제약 없는 감시 시스템에서 적대적 슈퍼리졸루션을 활용한 실용적인 번호판 인식

현재 대부분의 번호판(LP) 인식 응용 기술은 상당히 발전했지만, 여전히 훈련 데이터가 제한된 장면에서 정교하게 주석화된 이상적인 환경에 국한되어 있다. 본 논문에서는 제약 없는 실제 교통 환경을 다룰 수 있는 새로운 번호판 인식 방법을 제안한다. 이러한 도전 과제를 극복하기 위해, 우리는 적대적 초해상도(Adversarial Super-Resolution, SR) 기법과 단일 단계(character segmentation 및 recognition)를 활용한다. VGG-net 기반의 깊은 합성곱 신경망과 결합함으로써, 본 방법은 간단하면서도 합리적인 훈련 절차를 제공한다. 또한, 제약 없는 감시 환경에서 효과적으로 수집된 이미지 샘플을 포함하는 도전적인 LP 데이터셋인 GIST-LP를 제안한다. AOLP 및 GIST-LP 데이터셋에서의 실험 결과는, 본 방법이 특별한 장면 적응 없이도 기존의 번호판 인식 기법보다 정확도 면에서 뛰어나며, 초해상도 복원 결과가 원본 데이터보다 더 이해하기 쉬운 시각적 향상 효과를 제공함을 보여준다.