대한토목학회논문집 (KSCE Journal of Civil and Environmental Engineering Research)

  • 제26권3D호
  • /
  • Pages.349-352
  • /
  • 2006
  • /
  • 1015-6348(pISSN)
  • /
  • 2799-9629(eISSN)
대한토목학회 (Korean Society of Civil Engeneers)
권호 표지
DOI QR코드

DOI QR Code

훈련예제 병합을 이용한 자동차 차량번호판 문자인식 성능 향상 방안

Vehicle License Plate Recognition Using the Training Data's Annexation

  • 투고 : 2004.12.20
  • 심사 : 2005.01.24
  • 발행 : 2006.05.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

자동차 수의 급증으로 야기되는 교통혼잡, 교통사고, 주차난 등의 많은 문제에 효율적으로 대응하기 위해서는 제한된 인력과 비용을 사용하는 자동차 관리가 필수적인데 이를 위한 많은 연구들이 국내외적으로 현재 진행되고 있다. 현재 진행되고 있는 여러 연구 분야 중에서 특히 자동차의 차량번호판인식 기술은 법규위반 차량 식별, 통행료 징수, 자동차세 징수, 도난 도주 차량 확인 및 주차 관리 등의 많은 분야에 응용되고 있다. 자동차의 차량번호판 문자 인식 문제와 같이 훈련예제 수집 비용이 많이 드는 경우에 제한된 수의 훈련예제를 최대한 활용하여 분류성능을 향상시키기 위한 방안의 하나로, 수집된 훈련예제들로부터 가상의 예제를 생성하고, 생성된 가상예제를 훈련예제로 추가하여 학습하는 여러 연구가 수행된 바 있다. 본 논문에서는 차량번호판 문자 인식의 성능 향상을 위해 수집된 예제들을 적절히 병합하여 가상의 예제를 생성하는 방안에 관해 기술하고, 문자인식 분야에서 일반적으로 많이 사용되는 여러 알고리즘에 대하여 다양한 가상예제 생성방안 및 다양한 생성비율에 따른 실험을 통해 그 효용성을 확인한다.

To cope with traffic congestion, traffic accidents and lack of parking facilities, caused by dramatic increase in total vehicle number, vigorous researches on managing vehicles efficiently are done, both domestically and internationally. The vehicle license plate recognition makes effective management of traffic possible, with its wide application in many fields, covering from speed enforcement, collecting toll, stolen vehicle detection to parking management. The vehicle license plate recognition system causes high cost for collecting training data. Many researches are done by using the virtual sample method, which can be effective for utilizing limited number of training data by generating virtual sample. This paper investigates techniques to improve the performance of vehicle license plate recognition by using the training data's annexation. Also, popular methods for virtual sample creation used for text recognition algorithm are analyzed and their effectiveness is verified.

키워드

참고문헌

  1. 권유화. 조성준(1998) 가상샘플 데이터를 이용한 신경망의 일반화 능력 제고와 그 응용, 정보과학회논문집(B), 제25권 제 8호, pp.1137-1147
  2. An, G. (1996) The effects of adding noise during back-propagation training on a generalization performance, Neural Computation, Vol. 7, No.2, pp. 613-674
  3. Bishop, C. M. (1995) Training with noise is equivalent to Tikhonov regularization, Neural Computation, Vol. 7, No. 1, pp. 108-116 https://doi.org/10.1162/neco.1995.7.1.108
  4. Cho, S., Jang, M., and Chang, S. (1997) Virtual sample generation using a population of networks, Neural Processing Letters, Vol. 5, No.2. pp. 83-89 https://doi.org/10.1023/A:1009670110038
  5. Draghici, S. (1997) A neural network-based artificial vision system for license plate recognition, International Journal of Neural System, Vol. 8, No. 1
  6. Holmstrom, L. and Koistinen, P. (1992) Using additive noise in back-propagation training, IEEE Transactions on Neural Networks, Vol. 3, pp. 24-38 https://doi.org/10.1109/72.105415
  7. Keerthi, S. S., Shevade, S. K., Bhattacharyya, C., and Murthy, K. R. (2001) Improvements to Platt's SMO algorithm for SVM classifier design, Neural Computation, Vol. 13, No.3, pp. 637-649 https://doi.org/10.1162/089976601300014493
  8. Kim, D. W, Kim, S. K., Lee, J. K., and Kim, H. J. (1997) Automatic recognition of a vehicle license plate using color image processing, Engineering Design and Automation Journal, Vol. 3, No.1
  9. Ryu, Y.-S. and Oh, S.-Y. (2002) Simple Hybrid Classifier for Face Recognition with Adaptively Generated Virtual Data, Pattern Recognition Letters
  10. Sietsma, J. and Dow, R. J. F. (1991) Creating artificial neural networks that generalize, Neural Networks, Vol. 4, pp. 67-79 https://doi.org/10.1016/0893-6080(91)90033-2
  11. Witten, I. H. and Frank, E. (2000) Data Mining - Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann Publishers