KR102288098B1 - 차량 번호 인식 실패 원인 분석 및 통계 방법 - Google Patents

차량 번호 인식 실패 원인 분석 및 통계 방법 Download PDF

Info

Publication number
KR102288098B1
KR102288098B1 KR1020200089683A KR20200089683A KR102288098B1 KR 102288098 B1 KR102288098 B1 KR 102288098B1 KR 1020200089683 A KR1020200089683 A KR 1020200089683A KR 20200089683 A KR20200089683 A KR 20200089683A KR 102288098 B1 KR102288098 B1 KR 102288098B1
Authority
KR
South Korea
Prior art keywords
license plate
cause
vehicle number
determining
recognition
Prior art date
Application number
KR1020200089683A
Other languages
English (en)
Inventor
권한준
문재상
임도훈
권선태
Original Assignee
한국도로공사
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 한국도로공사 filed Critical 한국도로공사
Priority to KR1020200089683A priority Critical patent/KR102288098B1/ko
Application granted granted Critical
Publication of KR102288098B1 publication Critical patent/KR102288098B1/ko

Links

Images

Classifications

    • G06K9/3258—
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Abstract

본 발명은 차량 번호 인식 실패 원인 분석 및 통계 방법에 관한 것으로, 본 발명은 수집한 이미지에서 번호판을 추출하고 차량 번호를 인식하는 단계와, 차량 번호 인식에 실패한 이미지의 차량 번호 인식 실패 원인을 판단하는 단계, 그리고 차량 번호의 인식 실패 사례를 시간, 장소 및 인식 실패 원인별로 통계하는 단계를 포함한다. 본 발명에 의하면, 딥 러닝 인식 기술을 통해 차량 번호 인식 실패 원인을 자동으로 판단하고 통계하여 관련 단속 기관에 제공함으로써 차량 번호 가림 및 훼손에 대한 효율적인 단속을 가능하게 하고, 나아가서는 효율적인 단속을 통해 차량 번호 가림 및 훼손을 근절함으로써 차량 번호 인식률을 증가시킬 수 있다.

Description

차량 번호 인식 실패 원인 분석 및 통계 방법{How to analyze and statistics on the cause of vehicle number recognition failure}
본 발명은 차량 번호 인식 실패 원인 분석 및 통계 방법에 관한 것으로, 더욱 상세하게는 딥 러닝 인식 기술을 통해 차량 번호 인식 실패 원인을 자동으로 판단하고 통계할 수 있는 차량 번호 인식 실패 원인 분석 및 통계 방법에 관한 것이다.
최근 고속도로의 톨게이트에는 요금 징수 과정에서 발생 가능한 고속도로 정체 현상을 방지하기 위해, 하이패스(Hi-Pass)와 같이 차량이 요금소에서 멈추지 않고 정상 주행하면서 톨게이트 요금을 지불하도록 하는 통행료 전자 지불 시스템(Electronic Toll Collection System)이 설치되어 운행되고 있다.
이와 같은 통행료 전자 지불 시스템에는 일반적으로 통행료 면탈 행위를 방지하거나, 또는 통행료 미지급 차량에게 차후 통행료 청구를 위한 차량번호 인식을 목적으로 차량 영상 촬영장치가 설치 운영된다.
하지만, 이와 같이 차량 영상 촬영장치 설치를 통해 면탈 행위를 방지하고 있음에도 불구하고 일부 운전자들은 번호판을 가리거나 또는 번호판을 고의적으로 훼손시킴으로써 차량 영상 촬영 장치를 통한 차량번호 인식을 불가능하게 한 후 통행료 면탈 행위를 저지르는 불법 행위를 행하여 사회적으로 문제가 되고 있다.
이와 같은 번호판 가림 및 훼손의 불법 행위를 방지하기 위해 해당 단속 기관이 톨게이트에서 주기적으로 단속을 시행하고 있지만 전국의 모든 톨게이트에서 24시간 단속하는 것은 현실적으로 불가능하므로 효율적인 단속을 위해서는 번호판 가림 및 훼손 차량이 자주 출몰하는 시간, 장소, 번호판 가림 및 훼손 유형 등의 통계가 요구된다.
대한민국 등록특허 제10-1747919호
본 발명은 위에서 언급한 종래 기술이 가지는 문제점을 해결하기 위한 것으로 본 발명이 이루고자 하는 목적은, 딥 러닝 인식 기술을 통해 차량 번호 인식 실패 원인을 자동으로 판단하고 통계할 수 있는 차량 번호 인식 실패 원인 분석 및 통계 방법을 제공하는 것이다.
본 발명이 이루고자 하는 다른 목적은, 차량 번호 인식 실패 원인을 딥 러닝 인식 기술을 통해 판단하기 전에 비교적 간소한 과정을 통해 사전 판단하고, 사전 판단을 통해 원인이 도출되면 딥 러닝 과정을 생략하고 사전 판단을 통해 도출된 원인을 인식 실패 원인으로 판단하여 차량 번호 인식 실패 원인의 판단 과정을 간소화할 수 있는 차량 번호 인식 실패 원인 분석 및 통계 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 차량 번호 인식 실패 원인 분석 및 통계 방법은, 수집한 이미지에서 번호판을 추출하고 차량 번호를 인식하는 단계와, 차량 번호 인식에 실패한 이미지의 차량 번호 인식 실패 원인을 판단하는 단계, 그리고 차량 번호의 인식 실패 사례를 시간, 장소 및 인식 실패 원인별로 통계하는 단계를 포함한다.
이때, 인식 실패 원인을 판단하는 단계는 추출한 번호판이 가려지거나 또는 번호가 지워진 번호판인지 딥 러닝 인식 기술을 통해 판단하는 단계와, 추출한 번호판이 꺾인 번호판인지 딥 러닝 인식 기술을 통해 판단하는 단계, 그리고 추출한 번호판이 가려지거나 또는 지워지거나 또는 꺾인 번호판이 아닌 경우, 인식 실패 원인을 환경 요인으로 판단하는 단계를 포함할 수 있다.
또한, 차량 번호 인식 실패 원인 분석 및 통계 방법은 차량 번호 인식에 실패하면, 인식 실패 원인을 판단하기 이전에 인식 실패 원인을 사전 판단하는 단계를 더 포함하고, 인식 실패 원인을 판단하는 단계는 사전 판단에 의해 원인이 도출되면 사전 판단에 의해 도출된 원인을 인식 실패 원인으로 판단할 수 있다.
또한, 사전 판단하는 단계는 차량 번호 인식 단계에서 수집한 이미지에서 번호판이 추출되었는지 판단하고 번호판이 추출되지 않았다면 번호판 가림에 의해 차량 번호 인식에 실패한 것으로 사전 판단할 수 있다.
또한, 사전 판단하는 단계는 추출된 번호판의 형상이 직사각형이 아니면 번호판 꺾임으로 인해 차량 번호 인식에 실패한 것으로 사전 판단할 수 있다.
또한, 사전 판단하는 단계는 추출된 번호판의 가로/세로 비율에 기초하여 상가 차량 번호 인식 실패의 원인이 번호판 꺾임에 의한 것인지 여부를 사전 판단할 수 있다.
또한, 사전 판단하는 단계는 추출된 번호판의 가로/세로 비율을 검출하는 단계와, 검출한 가로/세로 비율을 온전한 번호판 비율과 비교하는 단계, 그리고 비교 결과 검출한 가로/세로 비율이 온전한 번호판 비율에 비해 허용범위를 벗어난 차이를 보이면 번호판 꺾임으로 인해 차량 번호 인식에 실패한 것으로 사전 판단하는 단계를 포함할 수 있다.
본 발명에 의하면, 딥 러닝 인식 기술을 통해 차량 번호 인식 실패 원인을 자동으로 판단하고 통계하여 관련 단속 기관에 제공함으로써 차량 번호 가림 및 훼손에 대한 효율적인 단속을 가능하게 하고, 나아가서는 효율적인 단속을 통해 차량 번호 가림 및 훼손을 근절함으로써 차량 번호 인식률을 증가시킬 수 있다.
또한, 본 발명은 차량 번호 인식 실패 원인을 딥 러닝 인식 기술을 통해 판단하기 전에 번호판 추출 여부, 번호판의 형상 및 번호판의 비율을 dlydd하여 인식 실패 원인을 사전 판단하고, 사전 판단을 통해 원인이 도출되면 딥 러닝 과정을 생략하고 사전 판단을 통해 도출된 원인을 인식 실패 원인으로 판단함으로써 차량 번호 인식 실패 원인의 판단 과정을 간소화할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 차량 번호 인식 실패 원인 분석 및 통계 방법이 적용된 차량 번호 인식 실패 원인 분석 및 통계 시스템을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 차량 번호 인식 실패 원인 분석 및 통계 시스템의 기능 블록도이다.
도 3은 본 발명의 일 실시예에 따른 차량 번호 인식 실패 원인 분석 및 통계 방법을 개략적으로 도시한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 원인 판단부의 기능 블록도이다.
도 5는 본 발명의 일 실시예에 따른 인식 실패 원인 판단 과정을 보다 상세하게 도시한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 사전 판단부의 기능 블록도이다.
도 7은 본 발명의 일 실시예에 따른 인식 실패 원인 사전 판단 과정을 보다 상세하게 도시한 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 온전한 번호판의 규격을 도시한 표이다.
도 9는 본 발명의 일 실시예에 따른 꺾임 번호판의 예를 도시한 도면이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 차량 번호 인식 실패 원인 분석 및 통계 방법이 적용된 차량 번호 인식 실패 원인 분석 및 통계 시스템을 개략적으로 도시한 도면이고, 도 2는 본 발명의 일 실시예에 따른 차량 번호 인식 실패 원인 분석 및 통계 시스템의 기능 블록도이다. 그리고 도 3은 본 발명의 일 실시예에 따른 차량 번호 인식 실패 원인 분석 및 통계 방법을 개략적으로 도시한 흐름도이다.
도 1을 참조하면, 본 실시예에 따른 차량 번호 인식 실패 원인 분석 및 통계 방법(이하, '분석 및 통계 방법'으로 칭한다)이 적용된 차량 번호 인식 실패 원인 분석 및 통계 시스템(이하, '분석 및 통계 시스템'이라 칭한다)는 톨게이트에 설치되어 차량의 이미지를 수집하고 수집한 이미지에서 번호판을 추출하여 차량 번호를 인식하는 다수개의 영상 촬영 장치(1)와, 다수개의 상기 영상 촬영 장치(1)와 네트워크(5)를 통해 연결되고 다수개의 상기 영상 촬영 장치(1)에서 인식에 실패한 이미지를 수신하여 차량 번호 인식 실패 원인을 분석하고 통계하는 서버(3)를 포함한다.
도 2를 참조하면, 영상 촬영 장치(1)는 번호판 인식부(10) 및 사전 판단부(20)를 포함하고, 서버(3)는 원인 판단부(30) 및 통계 생성부(40)를 포함할 수 있다.
번호판 인식부(10)는 차량의 이미지를 수집하고 수집한 이미지에서 번호판을 추출하며, 추출한 번호판을 통해 차량 번호를 인식한다. 번호판 인식부(10)는 차량 번호가 인식되면 인식된 차량번호 정보를 서버(3)로 전송하고 별도의 저장 장치에 저장한다.
영상 촬영 장치의 사전 판단부(20)는 번호판 인식부(10)가 차량 번호 인식에 실패한 이미지에서 차량 번호 인식 실패 원인을 사전 판단한다. 이때, 사전 판단부(20)는 수집한 이미지에서 번호판이 추출되었는지 여부 또는 추출된 번호판의 형상 또는 추출된 번호판의 가로/세로 비율에 기초하여 차량 번호 인식 실패 원인을 사전 판단하는데 이에 관한 상세한 설명은 도 6 내지 도 9에 기초하여 후술하기로 한다.
서버의 원인 판단부(30)는 영상 촬영 장치로부터 차량 번호 인식에 실패한 이미지를 수신하고, 수신한 이미지의 차량 번호 인식 실패 원인을 판단한다. 구체적으로, 원인 판단부(30)는 차량 번호 인식 실패의 원인이 번호판이 가려져서인지, 또는 번호판의 번호가 지워져서인지, 또는 번호판이 꺾여진 상태여서 인지, 또는 빛 반사, 역광, 직광 등의 환경 요인에 의해서인지를 딥 러닝 인식 기술을 통해 판단한다. 바람직하게, 원인 판단부(30)는 사전 판단부(20)에 의해 인식 실패 원인이 사전 판단된 경우 딥 러닝 과정을 생략하고 사전 판단을 통해 도출된 원인을 인식 실패 원인으로 판단함으로써 차량 번호 인식 실패 원인 판단 과정을 간소화할 수 있다. 이 밖에 원인 판단부(30)에 대한 더욱 상세한 설명은 도 4 내지 도 5를 참조하여 후술하기로 한다.
통계 생성부(40)는 원인 판단부(30)에서 판단한 결과에 기초하여 차량 번호 인식 실패 사례를 시간, 장소 및 인식 실패 원인별로 통계를 생성하며, 생성된 통계는 외부의 관련 단속 기관 등에 전송된다. 구체적으로, 통계 생성부(40)는 차량 번호 인식 실패가 발생한 시간과, 차량 번호 인식 실패가 발생한 톨게이트의 게이트 번호, 그리고 차량 번호 인식 실패 원인별로 통계를 생성하여 관련 단속 기관에 전송한다. 바람직하게, 통계 생성부(40)는 관련 단속 기관에 생성한 통계를 전송할 때 환경 요인에 의한 인식 실패 사례는 번호판 가림 및 훼손에 대한 단속과 무관하므로 이에 관한 통계는 제외하고 전송할 수 있다.
관련 단속 기관은 수신한 통계에 기초하여 번호판 가림 차량 및 번호판 훼손 차량이 자주 출몰하는 시간에 자주 출몰하는 장소에서 단속을 실시함으로써 번호판 가림 차량 및 번호판 훼손 차량의 단속을 효율적으로 수행할 수 있다. 또한, 통계 생성부(40)에서 생성된 통계는 차량 번호 인식 실패의 원인별로 생성된 통계이므로 관련 단속 기관이 단속 대상을 번호판 가림 차량 또는 번호판 꺾임 차량 또는 번호판의 번호 지움 차량 등으로 한정하여 단속을 실시할 때에도 효율적인 단속을 가능하게 해준다.
도 3을 참조하여 본 실시예에 따른 분석 및 통계 방법을 살펴보면, 우선 영상 촬영 장치의 번호판 인식부(10)에서 이미지를 수집하고 수집한 이미지에서 번호판을 추출하여 차량 번호를 인식한다(S10).
그리고 영상 촬영 장치의 사전 판단부(20)는 번호판 인식부(10)에서 차량 번호 인식에 실패한 이미지의 번호판 인식 실패 원인을 사전 판단한다(S20).
그리고 서버의 원인 판단부(30)는 영상 촬영 장치(1)로부터 번호판 인식에 실패한 이미지를 수신하고 수신한 이미지에서 번호판을 추출하거나 또는 영상 촬영 장치(1)에서 추출된 번호판 이미지를 수신하여, 딥 러닝 기술을 이용하여 차량 번호 인식 실패 원인을 판단한다(S30). 이때, 원인 판단부(30)는 사전 판단부(20)에서 인식 실패 원인이 사전 판단된 경우에는 별도의 원인 판단 과정을 거치지 않고 사전 판단 결과에 따라 인식 실패 원인을 판단한다.
마지막으로, 통계 생성부(40)는 원인 판단부(30)에서 판단한 결과에 기초하여 차량 번호 인식 실패 사례를 시간, 장소 및 인식 실패 원인별로 통계를 생성한다(S40).
도 4는 본 발명의 일 실시예에 따른 원인 판단부의 기능 블록도이고, 도 5는 본 발명의 일 실시예에 따른 인식 실패 원인 판단 과정을 보다 상세하게 도시한 흐름도이다.
도 4를 참조하면, 원인 판단부(30)는 가림 및 지움 판단부(31), 꺾임 판단부(32) 및 환경 요인 판단부(33)를 포함할 수 있다.
가림 및 지움 판단부(31)는 추출한 번호판에 차량 번호의 일부 또는 전체가 가려진 가림 번호판 여부를 판단하고 추출한 번호판에 차량 번호의 일부 또는 전체가 지워진 지움 번호판 여부를 판단하여 인식 실패의 원인이 해당 번호판이 가림 번호판 또는 지움 번호판이기 때문인지를 판단하는데, 가림 및 지움 판단부(31)의 이와 같은 가림 번호판 여부 및 지움 번호판 여부 판단은 딥 러닝 인식 기술을 통해 이루어진다.
꺾임 판단부(32)는 추출한 번호판이 꺾여진 꺾임 번호판 여부를 판단하여 인식 실패의 원인이 해당 번호판이 꺾임 번호판이기 때문인지를 판단하는데, 꺾임 판단부(32)의 이와 같은 꺾임 번호판 여부 판단 또한 딥 러닝 인식 기술을 통해 이루어진다.
환경 요인 판단부(33)는 추출한 번호판의 인식 실패 원인이 빛 반사, 직광, 역광, 날씨, 대기 상태 등의 환경 요인에 의한 것인지 판단하는데, 환경 요인 판단부(33)는 가림 및 지움 판단부(31) 및 꺾임 판단부(32)의 판단 결과 해당 번호판이 가림 번호판, 지움 번호판 및 꺾임 번호판이 모두 아닌 것으로 판단되면 인식 실패 원인이 환경 요인에 의한 것으로 판단할 수 있다.
도 5를 참조하여 원인 판단부(30)의 판단 과정을 살펴보면, 가림 및 지움 판단부(31)는 추출한 번호판이 가림 또는 지움 번호판인지 딥 러닝 인식 기술을 통해 판단하고(S31), 판단 결과 추출한 번호판이 가림 또는 지움 번호판인 경우(S31-Y), 추출한 번호판의 인식 실패 원인이 가림 또는 지움 번호판이기 때문인 것으로 판단한다(S32).
반면, 추출한 번호판이 가림 또는 지움 번호판이 아닐 경우(S31-N), 꺾임 판단부(32)는 추출한 번호판이 꺾임 번호판인지 딥 러닝 인식 기술을 통해 판단하고(S33), 판단 결과 추출한 번호판이 꺾임 번호판인 경우(S33-Y), 추출한 번호판의 인식 실패 원인이 꺾임 번호판이기 때문인 것으로 판단한다(S34).
반면, 추출한 번호판이 꺾임 번호판이 아닐 경우(S33-N), 환경 요인 판단부(33)는 추출한 번호판의 인식 실패 원인이 환경 요인 때문인 것으로 판단한다(S35).
도 6은 본 발명의 일 실시예에 따른 사전 판단부의 기능 블록도이고, 도 7은 본 발명의 일 실시예에 따른 인식 실패 원인 사전 판단 과정을 보다 상세하게 도시한 흐름도이며, 도 8은 본 발명의 일 실시예에 따른 온전한 번호판의 규격을 도시한 표이다. 그리고 도 9는 본 발명의 일 실시예에 따른 꺾임 번호판의 예를 도시한 도면이다.
도 6을 참조하면, 사전 판단부(20)는 가림 사전 판단부(21) 및 꺾임 사전 판단부(22)를 포함할 수 있다.
만약, 천과 같은 가림막을 이용하여 차량 번호판의 전체를 가림으로써 차량 번호의 인식을 불가능하게 하는 경우 번호판 추출에 실패하게 된다. 때문에, 가림 사전 판단부(21)는 번호판 인식부(10)가 수집한 이미지에서 번호판 추출의 실패 여부를 판단하고, 번호판 인식부(10)에서 번호판 추출에 실패한 경우 번호판 가림에 의해 차량 번호 인식에 실패한 것으로 사전 판단할 수 있다. 바람직하게, 이와 같이 번호판이 완전히 가려져서 차량 번호 인식에 실패한 경우는 지극히 의도적인 번호판 가림으로 판단할 수 있는데 번호판의 일부가 가려진 경우는 완전히 가려진 경우에 비하여 비의도적인 번호판 가림일 확률이 높으므로, 통계 생성부(40)는 인식 실패의 원인이 꺾임 사전 판단부(22)에 의해 번호판 가림으로 사전 판단된 경우와 꺾임 판단부(32)에 의해 번호판 가림으로 판단된 경우를 별도 항목으로 통계할 수 있다.
만약, 번호판의 모서리 측을 꺾음으로써 차량 번호의 인식을 불가능하게 하는 경우 번호판의 형상은 3각형 또는 오각형 또는 6개 이상의 각을 갖는 다각형이 될 것이다. 때문에, 꺾임 사전 판단부(22)는 추출된 번호판의 형상이 직사각형인지 판단하고 추출된 번호판의 형상이 직사각형이 아니면 번호판 꺾임으로 인해 차량 번호 인식에 실패한 것으로 판단할 수 있다.
하지만, 번호판의 하단부를 꺾어 차량 번호의 하단부가 촬영되지 않도록 함으로써 차량 번호의 인식을 불가능하게 하는 경우도 존재하는데 이와 같은 경우 추출되는 번호판은 온전한 번호판과 마찬가지로 직사각형을 이루게 된다. 이와 같이 번호판의 하단부 꺾음에 의한 차량 번호 인식 원인을 사전 판단하기 위해 꺾임 사전 판단부(22)는 추출된 번호판의 가로/세로 비율에 기초하여 차량번호 인식 실패의 원인이 번호판 꺾임에 의한 것인지 여부를 사전 판단할 수 있다.
보다 구체적으로 설명하면, 꺾임 사전 판단부(22)는 추출된 번호판의 가로/세로 비율을 검출하고, 검출한 가로/세로 비율을 온전한 번호판의 비율과 비교하며, 비교 결과 검출한 가로/세로 비율이 온전한 번호판의 비율에 비해 허용 범위를 벗어난 차이를 보이면 번호판 꺾임으로 인해 차량 번호 인식에 실패한 것으로 사전 판단할 수 있다. 도 8의 표를 참조하면 번호판은 정해진 규격을 갖는데, 국내의 구 번호판 규격은 가로 355mm 세로 170mm이며, 국내의 신 번호판 짧은 규격은 가로 355mm 세로 155mm이고, 국내의 신 번호판 긴 규격은 가로 520mm 세로 110mm임을 알 수 있다. 도 9와 같이 하단부가 꺾여진 번호판(N)의 경우 가로의 길이(L1) 대비 세로의 길이(L2)가 짧아져 온전한 번호판의 비율에 비해 허용 범위를 벗어난 차이를 보이게 되며, 꺾임 사전 판단부(22)는 이와 같이 추출된 번호판의 가로/세로 비율이 온전한 번호판의 비율에 비해 허용 범위를 벗어난 차이를 보이는 경우 번호판 꺾임으로 인해 차량 번호 인식에 실패한 것으로 사전 판단할 수 있다.
도 7을 참조하여 사전 판단부(20)의 사전 판단 과정을 살펴보면, 우선 가림 사전 판단부(21)는 번호판 인식부(10)에서 번호판 추출이 실패하였는지 판단할 수 있다(S21). 만약, 번호판 추출에 실패하였다면(S21-N), 가림 사전 판단부(21)는 번호판 가림에 의해 차량 번호 인식이 실패한 것으로 사전 판단할 수 있다(S22).
반면에, 번호판 추출에 성공하였다면(S21-Y), 꺾임 사전 판단부(22)는 추출된 번호판이 직사각형 형태인지 판단하고(S23), 만약 직사각형 형태가 아니라면(S21-N), 꺾임 사전 판단부(22)는 번호판 꺾임에 의해 차량 번호 인식이 실패한 것으로 사전 판단할 수 있다(S24).
반면에, 추출된 번호판이 직사각형 형태라면(S22-Y), 꺾임 사전 판단부(22)는 추출된 번호판()의 가로/세로 비율을 검출하고(S25), 검출한 가로/세로 비율이 온전한 번호판의 가로/세로 비율과 허용 범위 이내의 비율 차를 보이는지 판단할 수 있다(S26). 만약, 허용 범위를 벗어난 비율 차를 보인다면(S26-N), 꺾임 사전 판단부(22)는 번호판 꺾임에 의해 차량 번호 인식이 실패한 것으로 사전 판단할 수 있다(S24).
반면에, 허용 범위 이내의 비율 차를 보인다면(S26-Y), 꺾임 사전 판단부(22)는 사전 판단을 보류하고 사전 판단을 종료한다(S27).
이와 같이 사전 판단이 보류되고 종료된 경우, 원인 판단부(30)에서 딥 러닝 인식 기술을 이용하여 차량 번호 인식이 실패한 원인을 판단하고, 만약, 사전 판단부(20)에서 사전 판단에 성공한 경우 상술한 바와 같이 원인 판단부(30)는 별도의 판단 과정을 거치지 않고 사전 판단 결과를 그대로 차용하여 차량 번호 인식 실패 원인을 판단한다. 때문에, 본 실시예에 따른 분석 및 통계 방법의 이러한 사전 판단 과정은 차량 번호 인식 실패 원인의 판단 과정을 간소화할 수 있는 효과가 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
1: 영상 촬영 장치
3: 서버
5: 네트워크
10: 번호판 인식부
20: 사전 판단부
21: 가림 사전 판단부
22: 꺾임 사전 판단부
30: 원인 판단부
31: 가림 및 지움 판단부
32: 꺾임 판단부
33: 환경 요인 판단부
40: 통계 생성부

Claims (7)

  1. 수집한 이미지에서 영상 촬영 장치의 번호판 인식부가 번호판을 추출하고 차량 번호를 인식하는 단계;
    차량 번호 인식에 실패하면, 상기 영상 촬영 장치의 사전 판단부가 차량 번호 인식에 실패한 이미지의 차량 번호 인식 실패 원인을 사전 판단하는 단계;
    서버의 원인 판단부가 차량 번호 인식에 실패한 이미지를 상기 영상 촬영 장치로부터 수신하고, 수신한 이미지의 차량 번호 인식 실패 원인을 판단하는 단계; 및
    상기 서버의 통계 생성부가 상기 차량 번호의 인식 실패 사례를 시간, 장소 및 상기 인식 실패 원인별로 통계하는 단계를 포함하고,
    상기 사전 판단하는 단계는,
    상기 사전 판단부의 가림 사전 판단부가, 수집한 상기 이미지에서 상기 번호판이 추출되었는지 판단하고 상기 번호판이 추출되지 않았다면 번호판 가림에 의해 상기 차량 번호 인식에 실패한 것으로 사전 판단하는 단계;
    수집한 상기 이미지에서 상기 번호판이 추출된 경우 상기 사전 판단부의 꺾임 사전 판단부가 추출된 상기 번호판의 형상이 직사각형인지 판단하고 상기 번호판의 형상이 직사각형이 아니면 번호판 꺾임으로 인해 상기 차량 번호 인식에 실패한 것으로 사전 판단하는 단계; 및
    수집한 상기 이미지에서 상기 번호판이 추출되고 추출된 상기 번호판의 형상이 직사각형인 경우 상기 꺾임 사전 판단부가 추출된 상기 번호판의 가로/세로 비율에 기초하여 상가 차량 번호 인식 실패의 원인이 번호판 꺾임에 의한 것인지 여부를 사전 판단하는 단계를 포함하며,
    상기 사전 판단부에 의해 원인이 도출되면, 상기 인식 실패 원인을 판단하는 단계에서 상기 원인 판단부는 별도의 원인 판단 과정을 거치지 않고 상기 사전 판단부에 의해 도출된 원인을 상기 인식 실패 원인으로 판단하는 것을 특징으로 하는 차량 번호 인식 실패 원인 분석 및 통계 방법.
  2. 제 1 항에 있어서, 상기 인식 실패 원인을 판단하는 단계는
    추출한 상기 번호판이 가려지거나 또는 번호가 지워진 번호판인지 딥 러닝 인식 기술을 통해 판단하는 단계;
    추출한 상기 번호판이 꺾인 번호판인지 딥 러닝 인식 기술을 통해 판단하는 단계; 및
    추출한 상기 번호판이 가려지거나 또는 번호가 지워지거나 또는 꺾여진 번호판이 아닌 경우, 상기 인식 실패 원인을 환경 요인으로 판단하는 단계를 포함하는 것을 특징으로 하는 차량 번호 인식 실패 원인 분석 및 통계 방법.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제 1 항에 있어서, 상기 사전 판단하는 단계는
    추출된 상기 번호판의 가로/세로 비율을 검출하는 단계;
    검출한 상기 가로/세로 비율을 온전한 번호판 비율과 비교하는 단계; 및
    비교 결과 검출한 상기 가로/세로 비율이 온전한 번호판 비율에 비해 허용범위를 벗어난 차이를 보이면 번호판 꺾임으로 인해 상기 차량 번호 인식에 실패한 것으로 사전 판단하는 단계를 포함하는 것을 특징으로 하는 차량 번호 인식 실패 원인 분석 및 통계 방법.

KR1020200089683A 2020-07-20 2020-07-20 차량 번호 인식 실패 원인 분석 및 통계 방법 KR102288098B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200089683A KR102288098B1 (ko) 2020-07-20 2020-07-20 차량 번호 인식 실패 원인 분석 및 통계 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200089683A KR102288098B1 (ko) 2020-07-20 2020-07-20 차량 번호 인식 실패 원인 분석 및 통계 방법

Publications (1)

Publication Number Publication Date
KR102288098B1 true KR102288098B1 (ko) 2021-08-11

Family

ID=77313899

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200089683A KR102288098B1 (ko) 2020-07-20 2020-07-20 차량 번호 인식 실패 원인 분석 및 통계 방법

Country Status (1)

Country Link
KR (1) KR102288098B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101246120B1 (ko) * 2012-07-26 2013-03-22 주식회사 비스타씨엔씨 전후면 번호판 영상 기반 차량번호 인식 시스템
KR101595544B1 (ko) * 2015-03-11 2016-03-21 한국도로공사 지능형교통시스템 영상장치의 인식 정확성 검증을 위한 장치 및 방법
KR101747919B1 (ko) 2016-06-28 2017-06-15 김보성 차량의 번호판 인식 장치
JP2018079732A (ja) * 2016-11-14 2018-05-24 株式会社日立製作所 異常検出装置および異常検出方法
KR20190058863A (ko) * 2017-11-22 2019-05-30 한국도로공사 학습 알고리즘을 이용한 차량번호 인식 시스템 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101246120B1 (ko) * 2012-07-26 2013-03-22 주식회사 비스타씨엔씨 전후면 번호판 영상 기반 차량번호 인식 시스템
KR101595544B1 (ko) * 2015-03-11 2016-03-21 한국도로공사 지능형교통시스템 영상장치의 인식 정확성 검증을 위한 장치 및 방법
KR101747919B1 (ko) 2016-06-28 2017-06-15 김보성 차량의 번호판 인식 장치
JP2018079732A (ja) * 2016-11-14 2018-05-24 株式会社日立製作所 異常検出装置および異常検出方法
KR20190058863A (ko) * 2017-11-22 2019-05-30 한국도로공사 학습 알고리즘을 이용한 차량번호 인식 시스템 및 그 방법

Similar Documents

Publication Publication Date Title
CN106504353B (zh) 车辆收费方法和装置
US10950124B2 (en) License plate recognition
US20170032199A1 (en) Video data analyzing method and apparatus and parking lot monitoring system
CN102542807A (zh) Rfid/vfid综合比对智能车辆管理系统及方法
KR101057882B1 (ko) 휴대용 불법단속 및 교통위반단속 시스템
KR102256802B1 (ko) 반사경 카메라를 이용한 무인주차　불법 꼬리물기 관리 시스템 및 방법
CN111064925A (zh) 地铁乘客逃票行为检测方法和系统
CN106571040B (zh) 一种可疑车辆确认方法及设备
CN108765975A (zh) 路侧垂直停车场管理系统及方法
KR102090907B1 (ko) 영상개선 및 딥러닝 기술을 접목한 차량검출 및 번호인식 방법과 이를 이용한 주차시스템
US11348415B2 (en) Cognitive automation platform for providing enhanced automated teller machine (ATM) security
KR102288098B1 (ko) 차량 번호 인식 실패 원인 분석 및 통계 방법
CN106780886A (zh) 一种车辆识别系统和车辆进场、出场识别方法
KR20170084463A (ko) 차량 인증 장치 및 차량 인증 방법
CN111833045A (zh) 防止付款码盗刷的方法及装置
CN113298988B (zh) 电子收费站车辆通行方法、系统、电子设备及存储介质
CN106530739A (zh) 一种基于多摄像装置的车牌识别方法、装置及其系统
CN108205670B (zh) 一种车牌识别方法及装置
US20230252864A1 (en) Currency trapping detection
CN112017310A (zh) 具有电磁干扰的情况下的车辆监测方法和路网监测系统
KR20210066081A (ko) 태국 자동차 번호 인식이 가능한 주차 관제 시스템 및 그 방법
CN115238275B (zh) 一种基于安全态势感知的勒索软件检测方法及系统
KR102435435B1 (ko) 인공지능 기반 차량번호 및 보행자 검색 시스템 및 방법
GB2442504A (en) Face recognition system, security system comprising same and method for operating same
CN111341040A (zh) 一种金融自助设备及其管理系统

Legal Events

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