KR20230009598A - 차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템 - Google Patents

차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템 Download PDF

Info

Publication number
KR20230009598A
KR20230009598A KR1020210090182A KR20210090182A KR20230009598A KR 20230009598 A KR20230009598 A KR 20230009598A KR 1020210090182 A KR1020210090182 A KR 1020210090182A KR 20210090182 A KR20210090182 A KR 20210090182A KR 20230009598 A KR20230009598 A KR 20230009598A
Authority
KR
South Korea
Prior art keywords
vehicle
license plate
counterfeit
registered
forgery
Prior art date
Application number
KR1020210090182A
Other languages
English (en)
Other versions
KR102613037B1 (ko
Inventor
강수혁
박문기
박규도
김근수
이용규
Original Assignee
주식회사 현대케피코
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 주식회사 현대케피코 filed Critical 주식회사 현대케피코
Priority to KR1020210090182A priority Critical patent/KR102613037B1/ko
Publication of KR20230009598A publication Critical patent/KR20230009598A/ko
Application granted granted Critical
Publication of KR102613037B1 publication Critical patent/KR102613037B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Emergency Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

본 발명은 차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템에 관한 것으로서, 본 발명의 일 실시예인 차량 번호판 인식 및 위조 판단 방법에 따르면, 2차원 촬영 수단을 이용하여 주차장에 진입하는 입차 요청 차량의 2차원 이미지를 촬영하는 이미지 획득 단계, 상기 2차원 이미지로부터 상기 입차 요청 차량의 정보를 검출하여 데이터 베이스에 기 등록되지 않은 위조 차량 인지 여부를 판단하는 차량 정보 비교 단계 및 상기 입차 요청 차량이 번호판을 위조한 위조 차량 인지 여부를 판단하는 번호판 위조 판단 단계를 포함하며, 상기 번호판 위조 판단 단계는, 상기 번호판의 양각을 기초로 상기 번호판의 위조를 판단할 수 있다.

Description

차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템{Vehicle license plate recognition and counterfeit determination method and system in which the method is performed}
본 발명은 차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템에 관한 것으로서, 보다 구체적으로는, 번호판의 번호를 인식하는 것에서 더 나아가 차량의 외관을 통해 분석되는 다양한 정보를 기 등록된 정보와 비교하여 위조 차량을 판별할 수 있고 차량의 번호판이 위조되었는지 여부까지도 판별할 수 있는 방법 및 시스템에 관한 것이다.
최근 자동차와 관련된 방범 및 방재 시스템, 주차장 입출차 관리 시스템, 속도 감시 시스템, 톨게이트 시스템 그리고 지능형 교통 시스템(intelligent transport system) 등이 활발하게 연구되고 있다. 위와 같은 시스템들에는 필수적으로 자동차 번호판을 인식할 수 있는 시스템이 포함되며, 이러한 번호판 인식 시스템은 카메라를 통해 촬영된 영상으로부터 자동차 번호판을 인식하도록 구성되어 있다.
주차장 입출차 관리 시스템을 예로 들자면, 주차장으로의 진입을 시도하는 차량의 번호를 카메라를 통해 인식하고 인식한 번호와 데이터 베이스에 미리 등록되어 있는 차량의 차량 번호와 일치하는지 검색하여 입차 허용 여부를 결정하도록 구성된다.
하지만, 단순히 번호판의 번호만을 인식하는 경우 번호판만 바꿔 설치한 위조 차량, 정상 번호판이 아닌 위조 번호판을 설치한 위조 차량의 경우에도 입차가 허용되어 버리는 문제가 있다.
한국등록특허공보 제2030628호
본 발명은, 주차장에 진입하는 차량이 시스템에 미등록되어 있는 위조 차량인지 여부를 판단할 수 있는 방법 및 시스템을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은, 주차장에 진입하는 차량의 번호판이 위조되었는지 여부를 판단할 수 있는 방법 및 시스템을 제공하는 것을 그 목적으로 한다.
본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 방법은, 2차원 촬영 수단을 이용하여 주차장에 진입하는 입차 요청 차량의 2차원 이미지를 촬영하는 이미지 획득 단계; 상기 2차원 이미지로부터 상기 입차 요청 차량의 정보를 검출하여 데이터 베이스에 기 등록되지 않은 위조 차량 인지 여부를 판단하는 차량 정보 비교 단계; 및 상기 입차 요청 차량이 번호판을 위조한 위조 차량 인지 여부를 판단하는 번호판 위조 판단 단계;를 포함하며, 상기 번호판 위조 판단 단계는, 상기 번호판의 양각을 기초로 상기 번호판의 위조를 판단할 수 있다.
여기서, 상기 차량 정보 비교 단계는, 상기 번호판의 번호와 상기 데이터 베이스에 기 등록된 차량들의 번호를 비교하는 번호 비교 단계; 및 상기 입차 요청 차량의 외관에서 검출되는 정보와 상기 데이터 베이스에 기 등록된 등록 정보를 비교하는 등록 정보 비교 단계;를 포함할 수 있다.
이때, 상기 번호 비교 단계는, 상기 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 번호판 객체를 검출한 후, 상기 번호판 객체에 대해 OCR(Optical character recognition)을 수행하여 상기 입차 요청 차량의 번호를 인식할 수 있다.
또한, 상기 등록 정보 비교 단계는, 상기 기 등록된 차량들의 번호 중 상기 번호판의 번호와 일치하는 차량 번호가 확인된 경우, 상기 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 차량의 외관으로부터 정보를 검출한 후, 상기 확인된 차량 번호에 대한 기 등록된 등록 정보들 중 적어도 하나가 상기 정보와 불일치하면 상기 입차 요청 차량을 위조 차량으로 판단할 수 있다.
이때, 상기 기 등록된 등록 정보는, 차량 제조사, 차량 명칭, 연식, 색상, 차종 중 적어도 하나 이상일 수 있다.
한편, 상기 번호판 위조 판단 단계는, 3차원 촬영 수단을 이용하여 상기 입차 요청 차량의 3차원 이미지를 촬영하는 3차원 이미지 촬영 단계; 및
상기 입차 요청 차량의 번호판을, 위조되지 않은 정상 번호판과 위조된 위조 번호판으로 구분하여 판단하는 판단 단계;를 포함할 수 있다.
이때, 상기 판단 단계는, 상기 3차원 촬영 수단을 통해 상기 3차원 촬영 수단으로부터 상기 번호판까지의 거리를 측정하며, 상기 번호판의 플레이트 영역까지의 거리인 제1 거리와 상기 번호판의 번호 영역까지의 거리인 제2 거리의 차이가 미리 정해진 임계값을 초과하는 경우에는 상기 번호판을 상기 정상 번호판으로 판단하고, 상기 차이가 상기 임계값 이하인 경우에는 상기 번호판을 상기 위조 번호판으로 판단할 수 있다.
이때, 상기 3차원 촬영 수단은 라이다(LIDAR) 센서 또는 스테레오 카메라일 수 있다.
또한, 상기 번호판 위조 판단 단계는, 상기 3차원 이미지와 상기 2차원 이미지를 합성하여 합성 이미지를 생성하고, 상기 합성 이미지를 OCR(Optical character recognition) 모델에 입력하여 상기 번호판의 번호를 추출한 후 상기 데이터 베이스에 기 등록된 차량들의 번호와 비교하는 번호 재확인 단계;를 더 포함할 수 있다.
또한, 상기 판단 단계는, 상기 번호판을 상기 정상 번호판으로 판단시 상기 입차 요청 차량의 상기 주차장으로의 입차를 허용하고, 상기 번호판을 상기 위조 번호판으로 판단시 상기 입차 요청 차량을 위조 차량으로 판단한 후 상기 주차장으로의 입차를 허용할 수 있다.
한편, 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 방법은, 상기 입차 요청 차량을 상기 위조 차량으로 판단시 관리자의 육안 확인을 요청하는 알림을 생성하는 알림 생성 단계;를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 시스템은, 주차장에 진입하는 입차 요청 차량의 2차원 이미지를 촬영하는 2차원 촬영 수단; 기 등록된 다수의 차량에 대한 차량 번호와 등록 정보가 저장되는 데이터 베이스; 및 상기 2차원 이미지로부터 상기 입차 요청 차량의 정보를 검출하여 상기 데이터 베이스에 기 등록되지 않은 위조 차량 인지 여부를 판단하는 위조 판단부;를 포함하며, 상기 위조 판단부는, 상기 입차 요청 차량의 번호판의 양각을 기초로 상기 번호판의 위조를 판단할 수 있다.
여기서, 상기 위조 판단부는, 상기 번호판의 번호와 상기 데이터 베이스에 기 등록된 차량들의 번호를 비교하고, 상기 입차 요청 차량의 외관에서 검출되는 정보와 상기 데이터 베이스에 기 등록된 등록 정보를 비교할 수 있다.
또한, 상기 위조 판단부는, 상기 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 번호판 객체를 검출한 후, 상기 번호판 객체에 대해 OCR(Optical character recognition)을 수행하여 상기 입차 요청 차량의 번호를 인식할 수 있다.
또한, 상기 위조 판단부는, 상기 기 등록된 차량들의 번호 중 상기 번호판의 번호와 일치하는 차량 번호가 확인된 경우, 상기 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 차량의 외관으로부터 정보를 검출한 후, 상기 확인된 차량 번호에 대한 기 등록된 등록 정보들 중 적어도 하나가 상기 정보와 불일치하면 상기 입차 요청 차량을 위조 차량으로 판단할 수 있다.
한편, 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 시스템은, 상기 입차 요청 차량의 3차원 이미지를 촬영하는 3차원 촬영 수단;을 더 포함하고, 상기 위조 판단부는, 상기 입차 요청 차량의 상기 번호판을, 위조되지 않은 정상 번호판과 위조된 위조 번호판으로 구분하여 판단할 수 있다.
이때, 상기 위조 판단부는, 상기 3차원 촬영 수단을 통해 상기 3차원 촬영 수단으로부터 상기 번호판까지 측정된 거리를 전달 받으며, 상기 번호판의 플레이트 영역까지의 거리인 제1 거리와 상기 번호판의 번호 영역까지의 거리인 제2 거리의 차이가 미리 정해진 임계값을 초과하는 경우에는 상기 번호판을 상기 정상 번호판으로 판단하고, 상기 차이가 상기 임계값 이하인 경우에는 상기 번호판을 상기 위조 번호판으로 판단할 수 있다.
또한, 상기 위조 판단부는, 상기 3차원 이미지와 상기 2차원 이미지를 합성하여 합성 이미지를 생성하고, 상기 합성 이미지를 OCR(Optical character recognition) 모델에 입력하여 상기 번호판의 번호를 추출한 후 상기 데이터 베이스에 기 등록된 차량들의 번호와 비교할 수 있다.
또한, 상기 위조 판단부는, 상기 번호판을 상기 정상 번호판으로 판단시 상기 입차 요청 차량의 상기 주차장으로의 입차를 허용하고, 상기 번호판을 상기 위조 번호판으로 판단시 상기 입차 요청 차량을 위조 차량으로 판단한 후 상기 주차장으로의 입차를 허용할 수 있다.
한편, 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 시스템은, 상기 위조 판단부와 통신하는 관제 센터;를 더 포함하고, 상기 위조 판단부는, 상기 입차 요청 차량을 상기 위조 차량으로 판단시 관리자의 육안 확인을 요청하는 알림을 생성하여 상기 관제 센터에 전송할 수 있다.
본 발명에 따르면, 주차장에 진입하는 차량의 번호 뿐 아니라 상기 차량의 외관을 통해 분석되는 다양한 정보를 시스템에 기 등록된 정보와 비교하여 미등록된 위조 차량인지 여부를 판별할 수 있으므로 주차장의 보안을 강화할 수 있다.
또한, 본 발명에 따르면, 차량의 번호판에 대한 양각을 측정하여 번호판이 위조되었는지 여부를 판별할 수 있으므로 주차장의 보안을 강화할 수 있다.
도 1은 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 시스템을 개략적으로 나타낸 블록도이다.
도 2는 입차 요청 차량의 번호판이 인식되는 과정을 도시한 것이다.
도 3은 입차 요청 차량의 등록 정보가 인식되는 과정을 도시한 것이다.
도 4는 3차원 촬영 수단을 이용하여 위조 번호판을 판단하는 방법에 대해 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 방법의 흐름을 나타낸 순서도이다.
도 6은 도 5의 순서도에 대해 세부 흐름을 포함하여 나타낸 순서도이다.
이하 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 의도는 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 해석되어야 한다.
본 발명을 설명함에 있어서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지 않을 수 있다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
"및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함할 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급되는 경우는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해될 수 있다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석될 수 있으며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않을 수 있다.
아울러, 이하의 실시예는 당 업계에서 평균적인 지식을 가진 자에게 보다 완전하게 설명하기 위해서 제공되는 것으로서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 시스템을 개략적으로 나타낸 블록도이고, 도 2는 입차 요청 차량의 번호판이 인식되는 과정을 도시한 것이며, 도 3은 입차 요청 차량의 등록 정보가 인식되는 과정을 도시한 것이고, 도 4는 3차원 촬영 수단을 이용하여 위조 번호판을 판단하는 방법에 대해 설명하기 위한 도면이다.
먼저, 도 1을 참조하면, 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 시스템은 2차원 촬영 수단(100), 데이터 베이스(200) 및 위조 판단부(300)를 포함할 수 있다.
2차원 촬영 수단(100)은 주차장에 진입하는 입차 요청 차량의 2차원 이미지를 촬영할 수 있다. 이때, 2차원 촬영 수단(100)은 카메라일 수 있고 보다 구체적으로는 RGB 카메라일 수 있다. 2차원 촬영 수단(100)은 주차장에 진입하는 입차 요청 차량의 전면을 촬영하도록 구비될 수 있다.
데이터 베이스(200)에는 다수의 차량에 대한 차량 번호와 등록 정보가 기 등록되어 저장될 수 있다. 보다 구체적으로, 상기 등록 정보로서 차량의 제조사, 차명, 연식, 색상, 차종 등이 차량 번호와 함께 저장될 수 있다.
위조 판단부(300)는 2차원 촬영 수단(100)이 촬영한 입차 요청 차량의 2차원 이미지로부터 입차 요청 차량의 정보를 검출하여 데이터 베이스(200)에 기 등록되지 않은 위조 차량 인지 여부를 판단할 수 있다.
이때, 위조 판단부(300)는 입차 요청 차량의 번호판의 양각을 기초로 번호판의 위조를 판단할 수 있는데, 이에 대한 자세한 내용은 후술하도록 한다.
위조 판단부(300)에는 딥러닝 기반으로 기 학습된 인공 신경망 모델이 포함될 수 있다. 상기 인공 신경망 모델로는 수백, 수천 개 또는 수백만 개의 차량 이미지를 이용하여 CNN(convolutional neural network) 학습이 완료된 모델이 사용될 수 있다. 아울러, 딥러닝 학습을 진행하기 전에 차량의 제조사, 차명, 연식, 색상, 차종 등을 추론할 수 있도록 차량 이미지가 라벨링(labeling)될 수 있다.
위조 판단부(300)는, 입차 요청 차량의 번호판의 번호와 데이터 베이스(200)에 기 등록된 차량들의 번호를 비교할 수 있다.
보다 구체적으로, 위조 판단부(300)는, 상기 2차원 이미지를, 상기 기 학습된 인공 신경망 모델에 입력하여 번호판 객체를 검출한 후, 상기 번호판 객체에 대해 OCR(Optical character recognition) 방식의 문자 인식을 수행하여 입차 요청 차량의 번호를 인식할 수 있다.
도 2를 참조하여 입차 요청 차량의 번호판의 번호가 인식되는 과정을 설명하자면 다음과 같다.
먼저, 2차원 이미지를 인공 신경망 모델에 입력하여 번호판 객체를 검출한다. 이때, 인공 신경망 모델은 CNN 모델 기반으로 기 학습되어 있을 수 있다. CNN은 머신 러닝의 한 유형으로서 2차원 데이터의 학습에 적합한 구조를 가지고 있으며, 이미지 내의 객체를 검출하는 등 다양한 응용분야에 폭넓게 활용되는 심층 신경망의 대표적인 모델 중 하나이다. 잘 알려진 바와 같이, CNN 모델 기반으로 학습된 인공 신경망 모델은 입력되는 2차원 이미지에서 컨볼루션 특징 맵(convolution feature map)을 추출하여 이를 기초로 원하는 객체를 분류, 검출할 수 있다.
번호판 객체가 검출되면 번호판의 영역을 정렬하는 단계, 영역 보정 단계, 영역 분할 단계 및 이미지 인식 단계를 거쳐 차량 번호판의 번호가 인식될 수 있다. 이때, 상술한 각 단계에서는 공지된 이미지 처리 알고리즘이 적용될 수 있다. 예를 들어, 영역 정렬 단계에서는 어파인 변환(Affine transform)이 이용될 수 있다. 예를 들어, 영역 보정 단계에서는 모폴로지(Morphology) 기법과 에지 검출 알고리즘(canny edge detection)이 적용될 수 있다. 이미지 인식 단계는 CNN을 기반으로 학습된 인공 신경망을 이용하여 번호를 최종 인식하도록 구성될 수 있다.
위조 판단부(300)는, 데이터 베이스(200)에 기 등록된 차량들의 번호 중에서 입차 요청 차량의 번호판의 번호와 일치하는 차량 번호가 존재하지 않는 경우에는 주차장으로의 입차를 불허할 수 있다.
한편, 위조 판단부(300)는, 입차 요청 차량의 외관에서 검출되는 정보와 데이터 베이스(200)에 기 등록된 등록 정보를 비교할 수 있다.
보다 구체적으로, 위조 판단부(300)는, 기 등록된 차량들의 번호 중 입차 요청 차량의 번호판의 번호와 일치하는 차량 번호가 확인된 경우에, 2차원 촬영 수단(100)으로 촬영한 2차원 이미지를 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 차량의 외관으로부터 정보를 검출할 수 있다. 이후, 위조 판단부(300)는 상기 확인된 차량 번호에 대해 데이터 베이스(200)에 기 등록된 등록 정보들과 상기 검출한 정보를 비교할 수 있다.
2차원 이미지에서 검출되는 상기 정보는 차량 제조사, 차량 명칭, 연식, 색상, 차종 등이 포함될 수 있다.(도 3 참조) 상술한 바와 같이, 상기 인공 신경망은 미리 라벨링된 학습 데이터로 기 학습되는 바, 2차원 이미지를 입력하면 상기 정보들에 대한 추론 및 분석이 가능하다. 예를 들어, 인공 신경망은 차량의 엠블럼(emblem)이 라벨링된 학습 이미지를 이용하여 학습될 수 있고 이는 차량 제조사의 분석에 이용될 수 있다.
한편, 데이터 베이스(200)에 기 등록된 등록 정보 또한, 차량 제조사, 차량 명칭, 연식, 색상, 차종 중 적어도 하나 이상을 포함할 수 있으며 상기 기 등록된 등록 정보 중에서 어느 하나라도 검출된 입차 요청 차량의 정보와 불일치하는 경우 위조 판단부(300)가 입차 요청 차량을 위조 차량으로 판단할 수 있다.
이를 통해, 등록된 번호와 일치하는 번호판을 어떠한 경로로 입수한 후(절도 등) 다른 차량에 부착하여 주차장에 진입하려는 시도를 막을 수 있으므로 주차장의 보안이 강화되는 효과가 있다.
이때, 위조 판단부(300)는 위조 차량으로 판단된 입차 요청 차량에 대해서 관리자의 확인을 진행시키기 위해 주차장으로의 입차를 허용할 수도 있다.
한편, 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 시스템은 3차원 촬영 수단(400)을 더 포함할 수 있다.
여기서, 3차원 촬영 수단(400)은 입차 요청 차량의 3차원 이미지를 촬영할 수 있다. 또한, 3차원 촬영 수단(400)은 자신으로부터 입차 요청 차량의 번호판 까지의 거리를 측정할 수 있는 구성으로 이루어질 수 있다. 예를 들어, 3차원 촬영 수단(400)은 라이다(LIDAR) 센서(410) 또는 스테레오 카메라(420)일 수 있다.
위조 판단부(300)는, 3차원 촬영 수단(400)을 이용하여 입차 요청 차량의 번호판을, 위조되지 않은 정상 번호판과 위조된 위조 번호판으로 구분하여 판단할 수 있다.
위조 판단부(300)는 3차원 촬영 수단(400)이 측정한 번호판까지의 거리를 전달받아, 번호판의 플레이트 영역(R1)까지의 거리인 제1 거리와 번호판의 번호 영역(R2)까지의 거리인 제2 거리의 차이가 미리 정해진 임계값을 초과하는 경우에는 번호판을 정상 번호판으로 판단할 수 있다. 또한, 위조 판단부(300)는, 상기 차이가 상기 임계값 이하인 경우에는 번호판을 위조 번호판으로 판단할 수 있다. 상기 임계값은 번호판의 표준 규격에 따라 적절히 설정될 수 있다. 일 예로, 상기 임계값은 2mm 내지 4mm일 수 있다. 한편, 플레이트 영역(R1)이란 번호 영역이 아닌 부분으로서 번호판의 배경 부분을 의미할 수 있다.
도 4를 참조하면, 라이다 센서(410) 또는 스테레오 카메라(420)로 측정한 제1 거리와 제2 거리의 차이가 임계값을 초과하는 경우 번호판의 번호 영역(R2)에 양각이 존재한다는 의미이면서 번호판이 표준 규격에도 부합한다는 의미이므로 번호판이 위조된 번호판이 아니라고 판단할 수 있다.
이를 통해, 차량에 정상적인 번호판이 아닌 위조 번호판을 부착하여 주차장에 진입하려는 시도를 막을 수 있으므로 주차장의 보안이 강화되는 효과가 있다.
위조 판단부(300)는 번호판을 정상 번호판으로 판단시 입차 요청 차량의 주차장으로의 입차를 허용하고, 번호판을 위조 번호판으로 판단시 입차 요청 차량을 위조 차량으로 판단한 후 주차장으로의 입차를 허용할 수 있다. 이때, 위조 차량으로 판단한 후에도 주차장으로의 입차를 허용하는 것은 관리자의 육안 확인 작업을 거치기 위함이다.
한편, 위조 판단부(300)는, 라이다 또는 스테레오 카메라로 촬영한 3차원 이미지와 RGB 카메라로 촬영한 2차원 이미지의 두 종의 이미지를 획득한 이후 이를 합성하여 합성 이미지를 생성할 수 있다. 위조 판단부(300)는 이렇게 생성된 합성 이미지를 OCR 모델에 입력하여 번호판의 번호를 다시 한번 추출할 수 있으며 보안 강화를 위해 이렇게 추출된 번호와 데이터 베이스(200)에 기 등록된 차량들의 번호를 한번 더 비교하는 번호 재확인 작업을 수행할 수 있다. 위조 판단부(300)는, 입차 요청 차량의 번호를 재확인한 결과 기 등록되어 있는 차량 번호와 일치하지 않는 경우에는 입차 요청 차량을 위조 차량으로 판단한 후 주차장으로의 입차를 허용할 수 있다. 마찬가지로, 위조 차량으로 판단한 후에도 주차장으로의 입차를 허용하는 것은 관리자의 육안 확인 작업을 거치기 위함이다.
더 나아가, 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 시스템은 위조 판단부(300)와 통신하는 관제 센터(500)를 더 포함할 수 있다.
이때, 위조 판단부(300)는 입차 요청 차량을 위조 차량으로 판단시 관리자의 육안 확인을 요청하는 알림을 생성할 수 있고, 관제 센터(500)에 상기 알림을 전송할 수 있다.
이를 통해, 입차 요청 차량이 위조 차량이 아님에도 잘못된 판단을 내린 경우에 관리자의 육안 확인 작업을 거쳐 잘못된 판단이 수정될 수 있는 이점이 있다.
도 5는 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 방법의 흐름을 나타낸 순서도이고, 도 6은 도 5의 순서도의 세부 흐름을 포함하여 나타낸 순서도이다. 도 5 및 도 6에 도시된 차량 번호판 인식 및 위조 판단 방법의 각 단계는 상술한 차량 번호판 인식 및 위조 판단 시스템에 의해 수행될 수 있다.
도 5 및 도 6을 참조하면, 본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 방법은, 이미지 획득 단계(S100), 차량 정보 비교 단계(S200) 및 번호판 위조 판단 단계(S300)를 포함할 수 있다.
먼저, 이미지 획득 단계(S100)는, 2차원 촬영 수단(100)을 이용하여 주차장에 진입하는 입차 요청 차량의 2차원 이미지를 촬영하는 단계이다. 이때, 2차원 촬영 수단(100)은 입차 요청 차량의 전면을 촬영하도록 구비되는 RGB 카메라일 수 있다.
다음으로 차량 정보 비교 단계(S200)는, 이미지 획득 단계(S100)에서 촬영된 2차원 이미지로부터 입차 요청 차량의 정보를 검출하여 데이터 베이스(200)에 기 등록되지 않은 위조 차량 인지 여부를 판단하는 단계이다.
보다 구체적으로, 본 단계(S200)는, 번호판의 번호와 데이터 베이스(200)에 기 등록된 차량들의 번호를 비교하는 번호 비교 단계(S210) 및 입차 요청 차량의 외관에서 검출되는 정보와 데이터 베이스(200)에 기 등록된 등록 정보를 비교하는 등록 정보 비교 단계(S220)를 포함할 수 있다.
번호 비교 단계(S210)에서는 촬영된 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 번호판 객체를 검출한 후, 상기 번호판 객체에 대해 OCR(Optical character recognition)을 수행하여 입차 요청 차량의 번호를 인식할 수 있다.
이때, 본 단계(S210)에서는 데이터 베이스(200)에 기 등록된 차량들의 번호 중에서 입차 요청 차량의 번호판의 번호와 일치하는 차량 번호가 존재하지 않는 경우에 입차 요청 차량이 주차장으로 입차하는 것을 불허할 수 있다.(S230)
데이터 베이스(200)에 기 등록된 차량들의 번호 중에서 입차 요청 차량의 번호판의 번호와 일치하는 차량 번호가 존재하는 경우에는 다음 단계인 등록 정보 비교 단계(S220)가 수행된다.
등록 정보 비교 단계(S220)는, 데이터 베이스(200)에 기 등록된 차량들의 번호 중 입차 요청 차량의 번호판의 번호와 일치하는 차량 번호가 확인된 경우 수행된다. 본 단계(S220)에서는 입차 요청 차량의 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 차량의 외관으로부터 정보를 검출한 후, 상기 검출된 정보들과 데이터 베이스(200)에서 확인된 차량 번호에 대한 기 등록된 등록 정보들 중 적어도 하나가 불일치하면 상기 입차 요청 차량을 위조 차량으로 판단할 수 있다.(S240)
이때, 상기 기 등록된 등록 정보는, 차량 제조사, 차량 명칭, 연식, 색상, 차종 중 적어도 하나 이상이 포함될 수 있다. 이를 통해, 차량에 정상적인 번호판이 아닌 위조 번호판을 부착하여 주차장에 진입하려는 시도를 막을 수 있으므로 주차장의 보안이 강화되는 효과가 있다. 아울러, 본 단계(S240)에서는, 위조 차량으로 판단된 입차 요청 차량에 대해서 관리자의 확인을 진행시키기 위해 주차장으로의 입차를 허용할 수도 있다.
다음으로 위조 판단 단계(S300)는, 입차 요청 차량이 번호판을 위조한 위조 차량 인지 여부를 판단하는 단계이다.
보다 구체적으로, 본 단계(S300)는, 3차원 촬영 수단(400)을 이용하여 입차 요청 차량의 3차원 이미지를 촬영하는 3차원 이미지 촬영 단계(S310) 및 입차 요청 차량의 번호판을 위조되지 않은 정상 번호판과 위조된 위조 번호판으로 구분하여 판단하는 판단 단계(S320)를 포함할 수 있다.
여기서, 3차원 촬영 수단(400)은 대상 물체까지의 거리의 측정이 가능한 수단으로서 라이다(LIDAR) 센서(410) 또는 스테레오 카메라(420)일 수 있다.
또한, 판단 단계(S320)에서는, 3차원 촬영 수단(400)이 측정한 번호판까지의 거리를 전달받아, 번호판의 플레이트 영역(R1)까지의 거리인 제1 거리와 번호판의 번호 영역(R2)까지의 거리인 제2 거리의 차이가 임계값을 초과하는 경우에는 번호판을 정상 번호판으로 판단할 수 있다. 또한, 본 단계(S320)에서는, 상기 차이가 상기 임계값 이하인 경우에는 번호판을 위조 번호판으로 판단할 수 있다.(S330) 본 단계에서 상기 임계값은 번호판의 표준 규격에 따라 적절히 설정될 수 있다.
즉, 라이다 센서(410) 또는 스테레오 카메라(420)로 측정한 제1 거리와 제2 거리의 차이가 임계값을 초과하는 경우 번호판의 번호 영역(R2)에 양각이 존재한다는 의미이면서 번호판이 표준 규격에도 부합한다는 의미이므로 번호판이 위조된 번호판이 아니라고 판단할 수 있는 것이다.(도 4 참조)
판단 단계(S320)에서, 입차 요청 차량의 번호판을 정상 번호판으로 판단한 경우 입차 요청 차량의 주차장으로의 입차를 허용하고, 입차 요청 차량의 번호판을 위조 번호판으로 판단시 입차 요청 차량을 위조 차량으로 판단한 후 주차장으로의 입차를 허용할 수 있다.(S350) 마찬가지로, 위조 차량으로 판단한 후에도 주차장으로의 입차를 허용하는 것은 관리자의 육안 확인 작업을 거치기 위함이다.
이를 통해, 차량에 정상적인 번호판이 아닌 위조 번호판을 부착하여 주차장에 진입하려는 시도를 막을 수 있으므로 주차장의 보안이 강화되는 효과가 있다.
한편, 번호판 위조 판단 단계(S300)는 번호 재확인 단계(S340)를 더 포함할 수 있다.
번호 재확인 단계(S340)는, 3차원 이미지와 2차원 이미지를 합성하여 합성 이미지를 생성(S341)하고, 생성된 상기 합성 이미지를 OCR 모델에 입력하여 입차 요청 차량의 번호판의 번호를 다시 추출한 후 데이터 베이스(200)에 기 등록된 차량들의 번호와 한번 더 비교(S342)하는 단계이다. 본 단계(S340)에서, 입차 요청 차량의 번호를 재확인한 결과 기 등록되어 있는 차량 번호와 일치하지 않는 경우에는 입차 요청 차량을 위조 차량으로 판단한 후 주차장으로의 입차를 허용할 수 있다.(S330) 이처럼 위조 차량으로 판단한 후에도 주차장으로의 입차를 허용하는 것은 상술하였듯이 관리자의 육안 확인 작업을 거치기 위함이다. 본 단계에서, 입차 요청 차량의 번호를 재확인한 결과 기 등록되어 있는 차량 번호와 일치하는 것으로 다시 판단된 경우에는 최종적으로 입차 요청 차량의 번호판이 정상 번호판이라고 판단하고 주차장으로의 입차를 허용할 수 있다.(S350)
본 발명의 일 실시예에 따른 차량 번호판 인식 및 위조 판단 방법은 알림 생성 단계(S400)를 더 포함할 수 있다.
알림 생성 단계(S400)는, 입차 요청 차량을 위조 차량으로 판단시 관리자의 육안 확인을 요청하는 알림을 생성하는 단계이다. 이를 통해, 입차 요청 차량이 위조 차량이 아님에도 잘못된 판단을 내린 경우에 관리자의 육안 확인 작업을 거쳐 잘못된 판단이 수정될 수 있는 이점이 있다.
한편, 도 5 및 도 6을 참조하여 설명한 차량 번호판 인식 및 위조 판단 방법에 대한 더욱 자세한 설명은 앞서 도 1의 차량 번호판 인식 및 위조 판단 시스템에 대한 설명으로 갈음할 수 있다.
이상에서 살펴본 바와 같이, 본 발명에 따르면, 주차장에 진입하는 차량의 번호 뿐 아니라 상기 차량의 외관을 통해 분석되는 다양한 정보를 시스템에 기 등록된 정보와 비교하여 미등록된 위조 차량인지 여부를 판별할 수 있으므로 주차장의 보안을 강화할 수 있다.
또한, 본 발명에 따르면, 차량의 번호판에 대한 양각을 측정하여 번호판이 위조되었는지 여부를 판별할 수 있으므로 주차장의 보안을 강화할 수 있다.
한편, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것이 아니라 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 기술적 사상은 청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명의 기술적 사상의 범주에 속한다고 할 것이다.
100: 2차원 촬영 수단
200: 데이터 베이스
300: 위조 판단부
400: 3차원 촬영 수단
500: 관제 센터

Claims (20)

  1. 2차원 촬영 수단을 이용하여 주차장에 진입하는 입차 요청 차량의 2차원 이미지를 촬영하는 이미지 획득 단계;
    상기 2차원 이미지로부터 상기 입차 요청 차량의 정보를 검출하여 데이터 베이스에 기 등록되지 않은 위조 차량 인지 여부를 판단하는 차량 정보 비교 단계; 및
    상기 입차 요청 차량이 번호판을 위조한 위조 차량 인지 여부를 판단하는 번호판 위조 판단 단계;를 포함하며,
    상기 번호판 위조 판단 단계는, 상기 번호판의 양각을 기초로 상기 번호판의 위조를 판단하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 방법.
  2. 제1항에 있어서,
    상기 차량 정보 비교 단계는,
    상기 번호판의 번호와 상기 데이터 베이스에 기 등록된 차량들의 번호를 비교하는 번호 비교 단계; 및
    상기 입차 요청 차량의 외관에서 검출되는 정보와 상기 데이터 베이스에 기 등록된 등록 정보를 비교하는 등록 정보 비교 단계;를 포함하는 차량 번호판 인식 및 위조 판단 방법.
  3. 제2항에 있어서,
    상기 번호 비교 단계는,
    상기 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 번호판 객체를 검출한 후, 상기 번호판 객체에 대해 OCR(Optical character recognition)을 수행하여 상기 입차 요청 차량의 번호를 인식하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 방법.
  4. 제2항에 있어서,
    상기 등록 정보 비교 단계는,
    상기 기 등록된 차량들의 번호 중 상기 번호판의 번호와 일치하는 차량 번호가 확인된 경우,
    상기 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 차량의 외관으로부터 정보를 검출한 후, 상기 확인된 차량 번호에 대한 기 등록된 등록 정보들 중 적어도 하나가 상기 정보와 불일치하면 상기 입차 요청 차량을 위조 차량으로 판단하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 방법.
  5. 제4항에 있어서,
    상기 기 등록된 등록 정보는, 차량 제조사, 차량 명칭, 연식, 색상, 차종 중 적어도 하나 이상인 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 방법.
  6. 제1항에 있어서,
    상기 번호판 위조 판단 단계는,
    3차원 촬영 수단을 이용하여 상기 입차 요청 차량의 3차원 이미지를 촬영하는 3차원 이미지 촬영 단계; 및
    상기 입차 요청 차량의 번호판을, 위조되지 않은 정상 번호판과 위조된 위조 번호판으로 구분하여 판단하는 판단 단계;를 포함하는 차량 번호판 인식 및 위조 판단 방법.
  7. 제6항에 있어서,
    상기 판단 단계는,
    상기 3차원 촬영 수단을 통해 상기 3차원 촬영 수단으로부터 상기 번호판까지의 거리를 측정하며,
    상기 번호판의 플레이트 영역까지의 거리인 제1 거리와 상기 번호판의 번호 영역까지의 거리인 제2 거리의 차이가 미리 정해진 임계값을 초과하는 경우에는 상기 번호판을 상기 정상 번호판으로 판단하고, 상기 차이가 상기 임계값 이하인 경우에는 상기 번호판을 상기 위조 번호판으로 판단하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 방법.
  8. 제7항에 있어서,
    상기 3차원 촬영 수단은 라이다(LIDAR) 센서 또는 스테레오 카메라인 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 방법.
  9. 제6항에 있어서,
    상기 번호판 위조 판단 단계는,
    상기 3차원 이미지와 상기 2차원 이미지를 합성하여 합성 이미지를 생성하고, 상기 합성 이미지를 OCR(Optical character recognition) 모델에 입력하여 상기 번호판의 번호를 추출한 후 상기 데이터 베이스에 기 등록된 차량들의 번호와 비교하는 번호 재확인 단계;를 더 포함하는 차량 번호판 인식 및 위조 판단 방법.
  10. 제6항에 있어서,
    상기 판단 단계는,
    상기 번호판을 상기 정상 번호판으로 판단시 상기 입차 요청 차량의 상기 주차장으로의 입차를 허용하고, 상기 번호판을 상기 위조 번호판으로 판단시 상기 입차 요청 차량을 위조 차량으로 판단한 후 상기 주차장으로의 입차를 허용하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 방법.
  11. 제1항에 있어서,
    상기 입차 요청 차량을 상기 위조 차량으로 판단시 관리자의 육안 확인을 요청하는 알림을 생성하는 알림 생성 단계;를 더 포함하는 차량 번호판 인식 및 위조 판단 방법.
  12. 주차장에 진입하는 입차 요청 차량의 2차원 이미지를 촬영하는 2차원 촬영 수단;
    기 등록된 다수의 차량에 대한 차량 번호와 등록 정보가 저장되는 데이터 베이스; 및
    상기 2차원 이미지로부터 상기 입차 요청 차량의 정보를 검출하여 상기 데이터 베이스에 기 등록되지 않은 위조 차량 인지 여부를 판단하는 위조 판단부;를 포함하며,
    상기 위조 판단부는, 상기 입차 요청 차량의 번호판의 양각을 기초로 상기 번호판의 위조를 판단하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 시스템.
  13. 제12항에 있어서,
    상기 위조 판단부는,
    상기 번호판의 번호와 상기 데이터 베이스에 기 등록된 차량들의 번호를 비교하고, 상기 입차 요청 차량의 외관에서 검출되는 정보와 상기 데이터 베이스에 기 등록된 등록 정보를 비교하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 시스템.
  14. 제12항에 있어서,
    상기 위조 판단부는,
    상기 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 번호판 객체를 검출한 후, 상기 번호판 객체에 대해 OCR(Optical character recognition)을 수행하여 상기 입차 요청 차량의 번호를 인식하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 시스템.
  15. 제13항에 있어서,
    상기 위조 판단부는,
    상기 기 등록된 차량들의 번호 중 상기 번호판의 번호와 일치하는 차량 번호가 확인된 경우,
    상기 2차원 이미지를, 딥러닝 기반으로 기 학습된 인공 신경망 모델에 입력하여 차량의 외관으로부터 정보를 검출한 후, 상기 확인된 차량 번호에 대한 기 등록된 등록 정보들 중 적어도 하나가 상기 정보와 불일치하면 상기 입차 요청 차량을 위조 차량으로 판단하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 시스템.
  16. 제12항에 있어서,
    상기 입차 요청 차량의 3차원 이미지를 촬영하는 3차원 촬영 수단;을 더 포함하고,
    상기 위조 판단부는,
    상기 입차 요청 차량의 상기 번호판을, 위조되지 않은 정상 번호판과 위조된 위조 번호판으로 구분하여 판단하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 시스템.
  17. 제16항에 있어서,
    상기 위조 판단부는,
    상기 3차원 촬영 수단을 통해 상기 3차원 촬영 수단으로부터 상기 번호판까지 측정된 거리를 전달 받으며,
    상기 번호판의 플레이트 영역까지의 거리인 제1 거리와 상기 번호판의 번호 영역까지의 거리인 제2 거리의 차이가 미리 정해진 임계값을 초과하는 경우에는 상기 번호판을 상기 정상 번호판으로 판단하고, 상기 차이가 상기 임계값 이하인 경우에는 상기 번호판을 상기 위조 번호판으로 판단하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 시스템.
  18. 제16항에 있어서,
    상기 위조 판단부는,
    상기 3차원 이미지와 상기 2차원 이미지를 합성하여 합성 이미지를 생성하고, 상기 합성 이미지를 OCR(Optical character recognition) 모델에 입력하여 상기 번호판의 번호를 추출한 후 상기 데이터 베이스에 기 등록된 차량들의 번호와 비교하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 시스템.
  19. 제16항에 있어서,
    상기 위조 판단부는,
    상기 번호판을 상기 정상 번호판으로 판단시 상기 입차 요청 차량의 상기 주차장으로의 입차를 허용하고, 상기 번호판을 상기 위조 번호판으로 판단시 상기 입차 요청 차량을 위조 차량으로 판단한 후 상기 주차장으로의 입차를 허용하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 시스템.
  20. 제12항에 있어서,
    상기 위조 판단부와 통신하는 관제 센터;를 더 포함하고,
    상기 위조 판단부는,
    상기 입차 요청 차량을 상기 위조 차량으로 판단시 관리자의 육안 확인을 요청하는 알림을 생성하여 상기 관제 센터에 전송하는 것을 특징으로 하는 차량 번호판 인식 및 위조 판단 시스템.
KR1020210090182A 2021-07-09 2021-07-09 차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템 KR102613037B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210090182A KR102613037B1 (ko) 2021-07-09 2021-07-09 차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210090182A KR102613037B1 (ko) 2021-07-09 2021-07-09 차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템

Publications (2)

Publication Number Publication Date
KR20230009598A true KR20230009598A (ko) 2023-01-17
KR102613037B1 KR102613037B1 (ko) 2023-12-11

Family

ID=85111576

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210090182A KR102613037B1 (ko) 2021-07-09 2021-07-09 차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템

Country Status (1)

Country Link
KR (1) KR102613037B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456481A (zh) * 2023-12-22 2024-01-26 华南师范大学 一种防伪车牌识别方法、系统及终端
CN117520979B (zh) * 2023-11-03 2024-05-31 长沙云软信息技术有限公司 一种基于ocr识别的地磅测量设备及其使用方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990041478A (ko) * 1997-11-21 1999-06-15 전주범 위조 인장 감식 방법
CN110148300A (zh) * 2019-06-24 2019-08-20 上海擎感智能科技有限公司 一种车辆套牌识别方法、装置及计算机可读介质
KR102030628B1 (ko) 2019-04-04 2019-10-10 (주)아이엠시티 Cnn 기반 차량 번호판 인식 방법 및 시스템
KR20210066337A (ko) * 2019-11-28 2021-06-07 파킹클라우드 주식회사 지정 차량을 모니터링하기 위한 주차장을 운영하는 방법 및 컴퓨터 판독가능 저장 매체
KR102272295B1 (ko) * 2021-03-30 2021-07-02 케이에스아이 주식회사 영상의 깊이정보를 이용한 차량번호판 인식률 향상 방법
KR102355402B1 (ko) * 2021-06-01 2022-02-08 이노뎁 주식회사 차량번호판의 양각성분을 이용한 위조번호판 판별 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990041478A (ko) * 1997-11-21 1999-06-15 전주범 위조 인장 감식 방법
KR102030628B1 (ko) 2019-04-04 2019-10-10 (주)아이엠시티 Cnn 기반 차량 번호판 인식 방법 및 시스템
CN110148300A (zh) * 2019-06-24 2019-08-20 上海擎感智能科技有限公司 一种车辆套牌识别方法、装置及计算机可读介质
KR20210066337A (ko) * 2019-11-28 2021-06-07 파킹클라우드 주식회사 지정 차량을 모니터링하기 위한 주차장을 운영하는 방법 및 컴퓨터 판독가능 저장 매체
KR102272295B1 (ko) * 2021-03-30 2021-07-02 케이에스아이 주식회사 영상의 깊이정보를 이용한 차량번호판 인식률 향상 방법
KR102355402B1 (ko) * 2021-06-01 2022-02-08 이노뎁 주식회사 차량번호판의 양각성분을 이용한 위조번호판 판별 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117520979B (zh) * 2023-11-03 2024-05-31 长沙云软信息技术有限公司 一种基于ocr识别的地磅测量设备及其使用方法
CN117456481A (zh) * 2023-12-22 2024-01-26 华南师范大学 一种防伪车牌识别方法、系统及终端
CN117456481B (zh) * 2023-12-22 2024-05-14 华南师范大学 一种防伪车牌识别方法、系统及终端

Also Published As

Publication number Publication date
KR102613037B1 (ko) 2023-12-11

Similar Documents

Publication Publication Date Title
US11023757B2 (en) Method and apparatus with liveness verification
US10227813B2 (en) Device and method for opening trunk of vehicle, and recording medium for recording program for executing method
TWI384408B (zh) 影像辨識以及輸出方法與其系統
US8422746B2 (en) Face authentication system and authentication method thereof
US20120057756A1 (en) Apparatus and method for recognizing identifier of vehicle
US9208172B2 (en) Method and system for vehicle identification
KR20170082024A (ko) 얼굴 인식 장치 및 방법
JP2013088870A (ja) 不審者検知装置、不審者検知方法およびプログラム
WO2021012647A1 (zh) 人脸校验方法、装置、服务器及可读存储介质
KR20210069404A (ko) 라이브니스 검사 방법 및 라이브니스 검사 장치
JP2006099718A (ja) 個人認証装置
US20240087360A1 (en) Material spectroscopy
KR20130035849A (ko) 단일 영상을 사용한 위조 얼굴 검출 방법
KR20230009598A (ko) 차량 번호판 인식 및 위조 판단 방법과 그 방법이 수행되는 시스템
CN110598550B (zh) 一种基于多层信息智能分析的车辆联网识别系统
KR102352121B1 (ko) 차량번호 진위 탐지 시스템
CN114821696A (zh) 材料光谱法
KR101240617B1 (ko) 인식 알고리즘이 이중화된 차량번호 인식 시스템 및 방법
Amin et al. An automatic number plate recognition of Bangladeshi vehicles
CN115376212A (zh) 伪造图像检测
US20220067135A1 (en) Method and System for Authenticating an Occupant Within an Interior of a Vehicle
CN115376080A (zh) 相机识别
CN115379198A (zh) 相机篡改检测
KR102606039B1 (ko) 주차장의 입출차 관리 방법
KR20180115079A (ko) 효율적 주차관제를 위한 차량인식시스템 및 차량인식방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant