KR20210035360A - License Plate Recognition Method and Apparatus for roads - Google Patents
License Plate Recognition Method and Apparatus for roads Download PDFInfo
- Publication number
- KR20210035360A KR20210035360A KR1020190116601A KR20190116601A KR20210035360A KR 20210035360 A KR20210035360 A KR 20210035360A KR 1020190116601 A KR1020190116601 A KR 1020190116601A KR 20190116601 A KR20190116601 A KR 20190116601A KR 20210035360 A KR20210035360 A KR 20210035360A
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- vehicle number
- number recognition
- deep learning
- image information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 238000003384 imaging method Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G06K9/3258—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/001—Image restoration
- G06T5/002—Denoising; Smoothing
-
- G06T5/70—
-
- 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
-
- G06K2209/15—
Abstract
Description
본 발명은 차량번호 인식기술에 관한 것으로, 더욱 상세하게는 하나의 광각 카메라로 교행 다차로를 촬상한 영상정보로부터 인공지능을 이용하여 교행 다차로를 운행하는 다수의 차량에 대한 차량번호를 인식하는 교행 다차로를 위한 차량번호 인식방법 및 장치에 관한 것이다. The present invention relates to a vehicle number recognition technology, and more particularly, to recognize the vehicle number of a plurality of vehicles driving the crossing multiple lanes using artificial intelligence from image information captured by a single wide-angle camera. It relates to a vehicle number recognition method and apparatus for a multi-lane intersection.
사회 구조가 복잡해지고 다양해짐에 따라 개인의 활동 영역도 점차적으로 넓어지는 한편 신속한 이동에 대한 요구에 부응하여 자동차의 이용이 증가하게 되었다. 또한 물류의 발달로 인하여 배송 등을 위한 차량대수가 급격히 증가하게 되었다. 이와 같이 사회 및 경제 규모가 확대 및 고도화됨에 따라 차량 및 교통수요가 폭발적으로 증가하고 있다. As the social structure became more complex and diversified, the area of individual activity gradually expanded, while the use of automobiles increased in response to the demand for rapid movement. Also, due to the development of logistics, the number of vehicles for delivery and the like has increased rapidly. As the social and economic scale is expanded and advanced, the demand for vehicles and transportation is exploding.
이러한 차량대수의 급격한 증가와 차량의 이용이 일반화됨에 따라 차량을 이용한 범죄행위도 증가하고 있으며, 과속 차량과 뺑소니 차량 등과 같이 단속 대상이 되는 차량 대수도 늘어나고 있다. With such a rapid increase in the number of vehicles and the generalization of the use of vehicles, criminal acts using vehicles are also increasing, and the number of vehicles subject to crackdowns such as speeding vehicles and hit-and-run vehicles is also increasing.
이러한 문제를 해결하고자 종래에는 도로를 주행하는 차량을 촬영하여, 그 차량번호판의 차량번호를 인식할 수 있도록 하는 차량번호 인식 기술이 개발되어 상용화되어 있다. In order to solve this problem, conventionally, a vehicle number recognition technology has been developed and commercialized in which a vehicle traveling on a road is photographed and the vehicle number of the vehicle license plate is recognized.
상기 차량번호 인식은 무인 주차 관리, 그리고 불법 주차 차량 적발, 고속도로에서의 속도 위반 자동 과태료 부과, 도난 차량의 불법 번호판 적발, 과적 차량 적발 등의 목적으로 널리 사용되고 있다.The vehicle number recognition is widely used for the purposes of unmanned parking management, detection of illegally parked vehicles, automatic fines for speed violations on highways, detection of illegal license plates of stolen vehicles, detection of overloaded vehicles, and the like.
상기 차량번호 인식을 이행하는 상용 시스템은 루프 센서 방식의 단일 차로 자동차 번호판 인식 방법을 채용한다. A commercial system for performing the vehicle number recognition employs a vehicle license plate recognition method for a single lane using a loop sensor method.
종래의 차량번호 인식 시스템은 도로상의 특정 차선의 특정 구간에 루프식 감지센서를 마련하고, 그 루프식 감지센서에서 감지된 신호에 따라 작동되는 카메라를 설치한 구성을 갖는다. The conventional vehicle number recognition system has a configuration in which a loop-type detection sensor is provided in a specific section of a specific lane on a road, and a camera that operates according to a signal detected by the loop-type detection sensor is installed.
상기와 같은 종래의 차량번호 인식 시스템은, 루프식 감지센서를 도로에 설치해야 하므로, 그 설치비용이 많이 들고, 오랜 기간 사용시 파손될 가능성이 높아지므로 유지 관리가 쉽지 않은 단점이 있었다. The conventional vehicle number recognition system as described above has a disadvantage in that maintenance is not easy because the roof type detection sensor must be installed on the road, and the installation cost is high and the possibility of damage is high when used for a long period of time.
또한 루프식 감지센서는 특정 도로구간 및 차선에만 설치할 수 있으므로, 매우 한정적으로 차량을 단속할 수 밖에 없는 한계가 있었다. In addition, since the roof-type sensor can be installed only in specific road sections and lanes, there is a limit to control vehicles in a very limited manner.
또한 상기 루프식 감지센서에 연동하여 동작하는 카메라의 경우에는 차량번호를 인식할 수 있도록 고화소수를 가지는 CCD 카메라를 사용하는 것이 일반적이며, 도 1의 (a)는 종래의 차량번호판 인식 시스템을 예시한 것이다. 상기한 종래의 차량번호판 인식 시스템은 그 설치비용이 증가하는 단점이 있으며, 또한 루프식 감지센서가 설치되지 안은 차선을 지나는 차량을 촬영하지 못하는 문제점이 있다.In addition, in the case of a camera operating in conjunction with the loop type detection sensor, it is common to use a CCD camera having a high number of pixels to recognize the vehicle number, and FIG. 1A illustrates a conventional vehicle license plate recognition system. I did it. The above-described conventional vehicle license plate recognition system has a disadvantage of increasing its installation cost, and also has a problem in that it is not possible to photograph a vehicle passing through a lane in which a roof type sensor is not installed.
더욱이 근래에 사용되기 시작한 신규 차량번호판인 명암비가 낮은 파란색 전기 및 수소차 번호 등에 대해서는 인식이 어려운 문제가 있었다. 도 1의 (b)는 전기자동차에 부여되는 번호판을 예시한 것이다. 상기 전기자동차에 부여되는 번호판은 반사번호판을 채용하므로 도 1의 (c)에 도시한 바와 같이 광을 반사하여 인식이 어려운 문제가 있었다.Moreover, there was a problem that it was difficult to recognize blue electric and hydrogen car numbers with low contrast ratio, which are new license plates that have begun to be used in recent years. (B) of FIG. 1 illustrates a license plate assigned to an electric vehicle. Since the license plate given to the electric vehicle employs a reflective license plate, there is a problem that it is difficult to recognize the light by reflecting light as shown in FIG. 1(c).
이에 종래에는 하나의 광각 카메라를 사용하여 교행 다차로를 운행하는 다수의 차량에 대한 차량번호를 인식해낼 수 있는 기술의 개발이 절실하게 요망되었다. Accordingly, in the related art, there has been an urgent need to develop a technology capable of recognizing vehicle numbers for a plurality of vehicles traveling on an intersecting multi-lane using a single wide-angle camera.
본 발명은 하나의 광각 카메라로 교행 다차로를 촬상한 영상정보로부터 인공지능을 이용하여 교행 다차로를 운행하는 다수의 차량에 대한 차량번호를 인식하는 교행 다차로를 위한 차량번호 인식방법 및 장치를 제공하는 것을 목적으로 한다. The present invention relates to a vehicle number recognition method and apparatus for an intersecting multi-lane for recognizing vehicle numbers for a plurality of vehicles driving an intersecting multi-lane using artificial intelligence from image information captured by one wide-angle camera of an intersecting multi-lane. It aims to provide.
상기한 목적을 달성하기 위해, 본 발명의 일측면에 따르면, 다차로를 주행하는 차량의 전후방 차량번호판을 촬상하는 카메라 장치; 차량검지 및 차량번호 인식의 딥 러닝을 위한 딥 러닝 데이터를 저장하는 데이터 저장소; 외부기기와의 통신을 담당하는 통신모듈; 및 상기 딥 러닝 데이터에 따라 차량검지 및 차량번호 인식에 대한 딥 러닝을 이행하며, 상기 카메라 장치가 촬상하여 획득한 영상정보를 제공받아 차량을 검지하고 검지한 차량의 차량번호판의 차량번호를 인식하여 상기 통신모듈을 통해 외부로 전송하는 영상처리장치;를 포함하는 차량번호 인식장치를 제공한다.In order to achieve the above object, according to an aspect of the present invention, a camera device for photographing front and rear license plates of a vehicle traveling on multiple lanes; A data storage storing deep learning data for deep learning of vehicle detection and vehicle number recognition; A communication module in charge of communication with an external device; And performing deep learning for vehicle detection and vehicle number recognition according to the deep learning data, detecting the vehicle by receiving image information acquired by the camera device, and recognizing the vehicle number of the vehicle license plate of the detected vehicle. It provides a vehicle number recognition device including; an image processing device for transmitting to the outside through the communication module.
또한, 상기 영상처리장치가, 차량의 검지와 차량번호판의 차량번호 인식을 위해 생성된 학습 및 테스트용 메타 데이터인 딥 러닝 데이터를 토대로 CNN(convolutional neural network), R-CNN(REGIONS WITH CNN) 및 FAST RCNN 중 하나 이상을 이행하여 딥러닝을 이행함을 특징으로 한다.In addition, the image processing device, based on deep learning data, which is meta data for learning and testing, generated for detection of a vehicle and recognition of a license plate number, a convolutional neural network (CNN), a REGIONS WITH CNN (R-CNN), and It is characterized by implementing deep learning by implementing at least one of the FAST RCNNs.
또한, 상기 영상처리장치가, 상기 영상정보를 제공받아 SSR(single scale retinex), MSR(multi scale retinex) 중 하나 이상을 이행하여 상기 영상정보를 개선함을 특징으로 한다.In addition, the image processing device is characterized in that the image information is improved by receiving the image information and performing at least one of a single scale retinex (SSR) and a multi scale retinex (MSR).
또한, 상기 영상처리장치가, 상기 영상정보를 제공받아 SSR, MSR 중 하나 이상이 이행된 영상정보에 대해 이방성 필터링(BILATERAL FILTER)을 이행함을 특징으로 한다.In addition, the image processing apparatus is characterized in that it performs anisotropic filtering (BILATERAL FILTER) on the image information on which at least one of SSR and MSR is implemented by receiving the image information.
또한, 상기 영상처리장치와 데이터 저장소는 임베디드 보드로 형성됨을 특징으로 한다.In addition, the image processing apparatus and the data storage are characterized in that it is formed of an embedded board.
본 발명의 다른 측면에 따르면, 다차로를 주행하는 차량의 전후방 차량번호판을 촬상하는 단계; 차량검지 및 차량번호 인식의 딥 러닝을 위한 딥 러닝 데이터에 따라 차량검지 및 차량번호 인식에 대한 딥 러닝을 이행하는 단계; 상기 촬상에 의해 획득한 영상정보를 제공받아 차량을 검지하고 검지한 차량의 차량번호판의 차량번호를 인식하는 단계;를 포함하는 차량번호 인식방법을 제공한다.According to another aspect of the present invention, the step of capturing the front and rear license plates of a vehicle traveling on multiple lanes; Performing deep learning for vehicle detection and vehicle number recognition according to deep learning data for deep learning of vehicle detection and vehicle number recognition; It provides a vehicle number recognition method comprising; receiving the image information acquired by the imaging, detecting a vehicle, and recognizing the vehicle number of the vehicle license plate of the detected vehicle.
또한, 상기 딥 러닝은, 차량의 검지와 차량번호판의 차량번호 인식을 위해 생성된 학습 및 테스트용 메타 데이터를 토대로 CNN(convolutional neural network), R-CNN(REGIONS WITH CNN) 및 FAST RCNN 중 하나 이상을 이행하는 것임을 특징으로 한다.In addition, the deep learning is one or more of a convolutional neural network (CNN), a REGIONS WITH CNN (R-CNN), and a FAST RCNN based on meta data for learning and testing generated for vehicle detection and vehicle number recognition. It is characterized by the implementation of.
또한, 상기 영상정보에 대해 SSR(single scale retinex), MSR(multi scale retinex) 중 하나 이상을 이행하여 상기 영상정보를 개선하는 단계를 더 포함할 수 있다.In addition, the step of improving the image information by performing at least one of a single scale retinex (SSR) and a multi scale retinex (MSR) for the image information may be further included.
또한, 상기 SSR, MSR 중 하나 이상이 이행된 영상정보에 대해 이방성 필터링(BILATERAL FILTER)을 이행하는 단계;를 더 포함할 수 있다. In addition, the step of performing anisotropic filtering (BILATERAL FILTER) on the image information in which at least one of the SSR and MSR has been implemented; may further include.
본 발명은 하나의 광각 카메라를 사용하여 교행 다차로를 운행하는 다수의 차량에 대한 차량번호를 인식함으로써, 차량번호 인식을 위해 소요되는 비용을 절감할 수 있게 한다. The present invention recognizes vehicle numbers for a plurality of vehicles running on an intersecting multi-lane using one wide-angle camera, thereby reducing the cost required for vehicle number recognition.
또한, 본 발명은 하나의 광각 카메라를 사용하여 획득한 영상정보를 개선하여 교행 다차로를 운행하는 다수의 차량 중 전기차나 수소차에 대한 차량번호를 인식함으로써, 차량번호 인식율을 제고할 수 있게 한다. In addition, the present invention improves the image information acquired using a single wide-angle camera to recognize the vehicle number of an electric vehicle or a hydrogen vehicle among a plurality of vehicles running on an intersecting multi-lane, thereby improving the vehicle number recognition rate. .
도 1은 종래의 차량번호 인식과정을 예시한 도면.
도 2는 본 발명의 바람직한 실시예에 따르는 차량번호 인식과정을 예시한 도면.
도 3은 본 발명의 바람직한 차량번호 인식장치의 구성도.
도 4는 본 발명의 바람직한 차량번호 인식장치에 구비되는 소프트웨어 구성도.
도 5 및 도 6은 본 발명의 바람직한 실시예에 따르는 차량번호 인식방법의 절차도. 1 is a diagram illustrating a conventional vehicle number recognition process.
2 is a diagram illustrating a vehicle number recognition process according to a preferred embodiment of the present invention.
Figure 3 is a configuration diagram of a preferred vehicle number recognition device of the present invention.
Figure 4 is a configuration diagram of the software provided in the preferred vehicle number recognition device of the present invention.
5 and 6 are procedure diagrams of a vehicle number recognition method according to a preferred embodiment of the present invention.
본 발명은 하나의 광각 카메라를 사용하여 교행 다차로를 운행하는 다수의 차량에 대한 차량번호를 인식함으로써, 차량번호 인식을 위해 소요되는 비용을 절감한다.The present invention uses one wide-angle camera to recognize vehicle numbers for a plurality of vehicles running on an intersecting multiple lane, thereby reducing the cost required for vehicle number recognition.
또한 본 발명은 하나의 광각 카메라를 사용하여 교행 다차로를 운행하는 다수의 차량 중 전기차나 수소차에 대한 차량번호를 인식함으로써, 차량번호 인식율을 높일 수 있다. In addition, according to the present invention, the vehicle number recognition rate can be increased by recognizing the vehicle number of an electric vehicle or a hydrogen vehicle among a plurality of vehicles running on an intersecting multi-lane using one wide-angle camera.
상기한 본 발명의 바람직한 실시예에 따르는 교행 다차로를 위한 차량 번호 인식 방법 및 그를 위한 시스템을 도면을 참조하여 상세히 설명한다. A vehicle number recognition method and a system therefor for an intersection according to a preferred embodiment of the present invention will be described in detail with reference to the drawings.
<교행 다차로를 위한 차량번호 인식 시스템의 구성><Configuration of vehicle number recognition system for crossroads>
도 3은 본 발명의 바람직한 실시예에 따르는 교행 다차로를 위한 차량번호 인식 시스템의 구성을 도시한 것이다. 상기 교행 다차로를 위한 차량번호 인식 시스템은 차량번호 인식장치(100)와 녹화서버(150)와 고성능 딥러닝 인식서버(160)로 구성된다. 3 shows the configuration of a vehicle number recognition system for an intersection multi-lane according to a preferred embodiment of the present invention. The vehicle number recognition system for the crossroads is composed of a vehicle number recognition device 100, a recording server 150, and a high-performance deep learning recognition server 160.
상기 차량번호 인식장치(100)는 교행 다차로에 설치되어 교행 다차로를 주행하는 차량들을 촬상하고, 상기 촬상에 따라 생성된 영상정보를 토대로 상기 교행 다차로를 주행하는 차량들을 검지하고, 검지한 차량들의 차량번호판에 기록된 차량번호를 인식하며, 차량번호 인식정보와 상기 영상정보를 결합하여 상기 녹화서버(150)로 제공한다. The vehicle number recognition device 100 is installed on an intersecting multi-lane to capture images of vehicles traveling on an intersecting multi-lane, and detects and detects vehicles traveling through the intersecting multi-lane based on image information generated according to the imaging. The vehicle number recorded on the vehicle license plate is recognized, and the vehicle number recognition information and the image information are combined and provided to the recording server 150.
또한 검지한 차량들에 대한 차량번호가 인식되지 않으면, 상기 차량번호 인식장치(100)는 차량번호 재인식요청정보와 상기 영상정보를 결합하여 상기 녹화서버(150)로 제공한다. In addition, if the vehicle number of the detected vehicles is not recognized, the vehicle number recognition device 100 combines the vehicle number re-recognition request information and the image information and provides the combined vehicle number re-recognition request information to the recording server 150.
상기 녹화서버(150)는 상기 차량번호 인식장치(100)로부터 차량번호 인식결과정보와 영상정보가 제공되면 이를 미도시한 데이터베이스에 저장한다. 그리고 상기 녹화서버(150)는 상기 차량번호 재인식요청정보와 상기 영상정보가 제공되면 이를 미도시한 데이터베이스에 저장한 후에 상기 영상정보를 상기 고성능 딥러닝 인식서버(160)에 제공하여 차량번호 재인식을 요청한다. 또한 상기 녹화서버(150)는 상기 고성능 딥러닝 인식서버(160)로부터 차량번호 재인식결과정보가 제공되면 상기 차량번호 재인식결과정보를 상기 영상정보에 대응되게 저장한다. When the vehicle number recognition result information and image information are provided from the vehicle number recognition device 100, the recording server 150 stores the information in a database not shown. When the vehicle number re-recognition request information and the image information are provided, the recording server 150 stores the vehicle number re-recognition request information and the image information in a database not shown, and then provides the image information to the high-performance deep learning recognition server 160 to perform vehicle number re-recognition. request. In addition, when the vehicle number re-recognition result information is provided from the high-performance deep learning recognition server 160, the recording server 150 stores the vehicle number re-recognition result information corresponding to the image information.
상기 고성능 딥러닝 인식서버(160)는 상기 영상정보가 제공되면 해당 영상정보에서 차량번호판을 검지하여 차량번호를 재인식하고 이에 따른 재인식결과정보를 상기 녹화서버(150)로 제공한다. When the image information is provided, the high-performance deep learning recognition server 160 detects the vehicle license plate from the image information, re-recognizes the vehicle number, and provides re-recognition result information to the recording server 150.
<차량번호 인식장치(100)의 구성><Configuration of vehicle number recognition device 100>
상기한 차량번호 인식장치(100)의 구성 및 동작을 좀더 상세히 설명한다. The configuration and operation of the vehicle number recognition apparatus 100 will be described in more detail.
상기 차량번호 인식장치(100)는 광각 카메라 장치(102)와 임베디드 보드(104)와 통신모듈(106)로 구성된다. The vehicle number recognition device 100 is composed of a wide-angle camera device 102, an embedded board 104, and a communication module 106.
상기 광각 카메라 장치(102)는 교행 다차로를 조망하는 위치에 설치되어 상기 교행 다차로상을 주행하는 다수의 차량의 전후방을 촬상하고 그에 따라 획득된 영상정보를 상기 임베디드 보드(104)로 전송한다. The wide-angle camera device 102 is installed at a position overlooking the intersection, photographs the front and rear of a plurality of vehicles traveling on the intersection, and transmits the acquired image information to the embedded board 104. .
상기 임베디드 보드(104)는 영상처리장치(106)와 딥러닝 데이터 저장소(108)가 임베디드 보드로 구성된 것으로, 빠른 처리속도를 제공함은 물론이며 고성능의 서버급 컴퓨터가 아니어도 딥 러닝 데이터의 처리 및 영상 처리를 가능하게 하며, 시스템 설치의 어려움 및 양산과 유지보수에 대한 고비용에 대한 문제를 해소한다. The embedded board 104 is composed of an embedded board including an image processing device 106 and a deep learning data storage 108, and provides fast processing speed and processing and image processing of deep learning data without a high-performance server-class computer. It enables processing, and solves the problem of system installation difficulties and high cost for mass production and maintenance.
상기 영상처리장치(106)는 상기 광각 카메라 장치(102)가 제공하는 영상정보를 제공받아 상기 촬상에 따라 생성된 영상정보를 SSR(single scale retinex), MSR(multi scale retinex), 이방성 필터링(BILATERAL FILTER)을 통해 개선한다. 상기 MSR은 SSR과 같은 저역통과필터를 사용하며, SSR의 가중합으로 출력이 주어지고 SSR에 비해 후광효과(Halo artifact)를 감소시킬 수 있다. 상기 이방성 필터링은 상기 SSR과 MSR의 색상변화와 후광효과를 해소한다. 상기한 영상정보의 개선은 심층학습이 적용되어 저해상도의 영상정보를 효과적으로 개선할 수 있다. The image processing device 106 receives image information provided by the wide-angle camera device 102 and converts the image information generated according to the imaging into single scale retinex (SSR), multi scale retinex (MSR), and anisotropic filtering (BILATERAL). FILTER) to improve. The MSR uses a low-pass filter such as SSR, and an output is given by weighted summation of the SSR, and halo artifacts can be reduced compared to the SSR. The anisotropic filtering eliminates the color change and halo effect of the SSR and MSR. In order to improve the above-described image information, deep learning is applied, so that low-resolution image information can be effectively improved.
상기 영상처리장치(106)는 상기한 바와 같이 개선된 영상정보로부터 상기 교행 다차로를 주행하는 차량들을 검지하고, 검지한 차량들의 차량번호판을 통해 차량번호를 인식하며, 차량번호 인식정보와 상기 영상정보를 결합하여 상기 통신모듈(110)을 통해 상기 녹화서버(150)로 제공한다. 또한 상기 검지한 차량들의 차량번호판을 통해 차량번호가 인식되지 않으면, 상기 차량번호 인식장치(100)는 차량번호 재인식요청정보와 상기 영상정보를 결합하여 상기 녹화서버(150)로 제공한다. The image processing device 106 detects vehicles traveling on the intersection from the image information improved as described above, recognizes the vehicle number through the vehicle license plate of the detected vehicles, and recognizes the vehicle number recognition information and the image. The information is combined and provided to the recording server 150 through the communication module 110. In addition, if the vehicle number is not recognized through the vehicle license plates of the detected vehicles, the vehicle number recognition apparatus 100 combines the vehicle number re-recognition request information and the image information and provides the combined vehicle number re-recognition request information to the recording server 150.
상기의 차량 및 차량번호의 인식과정에 대해 좀더 설명한다. 상기 차량 및 량번호의 인식시에는 객체 검출 및 인식을 이행한다.The above-described vehicle and vehicle number recognition process will be further described. When the vehicle and vehicle number are recognized, object detection and recognition are performed.
상기한 객체 검출과 인식을 위해서 상기 영상처리장치(106)는 객체의 위치와 크기를 포함하는 경계를 예측하는 방식을 사용할 수 있다. For object detection and recognition, the image processing apparatus 106 may use a method of predicting a boundary including the position and size of the object.
그리고 슬라이딩 윈도우 방식에 따라, 슬라이딩 ROI 이미지가 객체 클래스 예측 함수에 전달하고 다양한 크기의 객체를 피라미드로 생성하여 검출할 수도 있다. In addition, according to the sliding window method, a sliding ROI image may be transferred to an object class prediction function, and objects of various sizes may be generated as a pyramid to be detected.
그리고 HOG(Histogram of Oriented Gradients) FEATURES와 SVM(support vector machine)을 이용한 객체 인식 방식에 따라, 피라미드 슬라이딩 윈도우를 실행하여 각 윈도우에서 객체 분류를 위해 HOG FEATURE를 계산한 후에 SVM을 이용하여 객체를 인식할 수도 있다. In addition, according to the object recognition method using HOG (Histogram of Oriented Gradients) features and SVM (support vector machine), a pyramid sliding window is executed to calculate HOG features for object classification in each window, and then the object is recognized using SVM. You may.
그리고 딥러닝 기법을 적용할 수 있으며, CNN(convolutional neural network)은 정확도 높은 객체 추출이 가능하며 R-CNN(REGIONS WITH CNN)은 객체 분류에 필요한 ROI 수를 줄일 수 있고, 선택적 검색을 위해 질감, 강도, 컬러 등의 로컬 정보를 사용한다. FAST RCNN은 SPP-NET(spatial pyramid pooling) 기반으로 계산되며 전체 이미지에 대해 한번 CNN을 계산한다. In addition, deep learning techniques can be applied, a convolutional neural network (CNN) can extract objects with high accuracy, and R-CNN (REGIONS WITH CNN) can reduce the number of ROIs required for object classification, and texture, Use local information such as intensity and color. FAST RCNN is calculated based on SPP-NET (spatial pyramid pooling), and CNN is calculated once for the entire image.
그리고 YOLO(YOU ONLY LOOK ONCE)를 적용할 수 있으며, 상기 YOLO는 각 이미지를 S*S 그리드의 정확성을 반영, 리드에 N 개체가 예측되며 대부분은 낮은 신뢰도를 가진다. 신뢰도를 높이기 위해 주변의 그리드를 합칠 수 있고, 임계값을 설정해 불필요한 부분은 제거할 수 있다. And YOLO (YOU ONLY LOOK ONCE) can be applied, and YOLO reflects the accuracy of the S*S grid for each image, and N objects are predicted in the lead, and most have low reliability. To increase reliability, the surrounding grids can be combined, and unnecessary parts can be removed by setting a threshold.
상기 YOLO는 여타의 실시간 비전 기술과 비교할 때에 속도가 빠르며 이미지 전체를 한번에 바라보는 방식으로 클래스를 분별할 수 있게 한다. Compared to other real-time vision technologies, the YOLO is faster and allows the class to be identified by viewing the entire image at once.
상기 딥러닝 데이터 저장소(108)에는 상기 영상처리장치(106)의 영상정보 학습을 위한 메타 파일이 저장된다. 상기 메타 파일은 파일정보, 클래스(class) 정보, 좌표정보, 크기정보 등으로 구성된다. 이러한 메타 파일은 메타 파일 제작 프로그램을 통해 생성될 수 있다. The deep learning data storage 108 stores a meta file for learning image information of the image processing device 106. The meta file is composed of file information, class information, coordinate information, size information, and the like. These meta files can be created through a meta file production program.
상기한 영상처리장치(106)에 구비되는 소프트웨어로는 도 4에 도시한 바와 같이 학습 및 테스트용 메타 파일을 생성하는 메타 파일 프로그램, 저품위 영상 또는 반사판에 의해 오염된 영상에 대해 개선을 이행하는 영상 개선 소프트웨어, 다차로를 주행하는 차량들의 차량번호판들을 인식하는 다차로 LPR 소프트웨어, 전후방으로 주행하는 차량들의 차량번호판들을 인식하는 전후방 LPR 소프트웨어, 전기 및 신규 번호판을 인식하는 전기 및 신규 번호판 인식 소프트웨어, 고속처리를 위한 고속화 소프트웨어, 임베디드 기반 딥러닝 소프트웨어가 포함될 수 있다. As the software provided in the image processing apparatus 106, as shown in FIG. 4, a meta file program that generates a meta file for learning and testing, a low-quality image, or an image that performs improvement on an image contaminated by a reflector. Improvement software, multi-lane LPR software that recognizes license plates of vehicles traveling on multiple lanes, front and rear LPR software that recognizes license plates of vehicles traveling in front and rear, electric and new license plate recognition software that recognizes electric and new license plates, high speed High-speed software for processing and embedded-based deep learning software may be included.
<차량번호 인식방법의 절차><Procedure of vehicle number recognition method>
상기한 본 발명의 바람직한 실시예에 따르는 차량번호 인식장치에 적용가능한 차량번호 인식방법의 절차를 도 5을 참조하여 설명한다. The procedure of the vehicle number recognition method applicable to the vehicle number recognition apparatus according to the preferred embodiment of the present invention will be described with reference to FIG. 5.
상기 차량번호 인식장치는 학습 또는 차량번호 인식 중 어느 하나의 동작모드로의 동작모드가 설정되었는지를 체크한다. 상기 학습 또는 차량번호 인식 중 어느 하나의 동작모드로 설정되어 있으면, 상기 차량번호 인식장치는 상기 동작모드가 학습모드인지를 체크한다(200단계). The vehicle number recognition device checks whether an operation mode for either learning or vehicle number recognition is set. If either of the learning or vehicle number recognition operation mode is set, the vehicle number recognition device checks whether the operation mode is a learning mode (step 200).
상기 동작모드가 학습모드이면, 상기 차량번호 인식장치는 객체 검출 및 인식율을 위한 딥러닝을 이행한다(202단계). 상기한 딥러닝은 차량 검지 및 차량번호 인식방식에 대한 것으로, CNN(convolutional neural network), R-CNN(REGIONS WITH CNN), FAST RCNN 중 어느 하나 또는 그 이상이 선택될 수 있다. 상기한 차량 검지 및 차량번호 인식은 슬라이딩 윈도우 방식 또는 HOG(Histogram of Oriented Gradients) FEATURES와 SVM(support vector machine)을 이용한 객체 인식 방식이 채용될 수 있다. 또한 상기한 딥러닝은 차량의 검지와 차량번호판의 차량번호 인식을 위해 생성된 학습 및 테스트용 메타 데이터인 딥 러닝 데이터를 토대로 CNN(convolutional neural network), R-CNN(REGIONS WITH CNN) 및 FAST RCNN 중 하나 이상을 이행하여 수행된다. If the operation mode is a learning mode, the vehicle number recognition device performs deep learning for object detection and recognition rate (step 202). The deep learning described above is for vehicle detection and vehicle number recognition, and any one or more of a convolutional neural network (CNN), REGIONS WITH CNN (R-CNN), and FAST RCNN may be selected. The vehicle detection and vehicle number recognition described above may employ a sliding window method or an object recognition method using Histogram of Oriented Gradients (HOG) features and a support vector machine (SVM). In addition, the above-described deep learning is based on deep learning data, which is meta data for learning and testing, generated for vehicle detection and vehicle number recognition of license plates, and based on CNN (convolutional neural network), R-CNN (REGIONS WITH CNN) and FAST RCNN. It is performed by implementing one or more of the following.
상기 동작모드가 차량번호 인식모드이면, 상기 차량번호 인식장치는 딥 러닝된 차량검지 및 차량번호 인식방식에 따라 다차로를 주행하는 차량들에 대한 전후방 차량번호판을 인식한다(204단계). 이후 상기 차량번호 인식장치는 영상정보 및 차량번호판 인식결과정보를 녹화서버로 전송한다(206단계). If the operation mode is the vehicle number recognition mode, the vehicle number recognition device recognizes the front and rear license plates of vehicles traveling on multiple lanes according to the deep-learned vehicle detection and vehicle number recognition method (step 204). Thereafter, the vehicle number recognition device transmits the image information and the vehicle license plate recognition result information to the recording server (step 206).
<차량번호 인식단계의 상세절차><Detailed procedure of vehicle number recognition step>
상기한 본 발명의 바람직한 실시예에 따르는 차량번호 인식장치에 적용가능한 차량번호 인식단계를 도 6을 참조하여 좀더 상세하게 설명한다. The vehicle number recognition step applicable to the vehicle number recognition apparatus according to the preferred embodiment of the present invention will be described in more detail with reference to FIG. 6.
상기 차량번호 인식장치는 차량번호 인식으로의 동작모드가 설정되었으면, 광각 카메라 장치(102)를 구동하여 다차로를 주행하는 차량들을 촬상한다(300단계). 상기한 촬상에 의해 획득되는 영상정보는 영상처리장치(106)로 제공되며, 상기 영상처리장치(106)는 상기 영상정보를 제공받아 영상정보를 개선한다(302단계). 상기 영상정보 개선방법은 SSR(single scale retinex), MSR(multi scale retinex), 이방성 필터링(BILATERAL FILTER) 등이 채용된다. 이러한 영상정보 개선을 통해 저품위의 영상정보로부터도 차량번호판의 인식을 가능하게 하고, 반사판에 형성된 전기 자동차의 차량번호판에 대한 인식도 가능하게 한다. When the operation mode for vehicle number recognition is set, the vehicle number recognition device drives the wide-angle camera device 102 to capture vehicles traveling on multiple lanes (step 300). The image information acquired by the above-described imaging is provided to an image processing device 106, and the image processing device 106 receives the image information and improves the image information (step 302). As the image information improvement method, SSR (single scale retinex), MSR (multi scale retinex), anisotropic filtering (BILATERAL FILTER), and the like are employed. Through such image information improvement, it is possible to recognize the license plate even from low-quality image information, and to recognize the license plate of an electric vehicle formed on the reflector.
상기한 영상정보의 개선후에, 상기 영상처리장치(100)는 상기 영상정보로부터 차량을 검지한다(304단계). 상기한 영상정보로부터 차량이 검지되면, 상기 영상처리장치(100)는 차량검지영역에 대해 차량번호판의 차량번호를 인식한다(308단계). After the image information is improved, the image processing apparatus 100 detects a vehicle from the image information (step 304). When a vehicle is detected from the image information, the image processing apparatus 100 recognizes the vehicle number of the vehicle license plate for the vehicle detection area (step 308).
상기한 영상정보로부터 차량번호판의 차량번호가 인식되면, 상기 영상처리장치(100)는 상기 차량이 검지되었고 차량번호가 인식되었으면, 영상정보와 차량번호 인식정보를 녹화서버로 전송한다. When the vehicle number of the vehicle license plate is recognized from the image information, the image processing apparatus 100 transmits the image information and vehicle number recognition information to the recording server when the vehicle is detected and the vehicle number is recognized.
이와 달리 차량이 검지되었으나 차량번호가 인식되지 않았다면, 상기 영상처리장치(100)는 상기 영상정보와 차량번호 재인식요청정보를 상기 녹화서버로 전송한다. In contrast, if the vehicle is detected but the vehicle number is not recognized, the image processing apparatus 100 transmits the image information and vehicle number re-recognition request information to the recording server.
이상의 설명에서 본 발명은 특정의 실시 예와 관련하여 도시 및 설명하였지만, 특허청구범위에 의해 나타난 발명의 사상 및 영역으로부터 벗어나지 않는 한도 내에서 다양한 개조 및 변화가 가능 하다는 것을 당 업계에서 통상의 지식을 가진 자라면 누구나 쉽게 알 수 있을 것이다.In the above description, the present invention has been illustrated and described in connection with specific embodiments, but it is known in the art that various modifications and changes are possible without departing from the spirit and scope of the invention indicated by the claims. Anyone who has it will be easy to know.
100 : 차량번호 이식장치
102 : 광각 카메라 장치
104 : 임베디드 보드
106 : 영상처리장치
108 : 딥러닝 데이터 저장소
150 : 녹화서버
160 : 고성능 딥러닝 인식서버100: vehicle number implantation device
102: wide-angle camera device
104: embedded board
106: image processing device
108: deep learning data storage
150: recording server
160: High-performance deep learning recognition server
Claims (7)
다차로를 주행하는 차량의 전후방 차량번호판을 촬상하는 카메라 장치;
차량검지 및 차량번호 인식의 딥 러닝을 위한 딥 러닝 데이터를 저장하는 데이터 저장소;
외부기기와의 통신을 담당하는 통신모듈; 및
상기 딥 러닝 데이터에 따라 차량검지 및 차량번호 인식에 대한 딥 러닝을 이행하며, 상기 카메라 장치가 촬상하여 획득한 영상정보를 제공받아 차량을 검지하고 검지한 차량의 차량번호판의 차량번호를 인식하여 상기 통신모듈을 통해 외부로 전송하는 영상처리장치;를 포함하고,
상기 영상처리장치가,
차량의 검지와 차량번호판의 차량번호 인식을 위해 생성된 학습 및 테스트용 메타 데이터인 딥 러닝 데이터를 토대로 CNN(convolutional neural network), R-CNN(REGIONS WITH CNN) 및 FAST RCNN 중 하나 이상을 이행하여 딥러닝을 이행함을 특징으로 하는 차량번호 인식장치. In the vehicle number recognition device,
A camera device for photographing front and rear license plates of a vehicle traveling on multiple lanes;
A data storage storing deep learning data for deep learning of vehicle detection and vehicle number recognition;
A communication module in charge of communication with an external device; And
Performs deep learning for vehicle detection and vehicle number recognition according to the deep learning data, detects the vehicle by receiving image information acquired by the camera device, and recognizes the vehicle number on the vehicle license plate Including; an image processing device that transmits to the outside through the communication module,
The image processing device,
Based on deep learning data, which is meta data for learning and testing, generated for vehicle detection and vehicle number recognition of license plates, one or more of CNN (convolutional neural network), R-CNN (REGIONS WITH CNN), and FAST RCNN are implemented. Vehicle number recognition device characterized by implementing deep learning.
상기 영상처리장치가,
상기 영상정보를 제공받아 SSR(single scale retinex), MSR(multi scale retinex) 중 하나 이상을 이행하여 상기 영상정보를 개선함을 특징으로 하는 차량번호 인식장치. The method of claim 1,
The image processing device,
A vehicle number recognition apparatus, characterized in that the image information is improved by receiving the image information and implementing at least one of a single scale retinex (SSR) and a multi scale retinex (MSR).
상기 영상처리장치가,
상기 영상정보를 제공받아 SSR, MSR 중 하나 이상이 이행된 영상정보에 대해 이방성 필터링(BILATERAL FILTER)을 이행함을 특징으로 하는 차량번호 인식장치. The method of claim 2,
The image processing device,
A vehicle number recognition device, characterized in that anisotropic filtering (BILATERAL FILTER) is performed on the image information in which at least one of SSR and MSR is implemented by receiving the image information.
상기 영상처리장치와 데이터 저장소는 임베디드 보드로 형성됨을 특징으로 하는 차량번호 인식장치.The method of claim 1,
The vehicle number recognition device, characterized in that the image processing device and the data storage are formed of an embedded board.
다차로를 주행하는 차량의 전후방 차량번호판을 촬상하는 단계;
차량검지 및 차량번호 인식의 딥 러닝을 위한 딥 러닝 데이터에 따라 차량검지 및 차량번호 인식에 대한 딥 러닝을 이행하는 단계;
상기 촬상에 의해 획득한 영상정보를 제공받아 차량을 검지하고 검지한 차량의 차량번호판의 차량번호를 인식하는 단계;를 포함하고,
상기 딥 러닝은,
차량의 검지와 차량번호판의 차량번호 인식을 위해 생성된 학습 및 테스트용 메타 데이터를 토대로 CNN(convolutional neural network), R-CNN(REGIONS WITH CNN) 및 FAST RCNN 중 하나 이상을 이행하는 것임을 특징으로 하는 차량번호 인식방법. In the vehicle number recognition method,
Photographing front and rear license plates of a vehicle traveling on multiple lanes;
Performing deep learning for vehicle detection and vehicle number recognition according to deep learning data for deep learning of vehicle detection and vehicle number recognition;
Receiving the image information acquired by the imaging, detecting a vehicle, and recognizing the vehicle number of the vehicle license plate of the detected vehicle; Including,
The deep learning,
Characterized in that it implements at least one of CNN (convolutional neural network), R-CNN (REGIONS WITH CNN), and FAST RCNN based on meta data for learning and testing generated for vehicle detection and vehicle number recognition of license plates. Vehicle number recognition method.
상기 영상정보에 대해 SSR(single scale retinex), MSR(multi scale retinex) 중 하나 이상을 이행하여 상기 영상정보를 개선하는 단계를 더 구비함을 특징으로 하는 차량번호 인식방법. The method of claim 5,
And improving the image information by performing at least one of a single scale retinex (SSR) and a multi scale retinex (MSR) for the image information.
상기 SSR, MSR 중 하나 이상이 이행된 영상정보에 대해 이방성 필터링(BILATERAL FILTER)을 이행하는 단계;를 더 구비함을 특징으로 하는 차량번호 인식방법. The method of claim 6,
Performing anisotropic filtering (BILATERAL FILTER) on the image information on which at least one of the SSR and MSR has been implemented; a vehicle number recognition method further comprising.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190116601A KR102369824B1 (en) | 2019-09-23 | 2019-09-23 | License Plate Recognition Method and Apparatus for roads |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190116601A KR102369824B1 (en) | 2019-09-23 | 2019-09-23 | License Plate Recognition Method and Apparatus for roads |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210035360A true KR20210035360A (en) | 2021-04-01 |
| KR102369824B1 KR102369824B1 (en) | 2022-03-07 |
Family
ID=75441323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190116601A KR102369824B1 (en) | 2019-09-23 | 2019-09-23 | License Plate Recognition Method and Apparatus for roads |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102369824B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220153721A (en) * | 2021-05-11 | 2022-11-21 | 주식회사 딥비전 | system and method of clamping down on vehicles that violate traffic laws |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100703956B1 (en) | 2005-10-12 | 2007-04-04 | 정보안주식회사 | Vehicle identification system and method of processing the same |
| KR100852683B1 (en) | 2007-08-13 | 2008-08-18 | (주)한국알파시스템 | An apparatus for recognizing number of vehicles and a methode for recognizing number of vehicles |
| KR20150137233A (en) * | 2014-05-28 | 2015-12-09 | 주식회사 에프지아이 | Method and the image preprocess for the recognition of object in the projector's environment |
| KR20160040036A (en) | 2014-10-02 | 2016-04-12 | (주) 키움소프트 | A car number plate recognition method and recognition device that uses a number of IP cameras |
| KR101753117B1 (en) * | 2016-09-21 | 2017-07-05 | (주) 플래누리 | Lpr system for controlling entrance time and exit time of vehicle by implementing camera and lpr module integrally and the method threof |
| KR101774735B1 (en) * | 2017-06-12 | 2017-09-06 | 주식회사 넥스파시스템 | Method for improvement of shadow area around car number plate and car number recognition |
| KR101971878B1 (en) * | 2018-11-28 | 2019-04-26 | 극동대학교 산학협력단 | Video surveillance system and method using deep-learning based car number recognition technology in multi-lane environment |
-
2019
- 2019-09-23 KR KR1020190116601A patent/KR102369824B1/en active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100703956B1 (en) | 2005-10-12 | 2007-04-04 | 정보안주식회사 | Vehicle identification system and method of processing the same |
| KR100852683B1 (en) | 2007-08-13 | 2008-08-18 | (주)한국알파시스템 | An apparatus for recognizing number of vehicles and a methode for recognizing number of vehicles |
| KR20150137233A (en) * | 2014-05-28 | 2015-12-09 | 주식회사 에프지아이 | Method and the image preprocess for the recognition of object in the projector's environment |
| KR20160040036A (en) | 2014-10-02 | 2016-04-12 | (주) 키움소프트 | A car number plate recognition method and recognition device that uses a number of IP cameras |
| KR101753117B1 (en) * | 2016-09-21 | 2017-07-05 | (주) 플래누리 | Lpr system for controlling entrance time and exit time of vehicle by implementing camera and lpr module integrally and the method threof |
| KR101774735B1 (en) * | 2017-06-12 | 2017-09-06 | 주식회사 넥스파시스템 | Method for improvement of shadow area around car number plate and car number recognition |
| KR101971878B1 (en) * | 2018-11-28 | 2019-04-26 | 극동대학교 산학협력단 | Video surveillance system and method using deep-learning based car number recognition technology in multi-lane environment |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220153721A (en) * | 2021-05-11 | 2022-11-21 | 주식회사 딥비전 | system and method of clamping down on vehicles that violate traffic laws |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102369824B1 (en) | 2022-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220343138A1 (en) | Analysis of objects of interest in sensor data using deep neural networks | |
| CN108335489A (en) | Vehicle on highway behavior semantic analysis and abnormal behaviour monitoring system and method | |
| CN110738150B (en) | Camera linkage snapshot method and device and computer storage medium | |
| WO2015089867A1 (en) | Traffic violation detection method | |
| CN110580808B (en) | Information processing method and device, electronic equipment and intelligent traffic system | |
| US11436839B2 (en) | Systems and methods of detecting moving obstacles | |
| KR102306789B1 (en) | License Plate Recognition Method and Apparatus for roads | |
| CN111508269B (en) | Open type parking space vehicle distinguishing method and device based on image recognition | |
| KR101355201B1 (en) | The system and the method for monitoring illegal stopping and parking vehicles based spatio-temporal feature vector-based vehicle recognition | |
| JP2020052647A (en) | Object detection device, object detection method, computer program for object detection, and vehicle control system | |
| CN111967396A (en) | Processing method, device and equipment for obstacle detection and storage medium | |
| Gao et al. | On‐line vehicle detection at nighttime‐based tail‐light pairing with saliency detection in the multi‐lane intersection | |
| Grbić et al. | Automatic vision-based parking slot detection and occupancy classification | |
| Shafie et al. | Smart video surveillance system for vehicle detection and traffic flow control | |
| CN113112813B (en) | Illegal parking detection method and device | |
| Arthi et al. | Object detection of autonomous vehicles under adverse weather conditions | |
| KR20230051836A (en) | Method and system for License plate recognition corresponding to tailgating in parking control | |
| Mammeri et al. | Extending the detection range of vision-based driver assistance systems application to pedestrian protection system | |
| KR102369824B1 (en) | License Plate Recognition Method and Apparatus for roads | |
| US8971579B2 (en) | Windshield localization for occupancy detection | |
| KR102339841B1 (en) | Method and system for License plate recognition corresponding to tailgating in parking control | |
| Dai et al. | A driving assistance system with vision based vehicle detection techniques | |
| Xiong et al. | Fast and robust approaches for lane detection using multi‐camera fusion in complex scenes | |
| Tourani et al. | Challenges of video-based vehicle detection and tracking in intelligent transportation systems | |
| KR102593483B1 (en) | system and method of clamping down on vehicles that violate traffic laws |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |