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.
문제 정의
- 본 논문에서는 MCT 특징과 에이다부스트 알고리즘을 이용하여 다양한 입력 영상으로부터 배경 영역을 제외하고 문자 영역들만을 강인하게 검출하는 새로운 방법을 제안하였다. 이를 위해, 먼저 문자의 후보 영역들을 MCT 특징과 에이다부스트 학습 알고리즘을 사용하여 추출하였다.
제안 방법
- Fig. 1에서 보는 바와 같이 제안된 방법에서는 먼저 입력된 영상으로부터 MCT 특징과 에이다부스트 학습알고리즘을 이용하여 입력된 영상으로부터 문자의 후보영역들을 추출한다. 그런 다음, 추출된 후보 문자 영역들을 기하학적인 정보를 이용하여 필터링함으로써 비 문자영역들을 제외하고 실제적인 문자 영역들만을 강인하게 검출한다.
- 93Ghz의 CPU와 8GB의 메인 메모리로 구성되어 있으며, 윈도우 7 운영체제(OS)를 이용하였다. 그리고 마이크로소프트의 비주얼 스튜디오(Visual Studio)와 OpenCV 오픈 라이브러리를 이용하여 제안된 알고리즘을 구현하였다. 본 논문에서는 제안된 알고리즘의 성능을 비교 평가하기 위해서 문자 영역들이 포함된 여러 가지 종류의 테스트 영상들을 수집하여 활용하였다.
- 다음으로는 이전 단계에서 추출한 MCT 특징을 에이다부스트 학습기로 생성한 문자 검출 분류기에 입력시켜서 영상에서 문자 영역의 후보 영역들을 검출한다. 에이다부스트 학습은 부스팅(boosting)의 한 방법으로 분류성능이 떨어지는 여러 개의 약한 분류기(weak learner)들을 조합하여 분류 성능이 좋은 하나의 강한 분류기(strong learner)를 구축하는 알고리즘을 의미한다.
- 따라서 본 논문에서는 MCT 특징과 에이다부스트(Adaboost: adaptive boosting) 알고리즘을 이용하여 입력 영상으로부터 문자 영역만을 강인하게 검출해 내는 새로운 알고리즘을 제안한다. 아래 Fig.
- 에이다부스트 알고리즘을 이용하여 검출한 문자의 후보 영역들을 나타내는 사각형들은 실제 문자 영역이 존재하는 부근에서 집중적으로 나타난다. 따라서 본 논문에서는 먼저 사각형의 위치와 크기별로 그룹핑(grouping)을 수행한 다음, 각 그룹에서 평균 사각형 위치와 평균 사각형 크기에 가장 유사한 사각형을 문자의 대표 후보 영역으로 판단한다.
- 본 논문에서는 이전 단계에서 에이다부스트 학습 알고리즘을 사용하여 추출한 문자의 후보 영역들을 기하학적인 특징들을 사용하여 검증함으로써 최종적인 문자 영역들만을 검출한다.
대상 데이터
- 본 논문에서 실험을 위해서 사용한 컴퓨터는 인텔 Core(TM) i7 2.93Ghz의 CPU와 8GB의 메인 메모리로 구성되어 있으며, 윈도우 7 운영체제(OS)를 이용하였다. 그리고 마이크로소프트의 비주얼 스튜디오(Visual Studio)와 OpenCV 오픈 라이브러리를 이용하여 제안된 알고리즘을 구현하였다.
- 4는 본 논문의 실험에서 MCT 특징 추출과 에이다부스트 학습을 위해서 사용한 자동차 번호판이 포함된 학습 영상과 번호판을 포함하지 않은 배경 영상의 예를 나타낸다. 본 논문에서는 307개의 번호판 영상과 2,736개의 배경 영상들을 이용하여 학습을 진행하였다.
- 그리고 마이크로소프트의 비주얼 스튜디오(Visual Studio)와 OpenCV 오픈 라이브러리를 이용하여 제안된 알고리즘을 구현하였다. 본 논문에서는 제안된 알고리즘의 성능을 비교 평가하기 위해서 문자 영역들이 포함된 여러 가지 종류의 테스트 영상들을 수집하여 활용하였다.
데이터처리
- 본 논문에서는 제안된 자동차 번호판 영역 추출 방법의 성능을 정량적으로 비교 평가하기 위해서 비 문자 영역을 포함하지 않은 정확하게 추출된 문자 영역들과 영상에 존재하는 전체 문자 영역들과의 비율을 백분율(%)로 표시한 식 (3)과 같은 정확도 척도를 사용하였다. 식(3)에서 Ndetected는 제안된 알고리즘을 이용하여 정확하게 검출한 문자 영역들의 개수를 나타내고, Nexisting은 테스트 영상에 존재하는 문자 영역들의 전체 개수를 나타낸다.
이론/모형
- 다음으로는 확장된 문자의 후보 영역들에 대해서Otsu가 제안한 적응적인 알고리즘을 이용하여 이진화(binarization)를 수행한다. 이때 번호판 영역과 같이 문자의 후보 영역에서 글자에 해당하는 부분을 제외한 배경 부분은 일반적으로 글자에 비해 밝을 색을 포함하고 있으므로 이진화에 사용되는 임계값(threshold)은 문자 후보 영역의 평균적인 화소 값보다는 높은 값을 사용한다.
- 본 논문에서는 MCT(Modified Census Transform) 특징[14-15]과 에이다부스트(Adaboost) 학습 알고리즘[16]을 이용하여 입력된 영상으로부터 문자의 후보 영역들을 추출한다.
- 본 논문에서는 코너 점을 추출하기 위해서 영국 캠브리지 대학의 Edward Rosten이 제안한 빠른 코너 추출알고리즘인 FAST를 사용하였다[18]. FAST는 이름에서도 알 수 있듯이 빠른 속도를 추구하는 특징점 추출 방법이다.
- 본 논문에서는 MCT 특징과 에이다부스트 알고리즘을 이용하여 다양한 입력 영상으로부터 배경 영역을 제외하고 문자 영역들만을 강인하게 검출하는 새로운 방법을 제안하였다. 이를 위해, 먼저 문자의 후보 영역들을 MCT 특징과 에이다부스트 학습 알고리즘을 사용하여 추출하였다. 그런 다음, 추출된 문자의 후보 영역들을 기하학적인 특징을 사용해 필터링함으로써 비 문자 영역들을 제외하고 실제적인 문자 영역들만을 강인하게 검출하였다.
성능/효과
- Fig. 7에서 확인할 수 있듯이 제안된 알고리즘을 이용한 방법이 보다 정확하게 문자 영역을 검출한다는 것을 확인할 수 있었다. 다시 말해, 고주파 요소를 활용하는 질감 정보를 이용한 기존의 방법은 배경과 문자 영역 사이의 이진화가 적절히 수행되지 않아 문자 영역의 오 검출이 많이 발생하였다.
- 다시 말해, 고주파 요소를 활용하는 질감 정보를 이용한 기존의 방법은 배경과 문자 영역 사이의 이진화가 적절히 수행되지 않아 문자 영역의 오 검출이 많이 발생하였다. 그러나 제안된 방법은 MCT 특징과 에이다부스트 알고리즘을 이용하였고, 기하학적인 특징을 사용하여 후보 영역을 효과적으로 필터링하였으므로 보다 정확하게 문자 영역들을 검출할 수 있었다.
- 그런 다음, 추출된 문자의 후보 영역들을 기하학적인 특징을 사용해 필터링함으로써 비 문자 영역들을 제외하고 실제적인 문자 영역들만을 강인하게 검출하였다. 실험을 통해 제안된 방법은 기존의 방법에 비해 보다 정확하게 문자 영역들을 검출함을 확인할 수 있었다.
후속연구
- 향후에는 본 논문에서 제안된 문자 영역 검출 방법을 보다 다양한 종류의 실내외 입력 영상들에 적용하여 제안된 알고리즘의 성능을 보다 다양한 환경에서 비교 평가할 계획이다. 그리고 현재까지 진행된 문자 영역 검출알고리즘에 문자 인식(recognition) 모듈을 추가할 예정이다
- 향후에는 본 논문에서 제안된 문자 영역 검출 방법을 보다 다양한 종류의 실내외 입력 영상들에 적용하여 제안된 알고리즘의 성능을 보다 다양한 환경에서 비교 평가할 계획이다. 그리고 현재까지 진행된 문자 영역 검출알고리즘에 문자 인식(recognition) 모듈을 추가할 예정이다
※ AI-Helper는 부적절한 답변을 할 수 있습니다.