Journal of Intelligence and Information Systems (지능정보연구)

Korea Intelligent Information System Society (한국지능정보시스템학회)
권호 표지
DOI QR코드

DOI QR Code

A study on the improvement of artificial intelligence-based Parking control system to prevent vehicle access with fake license plates

위조번호판 부착 차량 출입 방지를 위한 인공지능 기반의 주차관제시스템 개선 방안

  • Jang, Sungmin (College of Business Administration, Kookmin University) ;
  • Iee, Jeongwoo (College of Computing and Informatics, Sungkyunkwan University) ;
  • Park, Jonghyuk (College of Business Administration, Kookmin University)
  • 장성민 (국민대학교 경영대학 AI빅데이터융합경영학과) ;
  • 이정우 (국민대학교 경영대학 빅데이터경영통계학과) ;
  • 박종혁 (국민대학교 경영대학 AI빅데이터융합경영학과)
  • Received : 2022.04.25
  • Accepted : 2022.06.02
  • Published : 2022.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

Recently, artificial intelligence parking control systems have increased the recognition rate of vehicle license plates using deep learning, but there is a problem that they cannot determine vehicles with fake license plates. Despite these security problems, several institutions have been using the existing system so far. For example, in an experiment using a counterfeit license plate, there are cases of successful entry into major government agencies. This paper proposes an improved system over the existing artificial intelligence parking control system to prevent vehicles with such fake license plates from entering. The proposed method is to use the degree of matching of the front feature points of the vehicle as a passing criterion using the ORB algorithm that extracts information on feature points characterized by an image, just as the existing system uses the matching of vehicle license plates as a passing criterion. In addition, a procedure for checking whether a vehicle exists inside was included in the proposed system to prevent the entry of the same type of vehicle with a fake license plate. As a result of the experiment, it showed the improved performance in identifying vehicles with fake license plates compared to the existing system. These results confirmed that the methods proposed in this paper could be applied to the existing parking control system while taking the flow of the original artificial intelligence parking control system to prevent vehicles with fake license plates from entering.

최근 인공지능 주차관제시스템은 딥러닝을 활용해 차량 번호판에 대한 인식률을 높이고 있지만 위조번호판 부착 차량을 판별하지 못한다는 문제점이 있다. 이러한 보안상의 문제점이 있음에도 불구하고 현재까지 여러 기관에서 기존의 시스템을 그대로 사용하고 있는 상황이다. 실례로 위조번호판을 이용한 실험에서 정부의 주요 기관을 대상으로 진입에 성공한 사례도 있다. 본 논문에서는 이러한 위조번호판을 부착한 차량의 출입을 방지하기 위해서 기존 인공지능 주차관제시스템의 개선 방안을 제시한다. 이를 위해 제안하는 방법은 기존 시스템이 차량의 번호판의 일치여부를 통과기준으로 사용하듯이 이미지에서 특징이 되는 특징점의 정보를 추출해내는 ORB 알고리즘을 활용하여 추출한 차량 앞면 특징점들의 매칭 정도를 통과기준으로 사용하는 방법이다. 또한 내부에 차량이 존재하는지 여부를 확인하는 절차를 제안 시스템에 포함시켜 위조번호판을 부착한 동일 차종 차량의 진입도 방지하였다. 실험 결과, 위조번호판을 부착한 차량들의 진입을 막아내며 기존시스템에 비해 위조번호판을 막아내는 개선된 성능을 보였다. 이러한 결과를 통해 기존 인공지능 주차관제시스템의 체계를 유지하면서 본 논문에서 제안하는 방법들을 기존의 주차관제시스템에 적용하여 위조번호판을 부착한 차량의 출입을 방지할 수 있음을 확인할 수 있었다.

Keywords

References

  1. 강민구, 추원국, 문승빈. (2011). SURF 특징점 추출 알고리즘을 이용한 얼굴인식 연구. 전자공학회논문지-CI, 48(3), 46-53.
  2. 김기태, 오원석, 임근원, 차은우, 신민영, 김종우. (2017). 온라인 쇼핑몰에서 상품 설명 이미지 내의 키워드 인식을 위한 딥러닝 훈련 데이터 자동 생성 방안. 한국지능정보시스템학회 학술대회논문집, 108-110.
  3. 김정환, 임준홍. (2019). 딥러닝을 이용한 번호판 검출과 인식 알고리즘. 전기전자학회논문지, 23(2), 642-651. https://doi.org/10.7471/IKEEE.2019.23.2.642
  4. 박희재. (2021, 3월 23). '가짜 번호판' 식별 못 하는 무인 주차 시스템...직접 실험해보니. YTN. from https://www.ytn.co.kr/_ln/0103_202103231954372497.
  5. 반태학, 방진숙, 육정수. (2016). OpenCV를 활용한 이미지 유사성 비교 시스템. 한국정보통신학회 2016년도 춘계학술대회, 834-835
  6. 신백균. (2020, 11월 15). OpenCV - 28. 특징 매칭(Feature Matching). from https://bkshin.tistory.com/entry/OpenCV-28-%ED%8A%B9%EC%A7%95-%EB%A7%A4%EC%B9%ADFeature-Matching?category=1148027.
  7. 이근상, 김영주, 고대경. (2020). 딥러닝 알고리즘 기반의 차량번호 인식 프로그램 개발. 한국지적정보학회지, 22(2), 124-135.
  8. 이세우. (2019). 파이썬으로 만드는 OpenCV 프로젝트. 서울: 인사이트
  9. 장일식, 박구만. (2021). 인조 번호판을 이용한 자동차 번호인식 성능 향상 기법. 방송공학회논문지, 26(4), 453-462. https://doi.org/10.5909/JBE.2021.26.4.453
  10. 정민철. (2004). 측면윤곽 패턴을 이용한 접합 문자 분할 연구. 지능정보연구, 10(3), 1-10.
  11. 최선형, 조성원, 정선태. (2012). 부분 얼굴 특징 추출에 기반한 신원 확인 시스템. 한국지능시스템학회 논문지, 22(2), 168-173
  12. 최홍서, 임송원, 조성만, 강예진, 김민주, 이정민, 박구만. (2018). YOLO를 이용한 지능형 종합 주차관제 시스템. 대한전자공학회 학술대회, 469-472.
  13. 한상욱, 안성만, 정여진. (2019). Object detection을 통한 문서내의 특정 객체 탐지 및 추출. 한국지능정보시스템학회 학술대회논문집, 29-30.
  14. Bay. H., A. Ess., T. Tuytelaars., & L. V. Gool. (2016). Speeded-up robust features. Computer Vision and Image Understanding, 110, 346-359. https://doi.org/10.1016/j.cviu.2007.09.014
  15. Bochkovskiy. A., C. Wang., & H. M. Liao. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. ArXiv, abs/2004.10934.
  16. Calonder, M., V. Lepetit., C. Strecha., & P. Fua. (2010). BRIEF: Binary Robust Independent Elementary Features. European Conference on Computer Vision, 6314
  17. Jocher. G., A. Chaurasia., A. Stoken., J. Borovec., ..., & M. T. Minh. Retrieved February 22, 2022, ultralytics/yolov5: v6.1 - TensorRT, TensorFlow Edge TPU and OpenVINO Export and Inference (v6.1). Zenodo. from https://doi.org/10.5281/zenodo.6222936.
  18. Li. Y., & G. Shi. (2019). ORB-based Fingerprint Matching Algorithm for Mobile Devices. IEEE 2nd International Conference on Computer and Communication Engineering Technology (CCET), 11-15
  19. Lowe. D. G. (2004). Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60, 91-110. https://doi.org/10.1023/B:VISI.0000029664.99615.94
  20. Redmon. J., S. Divvala., R. Girshick., & A. Farhadi. (2016). You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779-788.
  21. Redmon. J., & A. Farhadi. (2017). YOLO9000: Better, Faster, Stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 7263-7271
  22. Redmon. J., & A. Farhadi. (2018). YOLOv3: An Incremental Improvement. arXiv:1804.02767
  23. Rosten. E., & T. Drummond. (2006). Machine Learning for High-Speed Corner Detection. European Conference on Computer Vision, 3951
  24. Rublee. E., V. Rabaud., K. Konolige., & G. Bradski. (2011). ORB: An efficient alternative to SIFT or SURF. International Conference on Computer Vision, 2564-2571.
  25. Sibiryakov. A. (2011). Fast and high-performance template matching method. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1417-1424.