본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지

국문요약

목차

제 1 장 서론 11

1.1. 연구배경 및 필요성 11

1.2. 연구방법 및 구성 13

제 2 장 기존 연구 14

2.1. 번호판 영역 추출 14

2.1.1. 색상 정보를 이용한 방법 14

2.1.2. 명암도 특성을 이용한 방법 15

2.2. 문자 영역 분할 16

2.2.1. 번호판 영역의 이진화 16

2.2.2. 모폴로지 17

2.2.3. 연결 요소 레이블링 (Connected Component Labeling) 19

2.3. 문자 인식 20

2.3.1. 템플릿 매칭 20

2.3.2. 문자 인식을 위한 일반적인 방법 23

제 3 장 관련 이론 24

3.1. 캐니 에지 알고리즘 24

3.1.1. 에지 추출 알고리즘 24

3.1.2. 캐니 에지 검출 방법 34

3.2. CLNF (CCLUF Connected Component Labeling by Union Find with NFPP Neighbor Foreground Pixel Propagation) 36

3.2.1. 주변 전경 픽셀 전파 36

3.2.2. CLNF (CCLUF with NFPP) 38

3.3. 신경 회로망을 이용한 문자 인식 39

3.3.1. 문자 인식 39

3.3.2. MESH 특징 벡터 추출 39

3.3.3. 세선화 특징 추출 42

3.4. 인식 모델 46

3.4.1. 역전파 신경망 (Backpropagation Neural Network) 46

제 4 장 번호판 인식 시스템 설계 및 제안하는 알고리즘 52

4.1. 번호판 검출 시스템 52

4.1.1. Haar-Like Feature 를 이용한 번호판 후보 영역 검출 53

4.1.2. 랭크 필터를 적용한 캐니 에지 검출 알고리즘 57

4.1.3. Line Propagation 직선 검출 알고리즘 61

4.2. 문자 영역 검출 시스템 63

4.2.1. Otsu 이진화 전처리 63

4.2.2. CLNF를 이용한 문자 영역 검출 64

4.3. 문자 인식 시스템 68

4.3.1. 메쉬 특징 벡터 추출 68

4.3.2. 세선화 교차 특징 벡터 추출 70

4.3.3. 역전파를 이용한 문자 학습기 설계 71

제 5 장 실험 및 결과 72

5.1. 차량 번호판 인식 시스템 환경 72

5.2. 차량 번호판 인식 시스템 실험 결과 73

5.2.1. 번호판 검출 시스템 실험 결과 73

5.2.2. 번호판 인식 시스템 실험 결과 76

제 6 장 결론 78

참고문헌 80

표목차

〈표 5.1〉 비교 대상 시스템과 본 논문에서 제안한 시스템 차이점 72

〈표 5.2〉 기존의 구형 시스템 번호판 검출 결과 75

〈표 5.3〉 제안된 방법의 신형 시스템 번호판 검출 결과 75

〈표 5.4〉 기존의 구형 시스템 번호판 인식 결과 76

〈표 5.5〉 제안된 방법의 신형 시스템 번호판 인식 결과 76

〈표 5.6〉 기존의 구형 시스템 최종 번호판 인식 결과 77

〈표 5.7〉 제안된 신형 시스템 최종 번호판 인식 결과 77

그림목차

〈그림 2.3.1〉 번호판 숫자 영역의 템플릿 매칭 21

〈그림 2.3.2〉 번호판 한글 영역의 템플릿 매칭 22

〈그림 2.3.3〉 템플릿 매칭 실행 결과 22

〈그림 2.3.4〉 숫자 ‘0’을 8×13의 픽셀 매트릭스 방법을이용해 표현한 이미지 23

〈그림 3.1.1〉 에지에서의 밝기 값의 변화율 24

〈그림 3.1.2〉 가장 급격한 밝기값의 변화를 보이는 방향 25

〈그림 3.1.3〉 이상적인 에지 (Ideal edge)x, y) 26

〈그림 3.1.4〉 x방향에 대한 에지를 가진 이미지 I의 1차미분, 2차미분 그래프 28

〈그림 3.1.5〉 불연속 이미지(Discrete Image) 28

〈그림 3.1.6〉 x방향, y방향 회선 마스크 (Convolution Mask) 29

〈그림 3.1.7〉 3×3불연속 이미지 I 29

〈그림 3.1.8〉 3×3 회선 마스크 30

〈그림 3.1.9〉 일반적인3×3 마스크 30

〈그림 3.1.10〉 다양한 에지 검출 마스크 32

〈그림 3.1.11〉 입력 영상 32

〈그림 3.1.12〉 다양한 에지 검출 마스크를 회선 시킨 결과 33

〈그림 3.2.1〉 (a) 전경 마스크, (b) NFPP 적용후정정된 전경 마스크 (X 위치는 배경으로 변환된픽셀들을 나타내며, O 는 전경 픽셀로 변환된 픽셀들을 나타낸다.) 37

〈그림 3.2.2〉 CLNF 의 동작 구조 38

〈그림 3.3.1〉 56×56의 필기체 알파벳 ‘a'의 원본영상과 8×8 부분지역에 해당하는 검은 화소의 개수 40

〈그림 3.3.2〉 64개의 스칼라 값으로 이루어진 벡터 41

〈그림 3.3.3〉 각 스칼라 값을 48로 나눈 정규화 된벡터 41

〈그림 3.3.4〉 를중심으로 한 8-이웃화소 43

〈그림 3.3.5〉 (A) 16×16 Mesh 특징추출(B) 16×16 세선화 이미지 45

〈그림 3.4.1〉 역전파 신경회로망 47

〈그림 4.1.1〉 번호판 검출 시스템 52

〈그림 4.1.2〉 일반적인 Haar-like feature 53

〈그림 4.1.3〉 AdaBoost 구조 54

〈그림 4.1.4〉 다단계 분류기 구조 55

〈그림 4.1.5〉 분류기 학습에 사용된 positive 이미지 55

〈그림 4.1.6〉 Haar-like Feature 및 AdaBoost를 이용한 번호판 영역 검출 56

〈그림 4.1.7〉세로 에지 강화를위한 랭크 필터 58

〈그림 4.1.8〉 세로 소벨 마스크 회선 이미지 59

〈그림 4.1.9〉 랭크 필터 적용 후 세로 소벨 마스크 회선이미지 59

〈그림 4.1.10〉 가로 소벨 마스크 회선 이미지 60

〈그림 4.1.11〉 랭크 필터 적용 후 가로 소벨마스크 회선 이미지 60

〈그림 4.1.12〉 자동차 번호판 검출 과정 62

〈그림 4.2.1〉 문자 영역 검출 시스템 63

〈그림 4.2.2〉 (A) 번호판 원본 (B) 그레이 스케일(C) OTSU 이진화 (D) 고정 임계치 이진화 64

〈그림 4.2.3〉 (a) 녹색번호판의 CLNF를 이용한 레이블링(b) 논리적인 정보를 이용한 의미없는 블랍 제거 65

〈그림 4.2.4〉 (a) 흰색번호판의 CLNF를 이용한 레이블링(b) 논리적인 정보를 이용한 의미없는 블랍 제거 66

〈그림 4.2.5〉 자음과 모음이 나뉘는 한글에 대한 블랍 결합 과정 67

〈그림 4.3.1〉 번호판 문자 인식 시스템 68

〈그림 4.3.2〉 메쉬 특징 추출 (Mesh Feature Extraction) 69

〈그림 4.3.3〉 세선화 교차 특징 벡터 추출 70

〈그림 4.3.4〉 역전파 신경망 학습기 실제 영상 71

〈그림 5.2.1〉 신형 시스템에서 검출한 번호판 영상 73

〈그림 5.2.2〉 구형 시스템에서 검출한 번호판 영상 74

〈그림 5.2.3〉 제안된 시스템의 최종 번호판 인식 결과 77

초록보기

차량 번호판 인식 기술은 ITS (Intelligent Transportation System)의 핵심 기술로써 주차 관제 시스템, 교통 단속 시스템, 도난 및 과태료 연체 차량 검색 시스템 등에 사용된다. 최근에는 IPNC(IP Network Camera)를 이용한 광역 영상 감시 시스템과 차량 블랙박스 및 운전 보조 시스템(Drive Assistant System)등 임베디드 환경에서 동작하는 시스템이 도입됨에 따라 차량 번호판 인식 기술의 활용 범위 확장을 기대할 수 있다.

본 논문은 이러한 다양한 환경에서의 산업응용을 목표로 인식률 높고 처리 속도가 빠른 차량 번호판 인식 시스템을 제안한다. 논문에서 제안하는 차량 번호판 인식 시스템의 동작 과정은 다음과 같다. 먼저 차량의 이미지를 획득한 뒤 Haar-Like Feature를 이용해 대략적인 번호판 후보 영역을 찾아낸다. 이후 랭크 필터를 사용하여 전처리를 하고 캐니 에지 추출(Canny Edge Detecting)알고리즘을 이용하여 세로 직선 성분과 가로 직선 성분을 검출한다. 검출된 직선 성분들을 연결하여 사각형의 번호판 후보 영역을 추출한 뒤, 색상 정보를 이용하여 흰색과 녹색의 번호판을 구분한다. 구분된 번호판 영역은 OTSU 이진화 전처리 과정을 거친 뒤, 주변 전경 픽셀 전파 알고리즘(CLNF : CCLUF with NFPP)을 통해 문자를 제외한 잡영을 제거함과 동시에 레이블링하여 숫자 및 문자 영역을 분리한다. 분리된 문자 영역은 메쉬 특징 및 세선화 X-Y 투영 방법으로 특징 벡터를 추출한다. 추출된 특징 벡터는 역전파 신경망 알고리즘으로 미리 학습된 가중치 값과 비교되며, 최종적으로 문자 인식을 수행한다. 제안된 차량 번호판 인식 시스템의 효과적인 동작은 실험을 통해 확인하였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기