📌 Key Takeaways (要約)
- 課題: 単一フレームOCRは車体の揺れや光の反射により、一時的な誤認識（
64아1511、24가1511など）が不可避です。- 解決策: 韓国ナンバープレート規格の正規表現（
^\d{2,3}[가-힣]\d{4}$）検証と、過去7フレームのバッファで3回以上一致した場合に確定する時間軸多数決投票エンジンを構築しました。- 成果: 6月5日の初期の文字化け（
ACCIIXOY...）から6月7日の完全な「64가1511」確定まで、11段階（v01〜v11）のリファクタリングを経て99.4%の信頼性を達成しました。
📌 Key Takeaways (要約)
- 課題: ドラレコ映像から抽出されたプレート領域は40x20ピクセル以下と極小で、バイキュービック補間では輪郭がぼやけて文字認識が不可能です。
- 解決策: バッチ正規化を除去してテクスチャ復元力を高めたEDSR_x4深層残差ネットワーク（EDSR_x4.pb）を導入し、連続3〜5フレームを平均化するマルチフレーム画像スタッキングを併用しました。
- 成果: プレート解像度を4倍に拡大し文字のエッジを鮮明化、EasyOCRのハングル認識成功率を32%から91%以上へ大幅に向上させました。
📌 Key Takeaways (要約)
- 課題: 640x480全体から直接小さなナンバープレートを探索すると看板等の誤検出が多発し、フレーム毎の深層学習推論はFPSを10以下に低下させます。
- 解決策: YOLOv3-tinyで車両全体を検出した後、そのROI内部でのみYOLOv5（lp_det.pt）を実行する2段階階層構造を採用。15フレーム毎の再検出とOpenCV CSRT高速トラッカーを統合しました。
- 成果: 背景の誤検出をほぼ完全に排除し、GPU演算負荷を80%削減して50+ FPSの滑らかなリアルタイム追跡を実現しました。
📌 Key Takeaways (要約)
- 課題: ドラレコ映像は路面反射、アスファルトの亀裂、影によって誤検出が多発し、単純な座標判定では車線変更の瞬間を正確に捉えられません。
- 解決策: 消失点基準の台形ROIマスク、傾きフィルタリング（|slope| > 0.5）、および7フレーム移動平均キューを採用しました。侵犯判定は車両接地領域（下部30%）と車線ポリゴン間の幾何学的IoU（> 0.05）で定式化しました。
- 成果: 路面ノイズを95%以上除外しながら、車線侵犯の瞬間をサブフレーム単位で安定して検出することに成功しました。
📌 Key Takeaways (要約)
- 課題: ドラレコの低解像度映像は、車体振動、逆光、モーションブラー、強いH.264圧縮ノイズにより、ナンバープレートが著しく潰れ、車線侵犯のリアルタイム追跡が極めて困難です。
- 解決策: Canny/Hough動的車線抽出 -> YOLOv3車両検出 -> 多角形IoU侵犯判定 -> YOLOv5プレート局所検出 -> EDSR_x4深層超解像復元 -> EasyOCR時間軸多数決投票という6段階の階層型パイプラインを設計しました。
- 成果: 過度なGPU負荷を回避し30 FPS以上を維持しながら、過酷なドラレコ環境下でも侵犯車両のナンバープレートを正確に確定するEnd-to-Endシステムを構築しました。