실시간 고정밀 엣지 기반 차량 번호판 인식 향상 기술

초록

본 논문은 적응형 이진화와 엣지 검출, 형태학적 연산을 결합해 기울어진 번호판과 저품질 이미지를 실시간으로 보정하고, KNN 기반 문자 인식을 통해 98%의 번호판 검출률과 99.12%의 문자 인식률을 달성한 방법을 제시한다.

상세 분석

본 연구는 차량 번호판 인식 시스템의 실시간성 및 정확도 향상을 목표로, 기존 방법들이 조명 변화, 기울기, 저해상도 등에 취약한 점을 보완한다. 첫 단계에서는 적응형 임계값(Adaptive Threshold)을 이용해 입력 영상을 이진화함으로써 전역적인 조명 차이를 최소화한다. 이진화된 이미지에 Sobel 혹은 Canny와 같은 엣지 검출기를 적용하고, 이후 형태학적 연산(침식·팽창)을 통해 연속적인 엣지 라인을 강화한다. 이렇게 얻어진 엣지 맵에서 사각형 형태의 후보 영역을 추출하고, 후보 영역의 기울기(angle)를 Hough 변환이나 최소 외접 사각형을 이용해 측정한다. 측정된 기울기는 역회전(Deskew) 과정을 통해 보정되며, 이는 번호판이 이미지 내에서 회전된 경우에도 정렬된 형태로 변환한다. 보정된 번호판 영역은 다시 이진화된 이미지와 결합해 문자 영역을 분리한다. 문자 분할 단계에서는 연결 요소 분석(Connected Component Analysis)과 크기·비율 필터링을 적용해 노이즈를 제거하고, 각 문자 후보를 정규화된 20×20 픽셀 그리드로 리샘플링한다. 최종 인식 단계에서는 K-Nearest Neighbor(KNN) 분류기를 사용한다. KNN은 학습 단계에서 다양한 폰트와 크기의 문자 샘플을 저장하고, 테스트 단계에서는 유클리드 거리 기반으로 가장 가까운 K개의 이웃을 찾아 다수결로 라벨을 결정한다. 실험에서는 공개 데이터셋과 자체 수집한 퍼시안(페르시아) 차량 이미지에 대해 검증했으며, 번호판 검출 정확도 98%, 문자 인식 정확도 99.12%를 기록했다. 특히 퍼시안 문자에 대해서도 99% 이상의 인식률을 달성해 다국어 적용 가능성을 보여준다. 이 방법은 연산량이 비교적 적고, GPU 없이도 실시간(30fps 이상) 처리가 가능하다는 장점이 있다. 다만 KNN은 메모리 사용량이 큰 편이며, 복잡한 배경이나 심한 왜곡이 있는 경우 성능 저하가 예상된다. 향후 딥러닝 기반 특징 추출기와 결합하거나, 거리 가중치 KNN으로 개선하면 더욱 견고한 시스템을 구축할 수 있을 것이다.