KR102640725B1 - 딥러닝을 이용한 차단봉 제어 시스템 - Google Patents
딥러닝을 이용한 차단봉 제어 시스템 Download PDFInfo
- Publication number
- KR102640725B1 KR102640725B1 KR1020210123628A KR20210123628A KR102640725B1 KR 102640725 B1 KR102640725 B1 KR 102640725B1 KR 1020210123628 A KR1020210123628 A KR 1020210123628A KR 20210123628 A KR20210123628 A KR 20210123628A KR 102640725 B1 KR102640725 B1 KR 102640725B1
- Authority
- KR
- South Korea
- Prior art keywords
- license plate
- vehicle
- module
- blocking rod
- boundary box
- Prior art date
Links
- 230000000903 blocking effect Effects 0.000 title claims abstract description 81
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000004888 barrier function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01F—ADDITIONAL WORK, SUCH AS EQUIPPING ROADS OR THE CONSTRUCTION OF PLATFORMS, HELICOPTER LANDING STAGES, SIGNS, SNOW FENCES, OR THE LIKE
- E01F13/00—Arrangements for obstructing or restricting traffic, e.g. gates, barricades ; Preventing passage of vehicles of selected category or dimensions
- E01F13/04—Arrangements for obstructing or restricting traffic, e.g. gates, barricades ; Preventing passage of vehicles of selected category or dimensions movable to allow or prevent passage
- E01F13/06—Arrangements for obstructing or restricting traffic, e.g. gates, barricades ; Preventing passage of vehicles of selected category or dimensions movable to allow or prevent passage by swinging into open position about a vertical or horizontal axis parallel to the road direction, i.e. swinging gates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
본 발명은 딥러닝을 이용한 차단봉 제어 시스템에 관한 것이다. 보다 상세하게는, 라이다(LIDAR) 등을 포함한 고가의 특수장치 없이 영상처리 분야에서 활용되고 있는 딥러닝 기술 중 하나인 컨볼루션 신경망(Convolution Neural Network(CNN))를 이용하여 주차장 내부로 진입하는 차량을 탐지하고 학습된 컨볼루션 신경망에서 출력하는 차량번호판의 이미지와 차량번호판의 이미지에 설정된 경계박스의 크기를 이용하여 차단봉과 차량 간의 거리를 측정한 후, 차단봉과 차량의 거리가 가까워 지는 경우 차단봉을 개방할 수 있는 딥러닝을 이용한 차단봉 제어 시스템에 관한 것이다.
이를 위해 본 발명은 차량번호판이 포함된 다수의 이미지에서 차량번호판에 대해 경계박스를 설정하는 라벨링 과정을 통해 배경이 포함된 이미지에서 차량번호판만을 식별할 수 있는 학습데이터를 생성하는 학습데이터생성모듈(100); 콘볼루션신경망이 포함된 딥러닝 네트워크 모델이 포함되며, 학습데이터생성모듈(100)에 의해 생성된 학습데이터를 딥러닝 네트워크 모델에 대한 입력데이터로 이용하여 입력데이터로 사용된 이미지 상에서 차량번호판을 탐지하기 위한 학습을 진행하는 데이터학습모듈(200); 주차장 내부로 진입하는 차량을 촬영하기 위해 주차장 입구에 구비되는 카메라모듈(300); 데이터학습모듈(200)에 의해 학습된 딥러닝 네트위크 모델을 이용하여 주차장 내부로 진입하는 량의 번호판을 탐지하며, 카메라모듈(300)에서 획득한 영상 정보를 시간 단위로 캡쳐하고, 캡쳐된 이미지 중에 포함된 차량번호판을 탐지하며, 탐지된 차량번호판에 대해 경계박스가 설정된 이미지를 출력하는 차량번호판탐지모듈(400)을 포함하는, 딥러닝을 이용한 차단봉 제어 시스템을 제공한다.
이를 위해 본 발명은 차량번호판이 포함된 다수의 이미지에서 차량번호판에 대해 경계박스를 설정하는 라벨링 과정을 통해 배경이 포함된 이미지에서 차량번호판만을 식별할 수 있는 학습데이터를 생성하는 학습데이터생성모듈(100); 콘볼루션신경망이 포함된 딥러닝 네트워크 모델이 포함되며, 학습데이터생성모듈(100)에 의해 생성된 학습데이터를 딥러닝 네트워크 모델에 대한 입력데이터로 이용하여 입력데이터로 사용된 이미지 상에서 차량번호판을 탐지하기 위한 학습을 진행하는 데이터학습모듈(200); 주차장 내부로 진입하는 차량을 촬영하기 위해 주차장 입구에 구비되는 카메라모듈(300); 데이터학습모듈(200)에 의해 학습된 딥러닝 네트위크 모델을 이용하여 주차장 내부로 진입하는 량의 번호판을 탐지하며, 카메라모듈(300)에서 획득한 영상 정보를 시간 단위로 캡쳐하고, 캡쳐된 이미지 중에 포함된 차량번호판을 탐지하며, 탐지된 차량번호판에 대해 경계박스가 설정된 이미지를 출력하는 차량번호판탐지모듈(400)을 포함하는, 딥러닝을 이용한 차단봉 제어 시스템을 제공한다.
Description
본 발명은 딥러닝을 이용한 차단봉 제어 시스템에 관한 것이다. 보다 상세하게는, 라이다(LIDAR) 등을 포함한 고가의 특수장치 없이 영상처리 분야에서 활용되고 있는 딥러닝 기술 중 하나인 컨볼루션 신경망(Convolution Neural Network(CNN))를 이용하여 주차장 내부로 진입하는 차량을 탐지하고 학습된 컨볼루션 신경망에서 출력하는 차량번호판의 이미지와 차량번호판의 이미지에 설정된 경계박스의 크기를 이용하여 차단봉과 차량 간의 거리를 측정한 후, 차단봉과 차량의 거리가 가까워 지는 경우 차단봉을 개방할 수 있는 딥러닝을 이용한 차단봉 제어 시스템에 관한 것이다.
무인 주차관리 시스템은 사람이 직접 주차관리를 하지 않고 시스템이 알아서 자동으로 주차관리를 하는 시스템을 말하며, 주차장에서 주차 가능한 주차면을 파악하는 시스템, 진입하는 차량을 최적 경로로 유도해 비어 있는 주차공간으로 주차하게 하는 시스템, 주차된 차량 위치 제공 시스템, 주차 요금 자동정산 시스템, 주차 요금 모바일 전자결제 시스템, 주차 공간 예약 시스템, 여유 주차 공간 안내 시스템 등 다양한 관련된 주차 시스템을 총칭한다.
현대 건물들은 스마트빌딩관리시스템이 적용되어 관리의 편의를 증대하기 위하여 여러가지 시스템들이 개발되어 가고 있고 이러한 시스템 중 기본적인 입출구를 담당하는 분야 중 하나가 자동차 번호판 인식 시스템이다.
주차관리 기술 중 주차장 입차 및 출차 시에 차량을 인식할 수 있는 기술은 크게 루프코일방식, 초음파방식, 적외선 방식, 지자기방식, 레이더방식, 영상분석방식 등으로 분류할 수 있다.
루프코일방식은 센서 루프에 의하여 형성된 감지영역을 통과하는 경우 차량의 통과를 인식하는 방식으로 포토센서 또는 적외선 센서에 비하여 정확도가 높다는 장점이 있지만 콘크리트 바닥에 시공을 해야 하는 불편함이 있고 매설 및 유지 보수가 힘들다는 단점이 있다.
초음파방식은 초음파센서로부터 일정시간 간격으로 초음파를 발생시켜 반사되는 반사파를 수신하여 송신 및 수신 간의 시간을 측정하여 차량의 유무를 판별하는 방식으로 신뢰도가 높고 주차유도가 가능하다는 장점이 있으나 실외에서는 설치가 불가하고 환경영향에 민감하며, 설치가 복잡하고 초기투자비용이 높다는 단점이 있다.
적외선 방식은 센서에서 적외선을 발광하고 반사되는 적외선을 수광하여 그 변화를 감지하여 차량의 유무를 감지하는 방식으로 차량을 감지할 수는 있으나 차량번호를 인식할 수 없다는 단점이 있다.
지자기방식은 센서에서 차량 존재 유무에 따라 달라지는 지구자기장의 변화를 감지하는 방식으로 실내, 실외 모두 설치 가능하고 설치가 간편하며 가격이 저렴하고 내구성이 강하다는 장점이 있으나, 계수오차가 발생하고 시공시 노면을 훼손하고 유지비용이 비싸다는 단점이 있다.
따라서, 고가의 특수장치 없이 영상처리 분야에서 활용되고 있는 딥러닝 기술 중 하나인 컨볼루션 신경망(Convolution Neural Network(CNN))를 이용하여 주차장내부로 진입하는 차량과 차단봉과의 거리가 가까워지는 경우 차단봉을 자동으로 개방할 수 있는 기술이 필요하다.
선행기술문헌 : KR등록특허공보 제10-0897759호(2009년05월15일 공고)
본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로, 주차장 내부로 진입하는 차량을 탐지하고 학습된 컨볼루션 신경망에서 출력하는 차량번호판의 이미지와 차량번호판의 이미지에 설정된 경계박스의 크기를 이용하여 차단봉과 차량 간의 거리를 측정한 후, 차단봉과 차량의 거리가 가까워 지는 경우 차단봉을 개방할 수 있는 딥러닝을 이용한 차단봉 제어 시스템을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위해 안출된 본 발명에 따른 딥러닝을 이용한 차단봉 제어시스템은 차량번호판이 포함된 다수의 이미지에서 차량번호판에 대해 경계박스를 설정하는 라벨링 과정을 통해 배경이 포함된 이미지에서 차량번호판만을 식별할 수 있는 학습데이터를 생성하는 학습데이터생성모듈(100); 콘볼루션신경망이 포함된 딥러닝 네트워크 모델이 포함되며, 학습데이터생성모듈(100)에 의해 생성된 학습데이터를 딥러닝 네트워크 모델에 대한 입력데이터로 이용하여 입력데이터로 사용된 이미지 상에서 차량번호판을 탐지하기 위한 학습을 진행하는 데이터학습모듈(200); 주차장 내부로 진입하는 차량을 촬영하기 위해 주차장 입구에 구비되는 카메라모듈(300); 데이터학습모듈(200)에 의해 학습된 딥러닝 네트위크 모델을 이용하여 주차장 내부로 진입하는 량의 번호판을 탐지하며, 카메라모듈(300)에서 획득한 영상 정보를 시간 단위로 캡쳐하고, 캡쳐된 이미지 중에 포함된 차량번호판을 탐지하며, 탐지된 차량번호판에 대해 경계박스가 설정된 이미지를 출력하는 차량번호판탐지모듈(400)을 포함한다.
또한, 차량번호판탐지모듈(400)에서는 탐지된 경계박스가 설정된 차량번호판의 이미지와 경계박스의 가로축좌표, 경계박스의 세로축좌표, 경계박스의 폭, 경계박스의 높이를 포함하여 경계박스에 관한 정보가 함께 출력되는 것을 포함하며, 차량번호판탐지모듈(400)에서 경계박스가 설정된 차량번호판을 탐지할 경우, 차량번호판에 설정된 경계박스에 관한 정보 중 경계박스의 폭과 경계박스의 높이에 관한 정보를 추출하고, 추출된 경계박스의 폭과 경계박스의 높이를 곱하여 경계박스의 크기를 연산하는 경계박스크기연산모듈(500); 경계박스크기연산모듈(500)에서 연산된 경계박스의 크기를 탐지된 차량번호판과의 거리로 변환하는 차량거리측정모듈(600)을 포함한다.
또한, 차량거리측정모듈에는 차량번호판에 설정된 경계박스의 크기를 거리로 변환할 때, 경계박스의 크기를 차량과의 거리로 변환할 수 있는 임계값이 설정되어 있으며, 경계박스연산모듈(500)에서 전송된 경계박스의 크기가 설정된 임계값보다 클 경우, 탐지된 차량과 차단봉과의 거리가 가까워졌다고 인식하여 차단봉을 개방하는 신호를 전송하는 것을 포함한다.
본 발명에 의하면 인공지능을 이용하여 차량이 주차장 내부로 진입하기 위하여 차단봉에 일정거리 이내로 접근하면 차단봉을 자동으로 개방할 수 있어 무인주차장을 효율적으로 관리할 수 있는 효과가 있다.
도 1은 본 발명의 바람직한 실시예에 따른 딥러닝을 이용한 차단봉 제어시스템의 구성을 도시한 도면.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
도 1은 본 발명의 바람직한 실시예에 따른 딥러닝을 이용한 차단봉 제어시스템을 도시한 도면이다.
본 발명의 바람직한 실시예에 따른 딥러닝을 이용한 차단봉 제어 시스템은, 도 1을 참조하면, 학습데이터생성모듈(100), 데이터학습모듈(200), 열화상카메라모듈(300), 차량번호판탐지모듈(400), 경계박스크기연산모듈(500), 차량거리측정모듈(600), 차단장치모듈(700)을 포함하여 이루어진다.
먼저, 본 발명에 따른 딥러닝을 이용한 차단봉 제어 시스템은 영상처리 분야에서 활용되고 있는 딥러닝 기술 중 하나인 컨볼루션 신경망(Convolution Neural Network(CNN))를 이용하여 주차장으로 진입하는 차량의 번호판을 탐지하고, 차량과의 거리를 학습된 컴볼루션 신경망을 이용하여 측정한 후 차량과 차단봉과의 거리가 가까워 차단봉과의 충돌이 발생할 우려가 있을 경우, 차단봉제어부에 차단봉을 개방하는 신호를 전송하여, 차량과 차단봉간의 충돌을 방지할 수 있는 것을 그 특징으로 한다.
또한, 차단봉이 개방된 상태에서 차단봉 주위에 보행자나 이륜차 등이 접근하는 경우, 차단봉의 개방상태를 유지하여 차단봉과 보행자 및 이륜차를 포함한 차단봉 주위를 보행하는 사람 또는 물체와의 충돌을 방지할 수 있는 것을 특징으로 한다.
이하, 본 발명의 바람직한 실시예에 따른 딥러닝을 이용한 차단봉 제어 시스템의 구성 요소에 대해 상세하게 설명한다.
학습데이터생성모듈(100)은 데이터학습모듈(200)에서 특정 이미지에 차량번호판이 있는지 여부를 판단하고, 차량번호판을 탐지하기 위한 학습자료를 생성할 수 있다.
학습데이터생성모듈(100)은 배경 및 차량과 차량번호판이 포함된 다수의 이미지에서 차량의 번호판에 대해 경계박스를 설정하는 라벨링(labeling) 과정을 통해 배경이 포함된 이미지에서 차량의 번호판만을 식별할 수 있는 학습데이터를 생성한다.
학습데이터생성모듈(100)에서의 라벨링과정은 학습을 위한 이미지에 포함된 각각의 물체를 이미지상에서 구분하기 위해 각 물체들의 픽셀들이 서로 연결되어 있는지의 여부를 판단한다.
이때, 이미지의 배열 속에서 서로 연결되어 있는 픽셀들의 집합인 연결성분을 찾고, 같은 연결성분을 가지는 픽셀들에게 번호를 지정해주는 라벨링을 함으로써 이미지에 포함된 각각의 물체들을 서로 구분하게 된다.
데이터학습모듈(200)은 콘볼루션 신경망(CNN; Convolutional Neural Network)이 포함된 R-CNN(Regions with CNN), Fast R-CNN, Faster R-CNN, YOLO(You Only Look Once)을 포함한 딥러닝 네트워크 모델을 포함하며, 학습데이터생성모듈(100)에 의해 생성된 학습데이터를 딥러닝 네트워크 모델에 대한 입력데이터로 이용하여 입력데이터로 사용된 이미지 상에서 차량의 번호판을 탐지하기 위한 학습을 진행한다.
카메라모듈(300)은 주차장 내부로 진입하는 차량을 촬영하기 위하여 주차장의 입구에 구비될 수 있다.
한편, 카메라모듈(300)에서 획득한 이미지 정보는 카메라모듈의 성능에 따라 규칙성이 없는 노이즈가 발생할 수 있다.
따라서, 학습데이터생성모듈(100)의 라벨링과정에서 라벨링이 되는 이미지의 픽셀에서 특정 픽셀수를 정하고, 특정된 픽셀수 보다 적은 영역을 제거하여 데이터학습모듈(200)에서 이미지에 포함된 차량의 번호판의 식별력을 높일 수 있도록 하여 아래에 서술된 카메라모듈(300)에서 획득한 이미지에 포함된 규칙성이 없는 노이즈를 제거할 수 있는 크기필터링모듈이 데이터학습모듈(200)에 포함될 수 있다.
차량번호판탐지모듈(400)은 마이크로프로세서에 프로그램 형태로 이식되며, 데이터학습모듈(200)에 의해 학습된 딥러닝 네트위크 모델을 이용하여 주차장 내부로 진입하는 차량의 번호판을 탐지하기 위한 모듈로서, 카레라모듈(300)에서 획득한 영상 정보를 시간 단위로 캡쳐하고, 캡쳐된 이미지 중에 포함된 차량번호판을 탐지하며, 탐지된 차량번호판에 대해 경계박스가 설정된 이미지를 출력한다.
차량번호판탐지모듈(400)에서는 탐지된 경계박스가 설정된 차량번호판의 이미지와 함께 경계박스의 가로축좌표, 경계박스의 세로축좌표, 경계박스의 폭, 경계박스의 높이를 포함하여 경계박스에 관한 정보가 함께 출력된다.
차량번호판탐지모듈(400)에서 출력되는 경계박스에 관한 정보는 실수로 표현된 텍스트 파일 형태로 저장되며, 텍스트 파일에서 각 행의 구성은 각각 클래스번호, 선박객체가 포함된 경계박스의 중심점에 대한 가로축좌표, 경계박의 중심점에 대한 세로축좌표, 경계박스의 폭, 경계박스의 높이에 관한 정보를 포함한다.
여기서, 클래스번호는 음이 아닌 정수로 표현. 현재 이미지에서 객체가 하나 밖에 없을 경우에는 0 으로 고정된 값을 가진다.
차량번호판이 포함된 경계박스의 중심점에 대한 가로축좌표는 경계박스의 좌상단 꼭지점 좌표가 전체 이미지 에 비례해서 가로축 어느 지점에 있는지를 표현한다.
경계박의 중심점에 대한 세로축좌표는 직사각형 박스의 좌상단 꼭지점 좌표가 전체 이미지 비례해서 세로축 어느 지점에 있는지를 표현한다.
경계박스의 폭은 전체 이미지의 크기를 1이라고 했을 때, 경계박스의 너비를 전체 이미지에 비례해서 표현한다.
경계박스의 높이는 전체 이미지의 크기를 1이라고 했을 때, 경계박스의 높이를 전체 이미지 비례해서 표현한다.
한편, 차량번호판탐지모듈(400)에서는 카메라모듈(300)에서 획득한 연속적인 이미지를 유한개의 픽셀로 분할하는 표준화과정을 거친다.
그리고, 표준화과정을 거친 이미지에 대해 연속적인 농담 값을 가지는 분할된 픽셀의 농담 값을 결정 하기 위해 이산적인 정수 값으로 표현하는 양자화과정을 진행한다.
또한, 양자화 과정에서 발생하거나 카메라모듈(300)에서 획득한 영상신호를 증폭하는 과정에서 발생할 수 있는 노이즈를 제거하여 차량번호판탐지모듈(400)에서 차량번호판 탐지를 위한 정확도를 높일 수 있도록 하기 위한 노이즈제거과정이 포함될 수 있다.
한편, 실제 카메라모듈(300)에서 획득한 영상에서 차량 및 차량번호판과 배경으로 분리하여 배경을 추출하고, 추출된 배경을 제거하여 동적상태에 있는 차량 및 차량번호판에 대한 픽셀정보를 추출하기 위한 배경클러터제거모듈(350)이 포함될 수 있으며, 배경클러터제거모듈(350)은 차량번호판탐지모듈(400)에 대한 전처리 과정으로 사용된다.
배경클러터제거모듈(350)은 가우시안 모델을 이용하여 구현될 수 있으며, 움직임으로 인해 계속적으로 위치가 변하는 차량 및 차량번호판에 비해 영상 안에서 비교적 움직임이 없는 배경(background)을 구하고, 초기에 주어진 영상에서 배경으로 지정하거나 연속으로 입력되는 영상에서 적절한 배경을 생성한 후, 현재 카메라모듈에서 획득한 영상과의 비교를 통해 배경을 제외한 차량 및 차량번호판만을 분리해 낸다.
경계박스크기연산모듈(500)은 차량번호판탐지모듈(400)에서 경계박스가 설정된 차량번호판을 탐지할 경우, 차량번호판에 설정된 경계박스에 관한 정보 중 경계박스의 폭과 경계박스의 높이에 관한 정보를 추출하고, 추출된 경계박스의 폭과 경계박스의 높이를 곱하여 경계박스의 크기를 연산한다.
또한, 경계박스크기연산모듈(500)에서는 시간의 경과에 따라 경계박스가 크지는 속도를 측정하여 연속적인 경계박스 크기에 대한 데이터를 연산하게 된다.
차량거리측정모듈(600)은 경계박스크기연산모듈(500)에서 연산된 경계박스의 크기를 탐지된 차량번호판과의 거리로 변환한다.
차량거리측정모듈(600)에서 차량번호판에 설정된 경계박스의 크기를 거리로 변환할 때, 경계박스의 크기를 선박 간의 거리로 변환할 수 있는 임계값이 차량거리측정모듈(600)에 미리 설정되어 있다.
이 임계값은 경계박스의 크기에 대한 임계값이며, 경계박스의 크기에 따라 차량과의 거리가 달라지며, 이 임계값을 기준으로 차량과의 위험거리를 판단하게 된다.
만일, 경계박스크기연산모듈(500)에서 전송된 경계박스의 크기가 설정된 임계값보다 클 경우, 탐지된 차량과의 거리가 가까워 차단봉과 차량간의 충돌 위험이 발생할 우려가 있는 위험거리로 인식하여 위험신호를 차단봉제어부로 전송한다.
또한, 경계박스크기연산모듈(500)에서 전송된 경계박스의 크기가 설정된 임계값 보다 작을 경우, 탐지된 차량과의 거리가 멀어 충돌 위험이 없는 안전거리로 인식하여 차단봉에 의하여 주차장 입구는 차단되며, 차량번호판의 차량번호가 인식되고, 차단봉과 차량간의 거리가 가까워진 후 차단봉이 개방된다.
차단장치모듈(700)은 차단봉 및 차단봉제어부를 포함하여 구성되며, 차단봉제어부는 차량거리측정모듈(600)로 부터 차량과 차단봉과의 거리에 대한 정보를 전송받아 탐지된 차량과의 거리가 가까워진 경우에 차단봉을 개방할 수 있다.
차단봉에는 물체감지센서가 구비되어 있다. 물체감지센서는 차단봉에 의하여 주차장 입구가 차단되어 있는 경우에는 물체감지센서와 차단봉제어부와의 연결은 차단되고, 차단봉이 개방되어 있는 경우에 물체감지센서와 차단봉제어부가 연결되어 물체감지센서에 의하여 감지되는 물체가 있는지 여부에 대한 정보를 차단봉제어부로 전송한다.
차단봉이 개방된 상태에서 차단봉에 구비된 물체감지센서에 보행자 및 이륜차를 포함한 물체가 감지되는 경우에는 차단봉은 개방상태를 계속 유지하고 물체감지센서에 의하여 보행자 및 이륜차를 포함한 물체가 감지되지 않는 경우에만 차단봉이 하방힌지운동을 하여 주차장의 입구를 차단한다.
본원발명은 차단봉에 물체감지센서를 구비하고 있어, 차단봉이 개방상태에서 차단봉의 운동반경내에서 보행자 및 이륜차가 지나가는 경우 차단봉이 개방상태를 계속 유지하여 차단봉과 보행자 및 이륜차를 포함한 물체와의 충돌을 방지할 수 있다.
또한, 본원발명은 루프에 의하여 형성된 감지영역을 차량이 통과하는 경우 차단봉을 개방하는 루프코일방식이나, 초음파를 발생시켜 반사되는 반사파를 수신하여 송신 및 수신 간의 시간을 측정하여 차량의 유무를 판별하는 초음파 방식에 비하여, 실내 및 실외 모두 설치가 가능하고, 콘크리트 바닥에 시공을 하지 않아도 되며, 유지 및 보수가 편리하다는 장점이 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 - 학습데이터생성모듈 200 - 데이터학습모듈
300 - 카메라모듈 400 - 차량번호판탐지모듈
500 - 경계박스크기연산모듈 600 - 차량거리측정모듈
700 - 차단장치모듈
300 - 카메라모듈 400 - 차량번호판탐지모듈
500 - 경계박스크기연산모듈 600 - 차량거리측정모듈
700 - 차단장치모듈
Claims (3)
- 차량번호판이 포함된 다수의 이미지에서 차량번호판에 대해 경계박스를 설정하는 라벨링 과정을 통해 배경이 포함된 이미지에서 차량번호판만을 식별할 수 있는 학습데이터를 생성하는 학습데이터생성모듈(100);
콘볼루션신경망이 포함된 딥러닝 네트워크 모델이 포함되며, 학습데이터생성모듈(100)에 의해 생성된 학습데이터를 딥러닝 네트워크 모델에 대한 입력데이터로 이용하여 입력데이터로 사용된 이미지 상에서 차량번호판을 탐지하기 위한 학습을 진행하는 데이터학습모듈(200);
주차장 내부로 진입하는 차량을 촬영하기 위해 주차장 입구에 구비되는 카메라모듈(300);
데이터학습모듈(200)에 의해 학습된 딥러닝 네트위크 모델을 이용하여 주차장 내부로 진입하는 차량의 번호판을 탐지하며, 카메라모듈(300)에서 획득한 영상 정보를 시간 단위로 캡쳐하고, 캡쳐된 이미지 중에 포함된 차량번호판을 탐지하며, 탐지된 차량번호판에 대해 경계박스가 설정된 이미지를 출력하는 차량번호판탐지모듈(400)
을 포함하고,
차량번호판탐지모듈(400)에서는 탐지된 경계박스가 설정된 차량번호판의 이미지와 경계박스의 가로축좌표, 경계박스의 세로축좌표, 경계박스의 폭, 경계박스의 높이를 포함하여 경계박스에 관한 정보가 함께 출력되는 것
을 포함하며,
차량번호판탐지모듈(400)에서 경계박스가 설정된 차량번호판을 탐지할 경우, 차량번호판에 설정된 경계박스에 관한 정보 중 경계박스의 폭과 경계박스의 높이에 관한 정보를 추출하고, 추출된 경계박스의 폭과 경계박스의 높이를 곱하여 경계박스의 크기를 연산하는 경계박스크기연산모듈(500);
경계박스크기연산모듈(500)에서 연산된 경계박스의 크기를 탐지된 차량번호판과의 거리로 변환하는 차량거리측정모듈(600)
을 포함하고,
차량거리측정모듈에는 차량번호판에 설정된 경계박스의 크기를 거리로 변환할 때, 경계박스의 크기를 차량과의 거리로 변환할 수 있는 임계값이 설정되어 있으며, 경계박스연산모듈(500)에서 전송된 경계박스의 크기가 설정된 임계값보다 클 경우, 탐지된 차량과 차단봉과의 거리가 가까워졌다고 인식하여 차단봉을 개방하는 신호를 전송하는 것;
경계박스크기연산모듈(500)에서 전송된 경계박스의 크기가 설정된 임계값 보다 작을 경우, 탐지된 차량과의 거리가 멀어 충돌 위험이 없는 안전거리로 인식하여 차단봉에 의하여 주차장 입구는 차단되며, 차량번호판의 차량번호가 인식되는 것;
차단장치모듈(700)은 차단봉 및 차단봉제어부를 포함하여 구성되며, 차단봉제어부는 차량거리측정모듈(600)로부터 차량과 차단봉과의 거리에 대한 정보를 전송받아 탐지된 차량과의 거리가 가까워진 경우 차단봉을 개방할 수 있는 것;
차단봉에는 물체감지센서가 구비되어 있고, 차단봉에 의하여 주차장 입고가 차단되어 있는 경우에는 물체감지센서와 차단봉제어부와의 연결은 차단되고, 차단봉이 개방되어 있는 경우에 물체감지센서와 차단봉제어부가 연결되어 물체감지센서에 의하여 감지되는 물체가 있는지 여부에 대한 정보를 차단봉제어부로 전송하는 것; 및
차단봉이 개방된 상태에서 차단봉에 구비된 물체감지센서에 보행자 및 이륜차를 포함한 물체가 감지되는 경우에는 차단봉은 개방상태를 계속 유지하고 물체감지센서에 의하여 보행자 및 이륜차를 포함한 물체가 감지되지 않는 경우에만 차단봉이 하방힌지운동을 하여 주차장의 입구를 차단하는 것
을 포함하는, 딥러닝을 이용한 차단봉 제어 시스템.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210123628A KR102640725B1 (ko) | 2021-09-16 | 2021-09-16 | 딥러닝을 이용한 차단봉 제어 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210123628A KR102640725B1 (ko) | 2021-09-16 | 2021-09-16 | 딥러닝을 이용한 차단봉 제어 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230040461A KR20230040461A (ko) | 2023-03-23 |
| KR102640725B1 true KR102640725B1 (ko) | 2024-02-27 |
Family
ID=85799130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210123628A KR102640725B1 (ko) | 2021-09-16 | 2021-09-16 | 딥러닝을 이용한 차단봉 제어 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102640725B1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102257006B1 (ko) * | 2020-02-25 | 2021-05-27 | 한국해양대학교 산학협력단 | 딥러닝을 이용한 선박 충돌 방지 자율회피 시스템 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102282118B1 (ko) * | 2019-10-23 | 2021-07-27 | (주) 선일일렉콤 | 인공지능 기반 영상분석을 통한 차량인식기를 구비한 주차 차단기 및 그 구성 방법 |
-
2021
- 2021-09-16 KR KR1020210123628A patent/KR102640725B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102257006B1 (ko) * | 2020-02-25 | 2021-05-27 | 한국해양대학교 산학협력단 | 딥러닝을 이용한 선박 충돌 방지 자율회피 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230040461A (ko) | 2023-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102110376B (zh) | 基于计算机视觉的路边停车位检测装置 | |
| KR101395089B1 (ko) | 장애물 감지 시스템 및 방법 | |
| CN102765365B (zh) | 基于机器视觉的行人检测方法及行人防撞预警系统 | |
| KR102105162B1 (ko) | 전자파 센서를 이용해 차량 속도, 차량 위치 및 차량 통행량을 파악하고 규칙을 위반하는 차량을 구분하여 이에 대한 정보는 동영상 또는 사진으로 저장하는 스마트 속도위반단속 장치, 스마트 신호위반단속 장치 및 스마트시티 솔루션 장치 | |
| CN103366569B (zh) | 实时抓拍交通违章车辆的方法及系统 | |
| KR101104625B1 (ko) | 지능형 교통 시스템의 교통정보를 산출하기 위한 장치 및 그 방법 | |
| RU151809U1 (ru) | Видеосистема для обеспечения безопасности транспортных средств | |
| KR101385525B1 (ko) | 스쿨존 안전통행 시스템 | |
| CN103559791A (zh) | 一种融合雷达和ccd摄像机信号的车辆检测方法 | |
| US10853963B2 (en) | Object detection device, device control system, and medium | |
| KR101103526B1 (ko) | 스테레오 카메라를 이용한 충돌회피 방법 | |
| CN104616502A (zh) | 基于组合式车路视频网络的车牌识别与定位系统 | |
| Gulati et al. | Image processing in intelligent traffic management | |
| JP2007010335A (ja) | 車両位置検出装置及びシステム | |
| CN103164958B (zh) | 车辆监控方法及系统 | |
| KR102200204B1 (ko) | Cctv 영상을 활용한 3차원 영상분석 시스템 | |
| KR102093237B1 (ko) | 비접촉식 자동 차량 감지기를 이용한 차종 분류시스템 | |
| KR102472075B1 (ko) | 실시간 도로영상 및 레이다 신호를 분석한 결과에 기초하여 돌발상황 자동검지 서비스를 지원하는 시스템 및 방법 | |
| CN104504363A (zh) | 基于时空关联的人行道实时识别方法 | |
| KR102257006B1 (ko) | 딥러닝을 이용한 선박 충돌 방지 자율회피 시스템 | |
| KR101310103B1 (ko) | 주차장 차량 번호 인식 시스템 및 그 인식방법 | |
| KR102640725B1 (ko) | 딥러닝을 이용한 차단봉 제어 시스템 | |
| Shafie et al. | Smart video surveillance system for vehicle detection and traffic flow control | |
| Mammeri et al. | Extending the detection range of vision-based driver assistance systems application to pedestrian protection system | |
| KR102204015B1 (ko) | 영상에 기반한 주차 차단기 및 이를 통한 차량 통제 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |