프로젝트 개요 - 번호판 인식 시스템

학습 목표

• •번호판 인식 시스템(LPR)의 전체 구조를 이해한다
• •기능 및 비기능 요구사항을 체계적으로 분석한다
• •2단계 아키텍처(검출 + 인식)의 설계 근거를 파악한다
• •프로젝트 전체 로드맵과 기술 스택을 설계한다

일상 속 번호판 인식

비유: 주차장 입구에 서 있는 경비원을 떠올려 보세요. 차가 들어오면 경비원은 먼저 "저기 번호판이 있네!"라고 위치를 찾고(검출), 그다음 "12가 3456이군"이라고 글자를 읽습니다(인식). AI 번호판 인식 시스템도 정확히 이 두 단계를 거칩니다.

번호판 인식 시스템(License Plate Recognition, LPR)은 카메라로 촬영한 이미지에서 차량 번호판을 자동으로 검출하고 문자를 인식하는 시스템입니다. 이미 우리 일상 곳곳에서 작동하고 있습니다.

실제 활용 분야

이런 시스템을 직접 설계하고 구현하는 것이 Level 9의 목표입니다.

왜 2단계 구조인가?

번호판 인식을 한 번에 처리할 수도 있지 않을까요? 이론적으로는 가능하지만, 실무에서는 2단계로 나누는 것이 압도적으로 유리합니다.

End-to-End vs 2-Stage 비교

비유: 요리를 생각해 보세요. 재료 손질과 조리를 한 사람이 동시에 하면 복잡하지만, "재료 준비 담당"과 "조리 담당"을 나누면 각자 전문성을 발휘할 수 있습니다. 문제가 생겨도 어느 단계 문제인지 바로 알 수 있죠.

2단계 파이프라인 흐름

[입력 이미지] → [1단계: 번호판 검출] → [2단계: 문자 인식] → [결과 출력]
                  (Detection)            (Recognition)
                  YOLO 모델               CNN 모델
                  "어디에 있나?"           "뭐라고 쓰여 있나?"

1단계: 번호판 검출 (Detection)

• •전체 이미지에서 번호판이 있는 위치를 찾습니다
• •결과: 바운딩 박스 좌표 (x, y, width, height)
• •사용 모델: YOLOv8 (실시간 Object Detection에 최적)
• •핵심 도전: 다양한 크기, 각도, 조명 조건 대응

2단계: 문자 인식 (Recognition)

• •검출된 번호판 영역을 잘라내어 문자를 읽습니다
• •결과: 인식된 텍스트 문자열 ("12가3456")
• •사용 모델: CNN 기반 문자 분류기
• •핵심 도전: 한글 + 숫자 혼합 인식, 훼손된 문자 처리

요구사항 분석

실제 프로젝트에서 가장 먼저 하는 일은 "무엇을 만들 것인가?"를 명확히 정의하는 것입니다.

기능 요구사항 (Functional Requirements)

비기능 요구사항 (Non-Functional Requirements)

성능 목표를 숫자로 정의하는 이유

비유: "빨리 달려!"보다 "100m를 15초 안에 달려!"가 훨씬 명확하죠? 소프트웨어 프로젝트도 마찬가지입니다. 숫자로 정의된 목표가 있어야 "달성했는지 아닌지"를 객관적으로 판단할 수 있습니다.

시스템 아키텍처 상세 설계

전체 시스템을 모듈별로 나누어 설계합니다. 각 모듈은 독립적으로 개발하고 테스트한 뒤 통합합니다.

모듈 구성

데이터 흐름 시각화

핵심 설계 코드 구조

python
실행복사
# 전체 파이프라인의 뼈대 (PyTorch + Ultralytics)
class LPRSystem:
    def __init__(self):
        self.detector = YOLO("best_detector.pt")
        self.recognizer = CharClassifier(num_classes=50)
        self.recognizer.load_state_dict(
            torch.load("char_classifier.pth")
        )

    def process(self, image):
        # 1단계: 검출
        detections = self.detector(image)

        results = []
        for box in detections[0].boxes:
            # 2단계: 크롭 + 인식
            x1, y1, x2, y2 = box.xyxy[0].int()
            plate_img = image[y1:y2, x1:x2]
            text = self.recognize_plate(plate_img)
            results.append({
                "bbox": (x1, y1, x2, y2),
                "text": text,
                "confidence": box.conf[0].item()
            })
        return results

한국 번호판의 특수성

우리 시스템은 한국 번호판을 대상으로 합니다. 한국 번호판은 다른 나라와 다른 고유한 특징이 있습니다.

번호판 형식 종류

인식 대상 문자 클래스

python
실행복사
# 한국 번호판에서 인식해야 할 문자들
digits = ["0", "1", "2", "3", "4", "5", "6", "7", "8", "9"]
print(f"숫자: {len(digits)}개")

# 용도별 한글 문자 (주요)
hangul_chars = [
    "가", "나", "다", "라", "마", "바", "사", "아", "자",
    "거", "너", "더", "러", "머", "버", "서", "어", "저",
    "고", "노", "도", "로", "모", "보", "소", "오", "조",
    "구", "누", "두", "루", "무", "부", "수", "우", "주",
    "허", "하", "호", "배"
]
print(f"한글: {len(hangul_chars)}개")
print(f"총 클래스 수: {len(digits) + len(hangul_chars)}개")

프로젝트 로드맵

전체 프로젝트는 8개 레슨에 걸쳐 단계적으로 진행됩니다. 각 레슨은 이전 레슨의 결과물 위에 쌓이는 구조입니다.

기술 스택 정리

핵심 라이브러리와 역할

bash
복사
# 개발 환경 설치 (참고용)
pip install torch torchvision          # 딥러닝
pip install ultralytics                # YOLOv8
pip install opencv-python-headless     # 이미지 처리
pip install albumentations             # 데이터 증강
pip install fastapi uvicorn            # API 서버

개발 환경 권장 사양

성공적인 프로젝트를 위한 팁

1. •모듈별 독립 테스트: 통합 전에 각 모듈이 개별적으로 잘 동작하는지 확인하세요
2. •작은 데이터로 먼저: 10장으로 파이프라인을 완성한 뒤 데이터를 늘리세요
3. •버전 관리: 모델 가중치, 설정 파일, 실험 결과를 체계적으로 관리하세요
4. •시각화 습관: 중간 결과를 항상 눈으로 확인하세요 (검출 박스, 크롭된 이미지 등)

핵심 정리

1. •2단계 구조: 검출(Detection) → 인식(Recognition)으로 분리하면 개발과 디버깅이 쉬워진다
2. •목표 성능: 95% 정확도, 200ms 이내 추론이라는 구체적 숫자 목표
3. •기술 스택: YOLOv8(검출) + CNN(인식) + PyTorch + FastAPI(배포)
4. •모듈화 설계: 각 단계를 독립적으로 개발하고 테스트한 뒤 통합
5. •한국 번호판 특수성: 숫자 + 한글 혼합, 다양한 형식 대응 필요