KR100837244B1 - 자동차 번호판의 영상 인식 시스템 및 그 방법 - Google Patents

Abstract

본 발명은 카메라를 통해 촬영된 자동차 번호판의 영상을 인식하는 시스템 및 그 방법에 관한 것이다.

본 발명에서는, 자동차 번호판의 영상에 대한 공분산 행렬을 먼저 산출한다. 그리고, 산출된 공분산 행렬을 이용하여 번호판 영상 내 문자의 특징을 값으로 표현한 고유값(Eigenvalue)을 계산하고, 고유값과 일대일 대응하는 고유 벡터(Eigenvector)를 산출한다. 이후, 산출된 고유 벡터 중에서 번호판 영상 전체를 나타낼 수 있는 소정 개수의 고유 벡터를 선정하는데, 선정시 값이 큰 고유값과 대응하는 고유 벡터를 우선 순위로 한다. 이후, 선정된 고유 벡터의 공간으로 번호판 영상을 투영시켜 해당 숫자가 고유 벡터의 공간에서 가지는 가중치를 추출하는데, 이 가중치는 곧 특징 벡터가 된다. 이후, 추출된 특징 벡터를 토대로 영상 학습을 수행하며, 그 수행 결과를 번호판의 영상 인식에 이용한다.

이를 통하여, 계조도 분포가 정규 분포를 벗어나는 번호판 영상에서도 높은 인식률을 얻을 수 있다.

영상 인식, 자동차 번호판, 주성분 분석(PCA), 특징 벡터, 인식률

Description

자동차 번호판의 영상 인식 시스템 및 그 방법{SYSTEM AND METHOD FOR THE RECOGNITION OF VEHICLE LICENSE PLATE IMAGES}

도 1은 선명하고 깨끗한 자동차 번호판의 영상을 도시한 도면이다.

도 2는 도 1의 영상을 이진화한 결과를 도시한 도면이다.

도 3은 훼손되고 더럽혀진 자동차 번호판의 영상을 도시한 도면이다.

도 4는 도 3의 영상을 이진화한 결과를 도시한 도면이다.

도 5는 본 발명의 실시 예에 따른 자동차 번호판의 영상 인식 시스템의 구성을 도시한 도면이다.

도 6은 도 5에 도시한 자동차 번호판의 영상 인식 시스템의 동작 과정을 순차적으로 도시한 흐름도이다.

도 7 내지 도 10은 본 발명의 실시 예에 따른 자동차 번호판의 영상 인식에 대한 표시 예를 도시한 도면이다.

본 발명은 자동차 번호판의 영상 인식 시스템 및 그 방법에 관한 것으로서, 보다 상세하게는 카메라를 통해 촬영된 자동차 번호판의 영상을 인식하는 시스템 및 그 방법에 관한 것이다.

일반적으로, 영상 분할이란 영상(Image) 속에서 의미 있는 객체를 분리해 내는 과정으로서 검사 및 인식 분야에 널리 사용되고 있다. 이러한 영상 분할 중 객체(Object)의 특징을 추출해내는 과정은 외부로부터 입력된 영상에서 의미 있는 객체를 구별할 수 있는 특징 값을 추출하는 단계인데, 추출된 특징 값은 객체를 판단하거나 인식하는 과정시 중요한 기반이 된다.

객체의 특징 추출 방법은 크게 두 가지로 나눌 수 있는데 이진화를 거쳐서 특징을 추출하는 방법과 이진화를 거치지 않고 회색조 영상에서 바로 특징을 추출하는 방법이 있다. 이중, 빠른 처리 속도로 인해 이진화를 거쳐서 객체의 특징을 추출하는 방법이 주로 이용되고 있다.

자세히 알아보면, 이진화를 거쳐서 객체의 특징을 추출하는 방법은 크게 영상의 정규화된 투영 값(Projection)을 특징 값으로 추출하는 방법과 망(Mesh)의 특징을 이용하여 특징 값을 추출하는 방법이 있다.

먼저, 정규화된 투영 값을 추출하는 방법은 객체의 변형에 크게 영향을 받지 않고 매우 간단하게 객체의 특징을 추출할 수 있는 방법으로서, 이는 자동차 번호판의 영상을 수평, 수직 축으로 각각 투영시켜 발생한 투영 값을 특징 값으로 사용한다. 그러나, 상기한 방법은 자동차 번호판이 더렵혀졌거나 물리적으로 훼손된 경우에는 원하는 투영 값, 즉 특징 값을 얻을 수 없다. 이에 대한 표시 예가 첨부된 도 1 내지 도 4이다.

도 1과 도 2에 도시되어 있듯이, 정규화된 투영 값을 추출하는 방법은 자동 차 번호판의 영상이 도 1과 값이 양호할 경우에는 도 2와 값이 배경과 문자가 뚜렷하게 양분되는 결과 값을 얻을 수 있다. 하지만, 도 3과 같이 자동차 번호판의 영상이 불균일한 반사 상태에서 취득한 영상이라 그 상태가 양호하지 않을 경우에는 도 4와 같이 그 투영 값, 즉 특징 값을 정확하게 얻을 수가 없다.

한편, 망 특징을 이용하여 특징 값을 추출하는 방법은 입력된 영상을 m× n의 블록으로 나눈 후, 나눠진 블록 내에 포함된 숫자의 화소수를 특징 값으로 사용한다. 이 방법은 복잡한 계산을 필요로 하지는 않으나, 숫자의 회전이나 이동에 매우 민감한 단점이 있다. 그래서, 도 3과 같이 자동차 번호판의 영상이 양호하지 않을 경우에는 도 4와 같이 정확한 특징 값을 얻을 수가 없다.

뿐만 아니라, 상기한 특징 추출 방법들은 영상 학습을 하는 신경망으로 보내는 데이터 양 역시 매우 많을 뿐만 아니라, 영상 처리 속도 역시 늦은 편이다. 예를 들어, 문자 영역(한글 또는 숫자)의 크기가 64× 64라면 총 4096개의 픽셀 정보를 모두 신경망으로 보내게 된다. 이는 곧, 신경망의 학습 수행 속도를 저하시킬 뿐만 아니라, 자동차 번호판의 영상이 양호하지 않을 경우에는 현저히 인식률이 떨어진다.

본 발명이 이루고자 하는 기술적 과제는 이러한 문제점을 해결하기 위한 것으로서, 조명의 변화나 외부 환경에 영향을 받은 자동차 번호판의 영상 인식시 높은 인식률을 얻을 수 있는 자동차 번호판의 영상 인식 시스템 및 그 방법을 제공하기 위한 것이다.

이러한 목적을 달성하기 위한 본 발명의 특징에 따른 자동차 번호판의 영상 인식 시스템은, 문자를 포함하는 자동차 번호판의 영상에 대한 공분산 행렬을 산출하는 공분산 행렬 산출부; 상기 산출한 공분산 행렬을 이용하여 상기 번호판 영상 내 문자의 특징을 값으로 표현한 고유값(Eigenvalue)을 산출한 후, 상기 산출한 고유값과 일대일 대응하는 고유 벡터(Eigenvector)를 산출하는 고유벡터 산출부; 상기 산출한 고유 벡터 중에서 상기 번호판 영상의 전체를 나타낼 수 있는 소정 개수의 고유 벡터를 선정하는 고유벡터 개수 선정부; 상기 선정한 고유 벡터의 공간으로 상기 번호판 영상을 투영시켜 각 숫자가 상기 고유 벡터의 공간에서 가지는 가중치를 추출하는 특징벡터 추출부; 및 상기 추출한 가중치를 특징 벡터로 하여 영상 학습을 수행하고, 상기 수행한 학습 결과를 토대로 상기 카메라를 통해 촬영된 자동차 번호판의 영상을 인식하는 신경망 처리부를 포함한다.

또한, 본 발명의 다른 특징에 따른 자동차 번호판의 영상 인식 방법은, a)문자를 포함하는 자동차 번호판의 영상에 대한 공분산 행렬을 산출하는 단계; b)상기 산출한 공분산 행렬을 이용하여 상기 번호판 영상 내 문자의 특징을 값으로 표현한 고유값(Eigenvalue)을 산출한 후, 상기 산출한 고유값과 일대일 대응하는 고유 벡터(Eigenvector)를 산출하는 단계; c)상기 산출한 고유 벡터 중에서 상기 번호판 영상의 전체를 나타낼 수 있는 소정 개수의 고유 벡터를 선정하는 단계; d)상기 선정한 고유 벡터의 공간으로 상기 번호판 영상을 투영시켜 각 숫자가 상기 고유 벡터의 공간에서 가지는 가중치를 추출하는 단계; 및 e)상기 추출한 가중치를 특징 벡터로 하여 영상 학습을 수행하는 단계를 포함한다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였다. 명세서 전체를 통하여 유사한 부분에 대해서는 동일한 도면 부호를 붙였다.

도 5는 본 발명의 실시 예에 따른 자동차 번호판의 영상 인식 시스템의 세부적인 구조를 도시한 도면이다.

도 5에 도시되어 있듯이, 본 발명의 실시 예에 따른 자동차 번호판의 영상 인식 시스템(100)은 공분산 행렬 산출부(110)와 고유벡터 산출부(120), 고유벡터 개수 선정부(130), 특징벡터 추출부(140) 및 신경망 처리부(150)를 포함하며, 번호판 영상 데이터베이스(111)를 더 포함한다.

구체적으로 설명하면, 공분산 행렬 산출부(110)는 번호판 영상 데이터베이스(111)에 저장되어 있는 소정 개수(본 발명의 실시 예에서는 64× 64 크기의 숫자 '0'부터 '9'까지의 영상 각 50개씩인 총 500개)의 자동차 번호판의 영상(일종의 학습 영상으로 문자를 포함하는 영상. 이하 본 발명의 실시 예에서는 설명의 편의를 위하여‘번호판 영상’이라 함)에 대한 공분산 행렬을 산출한다. 자세한 산출 과정은 추후 동작 과정 설명시 언급하기로 한다.

고유벡터 산출부(120)는 산출된 공분산 행렬을 이용하여 번호판 영상 내 문 자(숫자나 한글 등)의 특징을 값으로 표현한 고유값을 산출한 후, 산출된 고유값과 일대일로 대응하는 고유 벡터를 구한다. 참고로, 이하 본 발명의 실시 예에서는 고유값과 일대일 대응하는 고유 벡터를 고유 숫자(Eigennumber)라고 정의한다.

그리고, 고유벡터 산출부(120)는 앞서 산출된 공분산 행렬의 차원(4096× 4096)이 고차원일 경우에는 주로 반복법을 이용하여 고유값 및 그와 일대일 대응하는 고유 벡터를 구하는데, 이때 여러 반복법 중 본 발명의 실시 예에서는 Jacobi 방법을 이용한다. 하지만 본 발명은 이것에 한정된 것이 아니라 경우에 따라서는 따른 반복법을 이용할 수도 있다. 또한, 본 발명의 실시 예처럼 공분산 행렬이 고차원일 경우에는 고유값이 여러 개 나올 수 있는데, 그 고유값이 크면 클수록 문자에 대한 특징이 많이 포함되어 있는 것을 의미한다.

고유벡터 개수 선정부(130)는 산출된 고유 벡터 중 번호판 영상 전체를 나타낼 수 있는 소정 개수의 고유 벡터를 선정하는데, 선정시 아래의 식을 따른다.

여기서, λi는 앞서 산출한 공분산 행렬의 고유값을 의미하고 M은 공분산 행렬의 총 고유값 개수, m은 번호판 영상 인식에 사용되는 특징 벡터의 수로 앞서 선정된 고유값의 개수이다.

다음으로, 특징벡터 추출부(140)는 선정된 소정 개수의 고유 벡터, 즉 고유 숫자 공간으로 번호판 영상을 투영시켜 각 숫자가 고유 숫자의 공간상에서 어떠한 가중치를 가지고 선형 조합으로 이루어지는지, 그 가중치를 추출한다. 여기서 추출한 가중치가 바로 특징 벡터가 되는 것인데, 이때 추출된 특징 벡터의 개수 역시 앞서 선정한 고유 숫자의 개수와 동일하다.

신경망 처리부(150, Neural Network)는 추출된 소정 개수의 특징 벡터를 토대로 학습을 수행하고, 그 수행 결과는 추후 카메라를 통해 촬영된 자동차 번호판의 영상 인식시 이용한다. 이처럼 학습이 먼저 이루어진 후 그 학습 결과를 토대로 영상 인식이 진행된다.

참고로, 본 발명의 실시 예에 따른 신경망 처리부(150)는 다층 퍼셉트론(Multi-layer Perceptron)의 구조로 이루어진 신경망을 토대로 역전파(Back-Propagation) 알고리즘을 사용하여 영상 학습을 수행한다.

그러면, 위에 기술된 구조로 이루어지는 자동차 번호판의 영상 인식 시스템의 동작 과정에 대해 알아본다.

도 6은 본 발명의 실시 예에 따른 자동차 번호판의 영상 인식 시스템의 동작 과정을 순차적으로 도시한 흐름도이다.

먼저, 공분산 행렬 산출부(110)는 소정 개수의 번호판 영상에 대한 공분산 행렬(C)을 산출하기 위해 소정의 동작 과정을 거치는데, 이때 본 발명의 실시 예에서는 64× 64 크기의 숫자 0부터 9까지의 영상 각 50개씩인 총 500개의 번호판 영상을 대상으로 공분산 행렬(C)을 산출한다.

이처럼, 본 발명의 실시 예에서는 64× 64 크기의 500개 번호판 영상에 대한 공분산 행렬을 산출하지만, 본 발명은 이것에 한정된 것이 아니라 경우에 따라서는 더 크고 더 많은 양의 번호판 영상에 대해 공분산 행렬을 산출할 수도 있다.

자세히 언급하면, 도 6에 도시되어 있듯이 공분산 행렬 산출부(110)는 먼저 아래의 [수학식 1]에 따라 전체 번호판 영상에 대한 평균 영상(ψ)을 산출한다(S610).

상기한 [수학식 1]에서 M은 번호판 영상의 총 개수(500개)이며, Γ1 , Γ2 … Γn은 2차원 이미지인 번호판 영상을 일렬로 배열시킨 1차원 벡터를 의미한다.

참고로, [수학식 1]을 통해 산출된 평균 영상은 2차원 이미지로서 이에 대한 표시 예가 첨부된 7이다. 도 7에 도시되어 있듯이, 공분산 행렬 산출부(110)는 2차원 이미지인 평균 영상을 산출하게 된다.

이후, 공분산 행렬 산출부(110)는 산출한 평균 영상(ψ)을 각 번호판 영상에서 뺀 차영상(Φi)을 아래의 [수학식 2]처럼 구한다(S620). 이에 대한 표시 예가 첨부된 도 8이다.

이후, 공분산 행렬 산출부(110)는 구해진 차영상과 차영상의 내적으로 공분산 행렬(C)을 아래의 [수학식 3]과 같이 산출한다(S630).

다음으로, 고유벡터 산출부(120)는 [수학식 3]에 따라 구해진 공분산 행렬(C)을 이용하여 번호판 영상 내 문자(숫자나 한글 등)의 특징을 값으로 표현한 고유값을 산출한 후, 산출된 고유값과 일대일로 대응하는 고유 벡터를 구한다.

참고로, 본 발명의 실시 예에 따른 고유값은 공분산 행렬(C)의 크기에 따라 그 값이 여러 개 나올 수 있는데, 나온 고유값의 값이 크면 클수록 문자에 대한 특징이 많이 포함되어 있는 것을 의미한다.

그리고, 본 발명의 실시 예처럼 64× 64 크기의 번호판 영상에 대해 산출한 공분산 행렬의 차원(4096× 4096)은 매우 고차원의 행렬이므로, 이러한 고차원 행렬의 공분산 행렬을 이용하여 고유값을 산출할 때에는 주로 반복법을 이용한다. 이때, 본 발명의 실시 예에서는 앞서 언급한 바와 같이 여러 반복법 중 자코비(Jacobi) 방법을 이용한다.

참고로, 자코비 방법은 항상 대칭 행렬(앞서 산출한 공분산 행렬은 항상 대칭)을 입력으로 하고, 상사 변환을 반복적으로 수행해서 대상 행렬을 대각 행렬로 만든다. 이때, 대각 행렬의 원소 값이 바로 고유값인데 자코비 방법은 고유값을 중요한 것부터 덜 중요한 것 순으로 정렬(Sorting)한다.

따라서, 고유값이 클수록 좌측 상단에 배열을 하고, 큰 고유값일수록 그 만큼 각 숫자를 구분 지을 수 있는 특징이 많다는 것을 의미한다. 이에 대한 표시 예 가 첨부된 도 9이다.

도 9는 Jacobi 방법을 통해 구한 고유 벡터, 즉 고유 숫자들 중 처음 40개를 도시한 도면이다. 도 9에 도시되어 있듯이, 좌측 상단일수록 좀 더 선명한 번호판 영상이 배치된 구조를 이룬다.

자세히 언급하면, 고유벡터 산출부(120)는 자코비 방법을 따르는 아래의 [수학식 4]에 따라 고유값을 산출해 낸 후, 산출해 낸 고유값과 일대일 대응하는 고유 벡터, 즉 고유 숫자를 산출한다(S640).

상기한 [수학식 4]에서 λi는 고유값이며, ｕi는 고유 벡터이다. 그리고, 앞서 언급한 바와 같이 산출해 낸 고유값이 클수록 그와 대응하는 고유 벡터가 주요한 성분인 것이다.

이후, 고유벡터 개수 선정부(130)는 산출된 고유 벡터(예를 들어, 4096개) 중 소정 개수의 고유 벡터만을 선정하는데 이때 아래의 [수학식 5]를 따른다(S650).

여기서, λi는 공분산 행렬의 고유값을 의미하고 M은 공분산 행렬의 총 고유값 개수, m은 인식에 사용되는 특징 벡터의 수로 앞서 선정된 고유값의 개수이다. 그리고, 설명력이란 앞서 산출한 고유값이 전체 번호판 영상을 얼마나 설명할 수 있는가를 의미한다. 즉, [수학식 5]를 따르는 설명력(%) 산출을 통해 고유 숫자의 개수를 선정한다.

상기한 [수학식 5]에 따라 산출된 고유값의 개수 및 그 설명력은 아래의 [표 1]과 같다. [표 1]에 도시되어 있듯이, 고유 숫자의 개수가 100개만 되더라도 전체 번호판 영상의 93.53%를 설명할 수 있음을 알 수 있다.

하지만, 본 발명의 실시 예에 따른 고유벡터 개수 선정부(130)는 93.53%의 설명력을 가지는 100개의 고유 숫자를 선정함으로써 신경망 처리부(150)의 데이터 처리 속도를 높일 수도 있지만, 신경망 처리부(150)의 데이터 처리 속도 보다는 영상 인식률이 더 중요하므로 99.52%의 설명력을 가지는 400개를 고유 숫자의 개수로 선정한다. 하지만, 상기한 고유 숫자 개수는 본 발명에 한정되는 것이 아니라 경우에 따라서는 그 이상 또는 그 이하가 될 수도 있다.

이를 통해, 본 발명의 실시 예에 따른 자동차 번호판의 영상 인식 시스템은 조명의 변화나 외부 환경에 영향을 많이 받는 번호판 영상을 인식함에 있어 높은 인식률을 가질 수 있다. 뿐만 아니라, 기존에 비해 빠른 처리 속도를 가진다.

이후, 특징벡터 추출부(140)는 선정된 400개의 고유 숫자의 공간으로 번호판 영상을 투영시켜 각 숫자가 고유 숫자의 공간상에서 어떠한 가중치를 가지고 선형 조합으로 이루어지는지, 그 가중치를 아래의 [수학식 6]에 따라 추출한다(S660). 여기서 추출한 가중치가 바로 특징 벡터가 되는 것인데, 추출된 특징 벡터의 개수 역시 고유 숫자의 개수와 동일하게 400개가 된다.

여기서, Γi는 번호판 영상 중 하나인 특정 숫자의 영상이고, Wik는 Γi를 고유 숫자 공간 상에 투영시켰을 때 전체 고유 숫자 ukT에 대한 번호판 영상의 특징 벡터를 의미한다.

상기한 [수학식 6]에 대한 표시 예가 첨부된 도 10이다. 도 10에 도시되어 있듯이, 숫자 ‘0’이 고유 숫자의 공간에서 어떠한 가중치(a1, a2, … , an)를 가지고 선형 조합(예를 들어, y=ax+b)으로 이루어졌는지 도시되어 있다.

이처럼, 본 발명의 실시 예에 따른 특징벡터 추출부(140)는 각 번호판 영상의 특징을 잘 나타내는 특징 벡터를 추출하여 추후 번호판 영상 인식시 이용함으로써, 물리적인 훼손이나 불균일한 조명, 반사 등을 통해 계조도 분포가 정규 분포를 벗어나는 번호판 영상에서도 높은 인식률을 얻을 수 있다.

이후, 추출된 특징 벡터 400개는 신경망 처리부(150)로 보내지는데, 신경망 처리부(150)는 입력된 400개의 특징 벡터를 토대로 영상 학습을 수행한다(S670). 즉, 영상 학습이 먼저 이루어진 후 그 학습 결과를 토대로 영상 인식이 진행된다. 그리고, 본 발명의 실시 예에 따른 신경망 처리부(150)는 다층 퍼셉트론(Multi-layer Perceptron)의 구조로 이루어진 신경망을 토대로 역전파(Back-Propagation) 알고리즘을 사용하여 영상 학습을 수행한다. 참고로, 다층 퍼셉트론 구조의 신경망은 입력층(Input Layer)과 은닉층(Hidden Layer) 및 출력층(Output Layer)으로 구성되어 있다.

아래의 [표 2]는 상기한 다층 퍼셉트론 구조의 신경망을 통한 영상 인식에 있어 기존의 망 특징을 이용한 인식 결과와 본 발명의 실시 예에 따른 주성분 분석을 통한 인식 결과를 상호 비교한 예이다.

[표 2]에 도시되어 있듯이, 본 발명의 실시 예에 따른 자동차 번호판의 영상 인식 시스템은 유사한 인식 환경 하에서 기존의 방법보다 더 높은 영상 인식률을 가진다. 즉, 기본의 방법과 인식 개수는 비슷하지만 그에 대한 인식률은 매우 높은 편이다.

이처럼, 본 발명의 실시 예에 따른 자동차 번호판의 영상 인식 시스템 및 그 방법은 영상 인식을 위한 데이터 처리 속도가 빠를 뿐만 아니라, 조명의 변화나 외부 환경에 영향을 많이 받은 자동차 번호판이라 할지라도 높은 인식률을 보인다.

도면과 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

이상에서와 같이 본 발명의 실시 예에 따르면 번호판 영상의 특징이 포함된 특징 벡터를 추출하여 추후 영상 인식시 이용함으로써, 물리적인 훼손이나 불균일한 조명 및 반사 등을 통해 계조도 분포가 정규 분포를 벗어나는 번호판 영상에서도 높은 인식률을 얻을 수 있는 효과가 있다.

Claims (6)

1. 카메라를 통해 촬영된 자동차 번호판의 영상을 인식하는 시스템에 있어서,

   문자를 포함하는 자동차 번호판의 영상에 대한 공분산 행렬을 산출하는 공분산 행렬 산출부;

   상기 산출한 공분산 행렬을 이용하여 상기 번호판 영상 내 문자의 특징을 값으로 표현한 고유값(Eigenvalue)을 산출한 후, 상기 산출한 고유값과 일대일 대응하는 고유 벡터(Eigenvector)를 산출하는 고유벡터 산출부;

   상기 산출한 고유 벡터 중에서 상기 번호판 영상의 전체를 나타낼 수 있는 소정 개수의 고유 벡터를 선정하는 고유벡터 개수 선정부;

   상기 선정한 고유 벡터의 공간으로 상기 번호판 영상을 투영시켜 각 숫자가 상기 고유 벡터의 공간에서 가지는 가중치를 추출하는 특징벡터 추출부; 및

   상기 추출한 가중치를 특징 벡터로 하여 영상 학습을 수행하고, 상기 수행한 학습 결과를 토대로 상기 카메라를 통해 촬영된 자동차 번호판의 영상을 인식하는 신경망 처리부

   를 포함하는 자동차 번호판의 영상 인식 시스템.
2. 제1 항에 있어서,

   상기 고유벡터 산출부는,

   상기 산출한 공분산 행렬이 고차원의 행렬이면, 적어도 한 개 이상의 고유값 을 큰 순서대로 배치하는 자코비(Jacobi) 방법을 이용하여 상기 고유값을 산출하는 자동차 번호판의 영상 인식 시스템.
3. 제1 항에 있어서,

   상기 신경망 처리부는,

   입력층(Input Layer)과 은닉층(Hidden Layer) 및 출력층(Output Layer) 중 적어도 어느 하나를 포함하는 다층 퍼셉트론(Multi-layer Perceptron)의 구조로 이루어지는 신경망을 토대로 역전파(Back-Propagation) 알고리즘을 사용하여 상기 영상 학습을 수행하는 자동차 번호판의 영상 인식 시스템.
4. 카메라를 통해 촬영된 자동차 번호판의 영상을 인식하는 방법에 있어서,

   a)문자를 포함하는 자동차 번호판의 영상에 대한 공분산 행렬을 산출하는 단계;

   b)상기 산출한 공분산 행렬을 이용하여 상기 번호판 영상 내 문자의 특징을 값으로 표현한 고유값(Eigenvalue)을 산출한 후, 상기 산출한 고유값과 일대일 대응하는 고유 벡터(Eigenvector)를 산출하는 단계;

   c)상기 산출한 고유 벡터 중에서 상기 번호판 영상의 전체를 나타낼 수 있는 소정 개수의 고유 벡터를 선정하는 단계;

   d)상기 선정한 고유 벡터의 공간으로 상기 번호판 영상을 투영시켜 각 숫자가 상기 고유 벡터의 공간에서 가지는 가중치를 추출하는 단계; 및

   e)상기 추출한 가중치를 특징 벡터로 하여 영상 학습을 수행하는 단계

   를 포함하는 자동차 번호판의 영상 인식 방법.
5. 제4 항에 있어서,

   상기 b)단계는,

   상기 산출한 공분산 행렬이 고차원 행렬인지를 확인하는 단계;

   상기 고차원 행렬이 아니면 직접법으로 상기 고유값을 산출하는 단계; 및

   상기 고차원 행렬이면 적어도 한 개 이상의 고유값을 큰 순서대로 배치하는 자코비(Jacobi) 방법을 이용하여 상기 고유값을 산출하는 단계

   를 포함하는 자동차 번호판의 영상 인식 방법.
6. 제 5항에 있어서,

   상기 c)단계는,

   상기 자코비 방법을 통해 배치된 고유값과 일대일 대응하는 고유 벡터 중 상기 번호판 영상 전체의 전체 개수 보다는 작은 고유 벡터의 개수를 아래의 [수학식],

   

   을 통해 산출하는 자동차 번호판의 영상 인식 방법.

   여기서, λi는 상기 산출한 공분산 행렬의 고유값이고, M은 상기 산출한 공분산 행렬의 총 고유값 개수, m은 상기 추출한 가중치인 특징 벡터의 수이다.

Images