WO2022231318A1 - 차량 출입 관리 시스템 및 차량 출입 관리 방법 - Google Patents

차량 출입 관리 시스템 및 차량 출입 관리 방법 Download PDF

Info

Publication number
WO2022231318A1
WO2022231318A1 PCT/KR2022/006052 KR2022006052W WO2022231318A1 WO 2022231318 A1 WO2022231318 A1 WO 2022231318A1 KR 2022006052 W KR2022006052 W KR 2022006052W WO 2022231318 A1 WO2022231318 A1 WO 2022231318A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
analysis
value
entering
reanalysis
Prior art date
Application number
PCT/KR2022/006052
Other languages
English (en)
French (fr)
Inventor
임종윤
Original Assignee
주식회사 실리콘큐브
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 실리콘큐브 filed Critical 주식회사 실리콘큐브
Publication of WO2022231318A1 publication Critical patent/WO2022231318A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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

Definitions

  • the present invention relates to a vehicle access management system and a vehicle access management method, and more particularly, to a vehicle access management system and vehicle access management method capable of increasing the accuracy of vehicle access management by accurately recognizing a vehicle number.
  • the vehicle access management system is installed at the entrance of a place requiring vehicle access management, such as a parking lot.
  • image recognition technology it has become possible to automatically recognize a license plate number from a license plate image of a vehicle, and now many vehicle access management systems automatically recognize the license plate number.
  • the entrance management terminal 2 faces the entering vehicle 4a and the exiting management terminal 3 faces the exiting vehicle 4b. do.
  • the entrance management terminal and the exit management terminal are installed in a position where the photographing of the license plate 5 is easy.
  • the main cause of misrecognition of the license plate 5 is the angle at which the license plate 5 is photographed, foreign objects on the license plate, or changes in the surrounding environment such as fog and lighting. That is, the vehicle number recognition value may be different each time even if the same license plate is recognized in the same POV (Position Of View).
  • FIG. 2 is a view for explaining an example of misrecognition of a vehicle number that may occur due to a foreign object on the license plate.
  • the entrance management terminal 2 may misrecognize the license plate having the vehicle number '7359' as '7369'.
  • the exit management terminal 3 may recognize the license plate having the vehicle number '7359' as '7359'.
  • the exit management terminal 3 cannot know the entry information of the vehicle whose vehicle number is '7359', so there is a problem in that the vehicle access management is inaccurate.
  • the technical problem to be achieved by the present invention in order to solve the above problems is to provide a vehicle access management system and a vehicle access management method capable of increasing the accuracy of vehicle access management by accurately recognizing a vehicle number.
  • an embodiment of the present invention is an entrance management terminal that analyzes license plate images of vehicles entering the vehicle to generate an analysis reliability value for the analysis value and the analysis reliability value for the entering vehicle number for each vehicle entering;
  • a server for receiving the license plate image, the entering vehicle number analysis value, and the analysis reliability value of each of the entering vehicles, and re-analyzing the license plate image of the entering vehicle whose analysis reliability value is less than a threshold value to generate a entering vehicle number reanalysis value; and an exit management terminal for obtaining an exit vehicle number analysis value by analyzing the license plate image of the exiting vehicle, wherein at least one of the entering vehicle number analysis value and the entering vehicle number reanalysis value is the exiting vehicle number
  • a vehicle entering the vehicle matching the analysis value may be determined as the vehicle exiting.
  • the license plate image of the entering vehicle, the entering vehicle number analysis value, and the entering vehicle number reanalysis value may be matched for each vehicle entering and stored in an access database accessible to the server or the exit management terminal.
  • the entrance management terminal includes an edge artificial neural network module that receives the license plate image and generates the entrance vehicle number analysis value and the analysis reliability value as a result value, and the server receives the license plate image and reanalyses the entrance vehicle number and at least one artificial neural network module for reanalysis for deriving a value and a reanalysis reliability value for the reanalysis as a result value, and the edge artificial neural network module and the artificial neural network module for reanalysis may be different from each other.
  • the analysis reliability value may be matched and stored for each vehicle entering the access database, and the server may perform the reanalysis according to the reanalysis priority determined in the order of the vehicle entering the vehicle having the lowest analysis reliability value.
  • the server may update the analysis reliability value of the one entering vehicle to the re-analysis reliability value.
  • the re-analysis priority may be re-determined in the order of the vehicles having the lowest analysis reliability value whenever the analysis reliability value is updated.
  • the server is provided with a plurality of different artificial neural network modules for re-analysis, and the re-analysis of any one of the vehicles is sequentially performed in steps 1 to k, and the server is re-analyzed in each of the first to k steps.
  • a temporary re-analysis value and a temporary re-analysis reliability value are generated using the artificial neural network module for, and if the temporary re-analysis reliability value in a specific step is greater than or equal to the analysis reliability value for the one entering vehicle, in the specific step Determines the re-analysis value of the temporarily entered vehicle number as the re-analysis value of the entering vehicle number for the one entered vehicle, and ends the re-analysis of the one entered vehicle in the specific step and performs reanalysis of the other entering vehicle can do.
  • the server re-analyzes the temporary re-analysis reliability value for the one entering vehicle in the specific step It may be determined as a reliability value, and the analysis reliability value for the one vehicle entering may be updated with the temporary re-analysis reliability value in the specific step.
  • the server stores information on the last step performed in the re-analysis of any one of the vehicles in the entrance/exit database, and when the re-analysis is performed on any one of the vehicles, the last performed
  • the re-analysis may be performed from a step after the step.
  • the server may exclude the one entered vehicle from the re-analysis target.
  • the artificial neural network module for reanalysis includes an image preprocessing unit and an artificial neural network model for reanalysis, and the combination of the image preprocessing unit belonging to each of the artificial neural network modules for reanalysis and the artificial neural network model for reanalysis is each artificial neural network model for reanalysis. It may be different for each neural network module.
  • the server determines the license plate type of the area where the entrance management terminal or the exit management terminal is installed based on the identification information of the entry management terminal or the exit management terminal, and the license plate type based on the reanalysis history for the license plate type
  • the plurality of artificial neural network modules for reanalysis may be assigned to the first to k steps in an order of increasing the average of past reanalysis reliability values for .
  • the server includes a plurality of different artificial neural network modules for re-analysis, and the plurality of artificial neural network modules for re-analysis each perform re-analysis to generate a plurality of temporary entry vehicle number re-analysis values, and reanalyze the plurality of temporary entry vehicle number re-analysis values. It is possible to select the temporarily entered vehicle number reanalysis value generated with the highest frequency among the values as the entering vehicle number reanalysis value.
  • an embodiment of the present invention comprises the steps of: a) analyzing license plate images of entering vehicles to generate a vehicle number analysis value and an analysis reliability value for the analysis for each vehicle entering the vehicle; b) reanalyzing the license plate image of the entering vehicle whose analysis reliability value is less than a threshold value to generate a re-analysis value of the entering vehicle number; c) analyzing the license plate image of the exiting vehicle to obtain an exiting vehicle number analysis value; and d) determining, as the exiting vehicle, a vehicle in which at least one of the entering vehicle number analysis value and the entering vehicle number reanalysis value matches the exiting vehicle number analysis value.
  • Step b) may re-analyze the license plate image of the entering vehicle in the order of the analysis reliability value lower.
  • step b) the re-analysis is sequentially performed in steps 1 to k, and each of the steps generates a temporary entry vehicle number re-analysis value and a temporary re-analysis reliability value using different artificial neural network modules for re-analysis, and any one
  • the temporary reanalysis reliability value in a specific step is greater than or equal to the analysis reliability value of the one entering vehicle
  • the temporarily entering vehicle number reanalysis value in the specific step is set to the one entering vehicle It is determined as the re-analysis value of the vehicle number entered, and in the specific step, the re-analysis of any one vehicle may be terminated and the re-analysis of the other vehicle may be performed.
  • the temporary re-analysis reliability value in the specific step is equal to or greater than the analysis reliability value for the one entering vehicle, the temporary re-analysis reliability value in the specific step is the re-analysis reliability value for the one entering vehicle may be determined, and the analysis reliability value for the one vehicle entering the vehicle may be updated with the temporary re-analysis reliability value in the specific step.
  • the re-analysis performed again may be made from the re-analysis step after the re-analysis step last performed for the one entered vehicle.
  • Step b) includes generating a plurality of temporary entry vehicle number reanalysis values for each artificial neural network module for reanalysis using a plurality of different artificial neural network modules for reanalysis; and selecting the temporarily entered vehicle number reanalysis value generated with the highest frequency among the plurality of temporarily entered vehicle number reanalysis values as the entering vehicle number reanalysis value.
  • the present invention when analyzing the vehicle number of the vehicle entering, it is possible to generate the analysis reliability value and the analysis reliability of the vehicle number, and re-analyze the license plate image in the order of lower analysis reliability. That is, since the re-analysis is performed in the order of the vehicle entering the vehicle having a high probability of misrecognition, the overall analysis reliability of the access database can be efficiently improved.
  • the exiting management terminal compares the exiting vehicle number analysis value with the entering vehicle number analysis value as well as the entering vehicle number reanalysis value, any one of the entering vehicle number analysis value and the entering vehicle number reanalysis value Even in the case of misrecognition, it is possible to match the exiting vehicle and the entering vehicle.
  • reanalysis of any one vehicle is performed in a plurality of steps, and different artificial neural network modules for reanalysis are used in each step.
  • the re-analysis reliability value of a specific stage is higher than the analysis reliability value, the re-analysis of any one entering vehicle is terminated in the corresponding stage, and the re-analysis of the other entering vehicle is performed. Accordingly, the overall analysis reliability of the access database can be efficiently improved.
  • FIG. 1 is a view showing a conventional vehicle access management system installed in a parking lot.
  • FIG. 2 is a view for explaining an example of misrecognition of a vehicle number that may occur due to a foreign object on the license plate.
  • FIG. 3 is a block diagram illustrating a vehicle access management system according to an embodiment of the present invention.
  • FIG. 4 is a flowchart illustrating an operation process of an entrance management terminal according to an embodiment of the present invention.
  • FIG. 5 is a flowchart for explaining a re-analysis process according to an embodiment of the present invention.
  • FIG. 6 is a diagram for explaining a process in which an access database is updated through reanalysis according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating an access database after re-analysis is completed according to an embodiment of the present invention.
  • FIG. 8 is a view for explaining a method of allocating an artificial neural network module for reanalysis to each reanalysis step according to an embodiment of the present invention.
  • FIG. 9 is a flowchart for explaining a re-analysis process according to another embodiment of the present invention.
  • FIG. 3 is a block diagram illustrating a vehicle access management system according to an embodiment of the present invention.
  • the vehicle access management system may include an entrance management terminal 100 , a server 200 , and an exit management terminal 300 .
  • the entrance management terminal 100 may be installed at the entrance of a place requiring vehicle access management.
  • a place requiring vehicle access management may be a parking lot.
  • the entrance management terminal 100 may include an entrance vehicle image acquisition unit 110 and an entrance vehicle number recognition unit 120 .
  • the entering vehicle image acquisition unit 110 may acquire an image of the entering vehicle by photographing the entering vehicle.
  • the entering vehicle image acquisition unit 110 may be a camera.
  • the image of the vehicle entering may include a license plate image.
  • the use of the license plate (P) information attached to the vehicle for identification of the entering vehicle will be described as an example.
  • the vehicle image acquisition unit 110 entering the vehicle may take an image including the identification means, of course.
  • the entering vehicle number recognition unit 120 may obtain an entering vehicle number analysis value by analyzing the image of the entering vehicle. For example, the entering vehicle number recognition unit 120 may identify a license plate image in the entering vehicle image. In addition, the entering vehicle number recognition unit 120 may obtain a vehicle number analysis value by analyzing the license plate image of the entering vehicle.
  • the entering vehicle number recognition unit 120 may include an edge artificial neural network module.
  • the edge artificial neural network module may be a means for analyzing the license plate image of the entering vehicle to obtain the entering vehicle number analysis value. Specifically, the edge artificial neural network module may receive the license plate image of the entering vehicle and output the entering vehicle number analysis value and the analysis reliability value.
  • the edge artificial neural network module may include an image preprocessing unit and an edge artificial neural network model.
  • the image preprocessing unit may perform any one of histogram equalization, shadow elimination, contrast enhancement, edge enhancement, and denoising.
  • the edge neural network model may be a kind of convolutional neural network (CNN).
  • the entrance management terminal 100 may obtain entrance information of the vehicle entering.
  • the entrance information may be a vehicle entrance time.
  • Such entrance information may be obtained by known means such as a timer module.
  • the entrance management terminal 100 may transmit the entering vehicle license plate image, the entering vehicle number analysis value, the analysis reliability value, and the entrance information to the server 200 .
  • the server 200 may include an access database 210 and a license plate image reanalysis unit 220 .
  • the access database 210 may store data such as an incoming vehicle license plate image, an incoming vehicle number analysis value, an analysis reliability value, and entrance information.
  • the data stored in the access database 210 may be grouped and stored as a separate entry vehicle data set for each entry vehicle. Meanwhile, the access database 210 may be provided outside the server 200 to communicate with the server 200 .
  • the license plate image re-analysis unit 220 may re-analyze the incoming vehicle license plate image stored in the access database 210 to generate an incoming vehicle number re-analysis value.
  • the reason for performing the reanalysis in the server 200 is to find out the vehicle number of the vehicle entering the vehicle more accurately.
  • the edge artificial neural network module has limited analysis performance due to the installation location of the entrance management terminal 100 or the problem of device specifications, whereas the server 200 has few such limitations and can operate multiple or high-performance artificial neural network modules. .
  • the license plate image reanalysis unit 220 may include one or more artificial neural network modules 221 for reanalysis.
  • Each artificial neural network module 221 for re-analysis may include an image pre-processing unit and an artificial neural network model for re-analysis.
  • the image preprocessing unit may perform any one of histogram equalization, shadow elimination, contrast enhancement, edge enhancement, and denoising.
  • the artificial neural network model for reanalysis may be a kind of convolutional neural network (CNN).
  • the license plate image re-analysis unit 220 may re-analyze the license plate image in the order of the vehicle entering the vehicle with low analysis reliability. As the re-analysis is preferentially performed on a vehicle with low analysis reliability, the overall analysis reliability of the access database 210 can be efficiently improved.
  • the re-analysis value of the entering vehicle number may be stored in the access database 210 by matching with the vehicle entering the basis of the re-analysis. For example, the vehicle number reanalysis value for vehicle A may be added to the vehicle data set for vehicle A.
  • the artificial neural network module 221 for reanalysis may be an artificial neural network module different from the edge artificial neural network module.
  • the combination of the image preprocessing unit and the artificial neural network model included in the artificial neural network module 221 for reanalysis may be different from the edge artificial neural network module.
  • the re-analysis of the license plate image may be made in 1 to k steps. A detailed process in which the license plate image is re-analyzed will be looked at in detail with reference to FIG. 6 .
  • the un-parking management terminal 300 may be installed at an exit of a place requiring vehicle access management.
  • the un-parking management terminal 300 may communicate with the server 200 to receive the entering vehicle number analysis value, the entering vehicle number re-analysis value, and the entrance information. In addition, the un-parking management terminal 300 may classify and store the received data for each vehicle entering the vehicle. On the other hand, of course, the un-parking management terminal 300 may manage the access of the vehicle by inquiring the access database 210 instead of storing the received data.
  • the un-parking management terminal 300 may include an un-parking vehicle image acquisition unit 310 , an un-parking vehicle number recognition unit 320 , and a determination unit 330 .
  • the un-parking vehicle image acquisition unit 310 may acquire an image of the un-parking vehicle by photographing the un-parking vehicle.
  • the vehicle image acquisition unit 310 may be a camera.
  • the image of the vehicle out may include a license plate image.
  • the un-parking vehicle number recognition unit 320 may obtain an un-parking vehicle number analysis value by analyzing the image of the un-parking vehicle. For example, the un-parking vehicle number recognition unit 320 may identify a license plate image in the image of the un-parking vehicle. In addition, the un-parking vehicle number recognition unit 320 may obtain an un-parking vehicle number analysis value by analyzing the license plate image of the un-parking vehicle.
  • the exit vehicle number recognition unit 320 may include an edge artificial neural network module.
  • the edge artificial neural network module may receive a license plate image of an exiting vehicle and output an analysis value of the exiting vehicle number.
  • the edge artificial neural network module included in the exiting vehicle number recognition unit 320 may be the same artificial neural network module as the edge artificial neural network module included in the entering vehicle number recognition unit 120 .
  • the entry and exit license plate number analysis values may be different from each other.
  • the vehicle number analysis value of each terminal may be different due to the surrounding environment such as foreign matter, fog, and lighting on the license plate.
  • the determination unit 330 may compare the extracted vehicle number analysis value with each entering vehicle number analysis value as well as the entering vehicle number reanalysis value.
  • the determination unit 330 is configured to determine if the un-parking vehicle number analysis value for the first un-parking vehicle matches at least one of the entering vehicle number analysis value and the entering vehicle number re-analysis value of the first entering vehicle, the first un-parking vehicle is the first entering It can be considered a vehicle.
  • the entering vehicle number analysis value for the first entering vehicle having a vehicle number of '7359' may be mistakenly recognized as '7369' due to a temporary foreign material.
  • the re-analysis value of the vehicle number recognized through the re-analysis may be '7359'. This is because the vehicle number reanalysis value is a result of reanalysis using one or more artificial neural network modules 221 for reanalysis different from the edge artificial neural network module.
  • the exiting vehicle number analysis value for the first exiting vehicle is '7359'
  • the exiting vehicle number analysis value of the first exiting vehicle is different from the entering vehicle number analysis value of the first entering vehicle, but is different from the entering vehicle number reanalysis value match
  • the determination unit 330 may determine that the first exiting vehicle is the first entering vehicle.
  • the exit management terminal 300 may perform a process necessary for vehicle entry and exit management, such as settlement of parking fees.
  • FIG. 4 is a flowchart illustrating an operation process of the entrance management terminal 100 according to an embodiment of the present invention.
  • the entrance management terminal 100 may acquire an image of the entering vehicle by photographing the entering vehicle. (S110)
  • the entering vehicle number recognition unit 120 may obtain a license plate image of the entering vehicle from the image of the entering vehicle. (S120) At this time, it is assumed that the license plate P is temporarily stained with a foreign material S.
  • the edge artificial neural network module may receive the incoming vehicle license plate image and output the incoming vehicle number analysis value and analysis reliability. Models can be included.
  • the image preprocessing unit may perform any one of histogram equalization, shadow elimination, contrast enhancement, edge enhancement, and denoising.
  • the edge artificial neural network model may include a plurality of weights for generating the entering vehicle number analysis value and analysis reliability based on the license plate image of the entering vehicle.
  • the plurality of weights may be determined by learning the data set consisting of the license plate image of the vehicle and the actual license plate number of the corresponding license plate by the edge artificial neural network model.
  • the edge artificial neural network model may include an input layer, at least one hidden layer, and an output layer.
  • 5 is a flowchart for explaining a re-analysis process according to an embodiment of the present invention.
  • 6 is a diagram for explaining a process in which the access database 210 is updated through reanalysis according to an embodiment of the present invention.
  • the license plate image re-analysis unit 220 may select the vehicle entering data set having the lowest analysis reliability among the vehicle data sets stored in the access database 210 (S210).
  • the license plate image re-analysis unit 220 can check the past re-analysis step of the license plate image belonging to the selected vehicle data. (S220) That is, the license plate image re-analysis unit 220 is the last re-analysis step of the selected entering vehicle data set can be checked. For example, if the selected vehicle data set has been previously re-analyzed up to the first stage (S230a), the second stage re-analysis (S230b) may be performed on the selected vehicle data set.
  • a first-step reanalysis may be performed on the selected entering vehicle data set (S230a).
  • Re-analysis of the license plate image may be made in steps 1 to k.
  • each re-analysis step is a step of pre-processing the license plate image of the vehicle data set selected by the image pre-processing unit (S231a ⁇ S231k) and an artificial neural network model for re-analysis It may include the step of recognizing the vehicle number (S232a ⁇ S232k).
  • the artificial neural network modules 221 for reanalysis used in the reanalysis of each step may be different from each other.
  • the combination of the image preprocessing unit included in the artificial neural network module 221 for reanalysis and the artificial neural network model for reanalysis is different for each step.
  • the artificial neural network module 221 for the first reanalysis of the first stage reanalysis 230a and the artificial neural network module 221 for the second reanalysis of the second stage reanalysis 230a have the same image preprocessing unit, and the artificial neural network model for reanalysis This may be different.
  • the artificial neural network module 221 for the first reanalysis of the first stage reanalysis 230a and the artificial neural network module 221 for the second reanalysis of the second stage reanalysis 230a have different image preprocessing units, and the artificial neural network model for reanalysis is also may be different. Therefore, the vehicle number reanalysis value output in each reanalysis step may be different from each other even when the input number plate image is the same.
  • the access database 210 stores the first to N vehicle data sets for the first to N vehicles.
  • the license plate image re-analysis unit 220 may re-analyze the D-entry vehicle data set having the lowest analysis reliability among the plurality of entered vehicle data sets. At this time, since there is no previous analysis progress in the D-entry vehicle data set, a first-stage re-analysis may be performed.
  • each re-analysis step will be referred to as a temporary entry vehicle number re-analysis value and a temporary re-analysis reliability value.
  • the license plate image re-analysis unit 220 may determine the temporary re-analysis reliability value as the re-analysis reliability value if the temporary re-analysis reliability value in a specific step is greater than or equal to the analysis reliability value, and determine the temporary entry vehicle number re-analysis value as the entry vehicle number re-analysis value. And the license plate image re-analysis unit 220 may end the re-analysis of the currently ongoing vehicle data set. And, the analysis reliability value may be updated as a re-analysis reliability value. In addition, the re-analysis value of the vehicle number may be added to the vehicle data set of the vehicle. If there is a previously stored entry vehicle number reanalysis value, the previously stored entry vehicle number reanalysis value may be updated with a new entry vehicle number reanalysis value.
  • the analysis reliability may not be updated. And the next stage of re-analysis can be performed.
  • the re-analysis of the vehicle data set D entered was performed up to the second stage. This is because the interim reanalysis reliability value in the first stage reanalysis was lower than the analysis reliability of 65%. Since the interim reanalysis reliability value in the second stage reanalysis was 98%, the analysis reliability was updated to 98%. D The previous analysis progress of the vehicle data set was recorded as two steps.
  • the next re-analysis target may be selected.
  • the re-analysis priority may be newly determined whenever the analysis reliability value is updated. For example, if the analysis reliability of the vehicle data set D is updated to 74%, the analysis reliability of the vehicle data set D is the lowest even after the update. In this case, re-analysis of the vehicle data set D can also be performed.
  • the re-analysis may be performed only with respect to the vehicle data set in which the analysis reliability is lower than the threshold. This is because the higher the reliability of the existing analysis, the lower the analysis reliability that can be improved through re-analysis.
  • the threshold is set to 90%, and the analysis reliability of all vehicle data sets is 90% or more.
  • the license plate image re-analysis unit 220 may determine whether there is a vehicle data set to be re-analyzed any more based on the threshold value. (S250) If it is determined that there is no re-analysis target, the re-analysis may be terminated.
  • FIG. 7 is a diagram illustrating the access database 210 after re-analysis is completed according to an embodiment of the present invention. As shown in FIG. 7 , the entering vehicle number reanalysis value and the entering vehicle number analysis value may be stored in each incoming vehicle data set.
  • the M entered vehicle data set is in a state where the entering vehicle number reanalysis value is different from the entering vehicle number analysis value.
  • the un-parking vehicle number analysis value obtained by the un-parking management terminal 300 may be different from the entering vehicle number analysis value of the M vehicle. This is because, as described in FIG. 2, the environment at the time of entering and leaving the vehicle may be different due to the surrounding environment such as foreign matter, fog, and lighting on the license plate.
  • the un-parking management terminal 300 since the un-parking management terminal 300 according to the embodiment of the present invention also compares the un-parking vehicle number analysis value with the re-analysis value of the entering vehicle number for the M vehicle, the determination unit 330 determines that the un-parking vehicle is the M vehicle. can That is, vehicle access management can be accurately performed.
  • FIG. 8 is a view for explaining a method of allocating the artificial neural network module 221 for reanalysis to each reanalysis step according to an embodiment of the present invention.
  • FIG. 8 The example of FIG. 8 is illustrated on the assumption that two types of image preprocessing units and two types of artificial neural network models for reanalysis are used. Therefore, the combination of the image preprocessing unit and the artificial neural network model for reanalysis is 2x2, and there are four. In other words, four different artificial neural network modules 221 for reanalysis may be configured.
  • the re-analysis may be performed in four steps. In each step, different artificial neural network modules 221 for reanalysis were arranged. And the license plate image re-analysis unit 220 may re-analyze the license plate image by sequentially performing each step.
  • the reanalysis history of each artificial neural network module 221 for reanalysis may be aggregated.
  • the reanalysis history of each artificial neural network module 221 for reanalysis may be aggregated for each country or region.
  • the average reanalysis reliability of region B was counted as 91%.
  • the license plate image re-analysis unit 220 is based on the identification information of the entrance management terminal 100 or the exit management terminal 300 to determine the license plate type of the area in which the entrance management terminal 100 or the exit management terminal 300 is installed.
  • the identification information may be an IP address to which the entrance management terminal 100 or the exit management terminal 300 accesses the server 200 or a serial number of each terminal.
  • the license plate image reanalysis unit 220 may reassign a plurality of artificial neural network modules 221 for reanalysis in the order of the highest average of the past reanalysis reliability values for the corresponding license plate type to each step.
  • the average reanalysis reliability for region B is higher in the artificial neural network module 221 for reanalysis in the second stage than in the first stage.
  • Figure 8 (b) shows the artificial neural network module 221 for re-analysis at each stage after re-allocation is made.
  • the combination of the first image preprocessing unit having an average reanalysis reliability of 91% and the artificial neural network model for reanalysis was assigned to the first stage.
  • the license plate image reanalysis unit 220 may exclude the reanalysis artificial neural network module 221 for reanalysis of which the average reanalysis reliability is less than the lower limit at the time of reanalysis.
  • the lower limit was set to 50%.
  • one artificial neural network module 221 for reanalysis having an average reanalysis reliability of 47% may be excluded. That is, the re-analysis can be performed in three steps.
  • FIG. 9 is a flowchart for explaining a re-analysis process according to another embodiment of the present invention. A description of the process overlapping with the embodiment of FIG. 5 in the embodiment of FIG. 9 will be omitted.
  • the license plate image reanalysis unit 220 may select a vehicle data set with the lowest analysis reliability among the data sets stored in the access database 210 . (S310)
  • the license plate image re-analysis unit 220 may re-analyze the license plate image of the selected vehicle data set in parallel using a plurality of artificial neural network modules 221 for re-analysis.
  • the plurality of artificial neural network modules 221 for re-analysis are in different states in combination of the image pre-processing unit and the artificial neural network model for re-analysis as in the embodiment of FIG. 5 .
  • the first temporary entry vehicle number re-analysis value may be generated using the image pre-processing unit belonging to the first combination and the artificial neural network model for re-analysis.
  • a second temporary entry vehicle number reanalysis value may be generated using the image preprocessing unit belonging to the second combination and the artificial neural network model for reanalysis.
  • the image preprocessing unit belonging to the kth combination and the artificial neural network model for reanalysis may be generated.
  • the k-th temporary entry vehicle number re-analysis value may be generated using this.
  • steps S320a to S330k may be performed in parallel.
  • the license plate image reanalysis unit 220 may select the temporarily entered vehicle number reanalysis value generated with the highest frequency as the entering vehicle number reanalysis value (S330).
  • license plate image re-analysis unit 220 may be stored in the entry vehicle number re-analysis value in the access database 210.
  • the license plate image re-analysis unit 220 may re-analyze the other vehicle data set. If the re-analysis of all vehicle data sets is completed, the re-analysis may be terminated (S350).
  • the vehicle access management system and vehicle access management method can generate a vehicle number analysis value and analysis reliability when analyzing the vehicle number of the vehicle entering, and re-analyze the license plate image in the order of the analysis reliability lower. . That is, since the re-analysis is performed in the order of the vehicle entering the vehicle with a high probability of misrecognition, the overall analysis reliability of the access database can be efficiently improved, and it can be performed under various conditions and industrial sites.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Operations Research (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)

Abstract

본 발명의 일실시예는 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 입차 관리 단말; 각 상기 입차 차량의 상기 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 수신하고, 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 서버; 및 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 출차 관리 단말을 포함하고, 상기 출차 관리 단말은 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단하는 것인 차량 출입 관리 시스템을 제공한다.

Description

차량 출입 관리 시스템 및 차량 출입 관리 방법
본 발명은 차량 출입 관리 시스템 및 차량 출입 관리 방법에 관한 것으로, 더욱 상세하게는 차량의 번호를 정확히 인식하여 차량 출입 관리의 정확도를 높일 수 있는 차량 출입 관리 시스템 및 차량 출입 관리 방법에 관한 것이다.
차량 출입 관리 시스템은 주차장과 같이 차량의 출입 관리가 필요한 장소의 출입구에 설치된다. 이미지 인식 기술의 발전으로 차량의 번호판 이미지로부터 차량번호의 자동 인식이 가능해졌으며, 현재는 많은 차량 출입 관리 시스템이 차량 번호를 자동으로 인식하고 있다.
도 1은 주차장의 출입구(1)에 설치된 종래의 차량 출입 관리 시스템으로, 입차 관리 단말(2)은 입차 차량(4a)을 바라보고 출차 관리 단말(3)은 출차 차량(4b)을 바라보도록 설치된다. 특히 차량의 식별은 차량 번호를 기준으로 이루어지므로, 입차 관리 단말과 출차 관리 단말은 번호판(5)의 촬영이 용이한 위치에 설치된다.
한편 차량 출입 관리 시스템이 차량번호를 오인식하는 상황은 꾸준히 발생하고 있다. 차량번호의 오인식은 번호판(5)이 촬영되는 각도나 번호판에 묻은 이물, 또는 안개, 조명과 같은 주변 환경 변화가 주요 원인이다. 즉 차량번호 인식 값은 동일한 번호판을 동일 POV(Position Of View)에서 인식하더라도 매번 다를 수 있는 것이다.
도 2는 번호판의 이물로 인해 발생할 수 있는 차량번호의 오인식 예를 설명하기 위한 도면이다. 도 2에 도시된 바와 같이 입차 시 번호판(5)에 묻은 일시적 오염물(S)이 출차 시 제거되는 경우가 발생한다. 이 경우 입차 관리 단말(2)은 차량번호가 '7359'인 번호판을 '7369'로 오인식할 수 있다. 또한 출차 시에는 오염물(S)이 제거된 상태이므로 출차 관리 단말(3)은 차량번호가 '7359'인 번호판을 '7359'로 정인식할 수 있다.
이처럼 동일한 번호판을 인식한 결과가 서로 다를 경우, 출차 관리 단말(3)이 차량번호가 '7359'인 차량의 입차 정보를 알 수 없게 되므로 차량 출입 관리가 부정확해지는 문제가 있다.
전술한 문제점을 해결하기 위해 본 발명이 이루고자 하는 기술적 과제는 차량의 번호를 정확히 인식하여 차량 출입 관리의 정확도를 높일 수 있는 차량 출입 관리 시스템 및 차량 출입 관리 방법을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일실시예는 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 입차 관리 단말; 각 상기 입차 차량의 상기 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 수신하고, 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 서버; 및 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 출차 관리 단말을 포함하고, 상기 출차 관리 단말은 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단할 수 있다.
상기 입차 차량의 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값은 상기 서버 또는 상기 출차 관리 단말이 접근 가능한 출입 데이터베이스에 상기 입차 차량 별로 매칭되어 저장될 수 있다.
상기 입차 관리 단말은 상기 번호판 이미지를 입력받아 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 결과 값으로 생성하는 엣지 인공신경망 모듈을 포함하고, 상기 서버는 상기 번호판 이미지를 입력받아 상기 입차 차량번호 재분석 값 및 상기 재분석에 대한 재분석 신뢰도 값을 결과 값으로 도출하는 적어도 하나의 재분석용 인공신경망 모듈을 포함하고, 상기 엣지 인공신경망 모듈과 상기 재분석용 인공신경망 모듈은 서로 상이할 수 있다.
상기 분석 신뢰도 값은 상기 출입 데이터베이스에 상기 입차 차량 별로 매칭되어 저장되고, 상기 서버는 상기 분석 신뢰도 값이 낮은 입차 차량 순으로 결정된 재분석 우선순위에 따라 상기 재분석을 수행할 수 있다.
상기 서버는 어느 하나의 입차 차량의 상기 재분석 신뢰도 값이 상기 분석 신뢰도 값보다 높으면, 상기 어느 하나의 입차 차량의 분석 신뢰도 값을 상기 재분석 신뢰도 값으로 갱신할 수 있다.
상기 재분석 우선순위는 상기 분석 신뢰도 값의 갱신이 이루어질 때마다 상기 분석 신뢰도 값이 낮은 입차 차량 순으로 다시 결정될 수 있다.
상기 서버는 서로 다른 복수의 재분석용 인공신경망 모듈을 구비하고, 어느 하나의 상기 입차 차량에 대한 상기 재분석은 제1 내지 k 단계로 순차적으로 이루어지고, 상기 서버는 상기 제1 내지k 단계마다 다른 재분석용 인공신경망 모듈을 이용하여 임시 입차 차량번호 재분석 값 및 임시 재분석 신뢰도 값을 생성하고, 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면 상기 특정 단계에서의 상기 임시 입차 차량번호 재분석 값을 상기 어느 하나의 입차 차량에 대한 상기 입차 차량번호 재분석 값으로 결정하고, 상기 특정 단계에서 상기 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석을 수행할 수 있다.
상기 서버는 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면, 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값을 상기 어느 하나의 입차 차량에 대한 상기 재분석 신뢰도 값으로 결정하고, 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값을 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값으로 갱신할 수 있다.
상기 서버는 상기 어느 하나의 입차 차량에 대한 상기 재분석 시 마지막으로 수행된 단계에 대한 정보를 상기 출입 데이터베이스에 저장하고, 상기 어느 하나의 입차 차량에 대한 상기 재분석을 다시 수행하게 되면 상기 마지막으로 수행된 단계 이후의 단계부터 상기 재분석을 수행할 수 있다.
상기 서버는 상기 어느 하나의 입차 차량에 대한 상기 재분석이 상기 k 단계까지 완료되면 상기 어느 하나의 입차 차량을 상기 재분석 대상에서 제외할 수 있다.
상기 재분석용 인공신경망 모듈은 이미지 전처리 유닛 및 재분석용 인공신경망 모델을 포함하고, 각각의 상기 재분석용 인공신경망 모듈에 속한 상기 이미지 전처리 유닛과 상기 재분석용 인공신경망 모델의 조합은 각각의 상기 재분석용 인공신경망 모듈 별로 상이할 수 있다.
상기 서버는 상기 입차 관리 단말 또는 상기 출차 관리 단말의 식별 정보에 기초하여 상기 입차 관리 단말 또는 상기 출차 관리 단말이 설치된 지역의 번호판 타입을 판단하고, 상기 번호판 타입에 대한 재분석 이력에 기초하여 상기 번호판 타입에 대한 과거 재분석 신뢰도 값들의 평균이 높은 순으로 상기 복수의 재분석용 인공신경망 모듈을 상기 제1 내지 k 단계에 배정할 수 있다.
상기 서버는 서로 다른 복수의 재분석용 인공신경망 모듈을 구비하고, 상기 복수의 재분석용 인공신경망 모듈은 각각 재분석을 수행하여 복수의 임시 입차 차량번호 재분석 값을 생성하고, 상기 복수의 임시 입차 차량번호 재분석 값 중 가장 높은 빈도로 생성된 임시 입차 차량번호 재분석 값을 입차 차량번호 재분석 값으로 선정할 수 있다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일실시예는 a) 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 단계; b) 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 단계; c) 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 단계; 및 d) 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단하는 단계를 포함할 수 있다.
상기 b) 단계는 상기 분석 신뢰도 값이 낮은 순으로 상기 입차 차량의 번호판 이미지를 재분석 할 수 있다.
상기 b) 단계에서 상기 재분석은 제1 내지 k 단계로 순차적으로 이루어지고, 각 상기 단계는 서로 다른 재분석용 인공신경망 모듈을 이용해 임시 입차 차량번호 재분석 값 및 임시 재분석 신뢰도 값을 생성하고, 어느 하나의 입차 차량에 대한 상기 재분석 시, 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량의 상기 분석 신뢰도 값 이상이면 상기 특정 단계에서의 상기 임시 입차 차량번호 재분석 값을 상기 어느 하나의 입차 차량의 입차 차량번호 재분석 값으로 결정하고, 상기 특정 단계에서 상기 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석을 수행할 수 있다.
상기 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면, 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값을 상기 어느 하나의 입차 차량에 대한 상기 재분석 신뢰도 값으로 결정하고, 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값을 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값으로 갱신할 수 있다.
상기 어느 하나의 입차 차량에 대한 상기 재분석을 다시 수행할 경우, 다시 수행되는 재분석은 상기 어느 하나의 입차 차량에 대해 마지막으로 수행된 상기 재분석 단계 이후의 재분석 단계부터 이루어질 수 있다.
상기 b) 단계는 서로 다른 복수의 재분석용 인공신경망 모듈을 이용해 각 상기 재분석용 인공신경망 모듈 별로 복수의 임시 입차 차량번호 재분석 값을 생성하는 단계; 및 상기 복수의 임시 입차 차량번호 재분석 값 중 가장 높은 빈도로 생성된 상기 임시 입차 차량번호 재분석 값을 상기 입차 차량번호 재분석 값으로 선정하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 입차 차량의 차량번호 분석 시 입차 차량번호 분석 값과 분석 신뢰도를 생성하고, 분석 신뢰도가 낮은 순으로 번호판 이미지를 재분석할 수 있다. 즉 오인식 가능성이 높은 입차 차량 순으로 재분석이 이루어지므로, 출입 데이터베이스의 전체적인 분석 신뢰도가 효율적으로 개선될 수 있다.
또한 본 발명의 실시예에 따르면 출차 관리 단말은 출차 차량번호 분석 값을 입차 차량번호 분석 값뿐만 아니라 입차 차량번호 재분석 값과도 비교하므로, 입차 차량번호 분석 값과 입차 차량번호 재분석 값 중 어느 하나가 오인식된 경우에도 출차 차량과 입차 차량을 매칭시킬 수 있다.
또한 본 발명의 실시예에 따르면 어느 하나의 입차 차량에 대한 재분석은 복수의 단계로 이루어지며, 각 단계마다 서로 상이한 재분석용 인공신경망 모듈을 활용한다. 이때 특정 단계의 재분석 신뢰도 값이 분석 신뢰도 값에 비해 높으면 해당 단계에서 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석이 이루어지게 된다. 따라서 출입 데이터베이스의 전체적인 분석 신뢰도가 효율적으로 개선될 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 설명 또는 청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 주차장에 설치된 종래의 차량 출입 관리 시스템을 도시한 도면이다.
도 2는 번호판의 이물로 인해 발생할 수 있는 차량번호의 오인식 예를 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 차량 출입 관리 시스템을 도시한 블록도이다.
도 4는 본 발명의 실시예에 따른 입차 관리 단말의 동작 과정을 도시한 흐름도이다.
도 5는 본 발명의 실시예에 따른 재분석 과정을 설명하기 위한 순서도이다.
도 6은 본 발명의 실시예에 따른 출입 데이터베이스가 재분석을 통해 갱신되는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 재분석이 완료된 후의 출입 데이터베이스를 도시한 도면이다.
도 8은 본 발명의 실시예에 따른 재분석용 인공신경망 모듈을 각 재분석의 단계에 배정하는 방법을 설명하는 도면이다.
도 9는 본 발명의 다른 실시예에 따른 재분석 과정을 설명하기 위한 순서도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 3은 본 발명의 실시예에 따른 차량 출입 관리 시스템을 도시한 블록도이다.
도 3에 도시된 바와 같이 차량 출입 관리 시스템은 입차 관리 단말(100), 서버(200) 및 출차 관리 단말(300)을 포함할 수 있다.
입차 관리 단말(100)은 차량의 출입 관리가 필요한 장소의 입구에 설치될 수 있다. 일 예로 차량의 출입 관리가 필요한 장소는 주차장일 수 있다.
입차 관리 단말(100)은 입차 차량 영상 획득부(110) 및 입차 차량번호 인식부(120)를 포함할 수 있다.
입차 차량 영상 획득부(110)는 입차하는 차량을 촬영하여 입차 차량의 이미지를 획득할 수 있다. 일 예로 입차 차량 영상 획득부(110)는 카메라일 수 있다. 입차 차량의 이미지는 번호판 이미지를 포함할 수 있다. 본 발명에서는 입차 차량의 식별을 위해 차량에 부착된 번호판(P) 정보를 이용하는 것을 예로 설명한다. 그러나 차량 출입 관리 시스템이 사용되는 국가나 지역에 따라 다른 식별 수단이 사용될 경우, 입차 차량 영상 획득부(110)는 해당 식별 수단이 포함된 이미지를 촬영할 수도 있음은 물론이다.
입차 차량번호 인식부(120)는 입차 차량의 이미지를 분석해 입차 차량번호 분석 값을 획득할 수 있다. 일 예로 입차 차량번호 인식부(120)는 입차 차량 이미지 내의 번호판 이미지를 식별할 수 있다. 그리고 입차 차량번호 인식부(120)는 입차 차량의 번호판 이미지를 분석하여 입차 차량번호 분석 값을 획득할 수 있다.
입차 차량번호 인식부(120)는 엣지 인공신경망 모듈을 포함할 수 있다. 엣지 인공신경망 모듈은 입차 차량의 번호판 이미지를 분석하여 입차 차량번호 분석 값을 획득하기 위한 수단일 수 있다. 구체적으로 엣지 인공신경망 모듈은 입차 차량의 번호판 이미지를 입력받아 입차 차량번호 분석 값 및 분석 신뢰도 값을 출력할 수 있다. 엣지 인공신경망 모듈은 이미지 전처리 유닛 및 엣지 인공신경망 모델을 포함할 수 있다. 일 예로 이미지 전처리 유닛은 히스토그램 평활화(Histogram equalization), 그림자 제거(Shadow elimination), 콘트라스트 인핸스먼트(Contrast Enhancement), 에지 인핸스먼트(Edge Enhancement) 및 디노이징(Denoising) 중 어느 하나를 수행할 수 있다. 일 예로 엣지 신경망 모델은 일종의 합성곱 신경망(CONVOLUTION NEURAL NETWORK, CNN)일 수 있다.
또한 입차 관리 단말(100)은 입차 차량의 입차 정보를 획득할 수 있다. 일 예로 입차 정보는 차량의 입차 시간일 수 있다. 이러한 입차 정보는 타이머 모듈 등의 공지의 수단에 의해 획득될 수 있다.
그리고 입차 관리 단말(100)은 입차 차량 번호판 이미지, 입차 차량번호 분석 값, 분석 신뢰도 값 및 입차 정보를 서버(200)로 전송할 수 있다.
서버(200)는 출입 데이터베이스(210) 및 번호판 이미지 재분석부(220)를 포함할 수 있다.
출입 데이터베이스(210)는 입차 차량 번호판 이미지, 입차 차량번호 분석 값, 분석 신뢰도 값 및 입차 정보와 같은 데이터들을 저장할 수 있다. 이때 출입 데이터베이스(210)에 저장되는 데이터들은 각 입차 차량마다 별도의 입차 차량 데이터 세트로 그룹화되어 저장될 수 있다. 한편 출입 데이터베이스(210)는 서버(200)의 외부에 구비되어 서버(200)와 통신할 수도 있다.
번호판 이미지 재분석부(220)는 출입 데이터베이스(210)에 저장된 입차 차량 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성할 수 있다. 이처럼 서버(200)에서 재분석을 수행하는 이유는 입차 차량의 차량번호를 보다 정확히 알아내기 위함이다. 엣지 인공신경망 모듈은 입차 관리 단말(100)의 설치 장소나 기기 스펙의 문제로 분석 성능이 제약되는 반면, 서버(200)는 이러한 제약이 적어 복수 또는 고성능의 인공신경망 모듈을 운용할 수 있기 때문이다.
또한 번호판 이미지 재분석부(220)는 하나 이상의 재분석용 인공신경망 모듈(221)을 포함할 수 있다. 각 재분석용 인공신경망 모듈(221)은 이미지 전처리 유닛 및 재분석용 인공신경망 모델을 포함할 수 있다. 일 예로 이미지 전처리 유닛은 히스토그램 평활화(Histogram equalization), 그림자 제거(Shadow elimination), 콘트라스트 인핸스먼트(Contrast Enhancement), 에지 인핸스먼트(Edge Enhancement) 및 디노이징(Denoising) 중 어느 하나를 수행할 수 있다. 일 예로 재분석용 인공신경망 모델은 일종의 합성곱 신경망(CONVOLUTION NEURAL NETWORK, CNN)일 수 있다.
번호판 이미지 재분석부(220)는 분석 신뢰도가 낮은 입차 차량 순으로 번호판 이미지를 재분석 할 수 있다. 재분석이 분석 신뢰도가 낮은 입차 차량에 대해 우선적으로 이루어짐에 따라 출입 데이터베이스(210)의 전체적인 분석 신뢰도는 효율적으로 개선될 수 있다. 그리고, 입차 차량번호 재분석 값은 재분석의 기초가 된 입차 차량과 매칭되어 출입 데이터베이스(210)에 저장될 수 있다. 예컨대 A 차량에 대한 입차 차량번호 재분석 값은 A 차량에 대한 입차 차량 데이터 세트에 추가될 수 있다.
또한 재분석용 인공신경망 모듈(221)은 엣지 인공신경망 모듈과 상이한 인공신경망 모듈일 수 있다. 일 예로, 재분석용 인공신경망 모듈(221)에 포함된 이미지 전처리 유닛과 인공신경망 모델의 조합은 엣지 인공신경망 모듈과 상이할 수 있다.
또한 번호판 이미지의 재분석은 1 내지 k 단계로 이루어질 수 있다. 번호판 이미지가 재분석되는 구체적인 과정은 도 6을 통해 상세히 살펴보기로 한다.
출차 관리 단말(300)은 차량의 출입 관리가 필요한 장소의 출구에 설치될 수 있다.
출차 관리 단말(300)은 서버(200)와 통신하여 입차 차량번호 분석 값, 입차 차량번호 재분석 값 및 입차 정보를 수신할 수 있다. 또한 출차 관리 단말(300)은 수신한 데이터들을 입차 차량별로 구분하여 저장할 수 있다. 한편 출차 관리 단말(300)은 수신한 데이터들을 저장하는 대신 출입 데이터베이스(210)를 조회하는 방식으로 차량의 출입을 관리할 수도 있음은 물론이다.
출차 관리 단말(300)은 출차 차량 영상 획득부(310), 출차 차량번호 인식부(320) 및 판단부(330)를 포함할 수 있다.
출차 차량 영상 획득부(310)는 출차하는 차량을 촬영하여 출차 차량의 이미지를 획득할 수 있다. 일 예로 출차 차량 영상 획득부(310)는 카메라일 수 있다. 출차 차량의 이미지는 번호판 이미지를 포함할 수 있다.
출차 차량번호 인식부(320)는 출차 차량의 이미지를 분석해 출차 차량번호 분석 값을 획득할 수 있다. 일 예로 출차 차량번호 인식부(320)는 출차 차량의 이미지 내의 번호판 이미지를 식별할 수 있다. 그리고 출차 차량번호 인식부(320)는 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득할 수 있다.
출차 차량번호 인식부(320)는 엣지 인공신경망 모듈을 포함할 수 있다. 엣지 인공신경망 모듈은 출차 차량의 번호판 이미지를 입력받아 출차 차량번호 분석 값을 출력할 수 있다. 이때 출차 차량번호 인식부(320)에 포함된 엣지 인공신경망 모듈은 입차 차량번호 인식부(120)에 포함된 엣지 인공신경망 모듈과 동일한 인공신경망 모듈일 수 있다.
한편 도 2에서 설명한 바와 같이 입차 관리 단말(100)과 출차 관리 단말(300)에 포함된 엣지 인공신경망 모듈이 동일하더라도 입차 차량번호 분석 값과 출차 차량번호 분석 값은 서로 상이할 수 있다. 예컨대 입차 차량과 출차 차량의 차량번호가 '7359'로 동일하더라도 번호판에 묻은 이물, 안개, 조명 등의 주변 환경으로 인해 각 단말의 차량번호 분석 값이 서로 다를 수 있는 것이다.
이에 본 발명의 실시예에 따른 판단부(330)는 출차 차량번호 분석 값을 각 입차 차량번호 분석 값뿐만 아니라 입차 차량번호 재분석 값과도 비교할 수 있다.
구체적으로 판단부(330)는 제1 출차 차량에 대한 출차 차량번호 분석 값이 제1 입차 차량의 입차 차량번호 분석 값 및 입차 차량번호 재분석 값 중 적어도 하나와 일치하면 제1 출차 차량이 제1 입차 차량인 것으로 판단할 수 있다.
일 예로 도 2와 같이 차량번호가 '7359'인 제1 입차 차량에 대한 입차 차량번호 분석 값은 일시적 이물로 인해 '7369'로 오인식될 수 있다. 이때 재분석을 통해 인식된 입차 차량번호 재분석 값은 '7359'일 수 있다. 이는 입차 차량번호 재분석 값이 엣지 인공신경망 모듈과는 다른 하나 이상의 재분석용 인공신경망 모듈(221)을 이용해 재분석된 결과이기 때문이다. 제1 출차 차량에 대한 출차 차량번호 분석 값이 '7359'인 경우, 제1 출차 차량의 출차 차량번호 분석 값은 제1 입차 차량의 입차 차량번호 분석 값과는 상이하나 입차 차량번호 재분석 값과는 일치한다. 그리고 판단부(330)는 제1 출차 차량이 제1 입차 차량인 것으로 판단할 수 있다. 그리고 출차 관리 단말(300)은 주차비의 정산 등 차랑 출입 관리에 필요한 프로세스를 수행할 수 있다.
도 4는 본 발명의 실시예에 따른 입차 관리 단말(100)의 동작 과정을 도시한 흐름도이다.
도 4에 도시된 바와 같이 입차 관리 단말(100)은 입차 차량을 촬영하여 입차 차량의 이미지를 획득할 수 있다.(S110)
그리고 입차 차량번호 인식부(120)는 입차 차량의 이미지로부터 입차 차량의 번호판 이미지를 획득할 수 있다.(S120) 이때 번호판(P)은 일시적 이물(S)이 묻은 상태로 가정하였다.
그리고 엣지 인공신경망 모듈은 입차 차량 번호판 이미지를 입력받아 입차 차량번호 분석 값 및 분석 신뢰도를 출력할 수 있다.(S130) 엣지 인공신경망 모듈은 차량의 번호판 이미지를 전처리하는 이미지 전처리 유닛과, 엣지 인공신경망 모델을 포함할 수 있다. 일 예로 이미지 전처리 유닛은 히스토그램 평활화(Histogram equalization), 그림자 제거(Shadow elimination), 콘트라스트 인핸스먼트(Contrast Enhancement), 에지 인핸스먼트(Edge Enhancement) 및 디노이징(Denoising) 중 어느 하나를 수행할 수 있다.
엣지 인공신경망 모델은 입차 차량의 번호판 이미지를 기초로 입차 차량번호 분석 값 및 분석 신뢰도를 생성하기 위한 복수의 가중치를 포함할 수 있다. 이러한 복수의 가중치는 차량의 번호판 이미지와 해당 번호판의 실제 차량번호로 이루어진 데이터 세트를 엣지 인공신경망 모델이 학습함으로써 결정될 수 있다. 일 예로 엣지 인공신경망 모델은 인풋 레이어, 적어도 하나의 히든 레이어 및 아웃풋 레이어를 포함할 수 있다.
도 5는 본 발명의 실시예에 따른 재분석 과정을 설명하기 위한 순서도이다. 도 6은 본 발명의 실시예에 따른 출입 데이터베이스(210)가 재분석을 통해 갱신되는 과정을 설명하기 위한 도면이다.
도 5 내지 6을 참조하여 번호판 이미지 재분석부(220)가 출입 데이터베이스(210)에 저장된 입차 차량 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 예를 설명한다.
먼저 번호판 이미지 재분석부(220)는 출입 데이터베이스(210)에 저장된 입차 차량 데이터 세트들 중 분석 신뢰도가 가장 낮은 입차 차량 데이터 세트를 선택할 수 있다.(S210)
그리고 번호판 이미지 재분석부(220)는 선택된 입차 차량 데이터에 속한 번호판 이미지의 과거 재분석 단계를 확인할 수 있다.(S220) 즉, 번호판 이미지 재분석부(220)는 선택된 입차 차량 데이터 세트가 마지막으로 재분석된 단계를 확인할 수 있다. 일 예로, 선택된 입차 차량 데이터 세트가 과거에 1단계 재분석(S230a)까지 수행되었다면, 선택된 입차 차량 데이터 세트에 대한 2단계 재분석(S230b)이 이루어질 수 있다.
만약 선택된 입차 차량 데이터 세트의 과거 재분석 수행 이력이 없다면, 선택된 입차 차량 데이터 세트에 대한 1단계 재분석이 수행될 수 있다.(S230a)
번호판 이미지의 재분석은 1 내지 k 단계로 이루어질 수 있다.(S230) 그리고 각 재분석 단계는 이미지 전처리 유닛으로 선택된 입차 차량 데이터 세트의 번호판 이미지를 전처리 하는 단계(S231a~S231k) 및 재분석용 인공신경망 모델로 차량번호를 인식하는 단계(S232a~S232k)를 포함할 수 있다.
이때 각 단계의 재분석에서 사용되는 재분석용 인공신경망 모듈(221)은 서로 상이할 수 있다. 이는 재분석용 인공신경망 모듈(221)에 포함된 이미지 전처리 유닛과 재분석용 인공신경망 모델의 조합이 각 단계마다 서로 상이함을 의미한다. 일 예로 1단계 재분석(230a)의 제1 재분석용 인공신경망 모듈(221)과 2단계 재분석(230a)의 제2 재분석용 인공신경망 모듈(221)은 이미지 전처리 유닛이 동일하고, 재분석용 인공신경망 모델이 상이할 수 있다. 또는 1단계 재분석(230a)의 제1 재분석용 인공신경망 모듈(221)과 2단계 재분석(230a)의 제2 재분석용 인공신경망 모듈(221)은 이미지 전처리 유닛이 상이하고, 재분석용 인공신경망 모델도 상이할 수 있다. 따라서 각 재분석 단계에서 출력되는 입차 차량번호 재분석 값은 입력되는 번호판 이미지가 동일한 경우에도 서로 다를 수 있다.
도 6을 함께 참조하여 재분석이 이루어지는 예를 설명하기로 한다. 도 6의 (a)에 도시된 바와 같이 출입 데이터베이스(210)에는 제1 내지 N 차량에 대한 제1 내지 N의 입차 차량 데이터 세트가 저장되어 있다.
번호판 이미지 재분석부(220)는 복수의 입차 차량 데이터 세트들 중 가장 분석 신뢰도가 낮은 D 입차 차량 데이터 세트에 대한 재분석을 수행할 수 있다. 이때 D 입차 차량 데이터 세트는 이전 분석 진행 사항이 없으므로, 1단계 재분석이 수행될 수 있다.
이하에서는 설명의 편의를 위해 각 재분석 단계의 출력을 임시 입차 차량번호 재분석 값과 임시 재분석 신뢰도 값으로 칭하기로 한다.
번호판 이미지 재분석부(220)는 특정 단계에서의 임시 재분석 신뢰도 값이 분석 신뢰도 값 이상이면 임시 재분석 신뢰도 값을 재분석 신뢰도 값으로 결정하고 임시 입차 차량번호 재분석 값을 입차 차량번호 재분석 값으로 결정할 수 있다. 그리고 번호판 이미지 재분석부(220)는 현재 진행중인 입차 차량 데이터 세트에 대한 재분석을 종료할 수 있다. 그리고, 분석 신뢰도 값은 재분석 신뢰도 값으로 갱신될 수 있다. 그리고 입차 차량번호 재분석 값은 해당 차량의 입차 차량 데이터 세트에 추가될 수 있다. 만약 기 저장된 입차 차량번호 재분석 값이 있다면 기 저장된 입차 차량번호 재분석 값은 새로운 입차 차량번호 재분석 값으로 갱신될 수 있다.
만약 특정 단계에서의 임시 재분석 신뢰도 값이 분석 신뢰도 값 미만이면 분석 신뢰도는 갱신되지 않을 수 있다. 그리고 다음 단계의 재분석이 수행될 수 있다.
도 6의 (b)에 도시된 바와 같이 D 입차 차량 데이터 세트는 2단계까지 재분석이 수행되었다. 이는 1단계 재분석에서의 임시 재분석 신뢰도 값이 분석 신뢰도인 65%보다 낮았기 때문이다. 2단계 재분석 시의 임시 재분석 신뢰도 값은 98%이므로, 분석 신뢰도는 98%로 갱신되었다. D 입차 차량 데이터 세트의 이전 분석 진행 단계는 2단계로 기록되었다.
D 입차 차량 데이터 세트에 대한 재분석이 종료되었으므로 다음 재분석 대상이 선정될 수 있다. 이때 재분석 우선순위는 분석 신뢰도 값이 갱신될 때마다 새로 결정될 수 있다. 일 예로 D 입차 차량 데이터 세트의 분석 신뢰도가 74%로 갱신되었다면, 갱신 후에도 D 입차 차량 데이터 세트의 분석 신뢰도가 가장 낮다. 이 경우 D 입차 차량 데이터 세트에 대한 재분석이 또 수행될 수 있다.
다음으로 도 6의 (b)의 출력 데이터베이스에서 분석 신뢰도가 가장 낮은 B입차 차량 데이터 세트의 재분석이 이루어질 수 있다. 도 6의 (c)에 도시된 바와 같이 B입차 차량 데이터 세트는 3단계까지 재분석이 이루어졌으며 분석 신뢰도는 93%로 갱신되었다. 이와 동일한 원리로 도 6의 (d)에서는 A입차 차량 데이터 세트의 분석 신뢰도가 95%로 갱신되었다.
한편, 재분석은 분석 신뢰도가 임계치보다 낮은 입차 차량 데이터 세트에 대하여만 이루어질 수도 있다. 이는 기존의 분석 신뢰도가 높을수록 재분석을 통해 향상될 수 있는 분석 신뢰도가 낮기 때문이다. 도 6의 실시예는 임계치가 90%로 설정된 상태이며, 모든 입차 차량 데이터 세트의 분석 신뢰도가 90% 이상인 상태이다.
그리고 번호판 이미지 재분석부(220)는 임계치에 기초하여 더 이상 재분석을 수행할 입차 차량 데이터 세트가 있는지 판단할 수 있다.(S250) 만약 재분석 대상이 없는 것으로 판단될 시 재분석은 종료될 수 있다.
도 7은 본 발명의 실시예에 따른 재분석이 완료된 후의 출입 데이터베이스(210)를 도시한 도면이다. 도 7에 도시된 바와 같이 각 입차 차량 데이터 세트에는 입차 차량번호 재분석 값 및 입차 차량번호 분석 값이 저장될 수 있다.
이때, N 입차 차량 데이터 세트는 최초 분석 신뢰도가 임계치인 90% 이상이므로 재분석이 수행되지 않은 상태이다. 또한, M 입차 차량 데이터 세트는 입차 차량번호 재분석 값이 입차 차량번호 분석 값과 상이한 상태이다.
M 차량이 출차할 시 출차 관리 단말(300)에서 획득한 출차 차량번호 분석 값은 M 차량의 입차 차량번호 분석 값과 상이할 수도 있다. 이는 도 2에서 설명한 바와 같이 번호판에 묻은 이물, 안개, 조명 등의 주변 환경으로 입차 시와 출차 시의 환경이 다를 수 있기 때문이다. 그러나 본 발명의 실시예에 따른 출차 관리 단말(300)은 출차 차량 번호 분석 값을 M 차량에 대한 입차 차량번호 재분석 값과도 비교하므로, 판단부(330)는 출차 차량이 M 차량인 것으로 판단할 수 있다. 즉 차량 출입 관리는 정확히 이루어질 수 있다.
도 8은 본 발명의 실시예에 따른 재분석용 인공신경망 모듈(221)을 각 재분석의 단계에 배정하는 방법을 설명하는 도면이다.
도 8의 실시예는 2종의 이미지 전처리 유닛과 2종의 재분석용 인공신경망 모델을 사용하는 것으로 가정하여 도시하였다. 따라서 이미지 전처리 유닛과 재분석용 인공신경망 모델의 조합은 2x2로 4가지이다. 환언하면 서로 상이한 4개의 재분석용 인공신경망 모듈(221)이 구성될 수 있다.
도 8의 (a)에 도시된 바와 같이 재분석은 4개의 단계로 이루어질 수 있다. 각 단계에는 서로 상이한 재분석용 인공신경망 모듈(221)이 배치되었다. 그리고 번호판 이미지 재분석부(220)는 각 단계를 순차적으로 수행하여 번호판 이미지를 재분석 할 수 있다.
이때 각 재분석용 인공신경망 모듈(221)의 재분석 이력이 집계될 수 있다. 각 재분석용 인공신경망 모듈(221)의 재분석 이력은 국가나 지역 별로 집계될 수 있다. 도 8의 (a) 실시예에서 1단계 재분석에서 사용된 재분석용 인공신경망 모듈(221)은 B지역의 평균 재분석 신뢰도가 82%로 집계되었다. 또한 2단계 재분석에서 사용된 재분석용 인공신경망 모듈(221)은 B지역의 평균 재분석 신뢰도가 91%로 집계되었다.
그리고 번호판 이미지 재분석부(220)는 입차 관리 단말(100) 또는 출차 관리 단말(300)의 식별 정보에 기초하여 입차 관리 단말(100) 또는 출차 관리 단말(300)이 설치된 지역의 번호판 타입을 판단할 수 있다. 일 예로 식별 정보는 입차 관리 단말(100) 또는 출차 관리 단말(300)이 서버(200)에 접속한 IP 주소 또는 각 단말의 시리얼 넘버일 수 있다. 그리고 번호판 이미지 재분석부(220)는 해당 번호판 타입에 대한 과거 재분석 신뢰도 값들의 평균이 높은 순으로 복수의 재분석용 인공신경망 모듈(221)을 각 단계에 재배정할 수 있다.
일 예로 도 8의 (a)에서 B지역에 대한 평균 재분석 신뢰도는 1단계에 비해 2단계의 재분석용 인공신경망 모듈(221)에서 더 높다. 도 8의 (b)는 재배정이 이루어진 후의 각 단계별 재분석용 인공신경망 모듈(221)을 나타낸 것이다. 도 8의 (b)에 도시된 바와 같이 평균 재분석 신뢰도가 91%인 제1 이미지 전처리 유닛과 제2 재분석용 인공신경망 모델의 조합이 1단계에 배정되었다.
한편, 번호판 이미지 재분석부(220)는 평균 재분석 신뢰도가 하한치 미만인 재분석용 인공신경망 모듈(221)을 재분석 시 배제할 수 있다. 도 8의 (b) 실시예에서 하한치는 50%로 설정되었다. 일 예로 B지역의 번호판 이미지를 재분석 할 경우에는 평균 재분석 신뢰도가 47%인 하나의 재분석용 인공신경망 모듈(221)이 배제될 수 있다. 즉 재분석은 3단계로 이루어질 수 있다.
도 9는 본 발명의 다른 실시예에 따른 재분석 과정을 설명하기 위한 순서도이다. 도 9의 실시예에서 도 5의 실시예와 중복되는 과정의 설명은 생략하기로 한다.
도 9에 도시된 바와 같이 번호판 이미지 재분석부(220)는 출입 데이터베이스(210)에 저장된 입차 차량 데이터 세트들 중 분석 신뢰도가 가장 낮은 입차 차량 데이터 세트를 선택할 수 있다.(S310)
그리고 번호판 이미지 재분석부(220)는 복수의 재분석용 인공신경망 모듈(221)을 이용해 선택된 입차 차량 데이터 세트의 번호판 이미지를 병렬적으로 재분석할 수 있다.(S320)
이때 복수의 재분석용 인공신경망 모듈(221)은 도 5의 실시예와 같이 이미지 전처리 유닛과 재분석용 인공신경망 모델의 조합이 서로 상이한 상태이다.
일 예로 제1 조합에 속한 이미지 전처리 유닛과 재분석용 인공신경망 모델을 이용해 제1 임시 입차 차량번호 재분석 값이 생성될 수 있다. 또한 제2 조합에 속한 이미지 전처리 유닛과 재분석용 인공신경망 모델을 이용해 제2 임시 입차 차량번호 재분석 값이 생성될 수 있다.(S320b) 또한 제k 조합에 속한 이미지 전처리 유닛과 재분석용 인공신경망 모델을 이용해 제k 임시 입차 차량번호 재분석 값이 생성될 수 있다.(S320a~S320k) 이때 S320a 내지 S330k 단계는 병렬적으로 수행될 수 있다.
그리고 번호판 이미지 재분석부(220)는 가장 높은 빈도로 생성된 임시 입차 차량번호 재분석 값을 입차 차량번호 재분석 값으로 선정할 수 있다.(S330)
그리고 번호판 이미지 재분석부(220)는 입차 차량번호 재분석 값을 출입 데이터베이스(210)에 저장될 수 있다.(S340)
그리고 번호판 이미지 재분석부(220)는 다른 입차 차량 데이터 세트를 재분석 할 수 있다. 만약 모든 입차 차량 데이터 세트의 재분석이 완료되었다면 재분석은 종료될 수 있다.(S350)
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
발명의 실시를 위한 형태는 발명의 실시를 위한 최선의 형태에서 함께 기술되었다.
본 발명의 실시예에 따른 차량 출입 관리 시스템 및 차량 출입 관리 방법은, 입차 차량의 차량번호 분석 시 입차 차량번호 분석 값과 분석 신뢰도를 생성하고, 분석 신뢰도가 낮은 순으로 번호판 이미지를 재분석할 수 있다. 즉 오인식 가능성이 높은 입차 차량 순으로 재분석이 이루어지므로, 출입 데이터베이스의 전체적인 분석 신뢰도가 효율적으로 개선될 수 있으며, 다양한 조건 및 산업 현장에서 수행될 수 있다.

Claims (19)

  1. 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 입차 관리 단말;
    각 상기 입차 차량의 상기 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 수신하고, 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 서버; 및
    출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 출차 관리 단말을 포함하고,
    상기 출차 관리 단말은 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단하는 것인 차량 출입 관리 시스템.
  2. 제1항에 있어서,
    상기 입차 차량의 번호판 이미지, 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값은 상기 서버 또는 상기 출차 관리 단말이 접근 가능한 출입 데이터베이스에 상기 입차 차량 별로 매칭되어 저장되는 것인 차량 출입 관리 시스템.
  3. 제2항에 있어서,
    상기 입차 관리 단말은 상기 번호판 이미지를 입력받아 상기 입차 차량번호 분석 값 및 상기 분석 신뢰도 값을 결과 값으로 생성하는 엣지 인공신경망 모듈을 포함하고,
    상기 서버는 상기 번호판 이미지를 입력받아 상기 입차 차량번호 재분석 값 및 상기 재분석에 대한 재분석 신뢰도 값을 결과 값으로 도출하는 적어도 하나의 재분석용 인공신경망 모듈을 포함하고,
    상기 엣지 인공신경망 모듈과 상기 재분석용 인공신경망 모듈은 서로 상이한 것인 차량 출입 관리 시스템.
  4. 제3항에 있어서,
    상기 분석 신뢰도 값은 상기 출입 데이터베이스에 상기 입차 차량 별로 매칭되어 저장되고,
    상기 서버는 상기 분석 신뢰도 값이 낮은 입차 차량 순으로 결정된 재분석 우선순위에 따라 상기 재분석을 수행하는 것인 차량 출입 관리 시스템.
  5. 제4항에 있어서,
    상기 서버는 어느 하나의 입차 차량의 상기 재분석 신뢰도 값이 상기 분석 신뢰도 값보다 높으면, 상기 어느 하나의 입차 차량의 분석 신뢰도 값을 상기 재분석 신뢰도 값으로 갱신하는 것인 차량 출입 관리 시스템.
  6. 제5항에 있어서,
    상기 재분석 우선순위는 상기 분석 신뢰도 값의 갱신이 이루어질 때마다 상기 분석 신뢰도 값이 낮은 입차 차량 순으로 다시 결정되는 것인 차량 출입 관리 시스템.
  7. 제3항에 있어서,
    상기 서버는 서로 다른 복수의 재분석용 인공신경망 모듈을 구비하고,
    어느 하나의 상기 입차 차량에 대한 상기 재분석은 제1 내지 k 단계로 순차적으로 이루어지고,
    상기 서버는 상기 제1 내지 k 단계마다 다른 재분석용 인공신경망 모듈을 이용하여 임시 입차 차량번호 재분석 값 및 임시 재분석 신뢰도 값을 생성하고,
    특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면 상기 특정 단계에서의 상기 임시 입차 차량번호 재분석 값을 상기 어느 하나의 입차 차량에 대한 상기 입차 차량번호 재분석 값으로 결정하고, 상기 특정 단계에서 상기 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석을 수행하는 것인 차량 출입 관리 시스템.
  8. 제7항에 있어서,
    상기 서버는 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면, 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값을 상기 어느 하나의 입차 차량에 대한 상기 재분석 신뢰도 값으로 결정하고, 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값을 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값으로 갱신하는 것인 차량 출입 관리 시스템.
  9. 제7항에 있어서,
    상기 서버는 상기 어느 하나의 입차 차량에 대한 상기 재분석 시 마지막으로 수행된 단계에 대한 정보를 상기 출입 데이터베이스에 저장하고,
    상기 어느 하나의 입차 차량에 대한 상기 재분석을 다시 수행하게 되면 상기 마지막으로 수행된 단계 이후의 단계부터 상기 재분석을 수행하는 것인 차량 출입 관리 시스템.
  10. 제7항에 있어서,
    상기 서버는 상기 어느 하나의 입차 차량에 대한 상기 재분석이 상기 k 단계까지 완료되면 상기 어느 하나의 입차 차량을 상기 재분석의 대상에서 제외하는 것인 차량 출입 관리 시스템.
  11. 제7항에 있어서,
    상기 재분석용 인공신경망 모듈은 이미지 전처리 유닛 및 재분석용 인공신경망 모델을 포함하고,
    각각의 상기 재분석용 인공신경망 모듈에 속한 상기 이미지 전처리 유닛과 상기 재분석용 인공신경망 모델의 조합은 각각의 상기 재분석용 인공신경망 모듈 별로 상이한 것인 차량 출입 관리 시스템.
  12. 제7항에 있어서,
    상기 서버는 상기 입차 관리 단말 또는 상기 출차 관리 단말의 식별 정보에 기초하여 상기 입차 관리 단말 또는 상기 출차 관리 단말이 설치된 지역의 번호판 타입을 판단하고, 상기 번호판 타입에 대한 재분석 이력에 기초하여 상기 번호판 타입에 대한 과거 재분석 신뢰도 값들의 평균이 높은 순으로 상기 복수의 재분석용 인공신경망 모듈을 상기 제1 내지 k 단계에 배정하는 것인 차량 출입 관리 시스템.
  13. 제3항에 있어서,
    상기 서버는 서로 다른 복수의 재분석용 인공신경망 모듈을 구비하고,
    상기 복수의 재분석용 인공신경망 모듈은 각각 재분석을 수행하여 복수의 임시 입차 차량번호 재분석 값을 생성하고, 상기 복수의 임시 입차 차량번호 재분석 값 중 가장 높은 빈도로 생성된 임시 입차 차량번호 재분석 값을 입차 차량번호 재분석 값으로 선정하는 것인 차량 출입 관리 시스템.
  14. 차량 출입 관리 시스템을 이용한 차량 출입 관리 방법으로서,
    a) 상기 차량 출입 관리 시스템이 입차 차량들의 번호판 이미지를 분석하여 상기 입차 차량 별로 입차 차량번호 분석 값 및 상기 분석에 대한 분석 신뢰도 값을 생성하는 단계;
    b) 상기 차량 출입 관리 시스템이 상기 분석 신뢰도 값이 임계치 미만인 입차 차량의 번호판 이미지를 재분석하여 입차 차량번호 재분석 값을 생성하는 단계;
    c) 상기 차량 출입 관리 시스템이 출차 차량의 번호판 이미지를 분석하여 출차 차량번호 분석 값을 획득하는 단계; 및
    d) 상기 차량 출입 관리 시스템이 상기 입차 차량번호 분석 값 및 상기 입차 차량번호 재분석 값 중 적어도 하나가 상기 출차 차량번호 분석 값과 매칭되는 입차 차량을 상기 출차 차량으로 판단하는 단계를 포함하는 차량 출입 관리 방법.
  15. 제14항에 있어서,
    상기 b) 단계는 상기 분석 신뢰도 값이 낮은 순으로 상기 입차 차량의 번호판 이미지를 재분석 하는 것인 차량 출입 관리 방법
  16. 제14항에 있어서,
    상기 b) 단계에서 상기 재분석은 제1 내지 k 단계로 순차적으로 이루어지고,
    각 상기 제1 내지 k 단계는 서로 다른 재분석용 인공신경망 모듈을 이용해 임시 입차 차량번호 재분석 값 및 임시 재분석 신뢰도 값을 생성하고,
    어느 하나의 입차 차량에 대한 상기 재분석 시, 상기 제1 내지 k 단계 중 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량의 상기 분석 신뢰도 값 이상이면 상기 특정 단계에서의 상기 임시 입차 차량번호 재분석 값을 상기 어느 하나의 입차 차량의 입차 차량번호 재분석 값으로 결정하고, 상기 특정 단계에서 상기 어느 하나의 입차 차량에 대한 재분석을 종료하고 다른 입차 차량의 재분석을 수행하는 것인 차량 출입 관리 방법.
  17. 제16항에 있어서,
    상기 특정 단계에서의 상기 임시 재분석 신뢰도 값이 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값 이상이면, 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값을 상기 어느 하나의 입차 차량에 대한 상기 재분석 신뢰도 값으로 결정하고, 상기 어느 하나의 입차 차량에 대한 상기 분석 신뢰도 값을 상기 특정 단계에서의 상기 임시 재분석 신뢰도 값으로 갱신하는 것인 차량 출입 관리 방법.
  18. 제16항에 있어서,
    상기 어느 하나의 입차 차량에 대한 상기 재분석을 다시 수행할 경우, 다시 수행되는 재분석은 상기 어느 하나의 입차 차량에 대해 마지막으로 수행된 상기 재분석 단계 이후의 재분석 단계부터 이루어지는 것인 차량 출입 관리 방법.
  19. 제14항에 있어서,
    상기 b) 단계는
    서로 다른 복수의 재분석용 인공신경망 모듈을 이용해 각 상기 재분석용 인공신경망 모듈 별로 복수의 임시 입차 차량번호 재분석 값을 생성하는 단계; 및
    상기 복수의 임시 입차 차량번호 재분석 값 중 가장 높은 빈도로 생성된 상기 임시 입차 차량번호 재분석 값을 상기 입차 차량번호 재분석 값으로 선정하는 단계를 포함하는 것인 차량 출입 관리 방법.
PCT/KR2022/006052 2021-04-27 2022-04-27 차량 출입 관리 시스템 및 차량 출입 관리 방법 WO2022231318A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210054336A KR102362293B1 (ko) 2021-04-27 2021-04-27 차량 출입 관리 시스템 및 차량 출입 관리 방법
KR10-2021-0054336 2021-04-27

Publications (1)

Publication Number Publication Date
WO2022231318A1 true WO2022231318A1 (ko) 2022-11-03

Family

ID=80254022

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/006052 WO2022231318A1 (ko) 2021-04-27 2022-04-27 차량 출입 관리 시스템 및 차량 출입 관리 방법

Country Status (2)

Country Link
KR (1) KR102362293B1 (ko)
WO (1) WO2022231318A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102362293B1 (ko) * 2021-04-27 2022-02-14 주식회사 실리콘큐브 차량 출입 관리 시스템 및 차량 출입 관리 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101240617B1 (ko) * 2012-08-31 2013-03-11 딕스비전 주식회사 인식 알고리즘이 이중화된 차량번호 인식 시스템 및 방법
KR20150078971A (ko) * 2013-12-31 2015-07-08 대보정보통신 주식회사 차량번호 인식장치 및 그 방법
KR101874427B1 (ko) * 2018-04-03 2018-07-04 에스트래픽(주) 차량번호 인식방법
KR20190107940A (ko) * 2018-03-13 2019-09-23 한국도로공사 개별문자 신뢰도를 통한 차량번호판 인식 시스템 및 그 동작 방법
KR20190129521A (ko) * 2018-05-11 2019-11-20 파킹클라우드 주식회사 클라우드 환경에서 차량 번호판의 인식 및 처리를 위한 시스템 및 방법
KR102362293B1 (ko) * 2021-04-27 2022-02-14 주식회사 실리콘큐브 차량 출입 관리 시스템 및 차량 출입 관리 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101240617B1 (ko) * 2012-08-31 2013-03-11 딕스비전 주식회사 인식 알고리즘이 이중화된 차량번호 인식 시스템 및 방법
KR20150078971A (ko) * 2013-12-31 2015-07-08 대보정보통신 주식회사 차량번호 인식장치 및 그 방법
KR20190107940A (ko) * 2018-03-13 2019-09-23 한국도로공사 개별문자 신뢰도를 통한 차량번호판 인식 시스템 및 그 동작 방법
KR101874427B1 (ko) * 2018-04-03 2018-07-04 에스트래픽(주) 차량번호 인식방법
KR20190129521A (ko) * 2018-05-11 2019-11-20 파킹클라우드 주식회사 클라우드 환경에서 차량 번호판의 인식 및 처리를 위한 시스템 및 방법
KR102362293B1 (ko) * 2021-04-27 2022-02-14 주식회사 실리콘큐브 차량 출입 관리 시스템 및 차량 출입 관리 방법

Also Published As

Publication number Publication date
KR102362293B1 (ko) 2022-02-14

Similar Documents

Publication Publication Date Title
WO2021002549A1 (ko) 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법
WO2020145488A1 (ko) 빅데이터를 이용한 태양광 패널 불량 검출 시스템
WO2023287064A1 (ko) 이상 데이터 자동 검출 및 자동 라벨링 기술을 이용한 학습 데이터베이스 구축 방법 및 시스템
WO2020111754A2 (ko) 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템
WO2020050461A1 (ko) 드론을 이용한 태양광 패널의 검사 방법 및 시스템
WO2022231318A1 (ko) 차량 출입 관리 시스템 및 차량 출입 관리 방법
WO2016125941A1 (ko) 환경 오염 예측 시스템 및 방법
WO2021230660A1 (ko) 크라우드소싱 기반 프로젝트의 기능요소 및 난이도에 기반한 작업자 풀 자동 생성 방법 및 장치
WO2013042928A1 (ko) 부분방전 결함유형 판정 방법 및 그 장치
WO2021040265A1 (ko) 평균 반려율을 이용한 작업자 능숙도 측정 방법 및 장치
WO2016133234A1 (ko) 동적으로 할당되는 카메라 영상을 분석하는 영상 분석 시스템, 이를 포함하는 통합 관제 시스템 및 그 동작방법
WO2022019500A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트에서의 실습 교육 참여자에 대한 보상형 실습 교육 제공 방법, 그 장치 및 그 컴퓨터 프로그램
WO2020101457A2 (ko) 지도학습기반의 합의 진단방법 및 그 시스템
WO2022114653A1 (ko) 데이터 경계 도출 시스템 및 방법
WO2021033792A1 (ko) Ai 기반의 사전 훈련 모델 결정 시스템 및 이를 이용한 제품 생산 라인을 위한 ai 기반의 비전 검사 관리 시스템
WO2021118040A1 (ko) 딥러닝 기반 유사 텍스트를 필터링하는 방법 및 그를 이용한 장치
WO2019035544A1 (ko) 학습을 이용한 얼굴 인식 장치 및 방법
WO2016208870A1 (ko) 차량 번호 판독 장치 및 그 방법
WO2022075714A1 (ko) 화자 인식을 위한 음성인식기 기반 풀링 기법의 화자 임베딩 추출 방법 및 시스템, 그리고 이를 위한 기록매체
WO2021133076A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업단가 관리 방법 및 장치
WO2022139009A1 (ko) 자율 주행을 위한 딥러닝 알고리즘 설정 방법 및 장치
WO2023282500A1 (ko) 슬라이드 스캔 데이터의 자동 레이블링 방법, 장치 및 프로그램
WO2022005111A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업 결과에 기초한 작업자에 대한 검수 권한 자동 부여 방법, 그 장치 및 그 컴퓨터 프로그램
WO2023113158A1 (ko) 범죄 행위자 프로파일링 방법, 이를 수행하는 장치 및 컴퓨터 프로그램
WO2023033270A1 (ko) 딥러닝 기반 분석 결과 예측 방법 및 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22796150

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22796150

Country of ref document: EP

Kind code of ref document: A1