Implementation of Licensed Plate Detection and Noise Removal in Image Processing

이 논문은 급증하는 차량 수로 인해 교통 관리 및 법 집행 등 다양한 분야에서 그 필요성이 커지고 있는 말레이시아의 차량 번호판 인식 시스템의 구현과 노이즈 제거 기술을 다루고 있습니다.

핵심

🚗 프로젝트의 목표: "어두운 밤, 시끄러운 파티에서 친구 찾기"

마치 어두운 밤거리에서 수많은 자동차가 지나가는 상황에서, 도난당한 차나 과속하는 차의 번호판을 찾아내야 하는 상황을 상상해 보세요. 카메라는 모든 것을 찍지만, 그 안에는 번호판뿐만 아니라 나무, 건물, 다른 차들, 비나 안개까지 섞여 있습니다. 이 프로젝트는 그 복잡한 사진 속에서 오직 '번호판'이라는 친구만 골라내어 깨끗하게 분리해 내는 방법을 연구한 것입니다.

🔍 해결 과정: 7 단계 요리 레시피

저자는 번호판을 찾아내기 위해 7 가지 단계를 거칩니다. 마치 어지러운 주방에서 맛있는 요리 (번호판) 만 골라내는 과정과 같습니다.

1. 색깔을 없애기 (RGB → 회색조 변환)

   • 상황: 원래 사진은 온갖 색깔 (빨강, 초록, 파랑) 이 섞여 있어 정보가 너무 많습니다.
   • 해결: 마치 흑백 영화처럼 색깔을 다 지우고 회색빛 (명암) 만 남깁니다. 이렇게 하면 컴퓨터가 계산하기 훨씬 쉬워집니다.

2. 밝기 조절하기 (히스토그램 평활화)

   • 상황: 사진이 너무 어둡거나 너무 밝아서 번호판이 잘 안 보입니다. (예: 밤에 찍은 사진)
   • 해결: 사진의 밝기 수준을 골고루 맞춰줍니다. 어두운 부분은 밝게, 밝은 부분은 적당하게 조절해서 번호판이 뚜렷하게 보이게 만듭니다.

3. 흐림 효과 주기 (블러 필터)

   • 상황: 사진에 작은 점들 (노이즈) 이 떠다니고 있어 번호판이 흐릿하게 보입니다.
   • 해결: 사진에 약간의 안개 (흐림 효과) 를 씌워 작은 점들을 부드럽게 만듭니다. 이렇게 하면 번호판이 아닌 잡다한 노이즈가 사라지고 중요한 부분만 남습니다.

4. 가장자리 찾기 (에지 검출)

   • 상황: 이제 번호판의 윤곽선이 어디인지 모릅니다.
   • 해결: 모서리나 선이 있는 부분만 강조합니다. 번호판은 사각형이라 선이 뚜렷하니까요. 나무나 구름처럼 둥글거나 선이 없는 것은 제외하고, 사각형 모양의 윤곽선만 남깁니다.

5. 퍼진 조각 붙이기 (팽창 처리)

   • 상황: 번호판의 윤곽선이 조각조각 흩어져 있어 하나의 사각형으로 보이지 않습니다.
   • 해결: 흩어진 조각들을 서로 붙여서 하나의 단단한 블록 (사각형) 으로 만듭니다. 마치 퍼즐 조각을 맞춰 완성된 그림을 만드는 것과 같습니다.

6. 개별 분리하기 (세그멘테이션)

   • 상황: 이제 여러 개의 사각형 블록들이 사진에 섞여 있습니다. (번호판, 차 로고, 창문 등)
   • 해결: 각 블록을 별개의 개체로 분리합니다. 마치 반짝이는 스티커를 하나씩 떼어내어 각각의 이름표를 붙이는 것과 같습니다.

7. 가짜 제거하기 (노이즈 제거 및 번호판 추출)

   • 상황: 번호판처럼 생긴 가짜 블록들 (예: 차 앞면의 로고) 이 여전히 남아 있습니다.
   • 해결: 크기, 비율, 위치 등을 기준으로 "이건 진짜 번호판이 아니야!"라고 판단하여 가짜를 버립니다. 결국 진짜 번호판 하나만 남기고 나머지는 모두 삭제합니다.

⚠️ 주의할 점: "조금만 잘못해도 실패"

이 시스템은 매우 민감합니다.

• 설정값 (Threshold): 문턱값을 너무 높게 잡으면 번호판 조각이 붙지 않고 흩어지고, 너무 낮게 잡으면 가짜까지 다 붙여버립니다.
• 환경: 비나 안개, 너무 어두운 밤은 사진을 흐리게 만들어 번호판 인식을 어렵게 합니다. 그래서 카메라를 빛이 잘 들고 비가 안 오는 곳에 설치하는 것이 중요합니다.

🏁 결론

이 프로젝트는 단순히 번호를 읽는 것을 넘어, 어지러운 현실 세계의 데이터를 정돈하여 중요한 정보 (번호판) 만 뽑아내는 기술입니다. 이 기술이 완성되면:

• 경찰은 도난 차량을 쉽게 찾을 수 있고,
• 고속도로에서는 자동으로 통행료를 징수할 수 있으며,
• 과속 차량을 자동으로 적발할 수 있게 됩니다.

즉, 컴퓨터가 눈이 나쁜 인간 대신, 어지러운 도로 위에서 번호판을 찾아내는 똑똑한 '수사관'이 되는 것입니다.

기술 요약

논문 기술 요약: 이미지 처리 기반 차량 번호판 탐지 및 노이즈 제거 구현

1. 개요 (Overview)

이 논문은 말레이시아를 포함한 급증하는 차량 수에 대응하기 위해 개발된 자동 번호판 인식 (ANPR) 시스템 중 '번호판 탐지 (Plate Detection)' 단계에 초점을 맞춘 연구입니다. 저자는 복잡한 배경과 다양한 환경적 요인 속에서도 차량 번호판을 정확하게 식별하고 추출하기 위한 이미지 처리 파이프라인을 제안하며, 이를 통해 교통 감시, 과속 단속, 도난 차량 추적 등의 목적을 달성하고자 합니다.

2. 문제 정의 (Problem Domain)

연구는 기존 이미지 처리 과정에서 발생하는 다음과 같은 주요 기술적 난제들을 해결하는 데 목적이 있습니다.

• 불균형한 강도 분포 (Unbalanced Intensity Distribution): RGB 를 회색조 (Grayscale) 로 변환 시 히스토그램의 강도 분포가 불균형하여 배경 노이즈는 강조되고 실제 번호판 신호는 약해지는 문제.
• 이미지 노이즈 (Image Noise): 배경 및 전경의 노이즈가 번호판 위치를 방해하여 탐지 정확도를 저하시킴.
• 번호판 윤곽 획득의 어려움 (Outline Obtainment): 번호판 주변에 수많은 관련 없는 객체들이 존재하여 번호판의 경계를 특정하기 어려움.
• 픽셀 연결 문제 (Connection of Pixels): 에지 (Edge) 감지 후 픽셀들이 산재하여 객체가 불완전한 형태로 나타나는 문제. 이를 블록 (Block) 단위로 연결해야 함.
• 블록 단위 처리 및 필터링 (Individual Processing & Filtration): 여러 블록이 통합된 이미지에서 개별 블록을 분리하고, 번호판과 유사한 특징 (로고 등) 을 가진 노이즈 객체를 구별하여 필터링하는 어려움.
• 환경적 요인 (Illumination & Weather): 조도 부족 (야간) 또는 안개 등 기상 조건으로 인한 이미지 흐림 및 대비 저하 문제.

3. 제안된 방법론 (Methodology)

저자는 다음과 같은 8 단계의 알고리즘 파이프라인을 제안하여 문제를 해결합니다.

1. RGB to Grayscale Conversion (RGB 회색조 변환):

   • 24 비트 컬러 이미지를 8 비트 회색조로 변환하여 계산 복잡도를 줄입니다.
   • 공식: (Red + Green + Blue) / 3

2. Equalization (히스토그램 평활화):

   • 불균형한 강도 분포를 보정하여 대비를 향상시킵니다.
   • 각 픽셀 값의 확률, 누적 확률을 계산하여 0~255 범위로 재분배합니다.

3. Blur Filtering (블러 필터링):

   • 마스크를 사용하여 픽셀 평균을 계산함으로써 배경 및 전경의 고주파 노이즈를 제거하고 이미지를 부드럽게 만듭니다.

4. Edge Detection (에지 감지):

   • 3x3 마스크를 사용하여 수직 및 수평 방향의 픽셀 값 차이를 계산 (Sobel 연산자 유사) 하여 객체의 윤곽을 추출합니다.
   • 번호판은 에지가 뚜렷하므로 이를 통해 불필요한 객체를 제거합니다.

5. Dilation (팽창 연산):

   • 산재된 픽셀들을 연결하여 완전한 객체 블록 (Block) 을 형성합니다.
   • 3x3 마스크를 사용하여 주변 픽셀 중 255(흰색) 가 존재하면 중심 픽셀도 255 로 설정합니다.

6. Segmentation (분할):

   • OpenCV 의 find-contours 함수를 활용하여 연결된 블록들을 개별 객체로 분리하고 고유한 색상을 부여합니다.

7. Noise Removal (노이즈 제거 - 핵심 기여):

   • 기존 접근: 위치, 너비, 높이, 비율 등의 휴리스틱 (Heuristic) 특징만으로는 번호판과 유사한 노이즈 (예: 차체 로고) 를 완전히 제거하기 어려움.
   • 제안된 개선: 기존 연구 [1] 의 방법을 기반으로 면적 (Area) 특징을 추가하여 최적화한 새로운 알고리즘을 적용합니다. 이를 통해 휴리스틱 필터링만으로는 남는 유사 객체들을 효과적으로 제거합니다.

8. Plate Extraction (번호판 추출):

   • 최종적으로 필터링된 이상적인 직사각형 영역을 기준으로 번호판 이미지를 잘라냅니다.

4. 주요 결과 및 분석 (Results & Analysis)

• 성공적인 번호판 추출: 제안된 알고리즘 체인을 통해 복잡한 배경에서도 번호판이 성공적으로 탐지 및 추출되었습니다 (Fig. 18 참조).
• 파라미터 설정의 중요성: 에지 감지의 임계값 (Threshold) 과 팽창 (Dilation) 연산의 마스크 크기는 결과에 결정적인 영향을 미칩니다. 부적절한 설정은 번호판 픽셀 연결 실패로 이어져 불완전한 추출 (Fig. 19) 을 초래할 수 있음이 실험을 통해 확인되었습니다.
• 환경적 한계: 조도가 극단적으로 낮거나 안개 등 기상 조건이 나쁜 경우 원본 이미지 품질 저하로 인해 처리가 어렵습니다. 이에 따라 카메라 설치 위치의 조명 안정성과 방수/방진 조치가 필요함을 강조했습니다.

5. 기여도 및 의의 (Contributions & Significance)

• 기술적 기여: 단순한 휴리스틱 필터링을 넘어, 면적 (Area) 특징을 결합한 개선된 노이즈 제거 알고리즘을 제안하여 번호판과 유사한 객체 (차량 로고 등) 를 구별하는 정확도를 높였습니다.
• 실용적 가치: 말레이시아와 같은 급성장 교통 환경에서 전자 주차 시스템, 톨게이트, 경찰 단속 등에 즉시 적용 가능한 실시간 번호판 탐지 시스템의 기초를 마련했습니다.
• 학문적/기술적 학습: C++ 프로그래밍 및 이미지 처리 도메인 지식 (OpenCV 활용 등) 을 심화시켰으며, 다양한 환경적 변수를 고려한 시스템 설계의 중요성을 입증했습니다.

6. 결론 (Conclusion)

이 연구는 RGB 변환부터 노이즈 제거 및 분할에 이르는 일련의 이미지 처리 단계를 체계적으로 통합하여 차량 번호판 탐지 시스템을 구현했습니다. 특히 환경적 노이즈와 유사 객체 필터링 문제를 해결하기 위한 알고리즘 최적화를 통해 높은 정확도의 번호판 추출을 달성하였으며, 이는 교통 안전 및 범죄 예방을 위한 핵심 기술로 평가됩니다.