• Annual Conference of KIPS
• /
• 2002.04a
• /
• pp.713-716
• /
• 2002

자동차의 번호판은 각각의 차량을 추분 할 수 있는 것으로, 번호판의 문자를 인식함으로써 전국에 등록되어 있는 모든 차량 중에 1 대를 폭정 지을 수 있다. 그러나 기존의 연구방법 대부분은 번호판 문자 중에서 큰 숫자 4개만을 인식하는 것으로 전국적인 규모에서 완전한 차량인식이 불충분하였다. 따라서 본 논문에서는 차량의 정면에서 촬영한 영상에서 번호판을 추출하고, 그 안에 표기된 모든 문자를 인식하는 방법을 제안한다. 본 연구에서 사용된 방법은 허프변환과 번호판의 형상특징을 이용하여 번호판영역을 추출하고, 추출된 번호판에서 문자의 위치적 특징을 사용하여 각 문자를 추분하고 인식하였다. 160장의 샘플사진으로 실험해 본 결과 번호판 영역을 추출하고, 문자인식을 모두 성공한 종합성공률은 87.5%의 결과를 나타내었다.

• Annual Conference of KIPS
• /
• 2002.04a
• /
• pp.775-778
• /
• 2002

본 논문에서는 도로를 주행하는 차량영상으로부터 번호판의 인식에 대한 연구이다. 차량을 검출하기 위해 두 프레임의 차를 이용하여 도로상에서 차량을 분리하였고, 번호판 영역을 추출하기 위해 명암도 변화의 파형 곡선 결과에 임계값을 적용하여 번호판을 추출하였다. 번호판 영역 검출은 96.05%의 검출결과를 얻었으며, 차량의 번호판 문자인식은 신경망을 통하여 학습 시켰 그 성능은 잭나이프 기법을 통해 측정하였다. 학습데이터에 대해서는 99.85 비학습데이터에 대해서는 88.15%의 인식율을 보였다.

• Annual Conference of KIPS
• /
• 2002.11a
• /
• pp.751-754
• /
• 2002

본 논문에서는 획득한 차량 영상에서, 차량 번호판의 후보영역을 동적으로 할당하여 번호판을 추출하고, 이중 템플릿 매칭을 이용하여 인식하는 방법을 제안하였다. 차량 번호판 영역은 다른 영역에 비해 영상의 밀도값이 높다는 것을 근거로, 후보영역을 투영하여 추출된 영상의 밀도값과 기준밀도값을 비교하여 차이가 임계값 이하를 만족한 때 차량 번호판 영역으로 추출하고 만족하지 않을 때는 다음 후보영역을 투영하여 차량 번호판 영역을 추출하였다. 추출된 번호판 영역에서 문자와 숫자영역으로 분할된 입럭패턴과 표준패턴을 흑화소로 1차 매칭하고, 이 중 유사도가 높은 표준패턴과 다시 백화소로 2차 매칭하는 이중 템플릿 매칭으로 인식하였다.

• Annual Conference of KIPS
• /
• 2000.04a
• /
• pp.896-901
• /
• 2000

차량 번호판 인식 시스템은 크게 번호판 영역의 추출과 인식 단계로 구분된다. 본 논문에서는 전처리단계로써 임계화 방식을 이용하여 번호판 영역을 추출한다. 차량 영상을 임계화하고 영상에서 발생되는 잡음을 제거한다. 잡음이 제거된 차량 영상에서 각 라인의 밀도비율을 계산하여 번호판 영역에서 나타나는 밀도의 비율과 비슷하게 나타나는 영역을 후보영역으로 설정한다. 설정된 후보영역이 번호판 영역의 특징과 유사하게 나타나는 부분을 추출한다. 그리고 추출된 번호판 영역은 코호넨 알고리즘의 2${\times0}$2마스크에 적용시켜서 윤곽선을 추출하고, 번호판의 문자와 숫자를 인식한다. 코호넨 알고리즘의 2${\times0}$2마스크를 이용하게 되면, 윤곽선의 잡음을 최대한으로 줄여주는 특성을 가진다. 잡음이 제거된 후에, 번호판의 문자와 숫자들을 코호넨 알고리즘을 이용하여 인식하였다. 실험 결과에서는 임계화 작업을 이용한 번호판 추출과 코호넨 알고리즘을 이용한 번호판 인식이 우수하는 것을 알 수 있다.

• Proceedings of the Korea Institute of Convergence Signal Processing
• /
• 2000.08a
• /
• pp.245-248
• /
• 2000

자동차 번호판 인식 시스템에서 가장 중요한 요소는 자동차 이미지 영역에서 번호판 영역을 추출, 추출된 영역에서 문자 추출, 추출된 문자의 인식 등의 과정이다. 본 논문은 자동차 번호판 인식 과정에서 적응 알고리즘을 이용하여 보다 정확한 인식이 될 수 있도록 한다. 본 논문에서 사용하는 적응 알고리즘은 기존의 방식과는 달리 특정한 알고리즘을 이용한 인식을 하지 않고 다양한 알고리즘을 이용한 인식 결과의 조합으로 최적의 해법을 찾는다. 번호판 인식을 위한 적응 알고리즘은 원형 정합 알고리즘, 벡터 알고리즘, 세선화 알고리즘 등이다. 적응 알고리즘을 이용한 실험 결과 자동차 이미지에 대해서 90% 이상 인식이 가능함을 확인할 수 있었다.

• Annual Conference of KIPS
• /
• 2004.05a
• /
• pp.773-776
• /
• 2004

본 논문에서는 에지 검출기에 의해 다양한 명암이 존재하는 차량 번호판 영역의 사각형 에지를 검출시 사용되는 소벨 및 Prewitt, Roberts, 가우시안의 라플라시안, 그리고 Canny 검출기를 사용하여 처리 속도와 에지 검출의 정확성을 실험하여 각 연산자의 성능을 평가하였다. 기존의 Sobel 에지 검출기는 적응적 임계값을 구하지 않으면 다양한 조명의 영향에 강인하지 못하다. 또한 Canny 에지 검출기는 조명의 영향에 강인하기는 하나, 계산량이 Sobel 보다는 많아 처리 속도가 느리다. 색상에 의해 번호판 후보 영역을 추출한 후 에지 검출기 번호판 내의 명암이 둘 이상으로 차량 번호판 영역에 대해서, 다양한 에지 검출기를 적용하여 속도와 에지 검출 성능을 비교 평가하고자 한다.

• The Journal of the Korea institute of electronic communication sciences
• /
• v.8 no.4
• /
• pp.595-604
• /
• 2013

Currently, registered number of imported vehicles is increasing rapidly over the years. Accordingly, environment improvements of vehicle maintenance company for maintenance of luxury vehicle such as imported vehicle are continuously being made. In this paper, we propose a key frame extraction method based on HSV color model for smart vehicle management system implementation to offer for customer reliability of maintenance vehicle. After automatically recognize the license plates of the vehicle using vehicle license plate recognition system when the vehicle come in the car center, we check the repair history and request of the vehicle based on it. We implement mobile services which provide extracted key frame images to the user after extract key frames from vehicle repair video. In addition, we verify the superiority of key frame extraction method by applying a smart vehicle management system. Finally, we convert the RGB color to HSV color to improve the performance of proposed key frame extraction scheme. As a result, we confirmed that our scheme is more excellence about 30% in terms of recall than RGB color model from the performance evaluations.

• Journal of Platform Technology
• /
• v.11 no.3
• /
• pp.56-67
• /
• 2023

Recently, de-identification of personal information, which has been a long-cherished desire of the data-based industry, was revised and specified in August 2020. It became the foundation for activating data called crude oil[2] in the fourth industrial era in the industrial field. However, some people are concerned about the infringement of the basic rights of the data subject[3]. Accordingly, a development study was conducted on the Batch De-Identification Tool, a personal information de-identification automation tool. In this study, first, we developed an image labeling tool to label human faces (eyes, nose, mouth) and car license plates of various resolutions to build data for training. Second, an object recognition model was trained to run the object recognition module to perform de-identification of personal information. The automated personal information de-identification tool developed as a result of this research shows the possibility of proactively eliminating privacy violations through online services. These results suggest possibilities for data-based industries to maximize the value of data while balancing privacy and utilization.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2008.05a
• /
• pp.337-342
• /
• 2008

최근 들어 기존의 녹색 바탕 차량 번호판에서, 흰색 바탕의 신 차량 번호판으로 교체되고 있다. 하지만 아직 기존 차량 번호판이 신 차량 번호판으로 전면 교체되지 않아 두 번호판 모두 사용되고 있다. 따라서 주차관리 시스템, 속도위반, 신호 위반 등 무인 카메라를 이용한 시스템에서, 기존 차량 번호판과 신 차량 번호판의 특징에 맞는 인식 시스템이 요구된다. 본 논문에서는 이러한 문제를 해결하기 위해 기존 차량 번호판과 신 차량 번호판을 통합한, 지능형 차량 번호판 인식 시스템을 제안한다. 무인 카메라에서 획득된 차량 영상에서 번호판의 색상 정보를 이용하여 기존 차량 번호판과 신 차량 번호판을 구분한다. 기존 차량 번호판인 경우에는 HSI 컬러 공간을 이용하여 이진화를 적용하며, 신 차량 번호판인 경우에는 블록 이진화를 적용한다. 이진화된 영상을 대상으로 차량의 형태학적 특징을 이용하여 잡음을 제거한 후, 차량 번호판 영역을 추출한다. 추출된 차량 번호판 영역에 대해 Labeling 알고리즘을 적용하여 개별 문자를 추출한다. 추출된 개별 문자는 FCM 알고리즘을 적용하여 인식한다. 제안된 차량 번호판 추출 및 인식 방법의 성능을 평가하기 위해 160장의 기존 차량 영상과 100장의 신 차량 영상을 대상으로 실험한 결과, 제안된 차량 번호판 추출 및 인식 방법이 실험을 통해서 효율적인 것을 확인하였다.

• Journal of Institute of Control, Robotics and Systems
• /
• v.21 no.11
• /
• pp.1008-1016
• /
• 2015

This paper proposes a method for detecting the front side of vehicles. The method can find the car side with a license plate even with complicated and cluttered backgrounds. A convolutional neural network (CNN) is used to solve the detection problem as a unified framework combining feature detection, classification, searching, and localization estimation and improve the reliability of the system with simplicity of usage. The proposed CNN structure avoids sliding window search to find the locations of vehicles and reduces the computing time to achieve real-time processing. Multiple responses of the network for vehicle position are further processed by a weighted clustering and probabilistic threshold decision method. Experiments using real images in parking lots show the reliability of the method.