선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
가설 설정
- 1. 다음의 조건을 만족하는 마스크 사이즈 width, height 와 랭크 포지션 i 와 j 을 정한다. i+j = 1 (i ≥ 0, j ≥ 0) 만약 세로 에지 강화를 원한다면 height ≫ width (width 값은 홀수) 만약 가로 에지 강화를 원한다면 width ≫ height (height값은 홀수)
- 5. 만약 분류기의 검출률이 0.5보다 크면 강분류기를 만든다.
제안 방법
- 2. 무작위로 Haar-like feature를 선택하고, 각각의 입력 샘플에 대해 feature 값을 계산한다.
- 3. 중간 픽셀인 fcen 의 밝기값과 오름차순 정렬한 픽셀들에서 N×i 번째에 해당하는 밝기값, N × j 번째에 해당하는 밝기값을 비교한다.
- 식(2)에서 사용된 각각의 좌표를 그림 3에 나타내었으며, 가운데 회색 부분의 사각 영역에 대한 합을 식 (2)를 이용하여 간단하게 구할 수 있다. 4가지 값의 합과 차를 이용하여 임의의 사각영역내의 화소 값들의 합을 간단히 계산한다.
- 다음 그림 1은 본 논문에서 제안된 번호판 검출 시스템을 나타낸다. Haar-Like Feature 및 아다부스트를 이용하여 대략적인 번호판 후보 영역 검출하고, 이후 랭크 필터를 적용한 캐니에지 알고리즘을 이용하여 최종 번호판을 검출해 낸다.
- (4 bit 로는 24 = 16가지의 경우의 수를 나타낼수 있으므로 5 bit 25 = 32 개가 필요하다) 17가지를 표현하기 위해 5 bit 를 사용하는 것은 메모리와 수행 시간의 낭비를 초래한다. 따라서 본 논문에서는 3개의 bit 값으로 Down Sampling 하여 각 부분지역이 총 8가지의 상태를 나타내도록 설계하였다.
- 그림 6은 학습된 분류기로부터 1차적인 번호판 후보 영역을 검출한 실험 이미지이다. 번호판이 존재하는 영역을 녹색 영역으로 표시하였으며 이후 랭크 필터를 적용한 캐니에지 알고리즘을 이용하여 최종 번호판을 검출해 낸다.
- 입력된 RGB 컬러 자동차 이미지는 8bit 의 256가지 밝기값을 가지는 그레이 스케일 이미지로 변환한다. 변환된 그레이 스케일 이미지는 캐니 에지 추출 알고리즘을 통해 에지 성 분을 추출하는데, 기존의 캐니 에지 추출 알고리즘과 달리 1단계에서 가우시안 스무딩을 하지 않고 세로 성분 강화를 위한 랭크 필터 (Rank Filter) 를 적용 시킨다. 랭크 필터는 메디안 필터 (Median Filter) 의 일종으로 세로 성분, 혹은 가로 성분 강화를 위한 필터이다.
- 본 논문에서 제안하는 시스템에서는 번호판 후보 영역의 네 모서리의 좌표값을 추출한 뒤, Perspective Warping 기법을 사용하여 250×100 의 크기로 정규화 한다.
- 본 논문에서는 16×16 으로 크기를 정규화하며 메쉬 특징 벡터 추출을 위해 4×4 씩 총 16개의 부분지역으로 나눈다.
- 본 논문에서는 Binary Input, Binary Output 의 176개 입력층, 88개의 은닉층, 6개의 출력층을 가지는 역전파 학습 알고리즘[16, 17]을 적용한 신경망을 이용하여 특징 벡터를 분류하였다. 흰색과 녹색 번호판에 대해서 각각 숫자 데이터는 12개씩, 문자 데이터는 5개씩 305개의 샘플을 사용하여 학습하였으며 Iteration 은 20,000번을 설정해 주었다.
- 본 논문에서는 Haar-like Feature 및 아다부스트를 이용하여 1차적으로 번호판 후보 영역을 검출하고, 랭크 필터를 적용한 캐니 에지 추출 알고리즘을 이용하여 번호판 영역을 최종 검출한 후, CLNF 알고리즘을 이용하여 문자 영역을 분리해 내었다. 최종 번호판 문자 인식은 메쉬 및 세선화 교차 성분 특징 벡터를 추출하여 역전파 알고리즘으로 학습시킨 신경망을 이용하여 인식을 수행하는 시스템을 제안하였다.
- 본 논문에서는 에지 추출을 수행한 후, 추출된 에지 요소에서 일정한 넓이를 가진 세로 성분을 연결하며 검출하는 알고리즘을 사용했으며 1차적으로 2 픽셀의 넓이, 10 픽셀 이하의 연결된 길이를 가진 직선을 검출한 후 2차적으로 2 픽셀의 넓이, 20 픽셀 이하의 길이를 가진 연속된 직선을 검출하였다. 일정한 길이의 세로 직선을 검출한 뒤에는 번호판의 가로대 세로 비율 정보를 이용하여 그 직선 길이에 일정한 비율로 떨어져 있는 평행한 직선들을 검색한다.
- 녹색 번호판의 경우 배경 (background) 이 검정색이고 전경 (foreground) 인 문자가 흰색이며 흰색 번호판은 그 반대이다. 본 논문에서는 이진화된 번호판 영역의 흰색 화소 빈도를 카운트 하여 검정색 화소보다 개수가 많으면 흰색 번호판, 적으면 녹색 번호판으로 판단하였다.
- 본 논문에서는 자동차 영상을 얻은 뒤 Haar-Like Feature 와 아다부스트를 이용해 대략적인 번호판 후보 영역을 찾아낸후, 랭크 필터 (Rank Filter)[8] 를 이용하여 전처리를 하고, 캐니 에지 추출 (Canny Edge Detection) [9] 알고리즘을 이용하여 세로 라인 검색을 하여 번호판 최종 영역을 추출하는 새로운 방법을 제안한다. 추출된 번호판의 색상 정보를 이용하여 흰색과 녹색의 번호판을 구분하고, Otsu 이진화와 주변 전경 픽셀 전파 알고리즘인 CLNF (CCLUF with NFPP) [10]를 통해 문자를 제외한 잡음을 제거하고 연결 요소 레이블링을 하여 숫자 및 한글 영역을 분리한다.
- 실험에서는 1:2 비율의 흰색 번호판 차량 이미지 35장, 1:5 비율의 흰색 번호판 차량 이미지 72장, 1:2 비율의 구형 녹색 번호판 차량 이미지 24장, 1:2 비율의 신형 녹색 번호판 차량 이미지 38장을 입력하여 번호판 검출 성능과 처리 속도를 비교하였다.
- 아다부스트는 많은 종류의 특징들을 이용해 학습시키기 위한 효과적인 분류기이다. 아다부스트의 기본 알고리즘은 약한 분류기를 선형적 결합에 의해 강한 분류기로 생성하고자 한다. 즉 약한 분류기를 학습 시킨 후 올바르게 분류된 데이터에 대해서는 낮은 에러 가중치가 부과되고 올바르지 않게 분류된 데이터에 대해서는 높은 에러 가중치를 부과한다.
- 본 논문에서는 에지 추출을 수행한 후, 추출된 에지 요소에서 일정한 넓이를 가진 세로 성분을 연결하며 검출하는 알고리즘을 사용했으며 1차적으로 2 픽셀의 넓이, 10 픽셀 이하의 연결된 길이를 가진 직선을 검출한 후 2차적으로 2 픽셀의 넓이, 20 픽셀 이하의 길이를 가진 연속된 직선을 검출하였다. 일정한 길이의 세로 직선을 검출한 뒤에는 번호판의 가로대 세로 비율 정보를 이용하여 그 직선 길이에 일정한 비율로 떨어져 있는 평행한 직선들을 검색한다. 일반적으로 신·구형 녹색 번호판과 일부 흰색 번호판의 경우 세로대 가로가 1:2의 비율을 갖고 있으며 대부분의 흰색 번호판의 경우 1:5의 비율을 갖고 있다.
- 본 논문에서는 Haar-like Feature 및 아다부스트를 이용하여 1차적으로 번호판 후보 영역을 검출하고, 랭크 필터를 적용한 캐니 에지 추출 알고리즘을 이용하여 번호판 영역을 최종 검출한 후, CLNF 알고리즘을 이용하여 문자 영역을 분리해 내었다. 최종 번호판 문자 인식은 메쉬 및 세선화 교차 성분 특징 벡터를 추출하여 역전파 알고리즘으로 학습시킨 신경망을 이용하여 인식을 수행하는 시스템을 제안하였다.
- 본 논문에서는 자동차 영상을 얻은 뒤 Haar-Like Feature 와 아다부스트를 이용해 대략적인 번호판 후보 영역을 찾아낸후, 랭크 필터 (Rank Filter)[8] 를 이용하여 전처리를 하고, 캐니 에지 추출 (Canny Edge Detection) [9] 알고리즘을 이용하여 세로 라인 검색을 하여 번호판 최종 영역을 추출하는 새로운 방법을 제안한다. 추출된 번호판의 색상 정보를 이용하여 흰색과 녹색의 번호판을 구분하고, Otsu 이진화와 주변 전경 픽셀 전파 알고리즘인 CLNF (CCLUF with NFPP) [10]를 통해 문자를 제외한 잡음을 제거하고 연결 요소 레이블링을 하여 숫자 및 한글 영역을 분리한다. 분리된 문자 영역은 메쉬 방법 및 세선화 후 X-Y 투영 방법으로 특징 벡터를 추출한다[11, 12].
- 학습을 위한 마스크의 종류는 그림 2에 기재한 일반적인 4가지 종류를 30×30으로 만들어 사용했으며 14단계의 스테이지를 사용하여 분류하였다.
- 흰색과 녹색 번호판에 대해서 각각 숫자 데이터는 12개씩, 문자 데이터는 5개씩 305개의 샘플을 사용하여 학습하였으며 Iteration 은 20,000번을 설정해 주었다. 학습한 데이터에 대해서 100%의 인식 성공률을 보였으며 저장된 가중치 값을 사용하여 문자 분류에 사용하였다.
대상 데이터
- 대한민국의 자동차 번호판은 1973년 교통부 고시 제 10호를 시작으로 2006년 11월에 이르기까지 수많은 개정을 거쳐 현재의 번호판 체계에 이르렀다. 1978년부터 2002년 12월까지는 등록지역을 구분하는 녹색 번호판이 사용되었으며 2003년부터 현재의 흰색 번호판이 사용되기 이전에는 등록지역의 표기를 없앤 녹색 번호판이 사용되었다. 현재 대한민국의 일반 차량 번호판 규격은 가로로 긴 유럽형 번호판 (520㎜×110㎜)으로 흰색 바탕에 검정색 글자를 사용하고 있으며, 2006년 11월 이전에 긴 번호판을 부착할 수 있도록 제작된 자동차가 아닌 경우에는 짧은 규격의 번호판 (335㎜×155)번호판이 병행하여 부착됐다.
- negative 샘플은 640×480 의 차량이 나오지 않는 사물, 자연, 배경 영상을 사용하였다.
- positive 샘플은 640×480 이미지의 차량 영상에서 직접 획득하였으며 학습의 편의를 위해 번호판영역의 좌표를 입력하지 않고, 직접 번호판 영역을 잘라내어 200×70 으로 정규화하여 사용하였다.
- 본 논문에서는 각 번호판 종류별로 500장의 positive 샘플과 1500장의 negative 샘플을 이용하여 학습하였다. positive 샘플은 640×480 이미지의 차량 영상에서 직접 획득하였으며 학습의 편의를 위해 번호판영역의 좌표를 입력하지 않고, 직접 번호판 영역을 잘라내어 200×70 으로 정규화하여 사용하였다.
- 실험에 사용된 차량 사진 데이터 베이스는 실험자가 후지 파인 픽스 F11을 사용하여 직접 채득하였으며 해상도 640×480, 24bit 컬러 이미지를 사용하였다.
- 본 논문에서는 Binary Input, Binary Output 의 176개 입력층, 88개의 은닉층, 6개의 출력층을 가지는 역전파 학습 알고리즘[16, 17]을 적용한 신경망을 이용하여 특징 벡터를 분류하였다. 흰색과 녹색 번호판에 대해서 각각 숫자 데이터는 12개씩, 문자 데이터는 5개씩 305개의 샘플을 사용하여 학습하였으며 Iteration 은 20,000번을 설정해 주었다. 학습한 데이터에 대해서 100%의 인식 성공률을 보였으며 저장된 가중치 값을 사용하여 문자 분류에 사용하였다.
이론/모형
- 검출단에서의 연산량을 줄이기 위해서 다단계 분류 구조 (Cascade Classifier Structure)를 적용한다. 각 단계는 AdaBoost 알고리즘을 이용하여 과완전 Haar-like feature 집합으로부터 객체와 배경을 가장 잘 구별하는 소수의 Haar-like feature 들을 선택하여 객체의 대부분을 통과시키고 배경의 절반 정도를 걸러내도록 학습되며, 이런 단계들을 여러 개 연결하여 다단계 분류기를 구성한다. 다단계 분류기는 입력 영상의 배경 영역을 차지 하는 큰 영역은 초기 단계들인 단순한 분류기를 사용 하여 제외시키고, 객체일 가능성이 높은 나머지 일부 영역에 대해서만 복잡한 분류기를 사용하여 효율적으로 객체를 검출할 수 있다.
- 각 단계는 Adaboost 알고리즘을 이용하여 과완전 Haar-like feature 집합으로부터 객체와 배경을 가장 잘 구별하는 소수의 Haar-like feature들을 선택하여 객체의 대부분을 통과시키고 배경의 절반 정도를 걸러내도록 학습되며, 이런 단계들을 여러 개 연결하여 다단계 분류기를 구성한다. 다단계 분류기는 영상의 많은 부분을 차지하는 배경 영역을 초기 단계들에서 제외시키고 객체일 가능성이 높은 일부 영역에 대해서만 여러 단계를 거치도록 하여 효율적으로 객체를 검출할 수 있다.
- 약분류기는 강분류기 형태로 결합된다. 검출단에서의 연산량을 줄이기 위해서 다단계 분류 구조 (Cascade Classifier Structure)를 적용한다. 각 단계는 AdaBoost 알고리즘을 이용하여 과완전 Haar-like feature 집합으로부터 객체와 배경을 가장 잘 구별하는 소수의 Haar-like feature 들을 선택하여 객체의 대부분을 통과시키고 배경의 절반 정도를 걸러내도록 학습되며, 이런 단계들을 여러 개 연결하여 다단계 분류기를 구성한다.
- 본 논문에서 제안한 번호판 인식 시스템과의 비교 대상은 동일한 환경에서 번호판 검출 방법을 달리 한 것이다. 번호판 검출 단계에서 Haar-like feature 및 아다부스트를 적용하지 않았고, 문자 추출 과정 및 문자 인식은 동일한 알고리즘을 사용하였다. 다음 표 1~7에 본 논문에서 제안한 시스템과 비교 시스템의 실험결과들은 정리하였다.
- 본 논문은 입력 영상에 대한 차량 번호판의 특징 벡터를 이용하여 차량 번호판 후보 영역을 검출하기 위해 아다부스트 알고리즘을 사용하였다.
- 추출된 번호판의 색상 정보를 이용하여 흰색과 녹색의 번호판을 구분하고, Otsu 이진화와 주변 전경 픽셀 전파 알고리즘인 CLNF (CCLUF with NFPP) [10]를 통해 문자를 제외한 잡음을 제거하고 연결 요소 레이블링을 하여 숫자 및 한글 영역을 분리한다. 분리된 문자 영역은 메쉬 방법 및 세선화 후 X-Y 투영 방법으로 특징 벡터를 추출한다[11, 12]. 추출된 특징 벡터는 역전파 (Backpropagation) 학습 알고리즘을 적용한 신경망을 이용하여 최종 문자 인식을 수행한다.
- 분리된 문자 영역은 메쉬 방법 및 세선화 후 X-Y 투영 방법으로 특징 벡터를 추출한다[11, 12]. 추출된 특징 벡터는 역전파 (Backpropagation) 학습 알고리즘을 적용한 신경망을 이용하여 최종 문자 인식을 수행한다.
성능/효과
- 5% 높은 검출 성공률을 보였다. 1:2 비율의 흰색에 대해서는 2.7%, 1:5 비율의 흰색에 대해서는 2.8%, 녹색 신형의 경우 5.3%씩 높은 검출률을 보였다. Haar-like feature 및 아다부스트를 적용하여 학습한 시스템의 경우 처리 시간에서 10∼20ms 정도가 더 소요되지만 결과적으로 번호판 후보 영역을 찾아내는데 더욱 효과 적인 것으로 판명되었다.
- Haar-like feature 및 아다부스트를 적용하여 학습한 시스템의 경우 처리 시간에서 10∼20ms 정도가 더 소요되지만 결과적으로 번호판 후보 영역을 찾아내는데 더욱 효과 적인 것으로 판명되었다.
- 번호판 검출의 경우 Haar-like feature 및 아다부스트 알고리즘을 이용하여 대략적으로 후보 영역을 검출한 후, 랭크필터와 케니 에지 라인 필터를 적용한 시스템이 Haar-like feature 및 아다부스트 알고리즘을 이용하지 않고 랭크필터와 케니 에지 라인 필터만을 적용한 시스템보다 3.5% 높은 검출 성공률을 보였다. 1:2 비율의 흰색에 대해서는 2.
후속연구
- 다만 번호판 영역을 제대로 찾지 못하는 영상이 총 4장이 있었는데, 이는 아다부스트 학습을 위한 positive 샘플을 획득할때 히스토그램 평활화 혹은 가우시안 스무딩을 이용하여 영상을 전처리해준다면 더욱 좋은 결과를 보일 것으로 생각된다. 또한, 번호판 영역을 찾아낼때 전처리 과정으로 입력영상에 위의 과정을 수행하고, negative 영상을 선택함에 있어서 번호판이 제거된 차량 영상을 더욱 많이 확보한다면 보다 더 정확한 번호판 영역 추출이 가능해 질 것이라 생각된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.