자동차 번호판 사진 인식방법

기존의 번호판 인식은 두 단계로 이루어져 있으며 영상 속에서 자동차 번호판 위치를 검출하고 번호판 위치에 문자의 위치를 찾아 문자 인식을 한다. 기존의 방법은 번호판 문자 위치를 아는 상태에서만 인식이 가능하며 이 논문에서 이러한 사전 조건 없이 영상에서 번호판 숫자에 대해 검출과 인식을 동시에 진행하는 방법이 있으므로 아래에서 그 자세한 내용들을 알아보고자 하며 이러한 방법들을 통해서 우리의 차량 번호판 인식의 수준이 얼마나 많이 올라갔는지 자세히 알 수 있고 이러한 방법들을 통해서 차후 더 많은 인식 기술들이 발전할 수 있다는 것을 다른 한편으로 보여준다고 볼 수 있다.

 

Photo by Anton Darius on Unsplash

자동차 사진 속 숫자 인식 방법

 

기계학습에서 대표적으로 사용되는 알고리즘의 종류는 SVM Adaboost ANN 등이 있으며 ANN은 신경망에서의 신경 세포체와 같이 적응능력과 학습능력을 기계에 부여하기 위해 인간의 뇌에서 일어나는 정보 처리 방식을 모델링하는 방법이 있고 생물학적 신경망에 대한 예시도이며 ANN은 생물학적 신경망을 모방한 형태이고 다층 ANN의 구조에 대한 예시도 이며 생물학적 신경망과 ANN을 연관 지어 설명하면 다음과 같으며 생물학적 신경 세포체는 ANN의 인공 신경세포 역할을 하고 수상 돌기는 ANN의 입력층 역할을 하고 축삭 돌기는 ANN의 출력층 역할을 하며 시냅스는 ANN의 가중치 역할을 하며 하나의 인공 신경세포의 특성을 결정하는 것은 활성화 함수인데 생물학적 신경세포에서 입력 자극이 일정 수준 이상이 될 때만 전기적으로 방전을 일으켜 활성화되는 사실을 수학으로 간단하게 표현한 것이며 이러한 표현 방법을 통해서 우리는 더욱이 쉽게 이해를 할 수 있으며 그러한 방안에 따라 우리는 더욱이 인식 방법에 대해서 발전된 시각을 가질 수 있다는 것이다.

 

 

활성화 함수의 종류로는 항등함수 이며 계단 함수 시그모이드 함수 ReLU 함수가 있고 활성화 함수의 그래프와 수식은 다음과 같으며 표에 소개되지 않은 활성화 함수 또한 매우 많으며 그중 가장 많이 사용되는 함수가 시그모이드 함수였고 최근 딥 러닝의 CNN에서 시그모이드 함수보다 ReLU 함수를 많이 사용하며 그 이유는 은닉층이 여러 개의 은닉층으로 증가할수록 기울기 소멸 현상이 생기며 기울기 소멸 현상은 기울기가 소멸되는 문제이고 이러한 문제가 생기는 이유는 시그모이드 함수는 0 ~ 1 사이의 값이 나오며 여러 개의 은닉층을 거쳐 나갈수록 계속해서 기울기를 곱하게 되는데 0보다 크고 1보다 작은 소수점 값을 계속 곱하다 보면 값이 점점 작아져서 기울기가 0에 수렴하게 되는 것인데 이러한 0이라는 부분이 중요한 것이며 함수의 값이 1이 아닌 0으로 수렴하는 것이 상당히 중요한 부분이다.

 

 

하지만 ANN에서 한 개의 은닉층보다 높은 성능을 위해 1980년대부터 입력층과 출력층 사이에 두 개 이상의 은닉층을 지닌 새로운 유형의 ANN이 제안되기 시작했으며 하지만 은닉층이 증가할수록 가중치의 최적 값을 구하기가 어려워져 오류역전파 알고리즘을 적용되었으며 오류역전파 알고리즘을 기반으로 한 다층 구조의 ANN을 딥 러닝이라고 불려졌고 딥 러닝의 종류로는 DNN CNN RNN RBM DBN 등이 있고 ANN은 크기가 커질수록 훈련 세트를 많이 학습하게 되고 훈련 세트에 대한 오류는 줄어들지만 과적응 현상이 일어나고 과적응 현상은 가중치가 처음에는 작게 세팅되어 있다가 점점 커지는 것과 비례해서 발생하고 문제에 대한 일반성이 떨어져서 테스트 세트에 대한 오류가 증가하며 이러한 과적응 현상을 극복하기 위해서 가중치 L2-정규화 또는 L1 정규화 같은 정규화 방법들이 사용될 수 있고 최근 들어 은닉층들의 몇몇 인공 신공 세포들을 임으로 생략하는 드롭아웃 정규화 방법도 등장했으며 이 방법은 훈련 데이터에서 발생할 수 있는 희귀종 속성을 해결하는데 도움을 많이 주는 편이며 이러한 방법을 통해서도 여러 가지 테스트 세트에 대한 해결방법 또한 찾아볼 수 있는 것이 우리가 집중해야 할 부분 중 하나라고 말할 수 있다.

 

 

하나의 함수를 반전 이동 한 다음 다른 함수와 곱한 결과를 적분하여 새로운 함수를 구하는 수학 연산자이며 그림 14는 합성곱 연상을 설명하는 그림이고 이러한 성질을 이용한 신경망이 CNN이고 CNN은 다계층 퍼셉트론의 한 종류로서 최소한의 전처리를 사용하도록 설계되어 있으며 CNN은 합성곱 계층 통합 계층 완전 연결 계층으로 구성되어 있으며 각 계층마다 한 개 이상의 계층이 존재하고 합성곱 계층은 입력 영상의 일정한 크기의 각 영역마다 복수개의 합성곱 필터를 적용하여 특 징지 도을 구하게 되며 예시도를 설명하자면 입력층의 영상 크기는 32 x 32이고 합성곱 커널 크기는 5x5이며 이러한 크기를 바탕으로 보았을 때 여러 가지 예시도가 사용되는 부분에 있어서 더욱이 세밀한 작업이 들어갈 수 있다는 것을 아는 것이 상당히 중요하다.

 

 

총체적으로 보여주는 합성곱 계층의 크기는 28 x 28이며 합성곱 계층의 합성곱 필터 개수는 5개이며 통합 계층은 이전 계층의 특징 지도에 대해 지역 정보를 활용하여 새로운 특징 지도를 만들며 통합 계층은 이전 계층보다 작은 크기로 줄어드는 방법이며 대표적인 방법은 2가지가 있다고 할 수있으며 이러한 방법을 통해서 다양하게 시도해보며 연구를 할수 있다는 부분을 인지하고 인지하지 않고 가 상당히 중요한 부분이라고 말을 할 수 있다.

 

 

※참조 문헌 : 딥 러닝을 이용한 한국형 자동차 번호판 문자 인식(구본서 2016)