KR102543818B1 - 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치 - Google Patents

Abstract

차량 번호판 인식 시스템, 방법, 장치 및 상기 장치에 대한 차량 번호판 인식 관리 장치에 관한 것으로, 차량 번호판 인식 시스템은 애플리케이션 파이프라인을 구축하고, 상기 애플리케이션 파이프라인에 적절한 분석용 학습 모델을 결정하고 차량 번호판 인식 관리 장치 및 상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결되어 상기 분석용 학습 모델을 수신하고, 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하고, 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 차량 번호판 인식 장치를 포함할 수 있다.

Description

차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치{SYSTEM, APPARATUS AND METHOD FOR RECOGNIZING LICENSE PLATE OF VEHICLE AND APPRATUS FOR MANAGING THE SAME}

차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 관한 것이다.

과거에는 주차장에 차량이 입차하는 경우에 있어서, 차량의 운전자가 주차 카드 등을 획득하거나 또는 주차 관리 요원이 주차장이 진입하는 차량을 기록하여 차량의 진입을 승인하고, 차량이 출차하는 경우에는 주차 관리 요원이 차량 번호를 확인하거나 주차 카드를 수령하고 이를 이용하여 주차 요금 등을 정산하거나 또는 차단바를 제어하였다. 최근에는 별도로 마련된 주차장 관리 시스템이 차량의 입차 및 출차 여부를 자동으로 판단하고 결제 여부 등을 확인한 후 이에 대응하여 차단바를 제어하는 등의 동작을 수행하고 있다. 그러나, 이러한 시스템들은 야간이나 극한적인 상황(폭우, 폭설이나 안개 등)에서는 그 동작에 오류가 잦았다. 정확한 입차 및 출차 관리를 위해 하드웨어에 많은 비용을 투여하였으며, 이는 시스템에 대한 설치, 유지 및 관리 비용의 증가를 야기하였다.

대한민국 공개특허 제10-2020-0119409호

차량의 번호판을 명확하고 분명하게 인식하여 이로부터 정보를 정확하게 획득할 수 있는 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치를 제공하는 것을 해결하고자 하는 과제로 한다.

상술한 과제를 해결하기 위하여 차량 번호판 인식 시스템, 차량 번호판 인식을 위한 단말 장치, 차량 번호판 인식을 위한 차량 번호판 인식 관리 장치 및 차량 번호판 인식 방법이 제공된다.

차량 번호판 인식 시스템은, 애플리케이션 파이프라인을 구축하고, 상기 애플리케이션 파이프라인에 적절한 분석용 학습 모델을 결정하고 차량 번호판 인식 관리 장치 및 상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결되어 상기 분석용 학습 모델을 수신하고, 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하고, 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 차량 번호판 인식 장치를 포함할 수 있다.

상기 차량 번호판 인식 관리 장치는, 적어도 하나의 후보 학습 모델로부터 상기 적어도 하나의 애플리케이션 파이프라인에 적합한 학습 모델을 결정함으로써, 상기 분석용 학습 모델을 결정할 수 있다.

상기 차량 번호판 인식 관리 장치는, 적어도 하나의 차량 번호판을 포함하는 적어도 하나의 영상 데이터를 획득하고, 획득한 상기 적어도 하나의 영상 데이터를 이용하여 상기 후보 학습 모델을 훈련시킬 수 있다.

상기 차량 번호판 인식 관리 장치는, 상기 애플리케이션 파이프라인의 성능을 더 검사하고, 상기 검사 결과에 따라서 상기 분석용 학습 모델을 결정할 수 있다.

상기 차량 번호판 인식 장치는, 상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하고, 상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하고, 상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득할 수 있다.

차량 번호판 인식 시스템은, 상기 차량 번호판 인식 장치와 통신 가능하게 연결되고, 상기 차량 번호판 인식 장치로부터 상기 적어도 하나의 목적 차량 번호판으로부터 획득된 차량 번호를 수신하는 단말 장치를 더 포함할 수 있다.

상기 차량 번호판 인식 장치는, 복수의 인식 장치 집단 중 어느 하나의 인식 장치 집단에 속한 것일 수 있다.

차량 번호판 인식 방법은, 차량 번호판 인식 관리 장치가 애플리케이션 파이프라인에 대한 분석용 학습 모델을 결정하는 단계, 상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결된 적어도 하나의 차량 번호판 인식 장치가 상기 분석용 학습 모델을 수신하는 단계, 상기 적어도 하나의 차량 번호판 인식 장치가 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하는 단계 및 상기 적어도 하나의 차량 번호판 인식 장치가 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 단계를 포함할 수 있다.

상기 차량 번호판 인식 관리 장치가 애플리케이션 파이프라인에 적절한 분석용 학습 모델을 결정하는 단계는, 상기 적어도 하나의 애플리케이션 파이프라인에 적합한 학습 모델을 적어도 하나의 후보 학습 모델로부터 결정함으로써 상기 분석용 학습 모델을 결정하는 단계를 포함할 수 있다.

차량 번호판 인식 방법은, 상기 차량 번호판 인식 관리 장치가 적어도 하나의 차량 번호판을 포함하는 적어도 하나의 영상 데이터를 획득하는 단계 및 획득한 상기 적어도 하나의 영상 데이터를 이용하여 상기 후보 학습 모델을 훈련시키는 단계를 더 포함할 수 있다.

차량 번호판 인식 방법은, 상기 차량 번호판 인식 관리 장치가 상기 애플리케이션 파이프라인의 성능을 검사하는 단계를 더 포함할 수 있다.

상기 적어도 하나의 차량 번호판 인식 장치가 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 단계는, 상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하는 단계, 상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하는 단계 및 상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득하는 단계를 포함할 수 있다.

차량 번호판 인식 방법은, 상기 차량 번호판 인식 장치와 통신 가능하게 연결된 단말 장치가 상기 차량 번호판 인식 장치로부터 상기 적어도 하나의 목적 차량 번호판으로부터 획득된 차량 번호를 수신하는 단계를 더 포함할 수 있다.

차량 번호판 인식 관리 장치는, 애플리케이션 파이프라인을 구축하고, 적어도 하나의 후보 학습 모델을 이용하여 상기 애플리케이션 파이프라인에 적절한 분석용 학습 모델을 결정하는 프로세서 및 상기 분석용 학습 모델을 대응하는 적어도 하나의 차량 번호판 인식 장치로 전송하는 통신부를 포함할 수 있다.

상기 프로세서는, 적어도 하나의 후보 학습 모델 중에서 상기 적어도 하나의 애플리케이션 파이프라인에 적합한 후보 학습 모델을 결정함으로써, 상기 분석용 학습 모델을 결정할 수 있다.

차량 번호판 인식 장치는, 적어도 하나의 분석용 학습 모델을 수신하는 통신부, 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하는 촬영부 및 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 문자 및 숫자 중 적어도 하나를 검출하여 획득하는 프로세서를 포함할 수 있다.

상기 프로세서는, 상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하고, 상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하고, 상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득할 수 있다.

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 주차장 등에 진입하는 차량의 번호판을 보다 명확하고 분명하게 인식하여 인식된 차량의 번호판으로부터 차량번호와 같은 정보를 정확하게 획득할 수 있게 된다.

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 고성능의 카메라 장치 대신에 상대적으로 저렴한 카메라를 이용하여 차량번호판을 촬영하는 경우에도, 차량번호판에 대한 영상의 화질을 개선할 수 있게 되고 이에 따라 차량번호판을 더욱 명확하게 인식할 수 있게 된다.

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 야간이나 악천후 등 극한적인 상황에서도 차량의 번호판을 보다 명확하게 인식할 수 있게 되는 장점도 존재한다.

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 다수의 차량 번호판 인식 장치마다 각각 개별적으로 또는 통일적으로 이용될 학습 모델을 제공, 관리 또는 갱신할 수 있게 되어 다수의 차량 번호판 인식 장치의 통합적인 관리가 가능해지는 효과도 있다.

상술한 차량 번호판 인식 시스템, 방법, 장치 및 차량 번호판 인식 관리 장치에 의하면, 차량 번호판 인식을 위한 장치의 효율적이고 효과적인 관리 및 개선이 가능해질 뿐만 아니라, 상대적으로 저렴한 카메라를 이용하여 시스템을 구축할 수 있게 됨에 따라 구축, 유지 및 관리 비용이 전반적으로 절감될 수 있게 되며, 또한 차량 번호판의 인식에 이용되는 기계학습 모델을 보다 용이하게 갱신할 수 있어 관리의 용이성도 확보할 수 있게 되는 효과도 얻을 수 있다.

도 1은 차량 번호판 인식 시스템의 일 실시예에 대한 개요도이다.
도 2는 차량 번호판 인식 장치의 일 실시예에 대한 블록도이다.
도 3은 차량 번호판 인식 장치에 의해 번호판이 인식되는 일례를 도시한 도면이다.
도 4는 차량 번호판 인식 관리 장치의 일 실시예에 대한 블록도이다.
도 5는 차량 번호판 인식 방법의 일 실시예에 대한 흐름도이다.

이하 명세서 전체에서 동일 참조 부호는 특별한 사정이 없는 한 동일 구성요소를 지칭한다. 이하에서 사용되는 ‘부’가 부가된 용어는, 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예에 따라 하나의 ‘부’가 하나의 물리적 또는 논리적 부품으로 구현되거나, 복수의 ‘부’가 하나의 물리적 또는 논리적 부품으로 구현되거나, 하나의 ‘부’가 복수의 물리적 또는 논리적 부품들로 구현되는 것도 가능하다. 명세서 전체에서 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 어떤 부분과 다른 부분에 따라서 물리적 연결을 의미할 수도 있고, 또는 전기적으로 연결된 것을 의미할 수도 있다. 또한, 어떤 부분이 다른 부분을 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 부분 이외의 또 다른 부분을 제외하는 것이 아니며, 설계자의 선택에 따라서 또 다른 부분을 더 포함할 수 있음을 의미한다. 제 1이나 제 2 등의 용어는 하나의 부분을 다른 부분으로부터 구별하기 위해 사용되는 것으로, 특별한 기재가 없는 이상 이들이 순차적인 표현을 의미하는 것은 아니다. 또한 단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함할 수 있다.

이하 도 1 내지 도 4를 참조하여 차량 번호판 인식 시스템, 차량 번호판 인식 장치 및 차량 번호판 인식 관리 장치의 여러 실시예에 대해서 설명하도록 한다.

도 1은 차량 번호판 인식 시스템의 일 실시예에 대한 개요도이다.

도 1에 도시된 바에 의하면, 차량 번호판 인식 시스템(1)은, 일 실시예에 있어서, 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K, K는 1 이상의 자연수)와, 적어도 하나의 차량 번호판 인식 장치(100)와 통신 가능하게 마련된 차량 번호판 인식 관리 장치(200)를 포함할 수 있으며, 필요에 따라 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K) 및 차량 번호판 인식 관리 장치(200) 중 적어도 하나와 통신을 수행할 수 있는 단말 장치(3)를 하나 이상 포함할 수 있다. 이 경우, 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K) 및 차량 번호판 인식 관리 장치(200)는 상호 간에 유무선 통신 네트워크(2)를 이용하여 애플리케이션(앱, 소프트웨어 또는 프로그램 등으로 지칭 가능함)이나 데이터 등을 송수신할 수 있도록 마련된다. 유무선 통신 네트워크(2)는, 유선 통신 네트워크, 무선 통신 네트워크 또는 이들의 조합을 기반으로 구축된 것일 수 있다. 여기서, 유선 통신 네트워크는, 케이블을 이용하여 마련된 것일 수 있다. 무선 통신 네트워크는, 근거리 통신 네트워크 및 원거리 통신 네트워크 중 적어도 하나를 포함할 수 있다. 근거리 통신 네트워크는, 예를 들어, 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi Direct), 블루투스(Bluetooth), 저에너지 블루투스(Bluetooth Low Energy), 지그비(zigbee) 통신, 알에프아이디(RFID: Radio-Frequency IDentification) 및/또는 엔에프씨(NFC: Near Field Communication) 등의 근거리 통신 기술을 기반으로 구현된 네트워크를 포함할 수 있다. 원거리 통신 네트워크는, 예를 들어, 3GPP, 3GPP2, 와이브로 또는 와이맥스 계열 등의 이동 통신 표준을 기반으로 구현된 이동 통신 네트워크를 포함할 수 있다. 적어도 하나의 단말 장치(3) 역시 이와 같은 유무선 통신 네트워크(2)를 통해 차량 번호판 인식 장치(100: 100-1 내지 100-K) 및 차량 번호판 인식 관리 장치(200) 중 적어도 하나와 데이터 등의 송수신을 수행할 수 있다.

적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)는, 차량(미도시)의 전면이나 측면에 대한 적어도 하나의 영상 데이터(도 3의 10, 이하 분석 대상 영상 데이터)를 획득하고, 적어도 하나의 분석 대상 영상 데이터(10)로부터 차량 번호판을 인식하여 차량 번호를 획득할 수 있다. 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)는 폐쇄회로 카메라(CCTV) 등과 같은 카메라 장치나 차량번호인식시스템(LPR: License Plate Recognition system) 등을 이용하여 구현될 수도 있고 또는 차량 번호판의 인식을 위해 특별히 제작된 전자 장치를 이용하여 구현될 수도 있다. 또한, 이외에도 차량 번호판 인식 장치(100: 100-1 내지 100-K)는 스마트폰, 태블릿 피씨, 내비게이션 장치 및/또는 블랙박스 장치 등을 이용하여 구현되는 것도 가능하다. 실시예에 따라 차량 번호판 인식 시스템(1)은 다수의 차량 번호판 인식 장치(100: 100-1 내지 100-K)늘 포함할 수 있다. 여기서, 다수의 차량 번호판 인식 장치(100: 100-1 내지 100-K) 중 적어도 둘은 서로 상이한 원격지에 배치되어 지리적으로 분산된 것일 수도 있다. 차량 번호판 인식 장치(100: 100-1 내지 100-K)의 상세한 동작은 후술하도록 한다.

일 실시예에 의하면, 차량 번호판 인식 장치(100: 100-1 내지 100-K)는, 하나 또는 둘 이상의 인식 장치 집단(R-1, R-2 내지 R-K) 중 어느 하나의 인식 장치 집단에 속하는 것일 수 있다. 여기서 인식 장치 집단(R-1, R-2 내지 R-K)은, 각각 하나 또는 둘 이상의 차량 번호판 인식 장치(100-1 내지 100-K)를 포함하는 집단일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 제1 인식 장치 집단(R-1)은 제1 차량 번호판 인식 장치(100-1)를 포함하고, 제2 인식 장치 집단(R-2)은 제2 내지 제4 차량 번호판 인식 장치(100-2 내지 100-4)를 포함하며, 제K 인식 장치 집단(R-K)은 제(K-3) 내지 K 차량 번호판 인식 장치(100-(K-3) 내지 100-K)를 포함할 수 있다. 그러나, 이는 예시적인 것으로 각각의 인식 장치 집단(R-1, R-2 내지 R-K)마다 동일하거나 또는 상이한 개수의 차량 번호판 인식 장차(100-1 내지 100-K)를 포함할 수 있다. 또한, 여기서, 각각의 인식 장치 집단(R-1, R-2 내지 R-K)에 포함되는 차량 번호판 인식 장치(100-1 내지 100-K)는 모두 동종 또는 이종인 장치를 구현될 수도 있으며, 또는 일부는 동종이고 다른 일부는 이종인 장치를 이용하여 구현된 것일 수도 있다. 일 실시예에 따르면, 각각의 인식 장치 집단(R-1, R-2 내지 R-K)은 차량 번호판 인식 장치(100-1 내지 100-K)가 배치된 지역에 따라 구분되는 것일 수도 있다. 즉, 동일한 인식 장치 집단(R-1, R-2 내지 R-K) 내의 차량 번호판 인식 장치(100-1 내지 100-K)는, 서로 근접지에 위치하고, 다른 인식 장치 집단(R-1, R-2 내지 R-K)의 차량 번호판 인식 장치(100-1 내지 100-K)와는 서로 원격지에 위치한 것일 수 있다. 보다 구체적으로 예를 들어, 제1 인식 장치 집단(R-1)의 차량 번호판 인식 장치(100-1)는, 다른 제2 인식 장치 집단(R-2)의 차량 번호판 인식 장치(100-2 내지 100-4)와 서로 상이한 도시나 국가에 위치하는 것일 수도 있다. 물론 실시예에 따라서 서로 상대적으로 멀리 배치된 복수의 차량 번호판 인식 장치(100-1 내지 100-K)가 하나의 인식 장치 집단(R-1, R-2 내지 R-K)로 묶이는 것도 가능하다. 실시예에 따라서, 하나의 인식 장치 집단, 일례로 제2 인식 장치 집단(R-2) 내의 모든 차량 번호판 인식 장치(100-2 내지 100-4)는, 동일한 학습 모델(도 4의 98, 이하 분석용 학습 모델)이나 애플리케이션을 이용하여 차량 번호판 인식 과정을 수행하도록 마련된 것일 수 있으며, 이 경우, 차량 번호판 인식 관리 장치(200)는 동일 집단(R-2) 내의 모든 차량 번호판 인식 장치(100-2 내지 100-4)에 동일한 분석용 학습 모델(98)이나 애플리케이션을 전송함으로써 동일 집단(R-2) 내의 차량 번호판 인식 장치(100)가 동일한 분석용 학습 모델(98)이나 애플리케이션을 통해 차량 인식을 수행하도록 할 수도 있다.

차량 번호판 인식 관리 장치(200)는, 차량 번호판 인식 장치(100: 100-1 내지 100-K) 각각의 동작을 위한 학습 모델(98, 즉, 분석용 학습 모델)을 결정하고, 결정한 분석용 학습 모델은 차량 번호판 인식 장치(100: 100-1 내지 100-K) 중 적어도 하나로 동시에 또는 순차적으로 전송할 수 있다. 차량 번호판 인식 관리 장치(200)는 하나 또는 둘 이상의 정보처리장치를 이용하여 구현 가능하며, 예를 들어, 서버용 컴퓨터 장치, 데스크톱 컴퓨터, 랩톱 컴퓨터, 스마트 폰, 태블릿 피씨, 스마트 시계, 두부 장착형 디스플레이(HMD: Head Mounted Display) 장치, 내비게이션 장치, 휴대용 게임기, 개인용 디지털 보조기(PDA: Personal Digital Assistant), 디지털 텔레비전, 셋톱 박스, 가전 기기(냉장고나 로봇 청소기 등), 인공 지능 음향 재생 장치(인공 지능 스피커), 차량, 유인 비행체, 무인 비행체, 로봇 및/또는 산업용 기계를 이용하여 구현 가능하며, 예시된 바 이외에도 데이터의 연산 처리 및 송수신이 가능한 다양한 종류의 정보 처리 장치를 이용하여 구현될 수 있다.

단말 장치(3)는, 차량 번호판 인식 장치(100: 100-1 내지 100-K) 중 적어도 하나와 연결되고, 연결된 차량 번호판 인식 장치(100: 100-1 내지 100-K) 중 적어도 하나로부터 단말 장치(3)의 사용자가 원하는 정보를 획득하고, 이를 사용자에게 제공할 수 있다. 여기서, 사용자가 원하는 정보는, 예를 들어, 차량 번호판 인식 결과에 따라 획득된 차량 번호나 획득한 차량 번호에 대응하는 차량에 대한 처리 결과(일례로, 출입 허가 여부나 비용 결제 여부 등) 등을 포함할 수 있다. 단말 장치(3)는 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 마련된 외부 접속 관리부(도 2의 123)의 동작에 따라서 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 획득한 정보를 수신할 수도 있다. 이 경우, 단말 장치(3)는 외부 접속 관리부(123)에 의해 제공되는 응용 프로그램 프로그래밍 인터페이스(API: Application Programming Interface)를 이용하여 이들 정보를 획득할 수도 있다. 단말 장치(3)는, 실시예에 따라, 데스크톱 컴퓨터, 랩톱 컴퓨터, 스마트 폰, 태블릿 피씨, 스마트 시계, 두부 장착형 디스플레이 장치, 내비게이션 장치, 휴대용 게임기, 디지털 텔레비전, 전자 광고판, 셋톱 박스, 가전 기기, 인공 지능 음향 재생 장치, 차량, 비행체, 또는 산업용 기계 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

이하 도 2를 참조하여, 상술한 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 대해 설명한다.

도 2는 차량 번호판 인식 장치의 일 실시예에 대한 블록도이다.

도 2에 도시된 바에 의하면, 차량 번호판 인식 장치(100)는, 촬영부(111), 감지부(113), 통신부(115), 입출력부(117), 저장부(119) 및 프로세서(120)를 포함할 수 있으며, 설계자의 임의적 선택에 따라 이들(111 내지 119) 중 적어도 하나는 생략될 수도 있다.

촬영부(111)는 가시광선 또는 적외선 등을 이용하여 촬영 방향에 대한 영상 데이터(즉, 분석 대상 영상 데이터)를 획득하고 이를 프로세서(120)로 전달할 수 있다. 촬영부(111)는 실시예에 따라서 감지부(113)로부터 또는 프로세서(120)로부터 차량 감지에 대한 신호가 전달되면, 이에 응하여 촬영을 수행하여 분석 대상 영상 데이터(10)를 획득할 수도 있다. 촬영부(111)가 획득한 분석 대상 영상 데이터(10)는 상대적으로 저품질의 영상 데이터를 포함할 수 있다. 예를 들어, 촬영부(111)는 상대적으로 낮은 해상도의 촬상소자를 이용하여 저렴하게 제작된 카메라 장치를 이용하여 구현된 경우, 획득된 분석 대상 영상 데이터(10)는 저해상도의 영상 데이터일 수도 있다. 또한, 분석 대상 영상 데이터(10)는, 채용된 카메라의 품질 또는 날씨나 시간 등에 따른 주변 환경의 변화 등에 따라서 초점이 맞지 않거나, 흔들리거나, 전체적으로 어둡거나 또는 일정 이상의 노이즈가 존재할 수도 있다.

감지부(113)는 차량의 이동 또는 존재를 감지하고, 감지에 대응하는 신호를 출력하여 촬영부(111)나 프로세서(120)로 전달할 수 있다. 이에 따라 촬영부(111)는 차량에 대한 촬영을 수행할 수 있게 된다. 감지부(113)는, 실시예에 따라, 적외선이나 레이저 등을 감지하는 광 센서, 자기장을 감지하는 자기장 센서 또는 차량에 의해 인가된 압력을 감지하는 감압 센서(압전 센서 등) 등을 이용하여 구현 가능하다.

통신부(115)는, 유선으로 또는 무선 통신 네트워크에 접속하여, 차량 번호판 인식 장치(100)가 차량 번호판 인식 관리 장치(200) 및 단말기(3) 중 적어도 하나와 통신을 수행할 수 있도록 마련된다. 예를 들어, 통신부(115)는 차량 번호판 인식 관리 장치(200)로부터 분석용 학습 모델이나 애플리케이션 등을 수신할 수도 있고, 촬영부(111)가 획득한 분석 대상 영상이나 프로세서(120)가 획득한 번호판 분석 결과(즉, 해당 차량의 차량번호)를 차량 번호판 인식 관리 장치(200) 및 단말 장치(3) 중 적어도 하나로 송신할 수도 있다. 통신부(115)는, 실시예에 따라, 유선 케이블 단자 및 랜카드 등을 포함할 수도 있고, 통신칩, 통신칩이 실장된 회로기판 및 안테나 등을 포함할 수도 있다.

입출력부(117)는, 사용자(차량 번호판 인식 장치(100)의 설계자나 관리자 및/또는 차량 등의 운전자나 동승자 등을 포함할 수 있음)로부터 명령 또는 데이터 등을 입력 받거나 및/또는 사용자에게 필요한 정보(예를 들어, 분석 대상 영상 데이터(10), 인식된 차량 번호, 차량의 종류, 입차 승인 여부, 입차 시간, 출차 시간, 입차 및 출차 시간 간의 간격(예를 들어, 주차 시간 등) 및/또는 요금 등)를 시각적 및/또는 청각적으로 제공할 수 있다. 이에 따라 사용자는 차량 번호판 인식 장치(100)로 원하는 데이터(예를 들어, 지정 차량에 대한 정보 등)를 입력하거나 및/또는 차량 번호판 인식 장치(100)로부터 차량 번호의 인식 여부나, 차량 번호 인식의 정확 여부, 차량 번호 인식에 대응하는 처리 결과(일례로 요금 등) 등을 용이하게 파악할 수 있게 된다. 입출력부(117)는, 입력부 및 출력부 중 적어도 하나를 포함할 수 있으며, 여기서, 입력부는, 예를 들어, 물리버튼, 키보드, 키패드, 카드 수납기, 터치 스크린, 터치 패드, 스캐너, 마이크로 폰, 마우스, 태블릿 입력 장치, 트랙볼, 트랙패드 및/또는 데이터 입출력 단자(범용직렬버스 단자 등) 등을 포함할 수 있으며, 출력부는 디스플레이, 프린터 장치, 스피커 장치, 영상 출력 단자 및/또는 데이터 입출력 단자 등을 포함할 수 있으나, 상술한 예시에 한정되는 것은 아니다.

저장부(119)는 차량 번호판 인식 장치(100)의 동작에 필요한 다양한 정보나 애플리케이션을 일시적 또는 비일시적으로 저장할 수 있다. 예를 들어, 저장부(119)는 수신한 분석용 학습 모델이나 애플리케이션을 저장하고, 프로세서(120)의 호출에 따라 분석용 학습 모델이나 애플리케이션을 프로세서(120)에 제공할 수도 있다 또한, 저장부(119)는 촬영부(111)가 획득한 분석 대상 영상 데이터(10)를 저장하거나, 프로세서(120)가 분석 대상 영상 데이터(10)로부터 검출한 차량 번호판(이하 목적 차량 번호판)이나 목적 차량 번호판으로부터 획득한 해당 차량의 차량번호(문자 및/또는 숫자로 이루어진 것일 수 있음)를 저장할 수도 있다. 저장부(119)는, 예를 들어, 주기억장치(롬이나 램) 및 보조기억장치(플래시 메모리 장치, 솔리드 스테이트 드라이브나 하드 디스크 드라이브 등) 중 적어도 하나를 포함할 수 있다.

프로세서(120)는, 분석 대상 영상 데이터(10)를 이용하여 촬영된 차량의 차량 번호판(즉, 목적 차량 번호판)을 인식하고, 그 결과 촬영된 차량에 대한 차량번호를 획득할 수 있다. 이를 위해 프로세서(120)는, 저장부(119)에 저장된 애플리케이션을 이용하여 차량번호판 인식 및 차량번호 획득 과정을 수행할 수도 있다. 이 경우, 애플리케이션의 전부 또는 일부는 차량 번호판 인식 관리 장치(200)로부터 전송된 것일 수도 있다. 애플리케이션의 일부가 차량 번호판 인식 관리 장치(200)로부터 전송된 경우, 일 실시예에 의하면, 애플리케이션에 포함되거나 이용되는 분석용 학습 모델(98)이 차량 번호판 인식 관리 장치(200)로부터 전송된 것일 수도 있으며, 프로세서(110)는 차량 번호판 인식 관리 장치(200)로부터 수신한 분석용 학습 모델(98)을 이용하여 기존의 애플리케이션을 수정 및 갱신함으로써 차량 인식 및 분석을 위한 새로운 애플리케이션을 획득하고, 획득한 새로운 애플리케이션을 목적 차량 번호판의 인식 및 차량번호의 획득에 이용할 수도 있다. 또한, 프로세서(120)는 차량 번호판 인식 장치(100)의 전반적인 동작을 제어할 수도 있다. 예를 들어, 프로세서(120)는 감지부(113)가 출력한 감지 신호를 수신하고, 수신한 감지 신호에 응하여 촬영 명령을 생성한 후 촬영 명령을 촬영부(111)로 전달할 수도 있다. 일 실시예에 의하면, 프로세서(120)는, 예를 들어, 중앙 처리 장치(CPU, Central Processing Unit), 마이크로 컨트롤러 유닛(MCU, Micro Controller Unit), 마이컴(Micom, Micro Processor), 애플리케이션 프로세서(AP, Application Processor), 전자 제어 유닛(ECU, Electronic Controlling Unit) 및/또는 각종 연산 처리 및 제어 신호의 생성이 가능한 다른 전자 장치 등을 포함할 수 있다. 이들은 하나 또는 둘 이상의 반도체 칩 등을 이용하여 구현된 것일 수 있다.

일 실시예에 의하면, 프로세서(120)는 도 2에 도시된 바와 같이 영상 처리부(130), 애플리케이션 처리부(121) 및 외부접속관리부(123)를 포함할 수 있다. 애플리케이션 처리부(121) 및 외부접속관리부(123) 중 적어도 하나는 생략 가능하다. 영상 처리부(130), 애플리케이션 처리부(121) 및 외부접속관리부(123)는 논리적으로 구분되는 것일 수도 있고 물리적으로 구분되는 것일 수도 있으며, 물리적으로 구분되는 경우, 영상 처리부(130), 애플리케이션 처리부(121) 및 외부접속관리부(123) 각각은 서로 상이한 반도체 칩 등을 이용하여 구현된 것일 수 있다.

도 3은 차량 번호판 인식 장치에 의해 번호판이 인식되는 일례를 도시한 도면이다.

영상 처리부(130)는 분석 대상 영상 데이터(10)를 분석하여, 차량 번호판을 획득하고, 필요에 따라 차량번호를 더 획득할 수 있다. 구체적으로 예를 들어, 영상 처리부는, 도 2에 도시된 바와 같이, 번호판 검출부(131), 화질향상부(133), 문자인식부(135) 및 결과출력부(137)를 포함할 수 있다.

번호판 검출부(131)는, 도 3에 도시된 바와 같이 촬영부(111)가 획득한 분석 대상 영상 데이터(10)를 수신할 수 있다. 여기서, 분석 대상 영상 데이터(10)는, 상술한 바와 같이 저품질의 영상일 수도 있다. 번호판 검출부(131)는 수신한 분석 대상 영상 데이터(10)를 분석하여, 분석 대상 영상 데이터(10)에 차량 번호판(9)이 존재하는지를 판단할 수 있다. 여기서, 검출부(131)는 분석 대상 영상 데이터(10) 내에 외형적으로 차량 번호판(9)의 형상과 동일하거나 유사한 형상의 존재 여부를 이용하여 차량 번호판(9)의 존재 여부를 확인할 수 있으며, 필요에 따라서 차량의 전체적인 외형에 대한 차량 번호판(9)의 위치 등을 참조하여 차량 번호판(9)을 분석 대상 영상 데이터(10)로부터 검출할 수도 있다. 일 실시예에 의하면, 번호판 검출부(131)는, 분석 대상 영상 데이터(10)로부터 차량 번호판(9)을 검출하기 위해 적어도 하나의 학습 모델을 이용할 수도 있다. 예를 들어, 검출부(131)는 차량 번호판(9)에 대응하는 형상을 검출하거나, 또는 차량의 전체적인 외형 식별 및 차량의 전체적인 외형에 대한 차량 번호판(9)의 위치 파악을 위해 적어도 하나의 학습 모델을 이용하는 것도 가능하다. 적어도 하나의 학습 모델은 차량 번호판 인식 관리 장치(200)로부터 전달된 것일 수 있다. 여기서, 적어도 하나의 학습 모델은, 실시예에 따라서, 심층 신경망(DNN: Deep Neural Network), 콘볼루션 신경망(CNN: Convolution Neural Network), 순환 신경망(RNN: Recurrent Neural Network), 장단기 메모리(LSTM: Long short term memory), 생성적 적대 신경망(GAN: Generative Adversarial Network), 조건적 생성적 적대 신경망(cGAN: Conditional GAN) 및/또는 심층 강화 학습(Deep reinforcement learning) 등 영상 분석을 위해 이용 가능한 적어도 하나의 학습 모델을 포함할 수 있다.

화질 향상부(133)는 차량 번호판(9)의 위치 파악 및 검출이 완료되면, 적어도 하나의 분석 대상 영상 데이터(10)의 화질에 대한 개선 처리를 수행하여 적어도 하나의 화질이 개선된 분석 대상 영상 데이터(11)를 획득할 수 있다. 화질 개선 처리는 분석 대상 영상 데이터(10)의 콘트라스트나 밝기를 조절하거나, 노이즈를 제거하거나 또는 불명확한 부분을 명확하게 수정하는 등의 방법을 통해 수행될 수 있다. 화질 향상부(133) 역시 화질 개선을 위해 적어도 하나의 학습 모델을 이용할 수 있으며, 여기서 이용되는 학습 모델은 번호판 검출부(131)가 이용하는 학습 모델과 동일할 수도 있고 또는 상이할 수도 있다. 화질 향상부(133)가 이용하는 적어도 하나의 학습 모델 역시 차량 번호판 인식 관리 장치(200)로부터 전달된 것일 수 있다. 화질 향상부(133)는 필요에 따라 생략 가능하다.

문자 인식부(135)는 번호판 검출부(131)가 번호판(9)을 검출한 영상 데이터(10) 또는 화질 향상부(133)에 의해 화질 개선 처리가 수행된 영상 데이터(11)로부터 차량 번호판(9)을 추출하고, 추출한 차량 번호판(9)으로부터 문자 또는 숫자(9A)를 인식함으로써 차량에 대한 차량 번호를 획득할 수 있다. 문자 인식부(135)는 소정의 문자 인식 알고리즘을 적어도 하나 이용하여 차량 번호판(9)으로부터 문자나 숫자를 인식할 수 있으며, 소정의 문자 인식 알고리즘은 적어도 하나의 학습 모델을 기반으로 구축된 것일 수 있다. 여기서, 문자 인식 알고리즘에 이용되는 적어도 하나의 학습 모델도 차량 번호판 인식 관리 장치(200)로부터 전달된 것일 수 있다. 또한, 문자 인식부(135)가 이용하는 학습 모델은, 번호판 검출부(131) 또는 화질 향상부(133)가 이용하는 학습 모델과 동일할 수도 있고 상이할 수도 있다.

결과 출력부(137)는 문자 인식부(135)의 문자 인식 결과를 전기적 신호 형태로 출력하여, 통신부(115), 입출력부(117) 및 저장부(119) 중 어느 하나로 전달할 수 있다.

애플리케이션 처리부(121)는 차량 번호판 인식 관리 장치(200)가 적어도 하나의 학습 모델(98)을 전송한 경우, 학습 모델(98)을 기존의 애플리케이션에 추가하거나 또는 수신한 적어도 하나의 학습 모델(98)에 대응하는 기존의 애플리케이션의 적어도 하나의 학습 모델을 대체함으로써 애플리케이션을 수정할 수 있다. 수정된 애플리케이션은 영상 처리부(130)에 전달될 수 있으며, 영상 처리부(130)는 수신한 애플리케이션을 이용하여 번호판 검출(131), 화질 향상(133, 생략 가능함), 문자 인식(135) 및 결과 출력(137)의 동작을 수행할 수 있다.

외부 접속 관리부(123)는 단말 장치(3)의 접속 및 요청에 따라 단말 장치(3)로부터 전달된 요청 사항을 분석하고, 요청 사항에 따라 차량 번호판 인식 장치(100)가 동작하도록 할 수 있다. 예를 들어, 외부 접속 관리부(123)는, 단말 장치(3)로부터 전달된 정보 전달 요청에 따라 단말 장치(3)로 요청된 정보(예를 들어, 번호판 인식 결과나, 이에 따른 과금 처리 동작 결과나, 차단기 등의 동작 제어 결과 등)를 결정 및 획득하고, 통신부(115)를 제어하여 단말 장치(3)로 요청된 정보가 전달되도록 할 수 있다. 실시예에 따라서, 외부 접속 관리부(123)는 접속을 요청한 단말 장치(3)나 단말 장치(3)의 사용자에 대한 인증을 수행하고, 인증 결과에 따라서 전달된 요청의 처리 여부를 결정할 수도 있다. 외부 접속 관리부(123)는, 예를 들어, 응용 프로그램 프로그래밍 인터페이스를 기반으로 구현된 것일 수 있다.

상술한 바 이외에도 프로세서(120)는 실시예에 따라 다양한 동작을 수행할 수도 있다. 예를 들어, 프로세서(120)는 차량 번호가 확인되면, 확인된 차량 번호를 입출력부(117)가 외부로 시각적 또는 청각적으로 출력하도록 제어하거나, 확인된 차량 번호를 기반으로 입차 시간 및 출차 시간을 결정하고 결정된 입차 시간 및 출차 시간을 기준으로 요금(주차 요금 등)을 결정하거나, 해당 차량에 대한 진입 또는 진출 여부의 결정 및 결정에 대응하는 차단바의 동작 제어를 수행하도록 하는 등 소정의 동작을 수행할 수 있다. 이와 같은 동작은 차량 번호판 인식 장치(100)의 설치 위치(예를 들어, 일반 도로나 주차장 진입로 등) 등에 따라 상이할 수도 있다. 이외에도 프로세서(120)는 설계자의 선택에 따라 다양한 동작을 더 수행할 수도 있다.

이하 도 4를 참조하여 차량 번호판 인식 관리 장치(200)의 일 실시예에 대해 설명한다.

도 4는 차량 번호판 인식 관리 장치의 일 실시예에 대한 블록도이다.

도 4에 도시된 바를 참조하면, 차량 번호판 인식 관리 장치(200)는, 일 실시예에 있어서, 통신부(211), 입출력부(213, 생략 가능함), 저장부(215) 및 프로세서(220)를 포함할 수 있다.

통신부(211)는, 유무선 통신 네트워크에 접속하여 적어도 하나의 차량 번호판 인식 장치(100)와 통신을 수행하여 데이터 등을 송수신할 수 있으며, 예를 들어, 제1 차량 번호판 인식 장치(100-1), 제2 차량 번호판 인식 장치(100-2) 내지 제K 차량 번호판 인식 장치(100-K) 중 적어도 하나와 통신 가능하게 연결되어 데이터 등을 송수신할 수 있다. 이 경우, 통신부(211)는 프로세서(220)가 획득한 학습 모델(98) 또는 학습 모델을 포함하는 애플리케이션을 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 전달할 수 있다. 여기서, 통신부(211)에 의해 전송되는 학습 모델(98) 또는 애플리케이션은 각각의 차량 번호판 인식 장치(100)마다 동일할 수도 있고, 상이할 수도 있다. 차량 번호판 인식 장치(100: 100-1 내지 100-K)로의 학습 모델(98) 또는 애플리케이션의 전송은 각각의 차량 번호판 인식 장치(100)에 대한 학습 모델(98)의 획득 또는 수정 시마다 수행될 수도 있다. 실시예에 따라서, 어느 하나의 인식 장치 집단(R-1 내지 R-K)에 복수의 차량 번호판 인식 장치(일례로 100-2 내지 100-4)가 존재하는 경우, 학습 모델(98) 또는 애플리케이션은 해당 인식 장치 집단(일례로 R-2)에 속하는 차량 번호판 인식 장치(일례로 100-2 내지 100-4) 각각으로 순차적으로 또는 동시에 전송될 수도 있다. 통신부(211)는, 차량 번호판 인식 장치(100)의 통신부(115)와 동일하게 실시예에 따라, 유선 케이블 단자 및 랜카드 등을 포함할 수도 있고, 통신칩, 통신칩이 실장된 회로기판 및 안테나 등을 포함할 수도 있다.

입출력부(213)는 차량 번호판 인식 관리 장치(200)를 위한 데이터나 명령을 입력 받거나 및/또는 차랑 번호판 인식 관리 장치(200)가 획득하거나 또는 저장하고 있는 데이터나 애플리케이션 등을 외부로 출력할 수 있다. 입출력부(213)는, 차량 번호판 인식 장치(100)의 입출력부(117)와 동일하게, 입력부 및 출력부 중 적어도 하나를 포함할 수 있으며, 입력부는 키보드, 마우스 장치나 데이터 입출력 단자 등을 포함하고, 출력부는 디스플레이나 데이터 입출력 단자 등을 포함할 수 있다.

저장부(215)는 차량 번호판 인식 관리 장치(200)의 동작에 필요한 적어도 하나의 데이터나 애플리케이션을 일시적 또는 비일시적으로 저장할 수 있다. 예를 들어, 저장부(215)는 외부로부터 수신하거나 또는 사용자에 의해 정의된 적어도 하나의 초기 학습 모델이나, 프로세서(220)가 생성한 분석용 학습 모델(98)이나, 분석용 학습 모델(98)을 포함하는 애플리케이션이나, 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)로부터 수신한 영상 데이터(97, 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 획득한 분석 대상 영상 데이터(10)를 포함할 수도 있음)나, 분석용 학습 모델(98)의 생성을 위한 애플리케이션 파이프라인(99) 등을 저장할 수 있다. 또한, 저장부(215)는 프로세서(220)의 동작을 위해 마련된 적어도 하나의 애플리케이션(명령어, 라이브러리 및/또는 변수 등을 포함할 수 있음) 등을 저장할 수도 있다. 저장부(215)는, 프로세서(220)의 호출에 따라 저장한 데이터(97, 98)나 애플리케이션 파이프라인(98) 등을 프로세서(220)에 제공할 수 있다. 저장부(215)는 주기억장치 및 보조기억장치 중 적어도 하나를 이용하여 구현 가능하다.

프로세서(220)는 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 제공될 분석용 학습 모델(98)을 생성할 수 있다. 일 실시예에 의하면, 프로세서(220)는, 도 4에 도시된 바와 같이, 학습 모델 처리부(221), 학습 모델 배포 관리부(223) 및 성능 검사부(225)를 포함할 수 있다. 이 중 학습 모델 배포 관리부(223) 및/또는 성능 검사부(225)는 생략 가능하다. 학습 모델 처리부(221), 학습 모델 배포 관리부(223) 및 성능 검사부(225) 각각은 실시예에 따라 논리적 및/또는 물리적으로 구분되는 것일 수 있다.

학습 모델 처리부(221)는 분석용 학습 모델(98)을 획득하고, 획득한 분석용 학습 모델(98)을 통신부(211) 및 저장부(215) 중 적어도 하나로 전달할 수 있다. 구체적으로 학습 모델 처리부(221)는 설계자나 관리자에 의해 별도로 입력되거나 및/또는 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)으로부터 전달된 영상 데이터(97)를 획득하고, 획득한 영상 데이터(97)를 이용하여 기 저장된 적어도 하나의 학습 모델(이하 후보 학습 모델) 또는 기 획득된 분석용 학습 모델(98)을 훈련시킴으로써, 새로운 또는 수정된 분석 대상 학습 모델(98)을 획득할 수 있다. 학습 모델 처리부(211)는, 일 실시예에 의하면, 분석 대상 학습 모델(98)이 배포될 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 따라서 상이하게 적어도 하나의 후보 학습 모델 또는 기 획득된 분석용 학습 모델(98)을 훈련시킴으로써 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K) 각각에 대응하는 분석 대상 학습 모델(98)을 새롭게 또는 수정하여 획득할 수도 있다. 다른 일 실시예에 의하면, 학습 모델 처리부(211)는 인식 장치 집단(R-1 내지 R-K) 각각마다 상이하게 적어도 하나의 후보 학습 모델 또는 기 획득된 분석용 학습 모델(98)을 훈련시킴으로써 각각의 인식 장치 집단(R-1 내지 R-K)에 대응하는 새롭거나 수정된 분석 대상 학습 모델(98)을 획득할 수도 있다. 이 경우, 인식 장치 집단(R-1 내지 R-K) 각각에 대응하여 획득된 분석 대상 학습 모델(98)은 인식 장치 집단(R-1 내지 R-K) 각각으로 배포될 수 있으며, 이에 따라 동일한 인식 장치 집단(R-1 내지 R-K)에 속하는 적어도 하나의 학습 모델 인식 장치(100-1, 100-2 내지 100-4, 100-(K-3) 내지 100-K)는 동일한 분석용 학습 모델(98)을 수신 및 이용할 수 있게 된다. 여기서, 분석용 학습 모델(98)의 획득을 위해 훈련되는 후보 학습 모델은, 예를 들어, 심층 신경망, 콘볼루션 신경망, 순환 신경망, 장단기 메모리, 생성적 적대 신경망, 조건적 생성적 적대 신경망 및/또는 심층 강화 학습 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

일 실시예에 의하면, 학습 모델 처리부(221)는 애플리케이션 파이프라인(99)을 이용하여 적절한 분석용 학습 모델(98)을 획득할 수도 있다. 구체적으로 학습 모델 처리부(221)는 적어도 하나의 후보 학습 모델 또는 적어도 하나의 기존의 분석용 학습 모델(98)을 획득하고, 이와 동시에 또는 이에 선행하거나 후행하여 애플리케이션 파이프라인을 구축할 수 있다. 구축되는 애플리케이션 파이프라인은 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 차량 번호판(9)의 인식을 위해 이용되는 애플리케이션에 대응하여 마련된 것일 수 있다. 예를 들어, 애플리케이션 파이프라인(99)은, 번호판 검출 과정(131), 화질 향상 과정(133, 실시예에 따라 생략 가능함), 문자 인식 과정(135) 및 결과 출력 과정(137, 실시예에 따라 생략 가능함)을 순차적으로 포함하여 구축될 수 있으며, 필요에 따라서 입력될 영상 데이터(97)를 더 포함할 수도 있다. 애플리케이션 파이프라인(99)은 분석용 학습 모델(98)을 획득하고자 하는 차량 번호판 인식 장치(100: 100-1 내지 100-K)마다 상이할 수도 있고 또는 동일할 수도 있다. 애플리케이션 파이프라인(99)이 구축되면, 학습 모델 처리부(221)는, 이에 응하여, 애플리케이션 파이프라인(99)에 적어도 하나의 후보 학습 모델 또는 기 획득된 분석용 학습 모델(98)을 적용할 수 있다. 순차적으로 학습 모델 처리부(221)는, 영상 데이터(97)를 이용한 훈련을 통해 애플리케이션 파이프라인에 최적인 적어도 하나의 후보 학습 모델을 획득하고 획득한 적어도 하나의 후보 학습 모델을 분석용 학습 모델(98)로 결정함으로써, 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 이용할 적어도 하나의 분석용 학습 모델(98)을 획득하거나 또는 영상 데이터(97)를 이용하여 기존의 분석용 학습 모델(98)을 재 훈련시킴으로써 애플리케이션 파이프라인에 최적인 분석용 학습 모델(98)을 획득할 수도 있다.

학습 모델 처리부(221)는 미리 정의된 설정에 따라 또는 사용자, 관리자나 설계자 등의 조작에 따라 기존의 후보 학습 모델 또는 분석용 학습 모델(98)에 대한 훈련을 수행할 수 있다. 필요에 따라, 사용자나 관리자 등은 학습을 위한 다양한 설정 값(model training configuration, 일례로 모델의 최적화나 구성을 위한 설정 값 등)과 같은 다양한 값들을 지정하여 입력할 수도 있다. 학습 모델 처리부(221)의 훈련 과정은 주기적 또는 비주기적으로 수행될 수도 있다.

학습 모델 배포 관리부(223)는, 획득 또는 수정된 적어도 하나의 분석용 학습 모델(98)의 배포를 관리 및 처리할 수 있다. 구체적으로 학습 모델 배포 관리부(223)는, 분석용 학습 모델(98)을 대응하는 차량 번호판 인식 장치(100: 100-1 내지 100-K)로 전송하도록 통신부(211)를 제어할 수도 있다. 예를 들어, 학습 모델 배포 관리부(223)는, 분석용 학습 모델(98)의 획득을 위해 후보 학습 모델의 훈련에 이용된 영상 데이터(97)를 전송한 차량 번호판 인식 장치(100: 100-1 내지 100-K) 또는 인식 장치 집단(R-1 내지 R-K)으로 해당 분석용 학습 모델(98)을 전송하도록 제어할 수 있다. 여기서, 전달되는 분석용 학습 모델(98)은 상술한 바와 같이, 애플리케이션 파이프라인(99)에 최적인 후보 학습 모델을 포함할 수 있다. 학습 모델 배포 관리부(223)는 미리 정의된 설정에 따라 자동으로 또는 사용자 등의 조작에 따라 수동으로 분석용 학습 모델(98)을 배포할 수 있다.

성능 검사부(225)는 애플리케이션 파이프라인(99)에 최적인 학습 모델, 즉 분석용 학습 모델(98)이 적용된 애플리케이션 파이프라인(99)에 대한 성능을 검사할 수 있다. 성능 검사부(225)는 애플리케이션 파이프라인(99) 각각에 포함된 과정, 일례로 번호판 검출 과정(131), 화질 향상 과정(133), 문자 인식 과정(135) 및 결과 출력 과정(137) 각각마다 그 성능을 검사할 수 있다. 이 경우, 성능 검사부(225)는 임의의 영상 데이터(97)를 각각의 과정(131 내지 137)에 입력하고 그 결과를 확인하고 그 결과에 대응하는 스코어를 결정하여 성능 검사를 수행할 수도 있다. 성능 검사부(225)의 성능 검사는, 실시예에 따라서 주기적으로 또는 비주기적으로 수행될 수 있으며, 사용자나 관리자 등의 조작에 따라 수행될 수도 있다. 성능 검사부(225)의 검사 결과는 학습 모델 처리부(221)로 전달될 수 있으며, 학습 모델 처리부(221)는 성능 검사부(225)의 검사 결과에 따라서 후보 학습 모델 또는 분석용 학습 모델(98)에 대한 훈련을 수행할 수 있다. 예를 들어, 학습 모델 처리부(221)는 스코어가 상대적으로 낮거나 기준에 미달한 과정(131 내지 137)을 보강하기 위해 소정의 가중치를 부가하거나 및/또는 상이한 후보 학습 모델을 적용하여 분석용 학습 모델(98)을 획득할 수도 있다.

상술한 바와 같이 프로세서(220)의 학습 모델 처리부(221)는, 성능검사부(225)의 성능 검사 결과에 이용하여 또는 이를 이용하지 않고, 애플리케이션 파이프라인(99) 등에 후보 학습 모델이나 기 획득된 분석용 학습 모델(98)을 적용하고, 훈련을 통해 최적의 후보 학습 모델을 획득하거나 기 획득된 분석용 학습 모델(98)을 개선시킴으로써, 적어도 하나의 차량 번호판 인식 장치(100: 100-1 내지 100-K)로 전달될 하나 또는 둘 이상의 분석용 학습 모델(98)을 획득할 수 있다. 통신부(211)는 프로세서(220)의 학습 모델 배포 관리부(223)의 제어에 따라 획득한 분석용 학습 모델(98)을 해당 차량 번호판 인식 장치(100: 100-1 내지 100-K)로 전송할 수 있으며, 해당 차량 번호판 인식 장치(100: 100-1 내지 100-K)는, 수신한 분석용 학습 모델(98)을 이용하여 보다 적절하게 분석 대상 영상 데이터(10)로부터 차량 번호판을 인식하고 차량 번호판으로부터 차량 번호를 획득할 수 있게 된다. 따라서, 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 저품질의 영상 데이터(10)만 획득할 수 있는 경우에도 최적의 학습 모델(99)을 이용하여 영상 데이터(10)를 분석하고 이를 기반으로 차량 번호판 인식 및 차량 번호 획득을 보다 효율적이고 효과적으로 수행할 수 있게 된다. 또한, 다수의 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 존재하고, 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)가 서로 상이한 품질의 영상 데이터(10)를 획득하는 경우에도, 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)마다 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)에 최적인 분석용 학습 모델(98)의 생성, 전달 및 이용이 가능하게 되어, 각각의 차량 번호판 인식 장치(100: 100-1 내지 100-K)의 운용 효율이 개선되는 효과도 얻을 수 있다.

이하 도 5을 참조하여 차량 번호판 인식 방법의 여러 실시예에 대해서 설명하도록 한다.

도 5는 차량 번호판 인식 방법의 일 실시예에 대한 흐름도이다.

도 5에 도시된 차량 번호판 인식 방법의 일 실시예에 따르면, 서버용 컴퓨터 장치 등을 이용해 구축 가능한 차량 번호판 인식 관리 장치가, 적어도 하나의 후보 학습 모델을 획득할 수 있다(400). 상황이나 실시예에 따라서, 차량 번호판 인식 관리 장치는, 후보 학습 모델 대신에 기존에 생성된 적어도 하나의 분석용 학습 모델을 더 획득하거나 또는 후보 학습 모델에 대체하여 획득하는 것도 가능하다. 여기서, 적어도 하나의 후보 학습 모델 및/또는 적어도 하나의 분석용 학습 모델은, 분석용 학습 모델을 획득하고자 하는 적어도 하나의 차량 번호판 인식 장치 또는 적어도 하나의 인식 장치 집단에 대응하여 획득되는 것일 수도 있다.

후보 학습 모델 또는 분석용 학습 모델의 획득에 후행하거나, 선행하거나 또는 이와 동시에, 차량 번호판 인식 관리 장치는 애플리케이션 파이프라인을 구축할 수 있다(402). 애플리케이션 파이프라인은 차량 번호판 인식 장치에 의해 처리될 과정들에 대응하는 것일 수 있으며, 예를 들어, 번호판 검출 과정, 화질 향상 과정, 문자 인식 과정 및 결과 출력 과정 등을 포함할 수 있다. 여기서, 화질 향상 과정이나 결과 출력 과정은 생략되는 것도 가능하다. 애플리케이션 파이프라인의 구축은 분석용 학습 모델을 획득하고자 하는 적어도 하나의 차량 번호판 인식 장치 또는 적어도 하나의 인식 장치 집단에 따라 상이할 수도 있고 또는 동일할 수도 있다.

애플리케이션 파이프라인이 구축되면, 차량 번호판 인식 관리 장치는 적어도 하나의 후보 학습 모델을 애플리케이션 파이프라인에 적용하고, 기존 또는 새로 획득된 영상 데이터를 이용하여 애플리케이션 파이프라인에 최적인 후보 학습 모델을 획득하여 분석용 학습 모델을 획득할 수 있다(404). 여기서, 영상 데이터는 분석용 학습 모델의 전송 대상이 되는 적어도 하나의 차량 번호판 인식 장치 또는 적어도 하나의 인식 장치 집단으로부터 수신한 것일 수 있다. 따라서, 최적인 후보 학습 모델은, 분석용 학습 모델의 전송 대상이 되는 적어도 하나의 차량 번호판 인식 장치 또는 적어도 하나의 인식 장치 집단에 대응하여 획득된 것일 수 있다. 즉, 훈련은 차량 번호판 인식 장치 또는 인식 장치 집단마다 상이하게 수행될 수도 있다. 물론, 상황에 따라 학습 모델의 훈련 수행 및 그 결과는 상이한 차량 번호판 인식 장치 또는 상이한 인식 장치 집단 간에도 동일할 수도 있다. 실시예에 따라서, 차량 번호판 인식 관리 장치는 적어도 하나의 분석용 학습 모델을 애플리케이션 파이프라인에 적용하고, 기존 또는 새로 획득된 영상 데이터를 이용하여 기존의 분석용 학습 모델을 다시 훈련시킴으로써 애플리케이션 파이프라인에 최적인 후보 학습 모델을 획득할 수도 있다.

분석용 학습 모델은 적어도 하나의 차량 번호판 인식 장치로 전달되되, 대응하는 적어도 하나의 차량 번호판 인식 장치로 전달될 수 있다(408). 여기서, 대응하는 적어도 하나의 차량 번호판 인식 장치는, 훈련에 이용된 영상 데이터를 전송한 적어도 하나의 차량 번호판 인식 장치일 수도 있다. 또한, 적어도 하나의 차량 번호판 인식 장치는, 하나 또는 둘 이상의 인식 장치 집단에 속하는 것일 수도 있으며, 이 경우, 분석용 학습 모델은 동일한 인식 장치 집단 내의 모든 차량 번호판 인식 장치로 전송될 수도 있다. 다시 말해서, 동일한 인식 장치 집단에 속하는 차량 번호판 인식 장치(들)는 동일한 분석용 학습 모델을 수신할 수도 있다. 분석용 학습 모델이 획득되면, 차량 번호판 인식 장치는 분석용 학습 모델을 이용하여 기존의 차량 번호판 인식을 위한 애플리케이션의 분석용 학습 모델을 수정함으로써, 애플리케이션 갱신을 수행할 수 있다. 필요에 따라서, 분석용 학습 모델을 포함하는 애플리케이션이 차량 번호판 인식 관리 장치로부터 차량 번호판 인식 장치로 전달되는 것도 가능하다.

차량 번호판 인식 장치는 분석용 학습 모델의 수신 이후에, 분석용 학습 모델의 수신 이전에 또는 분석용 학습 모델의 수신과 동시에, 촬영을 수행하여 차량 번호판을 포함하는 영상 데이터(즉, 분석 대상 영상 데이터)를 획득할 수 있다(410).

분석 대상 영상 데이터가 획득되면, 차량 번호판 인식 장치는 획득한 분석용 학습 모델을 이용하여 영상 분석을 수행할 수 있다. 구체적으로 차량 번호판 인식 장치는, 획득된 분석 대상 영상 데이터로부터 차량 번호판을 검출하여 존재 여부를 판단할 수 있다(412). 예를 들어, 분석 대상 영상 데이터 내에 외형적으로 차량 번호판의 형상과 동일하거나 유사한 형상의 존재 여부를 이용하여 차량 번호판이 분석 대상 영상 데이터에 존재하는지 여부가 판단될 수 있다. 필요에 따라, 이를 위해 차량의 전체적인 외형에 대한 차량 번호판의 위치 등도 이용될 수 있다. 또한, 차랑 번호판의 검출을 위해 분석용 학습 모델이 이용될 수도 있다. 분석용 학습 모델은, 차량 번호판에 대응하는 형상의 검출이나, 차량의 전체적인 외형 식별이나, 차량의 전체적인 외형에 대한 차량 번호판의 위치 파악 등을 위해 이용 가능하다.

실시예에 따라서, 순차적으로 영상 데이터의 화질 개선 처리가 수행될 수도 있다(414). 예를 들어, 영상 데이터의 콘트라스트나 밝기의 조절 또는 노이즈의 제거 등과 같은 작업이 수행될 수 있다. 화질 개선 작업 역시 수신한 분석용 학습 모델을 이용해 수행될 수도 있다. 화질 개선 과정(414)은 실시예에 따라 생략 가능하다.

이어서 분석용 영상 데이터 또는 화질 개선 처리가 수행된 분석용 영상 데이터가 획득되면, 해당 영상 데이터에 포함된 차량 번호판에 대한 영상으로부터 적어도 하나의 문자 및/또는 적어도 하나의 숫자를 포함하는 차량번호가 추출된다(416). 차량번호의 추출은 적어도 하나의 학습 모델을 기반으로 하는 소정의 문자 인식 알고리즘을 기반으로 수행될 수 있다.

차량번호가 추출되면, 차량번호의 추출에 따른 동작이 수행될 수 있다(418). 예를 들어, 차량번호의 시각적 또는 청각적 출력 동작, 차량번호에 따른 입차 또는 출차 가능 여부에 대한 판단, 차단바의 동작 제어 및/또는 입차 및 출차 시간을 기반으로 하는 요금 정산 처리 등과 같은 미리 정의된 적어도 하나의 동작이 수행될 수 있다. 이러한 동작은 차량 번호판 인식 장치 및/또는 차량 번호판 인식 장치와 물리적 또는 전기적으로 연결된 다른 장치(예를 들어, 차단기)에 의해 수행될 수 있다. 또한, 실시예에 따라서 추출된 차량 번호 등은 차량 번호판 인식 장치와 통신 가능하게 연결된 적어도 하나의 단말 장치로 전달될 수도 있다.

상술한 실시예에 따른 차량 번호판 인식 방법은, 컴퓨터 장치에 의해 구동될 수 있는 프로그램의 형태로 구현될 수 있다. 여기서 프로그램은, 프로그램 명령, 데이터 파일 및 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 프로그램은 기계어 코드나 고급 언어 코드를 이용하여 설계 및 제작된 것일 수 있다. 프로그램은 상술한 방법을 구현하기 위하여 특별히 설계된 것일 수도 있고, 컴퓨터 소프트웨어 분야에서 통상의 기술자에게 기 공지되어 사용 가능한 각종 함수나 정의를 이용하여 구현된 것일 수도 있다. 또한, 여기서, 컴퓨터 장치는, 프로그램의 기능을 실현 가능하게 하는 프로세서나 메모리 등을 포함하여 구현된 것일 수 있으며, 필요에 따라 통신 장치를 더 포함할 수도 있다.

상술한 차량 번호판 인식 방법을 구현하기 위한 프로그램은, 컴퓨터에 의해 판독 가능한 기록 매체에 기록될 수 있다. 컴퓨터에 의해 판독 가능한 기록 매체는, 예를 들어, 솔리드 스테이트 드라이브(SSD), 롬, 램 또는 플래시 메모리 등과 같은 반도체 저장 장치, 하드 디스크나 플로피 디스크 등과 같은 자기 디스크 저장 매체, 콤팩트 디스크나 디브이디 등과 같은 광 기록 매체, 플롭티컬 디스크 등과 같은 자기-광 기록 매체 및 자기 테이프 등 컴퓨터 등의 호출에 따라 실행되는 특정 프로그램을 저장 가능한 적어도 한 종류의 물리적 장치를 포함할 수 있다.

이상 차량 번호판 인식 시스템, 차량 번호판 인식 방법, 차량 번호판 인식 장치 및 차량 번호판 인식 장치에 대한 차량 번호판 인식 관리 장치의 여러 실시예에 대해 설명하였으나, 차량 번호판 인식 시스템, 차량 번호판 인식 방법, 차량 번호판 인식 장치 및 차량 번호판 인식 장치에 대한 차량 번호판 인식 관리 장치는 오직 상술한 실시예에 한정되는 것은 아니다. 해당 기술 분야에서 통상의 지식을 가진 자가 상술한 실시예를 기초로 수정 및 변형하여 구현 가능한 다양한 시스템, 장치나 방법 역시 상술한 차량 번호판 인식 시스템, 차량 번호판 인식 방법, 차량 번호판 인식 장치 및 차량 번호판 인식 장치에 대한 차량 번호판 인식 관리 장치의 일례가 될 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성 요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나 다른 구성 요소 또는 균등물에 의하여 대치되거나 또는 치환되더라도 상술한 차량 번호판 인식 시스템, 차량 번호판 인식 방법, 차량 번호판 인식 장치 및 차량 번호판 인식 장치에 대한 차량 번호판 인식 관리 장치의 일 실시예가 될 수 있다.

1: 차량 번호판 인식 시스템 3: 단말 장치
100: 차량 번호판 인식 장치 111: 촬영부
113: 감지부 115: 통신부
117: 입출력부 119: 저장부
120: 프로세서 130: 영상 처리부
131: 번호판 검출부 133: 화질 향상부
135: 문자 인식부 137: 결과 출력부
200: 차량 번호판 인식 관리 장치 211: 통신부
213: 입출력부 215: 저장부
220: 프로세서 221: 학습 모델 처리부
223: 학습 모델 배포 관리부 225: 성능 검사부

Claims (17)

1. 애플리케이션 파이프라인을 구축하고, 상기 애플리케이션 파이프라인에 따라 분석용 학습 모델을 결정하는 차량 번호판 인식 관리 장치; 및
   상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결되어 상기 분석용 학습 모델을 수신하고, 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하고, 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 차량 번호판 인식 장치;를 포함하며,
   상기 차량 번호판 인식 관리장치는, 상기 애플리케이션 파이프라인의 성능을 더 검사하고, 검사 결과에 따라서 상기 분석용 학습 모델을 결정하고,
   상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하고, 상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하고, 상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득하는 차량 번호판 인식 시스템.
2. 제1항에 있어서,
   상기 차량 번호판 인식 관리 장치는, 적어도 하나의 후보 학습 모델로부터 상기 적어도 하나의 애플리케이션 파이프라인에 대한 학습 모델을 결정함으로써, 상기 분석용 학습 모델을 결정하는 차량 번호판 인식 시스템.
3. 제2항에 있어서,
   상기 차량 번호판 인식 관리 장치는, 적어도 하나의 차량 번호판을 포함하는 적어도 하나의 영상 데이터를 획득하고, 획득한 상기 적어도 하나의 영상 데이터를 이용하여 상기 후보 학습 모델을 훈련시키는 차량 번호판 인식 시스템.
4. 삭제
5. 삭제
6. 제1항에 있어서,
   상기 차량 번호판 인식 장치와 통신 가능하게 연결되고, 상기 차량 번호판 인식 장치로부터 상기 적어도 하나의 목적 차량 번호판으로부터 획득된 차량 번호를 수신하는 단말 장치;를 더 포함하는 차량 번호판 인식 시스템.
7. 제1항에 있어서,
   상기 차량 번호판 인식 장치는, 복수의 인식 장치 집단 중 어느 하나의 인식 장치 집단에 속한 차량 번호판 인식 시스템.
8. 차량 번호판 인식 관리 장치가 애플리케이션 파이프라인에 대한 분석용 학습 모델을 결정하는 단계;
   상기 차량 번호판 인식 관리 장치와 통신 가능하게 연결된 적어도 하나의 차량 번호판 인식 장치가 상기 분석용 학습 모델을 수신하는 단계;
   상기 적어도 하나의 차량 번호판 인식 장치가 촬영을 수행하여 적어도 하나의 분석 대상 영상 데이터를 획득하는 단계;
   상기 적어도 하나의 차량 번호판 인식 장치가 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 단계; 및
   상기 차량 번호판 인식 관리 장치가 상기 애플리케이션 파이프라인의 성능을 검사하는 단계를 포함하며,
   상기 적어도 하나의 차량 번호판 인식 장치가 상기 적어도 하나의 분석 대상 영상 데이터에 상기 분석용 학습 모델을 적용하여 상기 적어도 하나의 분석 대상 영상 데이터의 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 검출하여 획득하는 단계는,
   상기 적어도 하나의 분석 대상 영상 데이터로부터 상기 적어도 하나의 목적 차량 번호판을 검출하는 단계;
   상기 적어도 하나의 목적 차량 번호판이 검출된 상기 적어도 하나의 분석 대상 영상 데이터에 대해 화질 개선 처리를 수행하는 단계; 및
   상기 분석용 학습 모델을 이용하여 화질 개선 처리된 적어도 하나의 분석 대상 영상 데이터로부터 검출된 상기 적어도 하나의 목적 차량 번호판으로부터 차량 번호를 획득하는 단계를 포함하는 차량 번호판 인식 방법.
9. 제8항에 있어서,
   상기 차량 번호판 인식 관리 장치가 애플리케이션 파이프라인에 따라 분석용 학습 모델을 결정하는 단계는,
   상기 적어도 하나의 애플리케이션 파이프라인에 대한 학습 모델을 적어도 하나의 후보 학습 모델로부터 결정함으로써 상기 분석용 학습 모델을 결정하는 단계;를 포함하는 차량 번호판 인식 방법.
10. 제9항에 있어서,
    상기 차량 번호판 인식 관리 장치가 적어도 하나의 차량 번호판을 포함하는 적어도 하나의 영상 데이터를 획득하는 단계; 및
    획득한 상기 적어도 하나의 영상 데이터를 이용하여 상기 후보 학습 모델을 훈련시키는 단계;를 더 포함하는 차량 번호판 인식 방법.
11. 삭제
12. 삭제
13. 제8항에 있어서,
    상기 차량 번호판 인식 장치와 통신 가능하게 연결된 단말 장치가 상기 차량 번호판 인식 장치로부터 상기 적어도 하나의 목적 차량 번호판으로부터 획득된 차량 번호를 수신하는 단계;를 더 포함하는 차량 번호판 인식 방법.
14. 삭제
15. 삭제
16. 삭제
17. 삭제

Images