• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• v.9 no.1
• /
• pp.457-461
• /
• 2005

본 논문에서는 RGB 컬러 정보와 오류 역전파 알고리즘을 이용한 신 차량 번호판 인식 방법을 제안한다. 차량 영상에서 평균 Blue값을 이용하여 차량 영상을 보정한다. 보정된 차량 영상에서 순수 Red픽셀과 현재 픽셀의 차이와 순수 Green 픽셀과 현재의 픽셀의 차이를 각각 구하여 Red 후보 영역과 Green 후보 영역으로 구분한다. 구분된 2개의 후보 영역의 픽셀 값을 오류 역전파 알고리즘에 적용하여 최종 Green 영역을 찾는다. 그리고 오류 역전파 알고리즘에 의해서 Green 영역으로 판명된 영역을 제외한 영역들은 잡음으로 처리한다. 잡음이 제거된 영역에 대해 수평 및 수직 히스토그램의 빈도수를 이용하여 번호판 영역을 추출한다. 추출된 번호판 영역에서 윤곽선 추적 알고리즘을 적용하여 개별 코드들을 추출하고, 오류 역전파 알고리즘을 적용하여 개별 코드들을 인식한다. 제안된 차량 번호판 추출 및 인식 방법의 성능을 평가하기 위하여 실제 비영업용 신 차량 번호판에 적용한 결과, 제안된 번호판 추출 방법이 기존의 HSI 정보를 이용한 번호판 추출 방법보다 추출률이 개선되었고 제안된 차량 번호판 인식 방법이 효율적인 것을 확인하였다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2006.05a
• /
• pp.352-357
• /
• 2006

매년 도로와 주차공간의 확장보다 차량의 수가 빠르게 증가하여 그에 따라 불법 주차 관리의 어려움이 증가하고 있다. 이러한 문제점을 해결하기 위해 지능형 주차 관리 시스템이 필요하게 되었다. 본 논문에서는 획득된 차량 영상에서 수직 에지의 특징을 이용하여 번호판 영역과 개별 코드를 추출하고, 추출된 개별 코드를 퍼지 신경망 알고리즘을 제안하여 학습 및 인식한다. 본 논문에서는 차량 번호판 영역을 검출하기 위해 프리윗 마스크를 적용하여 수직 에지를 찾고, 차량 번호판의 정보를 이용하여 잡음을 제거한 후에 차량 번호판 영역을 추출한다. 추출된 차량 번호판 영역은 반복 이진화방법을 적용하여 이진화하고, 이진화된 차량 번호판 영역에 대해서 수직 분포도와 수평 분포도를 이용하여 번호판의 개별 코드를 추출한다 추출된 개별 코드는 제안된 퍼지 신경망 알고리즘을 적용하여 인식한다. 제안된 퍼지 신경망은 입력층과 중간층간의 학습 구조로는 FCM 알고리즘을 적용하고 중간층과 출력층간의 학습 구조는 Max_Min 신경망을 적용한다. 제안된 방법의 추출 및 인식 성능을 평가하기 위하여 실제 차량 영상 150장을 대상으로 실험한 결과, 기존의 차량 번호판 인식 방법보다 효율적이고 인식 성능이 개선된 것을 확인하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2005.11a
• /
• pp.550-554
• /
• 2005

본 논문에서는 블럽을 사용해서 다수의 자동차 후면의 번호판을 추출하는 방법을 제안한다. 입력 영상에서 번호판의 문자와 배경사이의 명암도 차이를 이용하여, 입력 영상의 모든 블럽을 찾고, 찾아낸 블럽을 둘러싸는 최소의 사각형들을 구한다. 이 사각형들 중에서 일련의 경향성을 갖는 블럽 그룹을 찾는다. 찾아난 블럽 그룹이 자동차 번호판인지 아닌지를 SVM을 이용하여 확인한다. 적응적 이진화를 제외한 전처리작업을 하지 않았음에도 불구하고 번호판 검출률은 매우 높았으며, 번호판을 검출하는데 걸리는 시간도 길지 않았다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2001.10b
• /
• pp.442-444
• /
• 2001

본 논문은 차량의 번호판 인식 시스템을 구축하는 첫 단계인 번호판 추출에 관한 것으로 차량과 번호판의 색상이 같은 경우에 대해서도 실험을 하였다. 본 논문에서는 RGB 컬러 정보 대신에 HSI 컬러 정보를 사용하여 특징점을 추출하였고, morphology를 이용하여 크기 보정을 반복 실행하며, 실패할 경우 merge 등을 통하여 최종적으로 크기를 보정한다. 그리고, 정확한 번호판 추출을 위해 한번 더 hue값을 이용한 보정을 함으로써 원하는 번호판 영역을 정확히 추출한다.

• Proceedings of the Korea Multimedia Society Conference
• /
• 2002.05c
• /
• pp.346-351
• /
• 2002

본 연구에서는 차량 번호판에서 추출된 문자영역의 DCT(Digital Cosine Transform) 계수와 LVQ (Learning Vector Quantization) 신경회로망을 이용하여 차량 번호판 인식 시스템을 구성하였다. 입력된 차량영상의 RGB 칼라정보를 이용하여 번호판 영역을 추출하고 추출된 번호판의 히스토그램과 문자의 상대적 위치정보를 병합하여 문자영역을 추출하였다. 이렇게 추출된 문자영역의 명암도 영상에 DCT를 적용하여 얻은 특징 벡터는 LVQ 신경회로망의 입력으로 사용되어 인식 과정을 수행한다. 제안된 시스템의 검증을 위하여 다양한 환경에서 촬영된 109대의 자가용 차량영상에 대하여 실험하여 상대적으로 높은 번호판 영역 추출율과 인식률을 보였다.

• Proceedings of the Korean Information Science Society Conference
• /
• 1999.10b
• /
• pp.318-320
• /
• 1999

본 논문에서는 디지털 카메라를 통해 얻어진 자동차 영상으로부터 이산코사인변환(Discrete Cosin Transform : DCT)를 이용한 자동차번호판 추출방법을 제안한다. 번호판은 문자와 배경으로 이루어져 있으며 번호판 내에는 문자들이 조밀하게 모여 있다는 특징과 번호판 영역이 직사각형으로 되어 있다는 것을 이용하여 DCT에 의해서 자동차영상에서 수직, 수평, 대각선 성분만을 추출한후 이 추출된 에지영상에서 코릴레이션(Correlation)을 이용하여 번호판영역을 검출하고 이 검출된 번호판영역을 투영 히스토그램(Histogram)에 의해서 날씨가 흐리거나 아주 밝거나 밤에 찍은 영상들에 대해서는 번호판 추출이 힘들었다. 그러나 제안된 본 논문은 날씨와 납과 밤에 상관없이 일관된 번호판 영상을 추출할 수 있었다.

• Proceedings of the IEEK Conference
• /
• 2001.09a
• /
• pp.447-450
• /
• 2001

자동차 번호판 인식 시스템은 크게 세 부분으로 나뉘어 질 수 있는데 그 첫 부분이 Camera를 통해서 획득된 영상에서 번호판 영역을 추출하는 것이다. 본 논문에서는 자가용과 영업용 번호판의 배경이 모두 다른 부분과 차이를 가지고 있다는 점을 이용하여 번호판 영역 추출을 위하여 기존의 방법과 달리 Color 정보를 이용하였다. Edge 검출이나 Gray level의 변화값을 이용하지 않고 Color 정보를 이용함으로써 번호판이 구부러진 영상이나 Noise를 통해서 훼손된 영상, Contrast가 낮은 영상에도 영역 추출에 강한 성능을 나타내었다. Camera를 통해서 획득된 RGB 영상을 YCbCr Format으로 바꾸고 그 중 Cb와 Cr 정보를 이용하여 번호판 영역을 검출하고 인증과정을 거쳐서 추출된 영상이 실제로 번호판 영상인지를 확인하는 단계를 거쳤다. 실험을 통하여 주간, 야간 및 훼손되거나 Noise가 많이 발생한 영상에서도 강한 성능을 나타냄을 볼 수 있었다.

• Proceedings of the Korea Contents Association Conference
• /
• 2003.11a
• /
• pp.218-222
• /
• 2003

A technology that recognize the car license plate have accomplished a lot of developments for latest several years. Key technology for correct recognition is correct abstraction of plate area. Existent studies have used horizontal/vertical edge, some geometrical characteristics of license plate, and the color information. But, in case of extracting a plate using above characteristics, correct extraction of a license plate inclined by sight which see license plate is difficult. Therefore, this paper is propose new method that correctly extract license plate using the color information and linear regression method.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2004.04a
• /
• pp.192-197
• /
• 2004

본 논문에서는 수평ㆍ수직 에지의 형태학적 정보를 이용한 차량 번호판 추출과 개선된 RBF 네트워크를 이용한 차량 번호판 인식 시스템을 제안한다. 번호판 영역은 수평ㆍ수직 에지의 형태학적 정보를 이용하여 추출하고 개별 문자는 히스토그램 방법과 위치 정보를 이용한 방법에 윤곽선 추적 알고리즘을 병합하여 추출한다. 개별 문자 인식은 ARTI 알고리즘을 개선하여 지도 학습 방법과 결합한 개선된 신경망을 제안하여 차량 번호판 인식에 적용한다. 제안된 방법의 성능을 확인하기 위하여 트루 컬러 차량 영상 155개와 그레이 컬러 차량 영상 100개를 대상으로 실험한 결과, 수평ㆍ수직 에지의 형태학적 정보를 이용한 차량 번호판 추출 방법이 임계화를 이용한 차량 번호판 추출 방법, RGB와 HSI 컬러 정보를 각각 이용한 차량 번호판 추출 방법보다 추출률이 개선되었으며, 인식 성능도 개선된 신경망의 학습 알고리즘이 기존의 학습 알고리즘들보다 우수한 성능이 있음을 확인하였다.

• Proceedings of the Korea Contents Association Conference
• /
• 2005.05a
• /
• pp.437-442
• /
• 2005

본 연구에서는 칼라정보와 주성분분석법(principal component analysis : PCA)를 이용한 차량 번호판 인식시스템을 구성하였다. 먼저 입력된 차량 영상에서 번호판의 형태적 특징과 녹색 칼라 정보를 이용하여 번호판 영역을 추출하였으며, 추출된 번호판내의 문자 및 숫자의 위치적 특징을 이용하여 번호판의 종류(구형, 신형, 최신형)를 구분하였다. 이렇게 추출되고 구분된 번호판은 문자의 상대적 위치정보와 수평 및 수직 투영 정보를 함께 이용하여 각각의 문자영역을 분리 추출하였다. 추출된 문자영역은 주성분분석법을 이용하여 고유벡터를 추출한 후 문자 인식에 사용하였다. 본 논문의 실험과정에서는 다양한 시간대 환경에서 촬영된 주행 중인 자동차 320대의 자가용 차량영상에 대하여 실험하였으며 높은 번호판 추출률과 번호판종류 구분률 그리고 문자 인식률을 얻을 수 있었다.