KR100722966B1 - Method for optimizing image for vehicle's identification plate - Google Patents

Method for optimizing image for vehicle's identification plate Download PDF

Info

Publication number
KR100722966B1
KR100722966B1 KR1020060080014A KR20060080014A KR100722966B1 KR 100722966 B1 KR100722966 B1 KR 100722966B1 KR 1020060080014 A KR1020060080014 A KR 1020060080014A KR 20060080014 A KR20060080014 A KR 20060080014A KR 100722966 B1 KR100722966 B1 KR 100722966B1
Authority
KR
South Korea
Prior art keywords
license plate
image
histogram
brightness
candidate group
Prior art date
Application number
KR1020060080014A
Other languages
Korean (ko)
Inventor
강현인
설성욱
곽한섭
이철헌
Original Assignee
(주) 인펙
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 (주) 인펙 filed Critical (주) 인펙
Priority to KR1020060080014A priority Critical patent/KR100722966B1/en
Application granted granted Critical
Publication of KR100722966B1 publication Critical patent/KR100722966B1/en
Priority to PCT/KR2007/003235 priority patent/WO2008023886A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

번호판 영역 후보군의 검출을 위하여 밝기 변환(intensity transformation)을 수행하고, 밝기 변환이 수행된 영상에 대해 경계선을 검출하고, 상기 경계선 검출된 영상에서 템플릿 마스크를 적용하여 번호판 영역 후보군을 검출하며, 상기 번호판 영역 후보군으로부터 번호판 영역을 분리하고 상기 분리한 번호판 영역의 영상으로 히스토그램 제어를 하여 영상 품질을 최적화하여 차량 번호판 영상을 최적화하는 방법이 개시된다.Intensity transformation is performed to detect a license plate region candidate group, a boundary line is detected for an image on which the brightness transformation is performed, a template mask is applied to the license plate detected image, and a license plate region candidate group is detected. Disclosed is a method of optimizing a vehicle license plate image by optimizing image quality by separating license plate regions from region candidate groups and performing histogram control on the images of the separated license plate regions.

인식, 최적화, 밝기, 변환, 경계선, 템플릿, 히스토그램, 역광, 전반사 Recognition, Optimization, Brightness, Conversion, Borders, Templates, Histogram, Backlight, Total Reflection

Description

차량 번호판 영상 최적화 방법{Method for optimizing image for vehicle's identification plate}Method for optimizing image for vehicle's identification plate}

도 1은 본 발명에 따른 방법을 설명하는 플로차트이다.1 is a flow chart illustrating a method according to the invention.

도 2(a) 내지 2(c)는 역광하에서 촬영된 입력 영상에 대해 각각 γ가 1.0, 0.5, 그리고 2.0인 경우, 밝기 변환된 출력 영상을 나타내는 사진이다.2 (a) to 2 (c) are photographs showing output images of which brightness is converted when gamma is 1.0, 0.5, and 2.0 for the input image photographed under backlight.

도 3(a) 내지 3(c)은 전반사가 일어난 입력 영상에 대해 각각 γ가 1.0, 0.5, 그리고 2.0인 경우, 밝기 변환된 출력 영상을 나타내는 사진이다.3 (a) to 3 (c) are photographs showing output images in which brightness is converted when gamma is 1.0, 0.5, and 2.0 with respect to the input image in which total reflection occurs.

도 4(a)와 4(b)는 각각 역광하에 촬영된 영상과 전반사가 일어난 영상에 대해 γ = 2.0 및 0.5로 밝기 변환한 영상에 대해 경계선 검출한 출력 영상을 나타내는 사진이다.4 (a) and 4 (b) are photographs showing the edge-detected output image of the image photographed under backlight and the brightness-converted image at gamma = 2.0 and 0.5 for the image in which total reflection occurs.

도 5(a)와 5(b)는 각각 도 4(a)와 4(b)에 대해 템플릿 마스크를 적용하여 검출한 번호판 영역 후보군을 나타낸다.5 (a) and 5 (b) show license plate area candidate groups detected by applying a template mask to FIGS. 4 (a) and 4 (b), respectively.

도 6(a)은 템플릿 마스크를 이용하여 찾은 번호판 영역 영상을 나타내고, 도 6(b)은 히스토그램 정규화와 히스토그램 확장을 수행한 번호판 영역 영상을 나타낸다.6 (a) shows the license plate area image found using the template mask, and FIG. 6 (b) shows the license plate area image obtained by performing histogram normalization and histogram expansion.

도 7은 추출한 개별 문자의 예를 보여준다.7 shows an example of extracted individual characters.

본 발명은 차량 번호판 영상 최적화 방법에 관한 것으로, 특히 차량의 번호판으로부터 차량 번호를 인식하는 과정에서 문자를 추출하기 전에 제공되는 영상의 품질을 최적화할 수 있는 방법에 관한 것이다.The present invention relates to a vehicle license plate image optimization method, and more particularly, to a method for optimizing the quality of an image provided before extracting a character in a process of recognizing a vehicle number from a license plate of a vehicle.

빌딩이 고급화되고 무인 관리 시스템이 도입되면서, 주차장에서 차량의 진입, 진출을 자동으로 관리하는 시스템이 개발 및 도입되고 있다. 또한, 무인 단속 카메라의 증가 추세로 말미암아, 이를 관리하고자 하는 시스템 역시 그 개발이 계속되고 있다.As buildings are advanced and unmanned management systems are introduced, systems for automatically managing the entry and exit of vehicles in parking lots are being developed and introduced. In addition, due to the increasing trend of unmanned cameras, the system to manage them continues to be developed.

이러한 관리 시스템은, 주로 차량의 번호판을 인식하여 차량의 정보를 입력받아 그 차량을 관리하는 것으로서, 무인으로 차량의 통행을 관리하고 제어할 수 있으므로, 편리함과 효율성이 증대되는 장점이 있다.Such a management system mainly manages a vehicle by receiving a vehicle's license plate by recognizing a license plate of the vehicle, and has an advantage of increasing convenience and efficiency since the vehicle can be managed and controlled unattended.

그러나, 종래의 차량 번호판 인식 시스템은, 그 번호판의 인식이 부정확하여, 번호판을 정확하게 인식하는 기술이 시급하게 요구되고 있다.However, in the conventional vehicle license plate recognition system, the recognition of the license plate is inaccurate, and a technique for accurately recognizing the license plate is urgently required.

일반적으로, 차량 번호판을 인식하는 방법은 크게 디지털 카메라를 이용하여 획득한 번호판 영상으로부터 번호판 영역을 추출하는 단계(localization), 추출된 번호판 영역을 이용하여 개별문자를 추출하는 단계(segmentation), 및 추출된 개별문자에 기초하여 표준문자 데이터베이스로부터 유사도 판단을 통하여 문자를 인식하는 단계(recognition)로 이루어진다.In general, a method for recognizing a vehicle license plate includes a step of localizing a license plate area from a license plate image obtained by using a digital camera, a step of extracting an individual character using the extracted license plate area, and extracting it. Recognition is performed by determining similarity from the standard character database based on the individual characters.

이들 단계 중에서 번호판 영역의 추출에 있어서의 정확성은 전체 인식률에 지대한 영향을 줄 수 있기 때문에, 다양한 날씨나 주위 환경 변화에서도 정확성이 요구된다. Among these steps, the accuracy in the extraction of the license plate area can greatly affect the overall recognition rate, so that accuracy is required even in various weather and environmental changes.

종래에는 카메라 렌즈의 자동 조리개 조절(auto-iris control) 기능을 활용하여 주변 밝기 변화에 무관한 일정한 밝기의 영상을 획득하였다. 그러나, 이 경우, 특정 시간대 및 조건하에서 영상이 포화하여 번호판 영상이 하얗게 또는 검게 촬영되어 번호판 영역의 추출이 불가능하다는 문제점이 있다. 다시 말해, 촬영 영상의 전체의 밝기는 목표 값에 도달하도록 하지만, 최종 목표로 하는 번호판 영역의 밝기는 적절하지 않게 된다.In the related art, an auto-iris control function of a camera lens is used to acquire an image of a constant brightness irrespective of a change in ambient brightness. However, in this case, there is a problem that the license plate image is saturated under a specific time zone and conditions, so that the license plate image is photographed in white or black, so that extraction of the license plate area is impossible. In other words, the brightness of the entire captured image reaches the target value, but the brightness of the license plate area as the final target is not appropriate.

따라서, 본 발명의 목적은 차량 번호판 인식을 위하여 관심 영역인 차량 번호판 영역의 밝기 및/또는 영상 품질을 최적화한 영상을 제공하는 것이다.Accordingly, an object of the present invention is to provide an image in which the brightness and / or the image quality of the vehicle license plate area, which is a region of interest, are optimized for vehicle license plate recognition.

본 발명의 다른 목적과 이점 및 특징은 이하에 설명하는 실시예로부터 명확하게 이해될 것이다.Other objects, advantages and features of the present invention will become apparent from the examples described below.

본 발명에 따르면, 번호판 영역 후보군의 검출을 위하여 밝기 변환(intensity transformation)을 수행하는 단계; 밝기 변환이 수행된 영상에 대해 경계선을 검출하고, 상기 경계선 검출된 영상에서 템플릿 마스크를 적용하여 번호판 영역 후보군을 검출하는 단계; 및 상기 번호판 영역 후보군으로부터 번호판 영역을 분리하고 상기 분리한 번호판 영역의 영상으로 히스토그램 제어를 하여 영상 품질을 최적화하는 단계를 포함하는 차량 번호판 영상 최적화 방법이 개시된다.According to the present invention, there is provided a method, comprising: performing intensity transformation to detect a license plate region candidate group; Detecting a boundary line for the image on which brightness conversion has been performed, and detecting a license plate region candidate group by applying a template mask to the edge-detected image; And optimizing the image quality by separating the license plate area from the license plate area candidate group and performing histogram control on the image of the separated license plate area.

바람직하게, 상기 밝기 변환은 다음 식을 적용하여 수행될 수 있다.Preferably, the brightness conversion may be performed by applying the following equation.

Figure 112006060206712-pat00001
Figure 112006060206712-pat00001

여기서, x= 0, 1, 2, ....., n이고, gx는 입력 화소 값이고, fx는 밝기 천이가 이루어진 출력 화소 값이다.Here, x = 0, 1, 2, ....., n, g x is the input pixel value, f x is the output pixel value to which the brightness transition is made.

또한, 상기 밝기 변환은 역광하에서 촬영된 입력 영상 및/또는 전반사가 일어난 입력 영상에 대해 수행될 수 있다.In addition, the brightness conversion may be performed on an input image photographed under backlight and / or an input image in which total reflection occurs.

바람직하게, 상기 히스토그램 제어는 히스토그램 정규화(equalization)와 히스토그램 확장(stretching)은 포함하며, 상기 히스토그램 정규화는 다음의 식을 적용하여 수행되고, Preferably, the histogram control includes histogram normalization and histogram stretching, and the histogram normalization is performed by applying the following equation,

Figure 112007033195068-pat00026
Figure 112007033195068-pat00026

여기서 L은 그레이 레벨(grey level)의 개수를 나타내고, nj는 동일한 그레이 레벨의 화소 수이고 nmax는 동일한 그레이 레벨의 화소 수중 최대값이다. 따라서 gj는 각 그레이 레벨의 정규화된 화소 수를 나타낸다.Where L represents the number of gray levels, n j is the number of pixels of the same gray level and n max is the maximum value among the number of pixels of the same gray level. G j thus represents the normalized number of pixels in each gray level.

상기 히스토그램 확장은 다음 식을 적용하여 수행될 수 있다.The histogram expansion may be performed by applying the following equation.

Figure 112007033195068-pat00027
Figure 112007033195068-pat00027

여기서, x는 각 그레이 레벨의 개수, 즉 히스토그램의 확장 대상이 되는 히스토그램 bin 중 하나의 값이고, Hlow와 Hhigh는 각각 히스토그램의 하한치 및 상한치 문턱 값(threshold)이다. 따라서, f(x)는 확장된 히스토그램 값이다.Here, x is the number of each gray level, that is, the value of one of the histogram bins to be extended of the histogram, and H low and H high are the lower and upper thresholds of the histogram, respectively. Thus, f (x) is an extended histogram value.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 설명한다.Hereinafter, with reference to the accompanying drawings will be described an embodiment of the present invention.

도 1은 본 발명에 따른 방법을 설명하는 플로차트이다.1 is a flow chart illustrating a method according to the invention.

먼저, 획득한 영상으로부터 경계선 검출을 통해 번호판 영역의 후보군을 확보하는데, 다양한 주변 환경에서도 번호판의 경계선이 획득되는 장점이 있다. 후보군 검색은 번호판 템플릿 마스크(template mask)를 이용하여 마스크 내부 흑백 분포 특징을 검출하여 수행한다.First, the candidate group of the license plate area is secured by detecting the boundary line from the acquired image, and there is an advantage that the boundary line of the license plate is obtained even in various surrounding environments. Candidate group searching is performed by detecting a black and white distribution feature within the mask using a template plate mask.

이러한 후보군 검색에 있어서, 영상의 밝기가 한쪽으로 치우쳐 있는 경우, 가령 역광이나 전반사 현상이 일어나는 경우에는 번호판 영역의 후보군을 검출하지 못한다.In the candidate group search, when the brightness of the image is biased to one side, for example, when a backlight or total reflection occurs, the candidate group in the license plate area cannot be detected.

본 발명에 따르면, 이러한 경우에 있어서 번호판 영역 후보군의 검출을 위하여 밝기 변환(intensity transformation)을 수행한다(단계 S11).According to the present invention, in this case, intensity transformation is performed to detect the license plate region candidate group (step S11).

바람직하게, 밝기 변환은 다음의 식을 적용하여 수행할 수 있다.Preferably, the brightness conversion may be performed by applying the following equation.

Figure 112006060206712-pat00004
Figure 112006060206712-pat00004

여기서, x= 0, 1, 2, ....., n이다.Where x = 0, 1, 2, ....., n.

gx는 입력 화소 값이고, fx는 밝기 천이가 이루어진 출력 화소 값이다.g x is the input pixel value, and f x is the output pixel value at which the brightness transition is made.

도 2(a) 내지 2(c)는 역광하에서 촬영된 입력 영상에 대해 각각 γ가 1.0, 0.5, 그리고 2.0인 경우, 밝기 변환된 출력 영상을 나타내는 사진이다.2 (a) to 2 (c) are photographs showing output images of which brightness is converted when gamma is 1.0, 0.5, and 2.0 for the input image photographed under backlight.

도 2(a)와 2(b)에 도시된 바와 같이, γ가 1.0 및 0.5인 경우에는 번호판 영역 후보군이 검출되지 않았지만, γ가 2.0인 경우에는 번호판 영역 후보군이 검출되었다.As shown in Figs. 2A and 2B, license plate area candidate groups were not detected when γ was 1.0 and 0.5, whereas license plate area candidate groups were detected when γ was 2.0.

또한, 도 3(a) 내지 3(c)은 전반사가 일어난 입력 영상에 대해 각각 γ가 1.0, 0.5, 그리고 2.0인 경우, 밝기 변환된 출력 영상을 나타내는 사진이다.3 (a) to 3 (c) are photographs showing the brightness-converted output image when γ is 1.0, 0.5, and 2.0 for the input image in which total reflection is generated.

도 3(a)과 3(b)에 도시된 바와 같이, γ가 1.0 및 0.5인 경우에는 번호판 영역 후보군이 검출되었지만, γ가 2.0인 경우에는 번호판 영역 후보군이 검출되지 않았다.As shown in Figs. 3A and 3B, license plate area candidate groups were detected when γ was 1.0 and 0.5, but no license plate area candidate group was detected when γ was 2.0.

다음, 이와 같이 밝기 변환이 수행된 영상에 대해 번호판 영역 후보군을 검출한다(단계 S12).Next, the license plate area candidate group is detected for the image in which the brightness conversion is performed as described above (step S12).

이를 위해 먼저 밝기 변환 식을 통하여 얻어진 영상의 경계선을 검출한다. 경계선 검출에는, 예를 들어, 다음의 DoG(Difference of Gaussian) 연산자를 적용할 수 있다.To this end, the boundary of the image obtained through the brightness conversion equation is first detected. For example, the following Difference of Gaussian (DoG) operator can be applied to edge detection.

Figure 112006060206712-pat00005
Figure 112006060206712-pat00005

DoG 연산자는 영상처리 분야에서 잘 알려진 기술이므로 상세한 설명을 생략한다.The DoG operator is well known in the field of image processing, and thus a detailed description thereof will be omitted.

도 4(a)와 4(b)는 각각 역광하에 촬영된 영상과 전반사가 일어난 영상에 대해 γ = 2.0 및 0.5로 밝기 변환한 영상에 대해 경계선 검출한 출력 영상을 나타내는 사진이다.4 (a) and 4 (b) are photographs showing the edge-detected output image of the image photographed under backlight and the brightness-converted image at gamma = 2.0 and 0.5 for the image in which total reflection occurs.

다음, 경계선 검출된 영상에서, 도 5에 도시한 바와 같이, 템플릿 마스크를 적용하여 번호판 영역 후보군을 찾는다.Next, in the boundary-detected image, as shown in FIG. 5, a template mask is applied to find a license plate area candidate group.

사각형의 번호판 내부에서 글자 부분은 경계선 값이 존재하고, 나머지 부분은 경계선 값이 존재하지 않기 때문에, 이를 이용하여 후보군이 존재하는 부분을 찾을 수 있다.Since the letter portion has a boundary value and the remaining portion does not have a boundary value within the license plate of the rectangle, it is possible to find a portion where a candidate group exists.

이와 같이 번호판 영역 후보군을 찾아낸 다음, 선택적으로 개별문자의 추출 성능을 향상시키기 위하여 번호판 영역을 분리하고 분리한 번호판 영역의 영상으로 히스토그램 제어를 하여 영상 품질을 최적화할 수 있다.In this way, after finding the license plate region candidate group, the image quality can be optimized by separating the license plate region and performing histogram control on the image of the license plate region to selectively extract individual characters.

먼저, 다음의 식을 이용하여 히스토그램 정규화(histogram equalization)를 수행한다(단계 S13).First, histogram equalization is performed using the following equation (step S13).

Figure 112007033195068-pat00028
Figure 112007033195068-pat00028

여기서 L은 그레이 레벨(grey level)의 개수를 나타내고, nj는 동일한 그레이 레벨의 화소 수이고 nmax는 동일한 그레이 레벨의 화소 수중 최대값이다. 따라서 gj는 각 그레이 레벨의 정규화된 화소 수를 나타낸다.Where L represents the number of gray levels, n j is the number of pixels of the same gray level and n max is the maximum value among the number of pixels of the same gray level. G j thus represents the normalized number of pixels in each gray level.

이어, 다음의 식을 이용하여 히스토그램 확장(histogram stretching)을 수행한다(단계 S14).Then, histogram stretching is performed using the following equation (step S14).

Figure 112007033195068-pat00029
Figure 112007033195068-pat00029

여기서, x는 각 그레이 레벨의 개수, 즉 히스토그램의 확장 대상이 되는 히스토그램 bin 중 하나의 값이고, Hlow와 Hhigh는 각각 히스토그램의 하한치 및 상한치 문턱 값(threshold)이다. 따라서, f(x)는 확장된 히스토그램 값이다. 이 문턱 값들은 동적으로 결정하거나, Hlow = 10 Hhigh = 240의 고정 값을 사용할 수도 있다.Here, x is the number of each gray level, that is, the value of one of the histogram bins to be extended of the histogram, and H low and H high are the lower and upper thresholds of the histogram, respectively. Thus, f (x) is an extended histogram value. These thresholds can be determined dynamically, or a fixed value of H low = 10 H high = 240 can be used.

도 6(a)은 템플릿 마스크를 이용하여 찾은 번호판 영역 영상을 나타내고, 도 6(b)은 히스토그램 정규화와 히스토그램 확장을 수행한 번호판 영역 영상을 나타낸다.6 (a) shows the license plate area image found using the template mask, and FIG. 6 (b) shows the license plate area image obtained by performing histogram normalization and histogram expansion.

이상의 과정을 통하여 관심 영역(region of interest)인 차량 번호판 영역의 밝기와 영상 품질을 최적화한 후 개별문자 추출과 문자인식을 수행한다.Through the above process, the brightness and image quality of the vehicle license plate area, which is the region of interest, are optimized, and then individual character extraction and character recognition are performed.

먼저, 추출된 번호판 후보군 영역을 이용하여 개별 문자를 추출하는데, 경계선 영상의 데이터를 이용하지 않고, 그레이 레벨의 원래 영상을 이용한다(단계 S15). 즉, 후보군 영역에서 그레이 레벨의 영상값을 이용하여 이진화하고, 이진화된 영상을 이용하여 개별 문자를 추출한다. 이진화는 다음의 식을 이용하여 수행될 수 있으며, 이 방법에 의하면 다양한 주위 환경에서 정확한 개별 문자를 추출할 수 있다.First, individual characters are extracted using the extracted license plate candidate group region, and the original image of gray level is used, without using the data of the boundary image (step S15). That is, binarization is performed using gray level image values in the candidate group region, and individual characters are extracted using the binarized image. Binarization can be performed using the following equation, which allows the extraction of the exact individual characters in various surroundings.

Figure 112006060206712-pat00008
Figure 112006060206712-pat00008

N×M 크기의 영상에 대하여 화소별 그레이 레벨의 크기

Figure 112007033195068-pat00030
에 대한 평균값을 구한다. σ는 표준 편차를 나타내며 Th는 임의의 임계값이다.
Figure 112007033195068-pat00031
는 임계값에 의하여 2치화된 결과값이다. 임계값의 결정은 평균값과 표준 편차에 근거한 경험적으로 하지만 8비트 그레이 영상의 경우 그 중간값인 128을 강제 배정하여 사용하는 것이 일반적이다.
도 7은 상기한 식을 이용하여 추출한 개별 문자의 예를 보여준다.Size of gray level per pixel for N × M sized images
Figure 112007033195068-pat00030
Find the average value for. σ represents the standard deviation and T h is an arbitrary threshold.
Figure 112007033195068-pat00031
Is the result binarized by the threshold. The determination of the threshold is empirically based on the mean and standard deviation, but for 8-bit gray images it is common to use the median of 128, which is the median.
7 shows examples of individual characters extracted by using the above-described formula.

이어, 추출된 개별 문자에 기초하여 문자 인식을 수행한다(단계 S16).Then, character recognition is performed based on the extracted individual characters (step S16).

구체적으로, 학습 시간을 단축하고, 손상된 특정자형을 쉽게 등록하여 처리할 수 있도록 한글 및 개별 숫자에 해당하는 자형을 표준자형으로 데이터베이스에 등록해두고, 추출된 글자와 유사도가 가장 높은 자형을 데이터베이스로부터 검색한다. 데이터베이스의 특성상 자료 입력, 삭제 및 검색이 용이하다는 특징이 있다. 이는 손상되었거나 노후한 색상으로 인한 새로운 자형에 대한 등록 및 검색이 용이하다는 것을 의미한다.In detail, in order to reduce the learning time and easily register and process damaged specific shapes, the letters corresponding to Hangul and individual numbers are registered in the database as standard letters, and the shapes with the highest similarity to the extracted letters are searched from the database. do. Due to the nature of the database, it is easy to input, delete and search data. This means that registration and retrieval of new shapes due to damaged or obsolete colors is easy.

이상에서는 본 발명의 바람직한 실시예를 중심으로 설명하였지만, 당업자의 수준에서 다양한 변경이 가능하면, 이러한 변경이 본 발명의 범주를 벗어나지 않는 한, 본 발명에 속하는 것으로 해석되어야 한다.Although the above has been described with reference to the preferred embodiment of the present invention, various changes are possible at the level of those skilled in the art, and should be construed as belonging to the present invention as long as such changes do not depart from the scope of the present invention.

본 발명에 따르면, 차량 번호판 인식을 위하여 관심 영역인 차량 번호판 영역의 밝기 및/또는 영상 품질을 최적화한 영상을 제공함으로써 개별 문자의 추출을 정확하게 할 수 있고, 이에 따라 문자 인식을 정확하게 수행할 수 있다는 이점이 있다.According to the present invention, it is possible to accurately extract the individual characters by providing an image that optimizes the brightness and / or image quality of the area of the license plate, which is the region of interest, for the license plate recognition, thereby accurately performing the character recognition. There is an advantage.

Claims (4)

삭제delete 번호판 영역 후보군의 검출을 위하여 밝기 변환(intensity transformation)을 수행하는 단계;Performing intensity transformation to detect a license plate region candidate group; 밝기 변환이 수행된 영상에 대해 경계선을 검출하고, 상기 경계선 검출된 영상에서 템플릿 마스크를 적용하여 번호판 영역 후보군을 검출하는 단계; 및Detecting a boundary line for the image on which brightness conversion has been performed, and detecting a license plate region candidate group by applying a template mask to the edge-detected image; And 상기 번호판 영역 후보군으로부터 번호판 영역을 분리하고 상기 분리한 번호판 영역의 영상으로 히스토그램 제어를 하여 영상 품질을 최적화하는 단계를 포함하며,Separating the license plate area from the license plate area candidate group and performing histogram control on the image of the separated license plate area to optimize image quality, 상기 밝기 변환은 다음 식을 적용하여 수행되는 것을 특징으로 하는 차량 번호판 영상 최적화 방법.The brightness conversion is a vehicle license plate image optimization method characterized in that is performed by applying the following equation.
Figure 112007033195068-pat00009
Figure 112007033195068-pat00009
 (여기서, x= 0, 1, 2, ....., n이고, gx는 입력 화소 값이고, fx는 밝기 천이가 이루어진 출력 화소 값이다)(Where x = 0, 1, 2, ....., n, g x is the input pixel value, and f x is the output pixel value at which the brightness transition is made) 청구항 2에 있어서,The method according to claim 2, 상기 밝기 변환은 역광하에서 촬영된 입력 영상 및/또는 전반사가 일어난 입력 영상에 대해 수행되는 것을 특징으로 하는 차량 번호판 영상 최적화 방법.Wherein the brightness conversion is performed on an input image photographed under backlight and / or an input image in which total reflection occurs. 청구항 2에 있어서,The method according to claim 2, 상기 히스토그램 제어는 히스토그램 정규화(equalization)와 히스토그램 확장(stretching)은 포함하며,The histogram control includes histogram normalization and histogram stretching, 상기 히스토그램 정규화는 다음의 식을 적용하여 수행되고, The histogram normalization is performed by applying the following equation,
Figure 112007033195068-pat00032
Figure 112007033195068-pat00032
 (여기서 L은 그레이 레벨(grey level)의 개수를 나타내고, nj는 동일한 그레이 레벨의 화소 수이고 nmax는 동일한 그레이 레벨의 화소 수중 최대값이며, gj는 각 그레이 레벨의 정규화된 화소 수를 나타낸다)Where L is the number of gray levels, n j is the number of pixels of the same gray level, n max is the maximum of the number of pixels of the same gray level, and g j is the number of normalized pixels of each gray level. Indicates) 상기 히스토그램 확장은 다음 식을 적용하여 수행되는 것을 특징으로 하는 차량 번호판 영상 최적화 방법.The histogram expansion is performed by applying the following equation.
Figure 112007033195068-pat00033
Figure 112007033195068-pat00033
 (여기서, x는 각 그레이 레벨의 개수, 즉 히스토그램의 확장 대상이 되는 히스토그램 중 하나의 값이고, Hlow와 Hhigh는 각각 히스토그램의 하한치 및 상한치 문턱 값(threshold)이며, f(x)는 확장된 히스토그램 값이다)Where x is the number of each gray level, that is, the value of one of the histograms to be expanded of the histogram, H low and H high are the lower and upper thresholds of the histogram, respectively, and f (x) is the expansion. Histogram value)
KR1020060080014A 2006-08-23 2006-08-23 Method for optimizing image for vehicle's identification plate KR100722966B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020060080014A KR100722966B1 (en) 2006-08-23 2006-08-23 Method for optimizing image for vehicle's identification plate
PCT/KR2007/003235 WO2008023886A1 (en) 2006-08-23 2007-07-03 Method for optimizing image for vehicle's identification plate

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060080014A KR100722966B1 (en) 2006-08-23 2006-08-23 Method for optimizing image for vehicle's identification plate

Publications (1)

Publication Number Publication Date
KR100722966B1 true KR100722966B1 (en) 2007-05-30

Family

ID=38278565

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060080014A KR100722966B1 (en) 2006-08-23 2006-08-23 Method for optimizing image for vehicle's identification plate

Country Status (2)

Country Link
KR (1) KR100722966B1 (en)
WO (1) WO2008023886A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101182173B1 (en) * 2012-02-07 2012-09-12 김진호 Method and system for recognizing vehicle plate
KR101625158B1 (en) * 2014-09-30 2016-05-27 김현태 Apparatus and Method for Processing photographed image of Blackbox in vehicle

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101854536A (en) * 2009-04-01 2010-10-06 深圳市融创天下科技发展有限公司 Method for improving image visual effect for video encoding and decoding

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990016228A (en) * 1997-08-13 1999-03-05 윤종용 Backlight correction method and device for image
KR20010027675A (en) * 1999-09-15 2001-04-06 윤종용 Apparatus for compensating backlight of video
KR20030038013A (en) * 2001-11-08 2003-05-16 삼성전자주식회사 Vehicle plate recognition method

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5825920A (en) * 1991-01-28 1998-10-20 Hitachi, Ltd. Method and unit for binary processing in image processing unit and method and unit for recognizing characters

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990016228A (en) * 1997-08-13 1999-03-05 윤종용 Backlight correction method and device for image
KR20010027675A (en) * 1999-09-15 2001-04-06 윤종용 Apparatus for compensating backlight of video
KR20030038013A (en) * 2001-11-08 2003-05-16 삼성전자주식회사 Vehicle plate recognition method

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101182173B1 (en) * 2012-02-07 2012-09-12 김진호 Method and system for recognizing vehicle plate
KR101625158B1 (en) * 2014-09-30 2016-05-27 김현태 Apparatus and Method for Processing photographed image of Blackbox in vehicle

Also Published As

Publication number Publication date
WO2008023886A1 (en) 2008-02-28

Similar Documents

Publication Publication Date Title
WO2020173022A1 (en) Vehicle violation identifying method, server and storage medium
Al-Ghaili et al. Vertical-edge-based car-license-plate detection method
CN108364010B (en) License plate recognition method, device, equipment and computer readable storage medium
CN105373794B (en) A kind of licence plate recognition method
Arth et al. Real-time license plate recognition on an embedded DSP-platform
Kaur et al. Number plate recognition using OCR technique
Wang et al. An effective method for plate number recognition
CN101887518B (en) Human detecting device and method
KR20100134206A (en) The automatic vehicle identification system of non-trigger type based on image processing and that of using identification method
US10255511B2 (en) Real time traffic sign recognition
US20150010233A1 (en) Method Of Improving Contrast For Text Extraction And Recognition Applications
Chandra et al. Recognition of vehicle number plate using Matlab
CN108182691B (en) Method and device for identifying speed limit sign and vehicle
KR100722966B1 (en) Method for optimizing image for vehicle's identification plate
WO2017116226A1 (en) System and method to identify identification plate characters using background estimation binarization
Tiwari et al. Automatic vehicle number plate recognition system using matlab
KR100942409B1 (en) Method for detecting a moving vehicle at a high speed
CN110363192B (en) Object image identification system and object image identification method
Mahalakshmi et al. Smart toll collection using automatic license plate recognition techniques
Satish et al. Edge assisted fast binarization scheme for improved vehicle license plate recognition
Mahamad et al. A Simplified Malaysian Vehicle Plate Number Recognition
CN111583341B (en) Cloud deck camera shift detection method
Dandu et al. Vehicular number plate recognition using edge detection and characteristic analysis of national number plates
Degala et al. Ergonomically designed system for license plate recognition using image processing technique
Biswas et al. An enhancement of number plate recognition based on artificial neural network

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]
FPAY Annual fee payment

Payment date: 20130522

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20140522

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20150430

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20160504

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20170502

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20180503

Year of fee payment: 12