신경회로망을 이용한 자동차 번호의 인식

목차

1. 서 론

2. 신경회로망과 학습 규칙
2.1. 신경회로망 모델

3. 인식 시스템에 필요한 영상 처리
3.1. 자동차 번호 영상의 이진화
3.2. 문자의 영역분리
3.3. 문자의 정규화
3.4. 문자 인식기의 구성

4. 실험 및 결과 분석

5. 결론

참 고 문 헌

본문내용

l Network
→
→
:
→
광주
:
xn
→
f(xn)
↗
입력영상
정규화
학습
인식
Fig 11. Charecter recognition in neural network
학습에 사용된 자동차 번호판의 문자를 살펴 보면 Table 3와 같다.
시그모이드 함수를 사용한 이유는, 첫째로 출력이 단순히 0과 1사이의 값으로 매핑되어 결과를 예측할 수 있고 둘째로는 미분이 가능하며 그 결과의 형태가 매우 간단하므로 각 연결선에 대해 전이함수를 쉽게 없을 수 있다는 점이다. 그리고 셋째로는 자동적인 이득제어 기능이 있어서 입력값이 작으면 크게 변하고 클때는 작게 변하는 특성을 갖는다. 실험 결과를 살펴보면, 영상을 이진화할 때 주위 환경의 조명의 변화량에 민감한 결과가 나타나서, A 등급의 영상에서는 95 %, B 등급에서는 90 %, C 등급에서는 71 %의 인식률을 보였다. 그러나, 여러 패턴의 영상 데이터를 신경회로망으로 학습시킴으로써 인식률은 더 향상시킬 수 있었다.
숫자
문 자
0
1
2
3
4
5
6
7
8
9
가, 나, 다, 라, 마, 거, 너, 더, 러, 머, 고, 노, 도, 로, 모, 구, 누, 두, 루, 무, 그, 느, 드, 르, 므, 보, 소, 오, 조, 초, 코, 토, 포, 호, 부, 수, 우, 주, 추, 쿠, 투, 푸, 후, 브, 스, 으, 즈, 츠, 크, 트, 프, 흐
바, 사, 아, 자, 차, 카, 타, 파, 하, 허
서울, 인천, 대전, 광주, 부산, 대구, 경기, 충북, 충남, 전북, 전남, 강원, 경북, 경남, 제주
Table 3. Charecter of car number
5. 결론
본 연구에서는 자동차 번호판의 문자인식을 위하여 오류 역전파 학습 알고리즘으로 학습시킨 다층 신경회로망을 이용하여 자동차 번호의 인식 시스템을 구현하였다. 신경회로망의 이용한 인식 방법에는 두 가지가 있다. 본 논문에서 첫째 방법으로 입력 데이타를 정규화된 이미지 그 자체를 입력하고 실영상을 학습시킨 경우와, 두 번째 방법으로 특징 벡터를 추출을 하여 학습시킨 경우를 비교한 결과, 첫째 방법은 이상적이기는 하지만 영상의 해상도에 따라 많은 유니트 수가 필요하며, 아울러 연결선의 갯수가 증가하기 때문에 인식자체에 걸리는 시간이 많이 걸리는 단점이 있다. 반면 두 번째 방법의 경우에 자동차 번호판 문자의 noise에 대한 탄력성이 떨어져 인식률이 현저히 떨어지는 단점과 소수의 입력만을 사용할 수 있기 때문에 유니트의 수와 연결선의 수를 줄일 수 있는 장점이 있다.
옥외에서의 자동차 번호판의 여러 가지 환경을 고려할 때 다층 신경회로망을 이용한 문자인식 시스템이 잡음에 영향을 덜 받고, 더 다양한 학습데이타를 사용함으로써 인식률을 향상시킬수 있음을 알 수 있었다.
앞으로의 연구하여야 할 과제는 다음과 같다.
○ 첫째, 인식 과정의 주요 부분인 전처리 알고리즘을 자동차 번호판 영상에 알맞도록 개선한다면 보다 나은 결과를 기대할 수 있을 것이다.
○ 둘째, CCD 카메라로 영상 입력시 측면에서 촬영하여 변형된 영상을 복원하여 인식할수 있는 시스템을 만드는 것이다.
○ 셋째, 자동차에서 번호판을 정확히 추출하는 방법을 추가함으로써 더 정확한 결과를 기대할 수 있을 것이다.
참 고 문 헌
1. H. White, Learning in Artificial Neural Networks : A Statistical Perspective, Neural Coputation, 1, pp. 425-465, Winter 1989
2. DARPA Neural Network Study, Virginia, : AFCEA International Press, 1988 , pp 15 52.
3. ULIUS T. TOU and RAFAEL C. GONZALEJ: Pattern Recognition Principles, Addison-Wesley Publishing Company 1974
4. F. Rosenblatt, "The Perceptron : A Perceiving and Recognizing Automaton", Project PARA, Cornell Aeronaut. Lab. Rept. 85-460-1, 1957.
5. M. Minsky and S. Papert, Perceptrons - An Introduction to Computational Geometry, MITress, Cambridge, Mass., 1969.
6. J. L. McClelland and D. E. Rummelhart, Parallel distributed Processing, Vol. 1, Cambridge, MA, MIT Press, 1988.9
7. Zurada, Jacek M., Introduction to artificial neural system, New York, West Publishing Co., 1992
8. James A. Freeman, David M. Skapura, Neural Networks (Algorithms, Application, and Programming Techniques), Addison-Wesley Publishing Company, California, 1991
9. Maureen Caudill and Charles Butler, Understanding Neural Networks: Computer Explorations, MIT Press, 1992
10. Rumelhart, D.E., Hinton, G.E. and Williams, R.J.: "Learning internal representation by error backpropagation," Parallel Distributed Processing, 1:318∼362,1986
11. Amari, Mori, Introduction to Neural Networks, Treecaps WS, 1991
12. J. E. Dayhoff, Neural Network Network Architectures - An Introduction, Van Nostrand Reinhold, New York, 1990

키워드

신경회로망,   자동차 번호