.

참고문헌 (28)

Chang, S. L, Chen, L. S., Chung, Y. C. and Chen, S. W., "Automatic license plate recognition," IEEE Trans. Intelligent Transportation Systems 5, 1, 42-53, 2004.

상세보기
J. A. G. Nijhuis, M. H. ter Brugge, K.A. Helmholt, J. P. W. Pluim, L. Spaanenburg, R. S. Venema, M. A. Westenberg, "Car License Plate Recognition with Neural Networks and Fuzzy Logic.," IEEE Int. Conf. Neural Networks, 5, 2232-2236, 1995.
Hontani, H. and Koga, "Character extraction method without prior knowledge on size and position information," IEEE Int. Conf. Vehicle Electronics, 67-72. Intel Company, http://www.intel.com/technology/computing/opencv, 2007.
K. Jung, K. I. Kim, and A. K. Jain, "Text information extraction in images and video: a survey," Pattern Recognition, 2004.
J. Liang, D. Doermann, and H. Li, "Camera-based analysis of text and documents: a survey," IJDAR, 2005.
A. Coates, B. Carpenter, C. Case, S. Satheesh, B. Suresh, T. Wang, D. Wu, and A. Ng, "Text detection and character recognition in scene images with unsupervised feature learning," in Proc. ICDAR, 2011.
T. Wang, D. J. Wu, A. Coates, and A. Y. Ng, "End-to-end text recognition with convolutional neural networks," in Proc. ICPR, 2012.
Y. Netzer, T. Wang, A. Coates, A. Bissacco, B. Wu, and A. Y. Ng, "Reading digits in natural images with unsupervised feature learning," NIPS Workshop on Deep Learning and Unsupervised Feature Learning, 2011.
K. Wang, B. Babenko, and S. Belongie, "End-to-end scene text recognition," in Proc. ICCV, 2011.
A. Mishra, K. Alahari, and C. Jawahar, "Top-down and bottom-up cues for scene text recognition," in Proc. CVPR, 2012.
C. Yao, X. Bai, W. Liu, Y. Ma, and Z. Tu, "Detecting texts of arbitrary orientations in natural images," in Proc. CVPR, 2012.
H. Chen, S. Tsai, G. Schroth, D. Chen, R. Grzeszczuk, and B. Girod, "Robust text detection in natural images with edge-enhanced maximally stable extremal regions," in Proc. ICIP, 2011.
T. Novikova, O. Barinova, P. Kohli, and V. Lempitsky, "Large-lexicon attribute-consistent text recognition in natural images," in Proc. ECCV, 2012.
L. Neumann and J. Matas, "Real-time scene text localization and recognition," in Proc. CVPR, 2012.
Y.-F. Pan, X. Hou, and C.-L. Liu, "Text localization in natural scene images based on conditional random field," in Proc. ICDAR, 2009.
J. Matas, O. Chum, M. Urban, and T. Pajdla, "Robust wide-baseline stereo from maximally stable extremal regions," Image and Vision Computing, 2004.
B. Jun, D. Kim, "Robust face detection using local gradient patterns and evidence accumulation," Pattern Recognition, pp. 3304-3316, 2012.
T. Ojala, M. Pietikainen, D. Harwood, "A comparative study of texture measures with classification based on feature distributions," Pattern Recognition pp. 51-59, 1996.
S. ZHOU, J YIN, "Robust Face Detection Using Multi-Block Local Gradient Patterns and Extreme Learning Machine," Extreme Learning Machines 2013: Algorithms and Applications, vol. 16, pp.81-94, 2014.
P. Viola, M. Jones, "Fast and robust classification using asymmetric adaboost and a detector cascade," in: Proceedings of Advances in Neural Information Processing System, pp. 1311-1318, 2001.
S. Brubaker, J. Wu, J. Sun, M. Mullin, J. Rehg, "On the design of cascades of boosted ensembles for face detection," International Journal of Computer Vision 77, pp. 65-86, 2008.

상세보기
J. Matas, O. Chum, M. Urban, and T. Pajdla, "Robust wide baseline stereo from maximally stable extremal regions.," Proc. of British Machine Vision Conference, pages 384-396, 2002.
C. Shi, C. Wang, B. Xiao, Y. Zhang, and S. Gao, "Scene text detection using graph model built upon maximally stable extremal regions," Pattern Recognition Letters, vol.34, no.2, pp.107-116, 2013.

상세보기
X. Yin, X.-C. Yin, H.-W. Hao, K. Iqbal, "Effective text localization in natural scene images with MSER, geometry-based grouping and AdaBoost," Proc. of ICPR, pp.725-728, 2012.
Y. Li, H. Lu, "Scene text detection via stroke width," Proc. of ICPR, pp.681-684, 2012.
C. Merino-Gracia, K. Lenc, M. Mirmehdi, "A head-mounted device for recognizing text in natural scenes," Proc. of CBDAR, pp.29-41, 2011.
L. Neumann, J. Matas, "Text localization in realworld images using efficiently pruned exhaustive search," Proc. of ICDAR, pp.687-691, 2011.
H. Il Koo, D. H. Kim, "Scene text detection via connected component clustering and nontext filtering," IEEE Transactions on Image Processing, vol.22, no.6, pp.2296-2305, 2013.

상세보기

저자의 다른 논문 :

LOADING...

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