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 차량 번호판 영역을 추출하기 위하여 프리윗 마스크를 적용하여 에지를 검출하고 차량 영상에서 발생할 수 있는 에지의 특징을 이용하여 잡음을 제거한 후에 번호판 영역을 추출한다. 추출된 차량 번호판 영역은 반복 이진화 방법과 수평, 수직 분포도를 이용하여 개별 문자를 추출한다.
가설 설정
- 1) 각 수직 에지의 수직, 수평 길이가 전체 영상의 수직 수평 길이의 1/3 보다 길다.
- 2) 각 수직 에지의 크기가 미세하다.
- ① 번호판 영역의 문자 부분과 배경 부분은 대조적인 명암도를 가진다.
제안 방법
- 차량 번호판 추출과 관련된 연구로는 하프변환을 이용한 방법, 영역 분할 후 병합(merge)에 의한 방법, 번호판 영역의 명암 변환 특성에 의한 방법, 컬러 정보를 이용한 방법, 차량 정면의 구조적 특성을 이용한 방법 등이 있다[1-7]. 기존의 차량 추출 방법의 개선 요인으로는 속도, 잡영에 대한 강인성, 하드웨어의 비용과 설비 비용의 절감 둥이 있으며, 본 논문에서의 번호판 추출은 이런 요인들을 개선하기 위해서 1차 미분에 의한 수평 . 수직 에지 정보을 이용한다.
- 있다. 따라서 8 방향 윤곽선 추적 알고리즘을 적용하여 윤곽선을 추적 후, 다음과 같은 특징을 이용하여 잡음을 제거한다.
- 본 논문에서는 새로운 퍼지 신경망 알고리즘을 제안하여 개별 코드 인식에 적용한다.
- 본 논문에서는 원 영상에 프리윗 마스크를 적용하여 수직 에지를 검출하였고, 차량 영상에서 발생하는 수직 에지의 특징을 이용하여 잡음을 제거한 후, 번호판의 특징을 이용하여 번호판 영역을 추출하였다. 추출된 번호판 영역을 반복 이진화 방법을 적용하여 이진화한 후에 개별 코드의 특징을 이용하여 잡음을 제거하고 수직 및 수평 분포도를 이용하여 개별 코드를 추출하였다.
- 잡음 에지가 제거된 영상에서 번호판 영역의 위치가 차량의 아래쪽에 위치한다는 사전지식을 이용하여 아래쪽부터 위쪽으로 탐색하여 각 에지의 중심을 구한 후, 중심과 에지의 높이가 비슷한 에지끼리 묶어 후보 영역을 추출한다. 이 후보 영역을 차량 번호판의 구조적 특징 ④와 ⑥을 이용하여 최종 번호판 영역을 추출한다.
- 잡음을 제거한 번호판 영역을 수평 분포도를 이용하여 번호판 영역을 상단부와 하단부로 분리한 후, . 문자열로 구성된 각각의 영역에 대해 수직 분포도를 이용하여 최종적으로 잡음을 제거하고 개별 코드를 그림 6과 같이 추출한다.
- 제안된 퍼지 신경망은 입력층과 중간충의 학습구조로 퍼 지 C-Means 알고리즘을 적용하고 각 중간층의 중심과 가장 가까운 노드를 승자 노드로 선택하여 출력층으로 전달한다. 그리고 중간층과 출력층 사이의 학습구조로는Max_Min 신경망 알고리즘을 적용한다.
- 차량 번호판 영역 추출을 위해 차량 영상을 그레이 이미지로 변화 시킨 후, 프리윗 마스크를 이용하여 수직의 에지를 검출한다. 수직 에지 영상에서 차량 번호판의 수직 에지로 판단 할 수 없는 잡음 에지들은 제거한다.
- 추출된 차량 번호판 영역은 반복 이진화 방법과 수평, 수직 분포도를 이용하여 개별 문자를 추출한다. 추출된 개별 문자는 제안된 퍼지 신경망 알고리즘을 적용하여 인식하는 방법을 제안한다.
- 추출된 번호판 영역에서 각 문자 및 숫자 영역을 추출하기 위하여 전처리 과정으로 번호판 영역을 그레이 이미지로 변환하고 반복 이진화를 적용하여 번호판 영역을 이진화한다. 번호판은 일정한 규격을 가지고 있기는 하지만 차종의 증가로 인해 번호판의 모양이 조금씩 다양화되고 있다.
- 추출하였다. 추출된 번호판 영역을 반복 이진화 방법을 적용하여 이진화한 후에 개별 코드의 특징을 이용하여 잡음을 제거하고 수직 및 수평 분포도를 이용하여 개별 코드를 추출하였다. 추출된 개별 코드는 제안된 퍼지 신경망 알고리즘을 적용하여 학습 및 인식하였다.
- 추출한다. 추출된 차량 번호판 영역은 반복 이진화 방법과 수평, 수직 분포도를 이용하여 개별 문자를 추출한다. 추출된 개별 문자는 제안된 퍼지 신경망 알고리즘을 적용하여 인식하는 방법을 제안한다.
대상 데이터
- 0으로 구현하였다. 640x480크기의 비 영업용 차량의 전면부 영상 150장을 대상으로 차량 번호판 추출 및 인식 성능을 평가하였다. 실제 사용된 비영업용 차량 영상은 그림 8과 같다.
- 제안된 퍼지 신경망 알고리즘의 학습 및 인식 성능을 평가하기 위하여 150개의 차량 영상에서 추출한 개별 숫자 코드 864개 중 200개와 문자 코드 143개 중에서 108개를 17*15 크기로 정규화 하여 학습 패턴으로 사용하였다. 제안된 퍼지 신경망에서 학습에 사용된 파라미터는 표 2와 같이 설정하였다.
이론/모형
- 출력층으로 전달한다. 그리고 중간층과 출력층 사이의 학습구조로는Max_Min 신경망 알고리즘을 적용한다.
- 둘째, 여러 추론 규칙의 결론 부분에 대한 Max( V) 연산은 뉴런의 입력과 가중치를 곱하여 합한 연산과대응된다. 따라서 본 논문에서 제안하는 퍼지 신경망에서 중간층과 출력층간의 학습으로 Max_Min 신경망 알고리즘을 적용한다. 제안된 퍼지 신경망 알고리 즘의 특징 은 다음과 같다.
- 추출된 번호판 영역을 반복 이진화 방법을 적용하여 이진화한 후에 개별 코드의 특징을 이용하여 잡음을 제거하고 수직 및 수평 분포도를 이용하여 개별 코드를 추출하였다. 추출된 개별 코드는 제안된 퍼지 신경망 알고리즘을 적용하여 학습 및 인식하였다.
성능/효과
- 1) 입력층과 중간층의 연결 구조는 퍼지 C-Means 倉고리즘과 같고, 퍼지 C-Means 알고리즘의 출력층이 제안된 학습 구조의 중간층이다.
- 1) 최조 등록 지역 코드와 용도 기호 코드에 대한 개별 문자의 평균 크기는 비슷하다. 또한 4 개로 구성된 개별 일련 번호 코드의 평균 크기는 비슷하다.
- 2) 일련 번호 코드의 경우에는 수직의 길이가 수평의 길이보다 길다.
- 3) 각 수직에지의 수평 길이가 수직 길이보다 길다.
- 3) 모든 코드의 수평 길이는 번호판 수평 길이의 1/4보다 크지 않다.
- 3) 이진 패턴뿐만 아니라 퍼지 데이터도 효율적으로 학습 할 수 있다.
- 4) 각 수직에지의 수직 길이가 수평 길이의 2배보다 짧다.
- 4) 모든 코드의 수직 길이는 번호판 수직 길이의 1/2보다 크지 않다.
- 기존의 번호판 추출 방법들의 단점인 차량 번호판 주변에 복잡한 장식이나 글자가 많거나 차량의 색상이 녹색 계통일 경우에도 제안된 방법에서는 높은 추출률을 보였다. 개별 코드도 제안된 방법의 잡음 제거로 인해 기존의 방법보다 개별 코드의 추출률이 개선되었다.
- 경우가 자주 발생하였다. 그러나 제안된 방법의 경우에는 기존의 방법들에 비해 추출률이 개선된 것을 확인할 수 있었다. 표 1은 제안된 차량 번호판 추출 방법과 기존의 차량 번호판 추출 방법 간의 추출 개수를 비 교하여 나타내 었다.
- 기존의 번호판 추출 방법들의 단점인 차량 번호판 주변에 복잡한 장식이나 글자가 많거나 차량의 색상이 녹색 계통일 경우에도 제안된 방법에서는 높은 추출률을 보였다. 개별 코드도 제안된 방법의 잡음 제거로 인해 기존의 방법보다 개별 코드의 추출률이 개선되었다.
- Max_Min 신경망의 특징으로는 첫째, 추론 규칙 조건부의 퍼지 변수와 입력 간의 Min(/\)연산은 뉴런의 입력과 연결선에 부여된 가중치의 곱셈 연산에 대응된다. 둘째, 여러 추론 규칙의 결론 부분에 대한 Max( V) 연산은 뉴런의 입력과 가중치를 곱하여 합한 연산과대응된다. 따라서 본 논문에서 제안하는 퍼지 신경망에서 중간층과 출력층간의 학습으로 Max_Min 신경망 알고리즘을 적용한다.
- 제안된 차량 번호판 인식 방법을 실제 비영업용의 차량 전면부 영상 150장에 적용한 결과, 96% 정도의 번호판 영역이 추출되었다. 기존의 번호판 추출 방법들의 단점인 차량 번호판 주변에 복잡한 장식이나 글자가 많거나 차량의 색상이 녹색 계통일 경우에도 제안된 방법에서는 높은 추출률을 보였다.
- 제안된 퍼지 신경망 알고리즘에서 퍼지 C-Means 알고리 즘을 중간층으로 적용하므로 중간층의 노드의 수는 클러스터 수와 같게 설정하였다. 제안된 퍼지 신경망에서 숫자 및 문자 코드를 학습한 결과, 반복 횟수가 3번으로 나타났다. 그 이유는 제안된 개별 코드 추출 방법에 의해 개별 코드 주위의 잡음이 제거된 상태에서 개별 코드들이 정확히 추출되어 퍼지 신경망에 학습되었기 때문이다.
- 추출된 개별 코드를 제안된 퍼지 신경망 알고리즘으로 인식한 결과, 95.9%정도의 인식률을 보였다.
후속연구
- 향후 연구 과제는 제안된 번호판 추출 방법으로 번호판 추출에 실패한 경우인 빛, 조명에 의해 에지의 일부 정보가 나타나지 않는 차량 영상에 대해 에지의 정보를 복원 할 수 있는 퍼지연상 알고리즘을 연구하여 번호판의 추출률을 개선할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.