KR101735874B1

KR101735874B1 - 차량 번호판 검출 장치 및 방법

Info

Publication number: KR101735874B1
Application number: KR1020130125239A
Authority: KR
Inventors: 한병길; 임길택; 정윤수; 이수인
Original assignee: 한국전자통신연구원
Priority date: 2013-10-21
Filing date: 2013-10-21
Publication date: 2017-05-15
Also published as: KR20150045679A; US20150110358A1

Abstract

입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 이용하여 입력 영상이 번호판을 포함하는지 여부를 결정하는 차량 번호판 검출 장치 및 방법이 제공된다. 차량 번호판 검출 장치는 빛, 조명, 오염 및 물리적 훼손 등으로 인해 번호판의 일부분이 가려지거나 왜곡되는 경우에도 강인하게 차량의 번호판을 검출할 수 있다.

Description

차량 번호판 검출 장치 및 방법{APPARATUS AND METHOD FOR DETECTING VEHICLE NUMBER PLATE}

아래의 설명은 차량의 번호판을 검출하는 장치 및 방법에 관한 것으로, 보다 구체적으로는 빛, 조명, 오염 및 물리적 훼손 등으로 인해 번호판의 일부분이 가려지거나 왜곡되는 경우에도 강인하게 차량의 번호판을 검출할 수 있도록, 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 이용하여 입력 영상이 번호판을 포함하는지 여부를 결정하는 차량 번호판 검출 장치 및 방법에 관한 것이다.

자동차의 급격한 증가와 함께 자동차를 구분할 수 있는 유일한 정보인 번호판을 인식하는 기술의 중요성이 커지고 있다. CCTV 등의 영상획득 장치로부터 획득된 자동차 영상에서 번호판을 인식하는 기술은 종래에도 많이 존재하고 있으며 실용화 단계에 까지 이르러 범죄 차량 단속, 무인 주차 시스템 및 무인 자동차 등 자동차와 관련된 많은 분야에 활용되고 있다.

영상에서 자동차 번호판을 인식하기 위해서는 영상 내에 존재하는 자동차의 번호판 위치를 검출하는 것이 무엇보다 중요하다. 종래의 번호판 검출 기술로는 번호판의 에지, 명암 및 색상 정보 등을 이용한 기술이 있다.

하지만, 번호판의 에지나 명암 정보를 이용하는 방법의 경우, 빛이나 조명에 의해 번호판 내부에 급격한 밝기 변화가 발생하거나 번호판의 오염, 물리적인 훼손 등으로 인해 번호판의 일부분이 가려지고 왜곡되면 번호판의 위치 검출이 힘든 단점이 있다. 또한, 색상 정보를 이용하는 경우, 야간에 획득한 영상이나 적외선 영상에서는 사용할 수 없는 단점이 있다.

본 발명은 빛, 조명, 오염 및 물리적 훼손 등으로 인해 번호판의 일부분이 가려지거나 왜곡되는 경우에도 강인하게 차량의 번호판을 검출할 수 있는 차량 번호판 검출 장치 및 방법을 제공한다.

본 발명은 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 이용하여 차량의 번호판을 정확하게 검출할 수 있는 차량 번호판 검출 장치 및 방법을 제공한다.

일 실시예에 따른 차량 번호판 검출 장치는 입력 영상을 획득하는 영상 획득부; 상기 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 제공하는 학습부; 및 상기 최적 특징을 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 번호판 검출부를 포함할 수 있다.

상기 학습부는, 영상 내에 번호판을 포함하는 적어도 하나의 번호판 학습 영상 및 영상 내에 번호판을 포함하지 않는 적어도 하나의 비번호판 학습 영상을 이용하여 상기 최적 특징을 결정할 수 있다.

상기 학습부는, 상기 적어도 하나의 번호판 학습 영상의 부분 또는 전체인 제1 특징 영역에 대한 특징 및 상기 적어도 하나의 비번호판 학습 영상의 부분 또는 전체인 제2 특징 영역에 대한 특징을 이용하여 기준 특징 값을 계산하는 최적 경계값 계산부; 상기 기준 특징 값을 이용하여 상기 적어도 하나의 번호판 학습 영상 및 상기 적어도 하나의 비번호판 학습 영상이 번호판을 포함하는지 여부를 결정하고, 상기 결정의 오차가 최소가 되는 상기 적어도 하나의 번호판 학습 영상 내 제1 특징 영역을 식별하고, 상기 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 최소 오차 특징 영역 추출부; 및 상기 적어도 하나의 번호판 학습 영상의 상기 최소 오차 특징 영역에 대한 특징을 최적 특징으로 결정하는 최적 특징 결정부를 포함할 수 있다.

상기 학습부는, 상기 제1 특징 영역을 제1 흑백 영상으로 변환하고, 상기 제1 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제1 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제1 흑백 영상을 보다 낮은 단계의 제2 흑백 영상으로 변환하고, 상기 제2 흑백 영상의 히스토그램을 이용하여 상기 제1 특징 영역에 대한 특징을 추출하고, 상기 제2 특징 영역을 제3 흑백 영상으로 변환하고, 상기 제3 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제3 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제3 흑백 영상을 보다 낮은 단계의 제4 흑백 영상으로 변환하고, 상기 제4 흑백 영상의 히스토그램을 이용하여 상기 제2 특징 영역에 대한 특징을 추출하는 특징 영역 특징 추출부를 더 포함할 수 있다.

상기 학습부는, 상기 최소 오차 특징 영역 추출부에서의 상기 결정의 상기 오차에 따라 상기 제1 특징 영역의 가중치를 변경하는 가중치 변경부를 더 포함하고, 상기 최소 오차 특징 영역 추출부는, 상기 변경된 가중치에 따라 상기 오차가 최소가 되는 상기 제1 특징 영역을 재식별하고, 상기 재식별된 제1 특징 영역을 상기 최소 오차 특징 영역으로 추출할 수 있다.

상기 기준 특징 값은, 상기 적어도 하나의 번호판 학습 영상의 상기 제1 특징 영역 및 상기 적어도 하나의 비번호판 학습 영상의 상기 제2 특징 영역으로부터 계산된 값일 수 있다.

상기 기준 특징 값은, 상기 적어도 하나의 번호판 학습 영상의 상기 제1 특징 영역에 대한 히스토그램 값 및 상기 적어도 하나의 비번호판 학습 영상의 상기 제2 특징 영역에 대한 히스토그램 값을 이용하여 계산될 수 있다.

상기 번호판 검출부는, 상기 입력 영상의 부분 또는 전체인 후보 영상에 대한 특징을 추출하는 후보 영상 특징 추출부; 상기 추출된 특징을 상기 최적 특징과 비교하는 특징 비교부; 및 상기 추출된 특징 및 상기 최적 특징과의 비교 결과를 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 판정부를 포함할 수 있다.

상기 후보 영상 특징 추출부는, 상기 후보 영상을 제5 흑백 영상으로 변환하고, 상기 제5 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제5 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제5 흑백 영상을 보다 낮은 단계의 제6 흑백 영상으로 변환하고, 상기 제6 흑백 영상 내의 일정영역의 히스토그램을 이용하여 상기 후보 영상에 대한 특징을 추출하고, 상기 일정영역은, 상기 학습부에 의해 결정될 수 있다.

상기 차량 번호판 검출 장치는 상기 획득된 입력 영상을 사전 영상 처리하여 상기 번호판 검출부로 전송하는 전처리부; 및 상기 사전 영상 처리를 고려하여 상기 획득된 입력 영상에서 번호판의 위치를 계산하는 후처리부를 더 포함할 수 있다.

일 실시예에 따른 차량 번호판 검출 방법은 입력 영상을 획득하여 상기 입력 영상을 전처리하는 단계; 영상 내에 번호판을 포함하는 적어도 하나의 번호판 학습 영상 및 영상 내에 번호판을 포함하지 않는 적어도 하나의 비번호판 학습 영상을 이용하여 상기 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 결정하는 단계; 및 상기 최적 특징을 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 단계를 포함할 수 있다.

상기 최적 특징을 결정하는 단계는, 상기 적어도 하나의 번호판 학습 영상의 부분 또는 전체인 제1 특징 영역에 대한 특징 및 상기 적어도 하나의 비번호판 학습 영상의 부분 또는 전체인 제2 특징 영역에 대한 특징을 이용하여 기준 특징 값을 계산하는 단계; 상기 기준 특징 값을 이용하여 상기 적어도 하나의 번호판 학습 영상 및 상기 적어도 하나의 비번호판 학습 영상이 번호판을 포함하는지 여부를 결정하고, 상기 결정의 오차가 최소가 되는 상기 적어도 하나의 번호판 학습 영상 내 제1 특징 영역을 식별하고, 상기 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계; 및 상기 적어도 하나의 번호판 학습 영상의 상기 최소 오차 특징 영역에 대한 특징을 최적 특징으로 결정하는 단계를 포함할 수 있다.

상기 최적 특징을 결정하는 단계는, 상기 최소 오차 특징 영역 추출부에서의 상기 결정의 상기 오차에 따라 상기 제1 특징 영역의 가중치를 변경하는 단계를 더 포함하고, 상기 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계는, 상기 변경된 가중치에 따라 상기 오차가 최소가 되는 상기 제1 특징 영역을 재식별하고, 상기 재식별된 제1 특징 영역을 상기 최소 오차 특징 영역으로 추출하는 단계일 수 있다.

상기 최적 특징을 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 단계는, 상기 입력 영상의 부분 또는 전체인 후보 영상에 대한 특징을 추출하는 단계; 상기 추출된 특징을 상기 최적 특징과 비교하는 단계; 및 상기 추출된 특징 및 상기 최적 특징과의 비교 결과를 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 단계를 포함할 수 있다.

상기 입력 영상의 부분 또는 전체인 후보 영상에 대한 특징을 추출하는 단계는, 상기 후보 영상을 제5 흑백 영상으로 변환하고, 상기 제5 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제5 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제5 흑백 영상을 보다 낮은 단계의 제6 흑백 영상으로 변환하고, 상기 제6 흑백 영상 내의 일정영역의 히스토그램을 이용하여 상기 후보 영상에 대한 특징을 추출하는 단계이고, 상기 일정영역은, 상기 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 결정하는 단계에서 결정될 수 있다.

일 실시예에 따른 차량 번호판 검출을 위한 학습 방법은 영상 내에 번호판을 포함하는 적어도 하나의 번호판 학습 영상의 부분 또는 전체인 제1 특징 영역에 대한 특징 및 영상 내에 번호판을 포함하지 않는 적어도 하나의 비번호판 학습 영상의 부분 또는 전체인 제2 특징 영역에 대한 특징을 추출하는 단계; 상기 제1 특징 영역에 대한 특징 및 상기 제2 특징 영역에 대한 특징을 이용하여 기준 특징 값을 계산하는 단계; 상기 기준 특징 값을 이용하여 상기 적어도 하나의 번호판 학습 영상 및 상기 적어도 하나의 비번호판 학습 영상이 번호판을 포함하는지 여부를 결정하고, 상기 결정의 오차가 최소가 되는 상기 적어도 하나의 번호판 학습 영상 내 제1 특징 영역을 식별하고, 상기 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계; 및 상기 적어도 하나의 번호판 학습 영상의 상기 최소 오차 특징 영역에 대한 특징을 최적 특징으로 결정하는 단계를 포함할 수 있다.

상기 제1 특징 영역에 대한 특징 및 제2 특징 영역에 대한 특징을 추출하는 단계는, 상기 제1 특징 영역을 제1 흑백 영상으로 변환하고, 상기 제1 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제1 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제1 흑백 영상을 보다 낮은 단계의 제2 흑백 영상으로 변환하고, 상기 제2 흑백 영상의 히스토그램을 이용하여 상기 제1 특징 영역에 대한 특징을 추출하고, 상기 제2 특징 영역을 제3 흑백 영상으로 변환하고, 상기 제3 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제3 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제3 흑백 영상을 보다 낮은 단계의 제4 흑백 영상으로 변환하고, 상기 제4 흑백 영상의 히스토그램을 이용하여 상기 제2 특징 영역에 대한 특징을 추출하는 단계일 수 있다.

상기 차량 번호판 검출을 위한 학습 방법은 상기 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계에서의 상기 결정의 상기 오차에 따라 상기 제1 특징 영역의 가중치를 변경하는 단계를 더 포함하고 상기 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계는, 상기 변경된 가중치에 따라 상기 오차가 최소가 되는 상기 제1 특징 영역을 재식별하고, 상기 재식별된 제1 특징 영역을 상기 최소 오차 특징 영역으로 추출하는 단계일 수 있다.

일 실시예에 따르면, 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 이용하여 차량의 번호판을 정확하게 검출할 수 있다.

일 실시예에 따르면, 빛, 조명, 오염 및 물리적 훼손 등으로 인해 번호판의 일부분이 가려지거나 왜곡되는 경우에도 강인하게 차량의 번호판을 검출할 수 있다.

도 1은 차량 번호판 검출 장치의 일례를 나타낸 블록도이다.
도 2는 차량 번호판 검출 장치 내의 번호판 검출부의 일례를 나타낸 블록도이다.
도 3은 영상에서 특징을 추출하는 방법을 설명하기 위한 도면이다.
도 4는 차량 번호판 검출 장치 내의 학습부의 일례를 나타낸 블록도이다.
도 5는 차량 번호판 검출 방법의 일례를 나타낸 동작 흐름도이다.
도 6는 차량 번호판 검출을 위한 학습 방법의 일례를 나타낸 동작 흐름도이다.

이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 차량 번호판 검출 장치의 일례를 나타낸 블록도이다.

도 1을 참조하면, 차량 번호판 검출 장치는 영상 획득부(110), 전처리부(120), 번호판 검출부(130), 학습부(140) 및 후처리부(150)를 포함할 수 있다.

영상 획득부(110)는 영상획득장치로부터 번호판을 인지하기 위한 입력 영상을 획득할 수 있다. 영상획득장치란 영상을 획득할 수 있는 장치로서, 예를 들어 CCTV, 디지털 카메라 및 적외선 카메라 등을 포함할 수 있다. 일 실시예에 따르면, 획득된 입력 영상은 디지털 영상일 수 있으며, 컬러 영상, 흑백 영상 및 적외선 영상 등을 포함할 수 있다. 또한, 이러한 영상은 정지영상 및 동영상을 포함할 수 있다.

전처리부(120)는 획득된 입력 영상을 사전 영상 처리하여 번호판 검출부(130)로 전송할 수 있다. 이를테면, 전처리부(120)는 획득된 입력 영상을 번호판 검출부(130)로 보내기 전에 필요한 사전 영상 처리를 할 수 있다. 일 실시예에 따르면, 전처리부(120)는 검출 성능에 영향을 줄 수 있는 잡음을 제거하거나, 특징을 추출하거나, 비교를 위한 통일된 영상 형식으로 변환하거나, 또는 인지하고자 하는 대상의 크기를 고려하여 영상의 크기를 일정한 비율로 변환하는 처리 등을 수행할 수 있다. 이와 같이, 전처리부(120)는 획득된 입력 영상의 크기, 색 공간 등을 변경할 수 있다.

번호판 검출부(130)는 학습부(140)에서 결정된 최적 특징을 이용하여 입력 영상이 번호판을 포함하는지 여부를 결정할 수 있다. 번호판 검출부(130)에 대한 예시적인 설명은 도 2를 참조하여 후술한다.

학습부(140)는 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 번호판 검출부(130)로 제공할 수 있다. 일 실시예에 따르면, 학습부(140)는 영상 내에 번호판을 포함하는 적어도 하나의 번호판 학습 영상 및 영상 내에 번호판을 포함하지 않는 적어도 하나의 비번호판 학습 영상을 이용하여 최적 특징을 결정할 수 있다. 학습부(140)에 대한 예시적인 설명은 도 4를 참조하여 후술한다.

후처리부(150)는 번호판 검출부(130)에서 검출된 결과를 목적에 맞게 최종적으로 처리할 수 있다. 일 실시예에 따르면, 전처리부(120)에서의 사전 영상 처리를 고려하여 획득된 입력 영상에서 번호판의 위치를 계산할 수 있다.

도 2는 차량 번호판 검출 장치 내의 번호판 검출부의 일례를 나타낸 블록도이다.

도 2를 참조하면, 번호판 검출부(130)는 후보 영상 추출부(131), 후보 영상 특징 추출부(132), 특징 비교부(133) 및 판정부(134)를 포함할 수 있다. 일 실시예에 따르면, 번호판 검출부(130)는 학습부(140)에서 결정된 최적 특징을 이용하여 입력 영상이 번호판을 포함하는지 여부를 결정할 수 있다. 일 실시예에 따르면, 입력 영상이 번호판을 포함한다는 것은 입력 영상 내에 번호판 형상의 이미지가 포함된 것을 의미할 수 있다.

후보 영상 추출부(131)는 획득된 입력 영상에서 번호판이 존재할 수 있는 후보 영상을 추출할 수 있다. 일 실시예에 따르면, 후보 영상 추출부(131)는 획득된 입력 영상에서 번호판이 존재하는 영역을 알 수 없는 일반적인 경우, 획득된 입력 영상의 모든 영역의 영상을 후보 영상으로 추출할 수 있다. 이를테면, 후보 영상은 영상 획득부(110)에서 획득된 입력 영상에서 번호판이 존재할 수 있는 후보 영역의 영상으로서, 입력 영상의 부분 또는 전체일 수 있다. 다만, 번호판이 존재하는 영역을 예상할 수 있는 경우, 후보 영상 추출부(131)는 예상 영역 내에서 후보 영상을 추출할 수 있다.

후보 영상 특징 추출부(132)는 입력 영상의 부분 또는 전체인 후보 영상에 대한 특징을 추출할 수 있다. 이에 대한 예시적인 설명은 도 3을 참조하여 후술한다.

특징 비교부(133)는 후보 영상 특징 추출부(132)에서 추출된 후보 영상에 대한 특징을 학습부(140)에서 결정된 최적 특징과 비교할 수 있다.

판정부(134)는 특징 비교부(133)에서의 비교 결과를 이용하여 후보 영상이 번호판 영상인지 판정할 수 있다. 일 실시예에 따르면, 판정부(134)는 특징 비교부(133)에서의 추출된 특징 및 최적 특징과의 비교 결과를 이용하여 입력 영상이 번호판을 포함하는지 여부를 결정할 수 있다.

도 3은 후보 영상에서 특징을 추출하는 방법을 설명하기 위한 도면이다.

도 3을 참조하면, 후보 영상 특징 추출부(132)에서 수행되는 후보 영상에 대한 특징을 추출하는 방법이 도시되어 있다.

먼저, 후보 영상은 제5 흑백 영상으로 변환될 수 있다.

그 후에, 제5 흑백 영상은 보다 낮은 단계의 제6 흑백 영상으로 변환될 수 잇다. 일 실시예에 따르면, 제5 흑백 영상의 화소 Pc의 화소 값은 제5 흑백 영상의 화소 Pc의 인접 화소 값을 이용하여 변환될 수 있다. 여기서, 제5 흑백 영상의 화소 Pc의 인접 화소는 화소 Pc의 상, 하, 좌, 우에 위치하는 화소(P1, P2, P3, P4)일 수 있다. 일 실시예에 따르면, 256단계의 제5 흑백 영상은 16단계의 제6 흑백 영상으로 변환될 수 있다. 다른 일 실시예에 따르면, 256단계의 제5 흑백 영상은 59단계의 제6 흑백 영상으로 변환될 수 있으나, 이하에서는 16단계의 제6 흑백 영상으로 변환되는 것을 기준으로 설명한다. 이러한 16단계의 제6 흑백 영상으로의 변환은 다음과 같은 수학식을 통해 수행될 수 있다.

위의 수학식 1에서, Pc는 변환 대상이 되는 화소이고, Pn은 변환 대상이 되는 화소의 인접 화소이며,

는 변환 후의 화소일 수 있다.

일 실시예에 따르면, Pc의 화소 값은 24이고, P0의 화소 값은 12이고, P1의 화소 값은 20이고, P2의 화소 값은 59이고, P3의 화소 값은 72일 수 있다. 이 경우, Pc는 다음과 같이 변환될 수 있다.

상술된 바와 같이, 이 경우 24의 화소 값을 가지는 화소 Pc는 12의 화소 값을 가지는 화소

로 변환될 수 있다.

그 후에, 제6 흑백 영상 내의 일정영역의 히스토그램을 이용하여 후보 영상에 대한 특징을 추출할 수 있다. 일정영역은 학습부(140)에 의해 결정될 수 있다. 일 실시예에 따르면, 일정영역은 학습부(140)에서 결정된 최적 특징에 대응될 수 있다.

일 실시예에 따르면, 특징 영역 특징 추출부(142)에서 수행되는 특징 영역에 대한 특징을 추출하는 방법은 상술된 후보 영역에 대한 특징을 추출하는 방법이 적용될 수 있다.

이를 테면, 특징 영역 특징 추출부(142)는 하나의 번호판 학습 영상의 부분 또는 전체인 제1 특징 영역을 제1 흑백 영상으로 변환하고, 제1 흑백 영상의 화소의 인접 화소 값을 이용하여 제1 흑백 영상의 화소의 화소 값을 변환함으로써 제1 흑백 영상을 보다 낮은 단계의 제2 흑백 영상으로 변환하고, 제2 흑백 영상의 히스토그램을 이용하여 제1 특징 영역에 대한 특징을 추출할 수 있다.

또한, 특징 영역 특징 추출부(142)는 적어도 하나의 비번호판 학습 영상의 부분 또는 전체인 제2 특징 영역을 제3 흑백 영상으로 변환하고, 제3 흑백 영상의 화소의 인접 화소 값을 이용하여 제3 흑백 영상의 화소의 화소 값을 변환함으로써 제3 흑백 영상을 보다 낮은 단계의 제4 흑백 영상으로 변환하고, 제4 흑백 영상의 히스토그램을 이용하여 제2 특징 영역에 대한 특징을 추출할 수 있다.

도 4는 차량 번호판 검출 장치 내의 학습부의 일례를 나타낸 블록도이다.

도 4를 참고하면, 학습부(140)는 특징 영역 추출부(141), 특징 영역 특징 추출부(142), 최적 경계값 계산부(143), 최소 오차 특징 영역 추출부(144), 최적 특징 결정부(145) 및 가중치 변경부(146)를 포함할 수 있다. 학습부(140)는 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 번호판 검출부(130)로 제공할 수 있다. 일 실시예에 따르면, 학습부(140)는 영상 내에 번호판을 포함하는 적어도 하나의 번호판 학습 영상 및 영상 내에 번호판을 포함하지 않는 적어도 하나의 비번호판 학습 영상을 이용하여 최적 특징을 결정할 수 있다.

특징 영역 추출부(141)는 번호판의 특징을 추출하기 위해 학습 영상에서 특징 영역을 추출할 수 있다. 이를테면, 특징 영역 추출부(141)는 번호판 영상인 경우 가지는 특징을 추출하기 위해 히스토그램을 계산할 영역으로 가능한 학습 영상의 모든 영역을 후보로 추출할 수 있다. 학습 영상이란 번호판의 특징을 추출하기 위해 사용되는 영상으로서, 번호판이 영상 내에 포함되어 있는 번호판 학습 영상 및 번호판이 영상 내에 포함되어 있지 않는 비번호판 학습 영상을 포함할 수 있다. 특징 영역이란 번호판 영상인 경우 가지는 특징을 추출하기 위해 사용되는 학습 영상의 부분 또는 전체인 영역으로서, 학습부(140)의 결정에 의해 최적 특징이 될 가능성이 있는 모든 영역일 수 있다.

일 실시예에 따르면, 학습 영상에서 특징 영역을 추출할 수 있는 모든 경우의 수 N은 다음과 같이 계산될 수 있다.

위의 수학식 3에서, W는 학습 영상의 너비이고, H는 학습 영상의 높이이고, w는 특징 영역의 너비이고, h는 특징 영역의 높이이고, N은 w x h로 표현될 수 있는 특징 영역의 모든 경우의 수일 수 있다.

특징 영역 특징 추출부(142)는 특징 영역에 대한 특징을 추출할 수 있다. 일 실시예에 따르면, 특징 영역 특징 추출부(142)는 하나의 번호판 학습 영상의 부분 또는 전체인 제1 특징 영역을 제1 흑백 영상으로 변환하고, 제1 흑백 영상의 화소의 인접 화소 값을 이용하여 제1 흑백 영상의 화소의 화소 값을 변환함으로써 제1 흑백 영상을 보다 낮은 단계의 제2 흑백 영상으로 변환하고, 제2 흑백 영상의 히스토그램을 이용하여 제1 특징 영역에 대한 특징을 추출할 수 있다. 또한, 특징 영역 특징 추출부(142)는 적어도 하나의 비번호판 학습 영상의 부분 또는 전체인 제2 특징 영역을 제3 흑백 영상으로 변환하고, 제3 흑백 영상의 화소의 인접 화소 값을 이용하여 제3 흑백 영상의 화소의 화소 값을 변환함으로써 제3 흑백 영상을 보다 낮은 단계의 제4 흑백 영상으로 변환하고, 제4 흑백 영상의 히스토그램을 이용하여 제2 특징 영역에 대한 특징을 추출할 수 있다.

한편, 특징 영역 특징 추출부(142)에서 수행되는 특징 영역에 대한 특징을 추출하는 방법에도 상술된 도 3의 설명 내용이 마찬가지로 적용될 수 있으므로, 이에 대한 중복되는 설명은 생략한다.

최적 경계값 계산부(143)는 특징 영역 특징 추출부(142)에서 추출된 특징으로영상이 번호판을 포함하는지 여부를 결정할 수 있는 기준 특징 값을 계산할 수 있다. 일 실시예에 따르면, 최적 경계값 계산부(143)는 적어도 하나의 번호판 학습 영상의 부분 또는 전체인 제1 특징 영역에 대한 특징 및 적어도 하나의 비번호판 학습 영상의 부분 또는 전체인 제2 특징 영역에 대한 특징을 이용하여 기준 특징 값을 계산할 수 있다. 일 실시예에 따른 기준 특징 값은 최적 경계값일 수 있다.

일 실시예에 따르면, 기준 특징 값은 적어도 하나의 번호판 학습 영상의 제1 특징 영역 및 적어도 하나의 비번호판 학습 영상의 제2 특징 영역으로부터 계산된 값일 수 있다. 다른 일 실시예에 따르면, 기준 특징 값은 적어도 하나의 번호판 학습 영상의 제1 특징 영역에 대한 히스토그램 값 및 적어도 하나의 비번호판 학습 영상의 제2 특징 영역에 대한 히스토그램 값을 이용하여 계산될 수 있다. 또 다른 일 실시예에 따르면, 기준 특징 값은 적어도 하나의 번호판 학습 영상의 제1 특징 영역에 대한 히스토그램 값의 평균 및 적어도 하나의 비번호판 학습 영상의 제2 특징 영역에 대한 히스토그램 값의 평균의 중간값일 수 있다. 이러한 기준 특징 값은 최적 경계값일 수 있다.

최소 오차 특징 영역 추출부(144)는 최적 경계값 계산부(143)에서 계산된 기준 특징 값으로 번호판 학습 영상 및 비번호판 학습 영상을 구분할 경우 오차가 최소가 되는 특징 영역을 최소 오차 특징 영역으로 추출할 수 있다. 일 실시예에 따르면, 최소 오차 특징 영역 추출부(144)는 기준 특징 값을 이용하여 적어도 하나의 번호판 학습 영상 및 적어도 하나의 비번호판 학습 영상이 번호판을 포함하는지 여부를 결정하고, 결정의 오차가 최소가 되는 적어도 하나의 번호판 학습 영상 내 제1 특징 영역을 식별하고, 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출할 수 있다. 다른 일 실시예에 따르면, 최소 오차 특징 영역 추출부(144)는 기준 특징 값을 이용하여 번호판 학습 영상 및 비번호판 학습 영상을 구분할 경우 누적되는 오차가 최소가 되는 특징 영역을 최소 오차 특징 영역으로 추출할 수 있다.

최적 특징 결정부(145)는 적어도 하나의 번호판 학습 영상의 최소 오차 특징 영역에 대한 특징을 최적 특징으로 결정할 수 있다. 일 실시예에 따르면, 최적 특징은 최소 오차 특징 영역에 대한 특징 및 기준 특징 값을 포함할 수 있다.

가중치 변경부(146)는 최소 오차 특징 영역 추출부(144)에서의 결정의 오차에 따라 제1 특징 영역의 가중치를 변경할 수 있다. 한편, 최소 오차 특징 영역 추출부(144)는 가중치 변경부(146)에 의해 변경된 가중치에 따라 오차가 최소가 되는 제1 특징 영역을 재식별하고, 재식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출할 수 있다. 일 실시예에 따르면, 가중치 변경부(146)는 최소 오차가 일정 값을 초과하여 최소 오차로 추출된 특징 영역에 대한 특징이 번호판을 검출하는 특징으로 사용될 수 없을 때까지 반복하여 가중치를 변경할 수 있다.

일 실시예에 따르면, 학습부(140)는 최적 특징을 결정하는 방법을 사용할 수 있다. 최적 특징을 결정하는 방법은 1개 이상의 약분류기의 선형적인 결합을 통하여 최종적으로 높은 검출 성능을 가지는 강분류기를 만드는 방법으로서, 학습부(140)에서 결정되는 최적 특징은 다음의 수학식 4와 같이 표현되는 약분류기 중 에러가 최소가 되는 것일 수 있다.

위의 수학식 4에서, 소문자 x는 입력되는 학습 영상 값이고, 소문자 f는 학습 영상 x의 특징을 구하기 위한 함수로서 f(x)와 같은 의미일 수 있다. θ는 학습 영상이 번호판을 포함하는지 여부를 결정하기 위한 기준 특징 값이고, 소문자 p는 번호판을 포함하는 영상이 기준 특징 값보다 큰 값인지 아니면 작은 값인지를 결정하기 위한 값(parity, 방향 정보)일 수 있다. 또한, h(x, f, p, θ)는 4개(x, f, p, θ)의 인자로 이루어진 약분류기 함수 h를 의미할 수 있다.

상술된 수학식 4에서, θ로 표현되는 기준 특징 값은 약분류기의 성능을 좌우하는 중요한 값일 수 있다. 학습을 함에 있어서, 번호판 학습 영상과 비번호판 학습 영상을 가지고 함수 f에 의한 특징을 추출하면 기준 특징 값 θ를 기준으로 학습 영상이 번호판을 포함하는지 여부를 결정할 수 있다는 가정으로 학습을 할 수 있다. 일 실시예에 따르면, 기준 특징 값 θ은 적어도 하나의 번호판 학습 영상의 제1 특징 영역에 대한 히스토그램 값의 평균 및 적어도 하나의 비번호판 학습 영상의 제2 특징 영역에 대한 히스토그램 값의 평균의 중간값으로 결정될 수 있다.

도 5는 차량 번호판 검출 방법의 일례를 나타낸 동작 흐름도이다.

도 5를 참고하면, 차량 번호판 검출 장치는 영상획득장치로부터 번호판을 인지하기 위한 입력 영상을 획득할 수 있다(510). 영상획득장치란 영상을 획득할 수 있는 장치로서, 예를 들어 CCTV, 디지털 카메라 및 적외선 카메라 등을 포함할 수 있다. 일 실시예에 따르면, 획득된 입력 영상은 디지털 영상일 수 있으며, 컬러 영상, 흑백 영상 및 적외선 영상 등을 포함할 수 있다. 또한, 이러한 영상은 정지영상 및 동영상을 포함할 수 있다.

차량 번호판 검출 장치는 입력 영상을 획득하여 입력 영상을 전처리할 수 있다(520). 이를테면, 차량 번호판 검출 장치는 획득된 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 전에 필요한 사전 영상 처리를 할 수 있다. 일 실시예에 따르면, 사전 영상 처리에는 검출 성능에 영향을 줄 수 있는 잡음을 제거하거나, 특징을 추출하거나, 비교를 위한 통일된 영상 형식으로 변환하거나, 또는 인지하고자 하는 대상의 크기를 고려하여 영상의 크기를 일정한 비율로 변환하는 처리 등이 포함될 수 있다. 이와 같이, 차량 번호판 검출 장치는 획득된 입력 영상의 크기, 색 공간 등을 변경할 수 있다.

차량 번호판 검출 장치는 영상 내에 번호판을 포함하는 적어도 하나의 번호판 학습 영상 및 영상 내에 번호판을 포함하지 않는 적어도 하나의 비번호판 학습 영상을 이용하여 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 결정할 수 있다(530). 차량 번호판 검출 장치에 의해 최적 특징을 결정하는 방법에도 상술된 도 4의 설명 내용이 마찬가지로 적용될 수 있으므로, 이에 대한 중복되는 설명은 생략한다.

차량 번호판 검출 장치는 최적 특징을 이용하여 입력 영상이 번호판을 포함하는지 여부를 결정할 수 있다(540). 일 실시예에 따르면, 차량 번호판 검출 장치는 결정의 오차에 따라 제1 특징 영역의 가중치를 변경할 수 있고, 변경된 가중치에 따라 오차가 최소가 되는 제1 특징 영역을 재식별하고, 재식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출할 수 있다. 다른 일 실시예에 따르면, 차량 번호판 검출 장치는 입력 영상의 부분 또는 전체인 후보 영상에 대한 특징을 추출하고, 추출된 특징을 최적 특징과 비교하며, 추출된 특징 및 최적 특징과의 비교 결과를 이용하여 입력 영상이 번호판을 포함하는지 여부를 결정할 수 있다.

한편, 차량 번호판 검출 장치에 의해 입력 영상이 번호판을 포함하는지 여부를 결정하는 방법에도 상술된 도 2의 설명 내용이 마찬가지로 적용될 수 있으므로, 이에 대한 중복되는 설명은 생략한다.

차량 번호판 검출 장치는 검출된 결과를 목적에 맞게 최종적으로 후처리할 수 있다(550). 일 실시예에 따르면, 차량 번호판 검출 장치는 입력 영상에 대한 전처리를 고려하여 획득된 입력 영상에서 번호판의 위치를 계산할 수 있다

도 6는 차량 번호판 검출을 위한 학습 방법의 일례를 나타낸 동작 흐름도이다.

도 6을 참조하면, 차량 번호판 검출 장치는 번호판의 특징을 추출하기 위해 학습 영상에서 특징 영역을 추출할 수 있다(610). 이를테면, 차량 번호판 검출 장치는 번호판 영상인 경우 가지는 특징을 추출하기 위해 히스토그램을 계산할 영역으로 가능한 학습 영상의 모든 영역을 후보로 추출할 수 있다. 학습 영상이란 번호판의 특징을 추출하기 위해 사용되는 영상으로서, 번호판이 영상 내에 포함되어 있는 번호판 학습 영상 및 번호판이 영상 내에 포함되어 있지 않는 비번호판 학습 영상을 포함할 수 있다. 특징 영역이란 번호판 영상인 경우 가지는 특징을 추출하기 위해 사용되는 학습 영상의 부분 또는 전체인 영역으로서, 최적 특징이 될 가능성이 있는 모든 영역일 수 있다.

차량 번호판 검출 장치는 영상 내에 번호판을 포함하는 적어도 하나의 번호판 학습 영상의 부분 또는 전체인 제1 특징 영역에 대한 특징 및 영상 내에 번호판을 포함하지 않는 적어도 하나의 비번호판 학습 영상의 부분 또는 전체인 제2 특징 영역에 대한 특징을 추출할 수 있다(620). 일 실시예에 따르면, 차량 번호판 검출 장치는 제1 특징 영역을 제1 흑백 영상으로 변환하고, 제1 흑백 영상의 화소의 인접 화소 값을 이용하여 제1 흑백 영상의 화소의 화소 값을 변환함으로써 제1 흑백 영상을 보다 낮은 단계의 제2 흑백 영상으로 변환하고, 제2 흑백 영상의 히스토그램을 이용하여 제1 특징 영역에 대한 특징을 추출하고, 제2 특징 영역을 제3 흑백 영상으로 변환하고, 제3 흑백 영상의 화소의 인접 화소 값을 이용하여 제3 흑백 영상의 화소의 화소 값을 변환함으로써 제3 흑백 영상을 보다 낮은 단계의 제4 흑백 영상으로 변환하고, 제4 흑백 영상의 히스토그램을 이용하여 제2 특징 영역에 대한 특징을 추출할 수 있다.

차량 번호판 검출 장치는 제1 특징 영역에 대한 특징 및 제2 특징 영역에 대한 특징을 이용하여 기준 특징 값을 계산하는 할 수 있다(630). 일 실시예에 따르면, 차량 번호판 검출 장치는 적어도 하나의 번호판 학습 영상의 부분 또는 전체인 제1 특징 영역에 대한 특징 및 적어도 하나의 비번호판 학습 영상의 부분 또는 전체인 제2 특징 영역에 대한 특징을 이용하여 기준 특징 값을 계산할 수 있다. 일 실시예에 따른 기준 특징 값은 최적 경계값일 수 있다.

차량 번호판 검출 장치는 기준 특징 값을 이용하여 적어도 하나의 번호판 학습 영상 및 적어도 하나의 비번호판 학습 영상이 번호판을 포함하는지 여부를 결정하고, 결정의 오차가 최소가 되는 적어도 하나의 번호판 학습 영상 내 제1 특징 영역을 식별하고, 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출할 수 있다(640). 일 실시예에 따르면, 차량 번호판 검출 장치는 기준 특징 값을 이용하여 번호판 학습 영상 및 비번호판 학습 영상을 구분할 경우 누적되는 오차가 최소가 되는 특징 영역을 최소 오차 특징 영역으로 추출할 수 있다.

차량 번호판 검출 장치는 적어도 하나의 번호판 학습 영상의 최소 오차 특징 영역에 대한 특징을 최적 특징으로 결정할 수 있다(650). 일 실시예에 따르면, 최적 특징은 최소 오차 특징 영역에 대한 특징 및 기준 특징 값을 포함할 수 있다.

차량 번호판 검출 장치는 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계에서의 결정의 오차에 따라 제1 특징 영역의 가중치를 변경할 수 있다. 제1 특징 영역의 가중치가 변경된 경우, 차량 번호판 검출 장치는 변경된 가중치에 따라 오차가 최소가 되는 제1 특징 영역을 재식별하고, 재식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출할 수 있다. 새롭게 추출된 최소 오차 특징 영역에 대한 특징을 최적 특징으로 결정할 수 있다. 일 실시예에 따르면, 차량 번호판 검출 장치는 최소 오차가 일정 값을 초과하여 최소 오차로 추출된 특징 영역에 대한 특징이 번호판을 검출하는 특징으로 사용될 수 없을 때까지 반복하여 가중치를 변경할 수 있다.

한편, 차량 번호판 검출을 위한 학습 방법에 상술된 도 4의 설명 내용이 마찬가지로 적용될 수 있으므로, 이에 대한 중복되는 설명은 생략한다.

일 실시예에 따르면, 차량 번호판 검출 장치는 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 이용하여 차량의 번호판을 정확하게 검출할 수 있다.

일 실시예에 따르면, 차량 번호판 검출 장치는 빛, 조명, 오염 및 물리적 훼손 등으로 인해 번호판의 일부분이 가려지거나 왜곡되는 경우에도 강인하게 차량의 번호판을 검출할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

110: 영상 획득부
120: 전처리부
130: 번호판 검출부
140: 학습부
150: 후처리부

Claims

입력 영상을 획득하는 영상 획득부;
상기 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 제공하는 학습부; 및
상기 최적 특징을 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 번호판 검출부
를 포함하고,
상기 학습부는,
번호판이 포함된 적어도 하나의 번호판 학습 영상의 제1 특징 영역에 대한 특징 및 번호판이 포함되지 않은 적어도 하나의 비번호판 학습 영상의 제2 특징 영역에 대한 특징을 이용하여, 기준 특징 값을 계산하는 최적 경계값 계산부;
상기 기준 특징 값을 이용하여 상기 적어도 하나의 번호판 학습 영상 및 상기 적어도 하나의 비번호판 학습 영상에 번호판이 포함되어 있는지 여부를 결정하고, 상기 결정의 오차가 최소가 되는 상기 적어도 하나의 번호판 학습 영상 내의 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 최소 오차 특징 영역 추출부; 및
상기 최소 오차 특징 영역에 대한 특징을 최적 특징으로 결정하는 최적 특징 결정부
를 포함하는 차량 번호판 검출 장치.
삭제
삭제
제1항에 있어서,
상기 학습부는,
상기 적어도 하나의 번호판 학습 영상의 상기 제1 특징 영역을 제1 흑백 영상으로 변환하고, 상기 제1 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제1 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제1 흑백 영상을 제2 흑백 영상으로 변환하고, 상기 제2 흑백 영상의 히스토그램을 이용하여 상기 제1 특징 영역에 대한 특징을 추출하고,
상기 적어도 하나의 비번호판 학습 영상의 상기 제2 특징 영역을 제3 흑백 영상으로 변환하고, 상기 제3 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제3 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제3 흑백 영상을 제4 흑백 영상으로 변환하고, 상기 제4 흑백 영상의 히스토그램을 이용하여 상기 제2 특징 영역에 대한 특징을 추출하는 특징 영역 특징 추출부
를 더 포함하는 차량 번호판 검출 장치.
제1항에 있어서,
상기 학습부는,
상기 최소 오차 특징 영역 추출부에서의 상기 결정의 상기 오차에 따라 상기 제1 특징 영역의 가중치를 변경하는 가중치 변경부
를 더 포함하고,
상기 최소 오차 특징 영역 추출부는,
상기 변경된 가중치에 따라 상기 오차가 최소가 되는 상기 제1 특징 영역을 재식별하고, 상기 재식별된 제1 특징 영역을 상기 최소 오차 특징 영역으로 추출하는
차량 번호판 검출 장치.
제1항에 있어서,
상기 기준 특징 값은,
상기 적어도 하나의 번호판 학습 영상의 상기 제1 특징 영역 및 상기 적어도 하나의 비번호판 학습 영상의 상기 제2 특징 영역으로부터 계산된 값인
차량 번호판 검출 장치.
제6항에 있어서,
상기 기준 특징 값은,
상기 적어도 하나의 번호판 학습 영상의 상기 제1 특징 영역에 대한 히스토그램 값 및 상기 적어도 하나의 비번호판 학습 영상의 상기 제2 특징 영역에 대한 히스토그램 값을 이용하여 계산되는
차량 번호판 검출 장치.
제1항에 있어서,
상기 번호판 검출부는,
상기 입력 영상의 부분 또는 전체인 후보 영상에 대한 특징을 추출하는 후보 영상 특징 추출부;
상기 추출된 특징을 상기 최적 특징과 비교하는 특징 비교부; 및
상기 추출된 특징 및 상기 최적 특징과의 비교 결과를 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 판정부
를 포함하는 차량 번호판 검출 장치.
제8항에 있어서,
상기 후보 영상 특징 추출부는,
상기 후보 영상을 제5 흑백 영상으로 변환하고, 상기 제5 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제5 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제5 흑백 영상을 제6 흑백 영상으로 변환하고, 상기 제6 흑백 영상 내의 일정영역의 히스토그램을 이용하여 상기 후보 영상에 대한 특징을 추출하고,
상기 일정영역은,
상기 학습부에 의해 결정되는
차량 번호판 검출 장치.
제1항에 있어서,
상기 획득된 입력 영상을 사전 영상 처리하여 상기 번호판 검출부로 전송하는 전처리부; 및
상기 사전 영상 처리를 고려하여 상기 획득된 입력 영상에서 번호판의 위치를 계산하는 후처리부
를 더 포함하는 차량 번호판 검출 장치.
입력 영상을 획득하여 상기 입력 영상을 전처리하는 단계;
번호판이 포함된 적어도 하나의 번호판 학습 영상 및 번호판이 포함되지 않는 적어도 하나의 비번호판 학습 영상을 이용하여 상기 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 결정하는 단계; 및
상기 최적 특징을 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 단계
를 포함하고,
상기 최적 특징을 결정하는 단계는,
상기 적어도 하나의 번호판 학습 영상의 제1 특징 영역에 대한 특징 및 상기 적어도 하나의 비번호판 학습 영상의 제2 특징 영역에 대한 특징을 이용하여, 기준 특징 값을 계산하는 단계;
상기 기준 특징 값을 이용하여 상기 적어도 하나의 번호판 학습 영상 및 상기 적어도 하나의 비번호판 학습 영상이 번호판을 포함하는지 여부를 결정하고, 상기 결정의 오차가 최소가 되는 상기 적어도 하나의 번호판 학습 영상 내의 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계; 및
상기 최소 오차 특징 영역에 대한 특징을 최적 특징으로 결정하는 단계
를 포함하는 차량 번호판 검출 방법.
삭제
제11항에 있어서,
상기 최적 특징을 결정하는 단계는,
상기 최소 오차 특징 영역으로 추출하는 단계에서의 상기 번호판을 포함하는지 여부에 대한 상기 결정의 오차에 따라 상기 제1 특징 영역의 가중치를 변경하는 단계
를 더 포함하고,
상기 최소 오차 특징 영역으로 추출하는 단계는,
상기 변경된 가중치에 따라 상기 오차가 최소가 되는 상기 제1 특징 영역을 재식별하고, 상기 재식별된 제1 특징 영역을 상기 최소 오차 특징 영역으로 추출하는 단계인
차량 번호판 검출 방법.
제11항에 있어서,
상기 기준 특징 값은,
상기 적어도 하나의 번호판 학습 영상의 상기 제1 특징 영역 및 상기 적어도 하나의 비번호판 학습 영상의 상기 제2 특징 영역으로부터 계산된 값인
차량 번호판 검출 방법.
제11항에 있어서,
상기 최적 특징을 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 단계는,
상기 입력 영상의 부분 또는 전체인 후보 영상에 대한 특징을 추출하는 단계;
상기 추출된 특징을 상기 최적 특징과 비교하는 단계; 및
상기 추출된 특징 및 상기 최적 특징과의 비교 결과를 이용하여 상기 입력 영상이 번호판을 포함하는지 여부를 결정하는 단계
를 포함하는 차량 번호판 검출 방법.
제15항에 있어서,
상기 입력 영상의 부분 또는 전체인 후보 영상에 대한 특징을 추출하는 단계는,
상기 후보 영상을 제5 흑백 영상으로 변환하고, 상기 제5 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제5 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제5 흑백 영상을 제6 흑백 영상으로 변환하고, 상기 제6 흑백 영상 내의 일정영역의 히스토그램을 이용하여 상기 후보 영상에 대한 특징을 추출하는 단계이고,
상기 일정영역은,
상기 입력 영상 내에 번호판이 포함되는지 여부를 판단하기 위한 최적 특징을 결정하는 단계에서 결정되는
차량 번호판 검출 방법.
영상 내에 번호판을 포함하는 적어도 하나의 번호판 학습 영상의 부분 또는 전체인 제1 특징 영역에 대한 특징 및 영상 내에 번호판을 포함하지 않는 적어도 하나의 비번호판 학습 영상의 부분 또는 전체인 제2 특징 영역에 대한 특징을 추출하는 단계;
상기 제1 특징 영역에 대한 특징 및 상기 제2 특징 영역에 대한 특징을 이용하여 기준 특징 값을 계산하는 단계;
상기 기준 특징 값을 이용하여 상기 적어도 하나의 번호판 학습 영상 및 상기 적어도 하나의 비번호판 학습 영상이 번호판을 포함하는지 여부를 결정하고, 상기 결정의 오차가 최소가 되는 상기 적어도 하나의 번호판 학습 영상 내 제1 특징 영역을 식별하고, 상기 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계; 및
상기 적어도 하나의 번호판 학습 영상의 상기 최소 오차 특징 영역에 대한 특징을 최적 특징으로 결정하는 단계
를 포함하는 차량 번호판 검출을 위한 학습 방법.
제17항에 있어서,
상기 제1 특징 영역에 대한 특징 및 제2 특징 영역에 대한 특징을 추출하는 단계는,
상기 적어도 하나의 번호판 학습 영상의 상기 제1 특징 영역을 제1 흑백 영상으로 변환하고, 상기 제1 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제1 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제1 흑백 영상을 제2 흑백 영상으로 변환하고, 상기 제2 흑백 영상의 히스토그램을 이용하여 상기 제1 특징 영역에 대한 특징을 추출하고,
상기 적어도 하나의 비번호판 학습 영상의 상기 제2 특징 영역을 제3 흑백 영상으로 변환하고, 상기 제3 흑백 영상의 화소의 인접 화소 값을 이용하여 상기 제3 흑백 영상의 상기 화소의 화소 값을 변환함으로써 상기 제3 흑백 영상을 제4 흑백 영상으로 변환하고, 상기 제4 흑백 영상의 히스토그램을 이용하여 상기 제2 특징 영역에 대한 특징을 추출하는 단계인
차량 번호판 검출을 위한 학습 방법.
제17항에 있어서,
상기 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계에서의 상기 결정의 상기 오차에 따라 상기 제1 특징 영역의 가중치를 변경하는 단계
를 더 포함하고
상기 식별된 제1 특징 영역을 최소 오차 특징 영역으로 추출하는 단계는,
상기 변경된 가중치에 따라 상기 오차가 최소가 되는 상기 제1 특징 영역을 재식별하고, 상기 재식별된 제1 특징 영역을 상기 최소 오차 특징 영역으로 추출하는 단계인
차량 번호판 검출을 위한 학습 방법.
제17항에 있어서,
상기 기준 특징 값은,
상기 적어도 하나의 번호판 학습 영상의 상기 제1 특징 영역 및 상기 적어도 하나의 비번호판 학습 영상의 상기 제2 특징 영역으로부터 계산된 값인
차량 번호판 검출을 위한 학습 방법.