• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2022년도 제66차 하계학술대회논문집 30권2호
• /
• pp.465-466
• /
• 2022

본 논문에서는 딥러닝 영상인식 기술을 활용한 객체검출 모델인 YOLOv4를 활용하여 차량의 모델과 번호판인식 시스템을 제안한다. 본 논문에서 제안하는 시스템은 실시간 영상처리기술인 YOLOv4를 사용하여 차량모델 인식과 번호판 영역 검출을 하고, CNN(Convolutional Neural Network)알고리즘을 이용하여 번호판의 글자와 숫자를 인식한다. 이러한 방법을 이용한다면 카메라 1대로 차량의 모델 인식과 번호판 인식이 가능하다. 차량모델 인식과 번호판 영역 검출에는 실제 데이터를 사용하였으며, 차량 번호판 문자 인식의 경우 실제 데이터와 가상 데이터를 사용하였다. 차량 모델 인식 정확도는 92.3%, 번호판 검출 98.9%, 번호판 문자 인식 94.2%를 기록하였다.

• 한국산학기술학회논문지
• /
• 제17권3호
• /
• pp.1-8
• /
• 2016

본 논문은 블랙박스 적용을 위한 적응형 히스토그램 스트레칭 알고리즘을 제안하였다. 본 알고리즘은 자동차 개인 저장장치 영상을 이용한 차량 번호판 검출을 위한 전처리 단계로 사용하였다. 제안 방식은 확률밀도함수(PDF: Probability Density Function)와 누적분포함수(CDF: Cumulative Density) 이용하여 영상의 밝기 분포도를 분석하였다. 이 두 함수는 일정한 간격을 두고 샘플링 한 영상을 사용하여 구하였다. 두 함수를 이용하여 영상의 특성을 분석하여, 특정 인자를 검출하였다. 검출된 인자를 분포도에 따라 각각 다른 스트레칭을 수행하였다. 알고리즘 검증은 촬영 된 자동차 개인 저장장치 영상을 사용하였다. 기존 알고리즘 비교는 시각적인 평가, 히스토그램 분포, 표준 및 표준 편차 값을 분석하였다. 또한 시뮬레이션 결과를 자동차 번호판 인식 알고리즘에 적용하여 번호판 인식율을 분석하였다. 기존 알고리즘보다 열화 현상이 적게 나타났고, 향상된 콘트라스트 값을 통하여, 차량 번호판 검출에서 기존 알고리즘보다 정확한 위치가 나타났다.

• 한국정보전자통신기술학회논문지
• /
• 제8권4호
• /
• pp.270-274
• /
• 2015

본 논문에서는 HSV 색 공간을 이용한 야간 차량의 검출 시스템을 제안한다. 주정차 감시등 도로변에서 자동차를 감시하는 경우 자동차 번호판 추출하는 것이 중요하다. 일반적으로 번호판 추출을 위해서는 원거리에서 자동차 검출후 Pan-Tilt-Zoom 카메라로 자동차를 일정한 크기로 확대한 영상을 획득하여 번호판을 추출한다. 그리고 자동차 검출 및 추적을 위해 Mean-Shift 혹은 Optical Flow 알고리듬이 많이 이용되고 있다. 그러나 이러한 알고리즘은 주간에는 성공적으로 자동차를 검출 및 추적 할수 있었으나 야간에는 검출 및 추적에 어려움이 있었다. 그래서 본 논문에서는 입력 영상을 HSV 색 공간으로 변환하면 자동차의 전조등 혹은 후미등의 위치가 두드러지게 나타나는 것을 이용하여 자동차의 위치를 검출하였다. 실험 결과 정면 차량의 경우 93.9%, 후면 차량의 경우 97.7%의 차량을 검출하여 제안된 방법이 야간 차량 검출에 효율적임을 증명하였다.

• 융합신호처리학회논문지
• /
• 제2권1호
• /
• pp.1-11
• /
• 2001

자동차 번호판은 조명과 카메라에 따라 영상에서 다양한 형태로 나타나고 영상내의 잡음으로 인해 알고리즘 방식으로 자동차 번호판을 인식하기가 쉽지 않다. 이러한 문제에 적합한 해결 방법으로 본 논문에서는 학습 기반의 자동차 번호판 인식 시스템을 제안한다. 제안한 시스템은 자동차 검출 모듈, 번호판 추출 모듈, 번호판 문자 인식 모듈로 구성된다 본 논문에서는 자동차 번호판 추출을 위해서 입력 영상의 잡음에 상대적인 영향이 적은 시간-지연 신경망(Time-Delay Neural Networks : TDNN)과 번호판 인식을 위해서 일반적인 신경망보다 일반화 성능이 뛰어난 서포트 벡터 머신(Support Vector Machines : SVMs)을 시스템에 적용한다. 주차장과 톨게이트에서 여러 시간대의 움직이는 자동차 영상들을 실험한 결과, 번호판 추출율은 97.5%, 번호판 문자 인식률은 97.2%의 성능을 내었고, 전체 시스템 성능은 947%이며 처리 시간은 약 1조 미만이다. 따라서 본 논문에서 제안한 시스템은 실세계에서 유용하게 적용될 수 있다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제5권11호
• /
• pp.511-520
• /
• 2016

자동차 번호판 검출 자동화(ALPD: Automatic License Plate Detection) 시스템은 효율적인 교통 관제를 위한 핵심 기술이며, 통행료 지불 시스템, 주차장 및 교통 관리와 같은 많은 응용에 사용되어 업무의 효율을 높이고 있다. 최근까지의 ALPD에 관한 연구에서는 주로 영상처리를 위해 설계된 기존의 특징들을 추출하여 번호판 검출에 사용해왔다. 이러한 종래의 방법은 속도에 이점은 있으나, 다양한 환경 변화에 따른 성능 저하를 보였다. 본 논문에서는 전반적인 성능을 향상시키기 위하여 Faster R-CNN과 CNN으로 구성되는 두 단 구조를 활용하는 방법을 제안한다. 이를 통해 동작 속도를 향상시키고, 다양한 환경변화에 강인하도록 구성하였다. 첫 번째 단계에서는 Faster R-CNN을 적용하여 번호판 영역 후보영역들을 선별하며, 두 번째 단에서 CNN을 활용하여 후보영역들 중에서 False Positives를 제거함으로써 검출률을 향상시켰다. 이를 통해 ZFNet을 기반으로 하여 99.94%의 검출률을 달성하였다. 또한 평균 운용시간은 80ms/image로써 빠르고 강인한 실시간 번호판 검출 시스템을 구현할 수 있었다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2007년도 한국컴퓨터종합학술대회논문집 Vol.34 No.1 (C)
• /
• pp.407-411
• /
• 2007

이 논문은 우리나라 차량 영상에서 번호판 영역을 추출하는 알고리즘을 제안한다. 우리나라 번호판은 하단에 네개의 숫자를 포함하고 있으므로, 네 개의 숫자를 찾으면 번호판을 추출 할 수 있다. 제안하는 방법은 입력된 영상에서 숫자의 가능성을 가진 연결 요소를 검출하고 이들을 군집화 한다. 군집화 된 연결요소들을 바탕으로 숫자 네개(4-digits) 후보를 생성한다. 4-digits 후보들을 인식하여 숫자의 가능성을 측정하고, 적합도로 변환한다. 후보영역 중 적합도가 가장 높은 영역을 번호판 영역으로 추출한다. 적합도는 Perfect Metrics 방법으로 측정하였다. 제안하는 방법을 주간 영상 4600장과 야간 영상 264장으로 테스트 한 결과 각각 97.23%, 95.45%의 검출률과 0.09%, 0.11%의 오검출률을 얻었다.

• 한국산업정보학회논문지
• /
• 제24권2호
• /
• pp.47-55
• /
• 2019

본 논문에서는 조명의 영향을 받지 않는 깊이 정보를 이용한 번호판 검출 방법을 제안한다. 깊이 정보를 통해 블록 내 화소들의 3차원 카메라 좌표를 구하고, 이를 통해 블록 내 평면의 인자를 계산한다. 그 후 인접한 블록간의 평면의 법선 벡터들을 비교하여 유사도를 측정한다. 평면 유사도가 높을 경우 두 블록이 한 평면에 속해 있다고 간주하여 그룹화함으로써 평면 영역을 검출한다. 검출된 평면 영역에 대해 깊이 정보를 이용하여 영역의 높이와 너비를 실제 번호판과 비교하여 번호판을 검출한다.

• 방송공학회논문지
• /
• 제26권4호
• /
• pp.453-462
• /
• 2021

자동차 번호인식을 위해선 수많은 번호판 데이터가 필요하다. 번호판 데이터는 과거의 번호판부터 최신의 번호판까지 균형 있는 데이터의 확보가 필요하다. 하지만 실제 과거의 번호판부터 최신의 번호판의 데이터를 획득하는데 어려움이 있다. 이러한 문제를 해결하기 위해 인조 번호판을 이용하여 자동차 번호판을 생성하여 딥러닝을 통한 번호판 인식 연구가 진행되고 있다. 하지만 인조 데이터는 실제 데이터와 차이가 존재하며, 이러한 문제를 해결하기 위해 다양한 데이터 증강 기법을 사용한다. 기존 데이터 증강 방식은 단순히 밝기, 회전, 어파인 변환, 블러, 노이즈등의 방법을 사용하였다. 본 논문에서는 데이터 증강 방법으로 인조데이터를 실제 데이터 스타일로 변환하는 스타일 변환 방법을 적용한다. 또한 실제 번호판 데이터는 원거리가 많고 어두운 경우 잡음이 많이 존재한다. 단순히 입력데이터를 가지고 문자를 인식할 경우 오인식의 가능성이 높다. 이러한 경우 문자인식 향상을 위해 본 논문에서는 문자인식을 위하여 화질개선 방법으로 DeblurGANv2 방법을 적용하여 번호판 인식 정확도를 높였다. 번호판 검출 및 번호판 번호인식을 위한 딥러닝의 방식은 YOLO-V5를 사용하였다. 인조 번호판 데이터 성능을 판단하기 위해 자체적으로 확보한 자동차 번호판을 수집하여 테스트 셋을 구성하였다. 스타일 변환을 적용하지 않은 번호판 검출이 0.614mAP를 기록하였다. 스타일 변환을 적용한 결과 번호판 검출 성능이 0.679mAP 기록하여 성능이 향상되었음을 확인하였다. 또한 번호판 문자인식에는 화질 개선을 하지 않은 검출 성공률은 0.872를 기록하였으며, 화질 개선 후 검출 성능이 0.915를 기록하여 성능 향상이 되었음을 확인 하였다.

• 전기전자학회논문지
• /
• 제15권4호
• /
• pp.274-280
• /
• 2011

본 연구에서는 SoC를 이용한 임베디드 시스템에 리눅스 OS 환경을 구축하고 번호판 인식 시스템을 구현하여 그 성능을 측정하였다. 자동차 번호판을 인식하기 위해서는 번호판을 검출하고 검출된 번호판을 보정 한 뒤 각 문자들에 대해 인식을 한다. 번호판 검출 방법으로는 레이블링 기법과 숫자의 특징을 이용하여 검출하였다. 검출된 번호판의 표기되어 있는 숫자들은 각각의 좌표가 있다. 이러한 숫자들의 좌표를 비교하여 영상을 보정하고 템플릿 매칭을 통해 인식을 한다. 그 결과로 번호판의 검출율은 96%, 문자 인식률은 73%, 숫자 인식률은 97%로 나타났다. 인식 시스템은 기존의 PC기반이 아닌 임베디드 보드에서 측정 되었으며 총 인식시간은 약 0.66초가 소요되었다.

• 한국융합학회논문지
• /
• 제9권9호
• /
• pp.31-39
• /
• 2018

본 논문에서는 차량 주변 환경의 변화에서도 번호판 영역을 검출하는 연구를 하였다. 그래서 주변 환경 변화에 적응하는 윤곽선 추출 기반의 자동차 번호판 검출 방법을 제안하였다 제안하는 방법은 윤곽선 추출 과정에서 불필요한 잡음 부분을 제거하기 위해 DoG(Difference of Gaussian)을 이용하여 윤곽선을 추출 하였다. 추출한 윤곽선 영상를 이진화하여 Mophology operation을 사용하여 문자부분 윤곽선을 강조시켰다. 그리고 문자의 종횡비를 판별하여 번호판의 문자와 유사한 비율의 윤곽선을 추출하였다. 그리고 윤곽이 가장 길게 이어진 경우를 차량 번호판으로 추정하여 검출 하였다. 본 연구에서는 차량 정면 뿐 아니라 기울어져 있는 차량의 번호판, 차량 주변 환경의 변화를 가지는 차량 번호판 등 다양한 130개의 차량 영상 데이터를 사용하였다. 그리고 번호판의 패턴이 다른 오토바이 영상에서도 실험 하였다. 실험 결과 기울어져 있는 영상은 93%, 다양한 배경 환경에서는 90% 오토바이영상에서는 70%의 검출률을 나타냈으나 정면의 영상에서 98%의 검출률을 나타내었다.