• 한국멀티미디어학회논문지
• /
• 제15권6호
• /
• pp.737-747
• /
• 2012

최근 들어, 기존 계량기에서의 원격 자동 검침을 지원하기 위한 영상 기반 계량기 데이터 숫자 인식에 대한 관심이 증대되고 있다. 성공적인 숫자 인식을 달성하는 데 숫자 분할은 매우 중요한 과정이다. 본 논문에서는 다양한 조명하의 다양한 계량기들에 대해서 잘 수행되는 효과적인 계량기 숫자 분할 방법을 제안한다. 제안된 계량기 숫자 분할 방법은 먼저 계량기 전체 숫자 영역을 정교한 관심영역으로 검출하고, 이후 검출된 관심영역에서 각 숫자를 분할하는 2단계로 구성된다. 정교한 관심영역 검출은 조명 개선 전처리 후에 수평 라인 세그먼트를 이용한 개략적 관심영역 추출, 이진화후 수직 및 수평 투영을 이용한 클리핑을 통한 개략 관심영역 정교화 등의 과정으로 처리된다. 검출된 관심영역에서의 숫자 분할은 '숫자 구역 수직 분할' 및 '수직 분할된 각 숫자 구역에서의 숫자 분할' 등의 2개 과정을 통해 안정적으로 분할되도록 처리된다. 저대비, 저저도, 음영, 포화 등 다양한 조명 환경하의 다양한 계량기 종류에 대해 직접 촬영하여 자체 제작한 계량기 이미지 데이터베이스에 기반한 실험을 통해 본 논문에서 제안한 숫자 분할 방법을 평가하고, 제안방법이 다양한 조명 환경하의 다양한 계량기 타입에 대해서 계량기 숫자를 효과적으로 잘 분할함을 확인하였다.

• 한국지능시스템학회논문지
• /
• 제24권1호
• /
• pp.71-77
• /
• 2014

본 논문에서는 저조도 및 음영이 생기는 조명 환경하에서 성능이 개선된 계량기 숫자 인식 방법을 제안한다. 저조도 및 음영 문제를 해결하기 위해 LN(Local Normalization) 처리 기법을 이용한 조명 정규화를 수행한 후, 계량기 숫자 영역 검출과 3단계 계량기 숫자 분할이 이루어진다. 마지막으로 분할된 숫자 데이터를 분류하기 위한 하이브리드 숫자 분류기가 적용된다. 제안된 하이브리드 숫자 분류기는 역전파 신경망과 템플레이트 매칭의 연속 결합으로 이루어지고, 계량기 숫자 분류에 보다 강인한 휴리스틱 규칙에 의해 최종적으로 숫자를 분류한다. 저조도 및 음영 조명 환경하의 다양한 계량기 종류에 대해 직접 촬영하여 자체 제작한 계량기 이미지 데이터베이스에 기반한 실험을 통해 본 논문에서 제안한 숫자 인식 방법을 평가하고, 제안된 계량기 숫자 인식 방법이 효과적으로 잘 동작함을 확인하였다.

• 디지털산업정보학회논문지
• /
• 제18권4호
• /
• pp.1-11
• /
• 2022

Recently, research on license plate recognition, which is a core technology of an intelligent transportation system(ITS), is being actively conducted. In this paper, we propose a method to extract numbers and characters from low-quality license plate images by applying the YOLOv4 algorithm. YOLOv4 is a one-stage object detection method using convolution neural network including BACKBONE, NECK, and HEAD parts. It is a method of detecting objects in real time rather than the previous two-stage object detection method such as the faster R-CNN. In this paper, we studied a method to directly extract number and character regions from low-quality license plate images without additional edge detection and image segmentation processes. In order to evaluate the performance of the proposed method we experimented with 500 license plate images. In this experiment, 350 images were used for training and the remaining 150 images were used for the testing process. Computer simulations show that the mean average precision of detecting number and character regions on vehicle license plates was about 93.8%.