지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이준환
- 발행연도
- 2017
- 저작권
- 전북대학교 논문은 저작권에 의해 보호받습니다.
이용수26
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
산업 발전과 더불어 차량 증가로 인해 번호판 검출 기술은 지능형 교통 관제시스템, 자동차 출입 통제 관리, 주차 관리 시스템, 불법 주정차 관리 시스템 등 실 생활에서 광범위 하게 적용되어 사용되고 있는 핵심 기술이면서 중요한 역할을 하고 있다.
기존 차량 번호판 검출 방법은 인위적인 제한된 환경에서 번호판이 영상 중심에 위치 하도록 하거나 근접한 거리에서 촬영된 영상을 통해 번호판을 검출 한다. 하지만 CCTV 등으로 임의의 위치에서 촬영된 옥외 영상 내 차량 번호판을 검출하는 것은 단순한 문제가 아니다. 본 논문에서는 CNN 기반 객체 검출 방법 중 Faster R-CNN 기법을 이용하여 옥외 영상에서의 환경적 특징과 차량 번호판의 기하학적 왜곡, 조명 변화와 잡음에 강건하면서도 빠르게 다수의 차량 번호판 검출 및 번호판 타입과 색상을 제공하는 시스템을 제안한다.
제안하는 번호판 검출 시스템은 Faster-RCNN기법과 VGGNet
16 구조를 이용하여 학습 및 평가 구조를 구성하였다. 차량 번호판 검출에 대해 예측된 클래스 점수와 임계값을 이용하여 검증한 후 예측된 클래스 타입을 이용하여 재 검증하여 검증율을 높이고 오검출율을 줄인다. 추가적인 영상처리 없이 검증된 클래스를 이용하여 번호판 색상과 타입 결정을 한다.
실험 및 평가에 대해 다양한 옥외 영상 환경에서 취득한 근거리, 원거리 영상 800장의 샘플 영상을 이용하고 번호판 검증에 대한 임계값을 다르게 구성하였다. CNN 구조 중 ImageNet 구조와 비교하기 위해 학습을 한 후 실험한 결과로 0.5인 임계값을 통해 근거리 영상99.36%, 원거리 영상 97.14%의 검출율과 평균 검출 시간 0.21~ 0.74초로 ImageNet 구조보다 평균 1.6% 높은 성능을 보였다. 또한 번호판 색상 및 타입 결정에서는 추가적인 영상처리 없이 예측된 영역이 가지는 클래스 점수와 타입을 이용하여 검증한 결과 평균 96.4%의 검증율의 성능을 보였다.
기존 차량 번호판 검출 방법은 인위적인 제한된 환경에서 번호판이 영상 중심에 위치 하도록 하거나 근접한 거리에서 촬영된 영상을 통해 번호판을 검출 한다. 하지만 CCTV 등으로 임의의 위치에서 촬영된 옥외 영상 내 차량 번호판을 검출하는 것은 단순한 문제가 아니다. 본 논문에서는 CNN 기반 객체 검출 방법 중 Faster R-CNN 기법을 이용하여 옥외 영상에서의 환경적 특징과 차량 번호판의 기하학적 왜곡, 조명 변화와 잡음에 강건하면서도 빠르게 다수의 차량 번호판 검출 및 번호판 타입과 색상을 제공하는 시스템을 제안한다.
제안하는 번호판 검출 시스템은 Faster-RCNN기법과 VGGNet
16 구조를 이용하여 학습 및 평가 구조를 구성하였다. 차량 번호판 검출에 대해 예측된 클래스 점수와 임계값을 이용하여 검증한 후 예측된 클래스 타입을 이용하여 재 검증하여 검증율을 높이고 오검출율을 줄인다. 추가적인 영상처리 없이 검증된 클래스를 이용하여 번호판 색상과 타입 결정을 한다.
실험 및 평가에 대해 다양한 옥외 영상 환경에서 취득한 근거리, 원거리 영상 800장의 샘플 영상을 이용하고 번호판 검증에 대한 임계값을 다르게 구성하였다. CNN 구조 중 ImageNet 구조와 비교하기 위해 학습을 한 후 실험한 결과로 0.5인 임계값을 통해 근거리 영상99.36%, 원거리 영상 97.14%의 검출율과 평균 검출 시간 0.21~ 0.74초로 ImageNet 구조보다 평균 1.6% 높은 성능을 보였다. 또한 번호판 색상 및 타입 결정에서는 추가적인 영상처리 없이 예측된 영역이 가지는 클래스 점수와 타입을 이용하여 검증한 결과 평균 96.4%의 검증율의 성능을 보였다.
목차
제 1장 서 론 1제 2장 관련 연구 42.1 기존 번호판 검출 연구 42.1.1 번호판 외각 경계선 및 엣지를 이용한 검출 42.1.2 번호판 색상 및 특징을 이용한 검출 52.1.3 Adaboost을 이용하여 번호판 검출 62.2 CNN 기법 객체 검출 연구 82.2.1 CNN 82.2.2 R-CNN 132.2.3 SPPNet 152.2.4 Fast R-CNN 182.2.5 YOLO 21제 3장 Faster R-CNN 기반 번호판 검출 시스템 243.1 Faster R-CNN 253.2 Faster R-CNN을 이용한 번호판 검출 293.3 검출된 번호판 검증 및 타입,색상 결정 33제 4장 실험 및 성능평가 344.1실험방법 354.2 실험결과 및 성능 평가 38제 5장 결론 및 향후과제 44참고문헌 46
최근 본 자료
댓글(0)
0