KR102624702B1 - 자동차 번호 인식 방법 및 장치 - Google Patents

Abstract

자동차 번호 인식 방법이 개시된다. 본 발명에 따른 자동차 번호 인식 방법은, 번호판 이미지를 일 방향으로 분할한 복수의 이미지 데이터를 획득하는 단계, 및, 상기 복수의 이미지 데이터 중 어느 하나를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 결정하는 단계를 포함하고, 상기 번호판에 포함되는 글자를 결정하는 단계는, 인공지능 모델이, 상기 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합들에 대하여, 복수의 클래스에 대한 확률 값들을 출력하는 단계, 및 상기 조합들에 대하여 출력된 복수의 클래스의 확률 값들 중 가장 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하는 단계를 포함한다.

Description

자동차 번호 인식 방법 및 장치{METHOD AND DEVICE FOR RECOGNIZING VEHICLE NUMBER}

본 발명은, 번호판 내 문자 또는 숫자 영역을 탐색하는 것 없이, 영상을 고정된 크기로 분할한 복수의 이미지 데이터를 조합하여 번호판 내 문자 또는 숫자를 검출할 수 있는 자동차 번호 인식 방법 및 장치에 관한 것이다.

현대 사회에서 복잡한 교통 환경의 효율적 관리가 요구됨에 따라 지능형 교통관리 시스템 구성의 필요성이 높아졌다. 그리고 번호판 인식은 지능형 인프라 시스템의 가장 중심기술로서, 고속도로 통행료 지불 시스템, 주차장 출입관리 시스템, 교통량 감시 및 도시 출입관리 시스템 등 다양한 응용분야에서 인간의 단순작업을 대행하는 중요한 역할을 수행할 수 있다.

도 1을 참고하면, 종래의 자동차 번호 인식 장치는 번호판을 촬영하고, 번호판이 촬영된 영상으로부터 문자 또는 숫자 영역들을 글자 단위로 탐색한 후, 탐색된 문자 또는 숫자 영역 별로 문자 또는 숫자를 하나씩 인식하는 방식으로 번호판 내 문자 또는 숫자를 검출하였다. 도 1에는 번호판 내 1이 표시된 영역을 검출한 결과가 표시되어 있다.

다만 문자 또는 숫자 영역을 추출하는 것에는 오류가 자주 발생한다. 특히 번호판 영상은 매우 다양한 환경에서 수집되며(예를 들어 비오는 고속도로에서 빠르게 달리는 자동차를 촬영하는 경우), 번호판의 상태도 변수도 작용하기 때문에(예를 들어 번호판에 먼지가 많이 묻어있는 경우), 영상에 노이즈가 끼어있는 경우가 매우 많으며, 이러한 경우 문자 또는 숫자 영역 추출의 정확도는 더욱 낮아지게 된다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 번호판 내 문자 또는 숫자 영역을 탐색하는 것 없이, 영상을 고정된 크기로 분할한 복수의 이미지 데이터를 조합하여 번호판 내 문자 또는 숫자를 검출할 수 있는 자동차 번호 인식 방법 및 장치를 제공하기 위함이다.

본 발명의 일 실시 예에 따른 자동차 번호 인식 방법은, 번호판 이미지를 일 방향으로 분할한 복수의 이미지 데이터를 획득하는 단계, 및, 상기 복수의 이미지 데이터 중 어느 하나를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 결정하는 단계를 포함하고, 상기 번호판에 포함되는 글자를 결정하는 단계는, 인공지능 모델이, 상기 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합들에 대하여, 복수의 클래스에 대한 확률 값들을 출력하는 단계, 및, 상기 조합들에 대하여 출력된 복수의 클래스의 확률 값들 중 가장 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하는 단계를 포함한다.

이 경우 상기 하나 이상의 이미지 데이터의 조합들은, ‘상기 기준 이미지 데이터를 단독으로 포함하는 조합’ 및 ‘상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합’을 포함할 수 있다.

이 경우 상기 가장 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하는 단계는, 상기 결정된 글자와 상기 결정된 글자의 획득에 사용된 조합에 대한 정보를 포함하는 내역 정보를 저장하는 단계를 포함할 수 있다.

한편 상기 가장 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하는 단계는, 현재 결정된 글자와 동일한 글자 및 현재 결정된 글자의 획득에 사용된 조합과 동일한 조합을 포함하는 내역 정보가 기 저장된 경우, 다음으로 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하는 단계를 포함할 수 있다.

한편 상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은, 상기 기준 이미지 데이터와, 상기 기준 이미지 데이터 이후의 하나 이상의 다른 이미지 데이터로 구성될 수 있다.

한편 상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은, 서로 연결된 이미지 데이터들로 구성될 수 있다.

한편 상기 번호판에 포함되는 글자를 결정하는 단계는, 상기 복수의 이미지 데이터 중 가장 좌측의 이미지 데이터로부터 순차적으로 상기 기준 이미지 데이터로 이용하는 단계를 포함하고, 상기 자동차 번호 인식 방법은, 상기 복수의 이미지 데이터 전체를 상기 기준 이미지 데이터로 이용하여 결정된 글자들을 자동차 번호로써 결정하는 단계를 더 포함할 수 있다.

한편 상기 번호판 이미지를 일 방향으로 분할한 복수의 이미지 데이터를 획득하는 단계는, 상기 번호판 이미지를 CNN에 제공하여 상기 번호판 이미지에 대응하는 전체 임베딩 벡터를 획득하는 단계, 및, 상기 전체 임베딩 벡터를 상기 번호판 이미지의 좌측부터 우측으로 일정 크기로 분할하여 상기 복수의 이미지 데이터를 획득하는 단계를 포함할 수 있다.

한편 상기 번호판 이미지는, 두개의 행으로 구성되는 번호판의 상단 이미지 및 하단 이미지 중 적어도 하나일 수 있다.

이 경우 상기 상단 이미지는, 번호판의 첫번째 행의 글자 이미지 전부와 두번째 행의 글자 이미지 일부를 포함하고, 상기 하단 이미지는, 번호판의 첫번째 행의 글자 이미지 일부와 두번째 행의 글자 이미지 전부를 포함할 수 있다.

한편 상기 인공지능 모델은, 트레이닝용 번호판 이미지를 제공받은 인공 신경망이 글자를 출력하는 경우, 출력된 글자에 대응하는 확률 값을 이용하여 손실 값을 산출하고, 산출된 손실 값을 글자의 출력에 이용된 하나 이상의 이미지 데이터를 향하여 역전파하는 방식으로 트레이닝 될 수 있다.

한편 본 발명에 따른 자동차 번호 인식 장치는, 번호판의 촬영 영상을 획득하는 영상 획득부, 상기 번호판의 촬영 영상을 이용하여 번호판 이미지를 획득하고, 상기 번호판 이미지를 일 방향으로 분할한 복수의 이미지 데이터를 획득하고, 상기 복수의 이미지 데이터를 분류 모델에 제공하는 제어부, 및, 상기 복수의 이미지 데이터 중 어느 하나를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 결정하는 분류 모델을 포함하고, 상기 분류 모델은, 상기 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합들에 대하여, 복수의 클래스에 대한 확률 값들을 출력하고, 상기 조합들에 대하여 출력된 복수의 클래스의 확률 값들 중 가장 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정할 수 있다.

이 경우 상기 하나 이상의 이미지 데이터의 조합들은, ‘상기 기준 이미지 데이터를 단독으로 포함하는 조합’ 및 ‘상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합’을 포함할 수 있다.

이 경우 상기 분류 모델은, 상기 결정된 글자와 상기 결정된 글자의 획득에 사용된 조합에 대한 정보를 포함하는 내역 정보를 저장할 수 있다.

한편 상기 분류 모델은, 현재 결정된 글자와 동일한 글자 및 현재 결정된 글자의 획득에 사용된 조합과 동일한 조합을 포함하는 내역 정보가 기 저장된 경우, 다음으로 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정할 수 있다.

한편 상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은, 상기 기준 이미지 데이터와, 상기 기준 이미지 데이터 이후의 하나 이상의 다른 이미지 데이터로 구성될 수 있다.

한편 상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은, 서로 연결된 이미지 데이터들로 구성될 수 있다.

한편 상기 분류 모델은, 상기 복수의 이미지 데이터 중 가장 좌측의 이미지 데이터로부터 순차적으로 상기 기준 이미지 데이터로 이용하고, 상기 제어부는, 상기 복수의 이미지 데이터 전체를 상기 기준 이미지 데이터로 이용하여 결정된 글자들을 자동차 번호로써 결정할 수 있다.

한편 상기 제어부는, 상기 번호판 이미지를 CNN에 제공하여 상기 번호판 이미지에 대응하는 전체 임베딩 벡터를 획득하고, 상기 전체 임베딩 벡터를 상기 번호판 이미지의 좌측부터 우측으로 일정 크기로 분할하여 상기 복수의 이미지 데이터를 획득할 수 있다.

한편 상기 번호판 이미지는, 두개의 행으로 구성되는 번호판의 상단 이미지 및 하단 이미지 중 적어도 하나일 수 있다.

본 발명에 따르면, 번호판 내 문자 또는 숫자 영역을 탐색하는 과정을 생략하고 바로 번호판 내 글자를 인식하기 때문에, 인식의 정확도를 향상시키고 연산량을 줄일 수 있는 장점이 있다.

도 1은 번호판 인식에서 발생할 수 있는 문제점을 설명하기 위한 도면이다.
도 2는 본 발명에 따른, 자동차 번호 인식 장치의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명에 따른 자동차 번호 인식 방법을 설명하기 위한 순서도이다.
도 4는 본 발명에 따른, 두줄 번호판의 전 처리를 설명하기 위한 도면이다.
도 5는 본 발명에 따른, 번호판 이미지를 분할하여 복수의 이미지 데이터를 획득하는 방법을 설명하기 위한 도면이다.
도 6 내지 8은 본 발명에 따른, 복수의 이미지 데이터를 이용하여 번호판 내 글자를 결정하는 방법을 설명하기 위한 도면이다.
도 9는 두 개의 행으로 구성되는 번호판에 대한 전 처리 방법을 설명하기 위한 도면이다.
도 10은 본 발명에 따른, 인공지능 모델의 트레이닝 방법을 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

도 2는 본 발명에 따른, 자동차 번호 인식 장치의 구성을 설명하기 위한 블록도이다.

본 발명에 따른 자동차 번호 인식 장치(100)는, 영상 획득부(110), 제어부(120) 및 저장부(130)를 포함할 수 있다.

영상 획득부(110)는 번호판의 촬영 영상을 획득할 수 있다.

구체적으로 영상 획득부(110)는 외부 장치와 통신하는 통신 모듈을 포함할 수 있으며, 이 경우 영상 획득부(100)는 외부 장치(예를 들어 카메라)로부터 번호판의 촬영 영상을 수신할 수 있다.

또한 영상 획득부(110)는 카메라를 포함할 수 있으며, 이 경우 영상 획득부(110)는 자동차를 촬영하여 번호판의 촬영 영상을 획득할 수 있다.

카메라는 다차로 하이패스 톨게이트에 설치될 수 있으며, 자동차가 접근하는 경우 자동차를 촬영할 수 있다. 또한 촬영 영상에 번호판이 포함되지 않거나 일부만이 포함된 경우, 카메라는 자동차를 재 촬영 할 수 있다.

제어부(120)는 자동차 번호 인식 장치(100)의 전반적인 동작을 제어할 수 있다. 용어 “제어부”는 용어 “프로세서”와 혼용되어 사용될 수 있다.

저장부(130)는 자동차 번호 인식 장치(100)의 동작을 위한 프로그램 또는 명령어를 저장할 수 있다.

한편 자동차 번호 인식 장치(100)는 인공지능 모델(140)을 포함할 수 있다. 그리고 인공지능 모델(140)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 인공지능 모델(140)을 구성하는 하나 이상의 명령어(instruction)는 저장부(130)에 저장될 수 있다.

또한 제어부(120)는 저장부(130)에 저장된 하나 이상의 명령어를 읽어 인공지능 모델(140)을 구동할 수 있다. 따라서 본 명세서에서 인공지능 모델(140)의 동작으로 설명하는 것은, 제어부(120)에 의해 수행되는 동작으로 정의할 수도 있다.

인공지능 모델(140)은 인공 신경망(ANN: Artificial Neural Network)을 포함할 수 있다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

한편 인공 신경망의 트레이닝에는 지도 학습(Supervised Learning)이 사용될 수 있다. 지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 이 경우 제어부(120)는 인공 신경망이 출력한 결과 값 및 레이블 간의 차이에 기반하여, 손실 함수(손실 값)을 최소화 하는 방향으로 모델 파라미터를 업데이트 할 수 있다.

한편 인공지능 모델(140)은, 추출 모델(150) 및 분류 모델(160)을 포함할 수 있다.

여기서 추출 모델(150)은 번호판 이미지로부터 특징 벡터를 추출하기 위한 것으로, 추출된 특징 벡터는 분류 모델(160)의 입력 데이터로 사용될 수 있다. 그리고 번호판 이미지로부터 특징 벡터를 추출하기 위하여, 추출 모델(150)은 2차원 데이터의 학습에 적합한 CNN(Convolutional Neural Network)으로 구성될 수 있으나, 이에 한정되지는 않는다.

이하에서는, 번호판 이미지를 입력 받은 추출 모델(150)이 자신의 파라미터에 기반하여 출력한 결과를 특징 벡터 또는 임베딩 벡터라 명칭하도록 한다.

한편 번호판은 문자 또는 숫자를 포함할 수 있다. 이하에서는 문자 및 숫자를 포괄하는 “글자”라는 용어를 사용한다. 즉 글자는 문자 및 숫자 중 적어도 하나를 포함할 수 있다.

한편 분류 모델(160)는 복수의 이미지 데이터를 입력 데이터로 사용하여, 복수의 이미지 데이터에 대응하는 글자 들을 출력할 수 있다. 이 경우 분류 모델(160)는 복수의 이미지 데이터를 조합하여 글자를 출력할 수 있으며, 이에 관련해서는 이후에 자세히 설명한다.

도 3은 본 발명에 따른 자동차 번호 인식 방법을 설명하기 위한 순서도이다.

본 발명에 따른 자동차 번호 인식 방법은, 번호판의 촬영 영상을 이용하여 번호판 이미지를 획득하는 단계(S310), 번호판 이미지를 일 방향으로 분할한 복수의 이미지 데이터를 획득하는 단계(S330), 복수의 이미지 데이터 중 어느 하나를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 결정하는 단계(S350), 및, 복수의 이미지 데이터 전체를 기준 이미지 데이터로 이용하여 결정된 글자들을 자동차 번호로써 결정하는 단계(S370)를 포함할 수 있다.

S310과 관련하여, 제어부(120)는 번호판의 촬영 영상을 전처리 하여 번호판 이미지를 획득할 수 있다.

제어부(120)는 번호판의 촬영 영상을 전 처리 하여, 번호판 영역을 추출할 수 있다. 예를 들어 촬영 영상은 번호판뿐만 아니라 차체를 포함할 수 있다. 이 경우 제어부(120)는 촬영 영상으로부터 번호판 영역을 추출하여 번호판 이미지를 획득할 수 있다.

또한 제어부(120)는 번호판의 촬영 영상을 전처리 함으로써, 다양한 환경(주간, 야간, 빛이 강한 날, 흐린 날 등)에서 촬영된 영상을 표준화 할 수 있다.

한편 전처리의 일 례로, 제어부(120)는 컬러 영상을 흑백 영상으로 변환할 수 있다.

또한 번호판의 종류가 판별되는 경우, 제어부(120)는 번호판 종류에 따라 다른 전처리 방식을 적용하여 번호판의 촬영 영상을 전처리 할 수 있다.

한편 제어부(120)는 번호판의 촬영 영상에 기초하여 번호판의 종류를 결정할 수 있다. 구체적으로 한줄 번호판, 중장비 차량의 두줄 번호판, 지역명을 포함하는 두줄 번호판, 지역명을 포함하지 않는 두줄 번호판 등 다양한 종류의 번호판이 존재하며, 제어부(120)는 번호판의 촬영 영상에 번호판의 종류를 결정할 수 있다. 한편 이 경우에도 인경신경망으로 구성된 번호판 종류 분류 모델이 사용될 수 있다.

한편 본 발명에서는, 번호판 이미지를 일 방향으로 분할하여 복수의 이미지 데이터를 획득하고, 복수의 이미지 데이터를 이용하여 번호판 내 글자를 예측한다. 즉 본 발명에서는 번호판 이미지를 하나의 행과 복수의 열로 구성되는 윈도우를 이용하여 분할함으로써 복수의 이미지 데이터를 획득하기 때문에, 글자가 두 줄로 배치되는 번호판의 촬영 영상에 대해서는 별도의 전 처리가 필요하다. 이와 관련해서는 도 4를 참고하여 설명한다.

도 4는 본 발명에 따른, 두줄 번호판의 전 처리를 설명하기 위한 도면이다.

두줄 번호판을 하나의 행과 복수의 열로 구성되는 윈도우를 이용하여 분할하는 경우, 이미지 데이터에는 글자의 결정에 필요 없는 영역까지 포함되기 때문에 글자 예측의 정확도가 낮아지게 된다. 따라서 제어부(120)는 두 개의 행으로 구성되는 번호판의 촬영 영상을 분할하여 상단 이미지 및 하단 이미지를 획득할 수 있다.

한편 도 4a에는 번호판의 촬영 영상(410)을 첫 번째 행의 글자 크기에 기반하여 분할한 경우의 상단 이미지(420)가 도시되어 있다.

동일한 종류의 번호판의 글자 크기는 규격화 되어 있다. 예를 들어 중장비 번호판의 첫번째 행에 들어가는 글자의 길이(높이)는 규격화 되어 있으며, 중장비 번호판의 두번째 행에 들어가는 글자의 길이(높이)는 규격화 되어 있다.

다만 규격화된 글자 길이(높이)를 기준으로 상단 이미지 및 하단 이미지를 분할하는 경우, 문제가 발생할 수 있다. 예를 들어 실제 번호판은 휘어있거나 훼손되어 있는 경우가 많기 때문에, 규격화된 글자 길이(높이)를 기준으로 상단 이미지 및 하단 이미지를 분할하는 경우, 도 4a의 상단 이미지(420)와 같이 글자의 일부만을 포함하여 글자의 인식이 불가능한 경우가 발생할 수 있다.

따라서 제어부(120)는 번호판의 촬영 영상으로부터 제1 고정 사이즈의 상단 이미지 및 제2 고정 사이즈의 하단 이미지를 추출하며, 이 경우 상단 이미지와 하단 이미지는 중복 영역을 가질 수 있다. 이와 관련해서는 추후에 구체적으로 설명하도록 한다.

한편 도 4b를 참고하면, 제1 고정 사이즈 및 제2 고정 사이즈는 번호판의 종류에 따라 상이할 수 있다.

구체적으로, 제어부(120)는 번호판의 종류를 결정하고, 번호판의 종류에 대응하는 제1 고정 사이즈 및 제2 고정 사이즈를 이용하여 상단 이미지 및 하단 이미지를 추출할 수 있다.

예를 들어 지역명이 없는 높이 128px의 두줄 번호판의 경우, 제어부(120)는 제1 고정 사이즈(57px의 높이)를 가지는 상단 이미지 및 제2 고정 사이즈(103px의 높이)를 가지는 하단 이미지를 추출할 수 있다.

다른 예를 들어 중장비에 장착되는 높이 128px의 두줄 번호판의 경우, 제어부(120)는 제1 고정 사이즈(75px의 높이)를 가지는 상단 이미지 및 제2 고정 사이즈(83px의 높이)를 가지는 하단 이미지를 추출할 수 있다.

다음은, 번호판 이미지를 일 방향으로 분할한 복수의 이미지 데이터를 획득하는 단계(S330)와 관련하여 도 5를 참고하여 설명한다.

도 5는 본 발명에 따른, 번호판 이미지를 분할하여 복수의 이미지 데이터를 획득하는 방법을 설명하기 위한 도면이다.

제어부(120)는 번호판 이미지(510)를 일 방향으로 분할하여 복수의 이미지 데이터(521, 522, 523, 524, 525, 526, 527, 528, 529, 530)를 획득할 수 있다.

구체적으로 제어부(120)는 하나의 행 및 복수의 열로 구성되는 복수의 윈도우로 번호판 이미지(510)를 분할할 수 있다. 이 경우 복수의 윈도우는 동일한 폭을 가질 수 있다. 따라서 복수의 이미지 데이터(521, 522, 523, 524, 525, 526, 527, 528, 529, 530)는, 번호판 이미지(510)를 좌측부터 우측으로 일정 크기(폭)로 분할한 데이터일 수 있다.

한편 복수의 이미지 데이터의 최적화된 개수 및 크기(폭)은 실험적으로 결정될 수 있다. 또한 복수의 이미지 데이터의 개수 및 크기(폭)은 번호판의 종류에 따라 상이할 수 있으며, 제어부(120)는 번호판의 종류에 대응하는 복수의 윈도우를 사용하여 번호판 이미지(510)를 분할할 수 있다.

또한 복수의 이미지 데이터(521, 522, 523, 524, 525, 526, 527, 528, 529, 530)는, CNN의 결과 값인 임베딩 벡터를 의미할 수 있다.

구체적으로 제어부(120)는 번호판 이미지(510)를 CNN에 제공하여, 번호판 이미지에 대응하는 전체 임베딩 벡터를 획득할 수 있다. 여기서 전체 임베딩 벡터는, CNN이 전체 번호판 이미지(510)에 대하여 특징을 추출하여 출력한 결과 값을 의미할 수 있다.

이 경우 제어부(120)는 전체 임베딩 벡터를 번호판 이미지(510)의 좌측부터 우측으로 일정 간격으로 분할하여 복수의 이미지 데이터(521, 522, 523, 524, 525, 526, 527, 528, 529, 530)를 획득할 수 있다.

예를 들어 번호판 이미지(510)의 가로 임베딩 벡터가 128차원이라고 가정하면, 32개의 이미지 데이터 들은 모두 4차원 크기의 가로 임베딩 벡터를 가질 수 있다.

한편 전체 번호판 이미지(510)에 입력하여 전체 임베딩 벡터를 추출한 후, 전체 임베딩 벡터를 분할하여 복수의 이미지 데이터를 획득한다고 설명하였으나 이에 한정되지 않는다. 예를 들어 전체 번호판 이미지(510)를 복수의 윈도우로 분할하여 복수의 분할 이미지를 생성하고, 복수의 분할 이미지를 각각 CNN에 입력하여 복수의 이미지 데이터를 획득하는 방식으로도 구현될 수 있다.

한편 제어부(120)는 복수의 이미지 데이터를 분류 모델(160)에 제공할 수 있다.

다음은 복수의 이미지 데이터 중 어느 하나를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 결정하는 단계(S350)와 관련하여 도 5와 함께 도 6 내지 도 8을 참고하여 설명한다.

도 6 내지 8은 본 발명에 따른, 복수의 이미지 데이터를 이용하여 번호판 내 글자를 결정하는 방법을 설명하기 위한 도면이다.

분류 모델(160)은 이미지 데이터(또는 이미지 데이터의 조합)을 입력 데이터 이용하여 이미지 데이터 내 글자를 분류하도록 트레이닝된 인공 신경망을 포함할 수 있다. 인공 신경망의 트레이닝 방법에 대해서는 추후에 구체적으로 설명한다.

분류 모델(160)은 복수의 이미지 데이터 중 어느 하나를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 결정할 수 있다.

여기서 기준 이미지 데이터는, 번호판 이미지(510)의 좌측부터 우측으로 향하는 순서대로 선정될 수 있다. 예를 들어 분류 모델(160)은 최초에 제1 이미지 데이터(521)를 기준 이미지 데이터로 선정하고, 다음으로 제2 이미지 데이터(522)를 기준 이미지 데이터로 선정하며, 마지막으로 제10 이미지 데이터(530)를 기준 이미지 데이터로 선정할 수 있다.

분류 모델(160)은, 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합들에 대하여, 복수의 클래스에 대한 확률 값들을 출력할 수 있다.

여기서 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합은, 조합들이 기준 이미지 데이터를 항상 포함해야 함을 의미하며, 조합은 하나 또는 복수의 이미지 데이터로 구성된다는 것을 의미할 수 있다.

구체적으로, 제1 이미지 데이터(521)가 기준 이미지 데이터인 경우, 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합은, 제1 이미지 데이터(521)를 단독으로 포함할 수도 있다. 즉 제1 조합은 제1 이미지 데이터(521) 만으로 구성될 수 있다.

또한 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합은, 제1 이미지 데이터(521)와 하나 이상의 다른 이미지 데이터를 포함할 수도 있다. 일례로 제2 조합은 제1 이미지 데이터(521)와 제2 이미지 데이터(522)로 구성되고, 제3 조합은 제1 이미지 데이터(521), 제2 이미지 데이터(522) 및 제3 이미지 데이터(523)로 구성되고, 제4 조합은 제1 이미지 데이터(521)와 제3 이미지 데이터(523)로 구성되며, 제5 조합은 제1 이미지 데이터(521), 제6 이미지 데이터(526) 및 제7 이미지 데이터(527)로 구성될 수 있다.

즉, 하나의 조합은 최소 1개, 최대 10개(이미지 데이터의 개수가 10개인 경우)의 이미지 데이터로 구성될 수 있다. 또한 앞서 설명한 제1 내지 제5 조합은 조합의 예시일 뿐으로, 분류 모델(160)은 기준 이미지를 하나 이상의 다른 이미지와 조합하여 다양한 조합을 생성할 수 있다.

그리고 분류 모델(160)은 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합들을 획득할 수 있다.

한편, 특정 조합이 서로 떨어져 있는 이미지 데이터들로 구성되는 경우, 분류 모델(160)이 출력한 결과 값은 낮은 확률을 나타낼 수 밖에 없다.

따라서 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은 서로 연결된 이미지 데이터들로 구성될 수 있다.

구체적으로 분류 모델(160)은 서로 연결된 이미지 데이터의 조합들을 생성할 수도 있다. 예를 들어 분류 모델(160)은 제1 이미지 데이터(521)와 제2 이미지 데이터(522)로 구성되는 조합, 제1 이미지 데이터(521)와 제2 이미지 데이터(522)와 제3 이미지 데이터(523)로 구성되는 조합, 제1 이미지 데이터(521)와 제2 이미지 데이터(522)와 제3 이미지 데이터(523)와 제4 이미지 데이터(524)로 구성되는 조합 등을 생성할 수 있다. 이와 같은 실시 예에 따르면, 연산량을 줄일 수 있는 장점이 있다.

도 6에서는 기준 이미지 데이터가 제1 이미지 데이터(521)인 것으로 설명한다. 또한 설명의 편의를 위하여, 매우 많은 조합들 중 세 개의 조합만을 예시로 들어 설명한다.

도 6을 참고하면, 제1 조합(610)은 제1 이미지 데이터(521)를 단독으로 포함하는 조합이고, 제2 조합(620)은 제1 이미지 데이터(521) 및 제2 이미지 데이터(522)를 포함하는 조합이며, 제3 조합(630)은 제1 이미지 데이터(521), 제2 이미지 데이터(522) 및 제3 이미지 데이터(523)를 포함하는 조합이다.

분류 모델(160)는 조합 들에 대하여 복수의 클래스에 대한 확률 값들을 출력할 수 있다.

여기서 클래스는 번호판에 사용될 수 있는 글자를 의미할 수 있다. 예를 들어 번호판에 ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’, ‘0’의 숫자와 ‘가’, ‘나’, ‘다’의 문자가 사용될 수 있는 경우 13개의 클래스가 존재할 수 있다.

설명의 편의를 위해, 다섯 개의 클래스만이 존재하는 것으로 가정하여 설명한다. 여기서 제1 클래스는 ‘가’에 대한 확률 값을, 제2 클래스는 ‘나’에 대한 확률 값을, 제3 클래스는 ‘1’에 대한 확률 값을, 제4 클래스는 ‘2’에 대한 확률 값을, 제5 클래스는 ‘3’에 대한 확률 값을 출력할 수 있다.

분류 모델(160)은 제1 조합(610)에 대하여 복수의 클래스(‘가’, ‘나’, ‘1’, ‘2, ‘3’)에 대한 확률값들(8%, 5%, 11%, 9%, 7%)을 출력할 수 있다. 도 6a의 제1 조합(610)을 참고하면 글자의 판별이 매우 어려우므로, 모든 클래스의 확률값들이 매우 낮게 나온 것을 알 수 있다.

또한 분류 모델(160)은 제2 조합(620)에 대하여 복수의 클래스(‘가’, ‘나’, ‘1’, ‘2, ‘3’)에 대한 확률값들(1%, 0.5%, 85%, 2.2%, 0.3%)을 출력할 수 있다. 도 6b의 제2 조합(620)을 참고하면 글자 ‘1’이 명확하게 표시되어 있어 제3 클래스에 대한 확률 값이 85%로 높게 나왔으나, ‘2’의 일부가 노이즈로 작용하여 100%에 가깝게 나오지는 않았다는 것을 알 수 있다.

또한 분류 모델(160)은 제3 조합(630)에 대하여 복수의 클래스(‘가’, ‘나’, ‘1’, ‘2, ‘3’)에 대한 확률값들(1.2%, 0.8%, 72%, 3%, 6%)을 출력할 수 있다. 도 6c의 제3 조합(630)을 참고하면 글자 ‘1’이 명확하게 표시되어 있으나, ‘2’의 전체와 ‘3’의 일부가 노이즈로 작용하여 확률 값이 72%로 나왔음을 알 수 있다.

이 경우 분류 모델(160)은, 조합들(610, 620, 630)에 대하여 출력된 복수의 클래스에 대한 확률 값들 중 가장 높은 확률 값에 대응하는 클래스를 번호판에 포함되는 글자로 결정할 수 있다.

예를 들어 조합들(610, 620, 630)에 대하여 출력된 복수의 클래스에 대한 확률 값들(8%, 5%, 11%, 9%, 7%, 1%, 0.5%, 85%, 2.2%, 0.3%, 1.2%, 0.8%, 72%, 3%, 6%) 중 가장 높은 확률 값은 85%이다. 이 경우 분류 모델(160)은 85%에 대응하는 클래스(‘1’)를 번호판에 포함되는 글자로 결정할 수 있다. 이에 따라 분류 모델(160)은 ‘1’을 출력할 수 있다.

한편 제어부(120)는 번호판에 포함되는 것으로 결정된 글자 및 글자의 획득에 사용된 조합에 대한 정보를 포함하는 내역 정보를 저장할 수 있다. 예를 들어 “1”이 번호판에 포함되는 것으로 결정되었으며, “1”에 대하여 가장 높은 확률 값을 출력하는데 사용된 조합은 제2 조합(620)이다. 이 경우 제어부(120)는 글자 “1”과, 제2 조합을 구성하는 제1 이미지 데이터(521) 및 제2 이미지 데이터(522)에 대한 정보를 포함하는 내역 정보를 저장할 수 있다. 이 경우 분류 모델(160)은 LSTM 신경망으로 구성되어 내역 정보를 자체적으로 저장할 수도 있으며, 제어부(120)가 내역 정보를 저장부(130)에 저장할 수도 있다.

다음으로, 분류 모델(160)은 제2 이미지 데이터(522)를 기준 이미지 데이터로 선정할 수 있다. 그리고 분류 모델(160)은 제2 이미지 데이터(522)를 포함하는 하나 이상의 이미지 데이터의 조합들에 대하여, 복수의 클래스에 대한 확률 값들을 출력할 수 있다. 설명의 편의를 위하여, 매우 많은 조합들 중 세 개의 조합만을 예시로 들어 설명한다.

도 7을 참고하면, 제1 조합(710)은 제1 이미지 데이터(521)와 제2 이미지 데이터(522)를 포함하는 조합이고, 제2 조합(720)은 제2 이미지 데이터(522)와 제3 이미지 데이터(523)를 포함하는 조합이며, 제3 조합(730)은 제2 이미지 데이터(522), 제3 이미지 데이터(523) 및 제4 이미지 데이터(524)를 포함하는 조합이다.

그리고 분류 모델(160)는 조합 들에 대하여 복수의 클래스에 대한 확률 값들을 출력할 수 있다.

구체적으로 분류 모델(160)은 제1 조합(710)에 대하여 복수의 클래스(‘가’, ‘나’, ‘1’, ‘2, ‘3’)에 대한 확률값들(1%, 0.5%, 85%, 2.2%, 0.3%)을 출력할 수 있다.

또한 분류 모델(160)은 제2 조합(720)에 대하여 복수의 클래스(‘가’, ‘나’, ‘1’, ‘2, ‘3’)에 대한 확률값들(1.2%, 0.8%, 5%, 80%, 4%)을 출력할 수 있다.

또한 분류 모델(160)은 제3 조합(730)에 대하여 복수의 클래스(‘가’, ‘나’, ‘1’, ‘2, ‘3’)에 대한 확률값들(0.3%, 0.1%, 5%, 43%, 47%)을 출력할 수 있다. 제3 조합(730)을 참고하면, ‘2’가 명확하게 표시되어 있으나, ‘3’이 노이즈로 작용하여 ‘2’에 대한 확률 값이 43%로 나온 것을 알 수 있다. 또한 제3 조합(730)을 참고하면, ‘3’이 명확하게 표시되어 있으나, ‘2’가 노이즈로 작용하여 ‘3’에 대한 확률 값이 47%로 나온 것을 알 수 있다.

이 경우 분류 모델(160)은, 조합들(710, 720, 730)에 대하여 출력된 복수의 클래스에 대한 확률 값들 중 가장 높은 확률 값에 대응하는 클래스를 번호판에 포함되는 글자로 결정할 수 있다.

다만, 결정된 글자와 동일한 글자 및 결정된 글자의 획득에 사용된 조합과 동일한 조합을 포함하는 내역 정보가 기 저장된 경우, 분류 모델(160)은 다음으로 높은 확률 값에 대응하는 클래스를 번호판에 포함되는 글자로 결정할 수 있다.

구체적으로, 조합들(710, 720, 730)에 대하여 출력된 복수의 클래스에 대한 확률 값들(1%, 0.5%, 85%, 2.2%, 0.3%, 1.2%, 0.8%, 5%, 80%, 4%, 0.3%, 0.1%, 5%, 43%, 47%) 중 가장 높은 확률 값은 85%이다.

이 경우 분류 모델(160)은 85%에 대응하는 클래스인 글자 ‘1’을 출력할 수 있다.

한편 현재 획득된 글자는 ‘1’이며, ‘1’의 획득에 사용된 제1 조합(710)은 제1 이미지 데이터(521) 및 제2 이미지 데이터(522)로 구성된다.

그리고 도 6의 과정에 따라, 글자(‘1’)와, 글자(‘1’)의 획득에 사용된 조합(제1 이미지 데이터(521) 및 제2 이미지 데이터(522))에 대한 정보를 포함하는 내역 정보는 이미 저장되어 있는 상태이다.

즉, 현재 결정된 글자와 동일한 글자 및 현재 결정된 글자의 획득에 사용된 조합과 동일한 조합을 포함하는 내역 정보가 기 저장되어 있기 때문에, 분류 모델(160)은 다음으로 높은 확률 값에 대응하는 클래스를 번호판에 포함되는 글자로 결정할 수 있다.

구체적으로 분류 모델(160)은 현재 가장 높은 확률 값(85%)에 대응하는 클래스인 글자 ‘1’을 버리고, 다음으로 높은 확률 값에 대응하는 클래스를 번호판에 포함되는 글자로 결정할 수 있다. 예를 들어 다음으로 가장 높은 확률 값은 80%이므로, 분류 모델(160)은 80%에 대응하는 클래스(‘2’)를 번호판에 포함되는 글자로 결정할 수 있다. 이에 따라 분류 모델(160)은 ‘2’를 출력할 수 있으며, ‘2’를 번호판에 포함되는 글자로 결정할 수 있다.

따라서, 도 6 및 도 7의 과정을 거치면서 글자 ‘1’ 및 글자 ‘2’가 추출된 것을 알 수 있다.

도 8은 다양한 상황에서 번호판에 포함되는 글자를 결정하는 방법을 설명하기 위한 도면이다.

도 8a를 참고하면, 제6 이미지 데이터(816)가 기준 이미지 데이터인 상태에서, 분류 모델(160)은 제6 이미지 데이터(816) 및 제7 이미지 데이터(817)를 포함하는 조합을 이용하여 글자 ‘0’을 획득하였다. 이 경우 내역 정보가 저장되며, 내역 정보는, 글자 ‘0’와, 제6 이미지 데이터(816) 및 제7 이미지 데이터(817)를 포함하는 조합에 대한 정보를 포함할 수 있다.

다음으로, 제7 이미지 데이터(817)가 기준 이미지 데이터인 상태에서, 제6 이미지 데이터(816) 및 제7 이미지 데이터(817)를 포함하는 조합이 가장 높은 확률 값을 출력하였으며, 이에 따라 분류 모델(160)은 가장 높은 확률 값에 대응하는 글자 ‘0’을 획득하였다. 다만 제6 이미지 데이터(816) 및 제7 이미지 데이터(817)를 이용하여 글자 ‘0’을 획득한 내역이 이미 존재하기 때문에, 분류 모델(160)은 제6 이미지 데이터(816) 및 제7 이미지 데이터(817)를 사용하여 획득된 글자 ‘0’을 버릴 수 있다. 한편 제7 이미지 데이터(817) 및 제8 이미지 데이터(818)를 포함하는 조합이 다음으로 높은 확률 값을 출력하였기 때문에, 분류 모델(160)은 다음으로 높은 확률 값에 대응하는 클래스를 번호판에 포함되는 글자(‘0’)로 결정할 수 있다. 또한 제7 이미지 데이터(817) 및 제8 이미지 데이터(818)를 이용하여 글자 ‘0’을 획득한 내역이 존재하지 않기 때문에, 분류 모델(160)은 제7 이미지 데이터(817) 및 제8 이미지 데이터(818)를 이용하여 획득한 글자 ‘0’을 번호판에 포함되는 글자로 최종 결정할 수 있다. 이에 따라 제5 이미지 데이터(816), 제6 이미지 데이터(817) 및 제7 이미지 데이터(818)로부터 글자 ‘00’이 추출되게 된다.

도 8b를 참고하면, 제6 이미지 데이터(826)가 기준 이미지 데이터인 상태에서, 분류 모델(160)은 제6 이미지 데이터(826)를 단독으로 포함하는 조합을 이용하여 글자 ‘0’을 획득하였다. 이 경우 내역 정보가 저장되며, 내역 정보는, 글자 ‘0’와, 제6 이미지 데이터(826)를 포함하는 조합에 대한 정보를 포함할 수 있다.

다음으로, 제7 이미지 데이터(827)가 기준 이미지 데이터인 상태에서, 제7 이미지 데이터(827)를 단독으로 포함하는 조합이 가장 높은 확률 값을 출력하였으며, 이에 따라 분류 모델(160)은 가장 높은 확률 값에 대응하는 글자 ‘0’을 획득하였다. 또한 제7 이미지 데이터(827)를 단독으로 이용하여 글자 ‘0’을 획득한 내역이 존재하지 않기 때문에, 분류 모델(160)은 제7 이미지 데이터(827)를 사용하여 획득된 글자 ‘0’을 번호판에 포함되는 글자로 최종 결정할 수 있다. 이에 따라 제6 이미지 데이터(826), 제7 이미지 데이터(827)로부터 글자 ‘00’이 추출되게 된다.

도 8c를 참고하면, 제6 이미지 데이터(836)가 기준 이미지 데이터인 상태에서, 분류 모델(160)은 제6 이미지 데이터(836) 및 제7 이미지 데이터(837)를 포함하는 조합을 이용하여 글자 ‘0’을 획득하였다. 이 경우 내역 정보가 저장되며, 내역 정보는, 글자 ‘0’와, 제6 이미지 데이터(836) 및 제7 이미지 데이터(837)를 포함하는 조합에 대한 정보를 포함할 수 있다.

다음으로, 제7 이미지 데이터(837)가 기준 이미지 데이터인 상태에서, 제6 이미지 데이터(836) 및 제7 이미지 데이터(837)를 포함하는 조합이 가장 높은 확률 값을 출력하였으며, 이에 따라 분류 모델(160)은 가장 높은 확률 값에 대응하는 글자 ‘0’을 획득하였다. 다만 제6 이미지 데이터(836) 및 제7 이미지 데이터(837)를 이용하여 글자 ‘0’을 획득한 내역이 이미 존재하기 때문에, 분류 모델(160)은 제6 이미지 데이터(836) 및 제7 이미지 데이터(837)를 사용하여 획득된 글자 ‘0’을 버릴 수 있다. 한편 제7 이미지 데이터(837) 및 제8 이미지 데이터(838)를 포함하는 조합이 다음으로 높은 확률 값을 출력하였기 때문에, 분류 모델(160)은 다음으로 높은 확률 값에 대응하는 클래스를 번호판에 포함되는 글자(‘7’)로 결정할 수 있다. 또한 제7 이미지 데이터(837) 및 제8 이미지 데이터(838)를 이용하여 글자 ‘7’을 획득한 내역이 존재하지 않기 때문에, 분류 모델(160)은 제7 이미지 데이터(837) 및 제8 이미지 데이터(838)를 이용하여 획득한 글자 ‘7’을 번호판에 포함되는 글자로 최종 결정할 수 있다. 이에 따라 제5 이미지 데이터(836), 제6 이미지 데이터(837) 및 제7 이미지 데이터(838)로부터 글자 ‘07’이 추출되게 된다.

앞에서 이미 획득된 글자를 제외 시키기 위한 또 다른 실시 예에 대하여 설명한다.

기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은, 기준 이미지 데이터와, 기준 이미지 데이터 이후의 하나 이상의 다른 이미지 데이터로 구성될 수 있다.

구체적으로 도 8a를 참고하면, 제6 이미지 데이터(816)가 기준 이미지 데이터인 상태에서, 분류 모델(160)은 제6 이미지 데이터(816)를 단독으로 포함하는 조합을 생성할 수 있다. 또한 분류 모델(160)은 제6 이미지 데이터(816)와 제6 이미지 데이터(816) 이후의 다른 이미지 데이터(제7 내지 제10 이미지 데이터)를 포함하는 조합을 생성할 수 있다. 그러나 분류 모델(160)는 제6 이미지 데이터(816)와 제6 이미지 데이터(816) 이전의 다른 이미지 데이터(제1 내지 제5 이미지 데이터)를 포함하는 조합은 생성하지 않는다. 그리고 분류 모델(160)은 제6 이미지 데이터(816) 및 제7 이미지 데이터(817)를 포함하는 조합에 의해 가장 높은 확률 값이 출력된 ‘0’을 획득할 수 있다.

다음으로 제7 이미지 데이터(817)가 기준 이미지 데이터인 상태에서, 분류 모델(160)은 제7 이미지 데이터(817)를 단독으로 포함하는 조합을 생성할 수 있다. 또한 분류 모델(160)은 제7 이미지 데이터(817)와 제7 이미지 데이터(817) 이후의 다른 이미지 데이터(제8 내지 제10 이미지 데이터)를 포함하는 조합을 생성할 수 있다. 그러나 분류 모델(160)는 제7 이미지 데이터(817)와 제7 이미지 데이터(817) 이전의 다른 이미지 데이터(제1 내지 제6 이미지 데이터)를 포함하는 조합은 생성하지 않는다. 그리고 분류 모델(160)은 제7 이미지 데이터(817) 및 제8 이미지 데이터(818)를 포함하는 조합에 의해 가장 높은 확률 값이 출력된 ‘0’을 획득할 수 있다.

이 실시 예에 따르면, 연산량을 줄일 수 있는 장점이 있다.

다음으로, 복수의 이미지 데이터 전체를 기준 이미지 데이터로 이용하여 결정된 글자들을 자동차 번호로써 결정하는 단계(S370)에 대하여 설명한다.

분류 모델(160)은 복수의 이미지 데이터 중 가장 좌측의 이미지 데이터로부터 순차적으로 기준 이미지 데이터로 이용할 수 있다.

즉 분류 모델(160)은 최초에 제1 이미지 데이터(521)를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 획득하고, 다음으로 제2 이미지 데이터(522)를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 획득할 수 있다. 그리고 이와 같은 과정을 반복하여, 분류 모델(160)은 마지막으로 제10 이미지 데이터(530)를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 획득할 수 있다.

그리고 분류 모델(160)은 복수의 이미지 데이터 전체를 기준 이미지 데이터로 이용하여 결정된 글자들을 자동차 번호로써 결정할 수 있다. 예를 들어 분류 모델(160)은 ‘123가4568’이라는 글자들을 출력할 수 있다.

한편 저장부(130)에는 자동차의 번호 패턴에 대한 정보가 저장될 수 있다. 그리고 분류 모델이 출력한 글자들이 자동차 번호로 사용될 수 있는 조합을 가지는 경우, 제어부(120)은 획득한 글자들을 자동차 번호를 이용하여 관리를 수행하는 외부 장치에 전송할 수 있다.

한편 그리고 분류 모델이 출력한 글자들이 자동차 번호로 사용될 수 없는 조합을 가지는 경우, 제어부(120)은 재 촬영 요청을 카메라에 전송할 수 있다. 이 경우 카메라는 자동차에 대한 재촬영을 수행하고, 번호판의 촬영 영상을 다시 자동차 번호 인식 장치(100)에 전송할 수 있다.

이와 같이 본 발명에 따르면, 번호판 내 문자 또는 숫자 영역을 탐색하는 과정을 생략하고 바로 번호판 내 글자를 인식하기 때문에, 인식의 정확도를 향상시키고 연산량을 줄일 수 있는 장점이 있다.

또한 본 발명은 복수의 이미지 데이터의 조합을 통하여 글자를 인식하기 때문에, 인식의 정확도를 향상시킬 수 있는 장점이 있다. 예를 들어 도 5를 다시 참고하면, 제1 이미지 데이터(521)만을 사용하는 경우 “1”이 제대로 인식되지 않는다. 그리고 “1”을 제대로 인식하기 위해 윈도우의 크기를 증가시키게 되면, 하나의 윈도우에 “1”을 제외한 다른 글자들이 포함되게 되어 인식의 정확도가 떨어지게 된다. 또한 번호판은 다양한 환경에서 촬영되기 때문에, 글자의 위치를 정확히 예측하여 윈도우들을 설정해 놓는 것도 불가능하다. 다만 본 발명에서는 이미지 데이터의 다양한 조합을 이용하여 글자를 인식하기 때문에, 인식의 정확도를 향상시킬 수 있는 장점이 있다.

도 9는 두 개의 행으로 구성되는 번호판에 대한 전 처리 방법을 설명하기 위한 도면이다.

도 9a를 참고하면 번호판 내 첫번째 행에는 “서울”이라는 글자들이 존재하며, 두번째 행에는 “02파8460”이라는 글자들이 존재한다. 그리고 “서울”이라는 글자들을 묶어 첫번째 행의 글자 이미지라 명칭하고, “02파8460”라는 글자들을 묶어 두번째 행의 글자 이미지라 명칭한다.

도 9a를 참고하면, 제어부(120)는 번호판의 촬영 영상(910)으로부터 제1 높이(y1)의 상단 이미지(920) 및 제2 높이(y2)의 하단 이미지(930)를 추출할 수 있다. 여기서 제1 높이(y1)는 제2 높이(y2)는 서로 상이할 수 있다.

또한 상단 이미지(920)와 하단 이미지(930)는 중복 영역(921, 931)을 포함할 수 있다.

이에 따라 상단 이미지(920)는 번호판의 첫번째 행의 글자 이미지 전부와 두번째 행의 글자 이미지 일부를 포함하고, 하단 이미지(930)는 번호판의 첫번째 행의 글자 이미지 일부와 두번째 행의 글자 이미지 전부를 포함할 수 있다. 이에 따라 중복 영역(921, 931)에는 첫번째 행의 글자 이미지 일부와 두번째 행의 글자 이미지 일부가 포함되게 된다.

한편 번호판 이미지는 두 개의 행으로 구성되는 번호판의 상단 이미지 및 하단 이미지 중 적어도 하나일 수 있다.

구체적으로 도 9b를 참고하면, 제어부(120)는 상단 이미지(920)를 일 방향으로 분할한 복수의 이미지 데이터(950)를 분류 모델(160)에 제공할 수 있다. 이 경우 분류 모델(160)은 상단 이미지(920)를 일 방향으로 분할한 복수의 이미지 데이터(950)를 이용하여 상단 이미지(920)에 포함되는 글자를 결정할 수 있다.

다음으로 제어부(120)는 하단 이미지(930)를 일 방향으로 분할한 복수의 이미지 데이터(960)를 분류 모델(160)에 제공할 수 있다. 이 경우 분류 모델(160)은 하단 이미지(930)를 일 방향으로 분할한 복수의 이미지 데이터(960)를 이용하여 하단 이미지(960)에 포함되는 글자를 결정할 수 있다.

본 발명에 따르면, 중복 영역(921, 931)을 포함하여 상단 이미지 및 하단 이미지를 추출하기 때문에, 실제 번호판은 휘어있거나 훼손되어 있더라도 상단 이미지에는 첫번째 행의 글자 이미지 전부가 포함되며, 하단 이미지에는 두번째 행의 글자 이미지 전부가 포함될 수 있다. 이에 따라 글자 인식의 정확도가 향상될 수 있다.

또한 상단 이미지에는 두번째 행의 글자 이미지 일부만이 포함되기 때문에, 글자 인식의 정확도에 미치는 영향은 매우 적을 수 있다. 예를 들어 첫번째 행의 글자를 인식할 때 두번째 행의 글자는 노이즈로 작용하여 확률 값을 다소 낮출 수 있다. 다만 두번째 행의 글자의 일부만이 포함되기 때문에, 확률 값에 미치는 영향은 미미하며, 또한 본 발명에서는 가장 높은 확률 값에 대응하는 클래스를 추출하는 방식을 사용하기 때문에, 일부만이 포함되는 두번째 행의 글자 이미지는 가장 높은 확률 값을 추출하는데 영향을 거의 미치지 않는 장점이 있다.

도 10은 본 발명에 따른, 인공지능 모델의 트레이닝 방법을 설명하기 위한 도면이다.

인공지능 모델(140)은, 트레이닝용 번호판 이미지를 제공받은 인공 신경망이 글자를 출력하는 경우, 출력된 글자에 대응하는 확률 값을 이용하여 손실 값을 산출하고, 산출된 손실 값을 글자의 출력에 이용된 하나 이상의 이미지 데이터를 향하여 역전파하는 방식으로 트레이닝 될 수 있다.

구체적으로 제어부(120)는 ‘123가4568’이라는 글자를 포함하는 번호판 이미지를 인공 신경망에 입력 데이터로 제공하고, ‘123가4568’이라는 텍스트를 레이블로써 인공 신경망에 제공할 수 있다. 이 경우 ‘123가4568’이라는 텍스트는, 인공 신경망이 번호판 이미지를 이용하여 추론해야 하는 정답 값일 수 있다. 또한 인공 신경망은 입력된 번호판 이미지를 이용하여 번호판에 포함되는 글자들을 추론할 수 있다.

한편 인공 신경망은 “1234가4563”이라는 텍스트를 최종적으로 출력한 상태이다. 즉 인공 신경망은 “1234가456”에 대해서는 정답을 출력하였으나, 레이블에 포함된 “8”에 대해서는 오답인 “3”을 출력하였다.

한편 제어부(120)는, 손실 함수를 이용하여, 인공 신경망이 출력한 각 글자에 대한 손실 값을 산출할 수 있다. 예를 들어 제어부(120)는 인공 신경망이 출력한 “1”의 확률 값을 이용하여 “1”에 대한 손실 값을 산출할 수 있다. 다른 예로, 제어부(120)는 인공 신경망이 출력한 오답 “3”의 확률 값(또는 인공 신경망이 맞춰야 하는 정답 “8” 의 확률 값)에 대한 손실 값을 산출할 수 있다.

한편 제어부(120)는, 산출된 손실 값을 글자의 출력에 이용된 하나 이상의 이미지 데이터에 역전파 하여 인공신경망을 트레이닝 할 수 있다.

예를 들어 인공 신경망이 제1 이미지 데이터(521) 및 제2 이미지 데이터(522)의 조합을 이용하여 “1”에 대한 확률 값을 출력하였고, “1”에 대한 확률 값이 가장 높은 관계로 “1”을 번호판에 포함되는 글자로 최종 결정하였다고 가정한다. 이 경우 제어부(120)는, “1”에 대한 손실 값을 역전파 하여 제1 이미지 데이터(521) 및 제2 이미지 데이터(522)를 처리한 시냅스 및 노드의 모델 파라미터를 갱신할 수 있다.

다른 예를 들어 인공 신경망이 제9 이미지 데이터(529) 및 제10 이미지 데이터(530)의 조합을 이용하여 “3”에 대한 확률 값을 출력하였고, “3”에 대한 확률 값이 가장 높은 관계로 “3”을 번호판에 포함되는 글자로 최종 결정하였다고 가정한다. 이 경우 제어부(120)는, “3”에 대한 손실 값을 역전파 하여 제9 이미지 데이터(529) 및 제10 이미지 데이터(530)를 처리한 시냅스 및 노드의 모델 파라미터를 갱신할 수 있다.

한편 인공신경망이 최종적으로 출력한 “1”은 정답이고, 인공신경망이 최종적으로 출력한 “3”은 오답이다. 따라서 “1”에 대한 손실 값은 작고, “3”에 대한 손실 값은 클 수 있다.

즉 제9 이미지 데이터(529) 및 제10 이미지 데이터(530)를 처리한 시냅스 및 노드들(1020)은 오답을 출력하였으며, 이러한 시냅스 및 노드들(1020)은 큰 손실 값에 기반하여 모델 파라미터가 갱신될 수 있다.

또한 다른 이미지 데이터 들을 처리한 시냅스 및 노드들(1010)은 정답을 출력하였으며, 이러한 시냅스 및 노드들(1020)은 작은 손실 값에 기반하여 모델 파라미터가 갱신될 수 있다.

그리고 인공 신경망에 대한 트레이닝을 반복함으로써, 최적화된 파라미터를 가지는 인공지능 모델(140)이 생성될 수 있다.

이와 같이 본 발명에 따르면, 단순히 “1”만을 포함하는 이미지를 이용하여 인공 신경망을 트레이닝 하는 것이 아니라, 이미지 데이터의 다양한 조합을 통해 “1” 및 다른 글자를 포함하는 이미지에 “1”이라는 레이블을 부여하여 인공 신경망을 트레이닝 하기 때문에, 노이즈에 강건한 인공지능 모델을 생성할 수 있는 장점이 있다. 또한 이후의 인공지능 모델(140)을 이용한 번호판 인식 과정에서도 이미지 데이터의 다양한 조합을 통해 번호판에 포함되는 글자를 결정하기 때문에, 동일한 처리 과정을 사전 학습 함으로써 인식의 정확도를 향상시킬 수 있는 장점이 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

100: 자동차 번호 인식 장치 110: 영상 획득부
120: 제어부 130: 저장부
140: 인공지능 모델

Claims (20)

1. 자동차 번호 인식 장치에 의해 수행되는 자동차 번호 인식 방법에 있어서,
   번호판 이미지를 일 방향으로 분할한 복수의 이미지 데이터를 획득하는 단계; 및
   상기 복수의 이미지 데이터 중 어느 하나를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 결정하는 단계;를 포함하고,
   상기 번호판에 포함되는 글자를 결정하는 단계는,
   인공지능 모델이, 상기 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합들에 대하여, 복수의 클래스에 대한 확률 값들을 출력하는 단계; 및
   상기 조합들에 대하여 출력된 복수의 클래스의 확률 값들 중 가장 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하는 단계;를 포함하고,
   상기 가장 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하는 단계는,
   현재 결정된 글자와 동일한 글자 및 현재 결정된 글자의 획득에 사용된 조합과 동일한 조합을 포함하는 내역 정보가 기 저장된 경우, 다음으로 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하는 단계;를 포함하고,
   상기 내역 정보는,
   상기 번호판에 포함되는 것으로 결정된 글자 및 글자의 획득에 사용된 조합에 대한 정보를 포함하는
   자동차 번호 인식 방법.
2. 제 1항에 있어서,
   상기 하나 이상의 이미지 데이터의 조합들은,
   ‘상기 기준 이미지 데이터를 단독으로 포함하는 조합’ 및 ‘상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합’을 포함하는
   자동차 번호 인식 방법.
3. 삭제
4. 삭제
5. 제 2항에 있어서,
   상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은,
   상기 기준 이미지 데이터와, 상기 기준 이미지 데이터 이후의 하나 이상의 다른 이미지 데이터로 구성되는
   자동차 번호 인식 방법.
6. 제 2항에 있어서,
   상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은,
   서로 연결된 이미지 데이터들로 구성되는
   자동차 번호 인식 방법.
7. 제 1항에 있어서,
   상기 번호판에 포함되는 글자를 결정하는 단계는,
   상기 복수의 이미지 데이터 중 가장 좌측의 이미지 데이터로부터 순차적으로 상기 기준 이미지 데이터로 이용하는 단계;를 포함하고,
   상기 자동차 번호 인식 방법은,
   상기 복수의 이미지 데이터 전체를 상기 기준 이미지 데이터로 이용하여 결정된 글자들을 자동차 번호로써 결정하는 단계;를 더 포함하는
   자동차 번호 인식 방법.
8. 제 1항에 있어서,
   상기 번호판 이미지를 일 방향으로 분할한 복수의 이미지 데이터를 획득하는 단계는,
   상기 번호판 이미지를 CNN에 제공하여 상기 번호판 이미지에 대응하는 전체 임베딩 벡터를 획득하는 단계; 및
   상기 전체 임베딩 벡터를 상기 번호판 이미지의 좌측부터 우측으로 일정 크기로 분할하여 상기 복수의 이미지 데이터를 획득하는 단계;를 포함하는
   자동차 번호 인식 방법.
9. 제 1항에 있어서,
   상기 번호판 이미지는, 두개의 행으로 구성되는 번호판의 상단 이미지 및 하단 이미지 중 적어도 하나인
   자동차 번호 인식 방법.
10. 제 9항에 있어서,
    상기 상단 이미지는, 번호판의 첫번째 행의 글자 이미지 전부와 두번째 행의 글자 이미지 일부를 포함하고,
    상기 하단 이미지는, 번호판의 첫번째 행의 글자 이미지 일부와 두번째 행의 글자 이미지 전부를 포함하는
    자동차 번호 인식 방법.
11. 제 1항에 있어서,
    상기 인공지능 모델은,
    트레이닝용 번호판 이미지를 제공받은 인공 신경망이 글자를 출력하는 경우, 출력된 글자에 대응하는 확률 값을 이용하여 손실 값을 산출하고, 산출된 손실 값을 글자의 출력에 이용된 하나 이상의 이미지 데이터를 향하여 역전파하는 방식으로 트레이닝 되는
    자동차 번호 인식 방법.
12. 번호판의 촬영 영상을 획득하는 영상 획득부;
    상기 번호판의 촬영 영상을 이용하여 번호판 이미지를 획득하고, 상기 번호판 이미지를 일 방향으로 분할한 복수의 이미지 데이터를 획득하고, 상기 복수의 이미지 데이터를 분류 모델에 제공하는 제어부; 및
    상기 복수의 이미지 데이터 중 어느 하나를 기준 이미지 데이터로 이용하여 번호판에 포함되는 글자를 결정하는 분류 모델;을 포함하고,
    상기 분류 모델은,
    상기 기준 이미지 데이터를 포함하는 하나 이상의 이미지 데이터의 조합들에 대하여, 복수의 클래스에 대한 확률 값들을 출력하고,
    상기 조합들에 대하여 출력된 복수의 클래스의 확률 값들 중 가장 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하고,
    상기 분류 모델은,
    현재 결정된 글자와 동일한 글자 및 현재 결정된 글자의 획득에 사용된 조합과 동일한 조합을 포함하는 내역 정보가 기 저장된 경우, 다음으로 높은 확률 값에 대응하는 클래스를 상기 번호판에 포함되는 글자로 결정하고,
    상기 내역 정보는,
    상기 번호판에 포함되는 것으로 결정된 글자 및 글자의 획득에 사용된 조합에 대한 정보를 포함하는
    자동차 번호 인식 장치.
13. 제 12항에 있어서,
    상기 하나 이상의 이미지 데이터의 조합들은,
    ‘상기 기준 이미지 데이터를 단독으로 포함하는 조합’ 및 ‘상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합’을 포함하는
    자동차 번호 인식 장치.
14. 삭제
15. 삭제
16. 제 13항에 있어서,
    상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은,
    상기 기준 이미지 데이터와, 상기 기준 이미지 데이터 이후의 하나 이상의 다른 이미지 데이터로 구성되는
    자동차 번호 인식 장치.
17. 제 13항에 있어서,
    상기 기준 이미지 데이터와 하나 이상의 다른 이미지 데이터로 구성되는 조합은,
    서로 연결된 이미지 데이터들로 구성되는
    자동차 번호 인식 장치.
18. 제 12항에 있어서,
    상기 분류 모델은,
    상기 복수의 이미지 데이터 중 가장 좌측의 이미지 데이터로부터 순차적으로 상기 기준 이미지 데이터로 이용하고,
    상기 제어부는,
    상기 복수의 이미지 데이터 전체를 상기 기준 이미지 데이터로 이용하여 결정된 글자들을 자동차 번호로써 결정하는
    자동차 번호 인식 장치.
19. 제 12항에 있어서,
    상기 제어부는,
    상기 번호판 이미지를 CNN에 제공하여 상기 번호판 이미지에 대응하는 전체 임베딩 벡터를 획득하고,
    상기 전체 임베딩 벡터를 상기 번호판 이미지의 좌측부터 우측으로 일정 크기로 분할하여 상기 복수의 이미지 데이터를 획득하는
    자동차 번호 인식 장치.
20. 제 12항에 있어서,
    상기 번호판 이미지는, 두개의 행으로 구성되는 번호판의 상단 이미지 및 하단 이미지 중 적어도 하나인
    자동차 번호 인식 장치.

Images