KR102362293B1 - 차량 출입 관리 시스템 및 차량 출입 관리 방법 - Google Patents

차량 출입 관리 시스템 및 차량 출입 관리 방법 Download PDF

Info

Publication number
KR102362293B1
KR102362293B1 KR1020210054336A KR20210054336A KR102362293B1 KR 102362293 B1 KR102362293 B1 KR 102362293B1 KR 1020210054336 A KR1020210054336 A KR 1020210054336A KR 20210054336 A KR20210054336 A KR 20210054336A KR 102362293 B1 KR102362293 B1 KR 102362293B1
Authority
KR
South Korea
Prior art keywords
analysis
vehicle
value
reanalysis
entering
Prior art date
Application number
KR1020210054336A
Other languages
English (en)
Inventor
임종윤
Original Assignee
주식회사 실리콘큐브
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 주식회사 실리콘큐브 filed Critical 주식회사 실리콘큐브
Priority to KR1020210054336A priority Critical patent/KR102362293B1/ko
Application granted granted Critical
Publication of KR102362293B1 publication Critical patent/KR102362293B1/ko
Priority to PCT/KR2022/006052 priority patent/WO2022231318A1/ko

Links

Images

Classifications

    • G06Q50/30—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Operations Research (AREA)

Abstract

본 발명의 일실시예는 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 입차 관리 단말; 각 상기 입차 차량의 상기 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 수신하고, 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 서버; 및 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 출차 관리 단말을 포함하고, 상기 출차 관리 단말은 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단하는 것인 차량 출입 관리 시스템을 제공한다.

Description

차량 출입 관리 시스템 및 차량 출입 관리 방법{VEHICLE ACCESS MANAGEMENT SYSTEM AND VEHICLE ACCESS MANAGEMENT METHOD THEREOF}
본 발명은 차량 출입 관리 시스템 및 차량 출입 관리 방법에 관한 것으로, 더욱 상세하게는 차량의 번호를 정확히 인식하여 차량 출입 관리의 정확도를 높일 수 있는 차량 출입 관리 시스템 및 차량 출입 관리 방법에 관한 것이다.
차량 출입 관리 시스템은 주차장과 같이 차량의 출입 관리가 필요한 장소의 출입구에 설치된다. 이미지 인식 기술의 발전으로 차량의 번호판 이미지로부터 차량번호의 자동 인식이 가능해졌으며, 현재는 많은 차량 출입 관리 시스템이 차량 번호를 자동으로 인식하고 있다.
도 1은 주차장의 출입구(1)에 설치된 종래의 차량 출입 관리 시스템으로, 입차 관리 단말(2)은 입차 차량(4a)을 바라보고 출차 관리 단말(3)은 출차 차량(4b)을 바라보도록 설치된다. 특히 차량의 식별은 차량 번호를 기준으로 이루어지므로, 입차 관리 단말과 출차 관리 단말은 번호판(5)의 촬영이 용이한 위치에 설치된다.
한편 차량 출입 관리 시스템이 차량번호를 오인식하는 상황은 꾸준히 발생하고 있다. 차량번호의 오인식은 번호판(5)이 촬영되는 각도나 번호판에 묻은 이물, 또는 안개, 조명과 같은 주변 환경 변화가 주요 원인이다. 즉 차량번호 인식 값은 동일한 번호판을 동일 POV(Position Of View)에서 인식하더라도 매번 다를 수 있는 것이다.
도 2는 번호판의 이물로 인해 발생할 수 있는 차량번호의 오인식 예를 설명하기 위한 도면이다. 도 2에 도시된 바와 같이 입차 시 번호판(5)에 묻은 일시적 오염물(S)이 출차 시 제거되는 경우가 발생한다. 이 경우 입차 관리 단말(2)은 차량번호가 '7359'인 번호판을 '7369'로 오인식할 수 있다. 또한 출차 시에는 오염물(S)이 제거된 상태이므로 출차 관리 단말(3)은 차량번호가 '7359'인 번호판을 '7359'로 정인식할 수 있다.
이처럼 동일한 번호판을 인식한 결과가 서로 다를 경우, 출차 관리 단말(3)이 차량번호가 '7359'인 차량의 입차 정보를 알 수 없게 되므로 차량 출입 관리가 부정확해지는 문제가 있다.
전술한 문제점을 해결하기 위해 본 발명이 이루고자 하는 기술적 과제는 차량의 번호를 정확히 인식하여 차량 출입 관리의 정확도를 높일 수 있는 차량 출입 관리 시스템 및 차량 출입 관리 방법을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일실시예는 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 입차 관리 단말; 각 상기 입차 차량의 상기 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 수신하고, 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 서버; 및 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 출차 관리 단말을 포함하고, 상기 출차 관리 단말은 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단할 수 있다.
상기 입차 차량의 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값은 상기 서버 또는 상기 출차 관리 단말이 접근 가능한 출입 데이터베이스에 상기 입차 차량 별로 매칭되어 저장될 수 있다.
상기 입차 관리 단말은 상기 번호판 이미지를 입력받아 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 결과 값으로 생성하는 엣지 인공신경망 모듈을 포함하고, 상기 서버는 상기 번호판 이미지를 입력받아 상기 입차 차량번호 재분석 값 및 상기 재분석에 대한 재분석 신뢰도 값을 결과 값으로 도출하는 적어도 하나의 재분석용 인공신경망 모듈을 포함하고, 상기 엣지 인공신경망 모듈과 상기 재분석용 인공신경망 모듈은 서로 상이할 수 있다.
상기 분석 신뢰도 값은 상기 출입 데이터베이스에 상기 입차 차량 별로 매칭되어 저장되고, 상기 서버는 상기 분석 신뢰도 값이 낮은 입차 차량 순으로 결정된 재분석 우선순위에 따라 상기 재분석을 수행할 수 있다.
상기 서버는 어느 하나의 입차 차량의 상기 재분석 신뢰도 값이 상기 분석 신뢰도 값보다 높으면, 상기 어느 하나의 입차 차량의 분석 신뢰도 값을 상기 재분석 신뢰도 값으로 갱신할 수 있다.
상기 재분석 우선순위는 상기 분석 신뢰도 값의 갱신이 이루어질 때마다 상기 분석 신뢰도 값이 낮은 입차 차량 순으로 다시 결정될 수 있다.
상기 서버는 서로 다른 복수의 재분석용 인공신경망 모듈을 구비하고, 어느 하나의 상기 입차 차량에 대한 상기 재분석은 제1 내지 k 단계로 순차적으로 이루어지고, 상기 서버는 상기 제1 내지k 단계마다 다른 재분석용 인공신경망 모듈을 이용하여 임시 입차 차량번호 재분석 값 및 임시 재분석 신뢰도 값을 생성하고, 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면 상기 특정 단계에서의 상기 임시 입차 차량번호 재분석 값을 상기 어느 하나의 입차 차량에 대한 상기 입차 차량번호 재분석 값으로 결정하고, 상기 특정 단계에서 상기 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석을 수행할 수 있다.
상기 서버는 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면, 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값을 상기 어느 하나의 입차 차량에 대한 상기 재분석 신뢰도 값으로 결정하고, 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값을 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값으로 갱신할 수 있다.
상기 서버는 상기 어느 하나의 입차 차량에 대한 상기 재분석 시 마지막으로 수행된 단계에 대한 정보를 상기 출입 데이터베이스에 저장하고, 상기 어느 하나의 입차 차량에 대한 상기 재분석을 다시 수행하게 되면 상기 마지막으로 수행된 단계 이후의 단계부터 상기 재분석을 수행할 수 있다.
상기 서버는 상기 어느 하나의 입차 차량에 대한 상기 재분석이 상기 k 단계까지 완료되면 상기 어느 하나의 입차 차량을 상기 재분석 대상에서 제외할 수 있다.
상기 재분석용 인공신경망 모듈은 이미지 전처리 유닛 및 재분석용 인공신경망 모델을 포함하고, 각각의 상기 재분석용 인공신경망 모듈에 속한 상기 이미지 전처리 유닛과 상기 재분석용 인공신경망 모델의 조합은 각각의 상기 재분석용 인공신경망 모듈 별로 상이할 수 있다.
상기 서버는 상기 입차 관리 단말 또는 상기 출차 관리 단말의 식별 정보에 기초하여 상기 입차 관리 단말 또는 상기 출차 관리 단말이 설치된 지역의 번호판 타입을 판단하고, 상기 번호판 타입에 대한 재분석 이력에 기초하여 상기 번호판 타입에 대한 과거 재분석 신뢰도 값들의 평균이 높은 순으로 상기 복수의 재분석용 인공신경망 모듈을 상기 제1 내지 k 단계에 배정할 수 있다.
상기 서버는 서로 다른 복수의 재분석용 인공신경망 모듈을 구비하고, 상기 복수의 재분석용 인공신경망 모듈은 각각 재분석을 수행하여 복수의 임시 입차 차량번호 재분석 값을 생성하고, 상기 복수의 임시 입차 차량번호 재분석 값 중 가장 높은 빈도로 생성된 임시 입차 차량번호 재분석 값을 입차 차량번호 재분석 값으로 선정할 수 있다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일실시예는 a) 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 단계; b) 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 단계; c) 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 단계; 및 d) 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단하는 단계를 포함할 수 있다.
상기 b) 단계는 상기 분석 신뢰도 값이 낮은 순으로 상기 입차 차량의 번호판 이미지를 재분석 할 수 있다.
상기 b) 단계에서 상기 재분석은 제1 내지 k 단계로 순차적으로 이루어지고, 각 상기 단계는 서로 다른 재분석용 인공신경망 모듈을 이용해 임시 입차 차량번호 재분석 값 및 임시 재분석 신뢰도 값을 생성하고, 어느 하나의 입차 차량에 대한 상기 재분석 시, 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량의 상기 분석 신뢰도 값 이상이면 상기 특정 단계에서의 상기 임시 입차 차량번호 재분석 값을 상기 어느 하나의 입차 차량의 입차 차량번호 재분석 값으로 결정하고, 상기 특정 단계에서 상기 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석을 수행할 수 있다.
상기 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면, 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값을 상기 어느 하나의 입차 차량에 대한 상기 재분석 신뢰도 값으로 결정하고, 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값을 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값으로 갱신할 수 있다.
상기 어느 하나의 입차 차량에 대한 상기 재분석을 다시 수행할 경우, 다시 수행되는 재분석은 상기 어느 하나의 입차 차량에 대해 마지막으로 수행된 상기 재분석 단계 이후의 재분석 단계부터 이루어질 수 있다.
상기 b) 단계는 서로 다른 복수의 재분석용 인공신경망 모듈을 이용해 각 상기 재분석용 인공신경망 모듈 별로 복수의 임시 입차 차량번호 재분석 값을 생성하는 단계; 및 상기 복수의 임시 입차 차량번호 재분석 값 중 가장 높은 빈도로 생성된 상기 임시 입차 차량번호 재분석 값을 상기 입차 차량번호 재분석 값으로 선정하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 입차 차량의 차량번호 분석 시 입차 차량번호 분석 값과 분석 신뢰도를 생성하고, 분석 신뢰도가 낮은 순으로 번호판 이미지를 재분석할 수 있다. 즉 오인식 가능성이 높은 입차 차량 순으로 재분석이 이루어지므로, 출입 데이터베이스의 전체적인 분석 신뢰도가 효율적으로 개선될 수 있다.
또한 본 발명의 실시예에 따르면 출차 관리 단말은 출차 차량번호 분석 값을 입차 차량번호 분석 값뿐만 아니라 입차 차량번호 재분석 값과도 비교하므로, 입차 차량번호 분석 값과 입차 차량번호 재분석 값 중 어느 하나가 오인식된 경우에도 출차 차량과 입차 차량을 매칭시킬 수 있다.
또한 본 발명의 실시예에 따르면 어느 하나의 입차 차량에 대한 재분석은 복수의 단계로 이루어지며, 각 단계마다 서로 상이한 재분석용 인공신경망 모듈을 활용한다. 이때 특정 단계의 재분석 신뢰도 값이 분석 신뢰도 값에 비해 높으면 해당 단계에서 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석이 이루어지게 된다. 따라서 출입 데이터베이스의 전체적인 분석 신뢰도가 효율적으로 개선될 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 설명 또는 청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 주차장에 설치된 종래의 차량 출입 관리 시스템을 도시한 도면이다.
도 2는 번호판의 이물로 인해 발생할 수 있는 차량번호의 오인식 예를 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 차량 출입 관리 시스템을 도시한 블록도이다.
도 4는 본 발명의 실시예에 따른 입차 관리 단말의 동작 과정을 도시한 흐름도이다.
도 5는 본 발명의 실시예에 따른 재분석 과정을 설명하기 위한 순서도이다.
도 6은 본 발명의 실시예에 따른 출입 데이터베이스가 재분석을 통해 갱신되는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 재분석이 완료된 후의 출입 데이터베이스를 도시한 도면이다.
도 8은 본 발명의 실시예에 따른 재분석용 인공신경망 모듈을 각 재분석의 단계에 배정하는 방법을 설명하는 도면이다.
도 9는 본 발명의 다른 실시예에 따른 재분석 과정을 설명하기 위한 순서도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 3은 본 발명의 실시예에 따른 차량 출입 관리 시스템을 도시한 블록도이다.
도 3에 도시된 바와 같이 차량 출입 관리 시스템은 입차 관리 단말(100), 서버(200) 및 출차 관리 단말(300)을 포함할 수 있다.
입차 관리 단말(100)은 차량의 출입 관리가 필요한 장소의 입구에 설치될 수 있다. 일 예로 차량의 출입 관리가 필요한 장소는 주차장일 수 있다.
입차 관리 단말(100)은 입차 차량 영상 획득부(110) 및 입차 차량번호 인식부(120)를 포함할 수 있다.
입차 차량 영상 획득부(110)는 입차하는 차량을 촬영하여 입차 차량의 이미지를 획득할 수 있다. 일 예로 입차 차량 영상 획득부(110)는 카메라일 수 있다. 입차 차량의 이미지는 번호판 이미지를 포함할 수 있다. 본 발명에서는 입차 차량의 식별을 위해 차량에 부착된 번호판(P) 정보를 이용하는 것을 예로 설명한다. 그러나 차량 출입 관리 시스템이 사용되는 국가나 지역에 따라 다른 식별 수단이 사용될 경우, 입차 차량 영상 획득부(110)는 해당 식별 수단이 포함된 이미지를 촬영할 수도 있음은 물론이다.
입차 차량번호 인식부(120)는 입차 차량의 이미지를 분석해 입차 차량번호 분석 값을 획득할 수 있다. 일 예로 입차 차량번호 인식부(120)는 입차 차량 이미지 내의 번호판 이미지를 식별할 수 있다. 그리고 입차 차량번호 인식부(120)는 입차 차량의 번호판 이미지를 분석하여 입차 차량번호 분석 값을 획득할 수 있다.
입차 차량번호 인식부(120)는 엣지 인공신경망 모듈을 포함할 수 있다. 엣지 인공신경망 모듈은 입차 차량의 번호판 이미지를 분석하여 입차 차량번호 분석 값을 획득하기 위한 수단일 수 있다. 구체적으로 엣지 인공신경망 모듈은 입차 차량의 번호판 이미지를 입력받아 입차 차량번호 분석 값 및 분석 신뢰도 값을 출력할 수 있다. 엣지 인공신경망 모듈은 이미지 전처리 유닛 및 엣지 인공신경망 모델을 포함할 수 있다. 일 예로 이미지 전처리 유닛은 히스토그램 평활화(Histogram equalization), 그림자 제거(Shadow elimination), 콘트라스트 인핸스먼트(Contrast Enhancement), 에지 인핸스먼트(Edge Enhancement) 및 디노이징(Denoising) 중 어느 하나를 수행할 수 있다. 일 예로 엣지 신경망 모델은 일종의 합성곱 신경망(CONVOLUTION NEURAL NETWORK, CNN)일 수 있다.
또한 입차 관리 단말(100)은 입차 차량의 입차 정보를 획득할 수 있다. 일 예로 입차 정보는 차량의 입차 시간일 수 있다. 이러한 입차 정보는 타이머 모듈 등의 공지의 수단에 의해 획득될 수 있다.
그리고 입차 관리 단말(100)은 입차 차량 번호판 이미지, 입차 차량번호 분석 값, 분석 신뢰도 값 및 입차 정보를 서버(200)로 전송할 수 있다.
서버(200)는 출입 데이터베이스(210) 및 번호판 이미지 재분석부(220)를 포함할 수 있다.
출입 데이터베이스(210)는 입차 차량 번호판 이미지, 입차 차량번호 분석 값, 분석 신뢰도 값 및 입차 정보와 같은 데이터들을 저장할 수 있다. 이때 출입 데이터베이스(210)에 저장되는 데이터들은 각 입차 차량마다 별도의 입차 차량 데이터 세트로 그룹화되어 저장될 수 있다. 한편 출입 데이터베이스(210)는 서버(200)의 외부에 구비되어 서버(200)와 통신할 수도 있다.
번호판 이미지 재분석부(220)는 출입 데이터베이스(210)에 저장된 입차 차량 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성할 수 있다. 이처럼 서버(200)에서 재분석을 수행하는 이유는 입차 차량의 차량번호를 보다 정확히 알아내기 위함이다. 엣지 인공신경망 모듈은 입차 관리 단말(100)의 설치 장소나 기기 스펙의 문제로 분석 성능이 제약되는 반면, 서버(200)는 이러한 제약이 적어 복수 또는 고성능의 인공신경망 모듈을 운용할 수 있기 때문이다.
또한 번호판 이미지 재분석부(220)는 하나 이상의 재분석용 인공신경망 모듈(221)을 포함할 수 있다. 각 재분석용 인공신경망 모듈(221)은 이미지 전처리 유닛 및 재분석용 인공신경망 모델을 포함할 수 있다. 일 예로 이미지 전처리 유닛은 히스토그램 평활화(Histogram equalization), 그림자 제거(Shadow elimination), 콘트라스트 인핸스먼트(Contrast Enhancement), 에지 인핸스먼트(Edge Enhancement) 및 디노이징(Denoising) 중 어느 하나를 수행할 수 있다. 일 예로 재분석용 인공신경망 모델은 일종의 합성곱 신경망(CONVOLUTION NEURAL NETWORK, CNN)일 수 있다.
번호판 이미지 재분석부(220)는 분석 신뢰도가 낮은 입차 차량 순으로 번호판 이미지를 재분석 할 수 있다. 재분석이 분석 신뢰도가 낮은 입차 차량에 대해 우선적으로 이루어짐에 따라 출입 데이터베이스(210)의 전체적인 분석 신뢰도는 효율적으로 개선될 수 있다. 그리고, 입차 차량번호 재분석 값은 재분석의 기초가 된 입차 차량과 매칭되어 출입 데이터베이스(210)에 저장될 수 있다. 예컨대 A 차량에 대한 입차 차량번호 재분석 값은 A 차량에 대한 입차 차량 데이터 세트에 추가될 수 있다.
또한 재분석용 인공신경망 모듈(221)은 엣지 인공신경망 모듈과 상이한 인공신경망 모듈일 수 있다. 일 예로, 재분석용 인공신경망 모듈(221)에 포함된 이미지 전처리 유닛과 인공신경망 모델의 조합은 엣지 인공신경망 모듈과 상이할 수 있다.
또한 번호판 이미지의 재분석은 1 내지 k 단계로 이루어질 수 있다. 번호판 이미지가 재분석되는 구체적인 과정은 도 6을 통해 상세히 살펴보기로 한다.
출차 관리 단말(300)은 차량의 출입 관리가 필요한 장소의 출구에 설치될 수 있다.
출차 관리 단말(300)은 서버(200)와 통신하여 입차 차량번호 분석 값, 입차 차량번호 재분석 값 및 입차 정보를 수신할 수 있다. 또한 출차 관리 단말(300)은 수신한 데이터들을 입차 차량별로 구분하여 저장할 수 있다. 한편 출차 관리 단말(300)은 수신한 데이터들을 저장하는 대신 출입 데이터베이스(210)를 조회하는 방식으로 차량의 출입을 관리할 수도 있음은 물론이다.
출차 관리 단말(300)은 출차 차량 영상 획득부(310), 출차 차량번호 인식부(320) 및 판단부(330)를 포함할 수 있다.
출차 차량 영상 획득부(310)는 출차하는 차량을 촬영하여 출차 차량의 이미지를 획득할 수 있다. 일 예로 출차 차량 영상 획득부(310)는 카메라일 수 있다. 출차 차량의 이미지는 번호판 이미지를 포함할 수 있다.
출차 차량번호 인식부(320)는 출차 차량의 이미지를 분석해 출차 차량번호 분석 값을 획득할 수 있다. 일 예로 출차 차량번호 인식부(320)는 출차 차량의 이미지 내의 번호판 이미지를 식별할 수 있다. 그리고 출차 차량번호 인식부(320)는 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득할 수 있다.
출차 차량번호 인식부(320)는 엣지 인공신경망 모듈을 포함할 수 있다. 엣지 인공신경망 모듈은 출차 차량의 번호판 이미지를 입력받아 출차 차량번호 분석 값을 출력할 수 있다. 이때 출차 차량번호 인식부(320)에 포함된 엣지 인공신경망 모듈은 입차 차량번호 인식부(120)에 포함된 엣지 인공신경망 모듈과 동일한 인공신경망 모듈일 수 있다.
한편 도 2에서 설명한 바와 같이 입차 관리 단말(100)과 출차 관리 단말(300)에 포함된 엣지 인공신경망 모듈이 동일하더라도 입차 차량번호 분석 값과 출차 차량번호 분석 값은 서로 상이할 수 있다. 예컨대 입차 차량과 출차 차량의 차량번호가 '7359'로 동일하더라도 번호판에 묻은 이물, 안개, 조명 등의 주변 환경으로 인해 각 단말의 차량번호 분석 값이 서로 다를 수 있는 것이다.
이에 본 발명의 실시예에 따른 판단부(330)는 출차 차량번호 분석 값을 각 입차 차량번호 분석 값뿐만 아니라 입차 차량번호 재분석 값과도 비교할 수 있다.
구체적으로 판단부(330)는 제1 출차 차량에 대한 출차 차량번호 분석 값이 제1 입차 차량의 입차 차량번호 분석 값 및 입차 차량번호 재분석 값 중 적어도 하나와 일치하면 제1 출차 차량이 제1 입차 차량인 것으로 판단할 수 있다.
일 예로 도 2와 같이 차량번호가 '7359'인 제1 입차 차량에 대한 입차 차량번호 분석 값은 일시적 이물로 인해 '7369'로 오인식될 수 있다. 이때 재분석을 통해 인식된 입차 차량번호 재분석 값은 '7359'일 수 있다. 이는 입차 차량번호 재분석 값이 엣지 인공신경망 모듈과는 다른 하나 이상의 재분석용 인공신경망 모듈(221)을 이용해 재분석된 결과이기 때문이다. 제1 출차 차량에 대한 출차 차량번호 분석 값이 '7359'인 경우, 제1 출차 차량의 출차 차량번호 분석 값은 제1 입차 차량의 입차 차량번호 분석 값과는 상이하나 입차 차량번호 재분석 값과는 일치한다. 그리고 판단부(330)는 제1 출차 차량이 제1 입차 차량인 것으로 판단할 수 있다. 그리고 출차 관리 단말(300)은 주차비의 정산 등 차랑 출입 관리에 필요한 프로세스를 수행할 수 있다.
도 4는 본 발명의 실시예에 따른 입차 관리 단말(100)의 동작 과정을 도시한 흐름도이다.
도 4에 도시된 바와 같이 입차 관리 단말(100)은 입차 차량을 촬영하여 입차 차량의 이미지를 획득할 수 있다.(S110)
그리고 입차 차량번호 인식부(120)는 입차 차량의 이미지로부터 입차 차량의 번호판 이미지를 획득할 수 있다.(S120) 이때 번호판(P)은 일시적 이물(S)이 묻은 상태로 가정하였다.
그리고 엣지 인공신경망 모듈은 입차 차량 번호판 이미지를 입력받아 입차 차량번호 분석 값 및 분석 신뢰도를 출력할 수 있다.(S130) 엣지 인공신경망 모듈은 차량의 번호판 이미지를 전처리하는 이미지 전처리 유닛과, 엣지 인공신경망 모델을 포함할 수 있다. 일 예로 이미지 전처리 유닛은 히스토그램 평활화(Histogram equalization), 그림자 제거(Shadow elimination), 콘트라스트 인핸스먼트(Contrast Enhancement), 에지 인핸스먼트(Edge Enhancement) 및 디노이징(Denoising) 중 어느 하나를 수행할 수 있다.
엣지 인공신경망 모델은 입차 차량의 번호판 이미지를 기초로 입차 차량번호 분석 값 및 분석 신뢰도를 생성하기 위한 복수의 가중치를 포함할 수 있다. 이러한 복수의 가중치는 차량의 번호판 이미지와 해당 번호판의 실제 차량번호로 이루어진 데이터 세트를 엣지 인공신경망 모델이 학습함으로써 결정될 수 있다. 일 예로 엣지 인공신경망 모델은 인풋 레이어, 적어도 하나의 히든 레이어 및 아웃풋 레이어를 포함할 수 있다.
도 5는 본 발명의 실시예에 따른 재분석 과정을 설명하기 위한 순서도이다. 도 6은 본 발명의 실시예에 따른 출입 데이터베이스(210)가 재분석을 통해 갱신되는 과정을 설명하기 위한 도면이다.
도 5 내지 6을 참조하여 번호판 이미지 재분석부(220)가 출입 데이터베이스(210)에 저장된 입차 차량 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 예를 설명한다.
먼저 번호판 이미지 재분석부(220)는 출입 데이터베이스(210)에 저장된 입차 차량 데이터 세트들 중 분석 신뢰도가 가장 낮은 입차 차량 데이터 세트를 선택할 수 있다.(S210)
그리고 번호판 이미지 재분석부(220)는 선택된 입차 차량 데이터에 속한 번호판 이미지의 과거 재분석 단계를 확인할 수 있다.(S220) 즉, 번호판 이미지 재분석부(220)는 선택된 입차 차량 데이터 세트가 마지막으로 재분석된 단계를 확인할 수 있다. 일 예로, 선택된 입차 차량 데이터 세트가 과거에 1단계 재분석(S230a)까지 수행되었다면, 선택된 입차 차량 데이터 세트에 대한 2단계 재분석(S230b)이 이루어질 수 있다.
만약 선택된 입차 차량 데이터 세트의 과거 재분석 수행 이력이 없다면, 선택된 입차 차량 데이터 세트에 대한 1단계 재분석이 수행될 수 있다.(S230a)
번호판 이미지의 재분석은 1 내지 k 단계로 이루어질 수 있다.(S230) 그리고 각 재분석 단계는 이미지 전처리 유닛으로 선택된 입차 차량 데이터 세트의 번호판 이미지를 전처리 하는 단계(S231a~S231k) 및 재분석용 인공신경망 모델로 차량번호를 인식하는 단계(S232a~S232k)를 포함할 수 있다.
이때 각 단계의 재분석에서 사용되는 재분석용 인공신경망 모듈(221)은 서로 상이할 수 있다. 이는 재분석용 인공신경망 모듈(221)에 포함된 이미지 전처리 유닛과 재분석용 인공신경망 모델의 조합이 각 단계마다 서로 상이함을 의미한다. 일 예로 1단계 재분석(230a)의 제1 재분석용 인공신경망 모듈(221)과 2단계 재분석(230a)의 제2 재분석용 인공신경망 모듈(221)은 이미지 전처리 유닛이 동일하고, 재분석용 인공신경망 모델이 상이할 수 있다. 또는 1단계 재분석(230a)의 제1 재분석용 인공신경망 모듈(221)과 2단계 재분석(230a)의 제2 재분석용 인공신경망 모듈(221)은 이미지 전처리 유닛이 상이하고, 재분석용 인공신경망 모델도 상이할 수 있다. 따라서 각 재분석 단계에서 출력되는 입차 차량번호 재분석 값은 입력되는 번호판 이미지가 동일한 경우에도 서로 다를 수 있다.
도 6을 함께 참조하여 재분석이 이루어지는 예를 설명하기로 한다. 도 6의 (a)에 도시된 바와 같이 출입 데이터베이스(210)에는 제1 내지 N 차량에 대한 제1 내지 N의 입차 차량 데이터 세트가 저장되어 있다.
번호판 이미지 재분석부(220)는 복수의 입차 차량 데이터 세트들 중 가장 분석 신뢰도가 낮은 D 입차 차량 데이터 세트에 대한 재분석을 수행할 수 있다. 이때 D 입차 차량 데이터 세트는 이전 분석 진행 사항이 없으므로, 1단계 재분석이 수행될 수 있다.
이하에서는 설명의 편의를 위해 각 재분석 단계의 출력을 임시 입차 차량번호 재분석 값과 임시 재분석 신뢰도 값으로 칭하기로 한다.
번호판 이미지 재분석부(220)는 특정 단계에서의 임시 재분석 신뢰도 값이 분석 신뢰도 값 이상이면 임시 재분석 신뢰도 값을 재분석 신뢰도 값으로 결정하고 임시 입차 차량번호 재분석 값을 입차 차량번호 재분석 값으로 결정할 수 있다. 그리고 번호판 이미지 재분석부(220)는 현재 진행중인 입차 차량 데이터 세트에 대한 재분석을 종료할 수 있다. 그리고, 분석 신뢰도 값은 재분석 신뢰도 값으로 갱신될 수 있다. 그리고 입차 차량번호 재분석 값은 해당 차량의 입차 차량 데이터 세트에 추가될 수 있다. 만약 기 저장된 입차 차량번호 재분석 값이 있다면 기 저장된 입차 차량번호 재분석 값은 새로운 입차 차량번호 재분석 값으로 갱신될 수 있다.
만약 특정 단계에서의 임시 재분석 신뢰도 값이 분석 신뢰도 값 미만이면 분석 신뢰도는 갱신되지 않을 수 있다. 그리고 다음 단계의 재분석이 수행될 수 있다.
도 6의 (b)에 도시된 바와 같이 D 입차 차량 데이터 세트는 2단계까지 재분석이 수행되었다. 이는 1단계 재분석에서의 임시 재분석 신뢰도 값이 분석 신뢰도인 65%보다 낮았기 때문이다. 2단계 재분석 시의 임시 재분석 신뢰도 값은 98%이므로, 분석 신뢰도는 98%로 갱신되었다. D 입차 차량 데이터 세트의 이전 분석 진행 단계는 2단계로 기록되었다.
D 입차 차량 데이터 세트에 대한 재분석이 종료되었으므로 다음 재분석 대상이 선정될 수 있다. 이때 재분석 우선순위는 분석 신뢰도 값이 갱신될 때마다 새로 결정될 수 있다. 일 예로 D 입차 차량 데이터 세트의 분석 신뢰도가 74%로 갱신되었다면, 갱신 후에도 D 입차 차량 데이터 세트의 분석 신뢰도가 가장 낮다. 이 경우 D 입차 차량 데이터 세트에 대한 재분석이 또 수행될 수 있다.
다음으로 도 6의 (b)의 출력 데이터베이스에서 분석 신뢰도가 가장 낮은 B입차 차량 데이터 세트의 재분석이 이루어질 수 있다. 도 6의 (c)에 도시된 바와 같이 B입차 차량 데이터 세트는 3단계까지 재분석이 이루어졌으며 분석 신뢰도는 93%로 갱신되었다. 이와 동일한 원리로 도 6의 (d)에서는 A입차 차량 데이터 세트의 분석 신뢰도가 95%로 갱신되었다.
한편, 재분석은 분석 신뢰도가 임계치보다 낮은 입차 차량 데이터 세트에 대하여만 이루어질 수도 있다. 이는 기존의 분석 신뢰도가 높을수록 재분석을 통해 향상될 수 있는 분석 신뢰도가 낮기 때문이다. 도 6의 실시예는 임계치가 90%로 설정된 상태이며, 모든 입차 차량 데이터 세트의 분석 신뢰도가 90% 이상인 상태이다.
그리고 번호판 이미지 재분석부(220)는 임계치에 기초하여 더 이상 재분석을 수행할 입차 차량 데이터 세트가 있는지 판단할 수 있다.(S250) 만약 재분석 대상이 없는 것으로 판단될 시 재분석은 종료될 수 있다.
도 7은 본 발명의 실시예에 따른 재분석이 완료된 후의 출입 데이터베이스(210)를 도시한 도면이다. 도 7에 도시된 바와 같이 각 입차 차량 데이터 세트에는 입차 차량번호 재분석 값 및 입차 차량번호 분석 값이 저장될 수 있다.
이때, N 입차 차량 데이터 세트는 최초 분석 신뢰도가 임계치인 90% 이상이므로 재분석이 수행되지 않은 상태이다. 또한, M 입차 차량 데이터 세트는 입차 차량번호 재분석 값이 입차 차량번호 분석 값과 상이한 상태이다.
M 차량이 출차할 시 출차 관리 단말(300)에서 획득한 출차 차량번호 분석 값은 M 차량의 입차 차량번호 분석 값과 상이할 수도 있다. 이는 도 2에서 설명한 바와 같이 번호판에 묻은 이물, 안개, 조명 등의 주변 환경으로 입차 시와 출차 시의 환경이 다를 수 있기 때문이다. 그러나 본 발명의 실시예에 따른 출차 관리 단말(300)은 출차 차량 번호 분석 값을 M 차량에 대한 입차 차량번호 재분석 값과도 비교하므로, 판단부(330)는 출차 차량이 M 차량인 것으로 판단할 수 있다. 즉 차량 출입 관리는 정확히 이루어질 수 있다.
도 8은 본 발명의 실시예에 따른 재분석용 인공신경망 모듈(221)을 각 재분석의 단계에 배정하는 방법을 설명하는 도면이다.
도 8의 실시예는 2종의 이미지 전처리 유닛과 2종의 재분석용 인공신경망 모델을 사용하는 것으로 가정하여 도시하였다. 따라서 이미지 전처리 유닛과 재분석용 인공신경망 모델의 조합은 2x2로 4가지이다. 환언하면 서로 상이한 4개의 재분석용 인공신경망 모듈(221)이 구성될 수 있다.
도 8의 (a)에 도시된 바와 같이 재분석은 4개의 단계로 이루어질 수 있다. 각 단계에는 서로 상이한 재분석용 인공신경망 모듈(221)이 배치되었다. 그리고 번호판 이미지 재분석부(220)는 각 단계를 순차적으로 수행하여 번호판 이미지를 재분석 할 수 있다.
이때 각 재분석용 인공신경망 모듈(221)의 재분석 이력이 집계될 수 있다. 각 재분석용 인공신경망 모듈(221)의 재분석 이력은 국가나 지역 별로 집계될 수 있다. 도 8의 (a) 실시예에서 1단계 재분석에서 사용된 재분석용 인공신경망 모듈(221)은 B지역의 평균 재분석 신뢰도가 82%로 집계되었다. 또한 2단계 재분석에서 사용된 재분석용 인공신경망 모듈(221)은 B지역의 평균 재분석 신뢰도가 91%로 집계되었다.
그리고 번호판 이미지 재분석부(220)는 입차 관리 단말(100) 또는 출차 관리 단말(300)의 식별 정보에 기초하여 입차 관리 단말(100) 또는 출차 관리 단말(300)이 설치된 지역의 번호판 타입을 판단할 수 있다. 일 예로 식별 정보는 입차 관리 단말(100) 또는 출차 관리 단말(300)이 서버(200)에 접속한 IP 주소 또는 각 단말의 시리얼 넘버일 수 있다. 그리고 번호판 이미지 재분석부(220)는 해당 번호판 타입에 대한 과거 재분석 신뢰도 값들의 평균이 높은 순으로 복수의 재분석용 인공신경망 모듈(221)을 각 단계에 재배정할 수 있다.
일 예로 도 8의 (a)에서 B지역에 대한 평균 재분석 신뢰도는 1단계에 비해 2단계의 재분석용 인공신경망 모듈(221)에서 더 높다. 도 8의 (b)는 재배정이 이루어진 후의 각 단계별 재분석용 인공신경망 모듈(221)을 나타낸 것이다. 도 8의 (b)에 도시된 바와 같이 평균 재분석 신뢰도가 91%인 제1 이미지 전처리 유닛과 제2 재분석용 인공신경망 모델의 조합이 1단계에 배정되었다.
한편, 번호판 이미지 재분석부(220)는 평균 재분석 신뢰도가 하한치 미만인 재분석용 인공신경망 모듈(221)을 재분석 시 배제할 수 있다. 도 8의 (b) 실시예에서 하한치는 50%로 설정되었다. 일 예로 B지역의 번호판 이미지를 재분석 할 경우에는 평균 재분석 신뢰도가 47%인 하나의 재분석용 인공신경망 모듈(221)이 배제될 수 있다. 즉 재분석은 3단계로 이루어질 수 있다.
도 9는 본 발명의 다른 실시예에 따른 재분석 과정을 설명하기 위한 순서도이다. 도 9의 실시예에서 도 5의 실시예와 중복되는 과정의 설명은 생략하기로 한다.
도 9에 도시된 바와 같이 번호판 이미지 재분석부(220)는 출입 데이터베이스(210)에 저장된 입차 차량 데이터 세트들 중 분석 신뢰도가 가장 낮은 입차 차량 데이터 세트를 선택할 수 있다.(S310)
그리고 번호판 이미지 재분석부(220)는 복수의 재분석용 인공신경망 모듈(221)을 이용해 선택된 입차 차량 데이터 세트의 번호판 이미지를 병렬적으로 재분석할 수 있다.(S320)
이때 복수의 재분석용 인공신경망 모듈(221)은 도 5의 실시예와 같이 이미지 전처리 유닛과 재분석용 인공신경망 모델의 조합이 서로 상이한 상태이다.
일 예로 제1 조합에 속한 이미지 전처리 유닛과 재분석용 인공신경망 모델을 이용해 제1 임시 입차 차량번호 재분석 값이 생성될 수 있다. 또한 제2 조합에 속한 이미지 전처리 유닛과 재분석용 인공신경망 모델을 이용해 제2 임시 입차 차량번호 재분석 값이 생성될 수 있다.(S320b) 또한 제k 조합에 속한 이미지 전처리 유닛과 재분석용 인공신경망 모델을 이용해 제k 임시 입차 차량번호 재분석 값이 생성될 수 있다.(S320a~S320k) 이때 S320a 내지 S330k 단계는 병렬적으로 수행될 수 있다.
그리고 번호판 이미지 재분석부(220)는 가장 높은 빈도로 생성된 임시 입차 차량번호 재분석 값을 입차 차량번호 재분석 값으로 선정할 수 있다.(S330)
그리고 번호판 이미지 재분석부(220)는 입차 차량번호 재분석 값을 출입 데이터베이스(210)에 저장될 수 있다.(S340)
그리고 번호판 이미지 재분석부(220)는 다른 입차 차량 데이터 세트를 재분석 할 수 있다. 만약 모든 입차 차량 데이터 세트의 재분석이 완료되었다면 재분석은 종료될 수 있다.(S350)
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 입차 관리 단말 110: 입차 차량 영상 획득부
120: 입차 차량번호 인식부 200: 서버
210: 출입 데이터베이스 220: 번호판 이미지 재분석부
300: 출차 관리 단말 310: 출차 차량 영상 획득부
320: 출차 차량번호 인식부 330: 판단부

Claims (19)

  1. 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 입차 관리 단말;
    각 상기 입차 차량의 상기 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 수신하고, 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 서버; 및
    출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 출차 관리 단말을 포함하고,
    상기 출차 관리 단말은 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단하는 것인 차량 출입 관리 시스템.
  2. 제1항에 있어서,
    상기 입차 차량의 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값은 상기 서버 또는 상기 출차 관리 단말이 접근 가능한 출입 데이터베이스에 상기 입차 차량 별로 매칭되어 저장되는 것인 차량 출입 관리 시스템.
  3. 제2항에 있어서,
    상기 입차 관리 단말은 상기 번호판 이미지를 입력받아 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 결과 값으로 생성하는 엣지 인공신경망 모듈을 포함하고,
    상기 서버는 상기 번호판 이미지를 입력받아 상기 입차 차량번호 재분석 값 및 상기 재분석에 대한 재분석 신뢰도 값을 결과 값으로 도출하는 적어도 하나의 재분석용 인공신경망 모듈을 포함하고,
    상기 엣지 인공신경망 모듈과 상기 재분석용 인공신경망 모듈은 서로 상이한 것인 차량 출입 관리 시스템.
  4. 제3항에 있어서,
    상기 분석 신뢰도 값은 상기 출입 데이터베이스에 상기 입차 차량 별로 매칭되어 저장되고,
    상기 서버는 상기 분석 신뢰도 값이 낮은 입차 차량 순으로 결정된 재분석 우선순위에 따라 상기 재분석을 수행하는 것인 차량 출입 관리 시스템.
  5. 제4항에 있어서,
    상기 서버는 어느 하나의 입차 차량의 상기 재분석 신뢰도 값이 상기 분석 신뢰도 값보다 높으면, 상기 어느 하나의 입차 차량의 분석 신뢰도 값을 상기 재분석 신뢰도 값으로 갱신하는 것인 차량 출입 관리 시스템.
  6. 제5항에 있어서,
    상기 재분석 우선순위는 상기 분석 신뢰도 값의 갱신이 이루어질 때마다 상기 분석 신뢰도 값이 낮은 입차 차량 순으로 다시 결정되는 것인 차량 출입 관리 시스템.
  7. 제3항에 있어서,
    상기 서버는 서로 다른 복수의 재분석용 인공신경망 모듈을 구비하고,
    어느 하나의 상기 입차 차량에 대한 상기 재분석은 제1 내지 k 단계로 순차적으로 이루어지고,
    상기 서버는 상기 제1 내지 k 단계마다 다른 재분석용 인공신경망 모듈을 이용하여 임시 입차 차량번호 재분석 값 및 임시 재분석 신뢰도 값을 생성하고,
    특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면 상기 특정 단계에서의 상기 임시 입차 차량번호 재분석 값을 상기 어느 하나의 입차 차량에 대한 상기 입차 차량번호 재분석 값으로 결정하고, 상기 특정 단계에서 상기 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석을 수행하는 것인 차량 출입 관리 시스템.
  8. 제7항에 있어서,
    상기 서버는 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면, 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값을 상기 어느 하나의 입차 차량에 대한 상기 재분석 신뢰도 값으로 결정하고, 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값을 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값으로 갱신하는 것인 차량 출입 관리 시스템.
  9. 제7항에 있어서,
    상기 서버는 상기 어느 하나의 입차 차량에 대한 상기 재분석 시 마지막으로 수행된 단계에 대한 정보를 상기 출입 데이터베이스에 저장하고,
    상기 어느 하나의 입차 차량에 대한 상기 재분석을 다시 수행하게 되면 상기 마지막으로 수행된 단계 이후의 단계부터 상기 재분석을 수행하는 것인 차량 출입 관리 시스템.
  10. 제7항에 있어서,
    상기 서버는 상기 어느 하나의 입차 차량에 대한 상기 재분석이 상기 k 단계까지 완료되면 상기 어느 하나의 입차 차량을 상기 재분석의 대상에서 제외하는 것인 차량 출입 관리 시스템.
  11. 제7항에 있어서,
    상기 재분석용 인공신경망 모듈은 이미지 전처리 유닛 및 재분석용 인공신경망 모델을 포함하고,
    각각의 상기 재분석용 인공신경망 모듈에 속한 상기 이미지 전처리 유닛과 상기 재분석용 인공신경망 모델의 조합은 각각의 상기 재분석용 인공신경망 모듈 별로 상이한 것인 차량 출입 관리 시스템.
  12. 제7항에 있어서,
    상기 서버는 상기 입차 관리 단말 또는 상기 출차 관리 단말의 식별 정보에 기초하여 상기 입차 관리 단말 또는 상기 출차 관리 단말이 설치된 지역의 번호판 타입을 판단하고, 상기 번호판 타입에 대한 재분석 이력에 기초하여 상기 번호판 타입에 대한 과거 재분석 신뢰도 값들의 평균이 높은 순으로 상기 복수의 재분석용 인공신경망 모듈을 상기 제1 내지 k 단계에 배정하는 것인 차량 출입 관리 시스템.
  13. 제3항에 있어서,
    상기 서버는 서로 다른 복수의 재분석용 인공신경망 모듈을 구비하고,
    상기 복수의 재분석용 인공신경망 모듈은 각각 재분석을 수행하여 복수의 임시 입차 차량번호 재분석 값을 생성하고, 상기 복수의 임시 입차 차량번호 재분석 값 중 가장 높은 빈도로 생성된 임시 입차 차량번호 재분석 값을 입차 차량번호 재분석 값으로 선정하는 것인 차량 출입 관리 시스템.
  14. 차량 출입 관리 시스템을 이용한 차량 출입 관리 방법으로서,
    a) 상기 차량 출입 관리 시스템이 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 단계;
    b) 상기 차량 출입 관리 시스템이 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 단계;
    c) 상기 차량 출입 관리 시스템이 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 단계; 및
    d) 상기 차량 출입 관리 시스템이 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단하는 단계를 포함하는 차량 출입 관리 방법.
  15. 제14항에 있어서,
    상기 b) 단계는 상기 분석 신뢰도 값이 낮은 순으로 상기 입차 차량의 번호판 이미지를 재분석 하는 것인 차량 출입 관리 방법
  16. 제14항에 있어서,
    상기 b) 단계에서 상기 재분석은 제1 내지 k 단계로 순차적으로 이루어지고,
    각 상기 제1 내지 k 단계는 서로 다른 재분석용 인공신경망 모듈을 이용해 임시 입차 차량번호 재분석 값 및 임시 재분석 신뢰도 값을 생성하고,
    어느 하나의 입차 차량에 대한 상기 재분석 시, 상기 제1 내지 k 단계 중 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량의 상기 분석 신뢰도 값 이상이면 상기 특정 단계에서의 상기 임시 입차 차량번호 재분석 값을 상기 어느 하나의 입차 차량의 입차 차량번호 재분석 값으로 결정하고, 상기 특정 단계에서 상기 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석을 수행하는 것인 차량 출입 관리 방법.

  17. 제16항에 있어서,
    상기 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면, 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값을 상기 어느 하나의 입차 차량에 대한 상기 재분석 신뢰도 값으로 결정하고, 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값을 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값으로 갱신하는 것인 차량 출입 관리 방법.
  18. 제16항에 있어서,
    상기 어느 하나의 입차 차량에 대한 상기 재분석을 다시 수행할 경우, 다시 수행되는 재분석은 상기 어느 하나의 입차 차량에 대해 마지막으로 수행된 상기 재분석 단계 이후의 재분석 단계부터 이루어지는 것인 차량 출입 관리 방법.
  19. 제14항에 있어서,
    상기 b) 단계는
    서로 다른 복수의 재분석용 인공신경망 모듈을 이용해 각 상기 재분석용 인공신경망 모듈 별로 복수의 임시 입차 차량번호 재분석 값을 생성하는 단계; 및
    상기 복수의 임시 입차 차량번호 재분석 값 중 가장 높은 빈도로 생성된 상기 임시 입차 차량번호 재분석 값을 상기 입차 차량번호 재분석 값으로 선정하는 단계를 포함하는 것인 차량 출입 관리 방법.
KR1020210054336A 2021-04-27 2021-04-27 차량 출입 관리 시스템 및 차량 출입 관리 방법 KR102362293B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210054336A KR102362293B1 (ko) 2021-04-27 2021-04-27 차량 출입 관리 시스템 및 차량 출입 관리 방법
PCT/KR2022/006052 WO2022231318A1 (ko) 2021-04-27 2022-04-27 차량 출입 관리 시스템 및 차량 출입 관리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210054336A KR102362293B1 (ko) 2021-04-27 2021-04-27 차량 출입 관리 시스템 및 차량 출입 관리 방법

Publications (1)

Publication Number Publication Date
KR102362293B1 true KR102362293B1 (ko) 2022-02-14

Family

ID=80254022

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210054336A KR102362293B1 (ko) 2021-04-27 2021-04-27 차량 출입 관리 시스템 및 차량 출입 관리 방법

Country Status (2)

Country Link
KR (1) KR102362293B1 (ko)
WO (1) WO2022231318A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022231318A1 (ko) * 2021-04-27 2022-11-03 주식회사 실리콘큐브 차량 출입 관리 시스템 및 차량 출입 관리 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101240617B1 (ko) * 2012-08-31 2013-03-11 딕스비전 주식회사 인식 알고리즘이 이중화된 차량번호 인식 시스템 및 방법
KR20150078971A (ko) * 2013-12-31 2015-07-08 대보정보통신 주식회사 차량번호 인식장치 및 그 방법
KR101874427B1 (ko) * 2018-04-03 2018-07-04 에스트래픽(주) 차량번호 인식방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102061104B1 (ko) * 2018-03-13 2019-12-31 한국도로공사 개별문자 신뢰도를 통한 차량번호판 인식 시스템 및 그 동작 방법
KR102086397B1 (ko) * 2018-05-11 2020-03-09 파킹클라우드 주식회사 클라우드 환경에서 차량 번호판의 인식 및 처리를 위한 시스템 및 방법
KR102362293B1 (ko) * 2021-04-27 2022-02-14 주식회사 실리콘큐브 차량 출입 관리 시스템 및 차량 출입 관리 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101240617B1 (ko) * 2012-08-31 2013-03-11 딕스비전 주식회사 인식 알고리즘이 이중화된 차량번호 인식 시스템 및 방법
KR20150078971A (ko) * 2013-12-31 2015-07-08 대보정보통신 주식회사 차량번호 인식장치 및 그 방법
KR101874427B1 (ko) * 2018-04-03 2018-07-04 에스트래픽(주) 차량번호 인식방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022231318A1 (ko) * 2021-04-27 2022-11-03 주식회사 실리콘큐브 차량 출입 관리 시스템 및 차량 출입 관리 방법

Also Published As

Publication number Publication date
WO2022231318A1 (ko) 2022-11-03

Similar Documents

Publication Publication Date Title
CN110033481B (zh) 用于进行图像处理的方法和设备
CN111598182B (zh) 训练神经网络及图像识别的方法、装置、设备及介质
US20200058116A1 (en) Image analysis device, image analysis method and image analysis program
KR102362293B1 (ko) 차량 출입 관리 시스템 및 차량 출입 관리 방법
US20230274167A1 (en) Task Learning System and Method, and Related Device
CN112765607A (zh) 一种神经网络模型后门攻击检测方法
CN112906483A (zh) 一种目标重识别方法、装置及计算机可读存储介质
CN110309337B (zh) 一种针对多种目标识别算法的特征值集中存储方法及装置
CN114937246B (zh) 一种行人识别方法、电子设备及存储介质
CN109359689B (zh) 一种数据识别方法及装置
CA3047430A1 (fr) Procede de test d'un systeme electronique de controle du trafic aerien, dispositif electronique et plate-forme associes
CN111507396B (zh) 缓解神经网络对未知类样本产生错误分类的方法及装置
US11403498B2 (en) Method for classifying a capture taken by a sensor
CN113160272A (zh) 目标跟踪方法、装置、电子设备及存储介质
US11995477B2 (en) Verification of updated analytical procedures in monitoring systems
CN114882474A (zh) 基于卷积神经网络的道路病害检测方法及系统
CN111984714B (zh) 基于智能在线通信和大数据的信息生成方法及云服务平台
CN113642353B (zh) 一种人脸检测模型的训练方法、存储介质及终端设备
CN114443799A (zh) 基于大数据和人工智能的热点话题处理方法及服务器
JP7353825B2 (ja) 画像処理装置及びその方法、画像入力装置、画像処理システム、プログラム
CN113095110B (zh) 人脸数据动态入库的方法、装置、介质及电子设备
US20220012531A1 (en) Method for configuring an image evaluation device and also image evaluation method and image evaluation device
CN112989869A (zh) 人脸质量检测模型的优化方法、装置、设备及存储介质
Xu et al. A Kind of Cross-Camera Tracking Strategy in Tunnel Environment
CN113705648B (zh) 一种数据处理方法、装置及设备

Legal Events

Date Code Title Description
GRNT Written decision to grant