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
- 하지만 2006년 11월 이후 신 차량 번호판의 등장으로 기존 차량 번호판과 신 차량 번호판의 특징에 맞는 지능형 교통 시스템이 요구된다[1]. 따라서 본 논문에서는 지능형 교통 시스템의 핵심 기술인 번호판 인식 방법을 제안한다.
- 본 논문에서는 지능형 교통 시스템 분야 중에 핵심 기술인 차량의 번호판을 인식하는 방법을 제안하였다. 신.
- 정보를 이용하여 개별 코드를 추출한다. 이 과정에서 한글 코드와 같이 자음과 모음으로 분리되어 주줄 되는 것올 방지하기 위하여 본 논문에서는 개별 呈드의 위치 정보를 이용하여 한글 皇드가 분리되지 않게 추출되도록 한다. 그림 7은 자음과 모음으로 구성되어 있는 한글 코뜨를 한 문자로 추출한 결과를 나타낸 것이다.
제안 방법
- 추출된 개별 코드의 후보 영역의 크기가 50 Pixel 이하이고 가로 및 세로의 비율이 10배 이상 차이 나는 객체를 잡음으로 간주하여 제거한 후예 최종적으로 개별 코드를 추출하였다. 개별 코드는 효과적인 학습 패턴으로 적용하기 위해 홀의 개수와 위치정보를 이용하여 그룹화시켜 학습에 적용하였다. 본 논문에서 제안한 기법을 통해 신.
- 신.구 번호판의 판별을 위하여 HSI 컬러 정보를 이용하였다. HSI 임계치를 이용한 이진화와 블록 이진화를 적용 한 후, Linear-Time Component -Labeling 알고리즘을 적용하여 객체를 라벨링 하였다.
- 구 차량 번호판의 특징과 신. 구 차량 번호판의 개별 코드 특징을 분석한다. 그림 1은 신.
- HSI 임계치를 이용한 이진화와 블록 이진화를 적용 한 후, Linear-Time Component -Labeling 알고리즘을 적용하여 객체를 라벨링 하였다. 라벨링 된 객체들의 형태학적 특징을 분석하여 번호판의 특징에 만족하는 영역을 번호판 영역으로 추출하였다.
- 신 번호판의 경우에는 22림 1(b)와 같이 코드 부분이 한 줄로 구성되어 있으며, 1~2 와 4~7 번째 코드는 큰 숫자 형태로, 3번째는 문자 코드로 구성되어 있다. 본 논문에서는 위치에 따라 나타나는 코드를 각각 작은 숫자 코드와 큰 숫자 코드 그리고 문자 코드로 구분한다.
- 추출된 개별 코드의 후보 영역 중에서 최종적인 코드 영역을 추출하기 위해 객체의 크기 정보와 개별 코드의 가로 및 세로 비율을 이용하여 잡음을 제거한다. 본 논문에서는 크기가 50 Hxel 이하이고 가로 및 세로 비율이 10배 이상 차이가 나는 객체를 잡음으로 간주하여 제거한다. 二림 6은 개별 코드의 후보 영역에서 잡음을 제거하여 추출한 개별 코드 영역이다.
- 없으면 신 번호판 영역을 검사한다. 우선 차량 영상을 HSI 컬러 공간으로 변환하여 구 번호판의 특징인 녹색 바탕의 영역을 추출한다: 본 논문에서는 H (색상)가 75〜103도로 S(채도)가 15~220로 분포하는 녹색 영역의 임계치를 이용하여 영상을 이진화 한다. 그림 3은 HSI 임계치를 이용하여 신.
- 이진화 된 영상은 Linear-Time Component-Labeling 알고리즘을 이용하여 객체의 가로 및 세로 비율과 밀도 정보를 구하고 신 번호판이 가지는 가로 및 세로 비율과 밀도 특징을 비교하여 만족하는 영역을 번호판 영역으로 추출한다. 본 논문에서는 가로 및 세로의 비율이 약 1 : 5이고 밀도가 번호판 내부의 문자 영역이 배경 영역보다 1.
- 잡음이 제거된 개별 코드 영역에서 개별 코드의 위치 정보를 이용하여 개별 코드를 추출한다. 이 과정에서 한글 코드와 같이 자음과 모음으로 분리되어 주줄 되는 것올 방지하기 위하여 본 논문에서는 개별 呈드의 위치 정보를 이용하여 한글 皇드가 분리되지 않게 추출되도록 한다.
- 추출된 개별 코드를 인식 하기 위해 본 논문에서는 번호판과 같이 정형화된 문자 패턴 인식에 효과적인 홀 카운팅 방법을 이용하여 인식할 패턴들을 그룹화한 후에 FCM 알고리즘을 적용하여 차량 번호판의 인식률을 개선한다.
- 후보 영역을 추출한다. 추출된 개별 코드의 후보 영역 중에서 최종적인 코드 영역을 추출하기 위해 객체의 크기 정보와 개별 코드의 가로 및 세로 비율을 이용하여 잡음을 제거한다. 본 논문에서는 크기가 50 Hxel 이하이고 가로 및 세로 비율이 10배 이상 차이가 나는 객체를 잡음으로 간주하여 제거한다.
- 추출된 개별 코드의 후보 영역의 크기가 50 Pixel 이하이고 가로 및 세로의 비율이 10배 이상 차이 나는 객체를 잡음으로 간주하여 제거한 후예 최종적으로 개별 코드를 추출하였다. 개별 코드는 효과적인 학습 패턴으로 적용하기 위해 홀의 개수와 위치정보를 이용하여 그룹화시켜 학습에 적용하였다.
대상 데이터
- 0으로 실험하였다. 640 X 480 크기의 비영업용 차량의 전면부 영상 260장(신 차량 영상 100장, 구 차량 영상 160장)을 대상으로 차량 번호판 추출 및 인식 성능을 평가하였다.
- 제안된 차량 번호판 인식에 적용된 FCM 알고리즘의 학습 및 인식 성능을 평가하기 위해 257개의 차량 영상에서 추출한 개별 숫자 코드 1554개 중에서 200개와 문자 코드 256개 중에서 93개를 학습 패턴으로 사용하였다. FCM 알고리즘에서 학습에 사용된 파라미터는 표 3과 같다.
이론/모형
- 구 번호판의 판별을 위하여 HSI 컬러 정보를 이용하였다. HSI 임계치를 이용한 이진화와 블록 이진화를 적용 한 후, Linear-Time Component -Labeling 알고리즘을 적용하여 객체를 라벨링 하였다. 라벨링 된 객체들의 형태학적 특징을 분석하여 번호판의 특징에 만족하는 영역을 번호판 영역으로 추출하였다.
- 신.구 차량 번호판의 추출은 HSI 컬러 정보와 명암도를 이용한다. 그림 2는 본 논문에서 제안한 신.
- 반복 이진화를 적용시킨 영상을 Linear-Time Component-Labeling 알고리즘을 적용하여 개별 코드의 후보 영역을 추출한다. 추출된 개별 코드의 후보 영역 중에서 최종적인 코드 영역을 추출하기 위해 객체의 크기 정보와 개별 코드의 가로 및 세로 비율을 이용하여 잡음을 제거한다.
- 본 논문에서는 번호판에서 개별 코드들을 정확히 인식하기 위해 개별 코드의 위치 정보와 홀 카운팅 방법 적용하여 개별 코드들을 그룹화하고 FCM 알고리즘에 적용한다.
- 구 차량의 번호판은 각각 흰색과 녹색 영역의 영상으로 나타난다. 본 논문에서는 신, 구 차량의 번호판 영역을 추출하기 위해 HSI 컬러 공간을 이용 한이 진화 방법과 명암도 값을 이용한 블록 이진화 방법을 이용한다[2, 3]. 이진화 된 영상에 Linear-Time Component-Labeling 알고리즘[4]을 적용하여 라벨링 한 후, 번호판의 형태학적 특징을 이용하여 최종 적인 번호판 영역을 추출한다.
- 본 논문에서는 신, 구 차량의 번호판 영역을 추출하기 위해 HSI 컬러 공간을 이용 한이 진화 방법과 명암도 값을 이용한 블록 이진화 방법을 이용한다[2, 3]. 이진화 된 영상에 Linear-Time Component-Labeling 알고리즘[4]을 적용하여 라벨링 한 후, 번호판의 형태학적 특징을 이용하여 최종 적인 번호판 영역을 추출한다.
- 이진화 된 영상은 Linear-Time Component-Labeling 알고리즘을 이용하여 객체의 가로 및 세로 비율과 밀도 정보를 구하고 구 번호판이 가지는 가로 및 세로 비율과 밀도 특징과 비교하여 만족하는 영역을 번호판 영역으로 추출한다. 본 논문에서는 가로 및 세로 비율이 1 : 2이고 밀도가 번호판 내부의 문자 영역이 배경 영역보다 1.
- 추출된 번호판 영역에서 개별 고드를 추출하기 위해서 반복 이잔화와 Linear-Time Component-Labeling 알고리즘을 적용하여 개별 코드의 후보 영역을 추출하였다. 추출된 개별 코드의 후보 영역의 크기가 50 Pixel 이하이고 가로 및 세로의 비율이 10배 이상 차이 나는 객체를 잡음으로 간주하여 제거한 후예 최종적으로 개별 코드를 추출하였다.
- 홀 카운팅 방법을 이용하여 작은 숫자코드와 큰 숫자 코드를 그룹화 하여 FCM 알고리즘의 학습 패턴으로 적용한다. 홀 개수에 따라 그룹화 되는 숫자 패턴 코드는 표1과 같다.
성능/효과
- 본 논문에서 제안한 기법을 통해 신.구 차량의 번호판추출 및 인식에 적용할 결과, 숫자코드 인식과 문자 코드 인식에 있어서 각각 100%와 95%의 인식 결과를 보였으며 기존 차량번호판과 신차량 번호판을 통합한 차량번호판 인식 시스템으로의 가능성을 확인 할 수 있었다.
- 첫째, 차량 영상 내에서 흰색 문자에 녹색 바탕을 가진다. 둘째, 번호판은 직사각 형태로 나타나며 가로 및 세로 비율은 약 1 : 2 이다. 셋째, 번호판 내부에서 문자 보다 배경의 밀도가 높다.
- 첫째, 차량 영상 내에서 검은색 문자에 흰색 바탕을 가진다. 둘째, 번호판은 직사각 형태로 나타나며 가로 및 세로 비율은 약 1 : 5 이다. 셋째, 번호판 내부에서 문자 보다 배경의 밀도가 높다.
- 본 논문에서 제안한 차량 번호판 추출 방법을 이용하여 260장의 차량 영상을 대상으로 번호판 영역을 추출한 결과, 표2와 같이 구 차량 번호판에서는 모두 차량 번호판 영역이 추출되었으나 신 차량 번호판에서는 100개 차량 영상 중에서 3개의 차량 영상에서 번호판 영역이 추출되지 않았다.
- 영역으로 추출한다. 본 논문에서는 가로 및 세로의 비율이 약 1 : 5이고 밀도가 번호판 내부의 문자 영역이 배경 영역보다 1.5배 보다 적으면 신 번호판 영역으로 추출한다. 그림 5는 제안한 방법으로 번호판 영역을 추출한 결과 영상이다.
- 둘째, 번호판은 직사각 형태로 나타나며 가로 및 세로 비율은 약 1 : 2 이다. 셋째, 번호판 내부에서 문자 보다 배경의 밀도가 높다.
- 첫째, 차량 영상 내에서 검은색 문자에 흰색 바탕을 가진다. 둘째, 번호판은 직사각 형태로 나타나며 가로 및 세로 비율은 약 1 : 5 이다.
- 다음과 같다. 첫째, 차량 영상 내에서 흰색 문자에 녹색 바탕을 가진다. 둘째, 번호판은 직사각 형태로 나타나며 가로 및 세로 비율은 약 1 : 2 이다.
후속연구
- 향후 연구과제는 신.구 번호판 영역의 추출 방법을 HSI 컬러 정보와 명암도뿐만 아녀라 번호판의 특징인 수직에 지 정보 등을 분석하여 번호판 영역의 추출률을 개선할 것이고 숫자코드에 비해 다소 복잡하게 나타나는 문자코드에 대해서도 정확히 인식할 수 있도록 개선할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.