[논문 리뷰] License Plate Recognition with Compressive Sensing Based Feature Extraction

A. Jokic, Nikola Vukovic|arXiv (Cornell University)|2019. 02. 07.

Vehicle License Plate Recognition참고 문헌 16인용 수 6

한 줄 요약

이 논문은 차원 축소 및 특징 추출을 위한 압축 감지(compressive sensing)를 사용한 번호판 인식 시스템을 제안한다. 이는 적은 수의 샘플로도 효율적인 분류를 가능하게 한다. 무작위 베르누이 측정 행렬과 총 변동성 최소화(total variation minimization)를 적용하여 복원을 수행함으로써, 단지 96개의 압축 샘플로도 평균 정확도 99.08%를 달성하여 낮은 측정 비율에서도 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 번호판 인식 시스템에서 계산 복잡도와 학습 데이터 요구량을 줄이기 위해.
• 차원 축소를 위한 압축 감지를 활용해 분류 효율성을 향상시키기 위해.
• 다양한 측정 비율 하에서 특징 추출의 성능을 평가하기 위해.
• 다중 클래스 SVM 분류기로 숫자 이미지에 대해 제안된 방법의 강건성을 입증하기 위해.

제안 방법

• 개별 문자를 분리하기 위해 적응형 임계값 처리와 연결 성분 분석을 사용한다.
• 각 분할된 문자는 척도 불변성을 확보하기 위해 고정된 16×16 픽셀 크기로 조정된다.
• 압축 감지는 무작위 베르누이 측정 행렬을 통해 적용되어, N픽셀 이미지에서 m개의 압축 샘플을 생성하고, 측정 벡터 y = Ax를 형성한다.
• 원래 이미지를 압축 측정치로부터 복원하기 위해 총 변동성(TV) 최소화를 사용하여 이미지 복원을 수행한다.
• 압축 샘플은 전체 복원을 생략하고 직접 특징으로 사용된다.
• 에러 보정 출력 코드와 one-vs-one 코드 체계를 사용한 다중 클래스 SVM이 특징을 숫자 클래스(0–9)로 분류한다.

실험 결과

연구 질문

• RQ1 낮은 측정 비율에서 추출한 압축 감지 특징이 번호판 인식에서 높은 분류 정확도를 달성할 수 있는가?
• RQ2 압축 샘플 수가 인식 성능와 복원 품질에 어떤 영향을 미치는가?
• RQ3 이미지 복원이 빛의 시각적 품질을 띠더라도, 제안된 방법이 낮은 측정 비율에서도 강건한가?
• RQ4 전통적인 특징 추출 기법과 비교해 복원 감지 기반 특징의 정확도와 계산 비용은 어떻게 다른가?

주요 결과

• 64개의 압축 샘플을 사용할 경우, 20회 실행 평균 분류 정확도가 98.81%였으며, 최소 97.52%, 최대 100%의 범위를 보였다.
• 96개의 샘플을 사용하면 성능이 향상되어 평균 정확도가 99.08%로 향상되었고, 최소 98.02%를 기록했다.
• 32개의 샘플조차도 이미지 복원이 거의 알아볼 수 없음에도 불구하고 평균 정확도 98.2%를 유지하여 높은 정확도를 확보했다.
• 96개의 샘플로 '4' 숫자의 F1 스코어가 100%에 도달하여 정밀도와 재현도가 완벽함을 나타냈다.
• 96개의 샘플로 '0', '7', '8', '9' 숫자의 F1 스코어가 모두 99% 이상을 기록하여 뛰어난 클래스별 성능을 입증했다.
• 간단한 무작위 베르누이 행렬의 사용으로 계산 복잡도가 감소하여 실시간 응용에 효과적인 방법이 되었다.