다중퍼셉트론을 이용한 자동차 번호판의 최적 입출력 노드의 비율 결정에 관한 연구 Recognition of characters on car number plate and best recognition ratio among their layers using Multi-layer Perceptron원문보기
자동차 번호판 인식은 뺑소니차량의 추적이나 교통량의 측정, 교통사고의 조사 및 차량의 증가에 따른 차량범죄의 추적에 이용되고 있다. 실제 적용되는 교통 환경에서는 눈이나 비 그리고 주야간의 조명 변화에 따라서 입력되는 영상에 외란의 영향을 받기 쉬우며, 또한 영상을 촬영하는 순간의 차량의 직진방향과 카메라가 보는 방향에 따라서 동일한 번호판에 대해서도 기하학적으로 변형된 영상이 입력되게 된다. 본 연구에서는 이러한 카메라를 이용한 번호판 인식 환경의 문제를 해결하는 방법으로 호모그래피를 이용하여 기하학적으로 변형된 영상을 원래의 영상으로 변환하는 방법과 투영 히스토그램을 이용한 문자의 분리 방법을 제안하였다. 분리된 영상은 다중 퍼셉트론방법을 이용하여 문자와 숫자를 인식하였고 특히 최적한 입력, 은닉, 출력 층의 비율을 실험을 통하여 도출 하였다.
자동차 번호판 인식은 뺑소니차량의 추적이나 교통량의 측정, 교통사고의 조사 및 차량의 증가에 따른 차량범죄의 추적에 이용되고 있다. 실제 적용되는 교통 환경에서는 눈이나 비 그리고 주야간의 조명 변화에 따라서 입력되는 영상에 외란의 영향을 받기 쉬우며, 또한 영상을 촬영하는 순간의 차량의 직진방향과 카메라가 보는 방향에 따라서 동일한 번호판에 대해서도 기하학적으로 변형된 영상이 입력되게 된다. 본 연구에서는 이러한 카메라를 이용한 번호판 인식 환경의 문제를 해결하는 방법으로 호모그래피를 이용하여 기하학적으로 변형된 영상을 원래의 영상으로 변환하는 방법과 투영 히스토그램을 이용한 문자의 분리 방법을 제안하였다. 분리된 영상은 다중 퍼셉트론방법을 이용하여 문자와 숫자를 인식하였고 특히 최적한 입력, 은닉, 출력 층의 비율을 실험을 통하여 도출 하였다.
The Car License Plate Recognition(: CLPR) is required in searching the hit-and-run car, measuring the traffic density, investigating the traffic accidents as well as in pursuing vehicle crimes according to the increasing in number of vehicles. The captured images on the real environment of the CLPR ...
The Car License Plate Recognition(: CLPR) is required in searching the hit-and-run car, measuring the traffic density, investigating the traffic accidents as well as in pursuing vehicle crimes according to the increasing in number of vehicles. The captured images on the real environment of the CLPR is contaminated not only by snow and rain, illumination changes, but also by the geometrical distortion due to the pose changes between camera and car at the moment of image capturing. We propose homographic transformation and intensity histogram of vertical image projection so as to transform the distorted input to the original image and cluster the character and number, respectively. Especially, in this paper, the Multilayer Perceptron Algorithm(: MLP) in the CLPR is used to not only recognize the charcters and car license plate, but also determine the optimized ratio among the number of input, hidden and output layers by the real experimental result.
The Car License Plate Recognition(: CLPR) is required in searching the hit-and-run car, measuring the traffic density, investigating the traffic accidents as well as in pursuing vehicle crimes according to the increasing in number of vehicles. The captured images on the real environment of the CLPR is contaminated not only by snow and rain, illumination changes, but also by the geometrical distortion due to the pose changes between camera and car at the moment of image capturing. We propose homographic transformation and intensity histogram of vertical image projection so as to transform the distorted input to the original image and cluster the character and number, respectively. Especially, in this paper, the Multilayer Perceptron Algorithm(: MLP) in the CLPR is used to not only recognize the charcters and car license plate, but also determine the optimized ratio among the number of input, hidden and output layers by the real experimental result.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
일반적인 번호판 인식의 문제는 첫째로 스케일과 회전 등 카메라와 자동차 번호판 사이의 기하학적인 변형을 고려한 인식 알고리즘의 개발이다. 두 번째로는 차량이 주행하는 실제 환경의 주간 및 야간 또는 우기의 조명 변화에 강인한 알고리즘의 개발에 관한 연구이다. 세 번로는 실시간 번호판 인식을 위한 고속화 실현이 가능한 알고리즘의 개발 등이다.
본 연구에서는 자동차의 번호판 인식에 관한 것으로 다양한 기하학적인 변형과 회전 및 스케일 변화 그리고 조명의 변화가 있는 영상을 이용하여 번호판을 인식하는 방법으로 다층 퍼셉트론을 이용한 번호판의 숫자와 문자를 인식하는 방법을 제안하였다. 호모그래피를 이용한 기하학적인 변형이 있는 번호판의 원형복원방법을 제안하였고, 특히 인식률을 높이면서도 최적한 각 층의 개수를 결정하기 위한 최적의 입력층과 출력층 및 은닉층의 노드 개수를 실험을 통하여 결정하였다.
제안 방법
본 연구에서는 그림 8과 같은 다층 퍼셈트론을 이용하여 EBP 알고리즘을 구현하였다. 다층 퍼셉트론 기본구조는 입력층(Input Layer)과 은닉층(Hidden Layer)과 출력층(Output Layer)의 3개 층으로 구성하였다. 입력층와 출력층은 하나이지만 은닉층은 여러개를 가질 수 있으나 본 연구에서도 그림 8과 같이 하나의 은닉층으로 구성하였다.
3장에서는 다중 퍼셉트론을 이용하여 추출된 문자와 숫자의 인식 결과에 관한 것과 최적한 입력층, 은닉층 및 출력층 노드의 개수에 관한 연구결과를 제시한다. 인식률의 변화와 인식 속도의 증가와의 상관관계를 실험을 통하여 확인하였고 최적치를 도출한 연구결과를 제시한다.
본 연구에서는 자동차의 번호판 인식에 관한 것으로 다양한 기하학적인 변형과 회전 및 스케일 변화 그리고 조명의 변화가 있는 영상을 이용하여 번호판을 인식하는 방법으로 다층 퍼셉트론을 이용한 번호판의 숫자와 문자를 인식하는 방법을 제안하였다. 호모그래피를 이용한 기하학적인 변형이 있는 번호판의 원형복원방법을 제안하였고, 특히 인식률을 높이면서도 최적한 각 층의 개수를 결정하기 위한 최적의 입력층과 출력층 및 은닉층의 노드 개수를 실험을 통하여 결정하였다.
이론/모형
본 연구에서는 그림 8과 같은 다층 퍼셈트론을 이용하여 EBP 알고리즘을 구현하였다. 다층 퍼셉트론 기본구조는 입력층(Input Layer)과 은닉층(Hidden Layer)과 출력층(Output Layer)의 3개 층으로 구성하였다.
본 연구에서는 다층 퍼셉트론을 이용한 번호판 인식의 방법으로 다층퍼셉트론 방법을 적용하였다.
성능/효과
본 연구에서 각 층의 노드 개수를 변경하면서 실험한 결과 인식률과 인식속도가 최적화 되는 입력층과 은닉층 및 출력층의 노드 개수의 비는 그림 12와 같이 1:2:1 가 됨을 실험을 통하여 확인하였다.
위의 실험 결과에서 알 수 있는 바와 같이 입력층, 은닉층, 출력층의 노드 개수를 모두 513개의 노드로 설정했을 때 하나의 문자를 인식하기 위한 가중치의 개수는 기하급수적으로 증가함을 알 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
본 논문에서 인식률과 인식속도 최적화를 위한 입력층의 노드 개수는 몇개인가?
그림 12는 입력층의 노드 개수를 513개로 은닉층의 노드 개수를 1023개로 고정하고 출력층의 노드를 증가하면서 인식률과 인식속도를 측정한 그라프이며, 출력층 노드 개수가 입력층 노드 개수와 같은 크기가 되는 곳에서 인식률과 인식속도가 최적화됨을 알 수 있다.
자동차 번호판 인식이 최근 필요성이 요구되고 있는 기술인 배경은 무엇인가?
자동차 번호판 인식은 최근 자동차 보급 증가에 따라 교통량의 측정, 교통사고의 확인과 범죄 차량의 추적 등의 다양한 목적으로 그 필요성이 요구되고 있는 기술이다. 차량 번호판을 인식하는 실제 상황은 눈과 비 그리고 조명의 변화와 차량의 번호판을 촬영하는 카메라와 차량의 위치에 따른 기하학적 변화를 포함한다.
강인한 자동차 번호판 인식 알고리즘 개발이 어려운 이유는 무엇인가?
자동차 번호판 인식은 최근 자동차 보급 증가에 따라 교통량의 측정, 교통사고의 확인과 범죄 차량의 추적 등의 다양한 목적으로 그 필요성이 요구되고 있는 기술이다. 차량 번호판을 인식하는 실제 상황은 눈과 비 그리고 조명의 변화와 차량의 번호판을 촬영하는 카메라와 차량의 위치에 따른 기하학적 변화를 포함한다. 이러한 인식 환경 조건에서 강인한 자동차 번호판 인식 알고리즘의 개발은 많은 어려움들이다[1-8].
참고문헌 (11)
H. Kim, P. Lee, and Y. Kim, "Development of Image processing algorithm on recognition of kind of car and position as well as recognition of car number plate," ICROS, Proc. of the 12th KACC, Phoenix, USA, Oct. 1977, pp. 1718-1721.
D. Kim, S. Lee, M. Kim, and E. Cha, "A study on extraction and recognition of car number plate," Korean Institute of Scientists and Engineers Conf. Proc. Wuhan, China, Oct. 2000, pp. 338-340.
K, Kim and J. Jo, " Recognition of Car Licence Plate Using Fuzzy Networks,," J. of the Korea Society of Computer and Information, vol. 12 no. 5 2007, pp. 313-319
J. Lee and J. Kim, "Recognition of a New Car Plate using Color Information and Error Back-propagation Neural Network Algorithms," J. of the Korea Institute of Electronic Communication Sciences, vol. 5, no. 5, 2010, pp.471-476.
E. Lee, B. Shun, and W. Lee, "Comparative analysis of vehicle license plate recognition algorithm," 2013 Conf. on Information and Control Systems, New Orleans, USA, Nov., 2009, pp. 249-250.
E. Lee, B. Shung, and W. Lee, "A study on Car License Plate Recognition using Multiplayer Perceptron," 29th Institute of Control, Robottics and System Conf., Phoenix, USA, Apr., 2001, pp. 249-250.
S. Jung, "An Efficient Car Management System based on an Object-Oriented Modeling using Car Number Recognition and Smart Phone," J. of the Korea Institute of Electronic Communication Sciences, vol. 5, no. 5, 2012, pp. 471-476.
J. Cho, "Enhanced Fuzzy Binarization Method for Car License Plate Binarization," J. of the Korea Institute of Electronic Communication Sciences, vol. 6, no. 2, 2011, pp. 231-236.
W. Lee and H. Lee, "Error Minimized Laser Beam Point Detection Using Mono-Camera," J. of the Korea Society of Computer and Information, vol. 12, no. 6, 2007, pp. 69-76.
J. Ha, D. Kang, M. Jung, and W. Lee, "Robust segmentation of characters marked on surface." Intelligent Computing in Signal Processing and Pattern Recognition. Springer Berlin Heidelberg, 2006. pp. 478-487.
K. Chong and S. Zak, An introduction to Optimization. 2nd Ed., Wiley, 2001.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.