KR101848019B1 - 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 - Google Patents

차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 Download PDF

Info

Publication number
KR101848019B1
KR101848019B1 KR1020160179872A KR20160179872A KR101848019B1 KR 101848019 B1 KR101848019 B1 KR 101848019B1 KR 1020160179872 A KR1020160179872 A KR 1020160179872A KR 20160179872 A KR20160179872 A KR 20160179872A KR 101848019 B1 KR101848019 B1 KR 101848019B1
Authority
KR
South Korea
Prior art keywords
image
region
classification model
license plate
image region
Prior art date
Application number
KR1020160179872A
Other languages
English (en)
Inventor
구형일
김신곤
전현기
Original Assignee
아주대학교산학협력단
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 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020160179872A priority Critical patent/KR101848019B1/ko
Application granted granted Critical
Publication of KR101848019B1 publication Critical patent/KR101848019B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G06K9/3258—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/4642—
    • G06K9/627—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/69—Control of means for changing angle of the field of view, e.g. optical zoom objectives or electronic zooming
    • H04N5/23296—
    • G06K2209/15—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

본 실시예들은 차량에 관한 이미지 세트를 기반으로 학습하여 생성한 차량에 관한 제1 영상 영역 분류 모델에 기반하여, 입력된 영상으로부터 차량에 관한 제1 영상 영역을 검출하고, 제1 영상 영역을 복수의 영역으로 분할하여 하나 이상의 후보 영역들을 추출하고, 번호판에 관한 이미지 세트를 기반으로 학습하여 생성한 번호판에 관한 제2 영상 영역 분류 모델에 기반하여, 후보 영역들 중에서 번호판에 관한 제2 영상 영역을 검출함으로써, 범용적인 적용이 가능하고 차량 영역으로부터 번호판 영역에 부합하는 최적의 후보 영역을 추출할 수 있는 차량 번호판 검출 방법 및 장치를 제공한다.

Description

차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 {Method and Apparatus for Detecting Vehicle License Plate by Detecting Vehicle Area}
본 실시예가 속하는 기술 분야는 차량의 번호판을 검출하는 방법 및 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
차량 번호판은 식별을 목적으로 자동차에 부착하는 금속 또는 플라스틱으로 된 판이다. 차량 번호판에는 문자, 숫자, 또는 이들의 조합이 기재되어 있고, 차량 번호판의 형상은 국가 또는 행정 구역마다 정책적으로 결정된다.
도 1을 참조하면, 기존의 차량의 번호판을 검출하는 방식에는 문자 기반의 검출 방식(110), 에지 기반의 검출 방식(120), 색깔 기반의 검출 방식(130), 텍스처 기반의 검출 방식(140) 등이 있다. 문자 기반의 검출 방식(110)은 처리 속도가 느리며 문자 영역을 설정해야 하고, 에지 기반의 검출 방식(120)은 경험적 변수(예컨대, 종횡비 등)에 의존적이고, 색깔 기반의 검출 방식(130)은 조명 또는 그림자의 변화에 민감하고, 텍스처 기반의 검출 방식(140)는 처리 속도가 느린 문제가 있다.
한편, 기존의 번호판을 검출하는 방식들은 카메라의 위치를 고정하거나 영상에서 대상 차량의 위치를 미리 한정하는 것과 같이 조건을 제한하기 때문에, 복잡한 배경이나 조명 환경의 변화 등에 크게 영향을 받는 문제가 있다. 이러한 방식들은 주차장에서 많이 사용되는 자동 차량번호 인식 시스템과 같이 한정된 상황에서는 비교적 번호를 인식하는 편이나 다양한 제한 조건들로 인해 범용적인 사용이 어렵고, 다양한 환경에 따라 다른 조건을 설정해야 하는 문제가 있다. 게다가, 번호판의 인식률을 높이기 위하여 영상에서 노이즈를 제거하거나 영상의 선명도를 향상시키기 위하여 영상을 전처리해야 한다.
본 발명의 실시예들은 차량에 관한 이미지 세트를 기반으로 학습하여 생성한 차량에 관한 제1 영상 영역 분류 모델에 기반하여, 입력된 영상으로부터 차량에 관한 제1 영상 영역을 검출하고, 제1 영상 영역을 복수의 영역으로 분할하여 하나 이상의 후보 영역들을 추출하고, 번호판에 관한 이미지 세트를 기반으로 학습하여 생성한 번호판에 관한 제2 영상 영역 분류 모델에 기반하여, 후보 영역들 중에서 번호판에 관한 제2 영상 영역을 검출함으로써, 범용적인 적용이 가능하고 차량 영역으로부터 번호판 영역에 부합하는 최적의 후보 영역을 추출하는 데 발명의 주된 목적이 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
본 실시예의 일 측면에 의하면, 컴퓨팅 디바이스에 의한 차량 번호판 검출 방법에 있어서, 카메라로부터 소정의 거리에 위치한 제1 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는 단계, 상기 제1 대상체의 형태적 특징 및 상기 제1 대상체의 배경에 관한 데이터 세트를 기반으로 학습하여, 상기 제1 대상체에 관한 제1 영상 영역 분류 모델을 생성하는 단계, 상기 제1 영상 영역 분류 모델을 이용하여, 상기 영상으로부터 상기 제1 대상체에 관한 제1 영상 영역을 검출하는 단계, 상기 검출한 제1 영상 영역을 복수의 영역으로 분할하여, 상기 제1 영상 영역으로부터 제2 영상 영역에 관한 하나 이상의 후보 영역들을 추출하는 단계, 상기 제1 대상체의 외관에 부착되어 상기 제1 대상체의 일부 구성에 해당하는 제2 대상체의 형태적 특징에 관한 데이터 세트를 기반으로 학습하여, 상기 제2 대상체에 관한 제2 영상 영역 분류 모델을 생성하는 단계, 및 상기 제2 영상 영역 분류 모델을 이용하여, 상기 하나 이상의 후보 영역들 중에서 상기 제2 대상체에 관한 제2 영상 영역을 검출하는 단계를 포함하며, 상기 제2 영상 영역은 상기 제1 영상 영역에 포함되는 것을 특징으로 하는 차량 번호판 검출 방법을 제공한다.
본 실시예의 다른 측면에 의하면, 카메라로부터 소정의 거리에 위치한 제1 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는 영상 입력부, 상기 제1 대상체의 형태적 특징 및 상기 제1 대상체의 배경에 관한 데이터 세트를 기반으로 학습하여, 상기 제1 대상체에 관한 제1 영상 영역 분류 모델을 생성하는 제1 영상 영역 분류 모델 생성부, 상기 제1 영상 영역 분류 모델을 이용하여, 상기 영상으로부터 상기 제1 대상체에 관한 제1 영상 영역을 검출하는 제1 영상 영역 검출부, 상기 검출한 제1 영상 영역을 복수의 영역으로 분할하여, 상기 제1 영상 영역으로부터 제2 영상 영역에 관한 하나 이상의 후보 영역들을 추출하는 후보영역 추출부, 상기 제1 대상체의 외관에 부착되어 상기 제1 대상체의 일부 구성에 해당하는 제2 대상체의 형태적 특징에 관한 데이터 세트를 기반으로 학습하여, 상기 제2 대상체에 관한 제2 영상 영역 분류 모델을 생성하는 제2 영상 영역 분류 모델 생성부, 및 상기 제2 영상 영역 분류 모델을 이용하여, 상기 하나 이상의 후보 영역들 중에서 상기 제2 대상체에 관한 제2 영상 영역을 검출하는 제2 영상 영역 검출부를 포함하며, 상기 제2 영상 영역은 상기 제1 영상 영역에 포함되는 것을 특징으로 하는 차량 번호판 검출 장치를 제공한다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 차량에 관한 이미지 세트를 기반으로 학습하여 생성한 차량에 관한 제1 영상 영역 분류 모델에 기반하여, 입력된 영상으로부터 차량에 관한 제1 영상 영역을 검출하고, 제1 영상 영역을 복수의 영역으로 분할하여 하나 이상의 후보 영역들을 추출하고, 번호판에 관한 이미지 세트를 기반으로 학습하여 생성한 번호판에 관한 제2 영상 영역 분류 모델에 기반하여, 후보 영역들 중에서 번호판에 관한 제2 영상 영역을 검출함으로써, 범용적인 적용이 가능하고 차량 영역으로부터 번호판 영역에 부합하는 최적의 후보 영역을 추출할 수 있는 효과가 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 기존의 차량 번호판 검출 방식에 따른 영상을 예시한 것이다.
도 2는 카메라 영상에서 추출한 차량 및 번호판을 예시한 것이다.
도 3 및 도 4는 본 발명의 실시예들에 따른 차량 번호판 검출 장치를 예시한 블록도이다.
도 5는 본 발명의 실시예들에 따른 차량 번호판 검출 장치가 검출한 영상 영역들을 예시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 차량 번호판 검출 방법을 예시한 흐름도이다.
도 7은 기존의 차량 번호판 검출 방식 및 본 발명의 실시예에 따른 번호판 검출 성능을 도시한 것이다.
이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다.
도 2는 카메라 영상에서 추출한 차량 및 번호판을 예시한 것이다. 도 2에 도시된 바와 같이, 카메라로부터 멀리 위치한 차량의 번호판을 번호판의 특징을 이용하여 검출하는 것은 용이하지 않다. 영상의 해상도로 인하여, 네모난 형태 또는 번호판 내부에 일정한 규칙을 갖는 숫자 배열 등의 번호판의 특징이 명백하게 구분되지 않는다. 게다가, 주행 중에 촬영한 영상 내에서 차량의 위치는 시시각각 변하고 차량의 배경이 다양하게 변하기 때문에, 차량의 위치 및 크기를 설정하는 것이 용이하지 않다.
이러한 문제를 해결하기 위하여, 본 실시예들은 영상에서 번호판을 인식하기 전에 차량 영역을 검출하고, 카메라 렌즈를 줌인하여 고해상도의 차량 영상을 획득하고, 차량 영역에서 번호판을 검출한다.
도 3 및 도 4는 본 발명의 실시예들에 따른 차량 번호판 검출 장치를 예시한 블록도이고, 도 5는 본 발명의 실시예들에 따른 차량 번호판 검출 장치가 검출한 영상 영역들을 예시한 도면이다.
도 3에 도시한 바와 같이, 차량 번호판 검출 장치(300)는 영상 입력부(310), 제1 영상 영역 분류 모델 생성부(320), 제1 영상 영역 검출부(330), 후보영역 추출부(340), 제2 영상 영역 분류 모델 생성부(350), 및 제2 영상 영역 검출부(360)를 포함한다. 차량 번호판 검출 장치(300)는 도 1에서 예시적으로 도시한 다양한 구성요소들 중에서 일부 구성요소를 생략하거나 다른 구성요소를 추가로 포함할 수 있다. 도 4를 참조하면, 차량 번호판 검출 장치(400)는 후보영역 제거부(470) 및 카메라 조절부(480) 중 적어도 하나를 포함할 수 있다.
먼저, 차량 번호판 검출 장치는 영상을 입력받는다. 카메라(10)는 영상을 촬영하는 장치로서, CCTV, 차량용 블랙박스, 액션캠 등으로 구현될 수 있다.
영상 입력부(310, 410)는 카메라로부터 소정의 거리에 위치한 제1 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는다. 도 5의 (a)에서는 차량 및 차량의 배경을 포함한 영상(510)이 도시되어 있다.
차량 번호판 검출 장치가 차량 영역을 검출하는 동작을 설명한다. 차량 번호판 검출 장치는 차량에 관한 이미지 세트를 기반으로 학습하여 생성한 차량에 관한 제1 영상 영역 분류 모델에 기반하여, 입력된 영상으로부터 차량에 관한 제1 영상 영역을 검출한다.
제1 영상 영역 분류 모델 생성부(320, 420)는 제1 대상체의 형태적 특징 및 제1 대상체의 배경에 관한 데이터 세트를 기반으로 학습하여, 제1 대상체에 관한 제1 영상 영역 분류 모델을 생성한다. 제1 영상 영역 분류 모델 생성부는, 차량의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 차량 이미지 세트를 학습하여, 제1 영상 영역 분류 모델을 생성할 수 있다.
제1 영상 영역 분류 모델 생성부(320, 420)는 하나 이상의 레이어에서 컨볼루션 연산자를 통해 특징을 추출하여 특징 맵을 생성한다. 하나 이상의 레이어의 노드들은 네트워크로 연결되며, 제1 영상 영역 분류 모델 생성부는 추출한 특징을 다른 레이어에 전달한다. 제1 영상 영역 분류 모델 생성부는 서브샘플링을 통해 추출한 특징을 통합하여 공간적 차원을 축소시키는 과정을 수행하여 제1 영상 영역 분류 모델의 파라미터를 학습한다. 파라미터는 네트워크에서 노드 간의 가중치를 나타낸다. 복수의 파라미터를 학습하고, 일부 파라미터는 공유될 수 있다.
제1 영상 영역 분류 모델 생성부(320, 420)는 제1 대상체 및 제1 대상체의 배경을 구분하는 복수의 제1 분류기들을 반복적으로 학습하고 복수의 제1 분류기들을 선택적으로 조합하여 제2 분류기를 생성하는 과정을 수행하여, 제1 영상 영역 분류 모델을 생성한다.
제1 영상 영역 검출부(330, 430)는 제1 영상 영역 분류 모델을 이용하여, 영상으로부터 제1 대상체에 관한 제1 영상 영역을 검출한다. 도 5의 (b)에서는 영상(520) 중에서 검출한 제1 영상 영역(예컨대, 차량 영역, 525)이 도시되어 있다.
제1 영상 영역 검출부(330, 430)는 영상을 소정의 크기를 갖는 셀로 분할하고, 각 셀마다 에지 픽셀들의 방향에 대한 히스토그램을 산출한다. 에지 픽셀은 그라이언트 크기가 일정 값 이상인 픽셀을 나타낸다. 제1 영상 영역 검출부는 히스토그램의 빈(Bin) 값들을 연결한 벡터를 적용하여 제1 영상 영역을 검출한다.
차량 번호판 검출 장치는 딥 러닝 인공신경망 중 하나인 R-CNN, fast R-CNN, faster R-CNN 등을 사용하여 차량을 검출할 수 있다. 차량 번호판 검출 장치는 HOG(Histogram of Oriented Gradient) 방식과 같은 차량의 형태적 특징을 추출하고 SVM(Support Vector Machine) 또는 AdaBoost와 같은 차량/배경 분류기 학습을 통하여 차량을 검출할 수 있다.
본 실시예들은 학습을 통하여 복잡한 배경에서도 차량 영역을 정확하게 검출할 수 있고, 블랙박스 영상에서 자동 줌 영역을 설정할 수 있다.
차량 번호판 검출 장치가 후보영역을 추출하는 동작을 설명한다. 후보영역은 상위 영역인 완성차 영역 중에서 하위 영역인 부품 영역으로 추정되는 영역을 나타낸다.
후보영역 추출부(340, 440)는 검출한 제1 영상 영역을 복수의 영역으로 분할하여, 제1 영상 영역으로부터 제2 영상 영역에 관한 하나 이상의 후보 영역들을 추출한다.
후보영역 추출부(340, 440)는 제1 영상 영역을 작은 영역들로 분할하고, 작은 영역 내에 존재하는 특징 성분을 추출한다. 후보영역 추출부는 특징 성분이 기 설정된 임계치보다 크면 유사한 것으로 판단하여, 유사한 복수의 영역들을 하나의 영역으로 합치는 과정을 반복적으로 수행하여 후보 영역들을 추출한다. 도 5의 (c)에서는 영상(530)에서 검출된 제1 영상 영역(예컨대, 차량 영역)에서 추출한 후보 영역들(531~536)이 예시적으로 도시되어 있다. 예컨대, 백라이트, 타이어, 번호판, 엠블럼, 유리창, 사이드미러 등이 후보 영역으로 추출된다.
차량 번호판 검출 장치는 차량 영역 내에서 번호판 후보 영역을 추출한다. 차량 번호판 후보 영역은 계층적 표본추출(Hierarchical Sampling) 방식을 사용할 수 있다. 계층적 표본추출 방식은 영상 분할 기법의 일종으로 작은 영역들을 색상, 형태적 특징, 영역 간 거리 등의 영상 구조를 고려하여 두 영역을 하나의 영역으로 합치는 과정을 반복적으로 수행하는 방식으로 분할 영역들을 얻는다. 이러한 계층적 표본추출 방법을 통해 특정 크기를 갖는 영역들을 영상의 특징과 관계없이 전체 영상에 대해 일정한 간격으로 추출하는 슬라이딩 윈도(Sliding Window) 방식에 비해 적은 수의 후보 영역을 추출하면서 번호판 영역에 부합하는 영역이 포함된 후보 영역들을 추출할 수 있다.
차량 번호판 검출 장치가 번호판 영역을 검출하는 동작을 설명한다. 차량 번호판 검출 장치는 번호판에 관한 이미지 세트를 기반으로 학습하여 생성한 번호판에 관한 제2 영상 영역 분류 모델에 기반하여, 후보 영역들 중에서 번호판에 관한 제2 영상 영역을 검출한다.
제2 영상 영역 분류 모델 생성부(350, 450)는 제1 대상체의 외관에 부착되어 제1 대상체의 일부 구성에 해당하는 제2 대상체의 형태적 특징에 관한 데이터 세트를 기반으로 학습하여, 제2 대상체에 관한 제2 영상 영역 분류 모델을 생성한다. 제2 영상 영역 분류 모델 생성부는, 번호판의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 번호판 이미지 세트를 학습하여, 제2 영상 영역 분류 모델을 생성할 수 있다.
제2 영상 영역 분류 모델 생성부(350, 450)는 검출한 제2 영상 영역의 통계적 확률값을 기 설정된 임계치와 비교한다. 제2 영상 영역 분류 모델 생성부는 검출한 제2 영상 영역의 정확도를 평가한 결과에 따라 제2 영상 영역 분류 모델의 파라미터를 변경하여, 제2 영상 영역 분류 모델을 갱신한다.
제2 영상 영역 검출부(360, 460)는 제2 영상 영역 분류 모델을 이용하여, 하나 이상의 후보 영역들 중에서 제2 대상체에 관한 제2 영상 영역을 검출한다. 여기서, 제2 영상 영역은 제1 영상 영역에 포함된다. 즉, 차량 번호판 검출 장치는 상위 영역에 포함된 하위 영역을 검출하기 위해, 전체 영역에서 상위 영역을 선검출하고, 확대된 영상의 상위 영역에서 하위 영역을 검출한다. 차량은 번호판에 비해 상대적으로 크기 때문에 번호판과 비교하여 해상도 문제에서 자유로워 검출이 용이하다. 도 5의 (d)에서는 영상(540)에서 검출된 제1 영상 영역(예컨대, 차량 영역)에서 추출한 후보 영역들(531~536) 중에서 검출한 제2 영상 영역(예컨대, 번호판)이 도시되어 있다.
제2 영상 영역 검출부(360, 460)는 하나 이상의 후보 영역들 중에서, 제2 영상 영역 분류 모델에 따라 산출된 통계적 확률값이 기 설정된 임계치보다 큰 후보 영역을 선택한다. 기 설정된 임계치는 구현되는 설계에 따라 적합한 수치가 사용될 수 있음은 물론이다.
차량 번호판 검출 장치는 높은 검출 성능을 위해 딥 러닝 인공신경망 중 하나인 CNN(Convolutional Neural Networks)을 학습할 수 있다. 후보 영역들을 학습 모델의 입력으로 넣게 되면 출력으로 해당 표본 영상이 번호판일 확률을 얻는다. 각 표본 영상들 중 번호판일 확률이 가장 높은 표본을 선택하여 차량 번호판 영역으로 최종 검출한다.
본 실시예들은 학습을 통하여 차량 영역에서 번호판 영역을 정확하게 검출할 수 있고, 블랙박스 영상에서 자동 줌 영역을 설정할 수 있다.
차량 번호판 검출 장치(400)는 후보영역 제거부(470)를 추가로 포함할 수 있다. 후보영역 제거부(470)는 하나 이상의 후보 영역들 중에서, 제1 대상체의 크기 및 제2 대상체의 크기 간에 비율이 소정의 범위 내에 존재하지 않는 일부의 후보 영역을 선별 또는 제거한다. 예컨대, 번호판 후보 영역의 넓이는 차량 영역 넓이의 5 % 이상 25 % 이하일 수 있고, 이는 예시일 뿐이며 이에 한정되는 것은 아니고 구현되는 설계에 따라 적합한 수치가 사용될 수 있음은 물론이다.
번호판 영역이 차량에 비해 매우 크거나 매우 작은 후보 영역을 최종 검출 단계 전에 미리 제거하여 검출의 정확도를 향상시키고, 효율성을 증대시키는 효과가 있다.
차량 번호판 검출 장치(400)는 카메라 조절부(480)를 추가로 포함할 수 있다. 카메라 조절부(480)는 검출한 제1 영상 영역의 해상도가 기 설정된 제1 임계치보다 작거나 검출한 제2 영상 영역의 통계적 확률값이 기 설정된 제2 임계치보다 작으면, 카메라 및 제1 대상체 간의 거리에 따른 영상의 해상도를 기준으로, 카메라의 렌즈의 포커스를 조절하거나 줌인(Zoom in)한다. 카메라 조절부(480)는 포커스 모터를 구동시켜 렌즈의 포커스를 조절할 수 있고, 줌 모터를 구동시켜 렌즈를 줌 인/아웃할 수 있다.
카메라 조절부(480)는 검출한 제1 영상 영역의 해상도가 기 설정된 제1 임계치보다 큰 값을 갖거나 검출한 제2 영상 영역의 통계적 확률값이 기 설정된 제2 임계치보다 큰 값을 갖도록 카메라의 렌즈를 줌인한다. 영상 입력부(410)는 제1 대상체를 포함하는 특정 영역 중에서 일부 영역을 검출한 제1 영상 영역의 해상도보다 높은 해상도를 갖는 영상을 입력받는다.
차량 번호판 검출 장치에 포함된 구성요소들은 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작한다. 이러한 구성요소들은 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
차량 번호판 검출 장치는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합에 의해 로직회로 내에서 구현될 수 있고, 범용 또는 특정 목적 컴퓨터를 이용하여 구현될 수도 있다. 장치는 고정배선형(Hardwired) 기기, 필드 프로그램 가능한 게이트 어레이(Field Programmable Gate Array, FPGA), 주문형 반도체(Application Specific Integrated Circuit, ASIC) 등을 이용하여 구현될 수 있다. 또한, 장치는 하나 이상의 프로세서 및 컨트롤러를 포함한 시스템온칩(System on Chip, SoC)으로 구현될 수 있다.
차량 번호판 검출 장치는 하드웨어적 요소가 마련된 컴퓨팅 디바이스 또는 서버에 소프트웨어, 하드웨어, 또는 이들의 조합하는 형태로 탑재될 수 있다. 컴퓨팅 디바이스 또는 서버는 각종 기기 또는 유무선 통신망과 통신을 수행하기 위한 통신 모뎀 등의 통신장치, 프로그램을 실행하기 위한 데이터를 저장하는 메모리, 프로그램을 실행하여 연산 및 명령하기 위한 마이크로프로세서 등을 전부 또는 일부 포함한 다양한 장치를 의미할 수 있다.
도 6은 본 발명의 다른 실시예에 따른 차량 번호판 검출 방법을 예시한 흐름도이다. 차량 번호판 검출 방법은 컴퓨팅 디바이스에 의하여 수행될 수 있으며, 차량 번호판 검출 장치와 동일한 방식으로 동작한다.
단계 S610에서, 컴퓨팅 디바이스는 카메라로부터 소정의 거리에 위치한 제1 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는다.
단계 S620에서, 컴퓨팅 디바이스는 제1 대상체의 형태적 특징 및 제1 대상체의 배경에 관한 데이터 세트를 기반으로 학습하여, 제1 대상체에 관한 제1 영상 영역 분류 모델을 생성한다.
제1 영상 영역 분류 모델을 생성하는 단계(S620)는 차량의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 차량 이미지 세트를 학습하여, 제1 영상 영역 분류 모델을 생성한다.
제1 영상 영역 분류 모델을 생성하는 단계(S620)는 하나 이상의 레이어에서 컨볼루션 연산자를 통해 특징을 추출하여 특징 맵을 생성하고, 하나 이상의 레이어의 노드들은 네트워크로 연결되며, 추출한 특징을 다른 레이어에 전달하고, 서브샘플링을 통해 추출한 특징을 통합하여 공간적 차원을 축소시키는 과정을 수행하여, 제1 영상 영역 분류 모델의 파라미터를 학습할 수 있다.
제1 영상 영역 분류 모델을 생성하는 단계(S620)는 제1 대상체 및 제1 대상체의 배경을 구분하는 복수의 제1 분류기들을 반복적으로 학습하고 복수의 제1 분류기들을 선택적으로 조합하여 제2 분류기를 생성하는 과정을 수행하여, 제1 영상 영역 분류 모델을 생성할 수 있다.
단계 S630에서, 컴퓨팅 디바이스는 제1 영상 영역 분류 모델을 이용하여, 영상으로부터 제1 대상체에 관한 제1 영상 영역을 검출한다.
제1 영상 영역을 검출하는 단계(S630)는, 영상을 소정의 크기를 갖는 셀로 분할하고, 각 셀마다 에지 픽셀들의 방향에 대한 히스토그램을 산출하고, 히스토그램의 빈(Bin) 값들을 연결한 벡터를 적용하여 제1 영상 영역을 검출할 수 있다.
단계 S640에서, 컴퓨팅 디바이스는 검출한 제1 영상 영역을 복수의 영역으로 분할하여, 제1 영상 영역으로부터 제2 영상 영역에 관한 하나 이상의 후보 영역들을 추출한다.
하나 이상의 후보 영역들을 추출하는 단계(S640)는, 제1 영상 영역을 작은 영역들로 분할하고, 작은 영역 내에 존재하는 특징 성분을 추출하고, 특징 성분이 기 설정된 임계치보다 크면 유사한 것으로 판단하여, 유사한 복수의 영역들을 하나의 영역으로 합치는 과정을 반복적으로 수행하여 후보 영역들을 추출할 수 있다.
단계 S650에서, 컴퓨팅 디바이스는 제1 대상체의 외관에 부착되어 제1 대상체의 일부 구성에 해당하는 제2 대상체의 형태적 특징에 관한 데이터 세트를 기반으로 학습하여, 제2 대상체에 관한 제2 영상 영역 분류 모델을 생성한다.
제2 영상 영역 분류 모델을 생성하는 단계(S650)는, 번호판의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 번호판 이미지 세트를 학습하여, 상기 제2 영상 영역 분류 모델을 생성한다.
제2 영상 영역 분류 모델을 생성하는 단계(S650)는 검출한 제2 영상 영역의 통계적 확률값을 기 설정된 임계치와 비교하여 검출한 제2 영상 영역의 정확도를 평가한 결과에 따라 제2 영상 영역 분류 모델의 파라미터를 변경하여, 제2 영상 영역 분류 모델을 갱신할 수 있다.
단계 S660에서, 컴퓨팅 디바이스는 제2 영상 영역 분류 모델을 이용하여, 하나 이상의 후보 영역들 중에서 제2 대상체에 관한 제2 영상 영역을 검출한다. 제2 영상 영역은 제1 영상 영역에 포함된다.
제2 영상 영역을 검출하는 단계(S660)는, 하나 이상의 후보 영역들 중에서, 제2 영상 영역 분류 모델에 따라 산출된 통계적 확률값이 기 설정된 임계치보다 큰 후보 영역을 선택할 수 있다.
차량 번호판 검출 방법은 후보 영역을 제거하는 단계를 추가로 포함할 수 있다. 후보 영역을 제거하는 단계는 하나 이상의 후보 영역들 중에서, 상기 제1 대상체의 크기 및 제2 대상체의 크기 간에 비율이 소정의 범위 내에 존재하지 않는 일부의 후보 영역을 선별 또는 제거한다.
차량 번호판 검출 방법은 카메라의 렌즈의 포커스를 조절하거나 줌인(Zoom in)하는 단계를 추가로 포함할 수 있다. 카메라의 렌즈의 포커스를 조절하거나 줌인하는 단계는, 카메라 및 제1 대상체 간의 거리에 따른 영상의 해상도를 기준으로, 검출한 제1 영상 영역의 해상도가 기 설정된 제1 임계치보다 작거나 검출한 제2 영상 영역의 통계적 확률값이 기 설정된 제2 임계치보다 작으면, 카메라의 렌즈의 포커스를 조절하거나 줌인(Zoom in)할 수 있다.
카메라로부터 영상을 입력받는 단계(S610)는, 검출한 제1 영상 영역의 해상도가 기 설정된 제1 임계치보다 큰 값을 갖거나 검출한 제2 영상 영역의 통계적 확률값이 기 설정된 제2 임계치보다 큰 값을 갖도록 카메라의 렌즈를 줌인하여, 제1 대상체를 포함하는 특정 영역 중에서 일부 영역을 검출한 제1 영상 영역의 해상도보다 높은 해상도를 갖는 영상을 입력받을 수 있다.
본 실시예들에 의하면, 기존에 카메라의 위치를 고정시키거나, 차량의 정지상태를 가정하는 등 여러 제한 조건을 통해 번호판을 인식했던 방식과 달리 먼저 차량 영역 검출을 통해 차량 영역 내 번호판을 검출함으로써, 기존의 제한 조건 하에서 검출이 어려웠던 차량 CCTV 영상과 같은 차량의 위치, 번호판의 위치 등을 제한하기 어려운 환경에서 번호판 검출이 가능하다. 또한, 본 실시예들은 종래에 육안으로 찾기 어려운 카메라에서 멀리 떨어진 차량의 경우에도 차량 영역을 먼저 찾아줌으로써 영상을 확대할 영역을 정해줄 수 있으며, 확대된 영상을 통하여 번호판을 검출할 수 있다.
도 7은 본 발명의 실시예들의 성능을 도시한 것이다. 대상체를 인식하는 동작을 수행할 때 성능을 평가하기 위해 IoU(Intersection over Union)이라는 지표를 사용한다. 검출 결과와 실제 번호판 영역 간의 IoU가 0.5보다 클 경우 올바르게 검출한 것으로 판단할 때, 대상체의 검출 정확도(Precision)는 98.39 %이고, 적합율(Recall)은 96.83 %로 나타났다. 도 7에 도시된 바와 같이, 본 실시예들에 따르면 번호판을 정확하게 인식하는 것이 가능하다.
도 6에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 6에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
300, 400: 차량 번호판 검출 장치통행정보 추정 장치
310, 410: 영상 입력부
320, 420: 제1 영상 영역 분류 모델 생성부
330, 430: 제1 영상 영역 검출부
340, 440: 후보영역 추출부
350, 450: 제2 영상 영역 분류 모델 생성부
360, 460: 제2 영상 영역 검출부
470: 후보영역 제거부
480: 카메라 조절부

Claims (17)

  1. 컴퓨팅 디바이스에 의한 차량 번호판 검출 방법에 있어서,
    카메라로부터 소정의 거리에 위치한 제1 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는 단계;
    상기 제1 대상체의 형태적 특징 및 상기 제1 대상체의 배경에 관한 데이터 세트를 기반으로 학습하여, 상기 제1 대상체에 관한 제1 영상 영역 분류 모델을 생성하는 단계;
    상기 제1 영상 영역 분류 모델을 이용하여, 상기 영상으로부터 상기 제1 대상체에 관한 제1 영상 영역을 검출하는 단계;
    상기 검출한 제1 영상 영역을 복수의 영역으로 분할하여, 상기 제1 영상 영역으로부터 제2 영상 영역에 관한 하나 이상의 후보 영역들을 추출하는 단계;
    상기 제1 대상체의 외관에 부착되어 상기 제1 대상체의 일부 구성에 해당하는 제2 대상체의 형태적 특징에 관한 데이터 세트를 기반으로 학습하여, 상기 제2 대상체에 관한 제2 영상 영역 분류 모델을 생성하는 단계; 및
    상기 제2 영상 영역 분류 모델을 이용하여, 상기 하나 이상의 후보 영역들 중에서 상기 제2 대상체에 관한 제2 영상 영역을 검출하는 단계를 포함하며,
    상기 제2 영상 영역은 상기 제1 영상 영역에 포함되며,
    상기 하나 이상의 후보 영역들을 추출하는 단계는, 상기 제1 영상 영역을 작은 영역들로 분할하고, 상기 작은 영역 내에 존재하는 특징 성분을 추출하고, 상기 특징 성분이 기 설정된 임계치보다 크면 유사한 것으로 판단하여, 유사한 복수의 영역들을 하나의 영역으로 합치는 과정을 반복적으로 수행하여 상기 후보 영역들을 추출하는 것을 특징으로 하는 차량 번호판 검출 방법.
  2. 제1항에 있어서,
    상기 제1 영상 영역 분류 모델을 생성하는 단계는,
    차량의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 차량 이미지 세트를 학습하여, 상기 제1 영상 영역 분류 모델을 생성하는 것을 특징으로 하는 차량 번호판 검출 방법.
  3. 제1항에 있어서,
    상기 제1 영상 영역 분류 모델을 생성하는 단계는,
    하나 이상의 레이어에서 컨볼루션 연산자를 통해 특징을 추출하여 특징 맵을 생성하고, 상기 하나 이상의 레이어의 노드들은 네트워크로 연결되며, 상기 추출한 특징을 다른 레이어에 전달하고, 서브샘플링을 통해 상기 추출한 특징을 통합하여 공간적 차원을 축소시키는 과정을 수행하여, 상기 제1 영상 영역 분류 모델의 파라미터를 학습하는 것을 특징으로 하는 차량 번호판 검출 방법.
  4. 제1항에 있어서,
    상기 제1 영상 영역 분류 모델을 생성하는 단계는,
    상기 제1 대상체 및 상기 제1 대상체의 배경을 구분하는 복수의 제1 분류기들을 반복적으로 학습하고 상기 복수의 제1 분류기들을 선택적으로 조합하여 제2 분류기를 생성하는 과정을 수행하여, 상기 제1 영상 영역 분류 모델을 생성하는 것을 특징으로 하는 차량 번호판 검출 방법.
  5. 제1항에 있어서,
    상기 제1 영상 영역을 검출하는 단계는,
    상기 영상을 소정의 크기를 갖는 셀로 분할하고, 각 셀마다 에지 픽셀들의 방향에 대한 히스토그램을 산출하고, 상기 히스토그램의 빈(Bin) 값들을 연결한 벡터를 적용하여 상기 제1 영상 영역을 검출하는 것을 특징으로 하는 차량 번호판 검출 방법.
  6. 삭제
  7. 제1항에 있어서,
    상기 제2 영상 영역 분류 모델을 생성하는 단계는,
    번호판의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 번호판 이미지 세트를 학습하여, 상기 제2 영상 영역 분류 모델을 생성하는 것을 특징으로 하는 차량 번호판 검출 방법.
  8. 제1항에 있어서,
    상기 제2 영상 영역 분류 모델을 생성하는 단계는,
    상기 검출한 제2 영상 영역의 통계적 확률값을 기 설정된 임계치와 비교하여 상기 검출한 제2 영상 영역의 정확도를 평가한 결과에 따라 상기 제2 영상 영역 분류 모델의 파라미터를 변경하여, 상기 제2 영상 영역 분류 모델을 갱신하는 것을 특징으로 하는 차량 번호판 검출 방법.
  9. 제1항에 있어서,
    상기 하나 이상의 후보 영역들 중에서, 상기 제1 대상체의 크기 및 상기 제2 대상체의 크기 간에 비율이 소정의 범위 내에 존재하지 않는 일부의 후보 영역을 선별 또는 제거하는 단계를 추가로 포함하는 차량 번호판 검출 방법.
  10. 제1항에 있어서,
    상기 제2 영상 영역을 검출하는 단계는,
    상기 하나 이상의 후보 영역들 중에서, 상기 제2 영상 영역 분류 모델에 따라 산출된 통계적 확률값이 기 설정된 임계치보다 큰 후보 영역을 선택하는 것을 특징으로 하는 차량 번호판 검출 방법.
  11. 제1항에 있어서,
    상기 카메라 및 상기 제1 대상체 간의 거리에 따른 상기 영상의 해상도를 기준으로, 상기 검출한 제1 영상 영역의 해상도가 기 설정된 제1 임계치보다 작거나 상기 검출한 제2 영상 영역의 통계적 확률값이 기 설정된 제2 임계치보다 작으면, 상기 카메라의 렌즈의 포커스를 조절하거나 줌인(Zoom in)하는 단계를 추가로 포함하는 차량 번호판 검출 방법.
  12. 제11항에 있어서,
    상기 카메라로부터 영상을 입력받는 단계는,
    상기 검출한 제1 영상 영역의 해상도가 상기 기 설정된 제1 임계치보다 큰 값을 갖거나 상기 검출한 제2 영상 영역의 통계적 확률값이 상기 기 설정된 제2 임계치보다 큰 값을 갖도록 상기 카메라의 렌즈를 줌인하여, 상기 제1 대상체를 포함하는 상기 특정 영역 중에서 일부 영역을 상기 검출한 제1 영상 영역의 해상도보다 높은 해상도를 갖는 영상을 입력받는 것을 특징으로 하는 차량 번호판 검출 방법.
  13. 카메라로부터 소정의 거리에 위치한 제1 대상체를 포함하는 특정 영역을 촬영한 영상을 입력받는 영상 입력부;
    상기 제1 대상체의 형태적 특징 및 상기 제1 대상체의 배경에 관한 데이터 세트를 기반으로 학습하여, 상기 제1 대상체에 관한 제1 영상 영역 분류 모델을 생성하는 제1 영상 영역 분류 모델 생성부;
    상기 제1 영상 영역 분류 모델을 이용하여, 상기 영상으로부터 상기 제1 대상체에 관한 제1 영상 영역을 검출하는 제1 영상 영역 검출부;
    상기 검출한 제1 영상 영역을 복수의 영역으로 분할하여, 상기 제1 영상 영역으로부터 제2 영상 영역에 관한 하나 이상의 후보 영역들을 추출하는 후보영역 추출부;
    상기 제1 대상체의 외관에 부착되어 상기 제1 대상체의 일부 구성에 해당하는 제2 대상체의 형태적 특징에 관한 데이터 세트를 기반으로 학습하여, 상기 제2 대상체에 관한 제2 영상 영역 분류 모델을 생성하는 제2 영상 영역 분류 모델 생성부; 및
    상기 제2 영상 영역 분류 모델을 이용하여, 상기 하나 이상의 후보 영역들 중에서 상기 제2 대상체에 관한 제2 영상 영역을 검출하는 제2 영상 영역 검출부를 포함하며,
    상기 제2 영상 영역은 상기 제1 영상 영역에 포함되며,
    상기 후보영역 추출부는 상기 제1 영상 영역을 작은 영역들로 분할하고, 상기 작은 영역 내에 존재하는 특징 성분을 추출하고, 상기 특징 성분이 기 설정된 임계치보다 크면 유사한 것으로 판단하여, 유사한 복수의 영역들을 하나의 영역으로 합치는 과정을 반복적으로 수행하여 상기 후보 영역들을 추출하는 것을 특징으로 하는 것을 특징으로 하는 차량 번호판 검출 장치.
  14. 제13항에 있어서,
    상기 제1 영상 영역 분류 모델 생성부는, 차량의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 차량 이미지 세트를 학습하여, 상기 제1 영상 영역 분류 모델을 생성하고,
    상기 제2 영상 영역 분류 모델 생성부는, 번호판의 모양, 크기, 구조, 텍스처, 색깔, 또는 이들의 조합을 기준으로 번호판 이미지 세트를 학습하여, 상기 제2 영상 영역 분류 모델을 생성하는 것을 특징으로 하는 차량 번호판 검출 장치.
  15. 삭제
  16. 제13항에 있어서,
    상기 하나 이상의 후보 영역들 중에서, 상기 제1 대상체의 크기 및 상기 제2 대상체의 크기 간에 비율이 소정의 범위 내에 존재하지 않는 일부의 후보 영역을 선별 또는 제거하는 후보영역 제거부를 추가로 포함하는 차량 번호판 검출 장치.
  17. 제13항에 있어서,
    상기 검출한 제1 영상 영역의 해상도가 기 설정된 제1 임계치보다 작거나 상기 검출한 제2 영상 영역의 통계적 확률값이 기 설정된 제2 임계치보다 작으면, 상기 카메라 및 상기 제1 대상체 간의 거리에 따른 상기 영상의 해상도를 기준으로, 상기 카메라의 렌즈의 포커스를 조절하거나 줌인(Zoom in)하는 카메라 조절부를 추가로 포함하는 차량 번호판 검출 장치.
KR1020160179872A 2016-12-27 2016-12-27 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 KR101848019B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160179872A KR101848019B1 (ko) 2016-12-27 2016-12-27 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160179872A KR101848019B1 (ko) 2016-12-27 2016-12-27 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101848019B1 true KR101848019B1 (ko) 2018-04-11

Family

ID=61975887

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160179872A KR101848019B1 (ko) 2016-12-27 2016-12-27 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101848019B1 (ko)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102030628B1 (ko) * 2019-04-04 2019-10-10 (주)아이엠시티 Cnn 기반 차량 번호판 인식 방법 및 시스템
KR20190129264A (ko) 2018-05-10 2019-11-20 문현구 차량 정보를 이용하여 차량 관련 서비스를 제안하기 위한 방법
KR102073971B1 (ko) * 2019-09-10 2020-02-05 (주)서광시스템 딥러닝 기반의 차량 단속 시스템 및 방법
WO2020096437A1 (ko) * 2018-11-09 2020-05-14 에스케이텔레콤 주식회사 차량의 위치 추정 장치 및 방법
KR102161949B1 (ko) * 2020-06-29 2020-10-06 이홍기 신경망을 이용한 차량 번호판 인식 기술이 적용된 통합 주차 관리 방법 및 시스템
CN111914837A (zh) * 2020-07-10 2020-11-10 北京嘉楠捷思信息技术有限公司 车牌检测方法、装置、设备和存储介质
KR20200129981A (ko) * 2019-05-10 2020-11-18 정원주 실시간 영상에서의 마스킹 방법 및 장치
KR20200132469A (ko) * 2019-05-17 2020-11-25 네이버 주식회사 포즈 유사도 판별 모델 생성방법 및 포즈 유사도 판별 모델 생성장치
KR102183689B1 (ko) * 2020-03-30 2020-11-30 에스큐아이소프트 주식회사 실시간 영상의 객체 마스킹 처리 시스템 및 이를 이용한 마스킹 처리 방법
CN113454649A (zh) * 2021-06-17 2021-09-28 商汤国际私人有限公司 目标检测方法、装置、电子设备和计算机可读存储介质
KR20220092165A (ko) * 2020-12-24 2022-07-01 주식회사 매쉬플레이 딥러닝 영상인식 기술을 활용한 주차편의 서비스 제공 방법 및 시스템
KR102460733B1 (ko) * 2022-05-02 2022-10-31 주식회사 엠티오메가 차량 번호판 인식을 위한 번호판 이미지 기계 학습 방법 및 이러한 방법을 수행하는 장치
KR20230018884A (ko) 2021-07-30 2023-02-07 기초과학연구원 Faster-RCNN과 한글 손글씨 인식 모델에 기반한 차량 번호판의 문자 인식 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101688458B1 (ko) * 2016-04-27 2016-12-23 디아이티 주식회사 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101688458B1 (ko) * 2016-04-27 2016-12-23 디아이티 주식회사 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190129264A (ko) 2018-05-10 2019-11-20 문현구 차량 정보를 이용하여 차량 관련 서비스를 제안하기 위한 방법
KR102083725B1 (ko) * 2018-05-10 2020-03-02 문현구 차량 정보를 이용하여 차량 관련 서비스를 제안하기 위한 방법
WO2020096437A1 (ko) * 2018-11-09 2020-05-14 에스케이텔레콤 주식회사 차량의 위치 추정 장치 및 방법
US11898851B2 (en) 2018-11-09 2024-02-13 Sk Telecom Co., Ltd. Apparatus and method for estimating location of vehicle
KR102030628B1 (ko) * 2019-04-04 2019-10-10 (주)아이엠시티 Cnn 기반 차량 번호판 인식 방법 및 시스템
KR102212358B1 (ko) * 2019-05-10 2021-02-04 명홍철 실시간 영상에서의 마스킹 방법 및 장치
KR20200129981A (ko) * 2019-05-10 2020-11-18 정원주 실시간 영상에서의 마스킹 방법 및 장치
KR20200132469A (ko) * 2019-05-17 2020-11-25 네이버 주식회사 포즈 유사도 판별 모델 생성방법 및 포즈 유사도 판별 모델 생성장치
WO2020235804A1 (ko) * 2019-05-17 2020-11-26 네이버 주식회사 포즈 유사도 판별 모델 생성방법 및 포즈 유사도 판별 모델 생성장치
KR102194282B1 (ko) * 2019-05-17 2020-12-23 네이버 주식회사 포즈 유사도 판별 모델 생성방법 및 포즈 유사도 판별 모델 생성장치
KR102073971B1 (ko) * 2019-09-10 2020-02-05 (주)서광시스템 딥러닝 기반의 차량 단속 시스템 및 방법
KR102183689B1 (ko) * 2020-03-30 2020-11-30 에스큐아이소프트 주식회사 실시간 영상의 객체 마스킹 처리 시스템 및 이를 이용한 마스킹 처리 방법
KR102161949B1 (ko) * 2020-06-29 2020-10-06 이홍기 신경망을 이용한 차량 번호판 인식 기술이 적용된 통합 주차 관리 방법 및 시스템
CN111914837A (zh) * 2020-07-10 2020-11-10 北京嘉楠捷思信息技术有限公司 车牌检测方法、装置、设备和存储介质
KR20220092165A (ko) * 2020-12-24 2022-07-01 주식회사 매쉬플레이 딥러닝 영상인식 기술을 활용한 주차편의 서비스 제공 방법 및 시스템
KR102636107B1 (ko) * 2020-12-24 2024-02-08 주식회사 매쉬플레이 딥러닝 영상인식 기술을 활용한 주차편의 서비스 제공 방법 및 시스템
CN113454649A (zh) * 2021-06-17 2021-09-28 商汤国际私人有限公司 目标检测方法、装置、电子设备和计算机可读存储介质
CN113454649B (zh) * 2021-06-17 2024-05-24 商汤国际私人有限公司 目标检测方法、装置、电子设备和计算机可读存储介质
KR20230018884A (ko) 2021-07-30 2023-02-07 기초과학연구원 Faster-RCNN과 한글 손글씨 인식 모델에 기반한 차량 번호판의 문자 인식 장치 및 방법
KR102460733B1 (ko) * 2022-05-02 2022-10-31 주식회사 엠티오메가 차량 번호판 인식을 위한 번호판 이미지 기계 학습 방법 및 이러한 방법을 수행하는 장치

Similar Documents

Publication Publication Date Title
KR101848019B1 (ko) 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치
Rezaei et al. Robust vehicle detection and distance estimation under challenging lighting conditions
US9501703B2 (en) Apparatus and method for recognizing traffic sign board
US9275289B2 (en) Feature- and classifier-based vehicle headlight/shadow removal in video
JP5223675B2 (ja) 車両検知装置，車両検知方法並びに車両検知プログラム
CN109145798B (zh) 一种驾驶场景目标识别与可行驶区域分割集成方法
KR101992398B1 (ko) 도로 기호 및 차선 인식 방법 및 장치
US10878259B2 (en) Vehicle detecting method, nighttime vehicle detecting method based on dynamic light intensity and system thereof
Wu et al. Raindrop detection and removal using salient visual features
KR20170056860A (ko) 이미지 생성 방법 및 장치
CN111598065A (zh) 深度图像获取方法及活体识别方法、设备、电路和介质
CN112825192A (zh) 基于机器学习的对象辨识***及其方法
Hua et al. Pedestrian-and vehicle-detection algorithm based on improved aggregated channel features
US20220171975A1 (en) Method for Determining a Semantic Free Space
Shang et al. A novel method for vehicle headlights detection using salient region segmentation and PHOG feature
KR20200133920A (ko) 인공신경망 기반의 투사정보 인식 장치 및 그 방법
Karungaru et al. Road traffic signs recognition using genetic algorithms and neural networks
Gou et al. License plate recognition using MSER and HOG based on ELM
CN114898306B (zh) 一种检测目标朝向的方法、装置及电子设备
Tourani et al. Challenges of video-based vehicle detection and tracking in intelligent transportation systems
Kanitkar et al. Vision based preceding vehicle detection using self shadows and structural edge features
Merugu et al. Multi lane detection, curve fitting and lane type classification
Kiruthika Devi et al. A deep learning-based residual network model for traffic sign detection and classification
Xiong et al. High Speed Front-Vehicle Detection Based on Video Multi-feature Fusion
Candradewi et al. Intelligent traffic monitoring systems: Vehicle type classification using support vector machine

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant