CNN-LPR

1. Resnet기반 LPR 개발
2018.06.18
신호해석특론
김정훈 jhkim@dilab.co.kr

2. Contents
 LPR
 DeepLearing Framework
 Deep Learning
 실험
 결과
신호해석특론 2

3. LPR
신호해석특론 3
 License Plate Recognition
 Automatic number-plate recognition (ANPR)
 실시간
 최소 하드웨어 자원

4. 기존 인식 프로그램
신호해석특론 4
 ItsAvi
 C++기반 MFC프로그램
 Templet Matching알고리즘.
 빠른 속도

5. 딥러닝 프레임워크 선정
신호해석특론 5
 CNTK
 Microsoft Cognitive Toolkit
 강력한 opensorce license 정책
 Python
 Windows C++ api지원 (tensorflow는 지원x)
 Tensorflow..

6. 딥러닝 모델 선정
신호해석특론 6
 Cifar10 속도 비교

7. Resnet
신호해석특론 7
 softmax

8. 딥러닝 모델 선정
신호해석특론 8
 Resnet(Residual Net)
 20 layers
 Input 20x30
 Output 43-way softmax

9. 딥러닝 모델
신호해석특론 9
 Target Data 설정
 오인식이 제일 많이 나는 문자 부분부터 개선
 번호판 Type3의 문자 부분
 43(가~호)
 각 문자당 200개씩 데이터 추출
 30 x 20 byte

10. 딥러닝 모델
신호해석특론 10
 학습
 Python으로 작성
 5000개씩 160번 minibatch 학습
 Nvidia GTX 1060 GPU사용하여 학습
 40분 소요

11. 딥러닝 모델
신호해석특론 11
 Test
 C++로 작성
 학습한 모델을 load하여 사용
 CPU사용
 Templet하나에 약 50ms소요

12. 결과
신호해석특론 12
 기존 templet 매칭 적용 모델

13. 결과
신호해석특론 13
 Resnet 적용 모델

14. 결과
신호해석특론 14
 Resnet
 기존 오인식 부분이 개선
 인식률 통계를 내기엔 데이터 풀이 부족
 상대적으로 느린 부분은 개선 필요
Templet Resnet
속도 3ms 50ms
정확도 보통 좋음

15. 향후 계획
신호해석특론 15
 다른 번호판 타입들
 숫자, 지역문자도 적용
 네트워크 업그레이드, 속도 개선
 프로세스 전체를 딥러닝 으로 처리 (object detection)

16. Reference
신호해석특론 16
 http://www.image-net.org/
 https://www.youtube.com/watch?v=GSsKdtoatm8
 http://dalpo0814.tistory.com/24
 https://laonple.blog.me/220761052425
 https://github.com/Microsoft/CNTK/releases

17. Q&A
신호해석특론 17