차량 번호판의 실시간 인식을 위한 딥러닝 기반 OCR설계

Abstract

최근 차량 번호판 실시간 인식 시스템은 다양한 분야에서 상용화 되어있으며 카메라만을 이용한 저가의 임베디드 시스템을 선호한다. 이러한 시스템은 차량이외 객체의 출현이 없는 주차장 같은 환경의 경우 98%이상의 높은 인식률을 보이고 있지만 환경이 제한되지 않은 골목이나 일부 도로에서는 50~70% 사이의 인식률을 보인다. 이러한 성능의 저하는 실시간 상황에서 나타나는 조도변화나 차량이외의 물체출현 등에 의한 외부 환경변화 요인이 아웃라이어데이터가 되기 때문에 발생한다. 본 논문은 카메라 이미지 입출력이 가능한 임베디드 보드를 이용하여 딥러닝 기반 차량 번호판 OCR시스템을 설계한다. 환경이 제한되지 않은 상황에서의 OCR 인식률 향상을 위하여 준 지도학습과 시계열분석 기법을 적용한다. 준 지도학습은 일반데이터와 아웃라이어데이터를 함께 하나의 모델에 학습시킴으로써 아웃라이어를 식별하여 인식률을 향상시킨다. 시계열분석은 각각의 실시간 프레임 사이의 데이터들을 비교분석함으로써 더 신뢰성 높은 프레임의 데이터를 선별해낸다. 성능 비교실험을 위하여 환경이 제한되지 않은 상황에서 일반적인 차량 번호판 OCR시스템과 본 논문에서 제시한 기법으로 구현된 차량 번호판 OCR시스템의 인식 정확도를 측정한다. 결과적으로 일반적인 차량 번호판 OCR시스템은 77%의 인식률을 보였으나 준 지도학습과 시계열분석이 적용된 차량 번호판 OCR시스템은 88%의 인식률을 보였다. 준 지도학습과 시계열분석 두 가지 기법을 활용한다면 인식률을 향상시킨 차량 번호판 OCR시스템의 구현이 가능하다는 것을 알 수 있었다.| Recently, the real-time recognition system of car license plates has been commercialized in a variety of fields, and it prefers low-cost embedded systems using only cameras. These systems have a higher recognition rate of over 98% for the environments such as parking lots where non-vehicle objects do not appear. However, there is a 50% to 70% recognition rate on some roads or alleys where the environments are not restricted. The decrease in performance occurs when the external environmental factor, such as the occurrence of non-vehicle objects or the changes in illumination, become the outlier data. This paper designs the license plate OCR system based on deep learning and the system uses the embedded board which enables the input and output of the images of camera. To improve OCR recognition rate in situations where the environments are not restricted, semi-supervised learning and time-series analysis techniques can be applied. Normal data and outlier data are learned together in one model by semi-supervised learning, and it identifies the outlier and improves the recognition rate. Time series analysis identifies more reliable frame data by comparing real-time frame data. In order to perform the experiment for the performance comparison, measure the recognition accuracy of general licence plate OCR system and this paper’s proposal technique of licence plate OCR system in a situation where the environment is not restricted. As a result, the general license plate OCR system had a recognition rate of 77%, whereas semi-supervised learning and time-series analysis based on license plate OCR system had a recognition rate of 88%. Using the two techniques, semi-supervised learning and time-series analysis, we could see that the OCR system with an improved recognition rate can be implemented.