KR20210088368A - Apparatus and method for generating license plate image - Google Patents

Apparatus and method for generating license plate image Download PDF

Info

Publication number
KR20210088368A
KR20210088368A KR1020200001689A KR20200001689A KR20210088368A KR 20210088368 A KR20210088368 A KR 20210088368A KR 1020200001689 A KR1020200001689 A KR 1020200001689A KR 20200001689 A KR20200001689 A KR 20200001689A KR 20210088368 A KR20210088368 A KR 20210088368A
Authority
KR
South Korea
Prior art keywords
license plate
plate image
image
information
actual
Prior art date
Application number
KR1020200001689A
Other languages
Korean (ko)
Inventor
한병길
김광주
김병근
백장운
이종택
이준구
임길택
정윤수
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020200001689A priority Critical patent/KR20210088368A/en
Publication of KR20210088368A publication Critical patent/KR20210088368A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • 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
    • G06V20/625—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
    • G06K2209/15—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

The present invention provides a method for generating a vehicle license plate image, which includes the steps of: acquiring a graphic image including text information that a user wants to generate; acquiring an actual license plate image including the text information and other text information; extracting feature information from the actual license plate image; and using the extracted feature information and the graphic image as inputs, and generating an artificial license plate image including the text information that the user wants to generate. By using the extracted vehicle license plate shape and feature information, it is possible to artificially generate a license plate image of a realistic form composed of arbitrary desired text.

Description

차량 번호판 영상 생성 장치 및 그 방법{APPARATUS AND METHOD FOR GENERATING LICENSE PLATE IMAGE}Vehicle license plate image generating device and method {APPARATUS AND METHOD FOR GENERATING LICENSE PLATE IMAGE}

본 발명은 차량 번호판 영상을 인공적으로 생성하는 기술에 관한 것이다.The present invention relates to a technology for artificially generating a license plate image.

국내의 차량 번호판 문자는 0~9사이의 숫자 및 지역, 용도 등을 나타내는 한글 글자로 구성되어 있다. 종래의 차량 번호판 영상에서 차량 번호판 문자 정보를 인식하는 대부분의 방법은 기존에 획득된 차량 번호판 영상에서 차량 번호판 문자의 형태 및 특징 등을 분석하거나 학습하고, 분석 및 학습된 정보를 인식하고자 하는 새로운 차량 번호판 영상에 동일하게 적용하여 차량 번호판 문자 정보를 인식한다. 이러한 방법들은 적용하기 위해서는 기존에 획득된 차량 번호판 영상에 차량 번호판 문자로 사용 가능한 모든 문자가 존재해야 한다.Vehicle license plate characters in Korea consist of numbers between 0 and 9, and Hangul characters that indicate regions and uses. Most methods of recognizing vehicle license plate character information in the conventional license plate image are a new vehicle that analyzes or learns the shape and characteristics of the vehicle license plate character from the previously acquired license plate image, and wants to recognize the analyzed and learned information. The same applies to license plate images to recognize vehicle license plate text information. In order to apply these methods, all available characters as license plate characters must exist in the previously acquired license plate image.

가령, 문석 및 학습을 위해 보유한 기존의 차량 번호판 영상에 특정 숫자나 글자가 존재하지 않는다면, 그 문자 정보를 분석하고 학습할 수 없기 때문에, 그 문자가 포함된 차량 번호판의 경우 차량 번호판 문자 정보를 인식할 수 없게 된다. For example, if a specific number or character does not exist in the existing license plate image held for text and learning, the character information cannot be analyzed and learned, so in the case of a license plate containing the character, the license plate character information is recognized can't do it

최근 많이 사용되는 딥러닝 기반으로 한 차량 번호판 문자 정보 인식 기술의 경우 학습을 위해 대량의 차량 번호판 영상이 필요하며 각각의 차량 번호판 문자도 고르게 분포하여야 한다.In the case of license plate character information recognition technology based on deep learning, which is widely used recently, a large amount of license plate images are required for learning, and each license plate character must also be evenly distributed.

특정한 기관이나 기업 등을 제외하면, 차량 번호판 인식을 위한 신경망 모델을 학습시키기 위한 학습 데이터로서 충분한 데이터 량의 차량 번호판 영상을 촬영하거나 획득하기 힘들다. 따라서, 대부분의 경우 인터넷이나 제한된 지역에서 아주 제한된 수량의 차량 번호판 영상을 획득할 수밖에 없다. Except for a specific institution or company, it is difficult to shoot or acquire a license plate image with a sufficient amount of data as training data for training a neural network model for license plate recognition. Therefore, in most cases, it is inevitable to acquire a very limited number of license plate images on the Internet or in a limited area.

본 발명은 전술한 바와 같이, 영상 획득 장치로 획득한 실제 차량 번호판 영상과 같은 형태의 차량 번호판 영상을 인공적으로 생성하기 위해, 제한된 수량의 실제 차량 번호판 영상을 이용하여 차량 번호판의 형태 및 특징을 학습한 차량 번호판 영상 생성 장치를 구축하고, 구축된 차량 번호판 영상 생성 장치를 이용하여 임의의 원하는 문자 정보를 갖는 실제와 같은 형태의 차량 번호판 영상을 인공적으로 생성하는 장치 및 방법을 제공하는데 그 목적이 있다.As described above, the present invention learns the shape and characteristics of a license plate using a limited number of real license plate images in order to artificially generate a vehicle license plate image of the same shape as an actual license plate image acquired by an image acquisition device. An object of the present invention is to provide an apparatus and method for constructing a license plate image generating device and artificially generating a license plate image in a realistic form having any desired text information using the built license plate image generating device. .

본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부된 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. The above and other objects, advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings.

전술한 목적을 달성하기 위한 본 발명의 차량 번호판 영상 생성 방법은, 사용자가 생성하고자 하는 문자 정보를 포함하는 그래픽 영상을 획득하는 단계; 상기 문자 정보와 다른 문자 정보를 포함하는 실제 차량 번호판 영상을 획득하는 단계; 상기 실제 차량 번호판 영상으로부터 특징 정보를 추출하는 단계; 상기 추출된 특징 정보와 상기 그래픽 영상을 입력으로 이용하여, 상기 사용자가 생성하고자 하는 문자 정보를 포함하는 인공 차량 번호판 영상을 생성하는 단계를 포함한다.The vehicle license plate image generating method of the present invention for achieving the above object includes: obtaining a graphic image including text information that a user wants to generate; obtaining an actual license plate image including the text information and other text information; extracting feature information from the actual license plate image; and using the extracted feature information and the graphic image as inputs, generating an artificial vehicle license plate image including text information that the user wants to create.

본 발명에 의하면, 획득 가능한 제한된 수량의 실제 차량 번호판 영상을 이용하여 차량 번호판의 형태 및 특징을 추출하고, 추출한 차량 번호판의 형태 및 특징 정보를 사용하여 임의의 원하는 문자로 구성된 실제와 같은 형태의 차량 번호판 영상을 인공적으로 생성할 수 있다.According to the present invention, the shape and characteristics of a license plate are extracted using a limited number of obtainable actual license plate images, and a vehicle of a realistic shape composed of arbitrary desired characters using the extracted shape and characteristic information of the license plate. License plate images can be artificially generated.

도 1은 본 발명의 실시 예에 따른 차량 번호판 영상 생성 장치의 내부 구성을 나타내는 블록도.
도 2는 본 발명의 실시 예에 따른 차량 번호판 영상 생성 방법을 나타내는 흐름도.
도 3 내지 8은 본 발명의 실시 예에 다른 차량 번호판 영상 생성 방법에 따라 생성된 인공 차량 번호판 영상의 예들을 나타낸 도면들.1 is a block diagram showing the internal configuration of a vehicle license plate image generating apparatus according to an embodiment of the present invention.
2 is a flowchart illustrating a vehicle license plate image generation method according to an embodiment of the present invention.
3 to 8 are views showing examples of artificial license plate images generated according to a vehicle license plate image generating method according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시예에 한정되는 것은 아니다. 오히려, 이들 실시예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다. 또한, 이하의 도면에서 각 구성은 설명의 편의 및 명확성을 위하여 과장된 것이며, 도면 상에서 동일 부호는 동일한 요소를 지칭한다. 본 명세서에서 사용된 바와 같이, 용어 "및/또는" 는 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. Examples of the present invention are provided to more completely explain the present invention to those of ordinary skill in the art, and the following examples may be modified in various other forms, and the scope of the present invention is as follows It is not limited to an Example. Rather, these examples are provided so that this disclosure will be more thorough and complete, and will fully convey the spirit of the invention to those skilled in the art. In addition, in the following drawings, each component is exaggerated for convenience and clarity of description, and the same reference numerals refer to the same elements in the drawings. As used herein, the term “and/or” includes any one and all combinations of one or more of those listed items.

본 명세서에서 사용된 용어는 특정 실시예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다.The terminology used herein is used to describe specific embodiments, not to limit the present invention.

본 명세서에서 사용된 바와 같이, 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는 "포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및 /또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다.As used herein, the singular forms may include the plural forms unless the context clearly dictates otherwise. Also, as used herein, “comprise” and/or “comprising” refers to the presence of the recited shapes, numbers, steps, actions, members, elements, and/or groups of those specified. and does not exclude the presence or addition of one or more other shapes, numbers, movements, members, elements and/or groups.

도 1은 본 발명의 실시 예에 따른 차량 번호판 영상 생성 장치의 내부 구성을 나타내는 블록도이다.1 is a block diagram illustrating an internal configuration of an apparatus for generating a license plate image according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 실시 예에 따른 차량 번호판 영상 생성 장치(100)는 통신 기능 및 프로세싱 기능을 갖는 "컴퓨팅 장치" 그 자체이거나 그 컴퓨팅 장치에 의해 제어되거나 실행되는 모듈로 구현될 수 있다.1, the vehicle license plate image generating apparatus 100 according to an embodiment of the present invention may be implemented as a "computing device" itself having a communication function and a processing function or a module controlled or executed by the computing device. have.

컴퓨팅 장치는 적어도 하나의 프로세서(CPU, GPU 등), 메모리, 저장 매체 및 통신 모듈 등을 기본 구성 요소로 갖는 것이라면 특별히 제한하지 않는다. 예를 들면, 컴퓨팅 장치는 사용자 단말, 웨어러블 기기, 스마트 워치, 데스크탑, 서버 등으로 지칭될 수 있다. 여기서, 사용자 단말은 '스마트 폰'일 수 있다.The computing device is not particularly limited as long as it has at least one processor (CPU, GPU, etc.), a memory, a storage medium, and a communication module as basic components. For example, the computing device may be referred to as a user terminal, a wearable device, a smart watch, a desktop, a server, and the like. Here, the user terminal may be a 'smart phone'.

차량 번호판 영상 생성 장치(100)가 컴퓨팅 장치에 의해 제어되거나 실행되는 모듈로 구현된 경우, 모듈은 하드웨어 모듈, 소프트웨어 모듈 및 이들의 조합일 수 있다. When the vehicle license plate image generating device 100 is implemented as a module controlled or executed by a computing device, the module may be a hardware module, a software module, and a combination thereof.

차량 번호판 영상 생성 장치(100)가 하드웨어 모듈로 구현된 경우, 그 하드웨어 모듈은 회로 기판, 회로 기판 위에 실장되는 적어도 하나의 프로세서를 포함하도록 구성된 것일 수 있다.When the vehicle license plate image generating apparatus 100 is implemented as a hardware module, the hardware module may be configured to include a circuit board and at least one processor mounted on the circuit board.

차량 번호판 영상 생성 장치(100)가 소프트웨어 모듈로 구현된 경우, 소프트웨어 모듈은 프로세서에 의해 실행되는 알고리즘일 수 있다. 알고리즘은 '신경망' 또는 '신경망 모델'이라는 용어로 지칭될 수 있다.When the vehicle license plate image generating apparatus 100 is implemented as a software module, the software module may be an algorithm executed by a processor. An algorithm may be referred to by the term 'neural network' or 'neural network model'.

이처럼 다양한 형태로 구현될 수 있는 차량 번호판 영상 생성 장치(100)는 임의의 원하는 문자로 구성된 차량 번호판 영상을 실제 촬영된 영상과 같은 형태로 인공적으로 생성한다. 인공적으로 생성된 차량 번호판 영상은 차량 번호판 영상을 인식하기 위한 인식기를 학습시키기 위한 학습 데이터 또는 훈련 데이터로 이용될 수 있다.As such, the vehicle license plate image generating apparatus 100 that can be implemented in various forms artificially generates a vehicle license plate image composed of any desired characters in the same form as an actual photographed image. The artificially generated license plate image may be used as learning data or training data for learning a recognizer for recognizing a license plate image.

차량 번호판 영상을 인공적으로 생성하기 위해, 차량 번호판 영상 생성 장치(100)는 도 1에 도시된 바와 같이, 특징 추출기(110), 차량 번호판 영상 생성기(120) 및 유사도 산출기(130)를 포함한다. In order to artificially generate a license plate image, the license plate image generating apparatus 100 includes a feature extractor 110 , a license plate image generator 120 and a similarity calculator 130 as shown in FIG. 1 . .

특징 추출기(110)는 실제로 촬영하여 획득한 차량 번호판 영상(10, 이하, 실제 차량 번호판 영상)을 입력으로 이용하여, 상기 실제 차량 번호판 영상(10)의 특징 정보를 추출하고, 추출된 특징 데이터를 차량 번호판 생성기(120)로 입력한다.The feature extractor 110 extracts the feature information of the actual license plate image 10 by using the license plate image (10, hereinafter, the actual license plate image) obtained by actually shooting as an input, and extracts the extracted feature data It is input to the vehicle license plate generator 120 .

특징 추출기(110)에 의해 추출된 특징 정보는, 예를 들면, 실제 차량 번호판 영상(10)에 포함된 문자(텍스트 및 숫자를 포함)의 색상(흰색 또는 검은색) 정보, 크기 정보, 형태 정보 등을 포함하며. 추가로, 문자 주변의 배경 색상 정보를 더 포함할 수 있다.The feature information extracted by the feature extractor 110 is, for example, color (white or black) information, size information, and shape information of characters (including text and numbers) included in the actual license plate image 10 . including etc. Additionally, background color information around the character may be further included.

이러한 특징 정보를 추출하기 위해, 특징 추출기(110)는 다량의 가중치(weight)로 구성된 심층 신경망(deep neural network)(또는 심층 신경망 모델)으로 구현될 수 있다. 여기서, 가중치는 심층 신경망을 구성하는 각 노드를 연결하는 선의 연결 강도를 나타내는 값으로서, 이에 대한 설명은 공지된 기술로 대신한다.In order to extract such feature information, the feature extractor 110 may be implemented as a deep neural network (or a deep neural network model) configured with a large amount of weights. Here, the weight is a value indicating the connection strength of a line connecting each node constituting the deep neural network, and a description thereof is replaced with a known technique.

차량 번호판 영상 생성기(120)는 특징 추출기(110)로부터 추출된 실제 차량 번호판 영상(10)의 특징 정보와 사용자가 생성하고자 하는 문자 정보를 포함하는 그래픽 영상을 입력으로 이용하여 상기 그래픽 영상(20)에 포함된 문자가 포함된 실제 영상과 같은 인공 차량 번호판 영상(30)을 생성한다. 여기서, 실제 번호판 영상(10)은 카메라와 같은 영상 획득 장치(5)에 의해 생성된 것이고, 그래픽 영상(20)은 사용자가 그래픽 툴(6)을 이용하여 사용자가 직접 제작한 영상이다. 인공 차량 번호판 영상(30)을 생성하기 위해, 차량 번호판 영상 생성기(120) 또한 사전에 학습된 심층 신경망으로 구현될 수 있다.The vehicle license plate image generator 120 uses, as an input, a graphic image including characteristic information of the actual vehicle license plate image 10 extracted from the feature extractor 110 and text information that the user wants to generate, as an input to the graphic image 20. Generates an artificial license plate image 30 such as an actual image containing the characters included in the. Here, the actual license plate image 10 is generated by an image acquisition device 5 such as a camera, and the graphic image 20 is an image directly produced by the user using the graphic tool 6 . In order to generate the artificial license plate image 30, the license plate image generator 120 may also be implemented as a pre-trained deep neural network.

유사도 산출기(130)는 차량 번호판 영상 생성기(120)에 의해 생성된 인공 차량 번호판 영상(30)과 그래픽 영상(20)에 포함된 문자 정보를 갖는 실제 차량 번호판 영상(40) 간의 유사도를 산출한다.The similarity calculator 130 calculates the similarity between the artificial license plate image 30 generated by the license plate image generator 120 and the actual license plate image 40 having text information included in the graphic image 20 . .

유사도 산출기(130) 또한, 인공 차량 번호판 영상(30)과 실제 차량 영상 번호판(40) 간의 유사도를 산출하도록 사전에 학습된 심층 신경망으로 구현될 수 있다.The similarity calculator 130 may also be implemented as a pre-trained deep neural network to calculate the similarity between the artificial license plate image 30 and the actual vehicle image license plate 40 .

이렇게 산출된 유사도는 특징 추출기(110)가 실제 차량 번호판 영상(10)으로부터 더욱 정확한 특징을 추출하도록 특징 추출기(110)의 가중치를 업데이트하는 데 사용된다. 즉, 유사도 산출기(130)에 의해 산출된 유사도는 특징 추출기(110)를 학습시키기 위한 데이터로 활용된다.The similarity calculated in this way is used to update the weight of the feature extractor 110 so that the feature extractor 110 extracts more accurate features from the actual license plate image 10 . That is, the similarity calculated by the similarity calculator 130 is used as data for learning the feature extractor 110 .

유사도 산출기(130)에 의해 산출된 유사도를 기반으로 특징 추출기(110)를 학습시키는 과정은 실제 차량 영상 번호판(40)과 인공 차량 번호판 영상(30)이 충분하게 유사해질 때까지 예를 들면, 유사도가 기설정된 임계값에 도달할 때까지 특징 추출기(110)를 학습시키는 과정은 반복 수행될 수 있다. 다르게는, 실제 차량 영상 번호판(40)과 인공 차량 번호판 영상(30) 간의 차이값이 기준치 미만으로 떨어질 때가지 반복 수행될 수 있다.The process of learning the feature extractor 110 based on the similarity calculated by the similarity calculator 130 until the actual vehicle image license plate 40 and the artificial license plate image 30 are sufficiently similar, for example, The process of learning the feature extractor 110 may be repeatedly performed until the similarity reaches a preset threshold. Alternatively, it may be repeatedly performed until the difference value between the actual vehicle image license plate 40 and the artificial vehicle license plate image 30 falls below the reference value.

도 2는 본 발명의 실시 예에 따른 차량 번호판 영상 생성 방법을 나타내는 흐름도이다.2 is a flowchart illustrating a vehicle license plate image generation method according to an embodiment of the present invention.

도 2를 참조하면, 먼저 단계 S210에서, 카메라와 같은 영상 획득 장치(5)를 이용하여 실제 차량 번호판 영상(10)을 획득한다. 이때, 대량의 실제 차량 번호판 영상을 획득할 필요는 없다. Referring to FIG. 2 , first, in step S210 , an actual license plate image 10 is obtained using an image acquisition device 5 such as a camera. At this time, it is not necessary to acquire a large amount of actual license plate images.

이어, 단계 S220에서, 사용자가 생성하고자 하는 차량 번호판의 문자 정보가 포함된 그래픽 영상(20)을 획득한다. 이러한 그래픽 영상(20)을 획득하기 위해, 사용자가 조작할 수 있는 그래픽 툴(6)이 이용될 수 있다. 단계 S220은 전술한 단계 S210과 동시에 진행될 수 있다.Next, in step S220, the graphic image 20 including the text information of the license plate to be generated by the user is obtained. In order to acquire such a graphic image 20, a graphic tool 6 that can be manipulated by a user may be used. Step S220 may be performed simultaneously with the aforementioned step S210.

이어, 단계 S230에서, 특징 추출기(110)에 의해, 실제 차량 번호판 영상(10)으로부터 특징 정보가 추출된다. 여기서, 특징 정보는 실제 차량 번호판 영상(10)에 포함된 문자(텍스트 및 숫자를 포함)의 색상(흰색 또는 검은색) 정보, 크기 정보, 형태 정보 등을 포함하며. 추가로, 문자 주변의 배경 색상 정보를 더 포함할 수 있다.Next, in step S230 , feature information is extracted from the actual license plate image 10 by the feature extractor 110 . Here, the characteristic information includes color (white or black) information, size information, shape information, and the like of characters (including text and numbers) included in the actual license plate image 10 . Additionally, background color information around the character may be further included.

이어, 단계 S240에서, 차량 번호판 영상 생성기(120)에서, 실제 차량 번호판 영상(10)과 그래픽 영상(20)을 입력으로 이용하여 그래픽 영상(20)의 문자 정보가 포함된 실제 촬영된 영상과 같은 인공 차량 번호판 영상(30)을 생성한다. Then, in step S240, in the license plate image generator 120, using the actual license plate image 10 and the graphic image 20 as inputs, such as the actual photographed image including the text information of the graphic image 20 Creates an artificial license plate image (30).

이어, 단계 S250에서, 유사도 산출기(130)에서, 인공 차량 번호판 영상(30)과 인공 차량 번호판 영상(30)의 문자 정보가 포함된 실제 차량 번호판 영상(40) 간의 유사도가 산출된다. 실제 차량 번호판 영상(40) 또한, 카메라와 같은 영상 획득 장치(5)를 통해 획득될 수 있다.Next, in step S250, in the similarity calculator 130, the degree of similarity between the artificial license plate image 30 and the actual license plate image 40 including the text information of the artificial license plate image 30 is calculated. The actual license plate image 40 may also be acquired through an image acquisition device 5 such as a camera.

이어, S260에서, 유사도 산출기(130)에 의해 산출된 유사도와 임계치를 비교하여, 유사도가 임계치 보다 작으면, 단계 S270으로 진행하고, 반대이면, 단계 S280으로 진행하여 차량 번호판 영상 생성과 관련된 일련의 학습 과정이 종료된다.Next, in S260, the similarity calculated by the similarity calculator 130 and the threshold are compared, and if the similarity is less than the threshold, proceed to step S270, and vice versa, proceed to step S280 and a sequence related to generating a license plate image The learning process of

유사도가 임계치 보다 작은 경우, 단계 S280에서, 임계치 보다 작은 유사도를 학습 데이터(또는 훈련 데이터)로 이용하여 특징 추출기(110)를 구성하는 심층 신경망의 가중치를 업데이트시킨다. If the similarity is smaller than the threshold, in step S280, the weight of the deep neural network constituting the feature extractor 110 is updated by using the similarity smaller than the threshold as training data (or training data).

가중치가 업데이트된 심층 신경망으로 구성된 특징 추출기(110)는 다시 단계 S230 이전으로 돌아가서, 단계 S230~S260을 반복 수행한다. 이러한 학습과정(특징 추출기의 학습 과정)은 유사도가 임계치에 도달할 때까지 반복적으로 수행된다.The feature extractor 110 composed of a deep neural network with updated weights returns to before step S230 and repeats steps S230 to S260. This learning process (learning process of the feature extractor) is repeatedly performed until the similarity reaches a threshold.

도 3 내지 8은 본 발명의 실시 예에 따른 차량 번호판 영상 생성 방법에 따라 생성된 인공 차량 번호판 영상의 예들을 나타낸 도면들이다.3 to 8 are views showing examples of artificial license plate images generated according to the vehicle license plate image generating method according to an embodiment of the present invention.

도 3 내지 도 8에 도시된 바와 같이, 그래픽 영상에 포함된 문자와 실제 차량 번호판 영상에 포함된 문자가 일치하지 않더라도 차량 번호판 영상 생성기(120)에 의해 생성된 인공 차량 번호판 영상은 그래픽 영상에 포함된 문자 정보는 그대로 포함하되, 실제 차량 번호판 영상의 특징적 요소, 예를 들면, 차량 번호판의 배경 색상, 문자의 형태(글자체), 문자의 크기(전체 차량 번호판 면적에서 문자가 차지하는 비율), 문자의 배치 위치, 문자의 색상(흰색 또는 검은색) 등이 반영된 상태로 생성된다. 3 to 8, even if the characters included in the graphic image and the characters included in the actual license plate image do not match, the artificial license plate image generated by the license plate image generator 120 is included in the graphic image The text information is included as it is, but the characteristic elements of the actual license plate image, for example, the background color of the license plate, the shape of the text (typeface), the size of the text (the ratio of the text to the total vehicle license plate area), the It is created with the placement position and text color (white or black) reflected.

종래에는 획득된 제한된 수량의 차량 번호판 영상에는 차량 번호판의 문자로 사용되는 모든 문자가 존재하기 힘들다. 따라서, 임의의 원하는 문자로 구성된 차량 번호판 영상을 실제 촬영된 영상과 같은 형태로 인공적으로 생성함으로써, 종래의 모든 차량 번호판 문자 정보와 관련된 기술에 활용될 수 있을 있다.Conventionally, it is difficult to have all the characters used as the characters of the license plate in the acquired license plate image of a limited number. Therefore, by artificially generating a license plate image composed of any desired characters in the same form as an actual photographed image, it can be utilized in all conventional techniques related to license plate character information.

이제까지 본 발명을 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양하게 변경 또는 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명을 위한 예시적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.Up to now, the present invention has been described mainly with respect to embodiments. Those of ordinary skill in the art to which the present invention pertains will understand that the present invention may be implemented in variously changed or modified forms without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments are to be considered in an illustrative rather than a restrictive sense. The scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within an equivalent scope should be construed as being included in the present invention.

Claims (1)

사용자가 생성하고자 하는 문자 정보를 포함하는 그래픽 영상을 획득하는 단계;
상기 문자 정보와 다른 문자 정보를 포함하는 실제 차량 번호판 영상을 획득하는 단계;
상기 실제 차량 번호판 영상으로부터 특징 정보를 추출하는 단계;
상기 추출된 특징 정보와 상기 그래픽 영상을 입력으로 이용하여, 상기 사용자가 생성하고자 하는 문자 정보를 포함하는 인공 차량 번호판 영상을 생성하는 단계
를 포함하는 차량 번호판 영상 생성 방법.
acquiring a graphic image including text information that a user wants to generate;
obtaining an actual license plate image including the text information and other text information;
extracting feature information from the actual license plate image;
Using the extracted feature information and the graphic image as inputs, generating an artificial vehicle license plate image including text information that the user wants to create
A vehicle license plate image generating method comprising a.
KR1020200001689A 2020-01-06 2020-01-06 Apparatus and method for generating license plate image KR20210088368A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200001689A KR20210088368A (en) 2020-01-06 2020-01-06 Apparatus and method for generating license plate image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200001689A KR20210088368A (en) 2020-01-06 2020-01-06 Apparatus and method for generating license plate image

Publications (1)

Publication Number Publication Date
KR20210088368A true KR20210088368A (en) 2021-07-14

Family

ID=76862952

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200001689A KR20210088368A (en) 2020-01-06 2020-01-06 Apparatus and method for generating license plate image

Country Status (1)

Country Link
KR (1) KR20210088368A (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723402A (en) * 2021-08-24 2021-11-30 北京市商汤科技开发有限公司 Image processing and network training method, device, equipment and storage medium

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723402A (en) * 2021-08-24 2021-11-30 北京市商汤科技开发有限公司 Image processing and network training method, device, equipment and storage medium

Similar Documents

Publication Publication Date Title
Hu et al. A novel image steganography method via deep convolutional generative adversarial networks
US10474929B2 (en) Cyclic generative adversarial network for unsupervised cross-domain image generation
CN111340214B (en) Method and device for training anti-attack model
CN109657554B (en) Image identification method and device based on micro expression and related equipment
Kuhnle et al. Shapeworld-a new test methodology for multimodal language understanding
CN113674140B (en) Physical countermeasure sample generation method and system
CN110659582A (en) Image conversion model training method, heterogeneous face recognition method, device and equipment
CN109285111B (en) Font conversion method, device, equipment and computer readable storage medium
CN111241291B (en) Method and device for generating countermeasure sample by utilizing countermeasure generation network
CN111597779B (en) Text generation method, device, equipment and storage medium
KR102121654B1 (en) Deep Learning Based Automatic Gesture Recognition Method and System
CN112966685B (en) Attack network training method and device for scene text recognition and related equipment
Akhtar et al. Attack to fool and explain deep networks
CN112561879B (en) Ambiguity evaluation model training method, image ambiguity evaluation method and image ambiguity evaluation device
CN112085835A (en) Three-dimensional cartoon face generation method and device, electronic equipment and storage medium
CN113204974A (en) Method, device and equipment for generating confrontation text and storage medium
CN110427864B (en) Image processing method and device and electronic equipment
Fowley et al. Sign Language Fingerspelling Recognition using Synthetic Data.
CN110659702A (en) Calligraphy copybook evaluation system and method based on generative confrontation network model
WO2022126917A1 (en) Deep learning-based face image evaluation method and apparatus, device, and medium
CN110414522A (en) A kind of character identifying method and device
KR20210088368A (en) Apparatus and method for generating license plate image
CN113379877A (en) Face video generation method and device, electronic equipment and storage medium
CN113435264A (en) Face recognition attack resisting method and device based on black box substitution model searching
CN115565186B (en) Training method and device for character recognition model, electronic equipment and storage medium