[論文レビュー] License Plate Recognition with Compressive Sensing Based Feature Extraction

A. Jokic, Nikola Vukovic|arXiv (Cornell University)|Feb 7, 2019

Vehicle License Plate Recognition参考文献 16被引用数 6

ひとこと要約

本稿では、次元削減および特徴抽出に圧縮センシングを用いたナンバープレート認識システムを提案する。少ないサンプル数で効率的な分類が可能である。ランダムなベルヌーイ測定行列と全変動最小化を用いた再構成により、96個の圧縮サンプルでのみ99.08%の平均精度を達成し、低サンプリングレート下でも頑健な性能を示す。

ABSTRACT

License plate recognition is the key component to many automatic traffic control systems. It enables the automatic identification of vehicles in many applications. Such systems must be able to identify vehicles from images taken in various conditions including low light, rain, snow, etc. In order to reduce the complexity and cost of the hardware required for such devices, the algorithm should be as efficient as possible. This paper proposes a license plate recognition system which uses a new approach based on compressive sensing techniques for dimensionality reduction and feature extraction. Dimensionality reduction will enable precise classification with less training data while demanding less computational power. Based on the extracted features, character recognition and classification is done by a Support Vector Machine classifier.

研究の動機と目的

• ナンバープレート認識システムにおける計算複雑性とトレーニングデータ要件の低減を目的とする。
• 次元削減に圧縮センシングを活用することで、分類の効率性を向上させることを目的とする。
• さまざまなサンプリングレート下での特徴抽出における圧縮センシングの性能を評価することを目的とする。
• 多値分類SVM分類器を用いた方法の頑健性を示すこと

提案手法

• 画像セグメンテーションには、適応しきい値処理と連結成分解析を用い、個々の文字を分離する。
• 各セグメンテーション済み文字は、スケール不変性を確保するため、固定の16×16ピクセルにリサイズされる。
• 圧縮センシングは、ランダムなベルヌーイ測定行列を用い、Nピクセルの画像からm個の圧縮サンプルを生成する。測定ベクトルは y = Ax で表される。
• 画像再構成には全変動（TV）最小化を用い、圧縮測定値から元の画像を回復する。
• 圧縮サンプルは、完全な再構成を経由せずに、直接特徴として使用される。
• 多値分類SVMは、誤り訂正出力コードと1対1コーディング方式を用い、特徴を数字クラス（0–9）に分類する。

実験結果

リサーチクエスチョン

• RQ1 低サンプリングされた画像から抽出した圧縮センシング特徴は、ナンバープレート認識で高い分類精度を達成できるか？
• RQ2 圧縮サンプルの数が認識性能および再構成品質に与える影響は何か？
• RQ3 画像再構成が視覚的に劣悪であっても、本手法は低サンプリングレート下で頑健であるか？
• RQ4 従来の特徴抽出法と比較して、圧縮センシングに基づく特徴抽出の精度および計算コストはどのように異なるか？

主な発見

• 64個の圧縮サンプルでは、20回の実行平均で98.81%の分類精度を達成し、最小値97.52%、最大値100%を示した。
• 96個のサンプルを使用した場合、平均精度は99.08%に向上し、最小値98.02%を記録した。
• 32個のサンプルでも、再構成画像がほとんど識別不能であっても、平均98.2%の高い精度を維持した。
• 96個のサンプルで、数字'4'のF1スコアは100%に達し、正確性と再現率の両方が完全であった。
• 96個のサンプルで、数字'0'、'7'、'8'、'9'のF1スコアは99%を超えた。これは、クラス別に優れた性能を示している。
• 単純なランダムベルヌーイ行列の使用により、計算複雑性が低減され、リアルタイム応用に適した効率的な手法となった。