KR102543818B1 - System, apparatus and method for recognizing license plate of vehicle and appratus for managing the same - Google Patents

System, apparatus and method for recognizing license plate of vehicle and appratus for managing the same Download PDF

Info

Publication number
KR102543818B1
KR102543818B1 KR1020200159272A KR20200159272A KR102543818B1 KR 102543818 B1 KR102543818 B1 KR 102543818B1 KR 1020200159272 A KR1020200159272 A KR 1020200159272A KR 20200159272 A KR20200159272 A KR 20200159272A KR 102543818 B1 KR102543818 B1 KR 102543818B1
Authority
KR
South Korea
Prior art keywords
license plate
learning model
plate recognition
analysis
vehicle
Prior art date
Application number
KR1020200159272A
Other languages
Korean (ko)
Other versions
KR20220071771A (en
Inventor
홍충선
키타
김기태
Original Assignee
경희대학교 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 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020200159272A priority Critical patent/KR102543818B1/en
Publication of KR20220071771A publication Critical patent/KR20220071771A/en
Application granted granted Critical
Publication of KR102543818B1 publication Critical patent/KR102543818B1/en

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)
  • Character Discrimination (AREA)
  • Image Analysis (AREA)

Abstract

차량 번호판 인식 시스템, 방법, 장치 및 상기 장치에 대한 차량 번호판 인식 관리 장치에 관한 것으로, 차량 번호판 인식 시스템은 애플리케이션 파이프라인을 구축하고, 상기 애플리케이션 파이프라인에 적절한 분석용 학습 모델을 결정하고 차량 번호판 인식 관리 장치 및 상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결되어 상기 분석용 학습 모델을 수신하고, 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하고, 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 차량 번호판 인식 장치를 포함할 수 있다.A license plate recognition system, method, apparatus, and license plate recognition management device for the apparatus, wherein the license plate recognition system builds an application pipeline, determines a training model for analysis suitable for the application pipeline, and recognizes license plate It is communicatively connected to a management device and the vehicle license plate recognition management device to receive the learning model for analysis, to obtain at least one image data to be analyzed by taking a picture, and to analyze the at least one image data to be analyzed. and a license plate recognizing device for detecting and obtaining a license plate number from at least one target license plate of the at least one image data to be analyzed by applying a learning model for the target vehicle.

Description

차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치{SYSTEM, APPARATUS AND METHOD FOR RECOGNIZING LICENSE PLATE OF VEHICLE AND APPRATUS FOR MANAGING THE SAME}Vehicle license plate recognition system, method, apparatus and vehicle license plate recognition management device

차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 관한 것이다.It relates to a license plate recognition system, method, apparatus, and license plate recognition management device.

과거에는 주차장에 차량이 입차하는 경우에 있어서, 차량의 운전자가 주차 카드 등을 획득하거나 또는 주차 관리 요원이 주차장이 진입하는 차량을 기록하여 차량의 진입을 승인하고, 차량이 출차하는 경우에는 주차 관리 요원이 차량 번호를 확인하거나 주차 카드를 수령하고 이를 이용하여 주차 요금 등을 정산하거나 또는 차단바를 제어하였다. 최근에는 별도로 마련된 주차장 관리 시스템이 차량의 입차 및 출차 여부를 자동으로 판단하고 결제 여부 등을 확인한 후 이에 대응하여 차단바를 제어하는 등의 동작을 수행하고 있다. 그러나, 이러한 시스템들은 야간이나 극한적인 상황(폭우, 폭설이나 안개 등)에서는 그 동작에 오류가 잦았다. 정확한 입차 및 출차 관리를 위해 하드웨어에 많은 비용을 투여하였으며, 이는 시스템에 대한 설치, 유지 및 관리 비용의 증가를 야기하였다.In the past, when a vehicle enters a parking lot, the driver of the vehicle obtains a parking card or the like, or a parking management agent records the vehicle entering the parking lot, approves the entry of the vehicle, and manages parking when the vehicle exits. The agent checked the vehicle number or received the parking card and used it to settle the parking fee or control the blocking bar. Recently, a separately prepared parking lot management system automatically determines whether a vehicle enters and leaves a vehicle, checks whether to pay, and then controls a blocking bar in response thereto. However, these systems have frequent errors in their operation at night or in extreme conditions (heavy rain, heavy snow or fog, etc.). A lot of cost was invested in hardware for accurate entry and exit management, which caused an increase in installation, maintenance, and management costs for the system.

대한민국 공개특허 제10-2020-0119409호Republic of Korea Patent Publication No. 10-2020-0119409

차량의 번호판을 명확하고 분명하게 인식하여 이로부터 정보를 정확하게 획득할 수 있는 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치를 제공하는 것을 해결하고자 하는 과제로 한다.It is an object to be solved to provide a vehicle license plate recognition system, method, apparatus, and vehicle license plate recognition management device capable of clearly and clearly recognizing the license plate of a vehicle and accurately acquiring information therefrom.

상술한 과제를 해결하기 위하여 차량 번호판 인식 시스템, 차량 번호판 인식을 위한 단말 장치, 차량 번호판 인식을 위한 차량 번호판 인식 관리 장치 및 차량 번호판 인식 방법이 제공된다.In order to solve the above problems, a license plate recognition system, a terminal device for license plate recognition, a license plate recognition management device for license plate recognition, and a license plate recognition method are provided.

차량 번호판 인식 시스템은, 애플리케이션 파이프라인을 구축하고, 상기 애플리케이션 파이프라인에 적절한 분석용 학습 모델을 결정하고 차량 번호판 인식 관리 장치 및 상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결되어 상기 분석용 학습 모델을 수신하고, 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하고, 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 차량 번호판 인식 장치를 포함할 수 있다.The license plate recognition system builds an application pipeline, determines a learning model for analysis suitable for the application pipeline, and is communicatively connected to a license plate recognition management device and the license plate recognition management device to generate the learning model for analysis. At least one target vehicle license plate of the at least one analysis target image data is obtained by receiving and photographing to obtain at least one analysis target image data, and applying the learning model for analysis to the at least one analysis target image data. It may include a vehicle license plate recognition device that detects and obtains a license plate number from.

상기 차량 번호판 인식 관리 장치는, 적어도 하나의 후보 학습 모델로부터 상기 적어도 하나의 애플리케이션 파이프라인에 적합한 학습 모델을 결정함으로써, 상기 분석용 학습 모델을 결정할 수 있다.The license plate recognition management apparatus may determine the learning model for analysis by determining a learning model suitable for the at least one application pipeline from at least one candidate learning model.

상기 차량 번호판 인식 관리 장치는, 적어도 하나의 차량 번호판을 포함하는 적어도 하나의 영상 데이터를 획득하고, 획득한 상기 적어도 하나의 영상 데이터를 이용하여 상기 후보 학습 모델을 훈련시킬 수 있다.The license plate recognition and management apparatus may acquire at least one image data including at least one license plate and train the candidate learning model using the obtained at least one image data.

상기 차량 번호판 인식 관리 장치는, 상기 애플리케이션 파이프라인의 성능을 더 검사하고, 상기 검사 결과에 따라서 상기 분석용 학습 모델을 결정할 수 있다.The license plate recognition management device may further inspect the performance of the application pipeline and determine the learning model for analysis according to the inspection result.

상기 차량 번호판 인식 장치는, 상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하고, 상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하고, 상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득할 수 있다.The vehicle license plate recognition device detects the at least one target vehicle license plate from the at least one analysis target image data, and processes image quality improvement for the at least one analysis target image data in which the at least one target vehicle license plate is detected. It is possible to perform and obtain a vehicle number from the at least one target license plate detected from at least one analysis subject image data image quality improvement process using the learning model for analysis.

차량 번호판 인식 시스템은, 상기 차량 번호판 인식 장치와 통신 가능하게 연결되고, 상기 차량 번호판 인식 장치로부터 상기 적어도 하나의 목적 차량 번호판으로부터 획득된 차량 번호를 수신하는 단말 장치를 더 포함할 수 있다.The license plate recognition system may further include a terminal device that is communicatively connected to the license plate recognition device and receives the vehicle number obtained from the at least one target license plate from the license plate recognition device.

상기 차량 번호판 인식 장치는, 복수의 인식 장치 집단 중 어느 하나의 인식 장치 집단에 속한 것일 수 있다.The license plate recognizing device may belong to one of a plurality of recognizing device groups.

차량 번호판 인식 방법은, 차량 번호판 인식 관리 장치가 애플리케이션 파이프라인에 대한 분석용 학습 모델을 결정하는 단계, 상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결된 적어도 하나의 차량 번호판 인식 장치가 상기 분석용 학습 모델을 수신하는 단계, 상기 적어도 하나의 차량 번호판 인식 장치가 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하는 단계 및 상기 적어도 하나의 차량 번호판 인식 장치가 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 단계를 포함할 수 있다.The vehicle license plate recognition method comprises: determining, by a vehicle license plate recognition management device, a learning model for analysis for an application pipeline; at least one license plate recognition device communicatively connected to the license plate recognition management device; Receiving, the at least one vehicle license plate recognition device performing a photographing step to obtain at least one analysis object image data, and the at least one license plate recognition device performing the analysis on the at least one analysis object image data. and detecting and obtaining a vehicle number from at least one target license plate of the at least one image data to be analyzed by applying a learning model for the target vehicle.

상기 차량 번호판 인식 관리 장치가 애플리케이션 파이프라인에 적절한 분석용 학습 모델을 결정하는 단계는, 상기 적어도 하나의 애플리케이션 파이프라인에 적합한 학습 모델을 적어도 하나의 후보 학습 모델로부터 결정함으로써 상기 분석용 학습 모델을 결정하는 단계를 포함할 수 있다.The step of determining, by the license plate recognition management apparatus, a learning model for analysis suitable for an application pipeline, determining a learning model for analysis by determining a learning model suitable for the at least one application pipeline from at least one candidate learning model. steps may be included.

차량 번호판 인식 방법은, 상기 차량 번호판 인식 관리 장치가 적어도 하나의 차량 번호판을 포함하는 적어도 하나의 영상 데이터를 획득하는 단계 및 획득한 상기 적어도 하나의 영상 데이터를 이용하여 상기 후보 학습 모델을 훈련시키는 단계를 더 포함할 수 있다.The vehicle license plate recognition method includes the steps of obtaining, by the license plate recognition management device, at least one image data including at least one license plate, and training the candidate learning model using the obtained at least one image data. may further include.

차량 번호판 인식 방법은, 상기 차량 번호판 인식 관리 장치가 상기 애플리케이션 파이프라인의 성능을 검사하는 단계를 더 포함할 수 있다.The license plate recognition method may further include inspecting, by the license plate recognition management device, performance of the application pipeline.

상기 적어도 하나의 차량 번호판 인식 장치가 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 단계는, 상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하는 단계, 상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하는 단계 및 상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득하는 단계를 포함할 수 있다.Detecting and obtaining, by the at least one license plate recognition device, a vehicle number from at least one target license plate of the at least one analysis target image data by applying the learning model for analysis to the at least one analysis target image data. Detecting the at least one target vehicle license plate from the at least one analysis target image data, performing image quality improvement processing on the at least one analysis target image data in which the at least one target vehicle license plate is detected and obtaining a vehicle number from the at least one target vehicle license plate detected from at least one image data subject to analysis subjected to image quality improvement processing using the learning model for analysis.

차량 번호판 인식 방법은, 상기 차량 번호판 인식 장치와 통신 가능하게 연결된 단말 장치가 상기 차량 번호판 인식 장치로부터 상기 적어도 하나의 목적 차량 번호판으로부터 획득된 차량 번호를 수신하는 단계를 더 포함할 수 있다.The vehicle license plate recognition method may further include receiving, by a terminal device communicatively connected to the vehicle license plate recognition device, a vehicle number obtained from the at least one target vehicle license plate from the vehicle license plate recognition device.

차량 번호판 인식 관리 장치는, 애플리케이션 파이프라인을 구축하고, 적어도 하나의 후보 학습 모델을 이용하여 상기 애플리케이션 파이프라인에 적절한 분석용 학습 모델을 결정하는 프로세서 및 상기 분석용 학습 모델을 대응하는 적어도 하나의 차량 번호판 인식 장치로 전송하는 통신부를 포함할 수 있다.An apparatus for managing license plate recognition includes: a processor that establishes an application pipeline and determines a learning model for analysis suitable for the application pipeline by using at least one candidate learning model; and at least one vehicle corresponding to the learning model for analysis. It may include a communication unit for transmitting to the license plate recognition device.

상기 프로세서는, 적어도 하나의 후보 학습 모델 중에서 상기 적어도 하나의 애플리케이션 파이프라인에 적합한 후보 학습 모델을 결정함으로써, 상기 분석용 학습 모델을 결정할 수 있다.The processor may determine the learning model for analysis by determining a candidate learning model suitable for the at least one application pipeline from among at least one candidate learning model.

차량 번호판 인식 장치는, 적어도 하나의 분석용 학습 모델을 수신하는 통신부, 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하는 촬영부 및 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 문자 및 숫자 중 적어도 하나를 검출하여 획득하는 프로세서를 포함할 수 있다.The vehicle license plate recognition device includes a communication unit for receiving at least one learning model for analysis, a photographing unit for acquiring at least one analysis target image data by taking a picture, and a learning model for analysis in the at least one analysis target image data. and a processor for detecting and obtaining at least one of letters and numbers from at least one target vehicle license plate of the at least one analysis target image data.

상기 프로세서는, 상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하고, 상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하고, 상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득할 수 있다.The processor detects the at least one target vehicle license plate from the at least one analysis target image data, and performs image quality improvement processing on the at least one analysis target image data in which the at least one target vehicle license plate is detected, , It is possible to obtain a vehicle number from the at least one target license plate detected from at least one image data subject to analysis that has undergone image quality improvement processing using the learning model for analysis.

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 주차장 등에 진입하는 차량의 번호판을 보다 명확하고 분명하게 인식하여 인식된 차량의 번호판으로부터 차량번호와 같은 정보를 정확하게 획득할 수 있게 된다.According to the above-described license plate recognition system, method, apparatus, and license plate recognition management device, the license plate of a vehicle entering a parking lot is more clearly and clearly recognized, and information such as license plate number can be accurately obtained from the license plate of the recognized vehicle. there will be

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 고성능의 카메라 장치 대신에 상대적으로 저렴한 카메라를 이용하여 차량번호판을 촬영하는 경우에도, 차량번호판에 대한 영상의 화질을 개선할 수 있게 되고 이에 따라 차량번호판을 더욱 명확하게 인식할 수 있게 된다.According to the above-described license plate recognition system, method, apparatus, and license plate recognition management device, even when a license plate is photographed using a relatively inexpensive camera instead of a high-performance camera device, the image quality of the license plate can be improved. Accordingly, the vehicle license plate can be recognized more clearly.

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 야간이나 악천후 등 극한적인 상황에서도 차량의 번호판을 보다 명확하게 인식할 수 있게 되는 장점도 존재한다.According to the above-described vehicle license plate recognition system, method, device, and vehicle license plate recognition management device, there is also an advantage in that the license plate of the vehicle can be more clearly recognized even in extreme situations such as at night or in bad weather.

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 다수의 차량 번호판 인식 장치마다 각각 개별적으로 또는 통일적으로 이용될 학습 모델을 제공, 관리 또는 갱신할 수 있게 되어 다수의 차량 번호판 인식 장치의 통합적인 관리가 가능해지는 효과도 있다.According to the above-described license plate recognition system, method, apparatus, and license plate recognition management device, it is possible to provide, manage, or update a learning model to be used individually or uniformly for each of a plurality of license plate recognition devices, thereby providing, managing, or updating a plurality of license plate recognition devices. There is also an effect of enabling integrated management of recognition devices.

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 차량 번호판 인식을 위한 장치의 효율적이고 효과적인 관리 및 개선이 가능해질 뿐만 아니라, 상대적으로 저렴한 카메라를 이용하여 시스템을 구축할 수 있게 됨에 따라 구축, 유지 및 관리 비용이 전반적으로 절감될 수 있게 되며, 또한 차량 번호판의 인식에 이용되는 기계학습 모델을 보다 용이하게 갱신할 수 있어 관리의 용이성도 확보할 수 있게 되는 효과도 얻을 수 있다.According to the above-described license plate recognition system, method, device, and license plate recognition management device, efficient and effective management and improvement of the device for license plate recognition is possible, and the system can be constructed using a relatively inexpensive camera. As a result, construction, maintenance, and management costs can be reduced overall, and the machine learning model used for recognizing vehicle license plates can be more easily updated, so that ease of management can be obtained. there is.

도 1은 차량 번호판 인식 시스템의 일 실시예에 대한 개요도이다.
도 2는 차량 번호판 인식 장치의 일 실시예에 대한 블록도이다.
도 3은 차량 번호판 인식 장치에 의해 번호판이 인식되는 일례를 도시한 도면이다.
도 4는 차량 번호판 인식 관리 장치의 일 실시예에 대한 블록도이다.
도 5는 차량 번호판 인식 방법의 일 실시예에 대한 흐름도이다.1 is a schematic diagram of one embodiment of a license plate recognition system.
2 is a block diagram of an embodiment of a license plate recognition device.
3 is a diagram showing an example of recognizing a license plate by a vehicle license plate recognition device.
4 is a block diagram of an embodiment of an apparatus for managing license plate recognition.
5 is a flowchart of an embodiment of a license plate recognition method.

이하 명세서 전체에서 동일 참조 부호는 특별한 사정이 없는 한 동일 구성요소를 지칭한다. 이하에서 사용되는 ‘부’가 부가된 용어는, 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예에 따라 하나의 ‘부’가 하나의 물리적 또는 논리적 부품으로 구현되거나, 복수의 ‘부’가 하나의 물리적 또는 논리적 부품으로 구현되거나, 하나의 ‘부’가 복수의 물리적 또는 논리적 부품들로 구현되는 것도 가능하다. 명세서 전체에서 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 어떤 부분과 다른 부분에 따라서 물리적 연결을 의미할 수도 있고, 또는 전기적으로 연결된 것을 의미할 수도 있다. 또한, 어떤 부분이 다른 부분을 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 부분 이외의 또 다른 부분을 제외하는 것이 아니며, 설계자의 선택에 따라서 또 다른 부분을 더 포함할 수 있음을 의미한다. 제 1이나 제 2 등의 용어는 하나의 부분을 다른 부분으로부터 구별하기 위해 사용되는 것으로, 특별한 기재가 없는 이상 이들이 순차적인 표현을 의미하는 것은 아니다. 또한 단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함할 수 있다.In the entire specification below, the same reference numerals refer to the same components unless otherwise specified. A term with an added 'unit' used below may be implemented in software or hardware, and depending on an embodiment, one 'unit' is implemented as one physical or logical component, or a plurality of 'units' are implemented as one unit. It is possible to implement a physical or logical component, or one 'unit' to implement a plurality of physical or logical components. When a part is said to be connected to another part throughout the specification, it may mean a physical connection or an electrical connection depending on which part and another part. In addition, when a part includes another part, this means that it does not exclude another part other than the other part unless otherwise stated, and may further include another part according to the designer's choice. do. Terms such as first or second are used to distinguish one part from another, and do not mean sequential expressions unless otherwise specified. In addition, singular expressions may include plural expressions, unless there is a clear exception from the context.

이하 도 1 내지 도 4를 참조하여 차량 번호판 인식 시스템, 차량 번호판 인식 장치 및 차량 번호판 인식 관리 장치의 여러 실시예에 대해서 설명하도록 한다.Hereinafter, various embodiments of a license plate recognition system, a license plate recognition device, and a license plate recognition management device will be described with reference to FIGS. 1 to 4 .

도 1은 차량 번호판 인식 시스템의 일 실시예에 대한 개요도이다.1 is a schematic diagram of one embodiment of a license plate recognition system.

도 1에 도시된 바에 의하면, 차량 번호판 인식 시스템(1)은, 일 실시예에 있어서, 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K, K는 1 이상의 자연수)와, 적어도 하나의 차량 번호판 인식 장치(100)와 통신 가능하게 마련된 차량 번호판 인식 관리 장치(200)를 포함할 수 있으며, 필요에 따라 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K) 및 차량 번호판 인식 관리 장치(200) 중 적어도 하나와 통신을 수행할 수 있는 단말 장치(3)를 하나 이상 포함할 수 있다. 이 경우, 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K) 및 차량 번호판 인식 관리 장치(200)는 상호 간에 유무선 통신 네트워크(2)를 이용하여 애플리케이션(앱, 소프트웨어 또는 프로그램 등으로 지칭 가능함)이나 데이터 등을 송수신할 수 있도록 마련된다. 유무선 통신 네트워크(2)는, 유선 통신 네트워크, 무선 통신 네트워크 또는 이들의 조합을 기반으로 구축된 것일 수 있다. 여기서, 유선 통신 네트워크는, 케이블을 이용하여 마련된 것일 수 있다. 무선 통신 네트워크는, 근거리 통신 네트워크 및 원거리 통신 네트워크 중 적어도 하나를 포함할 수 있다. 근거리 통신 네트워크는, 예를 들어, 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), 블루투스(Bluetooth), 저에너지 블루투스(Bluetooth Low Energy), 지그비(zigbee) 통신, 알에프아이디(RFID: Radio-Frequency IDentification) 및/또는 엔에프씨(NFC: Near Field Communication) 등의 근거리 통신 기술을 기반으로 구현된 네트워크를 포함할 수 있다. 원거리 통신 네트워크는, 예를 들어, 3GPP, 3GPP2, 와이브로 또는 와이맥스 계열 등의 이동 통신 표준을 기반으로 구현된 이동 통신 네트워크를 포함할 수 있다. 적어도 하나의 단말 장치(3) 역시 이와 같은 유무선 통신 네트워크(2)를 통해 차량 번호판 인식 장치(100: 100-1 내지 100-K) 및 차량 번호판 인식 관리 장치(200) 중 적어도 하나와 데이터 등의 송수신을 수행할 수 있다.As shown in FIG. 1, the license plate recognition system 1, in one embodiment, includes at least one license plate recognition device (100: 100-1 to 100-K, where K is a natural number of 1 or more), and at least It may include a license plate recognition management device 200 provided to communicate with one license plate recognition device 100, and if necessary, at least one license plate recognition device 100: 100-1 to 100-K and One or more terminal devices 3 capable of communicating with at least one of the license plate recognition management devices 200 may be included. In this case, at least one vehicle license plate recognition device (100: 100-1 to 100-K) and vehicle license plate recognition management device 200 mutually use an application (app, software or program, etc.) using a wired or wireless communication network (2). It is provided to transmit and receive) or data. The wired/wireless communication network 2 may be constructed based on a wired communication network, a wireless communication network, or a combination thereof. Here, the wired communication network may be provided using a cable. The wireless communication network may include at least one of a short-distance communication network and a long-distance communication network. Short-range communication networks include, for example, Wi-Fi, Wi-Fi Direct, Bluetooth, Bluetooth Low Energy, zigbee communication, and RFID: Radio -Frequency IDentification) and/or NFC (Near Field Communication) may include a network implemented based on a short-range communication technology. The telecommunication network may include, for example, a mobile communication network implemented based on a mobile communication standard such as 3GPP, 3GPP2, WiBro or WiMAX series. At least one terminal device 3 also transmits at least one of the license plate recognition device 100: 100-1 to 100-K and the license plate recognition management device 200 through the wired/wireless communication network 2 and data. transmission and reception can be performed.

적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)는, 차량(미도시)의 전면이나 측면에 대한 적어도 하나의 영상 데이터(도 3의 10, 이하 분석 대상 영상 데이터)를 획득하고, 적어도 하나의 분석 대상 영상 데이터(10)로부터 차량 번호판을 인식하여 차량 번호를 획득할 수 있다. 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)는 폐쇄회로 카메라(CCTV) 등과 같은 카메라 장치나 차량번호인식시스템(LPR: License Plate Recognition system) 등을 이용하여 구현될 수도 있고 또는 차량 번호판의 인식을 위해 특별히 제작된 전자 장치를 이용하여 구현될 수도 있다. 또한, 이외에도 차량 번호판 인식 장치(100: 100-1 내지 100-K)는 스마트폰, 태블릿 피씨, 내비게이션 장치 및/또는 블랙박스 장치 등을 이용하여 구현되는 것도 가능하다. 실시예에 따라 차량 번호판 인식 시스템(1)은 다수의 차량 번호판 인식 장치(100: 100-1 내지 100-K)늘 포함할 수 있다. 여기서, 다수의 차량 번호판 인식 장치(100: 100-1 내지 100-K) 중 적어도 둘은 서로 상이한 원격지에 배치되어 지리적으로 분산된 것일 수도 있다. 차량 번호판 인식 장치(100: 100-1 내지 100-K)의 상세한 동작은 후술하도록 한다.At least one vehicle license plate recognition device (100: 100-1 to 100-K) obtains at least one image data (10 in FIG. 3, hereinafter, image data to be analyzed) for the front or side of a vehicle (not shown). And, it is possible to acquire the vehicle number by recognizing the vehicle license plate from at least one analysis object image data 10 . At least one license plate recognition device (100: 100-1 to 100-K) may be implemented using a camera device such as a closed circuit camera (CCTV) or a license plate recognition system (LPR: License Plate Recognition system), Alternatively, it may be implemented using a specially manufactured electronic device for recognizing license plates. In addition, the vehicle license plate recognition devices 100: 100-1 to 100-K may be implemented using a smart phone, a tablet PC, a navigation device, and/or a black box device. Depending on the embodiment, the license plate recognition system 1 may include a plurality of license plate recognition devices 100 (100-1 to 100-K). Here, at least two of the plurality of license plate recognition devices 100: 100-1 to 100-K may be geographically dispersed by being disposed in different remote locations. Detailed operations of the license plate recognition apparatus 100 (100-1 to 100-K) will be described later.

일 실시예에 의하면, 차량 번호판 인식 장치(100: 100-1 내지 100-K)는, 하나 또는 둘 이상의 인식 장치 집단(R-1, R-2 내지 R-K) 중 어느 하나의 인식 장치 집단에 속하는 것일 수 있다. 여기서 인식 장치 집단(R-1, R-2 내지 R-K)은, 각각 하나 또는 둘 이상의 차량 번호판 인식 장치(100-1 내지 100-K)를 포함하는 집단일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 제1 인식 장치 집단(R-1)은 제1 차량 번호판 인식 장치(100-1)를 포함하고, 제2 인식 장치 집단(R-2)은 제2 내지 제4 차량 번호판 인식 장치(100-2 내지 100-4)를 포함하며, 제K 인식 장치 집단(R-K)은 제(K-3) 내지 K 차량 번호판 인식 장치(100-(K-3) 내지 100-K)를 포함할 수 있다. 그러나, 이는 예시적인 것으로 각각의 인식 장치 집단(R-1, R-2 내지 R-K)마다 동일하거나 또는 상이한 개수의 차량 번호판 인식 장차(100-1 내지 100-K)를 포함할 수 있다. 또한, 여기서, 각각의 인식 장치 집단(R-1, R-2 내지 R-K)에 포함되는 차량 번호판 인식 장치(100-1 내지 100-K)는 모두 동종 또는 이종인 장치를 구현될 수도 있으며, 또는 일부는 동종이고 다른 일부는 이종인 장치를 이용하여 구현된 것일 수도 있다. 일 실시예에 따르면, 각각의 인식 장치 집단(R-1, R-2 내지 R-K)은 차량 번호판 인식 장치(100-1 내지 100-K)가 배치된 지역에 따라 구분되는 것일 수도 있다. 즉, 동일한 인식 장치 집단(R-1, R-2 내지 R-K) 내의 차량 번호판 인식 장치(100-1 내지 100-K)는, 서로 근접지에 위치하고, 다른 인식 장치 집단(R-1, R-2 내지 R-K)의 차량 번호판 인식 장치(100-1 내지 100-K)와는 서로 원격지에 위치한 것일 수 있다. 보다 구체적으로 예를 들어, 제1 인식 장치 집단(R-1)의 차량 번호판 인식 장치(100-1)는, 다른 제2 인식 장치 집단(R-2)의 차량 번호판 인식 장치(100-2 내지 100-4)와 서로 상이한 도시나 국가에 위치하는 것일 수도 있다. 물론 실시예에 따라서 서로 상대적으로 멀리 배치된 복수의 차량 번호판 인식 장치(100-1 내지 100-K)가 하나의 인식 장치 집단(R-1, R-2 내지 R-K)로 묶이는 것도 가능하다. 실시예에 따라서, 하나의 인식 장치 집단, 일례로 제2 인식 장치 집단(R-2) 내의 모든 차량 번호판 인식 장치(100-2 내지 100-4)는, 동일한 학습 모델(도 4의 98, 이하 분석용 학습 모델)이나 애플리케이션을 이용하여 차량 번호판 인식 과정을 수행하도록 마련된 것일 수 있으며, 이 경우, 차량 번호판 인식 관리 장치(200)는 동일 집단(R-2) 내의 모든 차량 번호판 인식 장치(100-2 내지 100-4)에 동일한 분석용 학습 모델(98)이나 애플리케이션을 전송함으로써 동일 집단(R-2) 내의 차량 번호판 인식 장치(100)가 동일한 분석용 학습 모델(98)이나 애플리케이션을 통해 차량 인식을 수행하도록 할 수도 있다.According to an embodiment, the vehicle license plate recognition devices 100: 100-1 to 100-K belong to any one recognition device group among one or more recognition device groups R-1, R-2 to R-K. it could be Here, the recognition device groups R-1, R-2 to R-K may be groups including one or more license plate recognition devices 100-1 to 100-K, respectively. For example, as shown in FIG. 1 , the first recognition device group R-1 includes the first license plate recognition device 100-1, and the second recognition device group R-2 includes the first license plate recognition device 100-1. 2 to 4 license plate recognition devices 100-2 to 100-4, and the K-th recognition device group R-K includes the (K-3) to K license plate recognition devices 100-(K-3) to 100-K). However, this is exemplary and may include the same or different number of license plate recognition devices 100-1 to 100-K for each recognition device group R-1, R-2 to R-K. In addition, here, all of the vehicle license plate recognition devices 100-1 to 100-K included in each of the recognition device groups R-1, R-2 to R-K may be implemented as devices of the same or heterogeneous type, or some of them. may be implemented using devices of the same type and others of the same type. According to an embodiment, each of the recognition device groups R-1, R-2 to R-K may be classified according to regions where license plate recognition devices 100-1 to 100-K are disposed. That is, license plate recognition devices 100-1 to 100-K in the same recognition device group R-1, R-2 to R-K are located in close proximity to each other, and different recognition device groups R-1 to R-2 to R-K) of license plate recognition devices 100-1 to 100-K and may be located at a remote location from each other. More specifically, for example, the vehicle license plate recognition device 100-1 of the first recognition device group (R-1) is the vehicle license plate recognition device (100-2 to 100-2 to 100-2) of the second recognition device group (R-2). 100-4) and may be located in a different city or country. Of course, according to the embodiment, it is also possible that a plurality of license plate recognition devices 100-1 to 100-K disposed relatively far from each other are grouped into one recognition device group R-1, R-2 to R-K. According to the embodiment, all vehicle license plate recognition devices 100-2 to 100-4 in one recognition device group, for example, the second recognition device group R-2, have the same learning model (98 in FIG. 4, hereinafter It may be prepared to perform the license plate recognition process using a learning model for analysis) or an application. In this case, the license plate recognition management device 200 is all license plate recognition devices 100- in the same group (R-2). 2 to 100-4) by transmitting the same learning model 98 or application for analysis, the vehicle license plate recognition device 100 in the same group R-2 recognizes the vehicle through the same learning model 98 or application for analysis can also be made to do.

차량 번호판 인식 관리 장치(200)는, 차량 번호판 인식 장치(100: 100-1 내지 100-K) 각각의 동작을 위한 학습 모델(98, 즉, 분석용 학습 모델)을 결정하고, 결정한 분석용 학습 모델은 차량 번호판 인식 장치(100: 100-1 내지 100-K) 중 적어도 하나로 동시에 또는 순차적으로 전송할 수 있다. 차량 번호판 인식 관리 장치(200)는 하나 또는 둘 이상의 정보처리장치를 이용하여 구현 가능하며, 예를 들어, 서버용 컴퓨터 장치, 데스크톱 컴퓨터, 랩톱 컴퓨터, 스마트 폰, 태블릿 피씨, 스마트 시계, 두부 장착형 디스플레이(HMD: Head Mounted Display) 장치, 내비게이션 장치, 휴대용 게임기, 개인용 디지털 보조기(PDA: Personal Digital Assistant), 디지털 텔레비전, 셋톱 박스, 가전 기기(냉장고나 로봇 청소기 등), 인공 지능 음향 재생 장치(인공 지능 스피커), 차량, 유인 비행체, 무인 비행체, 로봇 및/또는 산업용 기계를 이용하여 구현 가능하며, 예시된 바 이외에도 데이터의 연산 처리 및 송수신이 가능한 다양한 종류의 정보 처리 장치를 이용하여 구현될 수 있다.The vehicle license plate recognition management device 200 determines a learning model (98, that is, a learning model for analysis) for each operation of the vehicle license plate recognition devices (100: 100-1 to 100-K), and the determined learning for analysis. The model may be simultaneously or sequentially transmitted to at least one of the license plate recognizing devices 100 (100-1 to 100-K). Vehicle license plate recognition management device 200 can be implemented using one or more information processing devices, for example, a server computer device, a desktop computer, a laptop computer, a smart phone, a tablet PC, a smart watch, a head-mounted display ( Head Mounted Display (HMD) devices, navigation devices, portable game consoles, personal digital assistants (PDAs), digital televisions, set-top boxes, home appliances (refrigerators, robot vacuum cleaners, etc.), artificial intelligence sound reproduction devices (artificial intelligence speakers) ), vehicles, manned aerial vehicles, unmanned aerial vehicles, robots, and/or industrial machines, and can be implemented using various types of information processing devices capable of arithmetic processing and transmission/reception of data other than those illustrated.

단말 장치(3)는, 차량 번호판 인식 장치(100: 100-1 내지 100-K) 중 적어도 하나와 연결되고, 연결된 차량 번호판 인식 장치(100: 100-1 내지 100-K) 중 적어도 하나로부터 단말 장치(3)의 사용자가 원하는 정보를 획득하고, 이를 사용자에게 제공할 수 있다. 여기서, 사용자가 원하는 정보는, 예를 들어, 차량 번호판 인식 결과에 따라 획득된 차량 번호나 획득한 차량 번호에 대응하는 차량에 대한 처리 결과(일례로, 출입 허가 여부나 비용 결제 여부 등) 등을 포함할 수 있다. 단말 장치(3)는 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 마련된 외부 접속 관리부(도 2의 123)의 동작에 따라서 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 획득한 정보를 수신할 수도 있다. 이 경우, 단말 장치(3)는 외부 접속 관리부(123)에 의해 제공되는 응용 프로그램 프로그래밍 인터페이스(API: Application Programming Interface)를 이용하여 이들 정보를 획득할 수도 있다. 단말 장치(3)는, 실시예에 따라, 데스크톱 컴퓨터, 랩톱 컴퓨터, 스마트 폰, 태블릿 피씨, 스마트 시계, 두부 장착형 디스플레이 장치, 내비게이션 장치, 휴대용 게임기, 디지털 텔레비전, 전자 광고판, 셋톱 박스, 가전 기기, 인공 지능 음향 재생 장치, 차량, 비행체, 또는 산업용 기계 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.The terminal device 3 is connected to at least one of the vehicle license plate recognition devices 100: 100-1 to 100-K, and receives a terminal from at least one of the connected license plate recognition devices 100: 100-1 to 100-K. Information desired by the user of the device 3 may be acquired and provided to the user. Here, the information desired by the user is, for example, the vehicle number obtained according to the license plate recognition result or the processing result for the vehicle corresponding to the obtained vehicle number (eg, whether access is permitted or whether payment is made, etc.), etc. can include The terminal device 3 operates the license plate recognition device 100: 100-1 to 100-K according to the operation of the external connection management unit (123 in FIG. 2) provided in the license plate recognition device 100: 100-1 to 100-K. ) may receive the acquired information. In this case, the terminal device 3 may acquire these information using an application programming interface (API) provided by the external connection management unit 123 . The terminal device 3 may be, according to an embodiment, a desktop computer, a laptop computer, a smart phone, a tablet PC, a smart watch, a head mounted display device, a navigation device, a portable game machine, a digital television, an electronic billboard, a set-top box, a home appliance, It may include, but is not limited to, an artificial intelligence sound reproduction device, a vehicle, an air vehicle, or an industrial machine.

이하 도 2를 참조하여, 상술한 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 대해 설명한다.Referring to FIG. 2, the above-described vehicle license plate recognition apparatus 100 (100-1 to 100-K) will be described.

도 2는 차량 번호판 인식 장치의 일 실시예에 대한 블록도이다.2 is a block diagram of an embodiment of a license plate recognition device.

도 2에 도시된 바에 의하면, 차량 번호판 인식 장치(100)는, 촬영부(111), 감지부(113), 통신부(115), 입출력부(117), 저장부(119) 및 프로세서(120)를 포함할 수 있으며, 설계자의 임의적 선택에 따라 이들(111 내지 119) 중 적어도 하나는 생략될 수도 있다.As shown in FIG. 2, the license plate recognition apparatus 100 includes a photographing unit 111, a sensing unit 113, a communication unit 115, an input/output unit 117, a storage unit 119, and a processor 120. may include, and at least one of these (111 to 119) may be omitted according to the designer's arbitrary selection.

촬영부(111)는 가시광선 또는 적외선 등을 이용하여 촬영 방향에 대한 영상 데이터(즉, 분석 대상 영상 데이터)를 획득하고 이를 프로세서(120)로 전달할 수 있다. 촬영부(111)는 실시예에 따라서 감지부(113)로부터 또는 프로세서(120)로부터 차량 감지에 대한 신호가 전달되면, 이에 응하여 촬영을 수행하여 분석 대상 영상 데이터(10)를 획득할 수도 있다. 촬영부(111)가 획득한 분석 대상 영상 데이터(10)는 상대적으로 저품질의 영상 데이터를 포함할 수 있다. 예를 들어, 촬영부(111)는 상대적으로 낮은 해상도의 촬상소자를 이용하여 저렴하게 제작된 카메라 장치를 이용하여 구현된 경우, 획득된 분석 대상 영상 데이터(10)는 저해상도의 영상 데이터일 수도 있다. 또한, 분석 대상 영상 데이터(10)는, 채용된 카메라의 품질 또는 날씨나 시간 등에 따른 주변 환경의 변화 등에 따라서 초점이 맞지 않거나, 흔들리거나, 전체적으로 어둡거나 또는 일정 이상의 노이즈가 존재할 수도 있다.The photographing unit 111 may acquire image data (ie, image data to be analyzed) for a photographing direction using visible light or infrared rays, and transmit the obtained image data to the processor 120 . The photographing unit 111 may acquire the image data 10 to be analyzed by performing photographing in response to a signal for detecting a vehicle from the sensor 113 or the processor 120 according to embodiments. The analysis target image data 10 acquired by the photographing unit 111 may include relatively low-quality image data. For example, when the photographing unit 111 is implemented using an inexpensively manufactured camera device using a relatively low-resolution imaging device, the obtained image data 10 to be analyzed may be low-resolution image data. . In addition, the image data 10 to be analyzed may be out of focus, shaken, completely dark, or have a certain amount of noise depending on the quality of a camera employed or a change in the surrounding environment due to weather or time.

감지부(113)는 차량의 이동 또는 존재를 감지하고, 감지에 대응하는 신호를 출력하여 촬영부(111)나 프로세서(120)로 전달할 수 있다. 이에 따라 촬영부(111)는 차량에 대한 촬영을 수행할 수 있게 된다. 감지부(113)는, 실시예에 따라, 적외선이나 레이저 등을 감지하는 광 센서, 자기장을 감지하는 자기장 센서 또는 차량에 의해 인가된 압력을 감지하는 감압 센서(압전 센서 등) 등을 이용하여 구현 가능하다.The detector 113 may detect the presence or movement of a vehicle, output a signal corresponding to the detection, and transmit the signal to the photographing unit 111 or the processor 120 . Accordingly, the photographing unit 111 can photograph the vehicle. The sensing unit 113 is implemented using an optical sensor for detecting infrared light or laser, a magnetic field sensor for detecting a magnetic field, or a pressure-sensitive sensor (piezoelectric sensor, etc.) for detecting pressure applied by a vehicle, etc., according to embodiments. possible.

통신부(115)는, 유선으로 또는 무선 통신 네트워크에 접속하여, 차량 번호판 인식 장치(100)가 차량 번호판 인식 관리 장치(200) 및 단말기(3) 중 적어도 하나와 통신을 수행할 수 있도록 마련된다. 예를 들어, 통신부(115)는 차량 번호판 인식 관리 장치(200)로부터 분석용 학습 모델이나 애플리케이션 등을 수신할 수도 있고, 촬영부(111)가 획득한 분석 대상 영상이나 프로세서(120)가 획득한 번호판 분석 결과(즉, 해당 차량의 차량번호)를 차량 번호판 인식 관리 장치(200) 및 단말 장치(3) 중 적어도 하나로 송신할 수도 있다. 통신부(115)는, 실시예에 따라, 유선 케이블 단자 및 랜카드 등을 포함할 수도 있고, 통신칩, 통신칩이 실장된 회로기판 및 안테나 등을 포함할 수도 있다.The communication unit 115 is connected to a wired or wireless communication network so that the license plate recognition device 100 can communicate with at least one of the license plate recognition management device 200 and the terminal 3. For example, the communication unit 115 may receive a learning model or application for analysis from the vehicle license plate recognition management device 200, or an analysis target image acquired by the photographing unit 111 or obtained by the processor 120. The license plate analysis result (ie, the license plate number of the vehicle) may be transmitted to at least one of the license plate recognition management device 200 and the terminal device 3 . Depending on the embodiment, the communication unit 115 may include a wired cable terminal and a LAN card, or may include a communication chip, a circuit board on which the communication chip is mounted, and an antenna.

입출력부(117)는, 사용자(차량 번호판 인식 장치(100)의 설계자나 관리자 및/또는 차량 등의 운전자나 동승자 등을 포함할 수 있음)로부터 명령 또는 데이터 등을 입력 받거나 및/또는 사용자에게 필요한 정보(예를 들어, 분석 대상 영상 데이터(10), 인식된 차량 번호, 차량의 종류, 입차 승인 여부, 입차 시간, 출차 시간, 입차 및 출차 시간 간의 간격(예를 들어, 주차 시간 등) 및/또는 요금 등)를 시각적 및/또는 청각적으로 제공할 수 있다. 이에 따라 사용자는 차량 번호판 인식 장치(100)로 원하는 데이터(예를 들어, 지정 차량에 대한 정보 등)를 입력하거나 및/또는 차량 번호판 인식 장치(100)로부터 차량 번호의 인식 여부나, 차량 번호 인식의 정확 여부, 차량 번호 인식에 대응하는 처리 결과(일례로 요금 등) 등을 용이하게 파악할 수 있게 된다. 입출력부(117)는, 입력부 및 출력부 중 적어도 하나를 포함할 수 있으며, 여기서, 입력부는, 예를 들어, 물리버튼, 키보드, 키패드, 카드 수납기, 터치 스크린, 터치 패드, 스캐너, 마이크로 폰, 마우스, 태블릿 입력 장치, 트랙볼, 트랙패드 및/또는 데이터 입출력 단자(범용직렬버스 단자 등) 등을 포함할 수 있으며, 출력부는 디스플레이, 프린터 장치, 스피커 장치, 영상 출력 단자 및/또는 데이터 입출력 단자 등을 포함할 수 있으나, 상술한 예시에 한정되는 것은 아니다.The input/output unit 117 receives commands or data from a user (which may include a designer or manager of the vehicle license plate recognition device 100 and/or a driver or passenger of a vehicle) and/or receives necessary information from the user. Information (eg, analysis target image data 10, recognized vehicle number, type of vehicle, whether entry is approved, entry time, exit time, interval between entry and exit times (eg, parking time, etc.) and / or fees) may be provided visually and/or audibly. Accordingly, the user inputs desired data (eg, information on a designated vehicle, etc.) into the license plate recognition device 100, and/or recognizes the vehicle number from the license plate recognition device 100 or recognizes the vehicle number. It is possible to easily determine whether the is correct, a processing result corresponding to vehicle number recognition (for example, a fee, etc.), and the like. The input/output unit 117 may include at least one of an input unit and an output unit, where the input unit includes, for example, a physical button, a keyboard, a keypad, a card receiver, a touch screen, a touch pad, a scanner, a microphone, It may include a mouse, tablet input device, track ball, track pad, and/or data input/output terminal (universal serial bus terminal, etc.), and the output unit may include a display, printer device, speaker device, video output terminal, and/or data input/output terminal, etc. It may include, but is not limited to the above examples.

저장부(119)는 차량 번호판 인식 장치(100)의 동작에 필요한 다양한 정보나 애플리케이션을 일시적 또는 비일시적으로 저장할 수 있다. 예를 들어, 저장부(119)는 수신한 분석용 학습 모델이나 애플리케이션을 저장하고, 프로세서(120)의 호출에 따라 분석용 학습 모델이나 애플리케이션을 프로세서(120)에 제공할 수도 있다 또한, 저장부(119)는 촬영부(111)가 획득한 분석 대상 영상 데이터(10)를 저장하거나, 프로세서(120)가 분석 대상 영상 데이터(10)로부터 검출한 차량 번호판(이하 목적 차량 번호판)이나 목적 차량 번호판으로부터 획득한 해당 차량의 차량번호(문자 및/또는 숫자로 이루어진 것일 수 있음)를 저장할 수도 있다. 저장부(119)는, 예를 들어, 주기억장치(롬이나 램) 및 보조기억장치(플래시 메모리 장치, 솔리드 스테이트 드라이브나 하드 디스크 드라이브 등) 중 적어도 하나를 포함할 수 있다.The storage unit 119 may temporarily or non-temporarily store various information or applications necessary for the operation of the license plate recognition device 100 . For example, the storage unit 119 may store the received learning model or application for analysis, and may provide the learning model or application for analysis to the processor 120 according to a call of the processor 120. 119 stores the image data 10 to be analyzed acquired by the photographing unit 111, or the license plate (hereinafter, the license plate of the target vehicle) or the license plate of the target vehicle detected by the processor 120 from the image data 10 to be analyzed. The license plate number (which may consist of letters and/or numbers) of the corresponding vehicle obtained from may be stored. The storage unit 119 may include, for example, at least one of a main memory device (ROM or RAM) and an auxiliary memory device (a flash memory device, a solid state drive or a hard disk drive, etc.).

프로세서(120)는, 분석 대상 영상 데이터(10)를 이용하여 촬영된 차량의 차량 번호판(즉, 목적 차량 번호판)을 인식하고, 그 결과 촬영된 차량에 대한 차량번호를 획득할 수 있다. 이를 위해 프로세서(120)는, 저장부(119)에 저장된 애플리케이션을 이용하여 차량번호판 인식 및 차량번호 획득 과정을 수행할 수도 있다. 이 경우, 애플리케이션의 전부 또는 일부는 차량 번호판 인식 관리 장치(200)로부터 전송된 것일 수도 있다. 애플리케이션의 일부가 차량 번호판 인식 관리 장치(200)로부터 전송된 경우, 일 실시예에 의하면, 애플리케이션에 포함되거나 이용되는 분석용 학습 모델(98)이 차량 번호판 인식 관리 장치(200)로부터 전송된 것일 수도 있으며, 프로세서(110)는 차량 번호판 인식 관리 장치(200)로부터 수신한 분석용 학습 모델(98)을 이용하여 기존의 애플리케이션을 수정 및 갱신함으로써 차량 인식 및 분석을 위한 새로운 애플리케이션을 획득하고, 획득한 새로운 애플리케이션을 목적 차량 번호판의 인식 및 차량번호의 획득에 이용할 수도 있다. 또한, 프로세서(120)는 차량 번호판 인식 장치(100)의 전반적인 동작을 제어할 수도 있다. 예를 들어, 프로세서(120)는 감지부(113)가 출력한 감지 신호를 수신하고, 수신한 감지 신호에 응하여 촬영 명령을 생성한 후 촬영 명령을 촬영부(111)로 전달할 수도 있다. 일 실시예에 의하면, 프로세서(120)는, 예를 들어, 중앙 처리 장치(CPU, Central Processing Unit), 마이크로 컨트롤러 유닛(MCU, Micro Controller Unit), 마이컴(Micom, Micro Processor), 애플리케이션 프로세서(AP, Application Processor), 전자 제어 유닛(ECU, Electronic Controlling Unit) 및/또는 각종 연산 처리 및 제어 신호의 생성이 가능한 다른 전자 장치 등을 포함할 수 있다. 이들은 하나 또는 둘 이상의 반도체 칩 등을 이용하여 구현된 것일 수 있다.The processor 120 may recognize a vehicle license plate (ie, a target vehicle license plate) of a photographed vehicle using the analysis target image data 10 and, as a result, acquire the license plate of the photographed vehicle. To this end, the processor 120 may perform a license plate recognition and license acquisition process using an application stored in the storage unit 119 . In this case, all or part of the application may be transmitted from the license plate recognition management device 200 . If part of the application is transmitted from the license plate recognition management device 200, according to an embodiment, the learning model 98 for analysis included in or used in the application may be transmitted from the license plate recognition management device 200. In addition, the processor 110 obtains a new application for vehicle recognition and analysis by modifying and updating the existing application using the learning model 98 for analysis received from the vehicle license plate recognition management device 200, and obtains a new application for vehicle recognition and analysis. A new application may be used for recognizing a license plate of a target vehicle and acquiring the license plate number. Also, the processor 120 may control overall operations of the vehicle license plate recognition apparatus 100 . For example, the processor 120 may receive a detection signal output from the detector 113, generate a photographing command in response to the received detection signal, and transmit the photographing command to the photographing unit 111. According to an embodiment, the processor 120 may include, for example, a central processing unit (CPU), a micro controller unit (MCU), a micro processor (Micom), an application processor (AP), , Application Processor), electronic control unit (ECU), and/or other electronic devices capable of generating various arithmetic processing and control signals. These may be implemented using one or two or more semiconductor chips.

일 실시예에 의하면, 프로세서(120)는 도 2에 도시된 바와 같이 영상 처리부(130), 애플리케이션 처리부(121) 및 외부접속관리부(123)를 포함할 수 있다. 애플리케이션 처리부(121) 및 외부접속관리부(123) 중 적어도 하나는 생략 가능하다. 영상 처리부(130), 애플리케이션 처리부(121) 및 외부접속관리부(123)는 논리적으로 구분되는 것일 수도 있고 물리적으로 구분되는 것일 수도 있으며, 물리적으로 구분되는 경우, 영상 처리부(130), 애플리케이션 처리부(121) 및 외부접속관리부(123) 각각은 서로 상이한 반도체 칩 등을 이용하여 구현된 것일 수 있다.According to an embodiment, the processor 120 may include an image processing unit 130, an application processing unit 121, and an external connection management unit 123 as shown in FIG. At least one of the application processing unit 121 and the external connection management unit 123 may be omitted. The image processing unit 130, the application processing unit 121, and the external connection management unit 123 may be logically or physically separated. ) and the external connection management unit 123 may be implemented using different semiconductor chips or the like.

도 3은 차량 번호판 인식 장치에 의해 번호판이 인식되는 일례를 도시한 도면이다.3 is a diagram showing an example of recognizing a license plate by a vehicle license plate recognition device.

영상 처리부(130)는 분석 대상 영상 데이터(10)를 분석하여, 차량 번호판을 획득하고, 필요에 따라 차량번호를 더 획득할 수 있다. 구체적으로 예를 들어, 영상 처리부는, 도 2에 도시된 바와 같이, 번호판 검출부(131), 화질향상부(133), 문자인식부(135) 및 결과출력부(137)를 포함할 수 있다. The image processing unit 130 analyzes the analysis target image data 10 to obtain a vehicle license plate, and may further acquire vehicle license plates as necessary. Specifically, for example, the image processing unit, as shown in FIG. 2, may include a license plate detection unit 131, an image quality enhancement unit 133, a character recognition unit 135 and a result output unit 137.

번호판 검출부(131)는, 도 3에 도시된 바와 같이 촬영부(111)가 획득한 분석 대상 영상 데이터(10)를 수신할 수 있다. 여기서, 분석 대상 영상 데이터(10)는, 상술한 바와 같이 저품질의 영상일 수도 있다. 번호판 검출부(131)는 수신한 분석 대상 영상 데이터(10)를 분석하여, 분석 대상 영상 데이터(10)에 차량 번호판(9)이 존재하는지를 판단할 수 있다. 여기서, 검출부(131)는 분석 대상 영상 데이터(10) 내에 외형적으로 차량 번호판(9)의 형상과 동일하거나 유사한 형상의 존재 여부를 이용하여 차량 번호판(9)의 존재 여부를 확인할 수 있으며, 필요에 따라서 차량의 전체적인 외형에 대한 차량 번호판(9)의 위치 등을 참조하여 차량 번호판(9)을 분석 대상 영상 데이터(10)로부터 검출할 수도 있다. 일 실시예에 의하면, 번호판 검출부(131)는, 분석 대상 영상 데이터(10)로부터 차량 번호판(9)을 검출하기 위해 적어도 하나의 학습 모델을 이용할 수도 있다. 예를 들어, 검출부(131)는 차량 번호판(9)에 대응하는 형상을 검출하거나, 또는 차량의 전체적인 외형 식별 및 차량의 전체적인 외형에 대한 차량 번호판(9)의 위치 파악을 위해 적어도 하나의 학습 모델을 이용하는 것도 가능하다. 적어도 하나의 학습 모델은 차량 번호판 인식 관리 장치(200)로부터 전달된 것일 수 있다. 여기서, 적어도 하나의 학습 모델은, 실시예에 따라서, 심층 신경망(DNN: Deep Neural Network), 콘볼루션 신경망(CNN: Convolution Neural Network), 순환 신경망(RNN: Recurrent Neural Network), 장단기 메모리(LSTM: Long short term memory), 생성적 적대 신경망(GAN: Generative Adversarial Network), 조건적 생성적 적대 신경망(cGAN: Conditional GAN) 및/또는 심층 강화 학습(Deep reinforcement learning) 등 영상 분석을 위해 이용 가능한 적어도 하나의 학습 모델을 포함할 수 있다.The license plate detector 131 may receive the analysis target image data 10 obtained by the photographing unit 111 as shown in FIG. 3 . Here, the analysis object image data 10 may be a low-quality image as described above. The license plate detector 131 may analyze the received image data 10 to be analyzed and determine whether the vehicle license plate 9 exists in the image data 10 to be analyzed. Here, the detection unit 131 may check the presence or absence of the vehicle license plate 9 by using the presence or absence of a shape identical to or similar to the shape of the vehicle license plate 9 in the image data 10 to be analyzed, if necessary. Accordingly, the license plate 9 may be detected from the image data 10 to be analyzed by referring to the location of the license plate 9 with respect to the overall appearance of the vehicle. According to an embodiment, the license plate detector 131 may use at least one learning model to detect the license plate 9 from the image data 10 to be analyzed. For example, the detection unit 131 detects a shape corresponding to the vehicle license plate 9, or at least one learning model for identifying the overall external appearance of the vehicle and locating the vehicle license plate 9 with respect to the overall external appearance of the vehicle. It is also possible to use At least one learning model may be transmitted from the license plate recognition management device 200 . Here, the at least one learning model is, according to an embodiment, a deep neural network (DNN), a convolution neural network (CNN), a recurrent neural network (RNN), a long short-term memory (LSTM: Long short term memory), generative adversarial network (GAN), conditional generative adversarial network (cGAN), and/or deep reinforcement learning. may include a learning model of

화질 향상부(133)는 차량 번호판(9)의 위치 파악 및 검출이 완료되면, 적어도 하나의 분석 대상 영상 데이터(10)의 화질에 대한 개선 처리를 수행하여 적어도 하나의 화질이 개선된 분석 대상 영상 데이터(11)를 획득할 수 있다. 화질 개선 처리는 분석 대상 영상 데이터(10)의 콘트라스트나 밝기를 조절하거나, 노이즈를 제거하거나 또는 불명확한 부분을 명확하게 수정하는 등의 방법을 통해 수행될 수 있다. 화질 향상부(133) 역시 화질 개선을 위해 적어도 하나의 학습 모델을 이용할 수 있으며, 여기서 이용되는 학습 모델은 번호판 검출부(131)가 이용하는 학습 모델과 동일할 수도 있고 또는 상이할 수도 있다. 화질 향상부(133)가 이용하는 적어도 하나의 학습 모델 역시 차량 번호판 인식 관리 장치(200)로부터 전달된 것일 수 있다. 화질 향상부(133)는 필요에 따라 생략 가능하다.When the positioning and detection of the vehicle license plate 9 is completed, the image quality improving unit 133 performs an improvement process on the image quality of at least one image data 10 to be analyzed, and at least one image to be analyzed in which the image quality is improved. Data (11) can be obtained. Image quality improvement processing may be performed through methods such as adjusting the contrast or brightness of the image data 10 to be analyzed, removing noise, or clearly correcting unclear parts. The image quality enhancement unit 133 may also use at least one learning model to improve image quality, and the learning model used here may be the same as or different from the learning model used by the license plate detection unit 131. At least one learning model used by the image quality improving unit 133 may also be transmitted from the license plate recognition management device 200 . The image quality improving unit 133 can be omitted if necessary.

문자 인식부(135)는 번호판 검출부(131)가 번호판(9)을 검출한 영상 데이터(10) 또는 화질 향상부(133)에 의해 화질 개선 처리가 수행된 영상 데이터(11)로부터 차량 번호판(9)을 추출하고, 추출한 차량 번호판(9)으로부터 문자 또는 숫자(9A)를 인식함으로써 차량에 대한 차량 번호를 획득할 수 있다. 문자 인식부(135)는 소정의 문자 인식 알고리즘을 적어도 하나 이용하여 차량 번호판(9)으로부터 문자나 숫자를 인식할 수 있으며, 소정의 문자 인식 알고리즘은 적어도 하나의 학습 모델을 기반으로 구축된 것일 수 있다. 여기서, 문자 인식 알고리즘에 이용되는 적어도 하나의 학습 모델도 차량 번호판 인식 관리 장치(200)로부터 전달된 것일 수 있다. 또한, 문자 인식부(135)가 이용하는 학습 모델은, 번호판 검출부(131) 또는 화질 향상부(133)가 이용하는 학습 모델과 동일할 수도 있고 상이할 수도 있다.The character recognition unit 135 is a vehicle license plate 9 from the image data 10 in which the license plate detection unit 131 detects the license plate 9 or the image data 11 in which the image quality improvement process has been performed by the image quality improvement unit 133. ), and recognizing letters or numbers 9A from the extracted license plate 9, it is possible to obtain the vehicle number for the vehicle. The character recognition unit 135 may recognize letters or numbers from the vehicle license plate 9 using at least one predetermined character recognition algorithm, and the predetermined character recognition algorithm may be built based on at least one learning model. there is. Here, at least one learning model used in the text recognition algorithm may also be transmitted from the vehicle license plate recognition management device 200 . Also, the learning model used by the character recognition unit 135 may be the same as or different from the learning model used by the license plate detection unit 131 or the image quality enhancement unit 133.

결과 출력부(137)는 문자 인식부(135)의 문자 인식 결과를 전기적 신호 형태로 출력하여, 통신부(115), 입출력부(117) 및 저장부(119) 중 어느 하나로 전달할 수 있다.The result output unit 137 may output the character recognition result of the character recognition unit 135 in the form of an electrical signal and transmit it to one of the communication unit 115, the input/output unit 117, and the storage unit 119.

애플리케이션 처리부(121)는 차량 번호판 인식 관리 장치(200)가 적어도 하나의 학습 모델(98)을 전송한 경우, 학습 모델(98)을 기존의 애플리케이션에 추가하거나 또는 수신한 적어도 하나의 학습 모델(98)에 대응하는 기존의 애플리케이션의 적어도 하나의 학습 모델을 대체함으로써 애플리케이션을 수정할 수 있다. 수정된 애플리케이션은 영상 처리부(130)에 전달될 수 있으며, 영상 처리부(130)는 수신한 애플리케이션을 이용하여 번호판 검출(131), 화질 향상(133, 생략 가능함), 문자 인식(135) 및 결과 출력(137)의 동작을 수행할 수 있다.When the license plate recognition management device 200 transmits at least one learning model 98, the application processing unit 121 adds the learning model 98 to an existing application or adds at least one learning model 98 received. ), the application may be modified by replacing at least one learning model of an existing application corresponding to ). The modified application may be delivered to the image processing unit 130, and the image processing unit 130 uses the received application to detect license plates (131), improve image quality (133, can be omitted), recognize text (135), and output results. The operation of (137) can be performed.

외부 접속 관리부(123)는 단말 장치(3)의 접속 및 요청에 따라 단말 장치(3)로부터 전달된 요청 사항을 분석하고, 요청 사항에 따라 차량 번호판 인식 장치(100)가 동작하도록 할 수 있다. 예를 들어, 외부 접속 관리부(123)는, 단말 장치(3)로부터 전달된 정보 전달 요청에 따라 단말 장치(3)로 요청된 정보(예를 들어, 번호판 인식 결과나, 이에 따른 과금 처리 동작 결과나, 차단기 등의 동작 제어 결과 등)를 결정 및 획득하고, 통신부(115)를 제어하여 단말 장치(3)로 요청된 정보가 전달되도록 할 수 있다. 실시예에 따라서, 외부 접속 관리부(123)는 접속을 요청한 단말 장치(3)나 단말 장치(3)의 사용자에 대한 인증을 수행하고, 인증 결과에 따라서 전달된 요청의 처리 여부를 결정할 수도 있다. 외부 접속 관리부(123)는, 예를 들어, 응용 프로그램 프로그래밍 인터페이스를 기반으로 구현된 것일 수 있다.The external access management unit 123 may analyze the request transmitted from the terminal device 3 according to the connection and request of the terminal device 3, and operate the vehicle license plate recognition device 100 according to the request. For example, the external connection management unit 123 transmits the information requested to the terminal device 3 according to the information transmission request transmitted from the terminal device 3 (eg, a license plate recognition result or a billing processing operation result according thereto). or operation control result of a circuit breaker, etc.) may be determined and acquired, and the requested information may be transmitted to the terminal device 3 by controlling the communication unit 115 . Depending on the embodiment, the external access management unit 123 may perform authentication on the terminal device 3 requesting access or the user of the terminal device 3, and may determine whether or not to process the transmitted request according to the authentication result. The external connection management unit 123 may be implemented based on, for example, an application program programming interface.

상술한 바 이외에도 프로세서(120)는 실시예에 따라 다양한 동작을 수행할 수도 있다. 예를 들어, 프로세서(120)는 차량 번호가 확인되면, 확인된 차량 번호를 입출력부(117)가 외부로 시각적 또는 청각적으로 출력하도록 제어하거나, 확인된 차량 번호를 기반으로 입차 시간 및 출차 시간을 결정하고 결정된 입차 시간 및 출차 시간을 기준으로 요금(주차 요금 등)을 결정하거나, 해당 차량에 대한 진입 또는 진출 여부의 결정 및 결정에 대응하는 차단바의 동작 제어를 수행하도록 하는 등 소정의 동작을 수행할 수 있다. 이와 같은 동작은 차량 번호판 인식 장치(100)의 설치 위치(예를 들어, 일반 도로나 주차장 진입로 등) 등에 따라 상이할 수도 있다. 이외에도 프로세서(120)는 설계자의 선택에 따라 다양한 동작을 더 수행할 수도 있다.In addition to the above, the processor 120 may perform various operations according to embodiments. For example, when the vehicle number is confirmed, the processor 120 controls the input/output unit 117 to visually or aurally output the confirmed vehicle number to the outside, or the input/output time and exit time based on the confirmed vehicle number. Determines a predetermined operation such as determining a fee (parking fee, etc.) based on the determined entry and exit time, or determining whether to enter or leave the vehicle and controlling the operation of the blocking bar corresponding to the decision. can be performed. Such an operation may be different depending on the installation location of the vehicle license plate recognition device 100 (eg, a general road or a parking lot access road). In addition, the processor 120 may further perform various operations according to a designer's selection.

이하 도 4를 참조하여 차량 번호판 인식 관리 장치(200)의 일 실시예에 대해 설명한다.Hereinafter, an embodiment of the vehicle license plate recognition management device 200 will be described with reference to FIG. 4 .

도 4는 차량 번호판 인식 관리 장치의 일 실시예에 대한 블록도이다.4 is a block diagram of an embodiment of an apparatus for managing license plate recognition.

도 4에 도시된 바를 참조하면, 차량 번호판 인식 관리 장치(200)는, 일 실시예에 있어서, 통신부(211), 입출력부(213, 생략 가능함), 저장부(215) 및 프로세서(220)를 포함할 수 있다. Referring to FIG. 4 , the vehicle license plate recognition management device 200, in one embodiment, includes a communication unit 211, an input/output unit 213 (can be omitted), a storage unit 215, and a processor 220. can include

통신부(211)는, 유무선 통신 네트워크에 접속하여 적어도 하나의 차량 번호판 인식 장치(100)와 통신을 수행하여 데이터 등을 송수신할 수 있으며, 예를 들어, 제1 차량 번호판 인식 장치(100-1), 제2 차량 번호판 인식 장치(100-2) 내지 제K 차량 번호판 인식 장치(100-K) 중 적어도 하나와 통신 가능하게 연결되어 데이터 등을 송수신할 수 있다. 이 경우, 통신부(211)는 프로세서(220)가 획득한 학습 모델(98) 또는 학습 모델을 포함하는 애플리케이션을 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 전달할 수 있다. 여기서, 통신부(211)에 의해 전송되는 학습 모델(98) 또는 애플리케이션은 각각의 차량 번호판 인식 장치(100)마다 동일할 수도 있고, 상이할 수도 있다. 차량 번호판 인식 장치(100: 100-1 내지 100-K)로의 학습 모델(98) 또는 애플리케이션의 전송은 각각의 차량 번호판 인식 장치(100)에 대한 학습 모델(98)의 획득 또는 수정 시마다 수행될 수도 있다. 실시예에 따라서, 어느 하나의 인식 장치 집단(R-1 내지 R-K)에 복수의 차량 번호판 인식 장치(일례로 100-2 내지 100-4)가 존재하는 경우, 학습 모델(98) 또는 애플리케이션은 해당 인식 장치 집단(일례로 R-2)에 속하는 차량 번호판 인식 장치(일례로 100-2 내지 100-4) 각각으로 순차적으로 또는 동시에 전송될 수도 있다. 통신부(211)는, 차량 번호판 인식 장치(100)의 통신부(115)와 동일하게 실시예에 따라, 유선 케이블 단자 및 랜카드 등을 포함할 수도 있고, 통신칩, 통신칩이 실장된 회로기판 및 안테나 등을 포함할 수도 있다.The communication unit 211 may connect to a wired/wireless communication network to communicate with at least one license plate recognition device 100 to transmit and receive data and the like, for example, the first license plate recognition device 100-1 , The second license plate recognition device 100-2 to at least one of the K-th license plate recognition device 100-K may be communicatively connected to transmit and receive data. In this case, the communication unit 211 may transmit the learning model 98 acquired by the processor 220 or an application including the learning model to at least one license plate recognition device 100 (100-1 to 100-K). . Here, the learning model 98 or application transmitted by the communication unit 211 may be the same or different for each license plate recognition device 100 . Transmission of the learning model 98 or application to the vehicle license plate recognition apparatus 100: 100-1 to 100-K may be performed each time the learning model 98 for each license plate recognition apparatus 100 is acquired or modified. there is. Depending on the embodiment, when a plurality of license plate recognition devices (for example, 100-2 to 100-4) exist in any one recognition device group (R-1 to R-K), the learning model 98 or application It may be sequentially or simultaneously transmitted to each of the vehicle license plate recognition devices (for example, 100-2 to 100-4) belonging to the recognition device group (for example, R-2). The communication unit 211, like the communication unit 115 of the vehicle license plate recognition device 100, may include a wired cable terminal and a LAN card, etc., depending on the embodiment, and a communication chip, a circuit board on which the communication chip is mounted, and an antenna. etc. may be included.

입출력부(213)는 차량 번호판 인식 관리 장치(200)를 위한 데이터나 명령을 입력 받거나 및/또는 차랑 번호판 인식 관리 장치(200)가 획득하거나 또는 저장하고 있는 데이터나 애플리케이션 등을 외부로 출력할 수 있다. 입출력부(213)는, 차량 번호판 인식 장치(100)의 입출력부(117)와 동일하게, 입력부 및 출력부 중 적어도 하나를 포함할 수 있으며, 입력부는 키보드, 마우스 장치나 데이터 입출력 단자 등을 포함하고, 출력부는 디스플레이나 데이터 입출력 단자 등을 포함할 수 있다.The input/output unit 213 may receive data or commands for the license plate recognition management device 200 and/or output data or applications acquired or stored by the license plate recognition management device 200 to the outside. there is. Like the input/output unit 117 of the vehicle license plate recognition device 100, the input/output unit 213 may include at least one of an input unit and an output unit, and the input unit includes a keyboard, a mouse device, or a data input/output terminal. And, the output unit may include a display or a data input/output terminal.

저장부(215)는 차량 번호판 인식 관리 장치(200)의 동작에 필요한 적어도 하나의 데이터나 애플리케이션을 일시적 또는 비일시적으로 저장할 수 있다. 예를 들어, 저장부(215)는 외부로부터 수신하거나 또는 사용자에 의해 정의된 적어도 하나의 초기 학습 모델이나, 프로세서(220)가 생성한 분석용 학습 모델(98)이나, 분석용 학습 모델(98)을 포함하는 애플리케이션이나, 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)로부터 수신한 영상 데이터(97, 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 획득한 분석 대상 영상 데이터(10)를 포함할 수도 있음)나, 분석용 학습 모델(98)의 생성을 위한 애플리케이션 파이프라인(99) 등을 저장할 수 있다. 또한, 저장부(215)는 프로세서(220)의 동작을 위해 마련된 적어도 하나의 애플리케이션(명령어, 라이브러리 및/또는 변수 등을 포함할 수 있음) 등을 저장할 수도 있다. 저장부(215)는, 프로세서(220)의 호출에 따라 저장한 데이터(97, 98)나 애플리케이션 파이프라인(98) 등을 프로세서(220)에 제공할 수 있다. 저장부(215)는 주기억장치 및 보조기억장치 중 적어도 하나를 이용하여 구현 가능하다.The storage unit 215 may temporarily or non-temporarily store at least one data or application necessary for the operation of the license plate recognition management device 200 . For example, the storage unit 215 may store at least one initial learning model received from the outside or defined by a user, a learning model 98 for analysis generated by the processor 220, or a learning model 98 for analysis. ), or image data 97 received from each license plate recognition device (100: 100-1 to 100-K), at least one license plate recognition device (100: 100-1 to 100-K) may include the acquired image data 10 for analysis), an application pipeline 99 for generating a learning model 98 for analysis, and the like. Also, the storage unit 215 may store at least one application (which may include commands, libraries, and/or variables) prepared for the operation of the processor 220 . The storage unit 215 may provide the stored data 97 and 98 or the application pipeline 98 to the processor 220 according to a call of the processor 220 . The storage unit 215 can be implemented using at least one of a main memory device and an auxiliary memory device.

프로세서(220)는 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 제공될 분석용 학습 모델(98)을 생성할 수 있다. 일 실시예에 의하면, 프로세서(220)는, 도 4에 도시된 바와 같이, 학습 모델 처리부(221), 학습 모델 배포 관리부(223) 및 성능 검사부(225)를 포함할 수 있다. 이 중 학습 모델 배포 관리부(223) 및/또는 성능 검사부(225)는 생략 가능하다. 학습 모델 처리부(221), 학습 모델 배포 관리부(223) 및 성능 검사부(225) 각각은 실시예에 따라 논리적 및/또는 물리적으로 구분되는 것일 수 있다.The processor 220 may generate a learning model 98 for analysis to be provided to at least one license plate recognition device 100 (100-1 to 100-K). According to an embodiment, the processor 220 may include a learning model processing unit 221, a learning model distribution management unit 223, and a performance inspection unit 225, as shown in FIG. 4 . Among them, the learning model distribution management unit 223 and/or the performance inspection unit 225 may be omitted. Each of the learning model processing unit 221, the learning model distribution management unit 223, and the performance inspection unit 225 may be logically and/or physically divided according to embodiments.

학습 모델 처리부(221)는 분석용 학습 모델(98)을 획득하고, 획득한 분석용 학습 모델(98)을 통신부(211) 및 저장부(215) 중 적어도 하나로 전달할 수 있다. 구체적으로 학습 모델 처리부(221)는 설계자나 관리자에 의해 별도로 입력되거나 및/또는 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)으로부터 전달된 영상 데이터(97)를 획득하고, 획득한 영상 데이터(97)를 이용하여 기 저장된 적어도 하나의 학습 모델(이하 후보 학습 모델) 또는 기 획득된 분석용 학습 모델(98)을 훈련시킴으로써, 새로운 또는 수정된 분석 대상 학습 모델(98)을 획득할 수 있다. 학습 모델 처리부(211)는, 일 실시예에 의하면, 분석 대상 학습 모델(98)이 배포될 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 따라서 상이하게 적어도 하나의 후보 학습 모델 또는 기 획득된 분석용 학습 모델(98)을 훈련시킴으로써 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K) 각각에 대응하는 분석 대상 학습 모델(98)을 새롭게 또는 수정하여 획득할 수도 있다. 다른 일 실시예에 의하면, 학습 모델 처리부(211)는 인식 장치 집단(R-1 내지 R-K) 각각마다 상이하게 적어도 하나의 후보 학습 모델 또는 기 획득된 분석용 학습 모델(98)을 훈련시킴으로써 각각의 인식 장치 집단(R-1 내지 R-K)에 대응하는 새롭거나 수정된 분석 대상 학습 모델(98)을 획득할 수도 있다. 이 경우, 인식 장치 집단(R-1 내지 R-K) 각각에 대응하여 획득된 분석 대상 학습 모델(98)은 인식 장치 집단(R-1 내지 R-K) 각각으로 배포될 수 있으며, 이에 따라 동일한 인식 장치 집단(R-1 내지 R-K)에 속하는 적어도 하나의 학습 모델 인식 장치(100-1, 100-2 내지 100-4, 100-(K-3) 내지 100-K)는 동일한 분석용 학습 모델(98)을 수신 및 이용할 수 있게 된다. 여기서, 분석용 학습 모델(98)의 획득을 위해 훈련되는 후보 학습 모델은, 예를 들어, 심층 신경망, 콘볼루션 신경망, 순환 신경망, 장단기 메모리, 생성적 적대 신경망, 조건적 생성적 적대 신경망 및/또는 심층 강화 학습 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.The learning model processing unit 221 may acquire the learning model 98 for analysis and transfer the acquired learning model 98 for analysis to at least one of the communication unit 211 and the storage unit 215 . Specifically, the learning model processing unit 221 acquires image data 97 that is separately input by a designer or manager and/or transmitted from at least one license plate recognition device 100: 100-1 to 100-K, By using the acquired image data 97 to train at least one pre-stored learning model (hereinafter referred to as candidate learning model) or the pre-acquired learning model 98 for analysis, a new or modified learning model 98 to be analyzed is formed. can be obtained The learning model processing unit 211, according to an embodiment, at least one candidate differently according to at least one license plate recognition device (100: 100-1 to 100-K) to which the analysis target learning model 98 is to be distributed. By training a learning model or a previously acquired learning model 98 for analysis, at least one license plate recognition device 100: by newly or modifying the learning model 98 to be analyzed corresponding to each of 100-1 to 100-K may also be obtained. According to another embodiment, the learning model processing unit 211 trains at least one candidate learning model or the previously obtained learning model 98 for analysis differently for each of the recognition device groups R-1 to R-K. A new or modified analysis target learning model 98 corresponding to the recognition device groups R-1 to R-K may be obtained. In this case, the analysis target learning model 98 obtained in correspondence with each of the recognition device groups R-1 to R-K may be distributed to each of the recognition device groups R-1 to R-K, and thus the same recognition device group. At least one of the learning model recognition devices 100-1, 100-2 to 100-4, and 100-(K-3) to 100-K belonging to (R-1 to R-K) is the same learning model for analysis (98). receive and use it. Here, the candidate learning models to be trained for the acquisition of the learning model 98 for analysis include, for example, a deep neural network, a convolutional neural network, a recurrent neural network, a long short-term memory, a generative adversarial network, a conditional generative adversarial network, and/or Alternatively, deep reinforcement learning may be included, but is not limited thereto.

일 실시예에 의하면, 학습 모델 처리부(221)는 애플리케이션 파이프라인(99)을 이용하여 적절한 분석용 학습 모델(98)을 획득할 수도 있다. 구체적으로 학습 모델 처리부(221)는 적어도 하나의 후보 학습 모델 또는 적어도 하나의 기존의 분석용 학습 모델(98)을 획득하고, 이와 동시에 또는 이에 선행하거나 후행하여 애플리케이션 파이프라인을 구축할 수 있다. 구축되는 애플리케이션 파이프라인은 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 차량 번호판(9)의 인식을 위해 이용되는 애플리케이션에 대응하여 마련된 것일 수 있다. 예를 들어, 애플리케이션 파이프라인(99)은, 번호판 검출 과정(131), 화질 향상 과정(133, 실시예에 따라 생략 가능함), 문자 인식 과정(135) 및 결과 출력 과정(137, 실시예에 따라 생략 가능함)을 순차적으로 포함하여 구축될 수 있으며, 필요에 따라서 입력될 영상 데이터(97)를 더 포함할 수도 있다. 애플리케이션 파이프라인(99)은 분석용 학습 모델(98)을 획득하고자 하는 차량 번호판 인식 장치(100: 100-1 내지 100-K)마다 상이할 수도 있고 또는 동일할 수도 있다. 애플리케이션 파이프라인(99)이 구축되면, 학습 모델 처리부(221)는, 이에 응하여, 애플리케이션 파이프라인(99)에 적어도 하나의 후보 학습 모델 또는 기 획득된 분석용 학습 모델(98)을 적용할 수 있다. 순차적으로 학습 모델 처리부(221)는, 영상 데이터(97)를 이용한 훈련을 통해 애플리케이션 파이프라인에 최적인 적어도 하나의 후보 학습 모델을 획득하고 획득한 적어도 하나의 후보 학습 모델을 분석용 학습 모델(98)로 결정함으로써, 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 이용할 적어도 하나의 분석용 학습 모델(98)을 획득하거나 또는 영상 데이터(97)를 이용하여 기존의 분석용 학습 모델(98)을 재 훈련시킴으로써 애플리케이션 파이프라인에 최적인 분석용 학습 모델(98)을 획득할 수도 있다.According to one embodiment, the learning model processing unit 221 may obtain an appropriate learning model 98 for analysis using the application pipeline 99 . Specifically, the learning model processing unit 221 may obtain at least one candidate learning model or at least one existing learning model 98 for analysis, and construct an application pipeline simultaneously with, prior to, or following the learning model 98 . The application pipeline to be built may be one prepared in response to an application in which the license plate recognition apparatuses 100 (100-1 to 100-K) are used for recognizing the license plate 9. For example, the application pipeline 99 includes a license plate detection process 131, an image quality improvement process 133 (can be omitted depending on the embodiment), a character recognition process 135, and a result output process 137 (depending on the embodiment). may be omitted) sequentially, and may further include image data 97 to be input if necessary. The application pipeline 99 may be different or the same for each license plate recognition device 100 (100-1 to 100-K) to acquire the learning model 98 for analysis. When the application pipeline 99 is built, the learning model processing unit 221 may apply at least one candidate learning model or a pre-obtained learning model 98 for analysis to the application pipeline 99 in response thereto. . Sequentially, the learning model processing unit 221 obtains at least one candidate learning model optimal for the application pipeline through training using the image data 97, and uses the obtained at least one candidate learning model as a learning model 98 for analysis. ), obtaining at least one learning model 98 for analysis to be used by the vehicle license plate recognition apparatuses 100: 100-1 to 100-K or using the image data 97 to obtain an existing learning model for analysis By retraining (98), it is possible to obtain a learning model (98) for analysis that is optimal for the application pipeline.

학습 모델 처리부(221)는 미리 정의된 설정에 따라 또는 사용자, 관리자나 설계자 등의 조작에 따라 기존의 후보 학습 모델 또는 분석용 학습 모델(98)에 대한 훈련을 수행할 수 있다. 필요에 따라, 사용자나 관리자 등은 학습을 위한 다양한 설정 값(model training configuration, 일례로 모델의 최적화나 구성을 위한 설정 값 등)과 같은 다양한 값들을 지정하여 입력할 수도 있다. 학습 모델 처리부(221)의 훈련 과정은 주기적 또는 비주기적으로 수행될 수도 있다. The learning model processing unit 221 may perform training on an existing candidate learning model or an analysis learning model 98 according to a predefined setting or an operation of a user, manager, or designer. If necessary, a user or manager may designate and input various values such as various setting values for learning (model training configuration, for example, setting values for optimization or configuration of a model, etc.). The training process of the learning model processing unit 221 may be performed periodically or non-periodically.

학습 모델 배포 관리부(223)는, 획득 또는 수정된 적어도 하나의 분석용 학습 모델(98)의 배포를 관리 및 처리할 수 있다. 구체적으로 학습 모델 배포 관리부(223)는, 분석용 학습 모델(98)을 대응하는 차량 번호판 인식 장치(100: 100-1 내지 100-K)로 전송하도록 통신부(211)를 제어할 수도 있다. 예를 들어, 학습 모델 배포 관리부(223)는, 분석용 학습 모델(98)의 획득을 위해 후보 학습 모델의 훈련에 이용된 영상 데이터(97)를 전송한 차량 번호판 인식 장치(100: 100-1 내지 100-K) 또는 인식 장치 집단(R-1 내지 R-K)으로 해당 분석용 학습 모델(98)을 전송하도록 제어할 수 있다. 여기서, 전달되는 분석용 학습 모델(98)은 상술한 바와 같이, 애플리케이션 파이프라인(99)에 최적인 후보 학습 모델을 포함할 수 있다. 학습 모델 배포 관리부(223)는 미리 정의된 설정에 따라 자동으로 또는 사용자 등의 조작에 따라 수동으로 분석용 학습 모델(98)을 배포할 수 있다.The learning model distribution management unit 223 may manage and process distribution of at least one acquired or modified learning model 98 for analysis. In detail, the learning model distribution management unit 223 may control the communication unit 211 to transmit the learning model 98 for analysis to the corresponding vehicle license plate recognition device 100 (100-1 to 100-K). For example, the learning model distribution management unit 223 transmits the image data 97 used for training of the candidate learning model to acquire the learning model 98 for analysis. to 100-K) or a group of recognition devices (R-1 to R-K), the learning model 98 for analysis may be transmitted. Here, the transferred learning model 98 for analysis may include a candidate learning model optimal for the application pipeline 99, as described above. The learning model distribution management unit 223 may automatically distribute the learning model 98 for analysis according to predefined settings or manually according to a user's manipulation.

성능 검사부(225)는 애플리케이션 파이프라인(99)에 최적인 학습 모델, 즉 분석용 학습 모델(98)이 적용된 애플리케이션 파이프라인(99)에 대한 성능을 검사할 수 있다. 성능 검사부(225)는 애플리케이션 파이프라인(99) 각각에 포함된 과정, 일례로 번호판 검출 과정(131), 화질 향상 과정(133), 문자 인식 과정(135) 및 결과 출력 과정(137) 각각마다 그 성능을 검사할 수 있다. 이 경우, 성능 검사부(225)는 임의의 영상 데이터(97)를 각각의 과정(131 내지 137)에 입력하고 그 결과를 확인하고 그 결과에 대응하는 스코어를 결정하여 성능 검사를 수행할 수도 있다. 성능 검사부(225)의 성능 검사는, 실시예에 따라서 주기적으로 또는 비주기적으로 수행될 수 있으며, 사용자나 관리자 등의 조작에 따라 수행될 수도 있다. 성능 검사부(225)의 검사 결과는 학습 모델 처리부(221)로 전달될 수 있으며, 학습 모델 처리부(221)는 성능 검사부(225)의 검사 결과에 따라서 후보 학습 모델 또는 분석용 학습 모델(98)에 대한 훈련을 수행할 수 있다. 예를 들어, 학습 모델 처리부(221)는 스코어가 상대적으로 낮거나 기준에 미달한 과정(131 내지 137)을 보강하기 위해 소정의 가중치를 부가하거나 및/또는 상이한 후보 학습 모델을 적용하여 분석용 학습 모델(98)을 획득할 수도 있다.The performance checker 225 may check the performance of the application pipeline 99 to which the learning model 98 for analysis, which is an optimal learning model for the application pipeline 99, is applied. The performance checker 225 processes each of the application pipelines 99, for example, a license plate detection process 131, an image quality improvement process 133, a character recognition process 135, and a result output process 137, respectively. performance can be checked. In this case, the performance test unit 225 may perform a performance test by inputting arbitrary image data 97 to each of the processes 131 to 137, confirming the result, and determining a score corresponding to the result. The performance test of the performance checker 225 may be performed periodically or non-periodically according to embodiments, or may be performed according to manipulations of a user or administrator. The inspection result of the performance inspection unit 225 may be transmitted to the learning model processing unit 221, and the learning model processing unit 221 may generate a candidate learning model or a learning model for analysis 98 according to the inspection result of the performance inspection unit 225. training can be performed. For example, the learning model processing unit 221 adds a predetermined weight and/or applies different candidate learning models to reinforce processes 131 to 137 whose scores are relatively low or which do not meet the criteria for learning for analysis. A model 98 may be acquired.

상술한 바와 같이 프로세서(220)의 학습 모델 처리부(221)는, 성능검사부(225)의 성능 검사 결과에 이용하여 또는 이를 이용하지 않고, 애플리케이션 파이프라인(99) 등에 후보 학습 모델이나 기 획득된 분석용 학습 모델(98)을 적용하고, 훈련을 통해 최적의 후보 학습 모델을 획득하거나 기 획득된 분석용 학습 모델(98)을 개선시킴으로써, 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)로 전달될 하나 또는 둘 이상의 분석용 학습 모델(98)을 획득할 수 있다. 통신부(211)는 프로세서(220)의 학습 모델 배포 관리부(223)의 제어에 따라 획득한 분석용 학습 모델(98)을 해당 차량 번호판 인식 장치(100: 100-1 내지 100-K)로 전송할 수 있으며, 해당 차량 번호판 인식 장치(100: 100-1 내지 100-K)는, 수신한 분석용 학습 모델(98)을 이용하여 보다 적절하게 분석 대상 영상 데이터(10)로부터 차량 번호판을 인식하고 차량 번호판으로부터 차량 번호를 획득할 수 있게 된다. 따라서, 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 저품질의 영상 데이터(10)만 획득할 수 있는 경우에도 최적의 학습 모델(99)을 이용하여 영상 데이터(10)를 분석하고 이를 기반으로 차량 번호판 인식 및 차량 번호 획득을 보다 효율적이고 효과적으로 수행할 수 있게 된다. 또한, 다수의 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 존재하고, 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 서로 상이한 품질의 영상 데이터(10)를 획득하는 경우에도, 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)마다 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 최적인 분석용 학습 모델(98)의 생성, 전달 및 이용이 가능하게 되어, 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)의 운용 효율이 개선되는 효과도 얻을 수 있다.As described above, the learning model processing unit 221 of the processor 220 uses the performance test result of the performance test unit 225 or not, and applies the candidate learning model to the application pipeline 99 or the previously obtained analysis. At least one license plate recognition device (100: 100-1 to 100 -K) to obtain one or more training models 98 for analysis. The communication unit 211 may transmit the acquired learning model 98 for analysis under the control of the learning model distribution management unit 223 of the processor 220 to the license plate recognition device 100 (100-1 to 100-K). In addition, the vehicle license plate recognition device (100: 100-1 to 100-K) recognizes the vehicle license plate from the image data 10 to be analyzed more appropriately using the received learning model 98 for analysis, and the vehicle license plate It is possible to obtain the vehicle number from. Therefore, even when the license plate recognition apparatuses 100 (100: 100-1 to 100-K) can acquire only low-quality image data 10, the image data 10 is analyzed using the optimal learning model 99 and Based on this, license plate recognition and vehicle number acquisition can be performed more efficiently and effectively. In addition, a plurality of license plate recognition devices (100: 100-1 to 100-K) exist, and each license plate recognition device (100: 100-1 to 100-K) has different quality image data (10) Even in the case of acquiring, the learning model for analysis (98) optimal for each license plate recognition device (100: 100-1 to 100-K) for each license plate recognition device (100: 100-1 to 100-K) ) It is possible to generate, transmit and use, and the effect of improving the operational efficiency of each vehicle license plate recognition device (100: 100-1 to 100-K) can also be obtained.

이하 도 5을 참조하여 차량 번호판 인식 방법의 여러 실시예에 대해서 설명하도록 한다.Hereinafter, various embodiments of a license plate recognition method will be described with reference to FIG. 5 .

도 5는 차량 번호판 인식 방법의 일 실시예에 대한 흐름도이다.5 is a flowchart of an embodiment of a license plate recognition method.

도 5에 도시된 차량 번호판 인식 방법의 일 실시예에 따르면, 서버용 컴퓨터 장치 등을 이용해 구축 가능한 차량 번호판 인식 관리 장치가, 적어도 하나의 후보 학습 모델을 획득할 수 있다(400). 상황이나 실시예에 따라서, 차량 번호판 인식 관리 장치는, 후보 학습 모델 대신에 기존에 생성된 적어도 하나의 분석용 학습 모델을 더 획득하거나 또는 후보 학습 모델에 대체하여 획득하는 것도 가능하다. 여기서, 적어도 하나의 후보 학습 모델 및/또는 적어도 하나의 분석용 학습 모델은, 분석용 학습 모델을 획득하고자 하는 적어도 하나의 차량 번호판 인식 장치 또는 적어도 하나의 인식 장치 집단에 대응하여 획득되는 것일 수도 있다.According to an embodiment of the vehicle license plate recognition method shown in FIG. 5 , a vehicle license plate recognition and management device that can be built using a computer device for a server or the like may acquire at least one candidate learning model (400). Depending on circumstances or embodiments, the vehicle license plate recognition management apparatus may additionally obtain at least one previously generated learning model for analysis instead of the candidate learning model, or acquire the candidate learning model instead. Here, the at least one candidate learning model and/or the at least one learning model for analysis may be obtained in correspondence with at least one license plate recognition device or at least one recognition device group to obtain a learning model for analysis. .

후보 학습 모델 또는 분석용 학습 모델의 획득에 후행하거나, 선행하거나 또는 이와 동시에, 차량 번호판 인식 관리 장치는 애플리케이션 파이프라인을 구축할 수 있다(402). 애플리케이션 파이프라인은 차량 번호판 인식 장치에 의해 처리될 과정들에 대응하는 것일 수 있으며, 예를 들어, 번호판 검출 과정, 화질 향상 과정, 문자 인식 과정 및 결과 출력 과정 등을 포함할 수 있다. 여기서, 화질 향상 과정이나 결과 출력 과정은 생략되는 것도 가능하다. 애플리케이션 파이프라인의 구축은 분석용 학습 모델을 획득하고자 하는 적어도 하나의 차량 번호판 인식 장치 또는 적어도 하나의 인식 장치 집단에 따라 상이할 수도 있고 또는 동일할 수도 있다.Following, preceding, or concurrently with the acquisition of the candidate learning model or the learning model for analysis, the vehicle license plate recognition management device may build an application pipeline (402). The application pipeline may correspond to processes to be processed by the license plate recognizing device, and may include, for example, a license plate detection process, an image quality improvement process, a character recognition process, and a result output process. Here, it is also possible to omit the image quality improvement process or result output process. Construction of the application pipeline may be different or the same according to at least one license plate recognition device or a group of at least one recognition device to obtain a learning model for analysis.

애플리케이션 파이프라인이 구축되면, 차량 번호판 인식 관리 장치는 적어도 하나의 후보 학습 모델을 애플리케이션 파이프라인에 적용하고, 기존 또는 새로 획득된 영상 데이터를 이용하여 애플리케이션 파이프라인에 최적인 후보 학습 모델을 획득하여 분석용 학습 모델을 획득할 수 있다(404). 여기서, 영상 데이터는 분석용 학습 모델의 전송 대상이 되는 적어도 하나의 차량 번호판 인식 장치 또는 적어도 하나의 인식 장치 집단으로부터 수신한 것일 수 있다. 따라서, 최적인 후보 학습 모델은, 분석용 학습 모델의 전송 대상이 되는 적어도 하나의 차량 번호판 인식 장치 또는 적어도 하나의 인식 장치 집단에 대응하여 획득된 것일 수 있다. 즉, 훈련은 차량 번호판 인식 장치 또는 인식 장치 집단마다 상이하게 수행될 수도 있다. 물론, 상황에 따라 학습 모델의 훈련 수행 및 그 결과는 상이한 차량 번호판 인식 장치 또는 상이한 인식 장치 집단 간에도 동일할 수도 있다. 실시예에 따라서, 차량 번호판 인식 관리 장치는 적어도 하나의 분석용 학습 모델을 애플리케이션 파이프라인에 적용하고, 기존 또는 새로 획득된 영상 데이터를 이용하여 기존의 분석용 학습 모델을 다시 훈련시킴으로써 애플리케이션 파이프라인에 최적인 후보 학습 모델을 획득할 수도 있다.When the application pipeline is built, the vehicle license plate recognition management device applies at least one candidate learning model to the application pipeline, and obtains and analyzes a candidate learning model optimal for the application pipeline using existing or newly acquired image data. A learning model for use may be acquired (404). Here, the image data may be received from at least one vehicle license plate recognition device or at least one recognition device group to which the learning model for analysis is transmitted. Accordingly, the optimal candidate learning model may be obtained in correspondence with at least one license plate recognition device or at least one recognition device group to which the learning model for analysis is transmitted. That is, training may be performed differently for each license plate recognition device or group of recognition devices. Of course, depending on circumstances, the training performance of the learning model and its result may be the same between different license plate recognizing devices or groups of recognizing devices. According to an embodiment, the vehicle license plate recognition management apparatus applies at least one learning model for analysis to an application pipeline, and re-trains the existing learning model for analysis using existing or newly acquired image data, thereby increasing the application pipeline. An optimal candidate learning model may be obtained.

분석용 학습 모델은 적어도 하나의 차량 번호판 인식 장치로 전달되되, 대응하는 적어도 하나의 차량 번호판 인식 장치로 전달될 수 있다(408). 여기서, 대응하는 적어도 하나의 차량 번호판 인식 장치는, 훈련에 이용된 영상 데이터를 전송한 적어도 하나의 차량 번호판 인식 장치일 수도 있다. 또한, 적어도 하나의 차량 번호판 인식 장치는, 하나 또는 둘 이상의 인식 장치 집단에 속하는 것일 수도 있으며, 이 경우, 분석용 학습 모델은 동일한 인식 장치 집단 내의 모든 차량 번호판 인식 장치로 전송될 수도 있다. 다시 말해서, 동일한 인식 장치 집단에 속하는 차량 번호판 인식 장치(들)는 동일한 분석용 학습 모델을 수신할 수도 있다. 분석용 학습 모델이 획득되면, 차량 번호판 인식 장치는 분석용 학습 모델을 이용하여 기존의 차량 번호판 인식을 위한 애플리케이션의 분석용 학습 모델을 수정함으로써, 애플리케이션 갱신을 수행할 수 있다. 필요에 따라서, 분석용 학습 모델을 포함하는 애플리케이션이 차량 번호판 인식 관리 장치로부터 차량 번호판 인식 장치로 전달되는 것도 가능하다.The training model for analysis may be transferred to at least one license plate recognition device, and may be transferred to a corresponding at least one license plate recognition device (408). Here, the corresponding at least one license plate recognition device may be at least one license plate recognition device that transmits image data used for training. Also, at least one license plate recognition device may belong to one or more recognition device groups, and in this case, the training model for analysis may be transmitted to all license plate recognition devices in the same recognition device group. In other words, license plate recognition device(s) belonging to the same recognition device group may receive the same learning model for analysis. When the learning model for analysis is obtained, the vehicle license plate recognition apparatus may update the application by modifying the learning model for analysis of an existing application for license plate recognition using the learning model for analysis. If necessary, it is also possible that the application including the learning model for analysis is transferred from the license plate recognition management device to the license plate recognition device.

차량 번호판 인식 장치는 분석용 학습 모델의 수신 이후에, 분석용 학습 모델의 수신 이전에 또는 분석용 학습 모델의 수신과 동시에, 촬영을 수행하여 차량 번호판을 포함하는 영상 데이터(즉, 분석 대상 영상 데이터)를 획득할 수 있다(410).After receiving the learning model for analysis, before receiving the learning model for analysis, or at the same time as receiving the learning model for analysis, the vehicle license plate recognition device performs image data including the vehicle license plate (i.e., image data to be analyzed). ) can be obtained (410).

분석 대상 영상 데이터가 획득되면, 차량 번호판 인식 장치는 획득한 분석용 학습 모델을 이용하여 영상 분석을 수행할 수 있다. 구체적으로 차량 번호판 인식 장치는, 획득된 분석 대상 영상 데이터로부터 차량 번호판을 검출하여 존재 여부를 판단할 수 있다(412). 예를 들어, 분석 대상 영상 데이터 내에 외형적으로 차량 번호판의 형상과 동일하거나 유사한 형상의 존재 여부를 이용하여 차량 번호판이 분석 대상 영상 데이터에 존재하는지 여부가 판단될 수 있다. 필요에 따라, 이를 위해 차량의 전체적인 외형에 대한 차량 번호판의 위치 등도 이용될 수 있다. 또한, 차랑 번호판의 검출을 위해 분석용 학습 모델이 이용될 수도 있다. 분석용 학습 모델은, 차량 번호판에 대응하는 형상의 검출이나, 차량의 전체적인 외형 식별이나, 차량의 전체적인 외형에 대한 차량 번호판의 위치 파악 등을 위해 이용 가능하다.When the image data to be analyzed is acquired, the vehicle license plate recognition device may perform image analysis using the acquired learning model for analysis. Specifically, the vehicle license plate recognizing apparatus may detect the vehicle license plate from the obtained image data to be analyzed and determine whether the vehicle license plate is present (412). For example, it may be determined whether a license plate exists in the image data to be analyzed by using whether a shape identical to or similar to that of the license plate is present in the image data to be analyzed. If necessary, the position of the vehicle license plate relative to the overall appearance of the vehicle may also be used for this purpose. In addition, a learning model for analysis may be used to detect vehicle license plates. The learning model for analysis may be used for detection of a shape corresponding to a license plate, identification of an overall external appearance of a vehicle, or detection of a location of a license plate with respect to an overall external appearance of a vehicle.

실시예에 따라서, 순차적으로 영상 데이터의 화질 개선 처리가 수행될 수도 있다(414). 예를 들어, 영상 데이터의 콘트라스트나 밝기의 조절 또는 노이즈의 제거 등과 같은 작업이 수행될 수 있다. 화질 개선 작업 역시 수신한 분석용 학습 모델을 이용해 수행될 수도 있다. 화질 개선 과정(414)은 실시예에 따라 생략 가능하다.Depending on the embodiment, image quality improvement processing of image data may be sequentially performed (414). For example, an operation such as adjusting contrast or brightness of image data or removing noise may be performed. Image quality improvement may also be performed using the received learning model for analysis. The image quality improvement process 414 may be omitted according to embodiments.

이어서 분석용 영상 데이터 또는 화질 개선 처리가 수행된 분석용 영상 데이터가 획득되면, 해당 영상 데이터에 포함된 차량 번호판에 대한 영상으로부터 적어도 하나의 문자 및/또는 적어도 하나의 숫자를 포함하는 차량번호가 추출된다(416). 차량번호의 추출은 적어도 하나의 학습 모델을 기반으로 하는 소정의 문자 인식 알고리즘을 기반으로 수행될 수 있다.Subsequently, when image data for analysis or image data for analysis on which image quality improvement processing has been performed is acquired, a license plate number including at least one letter and/or at least one number is extracted from an image of a license plate included in the corresponding image data. becomes (416). Extraction of the license plate number may be performed based on a predetermined text recognition algorithm based on at least one learning model.

차량번호가 추출되면, 차량번호의 추출에 따른 동작이 수행될 수 있다(418). 예를 들어, 차량번호의 시각적 또는 청각적 출력 동작, 차량번호에 따른 입차 또는 출차 가능 여부에 대한 판단, 차단바의 동작 제어 및/또는 입차 및 출차 시간을 기반으로 하는 요금 정산 처리 등과 같은 미리 정의된 적어도 하나의 동작이 수행될 수 있다. 이러한 동작은 차량 번호판 인식 장치 및/또는 차량 번호판 인식 장치와 물리적 또는 전기적으로 연결된 다른 장치(예를 들어, 차단기)에 의해 수행될 수 있다. 또한, 실시예에 따라서 추출된 차량 번호 등은 차량 번호판 인식 장치와 통신 가능하게 연결된 적어도 하나의 단말 장치로 전달될 수도 있다. When the vehicle number is extracted, an operation according to the extraction of the vehicle number may be performed (418). For example, it is predefined such as visual or audible output operation of license plate number, determination of whether entry or exit is possible according to license plate number, operation control of blocking bar, and/or processing of fare settlement based on entry and exit times. At least one operation may be performed. This operation may be performed by the license plate recognition device and/or another device (eg, a circuit breaker) physically or electrically connected to the license plate recognition device. Also, according to an embodiment, the extracted license plate number or the like may be transferred to at least one terminal device communicatively connected to the license plate recognizing device.

상술한 실시예에 따른 차량 번호판 인식 방법은, 컴퓨터 장치에 의해 구동될 수 있는 프로그램의 형태로 구현될 수 있다. 여기서 프로그램은, 프로그램 명령, 데이터 파일 및 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 프로그램은 기계어 코드나 고급 언어 코드를 이용하여 설계 및 제작된 것일 수 있다. 프로그램은 상술한 방법을 구현하기 위하여 특별히 설계된 것일 수도 있고, 컴퓨터 소프트웨어 분야에서 통상의 기술자에게 기 공지되어 사용 가능한 각종 함수나 정의를 이용하여 구현된 것일 수도 있다. 또한, 여기서, 컴퓨터 장치는, 프로그램의 기능을 실현 가능하게 하는 프로세서나 메모리 등을 포함하여 구현된 것일 수 있으며, 필요에 따라 통신 장치를 더 포함할 수도 있다.The vehicle license plate recognition method according to the above-described embodiment may be implemented in the form of a program that can be driven by a computer device. Here, the program may include program commands, data files, and data structures alone or in combination. The program may be designed and manufactured using machine language codes or high-level language codes. The program may be specially designed to implement the above-described method, or may be implemented using various functions or definitions known and usable to those skilled in the art in the field of computer software. Also, here, the computer device may be implemented by including a processor or a memory capable of realizing program functions, and may further include a communication device as needed.

상술한 차량 번호판 인식 방법을 구현하기 위한 프로그램은, 컴퓨터에 의해 판독 가능한 기록 매체에 기록될 수 있다. 컴퓨터에 의해 판독 가능한 기록 매체는, 예를 들어, 솔리드 스테이트 드라이브(SSD), 롬, 램 또는 플래시 메모리 등과 같은 반도체 저장 장치, 하드 디스크나 플로피 디스크 등과 같은 자기 디스크 저장 매체, 콤팩트 디스크나 디브이디 등과 같은 광 기록 매체, 플롭티컬 디스크 등과 같은 자기-광 기록 매체 및 자기 테이프 등 컴퓨터 등의 호출에 따라 실행되는 특정 프로그램을 저장 가능한 적어도 한 종류의 물리적 장치를 포함할 수 있다.A program for implementing the vehicle license plate recognition method described above may be recorded on a computer-readable recording medium. A computer-readable recording medium includes, for example, a solid state drive (SSD), semiconductor storage devices such as ROM, RAM, or flash memory, magnetic disk storage media such as hard disks or floppy disks, compact disks or DVDs, etc. It may include at least one type of physical device capable of storing a specific program executed according to a call of a computer, such as an optical recording medium, a magneto-optical recording medium such as a floptical disk, and a magnetic tape.

이상 차량 번호판 인식 시스템, 차량 번호판 인식 방법, 차량 번호판 인식 장치 및 차량 번호판 인식 장치에 대한 차량 번호판 인식 관리 장치의 여러 실시예에 대해 설명하였으나, 차량 번호판 인식 시스템, 차량 번호판 인식 방법, 차량 번호판 인식 장치 및 차량 번호판 인식 장치에 대한 차량 번호판 인식 관리 장치는 오직 상술한 실시예에 한정되는 것은 아니다. 해당 기술 분야에서 통상의 지식을 가진 자가 상술한 실시예를 기초로 수정 및 변형하여 구현 가능한 다양한 시스템, 장치나 방법 역시 상술한 차량 번호판 인식 시스템, 차량 번호판 인식 방법, 차량 번호판 인식 장치 및 차량 번호판 인식 장치에 대한 차량 번호판 인식 관리 장치의 일례가 될 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성 요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나 다른 구성 요소 또는 균등물에 의하여 대치되거나 또는 치환되더라도 상술한 차량 번호판 인식 시스템, 차량 번호판 인식 방법, 차량 번호판 인식 장치 및 차량 번호판 인식 장치에 대한 차량 번호판 인식 관리 장치의 일 실시예가 될 수 있다.Although various embodiments of the vehicle license plate recognition system, the vehicle license plate recognition method, the vehicle license plate recognition device, and the vehicle license plate recognition management device for the vehicle license plate recognition device have been described, the vehicle license plate recognition system, the vehicle license plate recognition method, and the vehicle license plate recognition device have been described. And the license plate recognition management device for the license plate recognition device is not limited to the above-described embodiment. Various systems, devices or methods that can be implemented by those skilled in the art by modifying and transforming based on the above-described embodiments are also the above-described vehicle license plate recognition system, vehicle license plate recognition method, vehicle license plate recognition device, and vehicle license plate recognition. It can be an example of a license plate recognition management device for a device. For example, the described techniques may be performed in an order different from the methods described, and/or components of the described systems, structures, devices, circuits, etc. may be combined or combined in a different manner than the methods described, or other components or components may be used. Even if replaced or replaced by equivalents, it can be an embodiment of the above-described license plate recognition system, license plate recognition method, license plate recognition device, and license plate recognition management device for the license plate recognition device.

1: 차량 번호판 인식 시스템 3: 단말 장치
100: 차량 번호판 인식 장치 111: 촬영부
113: 감지부 115: 통신부
117: 입출력부 119: 저장부
120: 프로세서 130: 영상 처리부
131: 번호판 검출부 133: 화질 향상부
135: 문자 인식부 137: 결과 출력부
200: 차량 번호판 인식 관리 장치 211: 통신부
213: 입출력부 215: 저장부
220: 프로세서 221: 학습 모델 처리부
223: 학습 모델 배포 관리부 225: 성능 검사부1: license plate recognition system 3: terminal device
100: license plate recognition device 111: photographing unit
113: sensing unit 115: communication unit
117: input/output unit 119: storage unit
120: processor 130: image processing unit
131: license plate detection unit 133: image quality improvement unit
135: text recognition unit 137: result output unit
200: license plate recognition management device 211: communication unit
213: input/output unit 215: storage unit
220: processor 221: learning model processing unit
223: learning model distribution management unit 225: performance inspection unit

Claims (17)

애플리케이션 파이프라인을 구축하고, 상기 애플리케이션 파이프라인에 따라 분석용 학습 모델을 결정하는 차량 번호판 인식 관리 장치; 및
상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결되어 상기 분석용 학습 모델을 수신하고, 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하고, 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 차량 번호판 인식 장치;를 포함하며,
상기 차량 번호판 인식 관리장치는, 상기 애플리케이션 파이프라인의 성능을 더 검사하고, 검사 결과에 따라서 상기 분석용 학습 모델을 결정하고,
상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하고, 상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하고, 상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득하는 차량 번호판 인식 시스템.a license plate recognition management device that builds an application pipeline and determines a learning model for analysis according to the application pipeline; and
It is communicatively connected to the vehicle license plate recognition management device to receive the learning model for analysis, take a picture to obtain at least one analysis target image data, and add the at least one analysis target image data to the analysis learning model. A vehicle license plate recognition device for detecting and obtaining a vehicle number from at least one target vehicle license plate of the at least one analysis target image data by applying a; includes,
The license plate recognition management device further inspects the performance of the application pipeline, and determines the learning model for analysis according to the inspection result;
Detecting the at least one target vehicle license plate from the at least one analysis target image data, performing image quality improvement processing on the at least one analysis target image data in which the at least one target vehicle license plate is detected, and A vehicle license plate recognition system for acquiring a vehicle number from the at least one target vehicle license plate detected from at least one image data subject to analysis that has been subjected to image quality improvement processing using a learning model. 제1항에 있어서,
상기 차량 번호판 인식 관리 장치는, 적어도 하나의 후보 학습 모델로부터 상기 적어도 하나의 애플리케이션 파이프라인에 대한 학습 모델을 결정함으로써, 상기 분석용 학습 모델을 결정하는 차량 번호판 인식 시스템.According to claim 1,
wherein the license plate recognition management device determines the learning model for analysis by determining a learning model for the at least one application pipeline from at least one candidate learning model. 제2항에 있어서,
상기 차량 번호판 인식 관리 장치는, 적어도 하나의 차량 번호판을 포함하는 적어도 하나의 영상 데이터를 획득하고, 획득한 상기 적어도 하나의 영상 데이터를 이용하여 상기 후보 학습 모델을 훈련시키는 차량 번호판 인식 시스템.According to claim 2,
The vehicle license plate recognition management device acquires at least one image data including at least one license plate, and trains the candidate learning model using the acquired at least one image data. 삭제delete 삭제delete 제1항에 있어서,
상기 차량 번호판 인식 장치와 통신 가능하게 연결되고, 상기 차량 번호판 인식 장치로부터 상기 적어도 하나의 목적 차량 번호판으로부터 획득된 차량 번호를 수신하는 단말 장치;를 더 포함하는 차량 번호판 인식 시스템.According to claim 1,
A terminal device that is communicatively connected to the license plate recognition device and receives the vehicle number obtained from the at least one target license plate from the license plate recognition device. 제1항에 있어서,
상기 차량 번호판 인식 장치는, 복수의 인식 장치 집단 중 어느 하나의 인식 장치 집단에 속한 차량 번호판 인식 시스템. According to claim 1,
The vehicle license plate recognition device belongs to any one recognition device group among a plurality of recognition device groups. 차량 번호판 인식 관리 장치가 애플리케이션 파이프라인에 대한 분석용 학습 모델을 결정하는 단계;
상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결된 적어도 하나의 차량 번호판 인식 장치가 상기 분석용 학습 모델을 수신하는 단계;
상기 적어도 하나의 차량 번호판 인식 장치가 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하는 단계;
상기 적어도 하나의 차량 번호판 인식 장치가 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 단계; 및
상기 차량 번호판 인식 관리 장치가 상기 애플리케이션 파이프라인의 성능을 검사하는 단계를 포함하며,
상기 적어도 하나의 차량 번호판 인식 장치가 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 단계는,
상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하는 단계;
상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하는 단계; 및
상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득하는 단계를 포함하는 차량 번호판 인식 방법.determining, by a license plate recognition management device, a learning model for analysis of an application pipeline;
Receiving the learning model for analysis by at least one license plate recognition device communicatively connected to the license plate recognition management device;
Obtaining at least one image data to be analyzed by the at least one vehicle license plate recognition device performing a photographing;
Detecting and obtaining, by the at least one license plate recognition device, a vehicle number from at least one target license plate of the at least one analysis target image data by applying the learning model for analysis to the at least one analysis target image data. ; and
Including the step of the license plate recognition management device inspecting the performance of the application pipeline,
Detecting and obtaining, by the at least one license plate recognition device, a vehicle number from at least one target license plate of the at least one analysis target image data by applying the learning model for analysis to the at least one analysis target image data. Is,
detecting the at least one target license plate from the at least one analysis object image data;
performing image quality improvement processing on the at least one analysis object image data from which the at least one target license plate is detected; and
Vehicle license plate recognition method comprising the step of obtaining a vehicle number from the at least one target vehicle license plate detected from at least one image data to be analyzed for image quality improvement using the learning model for analysis. 제8항에 있어서,
상기 차량 번호판 인식 관리 장치가 애플리케이션 파이프라인에 따라 분석용 학습 모델을 결정하는 단계는,
상기 적어도 하나의 애플리케이션 파이프라인에 대한 학습 모델을 적어도 하나의 후보 학습 모델로부터 결정함으로써 상기 분석용 학습 모델을 결정하는 단계;를 포함하는 차량 번호판 인식 방법.According to claim 8,
The step of determining, by the license plate recognition management device, a learning model for analysis according to an application pipeline,
and determining a learning model for analysis by determining a learning model for the at least one application pipeline from at least one candidate learning model. 제9항에 있어서,
상기 차량 번호판 인식 관리 장치가 적어도 하나의 차량 번호판을 포함하는 적어도 하나의 영상 데이터를 획득하는 단계; 및
획득한 상기 적어도 하나의 영상 데이터를 이용하여 상기 후보 학습 모델을 훈련시키는 단계;를 더 포함하는 차량 번호판 인식 방법.According to claim 9,
obtaining, by the license plate recognition management device, at least one image data including at least one license plate; and
The vehicle license plate recognition method further comprising: training the candidate learning model using the acquired at least one image data. 삭제delete 삭제delete 제8항에 있어서,
상기 차량 번호판 인식 장치와 통신 가능하게 연결된 단말 장치가 상기 차량 번호판 인식 장치로부터 상기 적어도 하나의 목적 차량 번호판으로부터 획득된 차량 번호를 수신하는 단계;를 더 포함하는 차량 번호판 인식 방법.According to claim 8,
Receiving, by a terminal device communicatively connected to the license plate recognition device, the license plate number obtained from the at least one target license plate from the license plate recognition device. 삭제delete 삭제delete 삭제delete 삭제delete
KR1020200159272A 2020-11-24 2020-11-24 System, apparatus and method for recognizing license plate of vehicle and appratus for managing the same KR102543818B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200159272A KR102543818B1 (en) 2020-11-24 2020-11-24 System, apparatus and method for recognizing license plate of vehicle and appratus for managing the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200159272A KR102543818B1 (en) 2020-11-24 2020-11-24 System, apparatus and method for recognizing license plate of vehicle and appratus for managing the same

Publications (2)

Publication Number Publication Date
KR20220071771A KR20220071771A (en) 2022-05-31
KR102543818B1 true KR102543818B1 (en) 2023-06-14

Family

ID=81786158

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200159272A KR102543818B1 (en) 2020-11-24 2020-11-24 System, apparatus and method for recognizing license plate of vehicle and appratus for managing the same

Country Status (1)

Country Link
KR (1) KR102543818B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100973999B1 (en) * 2010-03-05 2010-08-05 (주)나인정보시스템 Robust method of segmenting characters of license plate on irregular illumination condition
KR101403876B1 (en) * 2012-03-19 2014-06-09 한밭대학교 산학협력단 Method and Apparatus for Vehicle License Plate Recognition

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684069A (en) * 2017-10-13 2019-04-26 华为技术有限公司 The method and terminal device of resource management
KR20200119409A (en) 2019-03-28 2020-10-20 한국전자통신연구원 Apparatus and method for reading licence plate

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100973999B1 (en) * 2010-03-05 2010-08-05 (주)나인정보시스템 Robust method of segmenting characters of license plate on irregular illumination condition
KR101403876B1 (en) * 2012-03-19 2014-06-09 한밭대학교 산학협력단 Method and Apparatus for Vehicle License Plate Recognition

Also Published As

Publication number Publication date
KR20220071771A (en) 2022-05-31

Similar Documents

Publication Publication Date Title
US20200110965A1 (en) Method and apparatus for generating vehicle damage information
JP7111175B2 (en) Object recognition system, recognition device, object recognition method, and object recognition program
CN112100431B (en) Evaluation method, device and equipment of OCR system and readable storage medium
CN111652087A (en) Car checking method and device, electronic equipment and storage medium
CN115699082A (en) Defect detection method and device, storage medium and electronic equipment
US11731526B2 (en) Systems and methods for identifying characteristics of electric vehicles
US11678017B2 (en) Electronic device and method for controlling the same, and storage medium
JP2019086475A (en) Learning program, detection program, learning method, detection method, learning device, and detection device
KR102269367B1 (en) Parking settlement system using vehicle feature points based on deep learning
US20230150530A1 (en) Violation Inspection System Based on Visual Sensing of Self-Driving Vehicle and Method Thereof
US20220324470A1 (en) Monitoring of an ai module of a vehicle driving function
CN118269742A (en) Intelligent charging system for electric carrier
KR102543818B1 (en) System, apparatus and method for recognizing license plate of vehicle and appratus for managing the same
CN111310595B (en) Method and device for generating information
CN112509321A (en) Unmanned aerial vehicle-based driving control method and system for urban complex traffic situation and readable storage medium
CN114523985B (en) Unmanned vehicle motion decision method and device based on sensing result of sensor
CN113269730B (en) Image processing method, image processing device, computer equipment and storage medium
US20210065468A1 (en) Systems and methods for artificial intelligence in a vehicle service environment
US10691683B1 (en) System and method of electronic distribution and transformation of electronic information in a centralized manner
CN113032605A (en) Information display method, device and equipment and computer storage medium
Byzkrovnyi et al. Comparison of Object Detection Algorithms for the Task of Person Detection on Jetson TX2 NX Platform
TWM576314U (en) Training apparatus and training system for graphic data identification
CN114572252B (en) Unmanned vehicle control method and device based on driving authority authentication
TWI544454B (en) License plate recognition method and system using the same
CN117036482B (en) Target object positioning method, device, shooting equipment, chip, equipment and medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant