[논문]차량 번호판 인식 향상을 위한 개선된 퍼지 이진화와 차량 번호판 추출

김동현; 김기석; 조재현; 김광백

문제 정의

본 논문에서는 현재 차량 번호판으로 사용되고 있는 4 종류의 번호판인, 구형 녹색 번호판 두 종류와 유럽식 신형 번호판 두 종류에 대해 번호판 추출 방법과 차량 번호판 인식 향상을 위한 개선된 퍼지 이진화 방법을 제안하였다. 번호판 영역을 추출하기 위해 Prewitt Mask를 이용하여 수직 에지를 추출하고 반복 이진화를 적용한 후, Grassfire알고리즘을 이용하여 객체를 라벨링 하였다.

가설 설정

(1) 모든 코드의 세로 길이는 전체 영상의 세로길이 4/5보다 크지 않다.
(1) 차량 번호판은 일정한 규격과 구성을 가지고 있다.
(4) 차량 번호판 내의 각 문자들은 일정한 위치정보를 가진다.

제안 방법

반복 이진화를 적용한다. 그리고 GrassfireP] 알고리즘을 이용하여 라벨링 한 후, 번호판의 형태학적 특징을 이용하여 잡음을 제거하고 최종번호판 영역을 추출한다. 추출된 번호판 영상은 컬러 정보와 각 번호판의 특징을 이용하여 녹색과 흰색 번호판으로 구분하고 녹색 번호판은 평균 이진화를 흰색 번호판은 개선된 퍼지 이진화를 적용한다.
번호판 영역을 추출하기 위해 Prewitt Mask를 이용하여 수직 에지를 추출하고 반복 이진화를 적용한 후, Grassfire알고리즘을 이용하여 객체를 라벨링 하였다. 라벨링 된 객체들의 형태학적 특징을 분석하여 번호판 특징에 만족하는 영역을 번호판 영역으로 추출하였다. 추출된 번호판 영역에서 녹색과 흰색 번호판을 판별하기 위해 RGB 컬러 정보와 가로, 세로 비율을 이용하였다.
본 논문에서 제안된 개선된 퍼지 이진화는 추출된 번호판 영상의 명도를 밝은 구간, 어두운 구간과 같이 2구간으로 각각 구분하고 각각의 퍼지 소속 함수에 적용하여 차량 번호판 영역을 각각 이진화한다. 추출된 두 개의 이진화 영상은 각각 명도 값이 0 인 경우와 명도 값이 255 인 경우로 구분되고 전형적인 번호판 이진화 영역과 비교 하여 오차 범위가 적은 차량 번호판 이진화 영상을 선택한다.
본 논문에서 제안하는 개별 코드 추출 과정은 추출된 번호판 영상의 컬러 정보를 이용하여 녹색과 흰색 번호판으로 분리한 후, 분리된 번호 판에 적합한 이진화 기법을 적용하여 이진화 한 후 Grassfire 알고리즘으로 잡음을 제거하고 4방향 윤곽선 추적 알고리즘을 이용하여 라벨링한 다음 객체의 개수를 이용하여 번호판의 종류를 구분하고 수직 및 수평 히스토그램을 각각 적용하여 개별코드를 추출한다.
본 논문에서는 그림 2와 같이 반복 이진화와 Grassfire 알고리즘을 이용하여 잡음을 제거한 후, 번호판 영역을 추출한다. 그림 2는 번호판 영역추출 과정을 나타낸 것이다.
본 논문에서는 차량 영상에서 Prewi비2] 마스크의 Y축 미분 연산으로 수직 에지 정보를 추출하고 반복 이진화를 적용한다. 그리고 GrassfireP] 알고리즘을 이용하여 라벨링 한 후, 번호판의 형태학적 특징을 이용하여 잡음을 제거하고 최종번호판 영역을 추출한다.
잡음을 제거한 번호판 영역을 수직 및 수평 히스토그램을 각각 적용하여 개별 코드를 추출한다. 위에서 제시한 방법을 이용하여 최종적으로 그림 9와 같이 개별 코드를 추출한다.
판별된 번호판 영상에서 개별 코드를 추출하기 위해 녹색 번호판은 평균 이진화, 횐색 번호판은 본 논문에서 제안한 개선된 퍼지 이진화를 적용하였고 4방향 윤곽선 추적 알고리즘을 이용하여 객체를 라벨링 한 후, 개별 코드 영역의 특징을 이용하여 잡음을 제거하였다. 잡음이 제거된 번호판 영상에서 수평 및 수직 히스토그램을 각각 적용하여 개별 코드를 추출하였다. 본 논문에서 제안한 기법을 4종류의 번호판이 부착된 차량 영상에 적용한 결과, 번호판 영역 추출은 327장의 영상 중에서 97%가 추출되었고 개별 코드 추출은 번호판 영역이 추출된 324장의 영상에서 97%가 추출된 결과를 보였다.
차량 번호판의 형태학적 특징 ⑸를 이용하여 수직 에지와 이진화를 통해 차량 영상에서 수직 정보를 추출하고 Grassfire 알고리즘을 이용하여 라벨링 한 후, 라벨링된 객체의 특징과 번호판의 세로축 특징를 비교하여 잡음으로 판단되는 객체를 제거한다. 잡음이 제거된 영상에서 객체의 세로 정보와 객체들 사이의 거리 비율을 이용하여 번호판을 추출한다. 먼저 잡음이 제거된 영상에서 가로, 세로 비율이 약2:1인 3종류의 번호판 영역을 찾은 후, 약2:! 비율에 만족하는 영역의 없을 경우에는 약 4:1 비율의 번호판 영역을 찾아 최종 번호판 영역을 추출한다.
필요하다. 차량 번호판의 형태학적 특징 ⑸를 이용하여 수직 에지와 이진화를 통해 차량 영상에서 수직 정보를 추출하고 Grassfire 알고리즘을 이용하여 라벨링 한 후, 라벨링된 객체의 특징과 번호판의 세로축 특징를 비교하여 잡음으로 판단되는 객체를 제거한다. 잡음이 제거된 영상에서 객체의 세로 정보와 객체들 사이의 거리 비율을 이용하여 번호판을 추출한다.
그리고 GrassfireP] 알고리즘을 이용하여 라벨링 한 후, 번호판의 형태학적 특징을 이용하여 잡음을 제거하고 최종번호판 영역을 추출한다. 추출된 번호판 영상은 컬러 정보와 각 번호판의 특징을 이용하여 녹색과 흰색 번호판으로 구분하고 녹색 번호판은 평균 이진화를 흰색 번호판은 개선된 퍼지 이진화를 적용한다. 이진화된 번호판의 영상을 Grassfire 알고리즘을 적용하여 라벨링 하고 수직, 수평 히스토그램을 적용하여 개별코드를 추출한다.
라벨링 된 객체들의 형태학적 특징을 분석하여 번호판 특징에 만족하는 영역을 번호판 영역으로 추출하였다. 추출된 번호판 영역에서 녹색과 흰색 번호판을 판별하기 위해 RGB 컬러 정보와 가로, 세로 비율을 이용하였다. 판별된 번호판 영상에서 개별 코드를 추출하기 위해 녹색 번호판은 평균 이진화, 횐색 번호판은 본 논문에서 제안한 개선된 퍼지 이진화를 적용하였고 4방향 윤곽선 추적 알고리즘을 이용하여 객체를 라벨링 한 후, 개별 코드 영역의 특징을 이용하여 잡음을 제거하였다.
추출된 번호판 영역에서 녹색과 흰색 번호판을 판별하기 위해 RGB 컬러 정보와 가로, 세로 비율을 이용하였다. 판별된 번호판 영상에서 개별 코드를 추출하기 위해 녹색 번호판은 평균 이진화, 횐색 번호판은 본 논문에서 제안한 개선된 퍼지 이진화를 적용하였고 4방향 윤곽선 추적 알고리즘을 이용하여 객체를 라벨링 한 후, 개별 코드 영역의 특징을 이용하여 잡음을 제거하였다. 잡음이 제거된 번호판 영상에서 수평 및 수직 히스토그램을 각각 적용하여 개별 코드를 추출하였다.

대상 데이터

0으로 실험却였다. 640 X 480 크기의 비영업용 차량 전면부 영상 327장(구형녹색 50장, 신형녹색 157장, 짧은 흰색 60장, 긴 흰색 60장)을 대상으로 차량 번호판 추출 성능을 평가하였다. 본 논문에서 제안한 차량 번호판 추출 방법을 이용하여 327장의 차량 영상을 대상으로 번호판 영역을 추출한 결과는 표 1과 같다.
640 X 480 크기의 비영업용 차량 전면부 영상 327장(구형녹색 50장, 신형녹색 157장, 짧은 흰색 60장, 긴 흰색 60장)을 대상으로 차량 번호판 추출 성능을 평가하였다. 본 논문에서 제안한 차량 번호판 추출 방법을 이용하여 327장의 차량 영상을 대상으로 번호판 영역을 추출한 결과는 표 1과 같다.

이론/모형

퍼지 이진화 방법을 제안하였다. 번호판 영역을 추출하기 위해 Prewitt Mask를 이용하여 수직 에지를 추출하고 반복 이진화를 적용한 후, Grassfire알고리즘을 이용하여 객체를 라벨링 하였다. 라벨링 된 객체들의 형태학적 특징을 분석하여 번호판 특징에 만족하는 영역을 번호판 영역으로 추출하였다.
이진화된 번호판 영상을 Grassfire 알고리즘을 적용한 후에 다음과 같은 특징을 이용하여 잡음을 제거한다.
추출된 번호판 영상은 컬러 정보와 각 번호판의 특징을 이용하여 녹색과 흰색 번호판으로 구분하고 녹색 번호판은 평균 이진화를 흰색 번호판은 개선된 퍼지 이진화를 적용한다. 이진화된 번호판의 영상을 Grassfire 알고리즘을 적용하여 라벨링 하고 수직, 수평 히스토그램을 적용하여 개별코드를 추출한다.
추출된 번호판 영상에서 개별 코드를 추출하기 위하여 그레이 레벨로 변환한 후에 녹색 번호판은 평균 이진화를 적용하고 흰색 번호판은 퍼지 이진화 방법를 적용한다. 퍼지 이진화는 임계치 모호함을 퍼지 소속 함수를 이용하여 이진화 하는 방법이다.

성능/효과

(2) 기존의 차량에 부착 가능한 번호판 그림 1 의 ①, ②, ③은 가로 335mm 乂 세로 170mm의 크기를 가지고, 신규 차량의 번호판 그림 1 의 ④은 가로 520mm 乂 세로 110mm의 크기를 가진다.
(2) 모든 쿄드의 가로 길이는 전체 영상의 가로길이 1/5보다 크지 않다.
(3) 모든 코드의 가로 및 세로는 5픽셀 이상이다.
(3) 번호판 영역의 문자 부분과 배경 부분은 대조적인 명암도를 가진다.
짧은 흰색 번호판 영상은 60장중에서 3장이 추출되지 않았고 추출된 57개의 번호판 중에서 2개의 번호판 영역에서 개별 코드가 정확히 추출되지 않았다. 긴 흰색 번호판 영상은 60장의 번호판 영역 중에서 58장이 추출되었고 58장의 반호판 영역에서 55개의 번호판 영역에서 개별 코드가 정확히 추출되었다. 그림 10은 수직 에지 정보가 정확히 추출되지 않아 번호판 영역의 추출에 실패 영상이며, 그림 11은 번호판 영역은 추출이 되었으나 이진화 과정에서 명암의 차이와 번호판 훼손으로 인해 이진화가 정확히 되지 않아 개별 코드가 모두 추출되지 영상이다.
잡음이 제거된 번호판 영상에서 수평 및 수직 히스토그램을 각각 적용하여 개별 코드를 추출하였다. 본 논문에서 제안한 기법을 4종류의 번호판이 부착된 차량 영상에 적용한 결과, 번호판 영역 추출은 327장의 영상 중에서 97%가 추출되었고 개별 코드 추출은 번호판 영역이 추출된 324장의 영상에서 97%가 추출된 결과를 보였다.
신형녹색 번호판 영상은 157장 중에서 156장이 추출되었고 1개의 번호판은 번호판 영역 추출 과정에서 수직 에지를 이용한 번호판 후보 영역 추출 과정이 제대로 되지 않아 번호판 추출에 실패하였다. 짧은 흰색 번호판 영상은 60장중에서 3장이 추출되지 않았고 추출된 57개의 번호판 중에서 2개의 번호판 영역에서 개별 코드가 정확히 추출되지 않았다. 긴 흰색 번호판 영상은 60장의 번호판 영역 중에서 58장이 추출되었고 58장의 반호판 영역에서 55개의 번호판 영역에서 개별 코드가 정확히 추출되었다.

후속연구

향후 연구 방향은 본 논문에서 제시한 차량 번호판 추출 및 개별 코드 추출 방법을 개선하고 FCM 알고리즘을 적용하여 개별 코드를 인식할 것이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

차량 번호판 인식 향상을 위한 개선된 퍼지 이진화와 차량 번호판 추출
Enhanced fuzzy Binarization for Improvement of Car License Plate Recognization and Extraction of Car License Plate 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

차량 번호판 인식 향상을 위한 개선된 퍼지 이진화와 차량 번호판 추출 Enhanced fuzzy Binarization for Improvement of Car License Plate Recognization and Extraction of Car License Plate 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

차량 번호판 인식 향상을 위한 개선된 퍼지 이진화와 차량 번호판 추출
Enhanced fuzzy Binarization for Improvement of Car License Plate Recognization and Extraction of Car License Plate 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper