KR101851492B1 - 번호판 인식 방법 및 번호판 인식 장치 - Google Patents

번호판 인식 방법 및 번호판 인식 장치 Download PDF

Info

Publication number
KR101851492B1
KR101851492B1 KR1020170010468A KR20170010468A KR101851492B1 KR 101851492 B1 KR101851492 B1 KR 101851492B1 KR 1020170010468 A KR1020170010468 A KR 1020170010468A KR 20170010468 A KR20170010468 A KR 20170010468A KR 101851492 B1 KR101851492 B1 KR 101851492B1
Authority
KR
South Korea
Prior art keywords
license plate
image
input video
detecting
area
Prior art date
Application number
KR1020170010468A
Other languages
English (en)
Inventor
김기천
김종훈
진정하
Original Assignee
건국대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 건국대학교 산학협력단 filed Critical 건국대학교 산학협력단
Priority to KR1020170010468A priority Critical patent/KR101851492B1/ko
Application granted granted Critical
Publication of KR101851492B1 publication Critical patent/KR101851492B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G06K9/3258—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06K9/4604—
    • G06K9/6212—
    • G06K9/6256—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G06K2209/15—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

번호판 인식 방법 및 번호판 인식 장치가 개시된다. 개시된 번호판 인식 방법은 도로 내 복수의 차선들을 촬영한 입력 비디오로부터 객체가 포함된 정지 영상을 획득하고, 정지 영상으로부터 객체의 식별 번호가 포함된 번호 영역을 검출하며, 번호 영역에서 객체의 식별 번호를 인식한다.

Description

번호판 인식 방법 및 번호판 인식 장치{METHOD AND APPARATUS FOR RECOGNIZING LICENSE PLATE}
아래의 설명은 번호판 인식 방법 및 번호판 인식 장치에 관한 것으로, 보다 구체적으로는 다수의 번호판을 동시에 인식할 수 있는 번호판 인식 방법 및 장치에 관한 것이다.
최근 차량의 보급률이 급격히 증가함에 따라 차량을 구분하거나 식별할 수 있는 정보인 번호판을 인식하는 기술의 중요성이 점차 커지고 있다. 또한, 최근 IP(internet protocol) 카메라의 해상도가 HD(High Definition)로 높아짐에 따라 해당 카메라로부터 출력된 영상의 활용범위가 점차 증가하고 있다. 이러한 일환으로, HD IP 카메라에서 촬영된 영상을 통해 차량의 번호판을 인식하려는 시도가 이루어지고 있다.
그러나, 이러한 영상에는 복잡한 장면이 포함됨에 따라 실시간으로 처리하기 어렵고, 번호판 인식의 성능이 영상에 포함된 노이즈에 민감하며, 한 대의 카메라로 여러 번호판을 동시에 인식하기 어렵다.
본 발명은 도로 내 서로 다른 차선에서 주행 중인 복수의 차량들의 번호판을 동시에 인식할 수 있다.
본 발명은 SEI 및 SEMI을 이용하여 주행 중인 차량을 실시간으로 감지할 수 있다.
본 발명은 에지 정보 및 기계 학습 기법(예컨대, SVM, 뉴럴 네트워크 등)을 이용하여 감지된 차량의 번호판을 효과적으로 인식할 수 있다.
일실시예에 따른 번호판 인식 방법은 도로 내 복수의 차선들을 촬영한 입력 비디오로부터 객체가 포함된 정지 영상을 획득하는 단계; 상기 정지 영상으로부터 상기 객체의 식별 번호가 포함된 번호 영역을 검출하는 단계; 및 상기 번호 영역에서 상기 객체의 식별 번호를 인식하는 단계를 포함한다.
일실시예에 따른 번호판 인식 방법에서 상기 객체는, 상기 도로 내 서로 다른 차선에서 주행 중인 복수의 차량들일 수 있다.
일실시예에 따른 번호판 인식 방법에서 상기 정지 영상을 획득하는 단계는, 상기 입력 비디오 내에 상기 객체를 검출할 객체 검출 영역을 설정하는 단계; 이미지 세일리언시 검출 기법에 기초하여 상기 객체 검출 영역에 대한 이미지 세일리언시 맵(image saliency map)을 계산하는 단계; 상기 이미지 세일리언시 맵을 이용하여 상기 입력 비디오에 포함된 프레임의 SEI(Saliency Energy Image) 및 SMEI(Saliency Motion Energy Image)를 계산하는 단계; 및 상기 SEI 및 SMEI에 기초하여 상기 입력 비디오로부터 감지된 상기 객체를 포함하는 정지 영상을 추출하는 단계를 포함할 수 있다.
일실시예에 따른 번호판 인식 방법에서 상기 객체 검출 영역을 설정하는 단계는, 상기 입력 비디오를 촬영하는 카메라의 설치 높이 및 촬영 각도에 기초하여 상기 객체 검출 영역을 설정할 수 있다.
일실시예에 따른 번호판 인식 방법에서 상기 객체 검출 영역은, 상기 도로 내 서로 다른 차선에 따라 주행 중인 복수의 차량들을 검출하기 위한 영역일 수 있다.
일실시예에 따른 번호판 인식 방법에서 상기 이미지 세일리언시 맵을 계산하는 단계는, 상기 객체 검출 영역을 그레이스케일 이미지(grayscale image)로 변환하고, 변환된 그레이스케일 이미지에 유클리드 거리(Euclidean Distance) 및 가우시안 필터(Gaussian filter)를 적용하여 상기 이미지 세일리언시 맵을 계산할 수 있다.
일실시예에 따른 번호판 인식 방법에서 상기 SEI 및 SMEI를 계산하는 단계는, 상기 입력 비디오에 포함된 연속적인 복수의 프레임들을 이용하여 상기 SEI 및 SMEI를 계산할 수 있다.
일실시예에 따른 번호판 인식 방법에서 상기 객체가 포함된 정지 영상을 추출하는 단계는, 상기 SEI 및 SMEI의 수직 투영 히스토그램을 이용하여 상기 객체를 검출하고, 상기 검출된 객체가 포함된 정지 영상을 추출할 수 있다.
일실시예에 따른 번호판 인식 방법에서 상기 번호 영역을 검출하는 단계는, 상기 정지 영상으로부터 상기 객체가 포함된 객체 영역을 분할하고, 상기 객체 영역으로부터 상기 객체의 식별 번호가 포함된 번호 영역을 검출할 수 있다.
일실시예에 따른 번호판 인식 방법에서 상기 번호 영역을 검출하는 단계는, 상기 객체 영역에 2차 도함수(second order derivative)를 적용함으로써 상기 객체 영역으로부터 수평적 에지 성분(horizontal edge component)을 추출하고, 상기 수평적 에지 성분을 이용하여 상기 번호 영역을 검출할 수 있다.
일실시예에 따른 번호판 인식 방법에서 상기 객체의 식별 번호를 인식하는 단계는, 기계 학습 기법에 기초하여 상기 번호 영역의 타입(type)을 식별하고, 식별된 타입에 따라 상기 객체의 식별 번호를 인식할 수 있다.
일실시예에 따른 번호판 인식 장치는 프로세서; 및 상기 프로세서에 의해 실행 가능한 적어도 하나의 명령어를 포함하는 메모리를 포함하고, 상기 적어도 하나의 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는 도로 내 복수의 차선들을 촬영한 입력 비디오로부터 객체가 포함된 정지 영상을 획득하고, 상기 정지 영상으로부터 상기 객체의 식별 번호가 포함된 번호 영역을 검출하며, 상기 번호 영역에서 상기 객체의 식별 번호를 인식한다.
일실시예에 따른 번호판 인식 장치에서 상기 프로세서는, 상기 입력 비디오 내에 상기 객체를 검출할 객체 검출 영역을 설정하고, 이미지 세일리언시 검출 기법에 기초하여 상기 객체 검출 영역에 대한 이미지 세일리언시 맵을 계산하고, 상기 이미지 세일리언시 맵을 이용하여 상기 입력 비디오에 포함된 프레임의 SEI 및 SMEI를 계산하며, 상기 SEI 및 SMEI에 기초하여 상기 입력 비디오로부터 상기 객체가 포함된 정지 영상을 추출할 수 있다.
일실시예에 따른 번호판 인식 장치에서 상기 객체 검출 영역은, 상기 도로 내 서로 다른 차선에 따라 주행 중인 복수의 차량들을 검출하기 위한 영역일 수 있다.
일실시예에 따른 번호판 인식 장치에서 상기 프로세서는, 상기 객체 검출 영역을 그레이스케일 이미지로 변환하고, 변환된 그레이스케일 이미지에 유클리드 거리 및 가우시안 필터를 적용하여 상기 이미지 세일리언시 맵을 계산할 수 있다.
일실시예에 따른 번호판 인식 장치에서 상기 프로세서는, 상기 SEI 및 SMEI의 수직 투영 히스토그램을 이용하여 상기 객체를 검출하고, 상기 검출된 객체가 포함된 정지 영상을 추출할 수 있다.
일실시예에 따르면, 도로 내 서로 다른 차선에서 주행 중인 복수의 객체들의 번호판을 동시에 인식할 수 있다.
일실시예에 따르면, SEI 및 SEMI을 이용하여 주행 중인 객체를 실시간으로 감지할 수 있다.
일실시예에 따르면, 에지 정보 및 기계 학습 기법(예컨대, SVM, 뉴럴 네트워크 등)을 이용하여 감지된 객체의 번호판을 효과적으로 인식할 수 있다.
도 1은 일실시예에 따라 번호판이 인식되는 상황을 나타낸 도면이다.
도 2는 일실시예에 따라 번호판을 인식하는 과정을 나타낸 도면이다.
도 3 내지 도 8은 일실시예에 따라 객체를 검출하는 과정을 나타낸 도면이다.
도 9는 일실시예에 따라 검출된 정지 영상으로부터 번호판을 인식하는 과정을 나타낸 도면이다.
도 10은 일실시예에 따라 번호판을 검출하는 과정을 설명하기 위한 도면이다.
도 11은 일실시예에 따른 번호판 인식 방법을 나타낸 도면이다.
도 12는 일실시예에 따른 번호판 인식 장치를 나타낸 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
하기에서 설명될 실시예들은 차량의 번호판을 인식하는 데 사용될 수 있다. 이하, 차량의 번호판을 인식하는 동작은 차량의 번호판에 기재된 숫자 및 문자 중 적어도 하나를 인식하는 동작을 의미할 수 있다. 실시예들은 다양한 컴퓨팅 장치로 구현될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따라 번호판이 인식되는 상황을 나타낸 도면이다.
일실시예에 따른 번호판 인식 장치는 카메라(100)에 의해 촬영된 입력 비디오를 통해 해당 도로를 주행하는 객체의 번호판을 인식할 수 있다. 카메라(100)는 미리 결정된 위치에 설치되어 복수의 차선들이 포함된 도로를 촬영할 수 있다. 여기서, 카메라(100)는 지면으로부터 미리 결정된 높이로 설치되고, 미리 결정된 각도로 도로를 촬영할 수 있다.
도로 내 복수의 차선들이 카메라(100)의 촬영 범위(110) 내에 포함될 수 있다. 그에 따라, 카메라(100)에 의해 촬영된 입력 비디오에는 도로 내 서로 다른 차선에서 주행 중인 복수의 객체들이 포함될 수 있다. 여기서, 객체는 도로를 주행하는 차량, 모토사이클(motorcycle) 등을 포함할 수 있다. 다만, 객체에 대한 실시예가 이에 한정되지 않으며, 번호판이 부착되어 도로를 주행하는 객체라면 제한 없이 적용될 수 있다.
번호판 인식 장치는 카메라(100)에 의해 촬영된 입력 비디오에 기반하여 도로에서 주행 중인 하나 이상의 차량의 번호판을 인식할 수 있다. 다시 말해, 번호판 인식 장치는 입력 비디오를 통해 도로 내 서로 다른 차선에서 주행 중인 복수의 차량들의 번호판들을 동시에 인식할 수 있다. 번호판 인식 장치가 차량의 번호판을 인식하는 과정에 대해서는 도 2를 참조하여 상세히 설명한다.
도 2는 일실시예에 따라 번호판을 인식하는 과정을 나타낸 도면이다.
도 2를 참조하면, 일실시예에 따른 번호판 인식 장치는 움직임 검출부(220) 및 번호판 인식부(230)를 포함할 수 있다.
입력 비디오(210)는 도로 상에 설치된 카메라에 의해 촬영된 것으로 도로에서 주행 중인 하나 이상의 객체가 포함될 수 있다. 입력 비디오(210)는 시간 흐름에 따라 촬영된 복수의 연속적인 프레임들을 포함할 수 있다.
움직임 검출부(220)는 입력 비디오(210)에 포함된 객체를 검출할 수 있다. 움직임 검출부(220)는 입력 비디오(210) 내에 객체를 검출할 객체 검출 영역을 설정하고, 이미지 세일리언시 검출 기법(image saliency detecting scheme)에 기초하여 객체 검출 영역에 대한 이미지 세일리언시 맵(image saliency map)을 계산하고, 이미지 세일리언시 맵을 이용하여 입력 비디오(210)에 포함된 프레임의 SEI(Saliency Energy Image) 및 SMEI(Saliency Motion Energy Image)를 계산하며, SEI 및 SMEI에 기초하여 객체를 검출할 수 있다. 여기서, 검출된 객체는 하나 이상일 수 있다.
그리고, 움직임 검출부(220)는 검출된 객체를 포함하는 정지 영상으로 입력 비디오(210)에 포함된 복수의 프레임들 중 어느 하나의 프레임을 획득할 수 있다.
번호판 인식부(230)는 획득된 정지 영상으로부터 객체를 포함하는 객체 영역을 분할할 수 있다. 정지 영상에 복수의 객체들이 포함된 경우, 번호판 인식부(230)는 객체마다 하나의 객체 영역을 설정할 수 있다. 예를 들어, 정지 영상에 n 개의 객체들이 포함된 경우, 번호판 인식부(230)는 정지 영상으로부터 n개의 객체 영역들을 설정할 수 있다.
그리고, 번호판 인식부(230)는 분할된 객체 영역들 각각에 대해 번호판 인식을 수행할 수 있다. 예를 들어, 번호판 인식부(230)는 객체 영역에서 객체의 식별 번호가 포함된 번호 영역을 검출하고, 검출된 번호 영역을 객체 영역으로부터 분할할 수 있다. 여기서, 식별 번호는 객체에 고유하게 할당된 정보로서, 숫자, 문자 또는 이들의 조합으로 구성될 수 있다.
그리고, 번호판 인식부(230)는 기계 학습 기법에 기반하여 번호 영역으로부터 객체의 식별 번호를 인식할 수 있다. 그리고, 번호판 인식부(230)는 인식 결과로 번호 정보(240)를 출력할 수 있다.
도 3 내지 도 8은 일실시예에 따라 객체를 검출하는 과정을 나타낸 도면이다.
도 3을 참조하면, 일실시예에 따른 번호판 인식 장치가 입력 비디오로부터 객체를 검출하는 과정을 설명하기 위한 도면이 도시된다.
단계(310)에서, 번호판 인식 장치는 입력 비디오 내에 객체를 검출할 객체 검출 영역을 설정할 수 있다. 번호판 인식 장치는 입력 비디오 내에서 객체가 이동하는 횟수에 기초하여 객체 검출 영역을 설정할 수 있다. 예를 들어, 번호판 인식 장치는 이동하는 객체가 미리 결정된 시간 동안 미리 결정된 임계 횟수 이상 검출되는 영역을 객체 검출 영역으로 설정할 수 있다. 여기서, 객체 검출 영역은 ROI(region of interesting)일 수 있다.
번호판 인식 장치는 입력 비디오를 촬영하는 카메라의 설치 높이 및 촬영 각도에 기초하여 객체 검출 영역을 설정할 수 있다. 예를 들어, 번호판 인식 장치는 카메라의 설치 높이가 높을수록 입력 비디오 내에서 하단 부분에 위치하도록 객체 검출 영역을 설정할 수 있다. 또한, 번호판 인식 장치는 카메라의 촬영 각도가 지면에 대해 수평에 가까울수록 입력 비디오 내에서 하단 부분에 위치하도록 객체 검출 영역을 설정할 수 있다. 반대로, 번호판 인식 장치는 카메라의 촬영 각도가 지면에 대한 수평으로부터 멀어질수록 입력 비디오 내에서 중앙 부분에 위치하도록 객체 검출 영역을 설정할 수 있다.
도 4를 참조하면, 일실시예에 따라 번호판 인식 장치에 의해 객체 검출 영역(411)이 설정되는 예시가 도시된다. 입력 비디오(410) 내에서 복수의 차선들을 포괄할 수 있도록 객체 검출 영역(411)이 설정될 수 있다. 예를 들어, 객체 검출 영역(411)은 동일한 주행 방향에 해당하는 복수의 차선들을 포함하도록 추출될 수 있다. 번호판 인식 장치는 객체 검출 영역(411)을 추출하여 그레이스케일 이미지(420)로 변환할 수 있다.
이와 같이, 입력 비디오(410)로부터 객체 검출 영역(411)을 추출함으로써 번호판 인식에 영향을 미칠 수도 있는 배경 노이즈를 제거하고, 번호판 인식에 소요되는 컴퓨테이셔널 비용(computational cost)(예컨대, 연산량, 메모리 크기 등)을 효과적으로 감소시킬 수 있다. 나아가, 객체 검출 속도를 향상시킴으로써 실시간 객체 검출이 가능하게 되었다.
다시 도 3으로 돌아와서, 단계(320)에서 번호판 인식 장치는 이미지 세일리언시 검출 기법에 기초하여 객체 검출 영역에 대한 이미지 세일리언시 맵을 계산할 수 있다. 여기서, 이미지 세일리언시 맵은 객체 검출 영역의 그레이스케일 이미지에 대해 계산될 수 있다. 그레이스케일 이미지를 이용함으로써, 객체에 대한 감지 성능을 효과적으로 향상시킬 수 있다.
여기서, 이미지 세일리언시 맵은 대응하는 시각적인 장면(corresponding visual scene)의 시각적 현저성(visual saliency)을 나타내는 맵으로서, 객체 검출 영역의 그레이스케일 이미지에 평균 유클리드 거리 및 가우시안 필터를 적용함으로써 계산될 수 있다. 예를 들어, 이미지 세일리언시 맵은 객체 검출 영역의 그레이스케일 이미지 내의 모든 픽셀 값의 평균 유클리드 거리 및 가우시안 블러드 버전 값(Gaussian Blurred version value)을 이용하여 계산될 수 있다. 구체적으로, 이미지 세일리언시 맵은 아래의 수학식에 기초하여 계산될 수 있다.
Figure 112017007861127-pat00001
위의 수학식 1에서,
Figure 112017007861127-pat00002
은 픽셀 위치 (x, y)에서 픽셀 세일리언시 값(pixel saliency value)을 나타내고,
Figure 112017007861127-pat00003
은 그레이스케일 이미지의 모든 픽셀의 평균 값을 나타낸다. 그리고,
Figure 112017007861127-pat00004
는 그레이스케일 이미지의 가우시안 필터링된 버전(Gaussian filtered version)의 대응 픽셀 값을 나타내고,
Figure 112017007861127-pat00005
은 유클리드 거리를 나타낸다.
이 때, 전체 이미지에 대한 중심 픽셀 값(center pixel value) Global Average = U이 사용될 수 있다. 또는, 객체 검출 영역의 그레이스케일 이미지에 대한 로컬 중심 픽셀 값(local center pixel value) Local Average = U가 사용될 수 있다.
Figure 112017007861127-pat00006
은 객체 검출 영역의 그레이스케일 이미지의 폭(W; width) 및 높이(H; height)를 고려하여 아래의 수학식에 따라 계산될 수 있다.
Figure 112017007861127-pat00007
위의 수학식 2에서, p는 x축에 대해 미리 결정된 범위를 나타내고, q는 y축에 대해 미리 결정된 범위를 나타내고, N은 미리 결정된 범위 p, q 내에 포함되는 픽셀의 개수를 나타낸다.
아래 수학식과 같이 보다 높은 퀄리티의 이미지를 검출하기 위해, 평균 값을 서브블록(sub-block)의 평균 값으로 대체할 수 있다.
Figure 112017007861127-pat00008
위의 수학식 3에서,
Figure 112017007861127-pat00009
은 객체 검출 영역의 폭이 나눠지는 기본 단위를 나타내고,
Figure 112017007861127-pat00010
은 미리 결정된 범위
Figure 112017007861127-pat00011
, H 내에 포함되는 픽셀의 개수를 나타낸다.
앞서 설명한 수학식 2, 3을 더 고려하면, 이미지 세일리언시 맵은 아래의 수학식과 같이 표현될 수 있다.
Figure 112017007861127-pat00012
일실시예에 따라 객체 인식 장치는 도 5의 객체 검출 영역(510)을 이용하여 이미지 세일리언시 맵(520)을 계산할 수 있으며, 이미지 세일리언시 맵(520)을 바이너리 이미지(binary image)(530)로 변환할 수 있다.
단계(330)에서, 객체 인식 장치는 이미지 세일리언시 맵을 이용하여 입력 비디오에 포함된 프레임의 SEI(Saliency Energy Image) 및 SMEI(Saliency Motion Energy Image)를 계산할 수 있다.
SEI 및 SMEI는 입력 비디오에 포함된 연속적인 복수의 프레임들을 이용하여 계산될 수 있다. 예를 들어, 연속적인 복수의 프레임들의 개수는 7개일 수 있으나, 이에 제한되지 않고 다양한 개수의 연속적인 프레임들이 이용될 수 있다.
구체적으로, SEI 및 SMEI는 아래의 수학식을 통해 계산될 수 있다.
Figure 112017007861127-pat00013
Figure 112017007861127-pat00014
위의 수학식 5, 6에서, t는 프레임에 대응되는 시간 정보를 나타내고, T는 SEI 및 SMEI 계산과정에서 이용되는 연속적인 프레임의 개수를 나타내며, B()는 바이너리(binary)를 나타낸다.
일실시예에 따라 예시적으로 도시된 도 6에서는 객체 인식 장치에 의해 계산된 SEI(610) 및 SMEI(620)가 도시된다.
단계(340)에서, 객체 인식 장치는 SEI 및 SMEI에 기초하여 입력 비디오로부터 객체를 감지할 수 있다. 객체 인식 장치는 SEI 및 SMEI의 수직 투영 히스토그램(vertical projection histogram)을 이용하여 객체를 감지할 수 있다.
도 7을 참조하면, 서로 다른 시점에 획득된 SEI(710, 730) 및 SMEI(720, 740)이 도시되고, 도 8을 참조하면, SEI 및 SMEI의 수직 투영 히스토그램이 도시된다.
수직 투영 히스토그램에는, 객체가 검출된 부분과 차선이 검출된 부분이 포함되어 있다. 여기서, 히스토그램 및 그 위치의 비(ratio)로 제로 영역이 추출될 수 있다. 또한, 가상 검출 창이 설정될 수 있다. 가상 검출 영역을 스캔함으로써, 히스토그램의 연결 부분 및 해당 비의 제로 영역에 흰색 픽셀의 개수가 계산될 수 있다. 그리고, 흰색 픽셀의 개수가 미리 설정된 임계 값을 초과하는 경우, 해당 부분에 객체가 존재하는 것으로 감지할 수 있다. 그리고, 객체의 이동을 감지하기 위해, 현 시점의 SMEI과 이전 시점의 SMEI 값이 비교될 수 있다.
예시적으로 도시된 도 8에서는, 히스토그램에 차선으로 감지된 부분(810, 830) 및 객체로 감지된 부분(820, 840)이 존재할 수 있다. 번호판 인식 장치는 부분(820, 840)에 기초하여 객체를 감지할 수 있다.
도 9는 일실시예에 따라 검출된 정지 영상으로부터 번호판을 인식하는 과정을 나타낸 도면이다.
도 9를 참조하면, 일실시예에 따른 번호판 인식 장치가 검출된 정지 영상으로부터 번호판을 인식하는 과정을 설명하기 위한 도면이 도시된다.
단계(910)에서, 번호판 인식 장치는 객체 영역으로부터 번호 영역을 검출할 수 있다. 번호판 인식 장치는 객체 영역에 그레일스케일 이미지 필터링을 에지 정보에 기반하여 적용하고, 에지 정보에 기초하여 번호 영역을 검출할 수 있다. 번호 영역은 객체의 식별 번호가 포함된 영역으로서, 숫자, 문자 또는 이들의 조합을 포함할 수 있다. 번호 영역을 검출하는 과정에 대해서는 도 10을 참조하여 자세히 설명한다.
그리고, 검출된 번호 영역은 번호 이미지(920)로 추출될 수 있다.
단계(930)에서, 번호판 인식 장치는 번호 이미지(920)를 정정(correct)하고, 번호 이미지(920)에 포함된 노이즈를 제거함으로써, 번호판 인식률이 향상되도록 할 수 있다.
그리고, 번호판 인식 장치는 기계 학습 기법에 기초하여 번호 영역의 타입(type)을 식별할 수 있다. 여기서, 번호 영역의 타입은 번호판 규격에 대한 정보를 나타내는 것으로, 예를 들어, 한국에서 2006년 11월 이전에 출고된 차량에 부착되는 숏타입과 2006년 11월 이후에 출고된 차량에 부착되는 롱타입을 포함할 수 있다. 또한, 번호 영역의 타입은 해당 번호판이 발급된 국가 정보를 나타낼 수 있다. 예를 들어, 번호판 인식 장치는 SVM(support vector machine)을 이용하여 번호 영역의 타입을 식별할 수 있다.
단계(940)에서, 번호판 인식 장치는 번호 영역에서 객체의 식별 번호를 인식할 수 있다. 번호판 인식 장치는 식별된 번호 영역의 타입에 따라 객체의 식별 번호를 인식할 수 있다. 여기서, 기계 학습 기법(machine learning scheme)(941)은 인공 지능의 한 분야로 인간이 가지고 있는 학습 능력을 모방한 알고리즘으로서, 예를 들어, SVM, 뉴럴 네트워크(neural network) 등을 포함할 수 있다. 기계 학습 기법(941)은 차량 영상에 기반하여 학습될 수 있고, 번호 영상에 기반하여 학습될 수 있다.
도 10은 일실시예에 따라 번호판을 검출하는 과정을 설명하기 위한 도면이다.
도 10을 참조하면, 일실시예에 따라 번호판 인식 장치가 객체 영역으로부터 번호 영역을 검출하는 과정을 설명하기 위한 도면이 도시된다.
단계(1010)에서, 번호판 인식 장치는 객체 영역을 소스 영상으로 판독할 수 있다.
단계(1020)에서, 번호판 인식 장치는 소스 영상에서 수평적 에지 성분(horizontal edge component)을 추출할 수 있다. 예를 들어, 번호판 인식 장치는 2차 도함수(second order derivative)를 적용함으로써 객체 영역으로부터 수평적 에지 성분을 추출할 수 있다. 이 때, 소스 영상은 객체 영역의 그레이스케일 이미지일 수 있다.
단계(1030)에서, 번호판 인식 장치는 수평적 에지 성분에 기초하여 수평 에지 연결 세그먼트(horizontal edge connection segment)의 누적 레이블(cumulative labeling)을 생성할 수 있다.
단계(1040)에서, 번호판 인식 장치는 누적 레이블에 문자 블록 배열의 해석(character block arrangement interpretation)을 적용함으로써, 소스 영상에서 객체의 식별 번호가 포함된 번호 영역을 검출할 수 있다.
도 11은 일실시예에 따른 번호판 인식 방법을 나타낸 도면이다.
도 11을 참조하면, 일실시예에 따라 번호판 인식 장치의 프로세서에 의해 수행되는 번호판 인식 방법이 도시된다.
단계(1110)에서, 번호판 인식 장치는 도로 내 복수의 차선들을 촬영한 입력 비디오로부터 객체가 포함된 정지 영상을 획득한다. 여기서, 객체는 도로 내 서로 다른 차선에서 주행 중인 복수의 차량들일 수 있다.
번호판 인식 장치는 입력 비디오 내에 객체를 검출할 객체 검출 영역을 설정할 수 있다. 번호판 인식 장치는 입력 비디오를 촬영하는 카메라의 설치 높이 및 촬영 각도에 기초하여 객체 검출 영역을 설정할 수 있다. 여기서, 객체 검출 영역은 도로 내 서로 다른 차선에 따라 주행 중인 복수의 차량들을 검출하기 위한 영역일 수 있다.
번호판 인식 장치는 이미지 세일리언시 검출 기법에 기초하여 객체 검출 영역에 대한 이미지 세일리언시 맵을 계산할 수 있다. 번호판 인식 장치는 객체 검출 영역을 그레이스케일 이미지로 변환하고, 변환된 그레이스케일 이미지에 유클리드 거리 및 가우시안 필터를 적용하여 이미지 세일리언시 맵을 계산할 수 있다.
번호판 인식 장치는 이미지 세일리언시 맵을 이용하여 입력 비디오에 포함된 프레임의 SEI 및 SMEI를 계산할 수 있다. 번호판 인식 장치는 입력 비디오에 포함된 연속적인 복수의 프레임들을 이용하여 SEI 및 SMEI를 계산할 수 있다.
번호판 인식 장치는 SEI 및 SMEI에 기초하여 입력 비디오로부터 객체가 포함된 정지 영상을 추출할 수 있다. 번호판 인식 장치는 SEI 및 SMEI의 수직 투영 히스토그램을 이용하여 객체를 검출하고, 검출된 객체가 포함된 정지 영상을 추출할 수 있다.
단계(1120)에서, 번호판 인식 장치는 정지 영상으로부터 객체의 식별 번호가 포함된 번호 영역을 검출한다. 번호판 인식 장치는 정지 영상으로부터 객체가 포함된 객체 영역을 분할하고, 객체 영역으로부터 객체의 식별 번호가 포함된 번호 영역을 검출할 수 있다. 번호판 인식 장치는 객체 영역에 2차 도함수를 적용함으로써 객체 영역으로부터 수평적 에지 성분을 추출하고, 수평적 에지 성분을 이용하여 번호 영역을 검출할 수 있다.
단계(1130)에서, 번호판 인식 장치는 번호 영역에서 객체의 식별 번호를 인식한다. 번호판 인식 장치는 기계 학습 기법에 기초하여 번호 영역의 타입(type)을 식별하고, 식별된 타입에 따라 객체의 식별 번호를 인식할 수 있다.
도 11에 도시된 각 단계들에는 도 1 내지 도 10을 통하여 전술한 사항들이 그대로 적용되므로, 보다 상세한 설명은 생략한다.
도 12는 일실시예에 따른 번호판 인식 장치를 나타낸 도면이다.
도 12를 참조하면, 일실시예에 따른 번호판 인식 장치(1200)는 메모리(1210) 및 프로세서(1220)를 포함한다. 메모리(1210) 및 프로세서(1220)는 버스(bus)(1330)를 통하여 서로 통신할 수 있다.
메모리(1210)는 컴퓨터에서 읽을 수 있는 명령어를 포함할 수 있다. 프로세서(1220)는 메모리(1210)에 저장된 명령어가 프로세서(1220)에서 실행됨에 따라 앞서 언급된 동작들을 수행할 수 있다. 메모리(1210)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(1220)는 명령어들, 혹은 프로그램들을 실행하거나, 번호판 인식 장치(1200)를 제어하는 장치로서, 예를 들어, CPU(Central Processing Unit) 및 GPU(Graphic Processing Unit)을 포함할 수 있다. 번호판 인식 장치(1200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다. 예를 들어, 번호판 인식 장치(1200)는 도로를 촬영하는 외부 카메라를 통해 입력 비디오를 수신할 수 있다. 번호판 인식 장치(1200)는 퍼스널 컴퓨터, 태블릿 컴퓨터, 넷북 등 컴퓨팅 장치, 이동 전화, 스마트 폰, PDA, 태블릿 컴퓨터, 랩톱 컴퓨터 등 다양한 컴퓨팅 장치의 일부로 구현될 수 있다. 그 밖에, 번호판 인식 장치(1200)에 관해서는 상술된 동작을 처리할 수 있다.
프로세서(1220)는 도로 내 복수의 차선들을 촬영한 입력 비디오로부터 객체가 포함된 정지 영상을 획득하고, 정지 영상으로부터 객체의 식별 번호가 포함된 번호 영역을 검출하며, 번호 영역에서 객체의 식별 번호를 인식한다.
도 12에 도시된 각 구성요소들에는 도 1 내지 도 11을 통하여 전술한 사항들이 그대로 적용되므로, 보다 상세한 설명은 생략한다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate 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.
실시예들에서 설명된 구성요소들은 하나 이상의 DSP (Digital Signal Processor), 프로세서 (Processor), 컨트롤러 (Controller), ASIC (Application Specific Integrated Circuit), FPGA (Field Programmable Gate Array)와 같은 프로그래머블 논리 소자 (Programmable Logic Element), 다른 전자 기기들 및 이것들의 조합 중 하나 이상을 포함하는 하드웨어 구성 요소들(hardware components)에 의해 구현될 수 있다. 실시예들에서 설명된 기능들(functions) 또는 프로세스들(processes) 중 적어도 일부는 소프트웨어(software)에 의해 구현될 수 있고, 해당 소프트웨어는 기록 매체(recording medium)에 기록될 수 있다. 실시예들에서 설명된 구성요소들, 기능들 및 프로세스들은 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.
210: 입력 비디오
220: 움직임 검출부
230: 번호판 인식부
240: 번호 정보

Claims (17)

  1. 도로 내 복수의 차선들을 촬영한 입력 비디오로부터 객체가 포함된 정지 영상을 획득하는 단계;
    상기 정지 영상으로부터 상기 객체의 식별 번호가 포함된 번호 영역을 검출하는 단계; 및
    상기 번호 영역에서 상기 객체의 식별 번호를 인식하는 단계
    를 포함하고,
    상기 정지 영상을 획득하는 단계는,
    상기 입력 비디오 내에 상기 객체를 검출할 객체 검출 영역을 설정하는 단계;
    이미지 세일리언시 검출 기법에 기초하여 상기 객체 검출 영역에 대한 이미지 세일리언시 맵(image saliency map)을 계산하는 단계;
    상기 이미지 세일리언시 맵을 이용하여 상기 입력 비디오에 포함된 프레임의 SEI(Saliency Energy Image) 및 SMEI(Saliency Motion Energy Image)를 계산하는 단계; 및
    상기 SEI 및 SMEI의 수직 투영 히스토그램을 이용하여 상기 입력 비디오로부터 상기 객체를 감지하고, 상기 감지된 상기 객체를 포함하는 정지 영상을 추출하는 단계
    를 포함하는 번호판 인식 방법.
  2. 제1항에 있어서,
    상기 객체는, 상기 도로 내 서로 다른 차선에서 주행 중인 복수의 차량들인, 번호판 인식 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 객체 검출 영역을 설정하는 단계는,
    상기 입력 비디오를 촬영하는 카메라의 설치 높이 및 촬영 각도에 기초하여 상기 객체 검출 영역을 설정하는, 번호판 인식 방법.
  5. 제1항에 있어서,
    상기 객체 검출 영역은,
    상기 도로 내 서로 다른 차선에 따라 주행 중인 복수의 차량들을 검출하기 위한 영역인, 번호판 인식 방법.
  6. 제1항에 있어서,
    상기 이미지 세일리언시 맵을 계산하는 단계는,
    상기 객체 검출 영역을 그레이스케일 이미지(grayscale image)로 변환하고, 변환된 그레이스케일 이미지에 유클리드 거리(Euclidean Distance) 및 가우시안 필터(Gaussian filter)를 적용하여 상기 이미지 세일리언시 맵을 계산하는, 번호판 인식 방법.
  7. 제1항에 있어서,
    상기 SEI 및 SMEI를 계산하는 단계는,
    상기 입력 비디오에 포함된 연속적인 복수의 프레임들을 이용하여 상기 SEI 및 SMEI를 계산하는, 번호판 인식 방법.
  8. 제1항에 있어서,
    상기 객체가 포함된 정지 영상을 추출하는 단계는,
    상기 SEI 및 SMEI의 수직 투영 히스토그램으로부터 검출된 부분들 중에서 차선으로 검출된 부분을 제외한 나머지 부분을 객체가 검출된 부분으로 감지하는, 번호판 인식 방법.
  9. 제1항에 있어서,
    상기 번호 영역을 검출하는 단계는,
    상기 정지 영상으로부터 상기 객체가 포함된 객체 영역을 분할하고, 상기 객체 영역으로부터 상기 객체의 식별 번호가 포함된 번호 영역을 검출하는, 번호판 인식 방법.
  10. 제9항에 있어서,
    상기 번호 영역을 검출하는 단계는,
    상기 객체 영역에 2차 도함수(second order derivative)를 적용함으로써 상기 객체 영역으로부터 수평적 에지 성분(horizontal edge component)을 추출하고, 상기 수평적 에지 성분을 이용하여 상기 번호 영역을 검출하는, 번호판 인식 방법.
  11. 제1항에 있어서,
    상기 객체의 식별 번호를 인식하는 단계는,
    기계 학습 기법에 기초하여 상기 번호 영역의 타입(type)을 식별하고, 식별된 타입에 따라 상기 객체의 식별 번호를 인식하고,
    상기 번호 영역의 타입은
    번호판이 발급된 국가 정보 및 차량의 출고시기에 따른 번호판의 버전 정보에 기초하여 결정되는, 번호판 인식 방법.
  12. 제1항, 제2항 및 제4항 내지 제11항 중 어느 한 항의 방법을 수행하는 프로그램을 수록한 컴퓨터 판독 가능 기록 매체.
  13. 프로세서; 및
    상기 프로세서에 의해 실행 가능한 적어도 하나의 명령어를 포함하는 메모리
    를 포함하고,
    상기 적어도 하나의 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는 도로 내 복수의 차선들을 촬영한 입력 비디오로부터 객체가 포함된 정지 영상을 획득하고, 상기 정지 영상으로부터 상기 객체의 식별 번호가 포함된 번호 영역을 검출하며, 상기 번호 영역에서 상기 객체의 식별 번호를 인식하고,
    상기 프로세서는
    상기 입력 비디오 내에 상기 객체를 검출할 객체 검출 영역을 설정하고, 이미지 세일리언시 검출 기법에 기초하여 상기 객체 검출 영역에 대한 이미지 세일리언시 맵을 계산하고, 상기 이미지 세일리언시 맵을 이용하여 상기 입력 비디오에 포함된 프레임의 SEI 및 SMEI를 계산하며, 상기 SEI 및 SMEI의 수직 투영 히스토그램을 이용하여 상기 입력 비디오로부터 상기 객체를 감지하고, 상기 감지된 상기 객체를 포함하는 정지 영상을 추출하는,
    번호판 인식 장치.
  14. 삭제
  15. 제13항에 있어서,
    상기 객체 검출 영역은,
    상기 도로 내 서로 다른 차선에 따라 주행 중인 복수의 차량들을 검출하기 위한 영역인, 번호판 인식 장치.
  16. 제13항에 있어서,
    상기 프로세서는,
    상기 객체 검출 영역을 그레이스케일 이미지로 변환하고, 변환된 그레이스케일 이미지에 유클리드 거리 및 가우시안 필터를 적용하여 상기 이미지 세일리언시 맵을 계산하는, 번호판 인식 장치.
  17. 제13항에 있어서,
    상기 프로세서는,
    상기 SEI 및 SMEI의 수직 투영 히스토그램으로부터 검출된 부분들 중에서 차선으로 검출된 부분을 제외한 나머지 부분을 객체가 검출된 부분으로 감지하는, 번호판 인식 장치.
KR1020170010468A 2017-01-23 2017-01-23 번호판 인식 방법 및 번호판 인식 장치 KR101851492B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170010468A KR101851492B1 (ko) 2017-01-23 2017-01-23 번호판 인식 방법 및 번호판 인식 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170010468A KR101851492B1 (ko) 2017-01-23 2017-01-23 번호판 인식 방법 및 번호판 인식 장치

Publications (1)

Publication Number Publication Date
KR101851492B1 true KR101851492B1 (ko) 2018-04-23

Family

ID=62089147

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170010468A KR101851492B1 (ko) 2017-01-23 2017-01-23 번호판 인식 방법 및 번호판 인식 장치

Country Status (1)

Country Link
KR (1) KR101851492B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200131368A (ko) * 2019-05-13 2020-11-24 주식회사 핀그램 행정구역별 오브젝트 인식방법 및 그 시스템
WO2022092743A1 (ko) * 2020-10-26 2022-05-05 에스케이텔레콤 주식회사 차량 번호판에서 문자를 추출하는 방법 및 상기 방법을 수행하는 번호판 문자 추출 장치
CN116343137A (zh) * 2023-02-21 2023-06-27 北京海上升科技有限公司 一种基于人工智能的尾气异常汽车大数据检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003524238A (ja) * 2000-01-12 2003-08-12 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ エッジ検出方法および装置
US20130057644A1 (en) * 2009-11-11 2013-03-07 Disney Enterprises, Inc. Synthesizing views based on image domain warping
US20140193086A1 (en) * 2013-01-10 2014-07-10 Nuctech Company Limited Image processing methods and apparatuses
KR101677972B1 (ko) * 2016-07-26 2016-11-21 주식회사 싸인텔레콤 촬영영역줌카메라모듈·다차선 촬영영역 생성모듈로 이루어진 스마트 다차선 차량 번호인식 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003524238A (ja) * 2000-01-12 2003-08-12 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ エッジ検出方法および装置
US20130057644A1 (en) * 2009-11-11 2013-03-07 Disney Enterprises, Inc. Synthesizing views based on image domain warping
US20140193086A1 (en) * 2013-01-10 2014-07-10 Nuctech Company Limited Image processing methods and apparatuses
KR101677972B1 (ko) * 2016-07-26 2016-11-21 주식회사 싸인텔레콤 촬영영역줌카메라모듈·다차선 촬영영역 생성모듈로 이루어진 스마트 다차선 차량 번호인식 장치 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200131368A (ko) * 2019-05-13 2020-11-24 주식회사 핀그램 행정구역별 오브젝트 인식방법 및 그 시스템
KR102239564B1 (ko) * 2019-05-13 2021-04-14 주식회사 핀그램 행정구역별 오브젝트 인식방법 및 그 시스템
WO2022092743A1 (ko) * 2020-10-26 2022-05-05 에스케이텔레콤 주식회사 차량 번호판에서 문자를 추출하는 방법 및 상기 방법을 수행하는 번호판 문자 추출 장치
CN116343137A (zh) * 2023-02-21 2023-06-27 北京海上升科技有限公司 一种基于人工智能的尾气异常汽车大数据检测方法及系统
CN116343137B (zh) * 2023-02-21 2024-04-19 北京海上升科技有限公司 一种基于人工智能的尾气异常汽车大数据检测方法及系统

Similar Documents

Publication Publication Date Title
US10261574B2 (en) Real-time detection system for parked vehicles
Choudhury et al. Vehicle detection and counting using haar feature-based classifier
CN107851318B (zh) 用于对象跟踪的系统和方法
US9390329B2 (en) Method and system for automatically locating static occlusions
Wu et al. Lane-mark extraction for automobiles under complex conditions
US9158985B2 (en) Method and apparatus for processing image of scene of interest
US9390328B2 (en) Static occlusion handling using directional pixel replication in regularized motion environments
JP6230751B1 (ja) 物体検出装置および物体検出方法
US9734404B2 (en) Motion stabilization and detection of articulated objects
US20180322640A1 (en) System and method for detecting moving obstacles based on sensory prediction from ego-motion
WO2016126885A1 (en) Method and apparatus for target acquisition
KR101436369B1 (ko) 적응적 블록 분할을 이용한 다중 객체 검출 장치 및 방법
WO2018049704A1 (en) Vehicle detection, tracking and localization based on enhanced anti-perspective transformation
JP7185419B2 (ja) 車両のための、対象物を分類するための方法および装置
JP6217635B2 (ja) 転倒検知装置および転倒検知方法、転倒検知カメラ、並びにコンピュータ・プログラム
JP2012038318A (ja) ターゲット検出方法及び装置
KR20200119384A (ko) 차량 번호판을 실시간으로 인식하는 장치 및 방법
KR101851492B1 (ko) 번호판 인식 방법 및 번호판 인식 장치
Saran et al. Traffic video surveillance: Vehicle detection and classification
US20150235105A1 (en) Apparatus and method for rapidly detecting object of interest
US20170103536A1 (en) Counting apparatus and method for moving objects
Ukani et al. Efficient vehicle detection and classification for traffic surveillance system
Yang et al. Edge-based moving object tracking algorithm for an embedded system
Chandrasekhar et al. A survey of techniques for background subtraction and traffic analysis on surveillance video
EP4332910A1 (en) Behavior detection method, electronic device, and computer readable storage medium

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant