고해상도 360° 전방위 IP 카메라를 이용한 다중 번호판 인식 시스템

라승탁,이선구,이승호,Ra, Seung-Tak,Lee, Sun-Gu,Lee, Seung-Ho 한국전기전자학회 2017 전기전자학회논문지 Vol.21 No.4

본 논문에서는 고해상도 $360^{\circ}$ 전방위 IP 카메라를 이용한 다중 번호판 인식 시스템을 제안한다. 제안한 시스템은 $360^{\circ}$ 원형영상의 평면 분할 부와 다중 번호판 인식 부로 구성되었다. $360^{\circ}$ 원형영상의 평면 분할 부는 고해상도 $360^{\circ}$ 전방위 IP 카메라에서 원형영상 획득, 원형영상 분할, 평면영상으로 변환, 보간법을 사용한 픽셀 보정 및 컬러보정, 에지 보정 등의 과정을 거쳐 화질이 개선된 평면영상으로 출력한다. 다중 번호판 인식 부는 평면영상에서 다중 번호판 후보영역 추출, 다중 번호판 후보영역 정규화 및 복원, 신경망을 사용한 다중 번호판 숫자, 문자 인식 과정을 거쳐 다중 번호판을 인식하게 된다. 제안된 고해상도 $360^{\circ}$ 전방위 IP 카메라를 이용한 다중 번호판 인식 시스템을 평가하기 위하여 지능형 주차관제시스템 운영 전문 업체와 공동으로 실험한 결과, 97.8%의 높은 번호판 인식률이 확인되었다. In this paper, we propose a multi license plate recognition system using high resolution $360^{\circ}$ omnidirectional IP camera. The proposed system consists of a planar division part of $360^{\circ}$ circular image and a multi license plate recognition part. The planar division part of the $360^{\circ}$ circular image are divided into a planar image with enhanced image quality through processes such as circular image acquisition, circular image segmentation, conversion to plane image, pixel correction using color interpolation, color correction and edge correction in a high resolution $360^{\circ}$ omnidirectional IP Camera. Multi license plate recognition part is through the multi-plate extraction candidate region, a multi-plate candidate area normalized and restore, multiple license plate number, character recognition using a neural network in the process of recognizing a multi-planar imaging plates. In order to evaluate the multi license plate recognition system using the proposed high resolution $360^{\circ}$ omnidirectional IP camera, we experimented with a specialist in the operation of intelligent parking control system, and 97.8% of high plate recognition rate was confirmed.

불꽃 감지를 위한 임베디드 시스템에 적합한 딥러닝 구조

라승탁,이승호 한국전기전자학회 2019 전기전자학회논문지 Vol.23 No.1

In this paper, we propose a deep learning structure suitable for embedded system. The flame detection process of theproposed deep learning structure consists of four steps:flame area detection using flame color model, flame imageclassification using deep learning structure for flame color specialization,  × cell separation in detected flame area, flameimage classification using deep learning structure for flame shape specialization. First, only the color of the flame isextracted from the input image and then labeled to detect the flame area. Second, area of flame detected is the input ofa deep learning structure specialized in flame color and is classified as flame image only if the probability of flame classat the output is greater than 75%. Third, divide the detected flame region of the images classified as flame images lessthan 75% in the preceding section into  × units. Fourthly, small cells divided into  × units are inserted into theinput of a deep learning structure specialized to the shape of the flame and each cell is judged to be flame proof andclassified as flame images if more than 50% of cells are classified as flame images. To verify the effectiveness of theproposed deep learning structure, we experimented with a flame database of ImageNet. Experimental results show that theproposed deep learning structure has an average resource occupancy rate of 29.86% and an 8 second fast flame detectiontime. The flame detection rate averaged 0.95% lower compared to the existing deep learning structure, but this was theresult of light construction of the deep learning structure for application to embedded systems. Therefore, the deep learningstructure for flame detection proposed in this paper has been proved suitable for the application of embedded system. 본 논문에서는 불꽃 감지를 위한 임베디드 시스템에 적합한 딥러닝 구조를 제안한다. 제안하는 딥러닝 구조의 불꽃 감지과정은 불꽃 색깔 모델을 사용한 불꽃 영역 검출, 불꽃 색깔 특화 딥러닝 구조를 사용한 불꽃 영상 분류, 검출된 불꽃 영역의 ×  셀 분리, 불꽃 모양 특화 딥러닝 구조를 사용한 불꽃 영상 분류 등의 4가지 과정으로 구성된다. 첫 번째로 입력 영상에서 불꽃의 색만을 추출한 다음 레이블링하여 불꽃 영역을 검출한다. 두 번째로 검출된 불꽃 영역을 불꽃 색깔에 특화 학습된 딥러닝 구조의 입력으로 넣고, 출력단의 불꽃 클래스 확률이 75% 이상에서만 불꽃 영상으로 분류한다. 세 번째로 앞 단에서 75% 미만 불꽃 영상으로 분류된 영상들의 검출된 불꽃 영역을  ×  단위로 분할한다. 네 번째로  × 단위로 분할된작은 셀들을 불꽃의 모양에 특화 학습된 딥러닝 구조의 입력으로 넣고, 각 셀의 불꽃 여부를 판단하여 50% 이상의 셀들이불꽃 영상으로 분류될 경우에 불꽃 영상으로 분류한다. 제안된 딥러닝 구조의 성능을 평가하기 위하여 ImageNet의 불꽃 데이터베이스를 사용하여 실험하였다. 실험 결과, 제안하는 딥러닝 구조는 기존의 딥러닝 구조보다 평균 29.86% 낮은 리소스점유율과 8초 빠른 불꽃 감지 시간을 나타내었다. 불꽃 검출률은 기존의 딥러닝 구조와 비교하여 평균 0.95% 낮은 결과를나타내었으나, 이는 임베디드 시스템에 적용하기 위해 딥러닝 구조를 가볍게 구성한데서 나온 결과이다. 따라서 본 논문에서제안하는 불꽃 감지를 위한 딥러닝 구조는 임베디드 시스템 적용에 적합함이 입증되었다.

얼굴 인식률 향상을 위한 멀티 블록 방식의딥러닝 구조에 관한 연구

라승탁,김홍직,이승호 한국전기전자학회 2018 전기전자학회논문지 Vol.22 No.4

본 논문에서는 얼굴 인식률 향상을 위한 멀티 블록 방식의 딥러닝 구조를 제안한다. 제안하는 딥러닝의 인식 구조는 입력된 이미지의 멀티 블록화, 특징 수치 분석을 통한 멀티 블록 선정, 선정된 멀티 블록의 딥러닝 수행 등의 3가지 과정으로 구성된다. 첫 번째로 입력된 이미지의 멀티 블록화는 입력된 이미지를 4등분하여 멀티 블록화 시킨다. 두 번째로 특징 수치분석을 통한 멀티 블록 선정에서는 4등분된 멀티 블록들의 특징 수치를 확인하고 특징이 많이 부각되는 블록만을 선정하여 얼굴 인식에 방해가 되는 요소를 사전에 제거한 블록들을 선정한다. 세 번째로 선정된 멀티 블록으로 딥러닝 수행은 선정된멀티 블록 부위가 학습되어진 딥러닝 모델에 인식을 수행하여 특징 수치가 높은 효율적인 블록으로 얼굴 인식의 결과를 도출한다. 제안된 딥러닝 구조의 성능을 평가하기 위하여 CAS-PEAL 얼굴 데이터베이스를 사용하여 실험 하였다. 실험 결과,제안하는 멀티 블록 방식의 딥러닝 구조가 기존의 딥러닝 구조보다 평균 약 2.3% 향상된 얼굴 인식률을 나타내어 그 효용성이 입증됨을 확인하였다. In this paper, we propose a multi-block deep learning structure for improving face recognition rate. The recognitionstructure of the proposed deep learning consists of three steps: multi-blocking of the input image, multi-block selectionby facial feature numerical analysis, and perform deep learning of the selected multi-block. First, the input image isdivided into 4 blocks by multi-block. Secondly, in the multi-block selection by feature analysis, the feature values of thequadruple multi-blocks are checked, and only the blocks with many features are selected. The third step is to performdeep learning with the selected multi-block, and the result is obtained as an efficient block with high feature value byperforming recognition on the deep learning model in which the selected multi-block part is learned. To evaluate theperformance of the proposed deep learning structure, we used CAS-PEAL face database. Experimental results show thatthe proposed multi-block deep learning structure shows 2.3% higher face recognition rate than the existing deep learningstructure.

고해상도 360° 전방위 IP 카메라를 이용한 다중 번호판 인식 시스템

라승탁,이선구,이승호 한국전기전자학회 2017 전기전자학회논문지 Vol.21 No.4

In this paper, we propose a multi license plate recognition system using high resolution 360° omnidirectional IP camera. The proposed system consists of a planar division part of 360° circular image and a multi license plate recognition part. The planar division part of the 360° circular image are divided into a planar image with enhanced image quality through processes such as circular image acquisition, circular image segmentation, conversion to plane image, pixel correction using color interpolation, color correction and edge correction in a high resolution 360° omnidirectional IP Camera. Multi license plate recognition part is through the multi-plate extraction candidate region, a multi-plate candidate area normalized and restore, multiple license plate number, character recognition using a neural network in the process of recognizing a multi-planar imaging plates. In order to evaluate the multi license plate recognition system using the proposed high resolution 360° omnidirectional IP camera, we experimented with a specialist in the operation of intelligent parking control system, and 97.8% of high plate recognition rate was confirmed. 본 논문에서는 고해상도 360° 전방위 IP 카메라를 이용한 다중 번호판 인식 시스템을 제안한다. 제안한 시스템은 360° 원형영상의 평면 분할 부와 다중 번호판 인식 부로 구성되었다. 360° 원형영상의 평면 분할 부는 고해상도 360° 전방위 IP 카메라에서 원형영상 획득, 원형영상 분할, 평면영상으로 변환, 보간법을 사용한 픽셀 보정 및 컬러 보정, 에지 보정 등의 과정을 거쳐 화질이 개선된 평면영상으로 출력한다. 다중 번호판 인식 부는 평면영상에서 다중 번호판 후보영역 추출, 다중 번호판 후보영역 정규화 및 복원, 신경망을 사용한 다중 번호판 숫자, 문자 인식 과정을 거쳐 다중 번호판을 인식하게 된다. 제안된 고해상도 360° 전방위 IP 카메라를 이용한 다중 번호판 인식 시스템을 평가하기 위하여 지능형 주차관제시스템 운영 전문 업체와 공동으로 실험한 결과, 97.8%의 높은 번호판 인식률이 확인되었다.

FMCW 레이다 기반의 포인트 클라우드와 LSTM을이용한 자동 핸드 제스처 영역 추출 및 인식 기법

라승탁,이승호 한국전기전자학회 2023 전기전자학회논문지 Vol.27 No.4

본 논문에서는 FMCW 레이다 기반의 포인트 클라우드와 LSTM을 이용한 자동 핸드 제스처 영역 추출 및 인식 기법을 제안한다. 제안한 기법은 기존의 방식과 다른 다음과 같은 독창성이 있다. 첫 번째, 기존의 range-doppler 등의 2D 이미지를 입력 벡터로하는 방식과 다르게 시계열 형태의 포인트 클라우드 입력 벡터는 레이다 전방에서 발생하는 시간에 따른 움직임을 좌표계 형태로인식할 수 있는 직관적인 입력 데이터이다. 두 번째, 입력 벡터의 크기가 작기 때문에 인식에 쓰이는 딥러닝 모델도 가볍게 설계할수 있다. 제안하는 기법의 수행 과정은 다음과 같다. FMCW 레이다로 측정된 거리, 속도, 각도 정보를 활용해 x, y, z 좌표 형식과도플러 속도 정보를 포함한 포인트 클라우드를 활용한다. 제스처 영역은 속도 정보를 통해 얻어진 도플러 포인트를 이용하여 제스처의 시작과 끝 지점을 파악해 자동으로 핸드 제스처 영역을 추출하게 된다. 추출된 제스처 영역의 시점에 해당하는 시계열 형태의포인트 클라우드는 최종적으로 본 논문에서 사용한 LSTM 딥러닝 모델의 학습 및 인식에 활용되게 된다. 제안하는 기법의 객관적인신뢰성을 평가하기 위해 다른 딥러닝 모델들과 MAE를 산출하는 실험과 기존 기법들과 인식률을 산출하는 실험을 수행하여 비교하였다. 실험 결과, 시계열 형태의 포인트 클라우드 입력 벡터 + LSTM 딥러닝 모델의 MAE 값이 0.262, 인식률이 97.5%로 산출되었다. MAE는 낮을수록, 인식률은 높을수록 우수한 결과를 나타내므로 본 논문에서 제안한 기법의 효율성이 입증되었다. utilizing a distributed approach, we deploy multiple observers, each with its own set of neural network layers, to

GM Tube 및 NaI(TI) 검출기를 사용한 Wide-Range 방사선 측정 시스템의 설계

라승탁(Seung-Tak Ra),이주현(Joo-Hyun Lee),이승호(Seung-Ho Lee) 한국전기전자학회 2017 전기전자학회논문지 Vol.21 No.2

본 논문에서는 GM Tube 및 NaI(TI) 검출기를 사용한 Wide-Range 방사선 측정 시스템을 제안한다. 제안하는 시스템은 NaI(Tl) 검출기 및 GM Tube의 검출기 신호를 제어, 계수할 수 있게 최적화한 하나의 소형 모듈로 설계한다. 방사선량은 2개의 검출기를 연동하여 Wide-range인 0.1uSv/h~10mSv/h 구간에서 측정되고, 측정구간이 중복되는 지점인 10uSv/h∼100uSv/h에서는 2개의 검출기가 동시에 동작한다. 방사선량은 중첩된 방사선 측정 가능 구간에 대해 적정한 구간에서 해당 검출기 기능의 On/Off를 제어하는 Wide-Range 방사선 측정 알고리즘을 이용하여 선택 적용하였다. 제안된 시스템의 성능을 평가하기 위하여 공인시험기관에서 실험한 결과, 각 구간별로 측정 불확도가 ±7.5%로 측정되어 국제 표준인 ±15% 이하에서 정상동작 됨이 확인되었다. In this paper, we propose a wide-range radiation measurement system using GM Tube and NaI(TI) detector. The proposed system is designed as a small module optimized to control and count the detector signal of NaI(Tl) Detector and GM Tube. The radiation dose is measured in a wide-range 0.1uSv/h to 10mSv/h in conjunction with two detectors, and two detectors operate simultaneously at 10uSv/h to 100uSv/h, where the measurement interval overlaps. The radiation dose was selected using a wide-range radiation measurement algorithm that controls the on/off function of the detector in the appropriate interval for the overlapped radiation measurable interval. In order to evaluate the performance of the proposed system, it has been confirmed that the measurement uncertainty of each section is measured as ±7.5% and it operates normally under ±15% of the international standard.

MCT와 신경망을 이용한 얼굴 오검출 감소 알고리즘 개발

라승탁 ( Seung-tak Ra ),이승호 ( Seung-ho Lee ) 한국정보처리학회 2016 한국정보처리학회 학술대회논문집 Vol.23 No.1

OpenCV(Open Computer Vision)에서 제공하는 얼굴 검출 알고리즘은 Haar-like feature와 Cascade 방식을 이용하여 얼굴의 패턴을 찾아내 얼굴을 검출한다. 그러나 우연히 얼굴이 아닌 곳이 얼굴과 유사한 패턴일 경우, 얼굴로 인식하는 오류를 범하게 된다. 따라서 본 논문은 MCT(Modified Census Transform)와 신경망을 이용하여 잘못된 얼굴 검출 영역을 감소시키는 알고리즘을 제안한다. MCT는 다양한 조명 조건에서도 강인한 얼굴 영상의 지역적 구조 특징을 추출하기 위하여 사용되고, 신경망 알고리즘은 Haar-Cascade 알고리즘의 얼굴 검출 방법으로 검출된 영역이 실제로 얼굴인지 아닌지를 판단하기 위하여 사용된다. 실험에서 사용된 6개의 데이터들은 인터넷에서 수집한 것으로서, Haar-Cascade 알고리즘의 얼굴 검출 방법으로 얼굴을 검출하였을 때 오검출된 영역이 1개 이상 존재한다. 본 논문에서 제안한 알고리즘으로 실험한 결과, Haar-Cascade 알고리즘의 얼굴 검출 방법에 비하여 오검출된 영역이 감소된 것을 확인할 수 있었다.

차량 적재물 방사선 관리용 핵종 분석 시스템 개발

라승탁(Seung-Tak Ra),장경욱(Kyeong-Uk Jang),이희열(Hee-Yeol Lee),이주현(Joo-Hyun Lee),이승호(Seung-Ho Lee) 대한전자공학회 2016 대한전자공학회 학술대회 Vol.2016 No.6

In this paper, we demonstrate the Nuclide Analysis System for vehicle load radiation management, which enables the rapid analysis of the moving objects. Nuclide of the radiation exhibits the inherent energy spectrum of the objects. This characteristic, therefore, can be used to improve the speed and accuracy of the vehicle load radiation management system. Currently, vehicle load radiation management system are imported but we aim to localize the system with the proposed Nuclide Analysis Method.

반사판과 CW 레이더를 이용한 딥러닝 기반의 좌우 제스처 인식

라승탁(Seung-Tak Ra),도태용(Tae-Yong Doh),이희열(Hee-Yeol Lee),이영지(Young-Ji Lee),김정윤(Jeong-Yoon Kim),김홍직(Hong-Jik Kim),오승진(Seung-Jin Oh),김기범(Gi-Beom Kim),박혜지(Hye-Ji Park),이동근(Dong-Geun Lee),유하영(Ha-Young Yoo),이 대한전자공학회 2022 대한전자공학회 학술대회 Vol.2022 No.6

지능형 CCTV를 위한 배회, 침입 알고리즘 개발

라승탁(Seung-Tak Ra),오승진(Seung-Jin Oh),이태윤(Tae-Yoon Lee),오준혁(Jun-Hyeok Oh),신인영(In-Young Shin),이승호(Seung-Ho Lee) 대한전자공학회 2023 대한전자공학회 학술대회 Vol.2023 No.6

In this paper, loitering and intrusion algorithms for intelligent CCTV were developed. First, object detection was performed based on Yolo_X, a deep learning model capable of real-time object detection. Second, the false detection removal algorithm was applied to remove falsely detected objects. Finally, the event situation is determined by applying loitering and intrusion algorithms to each detected object. As a result of the experiment, loitering and intrusion events were detected at the correct time in 59 out of 60 images.