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 번호판 인식을 위한 간단한 형태의 모듈라 신경망올 제안하고 이의 성능을 평가하였다. 일반적으로 모듈라 학습은 크게 두 단계로 이루어지는데, 첫 단계는 문제를 작은 문제로 분할하는 단계이며, 두 번째 단계는 분할된 문제를 별도의 분류기를 사용하여 학습하고 각 분류기의 결과를 통합하여 최종 결정을 내리는 단계이다.
제안 방법
- 본 논문에서는 대상 패턴을 몇 개의 그룹으로 나누고 이들 각각을 다층퍼셉트론을 사용하여 학습하는 방법을 선택하였다. 다른 인공신경망 모델을 선택 할 수도 있지만 다층퍼셉트론이 기본적인 인공신경망 모델이고 구현이 용이한 관계로 본 논문에서는 이 모델을 선택하였다. 본 논문의 2장에서는 번호판 인식을 위한 모듈라 신경망 구성방법에 대해 소개하고 3장에서는 실험을 통한 검중을 4장에서는 결론 및 향후 연구 과제에 대해서 다룬다.
- 본 논문에서 사용한 특징 벡터는 문자 영상을 이진화 한 후 1의 개수가 같도록 가변 그물눈을 생성한 후 각 블록 내에서의 1의 비율을 계산한 값을 사용하였다. 그물눈은 수평 방향으로 8분할하고 수직 방향으로 8분할하였다, 즉, 특징 벡터는 64차원 (8X8)이며 각 차원은 0과 1 사이의 값을 갖는다.
- 본 논문에서 획득된 차량 영상에서 개별 문자가 추출되고 특 징 벡터롤 구한 다음 문자 인식을 위해서 신경망 이용 시 모듈라 신경망을 통하여 인식하는 방법을 사용하였다. 이러한 방법을 통하여 일반적인 차량 번호판의 영상에서 성공적인 결과를 보였으며.
- 본 논문에서는 기존 칼라 명암도 변화를 이용하여 번호판 영역을 추출하는 방법[1]을 선택하여 번호판 영역을 추출하였다. 그리고 그림 3과 같은 과정을 통해 개별문자 및 특징벡터를 추출하였다.
- 일반적으로 모듈라 학습은 크게 두 단계로 이루어지는데, 첫 단계는 문제를 작은 문제로 분할하는 단계이며, 두 번째 단계는 분할된 문제를 별도의 분류기를 사용하여 학습하고 각 분류기의 결과를 통합하여 최종 결정을 내리는 단계이다. 본 논문에서는 대상 패턴을 몇 개의 그룹으로 나누고 이들 각각을 다층퍼셉트론을 사용하여 학습하는 방법을 선택하였다. 다른 인공신경망 모델을 선택 할 수도 있지만 다층퍼셉트론이 기본적인 인공신경망 모델이고 구현이 용이한 관계로 본 논문에서는 이 모델을 선택하였다.
- 자동차 번호판에서 올 수 있는 패턴의 종류는 용도별 분류기호 패턴 84개, 관할 관청 분류기호 중 중복되는 패턴을 제외한 패턴 14개와 숫자 10개를 포함하여 총 108개의 패턴이 있다. 본 신경망 구조는 전체 학습 패턴을 어떻게 분할하는 가에 따라 성능이 좌우되기 때문에 본 논문에서는 그룹의 수를 6〜9개로 변화시키면서 실험을 하였다.
- 테스트 방법은 재학습의 성능도 같이 평가하기 위해 전체 테 스트 데이터를 한번에 테스트하지 않고 117개, 420개, 479개, 180개의 네 그룹으로 나누어 테스트하였다. 즉, 117개의 데이터 를 테스트 한 후 오인식된 패턴을 재학습시키고 그 결과를 이용하여 420개의 데이터에 대해서 평가하는 식으로 진행하였다. 테스트 데이터를 나눈 기준은 특별한 이유가 없으며 단지 영상 획득 시기가 달라서 편의상 그렇게 나누었다.
- 일반적으로 패턴을 가장 잘 표현할 수 있는 특징을 추출하여 특징벡터를 만들어야 번호판 인식에서 좋은 인식률을 볼 수 있다[10]. 하지만 본 논문에서는 모듈라 신경망의 구성 방법에 초점을 두었기 때문에 특징벡터 추출에는 간단한 방법을 사용하였다.
- 학습은 그림 2 처럼 국부층에 있는 모듈, 즉 서브네트워크별로 해당 학습데이터를 다층퍼셉트론을 통하여 학습한다. 학습 방법은 기존의 다충퍼셉트론과 다를 바가 없다.
대상 데이터
- 모듈라 신경망과 그렇지 않은 방법의 인식 성능을 비교하기 위해 위에서 설명한 전체 학습 데이터와 테스트 데이터를 갖고 실험하였다. 실험에 사용한 모듈라 네트워크는 앞에 기술한 8개의 그룹으로 구성된 것올 사용하였다.
- 신경망 학습을 위한 데이터는 Adobe Photoshop 6.0에서 차량번호와 가장 유사한 hygodic-extra 폰토를 조작해서 만든 크기 60X60 샘플 데이터 108개와 번호판 영상에서 추출한 106개를 사용하였으며, 차량 번호판으로부터 얻은 별도의 데이터 1196개를 실제 테스트 데이터로 사용하였다. 결정층에서 사용되는 표준 패턴은 학습 시에 사용한 데이터들의 중심벡터로 하였다.
- 모듈라 신경망과 그렇지 않은 방법의 인식 성능을 비교하기 위해 위에서 설명한 전체 학습 데이터와 테스트 데이터를 갖고 실험하였다. 실험에 사용한 모듈라 네트워크는 앞에 기술한 8개의 그룹으로 구성된 것올 사용하였다. 각 다층퍼셉트론 학습 시 이득항은 0.
- 테스트 방법은 재학습의 성능도 같이 평가하기 위해 전체 테 스트 데이터를 한번에 테스트하지 않고 117개, 420개, 479개, 180개의 네 그룹으로 나누어 테스트하였다. 즉, 117개의 데이터 를 테스트 한 후 오인식된 패턴을 재학습시키고 그 결과를 이용하여 420개의 데이터에 대해서 평가하는 식으로 진행하였다.
- 패턴 그룹핑 방법은 학습 데이터 중 hygodic-extra 폰트를 조작해서 만든 샘플 데이터 108개 (각, 패턴마다 하나씩)의 특징벡터를 구한 후 기존의 K-means 클러스터링알고리즘을 적용하였다. 학습 데이터로는 그룹핑 시에 사용했던 108개의 데이터를, 테스트 데이터는 위에서 설명한 전체 테스트 데이터 중 420개를 사용하였다. 그리고, 각 서브네트워크는 이득항 0.
이론/모형
- 패턴 그룹핑 방법은 학습 데이터 중 hygodic-extra 폰트를 조작해서 만든 샘플 데이터 108개 (각, 패턴마다 하나씩)의 특징벡터를 구한 후 기존의 K-means 클러스터링알고리즘을 적용하였다. 학습 데이터로는 그룹핑 시에 사용했던 108개의 데이터를, 테스트 데이터는 위에서 설명한 전체 테스트 데이터 중 420개를 사용하였다.
성능/효과
- 2로 실험하였다. 실험 결과 그룹 수 6,7,8,9에 대해서 각각 76.1％, 64.9％, 76.1％, 74.4％의 인식률을 얻었다. 6개일 때와 8개일 때의 성능이 좋았는데 6개일 경우는 한 그룸에 많은 패턴들이 묶이는 현상이 있었다.
- 표 2는 단일 다층퍼셉트론을 사용했을 경우의 성능이며, 표 3은 8개의 다층퍼셉트론으로 구성된 모듈라 신경망의 성능을 나타낸다. 표에서 보는 바와 같이 모듈라 신경망이 그렇지 않은 방법에 비해 문자인식에서 우수한 결과를 보였으며 훈련 반복횟수가 증가할 수로 좋은 인식률이 보였다.
후속연구
- 차후, 클러스터링을 통한 모듈러 신경망을 구성 시 유사한 특징 벡터간의 그룹핑 뿐만이 아니라 유사하지 않은 특징 벡터 간의 그룹핑올 했올 때의 결과 및 모듈라 신경망의 구조에 대한 연구가 필요하며 현재 사용하는 결정층의 최종 판단 방법을 달리하여 실험해 볼 필요도 있다. 또한, 현재는 간단한 전처리 과정만을 거쳤는데 보다 실용적인 시스템을 구축하기 위해서는 질이 좋치 않는 영상에서 개별문자를 추출하는 연구나 특징 추출에 대한 연구가 필요하다.
- 차후, 클러스터링을 통한 모듈러 신경망을 구성 시 유사한 특징 벡터간의 그룹핑 뿐만이 아니라 유사하지 않은 특징 벡터 간의 그룹핑올 했올 때의 결과 및 모듈라 신경망의 구조에 대한 연구가 필요하며 현재 사용하는 결정층의 최종 판단 방법을 달리하여 실험해 볼 필요도 있다. 또한, 현재는 간단한 전처리 과정만을 거쳤는데 보다 실용적인 시스템을 구축하기 위해서는 질이 좋치 않는 영상에서 개별문자를 추출하는 연구나 특징 추출에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.