KR102002225B1 - 번호판 인식 방법 및 그 시스템 - Google Patents

번호판 인식 방법 및 그 시스템 Download PDF

Info

Publication number
KR102002225B1
KR102002225B1 KR1020170157097A KR20170157097A KR102002225B1 KR 102002225 B1 KR102002225 B1 KR 102002225B1 KR 1020170157097 A KR1020170157097 A KR 1020170157097A KR 20170157097 A KR20170157097 A KR 20170157097A KR 102002225 B1 KR102002225 B1 KR 102002225B1
Authority
KR
South Korea
Prior art keywords
license plate
identification information
recognition
recognized
recognizing
Prior art date
Application number
KR1020170157097A
Other languages
English (en)
Other versions
KR20190059466A (ko
Inventor
김상훈
Original Assignee
재단법인 다차원 스마트 아이티 융합시스템 연구단
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 재단법인 다차원 스마트 아이티 융합시스템 연구단 filed Critical 재단법인 다차원 스마트 아이티 융합시스템 연구단
Priority to KR1020170157097A priority Critical patent/KR102002225B1/ko
Priority to US16/197,502 priority patent/US10783391B2/en
Publication of KR20190059466A publication Critical patent/KR20190059466A/ko
Application granted granted Critical
Publication of KR102002225B1 publication Critical patent/KR102002225B1/ko

Links

Images

Classifications

    • G06K9/3258—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/22—Source localisation; Inverse modelling
    • G06K2209/15—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Character Discrimination (AREA)

Abstract

번호판 인식 방법 및 그 시스템이 개시된다. 본 발명의 일 실시예에 따른 번호판 인식 방법은 미리 설정된 오브젝트를 포함하는 이미지 데이터를 이용한 학습을 통해 상기 오브젝트에 부착된 번호판 영역을 추출하는 추출 모델과 미리 설정된 번호판 이미지 데이터를 이용한 학습을 통해 번호판의 식별 정보를 인식하는 인식 모델을 생성하는 단계; 입력 이미지가 수신되면 상기 추출 모델을 이용하여 상기 수신된 입력 이미지로부터 상기 입력 이미지의 번호판 영역을 추출하는 단계; 및 상기 인식 모델을 이용하여 상기 추출된 번호판 영역으로부터 해당 오브젝트의 번호판에 대한 식별 정보를 인식하는 단계를 포함한다.

Description

번호판 인식 방법 및 그 시스템 {License plate recognition method and system}
본 발명은 번호판 인식 기술에 관한 것으로서, 보다 구체적으로 오브젝트에 부착된 번호판에 대한 인식 정확도를 향상시킬 수 있는 방법 및 그 시스템에 관한 것이다.
LPR(License plate recognition) 시스템은 카메라로 촬영한 이미지로부터 차량번호 데이터를 추출해 주는 장치로서, 종래에는 고속도로에서 과속 차량을 자동으로 단속하거나 거리의 불법주차 차량을 적발하기 위해 사용되었다.
또한, 근래에는 주차장을 신속하고 편리하게 출입할 수 있도록 해주는 지능형 주차관리 시스템에 도입되어 널리 활용되고 있다.
최근, 주차, 방범, 신호위반, 속도위반 등의 다양한 분야에서 자동차 번호판 인식 시스템(License Plate Recognition system)이 폭넓게 사용되고 있다.
그러나 종래 자동차 번호판 인식 시스템은 일반적으로, 자연현상에 의한 명암 차이나 우천시 많은 노이즈 또는 주간의 햇빛 및 야간에 차량 라이트 빛의 반사 등에 의해 자동차 번호판 추출에 있어 많은 어려움이 있다.
따라서 자동차 번호판 영역과 글자를 보다 정확하게 추출하기 위해서는, 영상의 명암 변경, 전처리 필요 유무 및 영역의 판단, 대비 개선, 노이즈 제거, 번호판 후보영역 추출, 글자 영역 추출 등 많은 전처리 과정이 들어가게 된다.
특히, 이러한 전처리 과정에 있어서, 기존의 알고리즘 중 윤곽선 검출 알고리즘은 소벨 마스크(Sobel Mask) 패턴 알고리즘을 많이 사용하며, 노이즈 제거 알고리즘은 침식, 팽창 알고리즘을 이용한 노이즈 제거가 많이 사용되고 있다.
본 발명은 번호판 영역을 추출하는 모델과 번호판 영역에서 식별 정보를 인식하는 모델을 이용하여 번호판 인식 정확도를 향상시킬 수 있는 방법 및 그 시스템을 제안한다.
본 발명의 실시 예들은, 오브젝트에 부착된 번호판에 대한 인식 정확도를 향상시킬 수 있는 방법 및 그 시스템을 제공한다.
구체적으로, 본 발명의 실시 예들은 오브젝트에 대한 이미지로부터 번호판 영역을 추출하는 모델과 추출된 번호판 영역에서 식별 정보를 인식하는 모델을 이용하여 번호판 인식 정확도를 향상시킬 수 있는 방법 및 그 시스템을 제공한다.
본 발명의 일 실시 예에 따른 번호판 인식 방법은 미리 설정된 오브젝트를 포함하는 이미지 데이터를 이용한 학습을 통해 상기 오브젝트에 부착된 번호판 영역을 추출하는 추출 모델과 미리 설정된 번호판 이미지 데이터를 이용한 학습을 통해 번호판의 식별 정보를 인식하는 인식 모델을 생성하는 단계; 입력 이미지가 수신되면 상기 추출 모델을 이용하여 상기 수신된 입력 이미지로부터 상기 입력 이미지의 번호판 영역을 추출하는 단계; 및 상기 인식 모델을 이용하여 상기 추출된 번호판 영역으로부터 해당 오브젝트의 번호판에 대한 식별 정보를 인식하는 단계를 포함한다.
상기 생성하는 단계는 상기 이미지 데이터에 미리 결정된 적어도 하나 이상의 제1 노이즈 패턴을 결합시켜 상기 이미지 데이터를 확장시키고, 상기 제1 노이즈 패턴을 포함하는 확장된 이미지 데이터를 이용한 학습을 통해 상기 추출 모델을 생성하며, 상기 번호판 이미지 데이터에 미리 결정된 적어도 하나 이상의 제2 노이즈 패턴을 결합시켜 상기 번호판 이미지 데이터를 확장시키고, 상기 제2 노이즈 패턴을 포함하는 확장된 번호판 데이터를 이용한 학습을 통해 상기 인식 모델을 생성할 수 있다.
상기 인식하는 단계는 상기 추출된 번호판 영역의 콘트라스트(contrast)가 미리 설정된 기준 콘트라스트보다 낮은 경우 상기 추출된 번호판 영역의 콘트라스트(contrast)를 상기 기준 콘트라스트로 조정한 후 상기 인식 모델을 이용하여 해당 오브젝트의 번호판에 대한 식별 정보를 인식할 수 있다.
상기 인식하는 단계는 상기 인식된 식별 정보에 포함된 캐릭터(character)의 수가 부족한 경우 상기 부족한 캐릭터 수에 기초하여 상기 번호판 영역을 확장하여 다시 추출하고, 상기 인식 모델을 이용하여 상기 다시 추출된 번호판 영역으로부터 상기 해당 오브젝트의 번호판에 대한 식별 정보를 다시 인식할 수 있다.
상기 인식하는 단계는 상기 식별 정보 인식 시 상기 추출된 번호판 영역에서의 상기 식별 정보 구조가 미리 설정된 구조이고 미리 설정된 캐릭터가 인식되지 않은 경우 상기 인식된 식별 정보에 상기 미리 설정된 캐릭터를 추가하여 상기 해당 오브젝트의 식별 정보로 인식할 수 있다.
상기 인식 모델은 적어도 두 개 이상의 인식 모델들을 포함하고, 상기 인식하는 단계는 상기 두 개 이상의 인식 모델들 각각에 의해 인식된 식별 정보에 대한 신뢰도(confidence)에 기초하여 상기 해당 오브젝트의 식별 정보를 인식할 수 있다.
본 발명의 일 실시 예에 따른 번호판 인식 시스템은 미리 설정된 오브젝트를 포함하는 이미지 데이터를 이용한 학습을 통해 상기 오브젝트에 부착된 번호판 영역을 추출하는 추출 모델과 미리 설정된 번호판 이미지 데이터를 이용한 학습을 통해 번호판의 식별 정보를 인식하는 인식 모델을 생성하는 생성부; 입력 이미지가 수신되면 상기 추출 모델을 이용하여 상기 수신된 입력 이미지로부터 상기 입력 이미지의 번호판 영역을 추출하는 추출부; 및 상기 인식 모델을 이용하여 상기 추출된 번호판 영역으로부터 해당 오브젝트의 번호판에 대한 식별 정보를 인식하는 인식부를 포함한다.
상기 생성부는 상기 이미지 데이터에 미리 결정된 적어도 하나 이상의 제1 노이즈 패턴을 결합시켜 상기 이미지 데이터를 확장시키고, 상기 제1 노이즈 패턴을 포함하는 확장된 이미지 데이터를 이용한 학습을 통해 상기 추출 모델을 생성하며, 상기 번호판 이미지 데이터에 미리 결정된 적어도 하나 이상의 제2 노이즈 패턴을 결합시켜 상기 번호판 이미지 데이터를 확장시키고, 상기 제2 노이즈 패턴을 포함하는 확장된 번호판 데이터를 이용한 학습을 통해 상기 인식 모델을 생성할 수 있다.
상기 인식부는 상기 추출된 번호판 영역의 콘트라스트(contrast)가 미리 설정된 기준 콘트라스트보다 낮은 경우 상기 추출된 번호판 영역의 콘트라스트(contrast)를 상기 기준 콘트라스트로 조정한 후 상기 인식 모델을 이용하여 해당 오브젝트의 번호판에 대한 식별 정보를 인식할 수 있다.
상기 인식부는 상기 인식된 식별 정보에 포함된 캐릭터(character)의 수가 부족한 경우 상기 부족한 캐릭터 수에 기초하여 상기 번호판 영역을 확장하여 다시 추출하고, 상기 인식 모델을 이용하여 상기 다시 추출된 번호판 영역으로부터 상기 해당 오브젝트의 번호판에 대한 식별 정보를 다시 인식할 수 있다.
상기 인식부는 상기 식별 정보 인식 시 상기 추출된 번호판 영역에서의 상기 식별 정보 구조가 미리 설정된 구조이고 미리 설정된 캐릭터가 인식되지 않은 경우 상기 인식된 식별 정보에 상기 미리 설정된 캐릭터를 추가하여 상기 해당 오브젝트의 식별 정보로 인식할 수 있다.
상기 인식 모델은 적어도 두 개 이상의 인식 모델들을 포함하고, 상기 인식부는 상기 두 개 이상의 인식 모델들 각각에 의해 인식된 식별 정보에 대한 신뢰도(confidence)에 기초하여 상기 해당 오브젝트의 식별 정보를 인식할 수 있다.
본 발명의 실시 예들에 따르면, 오브젝트 이미지 예를 들어, 자동차 이미지로부터 번호판 영역을 추출하는 모델과 추출된 번호판 영역에서 식별 정보를 인식하는 모델을 이용하여 오브젝트에 부착된 번호를 인식함으로써, 번호판 인식률을 향상시키고, 인식 정확도를 향상시킬 수 있다.
도 1은 본 발명의 일 실시 예에 따른 시스템을 설명하기 위한 도면을 나타낸 것이다.
도 2는 추출 모델과 인식 모델을 생성하기 위하여 적용되는 노이즈 패턴에 대한 일 예시도를 나타낸 것이다.
도 3은 번호판 인식 시 싱글 라벨로 인식하는 경우에 대한 일 예시도를 나타낸 것이다.
도 4는 번호판 인식에 대한 일 실시예 동작 흐름도를 나타낸 것이다.
도 5는 번호판 인식에 대한 다른 일 실시예 동작 흐름도를 나타낸 것이다.
도 6은 번호판 인식에 대한 또 다른 일 실시예 동작 흐름도를 나타낸 것이다.
도 7은 번호판 인식에 대한 또 다른 일 실시예 동작 흐름도를 나타낸 것이다.
도 8은 번호판 인식에 대한 또 다른 일 실시예 동작 흐름도를 나타낸 것이다.
도 9는 본 발명의 일 실시예에 따른 시스템에 대한 구성을 나타낸 것이다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
본 발명의 실시예들은, 노이즈 패턴을 포함하는 데이터의 학습을 통해 오브젝트에 부착된 번호판을 추출하기 위한 추출 모델과 추출된 번호판 영역에서 번호판의 식별 정보를 인식하기 위한 인식 모델을 이용하여 입력 이미지에서 오브젝트 번호판의 식별 정보에 대한 인식 정확도를 향상시키는 것을 그 요지로 한다.
여기서, 노이즈 패턴은 빛에 의한 부분 노이즈, 콘트라스트 저하 등과 같이 주변 환경 요인에 의해 발생될 수 있는 다양한 노이즈 패턴을 포함할 수 있으며, 본 발명에서는 이러한 노이즈 패턴 중 일부 노이즈 패턴만을 이용하여 설명한다.
본 발명에서의 오브젝트는 식별 정보가 기재된 번호판이 부착될 수 있는 자동차, 오토바이 등을 포함하는 모든 종류의 오브젝트를 포함할 수 있다.
이하, 본 발명의 상세한 설명에서는 오브젝트를 자동차로 한정하여 설명하지만, 본 발명에서의 오브젝트는 자동차로 한정되지 않으며 번호판을 부착하여 해당 오브젝트를 식별할 수 있는 모든 종류의 오브젝트를 포함할 수 있다는 것은 이 기술 분야에 종사하는 당업자에게 있어서 자명하다.
도 1은 본 발명의 일 실시예에 따른 시스템을 설명하기 위한 도면을 나타낸 것이다.
도 1에 도시된 바와 같이, 본 발명에서의 시스템은 학습 데이터(data)를 이용한 트레이닝(training) 또는 학습을 통해 자동차의 번호판 영역(localization)을 추출하기 위한 추출 모델(localization model)과 추출된 번호판 영역에서 자동차 번호판의 식별 정보 또는 자동차의 식별 정보를 인식(recognition)하기 위한 인식 모델(recognition)을 생성하는 구성 수단, 생성된 추출 모델을 이용하여 입력 이미지로부터 자동차의 번호판 영역을 추출하기 위한 추출 수단(localizer) 그리고 추출 수단에 의해 추출된 번호판 영역에서 인식 모델을 이용하여 번호판의 식별 정보를 인식하기 위한 인식 수단(recognizer)를 포함한다.
도 1에서의 F_IMG는 자동차를 포함하는 풀(full) 영상 또는 이미지를 의미하고, L_ANNO는 번호판 영역 추출 학습 데이터에 대한 어노테이션(annotation)을 의미하며, R_GT는 인식을 위한 ground truth를 의미하고, C_IMG는 캐릭터(character)(예를 들어, 문자 또는 숫자)에 대한 이미지를 의미하며, P_IMG는 번호판 이미지(plate image)를 의미하고, R_ANNO는 번호인식 학습 데이터에 대한 어노테이션(annotation)을 의미할 수 있다.
여기서, 추출 모델을 생성하기 위한 학습 데이터는 선명한 이미지 뿐만 아니라 선명한 이미지에 미리 설정된 노이즈 패턴 예를 들어, 빛 또는 빔에 의한 노이즈 패턴, 그림자 또는 어둠에 의한 노이즈 패턴 등이 적용된 이미지를 포함할 수 있고, 인식 모델을 생성하기 위한 학습 데이터 또한 선명한 번호판 이미지 뿐만 아니라 선명한 번호판 이미지에 미리 설정된 노이즈 패턴 예를 들어, 빛 또는 빔에 의한 노이즈 패턴, 그림자 또는 어둠에 의한 노이즈 패턴 등이 적용된 번호판 이미지를 포함할 수 있다.
예컨대, 도 2a에 도시된 바와 같이, 풀 영상에 세로 빔에 의한 노이즈 패턴을 적용하여 세로 빔 노이즈 패턴이 적용된 학습 데이터를 추가할 수 있으며, 도 2b 에 도시된 바와 같이 번호판 영역에 대한 이미지에 도트 노이즈, 그림자 노이즈, 빔에 의한 노이즈, 밝은 빛에 의한 콘트라스트 저해 이미지 등의 번호판 이미지를 학습 데이터에 추가할 수 있다.
이와 같이, 본 발명은 다양한 노이즈 패턴이 적용된 학습 데이터를 추가한 트레이닝을 통해 추출 모델과 인식 모델을 생성하기 때문에, 번호판을 인식하기 위하여 입력된 입력 이미지로부터 번호판 영역을 정확하게 추출할 수 있고, 나아가 추출된 번호판 영역으로부터 자동차의 식별 정보 즉, 차량 번호를 인식하기 위한 인식 정확도를 향상시킬 수 있다. 즉, 본 발명은 번호판 영역을 추출하는데 있어서 발생될 수 있는 오류와 식별 정보를 인식하는데 있어서 발생될 수 있는 오류에 대한 데이터를 학습 데이터에 포함시키고, 이러한 학습 데이터를 이용한 트레이닝을 통해 모델들을 생성하기 때문에 인식률을 향상시킬 수 있다.
나아가, 본 발명은 학습 데이터에 포함된 어노테이션을 수정할 수 있으며, 데이터를 학습하는데 있어서, 번호판의 식별 정보 중 일부 예를 들어, 도 3에 도시된 바와 같이 식별 정보 중 지역을 의미하는 "서울"과 같은 라벨에 대해서는 한 글자씩 인식하지 않고 하나의 그룹 또는 라벨로 인식함으로써, 학습 데이터의 수를 줄일 수도 있다. 즉, 노이즈 패턴에 의해 번호판의 해당 위치에서 "서"만 정확하게 인식 가능한 경우 "서울"로 인식할 수 있으며, "대전", "대구"와 같은 경우 "전"이나 "구"만 인식 가능한 경우 "대구"와 "대전"으로 바로 인식할 수 있다. 이와 같이, 본 발명은 학습 데이터의 클래스 수를 싱글 라벨을 통해 줄일 수 있고, 이러한 싱글 라벨을 통해 노이즈 패턴이 포함되더라도 인식 정확도를 향상시킬 수 있다.
본 발명은 이렇게 생성된 추출 모델과 인식 모델을 이용하여 자동차의 차량 번호에 대한 인식 정확도를 향상시킬 수 있으며, 차량 번호에 대한 인식 과정에 대해 도 4 내지 도 8을 이용하여 설명하면 다음과 같다.
도 4는 번호판 인식에 대한 일 실시예 동작 흐름도를 나타낸 것으로, 콘트라스트가 낮은 경우에 대한 동작 흐름도를 나타낸 것이다.
도 4를 참조하면, 자동차의 차량 번호를 인식하는 과정은 추출 모델에 의해 입력 이미지에 대한 자동차 번호판 영역이 추출되면, 추출된 번호판 영역의 콘트라스트와 미리 정해진 또는 설정된 기준 콘트라스트를 비교하여 번호판 영역의 콘트라스트가 기준 콘트라스트보다 낮은 경우 번호판 영역의 콘트라스트를 일정 콘트라스트 예를 들어, 기준 콘트라스트로 향상시킨 후 인식 모델을 이용하여 번호판 영역의 식별 정보 즉, 자동차의 차량 번호를 인식함으로써, 해당 자동차의 차량 번호를 인식할 수 있다. 여기서, 본 발명은 적응적인 히스토그램 이쿼라이제이션(histogrm equlization)을 이용한 전처리 과정을 통해 번호판 영역 이미지를 선명하게 처리한 후 인식 수단에서 인식 모델을 이용하여 차량 번호를 정확하게 인식할 수 있다.
도 5는 번호판 인식에 대한 다른 일 실시예 동작 흐름도를 나타낸 것으로, 번호판 영역에서의 캐릭터 수가 부족한 경우에 대한 동작 흐름도를 나타낸 것이다.
도 5에 도시된 바와 같이, 자동차의 차량 번호를 인식하는 과정은 추출 모델에 의해 입력 이미지에 대한 자동차 번호판 영역이 추출되면, 인식 모델을 이용하여 추출된 번호판 영역으로부터 차량 번호를 인식하는데, 인식된 차량 번호의 캐릭터 수 즉, 문자와 숫자를 포함하는 캐릭터 수가 부족한 것으로 판단되면 번호판 영역의 추출에 오류가 발생하였거나 문자 또는 숫자 인식에 오류가 있는 것으로 판단하여 추출하는 번호판 영역의 일정 영역까지 확장시켜 다시 추출한 후 인식 과정을 다시 수행하거나 콘트라스트를 더 향상시켜 인식 과정을 다시 수행함으로써, 부족한 캐릭터를 다시 인식하여 정확한 차량 번호를 인식할 수 있다. 물론, 번호판 영역 확장과 콘트라스트 조정 등을 동시에 수행함으로써, 부족한 캐릭터 수에 대한 오류를 잡고 차량 번호를 정확하게 인식할 수도 있다. 여기서, 콘트라스트 향상과 번호판 영역 확장 등은 상황에 따라 그 과정이 순차적으로 이루어지거나 병렬적으로 이루어질 수도 있고 동시에 이루어질 수도 있다.
도 6은 번호판 인식에 대한 또 다른 일 실시예 동작 흐름도를 나타낸 것으로, 문자열 파싱 오류가 발생하는 경우에 대한 동작 흐름도를 나타낸 것이다.
도 6에 도시된 바와 같이, 자동차의 차량 번호를 인식하는 과정은 추출 모델에 의해 입력 이미지에 대한 자동차 번호판 영역이 추출되면, 인식 모델을 이용하여 추출된 번호판 영역으로부터 차량 번호를 인식하는데, 인식된 차량 번호에 대한 스트링 파싱(parsing) 오류가 발생한 것으로 판단되면 콘트라스트를 일정 값만큼 향상시킨 후 인식 과정과 스트링 파싱 오류 판단 과정을 반복 수행하고, 이러한 반복 수행을 통해 스트링 파싱 오류가 발생하지 않으면 해당 인식 결과를 자동차의 차량 번호로 인식할 수 있다.
도 7은 번호판 인식에 대한 또 다른 일 실시예 동작 흐름도를 나타낸 것으로, 인식 모델에 의한 인식 결과에 미리 설정된 캐릭터를 추가하는 동작 흐름도를 나타낸 것이다.
도 7에 도시된 바와 같이, 자동차의 차량 번호를 인식하는 과정은 추출 모델에 의해 입력 이미지에 대한 자동차 번호판 영역이 추출되면, 인식 모델을 이용하여 추출된 번호판 영역으로부터 차량 번호를 인식하는데, 번호판 영역에 배치된 문자 또는 숫자에 대한 구조가 미리 설정된 구조인 경우 예를 들어, 자동차 번호판의 구조가 다양하고, 그 중 어느 하나의 구조와 동일한 구조로 인식되는 경우 해당 구조에서 포함되어야 하는 문자 또는 캐릭터 예를 들어, "영"이 존재하는지 판단하고, 해당 캐릭터가 존재하면 인식된 결과를 최종 결과로 인식하고, 해당 캐릭터가 존재하지 않는 경우에는 인식된 결과에 해당 캐릭터를 추가 예를 들어, 인식된 결과가 "서울 07가5295"인 경우 해당 인식 결과에 "영"을 추가한 "서울 07가5295 영"을 최종 인식 결과로 인식할 수 있다.
도 8은 번호판 인식에 대한 또 다른 일 실시예 동작 흐름도를 나타낸 것으로, 두 개의 인식 모델을 이용하여 차량 번호를 인식하는 동작 흐름도를 나타낸 것이다.
도 8에 도시된 바와 같이, 차량 번호를 인식하는 과정은 추출 모델에 의해 입력 이미지에 대한 자동차 번호판 영역이 추출되면, 두 개의 인식 모델들 중 첫번 째 인식 모델(recgnizer #1)를 이용하여 차량 번호를 인식하고, 인식된 차량 번호에 대한 신뢰도가 미리 설정된 신뢰도(LIMIT) 이상인 것으로 판단되면 첫번째 인식 모델에 의해 인식된 결과를 최종 결과로 제공하며, 인식된 차량 번호에 대한 신뢰도가 미리 설정된 신뢰도(LIMIT)보다 낮으면 두번째 인식 모델(recgnizer #2)를 이용하여 차량 번호를 인식하고, 두 인식 모델에 의해 인식된 차량 번호가 동일한 경우 인식된 차량 번호를 최종 결과로 제공한다. 반면 두 인식 모델에 의해 인식된 차량 번호가 상이한 것으로 판단되면 두 인식 모델에 의해 인식된 차량 번호에 대한 신뢰도 중 더 높은 신뢰도를 가지는 인식 모델의 차량 번호를 최종 결과로 제공한다. 즉, 도 8의 경우 복수의 인식 모델들과 인식 결과에 대한 신뢰도에 기초하여 차량 번호에 대한 인식 정확도를 향상시키기 위한 것이다.
도 8에서 두 개의 인식 모델을 순차적으로 이용하는 것으로 설명하였지만, 이에 한정하지 않으며 두 개의 인식 모델에 의한 인식 결과를 병렬적으로 처리하고, 병렬적으로 처리된 인식 결과에 대한 신뢰도 또는 인식 결과에 기초하여 최종 인식 결과를 제공할 수도 있다.
이와 같이, 본 발명에 따른 자동차 번호판 인식 방법은 노이즈 패턴을 포함하는 학습 데이터에 대한 트레이닝을 통해 자동차 번호판 영역을 추출하는 추출 모델과 추출된 자동차 번호판 영역으로부터 차량 번호를 인식하기 위한 인식 모델에 기초하여 노이즈가 포함된 입력 이미지라도 자동차 번호판 영역의 추출 정확도와 차량 번호 인식 정확도를 향상시킬 수 있다.
도 9는 본 발명의 일 실시예에 따른 시스템에 대한 구성을 나타낸 것으로, 상술한 도 1 내지 도 8을 수행하는 시스템에 대한 구성을 나타낸 것이다.
도 9를 참조하면, 본 발명에 따른 시스템(900)은 생성부(910), 추출부(920) 및 인식부(930)를 포함한다.
생성부(910)는 학습 데이터(data)를 이용한 트레이닝 또는 학습을 통해 자동차의 번호판 영역을 추출하기 위한 추출 모델(localization model)과 추출된 번호판 영역에서 자동차 번호판의 식별 정보 또는 자동차의 식별 정보를 인식하기 위한 인식 모델(recognition)을 생성한다.
여기서, 생성부(910)는 선명한 이미지 뿐만 아니라 선명한 이미지에 미리 설정된 노이즈 패턴 예를 들어, 빛 또는 빔에 의한 노이즈 패턴, 그림자 또는 어둠에 의한 노이즈 패턴 등이 적용된 이미지를 포함하는 학습 데이터를 이용한 트레이닝을 통해 추출 모델을 생성할 수 있고, 선명한 번호판 이미지 뿐만 아니라 선명한 번호판 이미지에 미리 설정된 노이즈 패턴 예를 들어, 빛 또는 빔에 의한 노이즈 패턴, 그림자 또는 어둠에 의한 노이즈 패턴 등이 적용된 번호판 이미지를 포함하는 학습 데이터를 이용한 트레이닝을 통해 인식 모델을 생성할 수 있다.
나아가, 생성부(910)는 학습에 사용되는 어노테이션을 트레이닝 과정에서 수정할 수도 있으며, 특정 데이터에 대해서는 복수의 캐릭터를 하나의 라벨로 인식하는 트레이닝을 통해 모델을 생성할 수도 있다.
추출부(920)는 생성부(910)에 의해 생성된 추출 모델을 이용하여 입력된 입력 이미지로부터 번호판 영역을 추출한다.
여기서, 추출부(920)는 상황에 따라 번호판 영역을 추출하는데 있어서, 입력 이미지에 대한 콘트라스트 등을 처리하는 전처리 과정을 수행한 후 번호판 영역을 추출할 수도 있다.
인식부(930)는 추출부(910)에 의해 추출된 번호판 영역으로 차량 번호를 인식하는데 있어서, 생성부에 의해 생성된 인식 모델을 이용하여 해당 자동차의 차량 번호를 인식한다.
여기서, 인식부(930)는 추출된 번호판 영역의 콘트라스트와 미리 정해진 또는 설정된 기준 콘트라스트를 비교하여 번호판 영역의 콘트라스트가 기준 콘트라스트보다 낮은 경우 번호판 영역의 콘트라스트를 일정 콘트라스트 예를 들어, 기준 콘트라스트로 향상 시킨 후 인식 모델을 이용하여 번호판 영역의 식별 정보를 인식할 수도 있다.
여기서, 인식부(930)는 인식된 차량 번호의 캐릭터 수 즉, 문자와 숫자를 포함하는 캐릭터 수가 부족한 것으로 판단되면 번호판 영역의 추출에 오류가 발생하였거나 문자 또는 숫자 인식에 오류가 있는 것으로 판단하여 추출하는 번호판 영역의 일정 영역까지 확장시켜 다시 추출한 후 인식 과정을 다시 수행하거나 콘트라스트를 더 향상시켜 인식 과정을 다시 수행함으로써, 부족한 캐릭터를 다시 인식하여 정확한 차량 번호를 인식할 수 있다.
나아가, 인식부(930)는 인식 모델을 이용하여 추출된 번호판 영역으로부터 차량 번호를 인식하는데, 인식된 차량 번호에 대한 스트링 파싱 오류가 발생한 것으로 판단되면 콘트라스트를 일정 값만큼 향상시킨 후 인식 과정과 스트링 파싱 오류 판단 과정을 반복 수행하고, 이러한 반복 수행을 통해 스트링 파싱 오류가 발생하지 않으면 해당 인식 결과를 자동차의 차량 번호로 인식할 수 있다.
더 나아가, 인식부(930)는 번호판 영역에 배치된 문자 또는 숫자에 대한 구조가 미리 설정된 구조인 경우 예를 들어, 자동차 번호판의 구조가 다양하고, 그 중 어느 하나의 구조와 동일한 구조로 인식되는 경우 해당 구조에서 포함되어야 하는 문자 또는 캐릭터 예를 들어, "영"이 존재하는지 판단하고, 해당 캐릭터가 존재하면 인식된 결과를 최종 결과로 인식하고, 해당 캐릭터가 존재하지 않는 경우에는 인식된 결과에 해당 캐릭터를 추가함으로써, 해당 자동차의 식별 정보를 인식할 수 있다.
더 나아가, 인식부(930)는 자동차 번호판 영역이 추출되면, 복수의 인식 모델들을 이용한 인식 결과와 인식 결과에 대한 신뢰도에 기초하여 해당 자동차의 차량 번호 즉, 식별 정보를 인식할 수 있다.
비록, 도 9의 시스템에서 그 설명이 생략되었더라도 본 발명에 따른 시스템은 도 1 내지 도 8의 방법에서 설명한 모든 내용을 포함할 수 있다는 것은 이 기술 분야에 종사하는 당업자에게 있어서 자명하다.
이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 시스템, 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.
실시예들에 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.

Claims (12)

  1. 미리 설정된 오브젝트를 포함하는 이미지 데이터를 이용한 학습을 통해 상기 오브젝트에 부착된 번호판 영역을 추출하는 추출 모델과 미리 설정된 번호판 이미지 데이터를 이용한 학습을 통해 번호판의 식별 정보를 인식하는 인식 모델을 생성하는 단계;
    입력 이미지가 수신되면 상기 추출 모델을 이용하여 상기 수신된 입력 이미지로부터 상기 입력 이미지의 번호판 영역을 추출하는 단계; 및
    상기 인식 모델을 이용하여 상기 추출된 번호판 영역으로부터 해당 오브젝트의 번호판에 대한 식별 정보를 인식하는 단계
    를 포함하며,
    상기 생성하는 단계는
    상기 이미지 데이터에 미리 결정된 적어도 하나 이상의 제1 노이즈 패턴을 결합시켜 상기 제1 노이즈 패턴이 결합된 노이즈 이미지 데이터를 생성하고, 상기 이미지 데이터와 상기 생성된 노이즈 이미지 데이터를 이용한 학습을 통해 상기 추출 모델을 생성하며, 상기 번호판 이미지 데이터에 미리 결정된 적어도 하나 이상의 제2 노이즈 패턴을 결합시켜 상기 제2 노이즈 패턴이 결합된 노이즈 번호판 이미지 데이터를 생성하고, 상기 번호판 이미지 데이터와 상기 노이즈 번호판 이미지 데이터를 이용한 학습을 통해 상기 인식 모델을 생성하며,
    상기 인식하는 단계는
    상기 인식된 식별 정보에 대한 스트링 파싱(parsing) 오류가 발생한 것으로 판단되면 상기 추출된 번호판 영역에 대한 콘트라스트(contrast)를 일정 값만큼 향상시킨 후 상기 식별 정보를 인식하는 과정을 다시 수행하고, 상기 식별 정보를 인식하는 과정과 상기 스트링 파싱 오류를 판단하는 과정을 반복 수행하여 상기 스트링 파싱 오류가 발생하지 않는 경우 해당 인식 과정에 의해 인식된 식별 정보를 상기 해당 오브젝트의 번호판에 대한 식별 정보로 인식하는 번호판 인식 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 인식하는 단계는
    상기 추출된 번호판 영역의 콘트라스트(contrast)가 미리 설정된 기준 콘트라스트보다 낮은 경우 상기 추출된 번호판 영역의 콘트라스트(contrast)를 상기 기준 콘트라스트로 조정한 후 상기 인식 모델을 이용하여 해당 오브젝트의 번호판에 대한 식별 정보를 인식하는 것을 특징으로 하는 번호판 인식 방법.
  4. 제1항에 있어서,
    상기 인식하는 단계는
    상기 인식된 식별 정보에 포함된 캐릭터(character)의 수가 부족한 경우 상기 부족한 캐릭터 수에 기초하여 상기 번호판 영역을 확장하여 다시 추출하고, 상기 인식 모델을 이용하여 상기 다시 추출된 번호판 영역으로부터 상기 해당 오브젝트의 번호판에 대한 식별 정보를 다시 인식하는 것을 특징으로 하는 번호판 인식 방법.
  5. 제1항에 있어서,
    상기 인식하는 단계는
    상기 식별 정보 인식 시 상기 추출된 번호판 영역에서의 상기 식별 정보 구조가 미리 설정된 구조이고 미리 설정된 캐릭터가 인식되지 않은 경우 상기 인식된 식별 정보에 상기 미리 설정된 캐릭터를 추가하여 상기 해당 오브젝트의 식별 정보로 인식하는 것을 특징으로 하는 번호판 인식 방법.
  6. 제1항에 있어서,
    상기 인식 모델은
    적어도 두 개 이상의 인식 모델들을 포함하고,
    상기 인식하는 단계는
    상기 두 개 이상의 인식 모델들 각각에 의해 인식된 식별 정보에 대한 신뢰도(confidence)에 기초하여 상기 해당 오브젝트의 식별 정보를 인식하는 것을 특징으로 하는 번호판 인식 방법.
  7. 미리 설정된 오브젝트를 포함하는 이미지 데이터를 이용한 학습을 통해 상기 오브젝트에 부착된 번호판 영역을 추출하는 추출 모델과 미리 설정된 번호판 이미지 데이터를 이용한 학습을 통해 번호판의 식별 정보를 인식하는 인식 모델을 생성하는 생성부;
    입력 이미지가 수신되면 상기 추출 모델을 이용하여 상기 수신된 입력 이미지로부터 상기 입력 이미지의 번호판 영역을 추출하는 추출부; 및
    상기 인식 모델을 이용하여 상기 추출된 번호판 영역으로부터 해당 오브젝트의 번호판에 대한 식별 정보를 인식하는 인식부
    를 포함하며,
    상기 생성부는
    상기 이미지 데이터에 미리 결정된 적어도 하나 이상의 제1 노이즈 패턴을 결합시켜 상기 제1 노이즈 패턴이 결합된 노이즈 이미지 데이터를 생성하고, 상기 이미지 데이터와 상기 생성된 노이즈 이미지 데이터를 이용한 학습을 통해 상기 추출 모델을 생성하며, 상기 번호판 이미지 데이터에 미리 결정된 적어도 하나 이상의 제2 노이즈 패턴을 결합시켜 상기 제2 노이즈 패턴이 결합된 노이즈 번호판 이미지 데이터를 생성하고, 상기 번호판 이미지 데이터와 상기 노이즈 번호판 이미지 데이터를 이용한 학습을 통해 상기 인식 모델을 생성하며,
    상기 인식부는
    상기 인식된 식별 정보에 대한 스트링 파싱(parsing) 오류가 발생한 것으로 판단되면 상기 추출된 번호판 영역에 대한 콘트라스트(contrast)를 일정 값만큼 향상시킨 후 상기 식별 정보를 인식하는 과정을 다시 수행하고, 상기 식별 정보를 인식하는 과정과 상기 스트링 파싱 오류를 판단하는 과정을 반복 수행하여 상기 스트링 파싱 오류가 발생하지 않는 경우 해당 인식 과정에 의해 인식된 식별 정보를 상기 해당 오브젝트의 번호판에 대한 식별 정보로 인식하는 번호판 인식 시스템.
  8. 삭제
  9. 제7항에 있어서,
    상기 인식부는
    상기 추출된 번호판 영역의 콘트라스트(contrast)가 미리 설정된 기준 콘트라스트보다 낮은 경우 상기 추출된 번호판 영역의 콘트라스트(contrast)를 상기 기준 콘트라스트로 조정한 후 상기 인식 모델을 이용하여 해당 오브젝트의 번호판에 대한 식별 정보를 인식하는 것을 특징으로 하는 번호판 인식 시스템.
  10. 제7항에 있어서,
    상기 인식부는
    상기 인식된 식별 정보에 포함된 캐릭터(character)의 수가 부족한 경우 상기 부족한 캐릭터 수에 기초하여 상기 번호판 영역을 확장하여 다시 추출하고, 상기 인식 모델을 이용하여 상기 다시 추출된 번호판 영역으로부터 상기 해당 오브젝트의 번호판에 대한 식별 정보를 다시 인식하는 것을 특징으로 하는 번호판 인식 시스템.
  11. 제7항에 있어서,
    상기 인식부는
    상기 식별 정보 인식 시 상기 추출된 번호판 영역에서의 상기 식별 정보 구조가 미리 설정된 구조이고 미리 설정된 캐릭터가 인식되지 않은 경우 상기 인식된 식별 정보에 상기 미리 설정된 캐릭터를 추가하여 상기 해당 오브젝트의 식별 정보로 인식하는 것을 특징으로 하는 번호판 인식 시스템.
  12. 제7항에 있어서,
    상기 인식 모델은
    적어도 두 개 이상의 인식 모델들을 포함하고,
    상기 인식부는
    상기 두 개 이상의 인식 모델들 각각에 의해 인식된 식별 정보에 대한 신뢰도(confidence)에 기초하여 상기 해당 오브젝트의 식별 정보를 인식하는 것을 특징으로 하는 번호판 인식 시스템.
KR1020170157097A 2017-11-23 2017-11-23 번호판 인식 방법 및 그 시스템 KR102002225B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170157097A KR102002225B1 (ko) 2017-11-23 2017-11-23 번호판 인식 방법 및 그 시스템
US16/197,502 US10783391B2 (en) 2017-11-23 2018-11-21 Method and system for recognizing license plate

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170157097A KR102002225B1 (ko) 2017-11-23 2017-11-23 번호판 인식 방법 및 그 시스템

Publications (2)

Publication Number Publication Date
KR20190059466A KR20190059466A (ko) 2019-05-31
KR102002225B1 true KR102002225B1 (ko) 2019-07-19

Family

ID=66534017

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170157097A KR102002225B1 (ko) 2017-11-23 2017-11-23 번호판 인식 방법 및 그 시스템

Country Status (2)

Country Link
US (1) US10783391B2 (ko)
KR (1) KR102002225B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7396765B2 (en) 2004-11-12 2008-07-08 Lg Display Co., Ltd. Method of fabricating a liquid crystal display device
US7407842B2 (en) 2004-11-12 2008-08-05 Lg Display Co., Ltd. Liquid crystal display device and method of fabricating the same
KR102238401B1 (ko) * 2020-09-14 2021-04-09 전주비전대학교산학협력단 데이터 확장 및 cnn을 이용한 차량번호 인식 방법
KR20210090040A (ko) 2020-01-09 2021-07-19 현대모비스 주식회사 특정 영상 데이터 획득을 위한 Online Annotation 시스템 및 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353500B (zh) * 2020-02-25 2023-07-28 上海其高电子科技有限公司 双行车牌的自动识别方法
KR102331453B1 (ko) * 2020-02-26 2021-11-25 금오공과대학교 산학협력단 신경망을 이용한 번호판 인식 시스템 및 그 방법
KR102331440B1 (ko) * 2020-02-28 2021-11-25 금오공과대학교 산학협력단 신경망을 이용한 텍스트 인식 시스템 및 그 방법
WO2022065547A1 (ko) * 2020-09-24 2022-03-31 주식회사 키센스 하이브리드 기법을 이용한 번호판 인식 방법 및 그 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101462289B1 (ko) * 2006-11-29 2014-11-14 구글 잉크. 모바일 장치 시스템을 이용한 디지털 이미지 아카이빙 및 검색
KR101780320B1 (ko) * 2017-03-17 2017-10-10 세종신호(주) 지능형 다기능 영상 감시 시스템

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR960042445A (ko) * 1996-10-10 1996-12-21 송병남 통계확률적 기법을 이용한 자동차 번호판의 인식 처리장치 및 그 방법
JP3987264B2 (ja) * 2000-03-24 2007-10-03 富士通株式会社 ナンバープレート読取装置及び方法
US20070058856A1 (en) * 2005-09-15 2007-03-15 Honeywell International Inc. Character recoginition in video data
WO2010127023A1 (en) * 2009-05-01 2010-11-04 Spicola Tool, Llc Remote contactless stereoscopic mass estimation system
KR101038669B1 (ko) * 2009-06-15 2011-06-02 (주) 알티솔루션 영상기반의 비검지식 차량 인식 시스템 및 차량 인식방법
US8548201B2 (en) * 2010-09-02 2013-10-01 Electronics And Telecommunications Research Institute Apparatus and method for recognizing identifier of vehicle
JP6302132B2 (ja) * 2015-03-20 2018-03-28 株式会社東芝 画像処理装置、画像処理システム、画像処理方法及びプログラム
KR101873576B1 (ko) * 2016-10-31 2018-07-03 한국전자통신연구원 자동차 번호판 정보 인식 시스템 및 방법
US10872250B2 (en) * 2017-05-18 2020-12-22 Meter Feeder Vehicle parking enforcement system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101462289B1 (ko) * 2006-11-29 2014-11-14 구글 잉크. 모바일 장치 시스템을 이용한 디지털 이미지 아카이빙 및 검색
KR101780320B1 (ko) * 2017-03-17 2017-10-10 세종신호(주) 지능형 다기능 영상 감시 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7396765B2 (en) 2004-11-12 2008-07-08 Lg Display Co., Ltd. Method of fabricating a liquid crystal display device
US7407842B2 (en) 2004-11-12 2008-08-05 Lg Display Co., Ltd. Liquid crystal display device and method of fabricating the same
KR20210090040A (ko) 2020-01-09 2021-07-19 현대모비스 주식회사 특정 영상 데이터 획득을 위한 Online Annotation 시스템 및 방법
KR102238401B1 (ko) * 2020-09-14 2021-04-09 전주비전대학교산학협력단 데이터 확장 및 cnn을 이용한 차량번호 인식 방법

Also Published As

Publication number Publication date
US20190156140A1 (en) 2019-05-23
KR20190059466A (ko) 2019-05-31
US10783391B2 (en) 2020-09-22

Similar Documents

Publication Publication Date Title
KR102002225B1 (ko) 번호판 인식 방법 및 그 시스템
CN111506980B (zh) 对虚拟驾驶环境生成交通场景的方法及装置
KR102234936B1 (ko) 차량 번호판을 실시간으로 인식하는 장치 및 방법
EP3686779B1 (en) Method and device for attention-based lane detection without post-processing by using lane mask and testing method and testing device using the same
US11380104B2 (en) Method and device for detecting illegal parking, and electronic device
KR20200027428A (ko) 에지 이미지를 이용하여 객체를 검출하는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
US9501703B2 (en) Apparatus and method for recognizing traffic sign board
JP6700373B2 (ja) ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法
KR102077396B1 (ko) 노이즈 패턴을 이용한 차량 번호판 이미지 생성 방법 및 그 장치
KR102665700B1 (ko) 영상 데이터에 포함된 텍스트 플레이트 비식별화 방법 및 이를 수행하기 위한 장치
KR20100064140A (ko) 지능형 자동차를 위한 교통 표지판 검출 방법 및 상기 방법을 실행하는 시스템
CN112560881A (zh) 对象识别方法和装置、数据处理方法
KR20210002893A (ko) 하이브리드 기법을 이용한 번호판 인식 방법 및 그 시스템
KR102026280B1 (ko) 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템
CN110956097A (zh) 遮挡人体提取方法及模块、场景转换方法及装置
KR102412133B1 (ko) 강화된 차량 번호판 자동탐지 시스템
CN111507154A (zh) 使用横向滤波器掩膜来检测车道线元素的方法和装置
CN116503695B (zh) 目标检测模型的训练方法、目标检测方法及设备
Ma et al. ControlLoc: Physical-World Hijacking Attack on Visual Perception in Autonomous Driving
KR102470187B1 (ko) 비적대적 패치 생성 방법 및 시스템
CN118015567B (zh) 适用于高速公路路侧监控的车道划分方法及相关装置
KR102637343B1 (ko) 오브젝트 추적 방법 및 장치
CN113362372B (zh) 一种单目标追踪方法及计算机可读介质
KR102682877B1 (ko) Fpga를 활용한 cnn 가속기 하드웨어 설계
KR20230056250A (ko) 인공지능 기반 차선 손상 상태 평가 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant