선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 04cm 의 이동량게 대하8 2차원 영사에서는 31 pixel의이동량으로 측정되었다. 그러면 이 시점에서 과연이 값이 얼마나 정확하게 3차원 이동량을 나타내는지 알아보기 위하여 이 연구에서는 다음과 같은 실험을 하였다. 수평, 수직으로 &泗간격으로 표시된점이 있는 보정판을 모니터 앞 50cm 거리 설치하고 이때 카메라에 의해 관측된 영상내의 점 사이의간격을 조사한다.
가설 설정
- 모니터 상의 시선 위치를 파악하기 위해 본 논문에서는 2차원 카메라 영상으로부터 얼굴 영역 및 얼굴 특징점을 자동으로 추출하였으며, 이로부터 카메라 보정, 매개변수 추정 방법 및 3차원 움직임 추정 방법등을 이용하여 모니터 상의 시선 위치를 구하였다. 이때 본논문에서는 눈동자의 움직임은 거의 없다고 가정했으며 이에 대한 추가 연구는 현재 진행중이다
- 그러므로 이 연구에서는 Ⅳ.절의 방법으로 일단 초기에 모니터에서 사용자까지의 거리를 측정한 후에는 이 거리의 변화도가 크지 않는다고 가정했으며, 또한 초기에 사용자가 모니터의 중앙을 볼 때 구한 얼굴의 폭 정보에 대한 현재 입력 얼굴의 폭 정보를 비교함으로써 모니터에서 사용자까지의 거리에 대한 변화도를 어느정도 흡수할 수 있도록 하였다. 신경망의 학습을 위하여 42곳의 시선 위치를 응시할 때 추출된 420개(42시선 위치 X10명분)의 회전각 데이터를 사용하였다.
제안 방법
- 이를 위하여 이 연구에서는 다음과 갇은 실험을 하였다. pothemus senss를 이용하여 얼굴의 3차원 이동량을 측정하는동안 취득된 영상에 대해 앞에서 소개한 윤곽 추출방법을 이용하여 얼굴 무게 중심점의 2차원 이동량을 측정해 보았다. 실험 결과 모니터와 사용자까지의 거리가 50cm일 때 3차원 공간에서 약 3.
- 실험환경은 19 인치 모니터를 사용하였고 사용자는 모니터와 5070cm정도의 거리만큼 떨어져 있을 때이다. 그러나 이렇게 추정한 얼굴 특징점의 위치 자체에도 에러 요소가 있기 때문에 이 연구에서는 다음과 같은초기 특징점의 위치 보정 알고리듬을 사용한다. 앞에서 구한 얼굴 특징점의 위치는 사용자가 모니터중앙을 볼 때 추정된 값이다.
- 나타낼 수 없을 것이다. 그러므로 이 논문에서는 정규화 과정을 통해 입력 특징값의 변화도를 수용하였다.
- 그러나 이렇게 계산된 사용자의 시선 위치에는 3차원 회전량 및 아동량 추정 에러가 포함되어 있다. 그러므로 이러한 에러 요인을 줄이기 위해 이 연구에서는 다음과 같은 추가적인 알고리듬을 사용하였다 즉, 앞의 Ⅲ절에서 구한 특징점의 초기 3차원 위치로부터 3차원 상의 양 눈 사이의 거리(員), 왼쪽 눈과 입의 중심사이의 거리(L), 그리고 오른쪽 눈과 입의 중심 사이의 거리(丄3)를 구하게 된다. 이렇게 초기에 특징점들 사이의 3차원 거리를 구하게 되면 이 거리는 얼굴이 회전하거나 이동하더라도 변화되지 않아야 한다.
- 그러나 본 논문에서 제안하는 시선 위치 추적 방법은 배경이 복잡한 사무실 환경에서도 사용71능하며, 약 3초 이내의 처리 시간<200MHz Pentium PC)이 소요됨을 알 수 있었다. 두 번째 실험에서, 모니터와 사용자 얼굴 사이의 거리를 변화 시켜가면서(55, 60, 65 cm) 시선 위치 추출의 정확도를 측정하였다. 실험 결과 RMS 는 다음과 같았다 55cma리에서 4.
- 추적 알고리듬을 구현하였다. 모니터 상의 시선 위치를 파악하기 위해 본 논문에서는 2차원 카메라 영상으로부터 얼굴 영역 및 얼굴 특징점을 자동으로 추출하였으며, 이로부터 카메라 보정, 매개변수 추정 방법 및 3차원 움직임 추정 방법등을 이용하여 모니터 상의 시선 위치를 구하였다. 이때 본논문에서는 눈동자의 움직임은 거의 없다고 가정했으며 이에 대한 추가 연구는 현재 진행중이다
- 사용자의 븡시 위치를 파악하기 위하여, 이 논문에서는 얼굴내의 특징점(양눈, 코, 입)의 위치 변화 및 특징점들이 형성하는 기하학적인 포양의 변화도를 이용한다. 이를 위해 이 논문에서는 먼저 얼굴 영역을 검출한 후 추출된 얼굴 영역내의 제한된 범위 내에서 양 눈과 코 및 입의 양 끝점을 추출한다.
- 그러면 이 시점에서 과연이 값이 얼마나 정확하게 3차원 이동량을 나타내는지 알아보기 위하여 이 연구에서는 다음과 같은 실험을 하였다. 수평, 수직으로 &泗간격으로 표시된점이 있는 보정판을 모니터 앞 50cm 거리 설치하고 이때 카메라에 의해 관측된 영상내의 점 사이의간격을 조사한다. 실험 결과 모니터와 카메라가 50cm 떨어졌을 때 보정판의 6cm는 취득된 영상의 63 pixel로 대응됨을 알 수 있었다.
- 시선 위치 추적의 정확도는 19인치 모니터 앞에 약 50~70 cm떨어진 거리에서 10명의 사용자가 쳐다보는 실제 위치와 시선 위치 추적 알고리듬에 의해파악된 위치사이의 RMS emr로써 측정하였다. 이때 시선 위치 추적의 정확도는 표 3과 같이 모니터상의 임의의 지점을 쳐다볼 때 얼굴의 회전만 존재하는 경우와 회전 및 이동이 같이 발생하는 경우로나누어 실험하였다
- 학습 데이터를 얻기 위하여 pothemus position tracker sensor 얼굴에 부착하여 얼굴이 회전하는 순간 취득된 영상 및 pothemus 측정 데이터를 이용하였다. 신경망의 학습을 위해서는 모니터 중앙을 볼 때와 화면상의한 지점을 볼 때의 차이를 학습하는 방법을 사용하였다. 이때 한가지 문제점으로는 모니터에서 사용자까지의 거리가 신경망을 학습시킬 와 실제로 test할 때 차이가 커진다면 3차원 회전각 추정에 많은 에러가 발생할 것이라는 것이다.
- 얼굴의 살색 영상 처리부에서는 입력된얼굴의 살색 칼라 정보에 대한 RGB신호를 YIQ model로 변환함으로써 얼굴와 살색 정보에 민감한 I성분 구간(110~150)을 바탕으로 얼굴 영역을 검출한다.
- 이 논문에서는 시간적으로 연속된 두 영상간의차영상 정보와 칼라 정보를 이용하여 얼굴 영역을검출한다. 얼굴의 살색 영상 처리부에서는 입력된얼굴의 살색 칼라 정보에 대한 RGB신호를 YIQ model로 변환함으로써 얼굴와 살색 정보에 민감한 I성분 구간(110~150)을 바탕으로 얼굴 영역을 검출한다.
- 이 논문에서는 얼굴의 3차원 이둉량을 추정하기 위하여 얼굴 윤곽의 이동량을 이용하였다. 여기서 얼굴의 윤곽을 추출하기 위하여 다음 그림 6과 같은 방법을 사용하였다.
- 이 논문에서는 카메라 및 영상 입력 장비 외에특별한 장비 없이 컴퓨터 비젼 방법에 의해 시선위치 추적 알고리듬을 구현하였다. 모니터 상의 시선 위치를 파악하기 위해 본 논문에서는 2차원 카메라 영상으로부터 얼굴 영역 및 얼굴 특징점을 자동으로 추출하였으며, 이로부터 카메라 보정, 매개변수 추정 방법 및 3차원 움직임 추정 방법등을 이용하여 모니터 상의 시선 위치를 구하였다.
- 4개가 있다. 이 연구에서는 이 4개의 parameter (K, R, Yt, Yb) 를 구하기 위해 parameter estimation 과정올 수행하였다. 즉, 사용자가 모니터의 3 영역을 응시하게되면 3개의 얼굴특징점(양눈의 중심 코의 중심, 입의 중심)으로부터 6쌍의 (、dx, X孙 데이타를 얻을 수 있게 된다.
- 이때 camera 자체의 setup 정보는 사용자의 앉은 상태나 거리 등에 관계없이 변하지 않는 parameter이기 때문에, 본 연구에서는 보정점들을 이용한 camera calibration 방법에 의하여 미라 측정한다. 이때 camera calibration에 의해 구한 camera setup parameter의 정확도를 측정하기 위해, 아 연구에서는 보정 panel의 위치에 대한 상하 거리 및 원 근거리 등을 조정하여 새롭게 관측된 보정점들의 3D 위치와 위에서 구한 parameter값E로부터 추정된 보정점들의 3D 위치와 차이를 비교하였다. 이때 구해진 보정점들의 3D 위치와 실제 3D 위치사이의 RMS error는 다음 표 1과 같다.
- 이때 시선 위치 추적의 정확도는 표 3과 같이 모니터상의 임의의 지점을 쳐다볼 때 얼굴의 회전만 존재하는 경우와 회전 및 이동이 같이 발생하는 경우로나누어 실험하였다
- o) 그리고 식 (1-13)旧로부터특징점의 3D 위치를 구할 수 있게 된다. 이때 추정한 얼굴 특징점의 정확도를 구하기 위해 이 연구에서는 pothemus sensor와 비교하였다. 실험환경은 19 인치 모니터를 사용하였고 사용자는 모니터와 5070cm정도의 거리만큼 떨어져 있을 때이다.
- 신경망의 학습을 위하여 42곳의 시선 위치를 응시할 때 추출된 420개(42시선 위치 X10명분)의 회전각 데이터를 사용하였다. 이때 출력함수로는 학습된 42영역에 대한 얼굴의 회전각 이외의 회전각을 출력으로 나타낼 수 있도록 미분 가능하며 연속적연 출력함수들을 사용하였다 추정된 3차원 움직임량의 정확도는 다음 그림 5와 같이 pothemus position tracker sendee와 비교하였다.
- 이러한 문제점을 해결하기 위하여 Tomono 등圓은 양안 카메라(stereo camera)를 이용하여 사용자 얼굴의 3차원 위치를 파악하고 이를 바탕으로모니터상의 시선 위치를 파악하는 연구를 수행하였으나, 이러한 경우 두 대의 카메라 이용으로 시스템가격이 상승하고 두 대의 카메라로부터 영상이 입력되므로 영상 입력 속도가 저하되어 전체적으로시스템 처리 속도가■ 감소되는 문제점이 있다. 이러한 기존의 연구들이 가지고 있는 문제점들을 해결하가 위하여 이 논문에서 얼굴의 3차원 이동 및 움직임 추정에 의해 시선 위치를 파악하는 방법을 사용한다. 사용자의 시선 위치를 파악해 내는 과정은다음의 4 단계로 구성되어 있다.
- 이용한다. 이를 위해 이 논문에서는 먼저 얼굴 영역을 검출한 후 추출된 얼굴 영역내의 제한된 범위 내에서 양 눈과 코 및 입의 양 끝점을 추출한다.
대상 데이터
- 절의 방법으로 일단 초기에 모니터에서 사용자까지의 거리를 측정한 후에는 이 거리의 변화도가 크지 않는다고 가정했으며, 또한 초기에 사용자가 모니터의 중앙을 볼 때 구한 얼굴의 폭 정보에 대한 현재 입력 얼굴의 폭 정보를 비교함으로써 모니터에서 사용자까지의 거리에 대한 변화도를 어느정도 흡수할 수 있도록 하였다. 신경망의 학습을 위하여 42곳의 시선 위치를 응시할 때 추출된 420개(42시선 위치 X10명분)의 회전각 데이터를 사용하였다. 이때 출력함수로는 학습된 42영역에 대한 얼굴의 회전각 이외의 회전각을 출력으로 나타낼 수 있도록 미분 가능하며 연속적연 출력함수들을 사용하였다 추정된 3차원 움직임량의 정확도는 다음 그림 5와 같이 pothemus position tracker sendee와 비교하였다.
- 입력 노드 수는 20 개이며, 은닉 노드 수는 일반적으로 입력 노드 수의 60% ~ 70% 정도가 적합한 것으로 알려져 있으므로 12 ~14개를 각각 실험하였다. 실험 결과 12 ~ 14개 사이에 성능 변화가 없는 것으로 나타났으며 이로부터 처리 속도를 고려하여 12개를 은닉 노드 수로 사용하였다
- 이때 추정한 얼굴 특징점의 정확도를 구하기 위해 이 연구에서는 pothemus sensor와 비교하였다. 실험환경은 19 인치 모니터를 사용하였고 사용자는 모니터와 5070cm정도의 거리만큼 떨어져 있을 때이다. 그러나 이렇게 추정한 얼굴 특징점의 위치 자체에도 에러 요소가 있기 때문에 이 연구에서는 다음과 같은초기 특징점의 위치 보정 알고리듬을 사용한다.
- 신경망의 출력은 X, Y축의 연속적인 회전각을 나타낼 수 있도록 연속적인 선형 함수(Continuous Linear Function)를 시용하였다. 입력 노드 수는 20 개이며, 은닉 노드 수는 일반적으로 입력 노드 수의 60% ~ 70% 정도가 적합한 것으로 알려져 있으므로 12 ~14개를 각각 실험하였다. 실험 결과 12 ~ 14개 사이에 성능 변화가 없는 것으로 나타났으며 이로부터 처리 속도를 고려하여 12개를 은닉 노드 수로 사용하였다
- 2개를 사용한다. 학습 데이터를 얻기 위하여 pothemus position tracker sensor 얼굴에 부착하여 얼굴이 회전하는 순간 취득된 영상 및 pothemus 측정 데이터를 이용하였다. 신경망의 학습을 위해서는 모니터 중앙을 볼 때와 화면상의한 지점을 볼 때의 차이를 학습하는 방법을 사용하였다.
이론/모형
- 있다끼이. Azarbayejani와 Fukuhara등읜勾団 각각 확장 칼만필터 (Extended Kalman Filter) 와 신경망(Neuml Network)둥을 이용하여 얼굴의 3차원 회전 및 이동량을 추정하는 연구를 수행하였으며 Ballard둥읜시는 연속적 근사 방법 (successive approximation method)을 사용하여 시선 벡터의 회전량을 파악하였다. 또한 Gw등이과 Heinzmann등mLe 아핀 부영방법(affine projection algorithm)을 사용하여 시선벡터의 3차원 회전량을 구하였다.
- 특징값은 앞에서 소개한 고。개의 특징값들을 사용한다 다음 그림4는 얼굴의 회전량을 추정하기 위해 사용한 신경망 구조이다 신경망으로는 다층 퍼셉트론을 사용하였으며, 신경마의 학습으로는 역전파 알고리듬(BackPropagation) 방법을 사용하였다. 신경망의 출력은 X, Y축의 연속적인 회전각을 나타낼 수 있도록 연속적인 선형 함수(Continuous Linear Function)를 시용하였다.
- Azarbayejani와 Fukuhara등읜勾団 각각 확장 칼만필터 (Extended Kalman Filter) 와 신경망(Neuml Network)둥을 이용하여 얼굴의 3차원 회전 및 이동량을 추정하는 연구를 수행하였으며 Ballard둥읜시는 연속적 근사 방법 (successive approximation method)을 사용하여 시선 벡터의 회전량을 파악하였다. 또한 Gw등이과 Heinzmann등mLe 아핀 부영방법(affine projection algorithm)을 사용하여 시선벡터의 3차원 회전량을 구하였다. 그러나 그들의 연구들은 전술한 바와 같이 사용자 얼굴의 3차원 상대적인 회전량 및 이동량만을 추정하였을 뿐, 모니터 상에 사용자가 쳐다보고 있는 위치는 계산하지않았다.
- 사용하였다. 신경망의 출력은 X, Y축의 연속적인 회전각을 나타낼 수 있도록 연속적인 선형 함수(Continuous Linear Function)를 시용하였다. 입력 노드 수는 20 개이며, 은닉 노드 수는 일반적으로 입력 노드 수의 60% ~ 70% 정도가 적합한 것으로 알려져 있으므로 12 ~14개를 각각 실험하였다.
- 또한 사용자의 앉은 자세에 따라 달라지는 parameter로는 骐모니터 좌표계에 대한 얼굴 좌표계의 Y 축 translation vector), Fb(얼굴 좌표계내의 얼굴 특징점의 Y축 높이), K(모니터 좌표계에 대한 얼굴 좌표계의 Z축 거리), R(얼굴의 반지름)등이다. 이때 camera 자체의 setup 정보는 사용자의 앉은 상태나 거리 등에 관계없이 변하지 않는 parameter이기 때문에, 본 연구에서는 보정점들을 이용한 camera calibration 방법에 의하여 미라 측정한다. 이때 camera calibration에 의해 구한 camera setup parameter의 정확도를 측정하기 위해, 아 연구에서는 보정 panel의 위치에 대한 상하 거리 및 원 근거리 등을 조정하여 새롭게 관측된 보정점들의 3D 위치와 위에서 구한 parameter값E로부터 추정된 보정점들의 3D 위치와 차이를 비교하였다.
- 이때, parameter estimation 방법으로 이 연구에서는 Gauss-Newton Method, Steepest Descent Method, Davidon-Fletcher-Powell method등을 비교하여 가장 우수한 성능을 나타내는알고리듬을 사용하였다. 이때 매번 3가지 방법을 수행하여 성능이 가장 우수한 것을 선택하는 것이 아니라, 미리 얻어진 10명분의 데이터들로부터 위의 3 가지 방법을 각각 수행하여 얻어진 성능으로부터 1 가지 (Davidon-Fletcher-Powell method) 를 선택하여사용하였다 이로부터 구한 얼굴 특징점의 Z축 거리 (Z = K- 7?)와 앞에서 구한 camera setup parameter인 (f.Ty.Tz.o) 그리고 식 (1-13)旧로부터특징점의 3D 위치를 구할 수 있게 된다. 이때 추정한 얼굴 특징점의 정확도를 구하기 위해 이 연구에서는 pothemus sensor와 비교하였다.
- 이로부터 식 (2)를 이용하여 parameter estimation 방법에 의해 미지의 4개의 parameter] K, R, Yt, Yo) 들을 구하게된다. 이때, parameter estimation 방법으로 이 연구에서는 Gauss-Newton Method, Steepest Descent Method, Davidon-Fletcher-Powell method등을 비교하여 가장 우수한 성능을 나타내는알고리듬을 사용하였다. 이때 매번 3가지 방법을 수행하여 성능이 가장 우수한 것을 선택하는 것이 아니라, 미리 얻어진 10명분의 데이터들로부터 위의 3 가지 방법을 각각 수행하여 얻어진 성능으로부터 1 가지 (Davidon-Fletcher-Powell method) 를 선택하여사용하였다 이로부터 구한 얼굴 특징점의 Z축 거리 (Z = K- 7?)와 앞에서 구한 camera setup parameter인 (f.
- 초기에 모니터와 사용자까지의 3차원 거리를 구하기 위해 이 연구에서는 다음과 같은 얼굴/카메라모니터 모델을 사용한다.
성능/효과
- (333MHz alphastation에서 약 1분). 그러나 본 논문에서 제안하는 시선 위치 추적 방법은 배경이 복잡한 사무실 환경에서도 사용71능하며, 약 3초 이내의 처리 시간<200MHz Pentium PC)이 소요됨을 알 수 있었다. 두 번째 실험에서, 모니터와 사용자 얼굴 사이의 거리를 변화 시켜가면서(55, 60, 65 cm) 시선 위치 추출의 정확도를 측정하였다.
- 조금 증가됨을 알 수 있었다. 또한 사용자의 얼굴의 회전만이 있는 경우예는 단일 신경망 방법网이만으로도 좋은 성능을 나타내며 약 4.16cm의 평균 오차를 보이는 것을 알 수 있었다 22러나 얼굴의 회전과 야동이 함꼐 허용되었을 경우에 단일 신경망 방법만을 사용하는 방법은 약 11.1 cm의 응시 위치 추정 오차를 보이고 있으며, 이 경우 본 논문에서 제안하는 방법이 보다 우수한 성능(5.28cm)을 나타냄을 알 수 있다. 에러는 입력 영상에서 얼굴 특징점 및 얼굴 윤곽 추출의 에러, 얼굴 특징점의 3 차원 위치 및 움직임 추정 에러들이 합쳐진 결과이다.
- 실험 결과 19인치 모니터를 사용하여 모니터와 사용자까지의 거리를 50~70cm정도 유지하였을 때 약 2.08인치의 응시 위치 에러 성능을 얻었으며, 처리 시간은 Pentium PC환경에서 320x240 pixel 크기의 영상을 사용할 때 총 3초 이내가 됨을 알 수 있었다. 향후 얼굴 특징점 및 윤곽 추출의 정확도를향상시키고 그리고 눈동자 움직임을 추가로 고려한다면 보다 정확한 시선 위치 추출 성능을 얻을 수 있을 것으로 기대된다.
- pothemus senss를 이용하여 얼굴의 3차원 이동량을 측정하는동안 취득된 영상에 대해 앞에서 소개한 윤곽 추출방법을 이용하여 얼굴 무게 중심점의 2차원 이동량을 측정해 보았다. 실험 결과 모니터와 사용자까지의 거리가 50cm일 때 3차원 공간에서 약 3.04cm 의 이동량게 대하8 2차원 영사에서는 31 pixel의이동량으로 측정되었다. 그러면 이 시점에서 과연이 값이 얼마나 정확하게 3차원 이동량을 나타내는지 알아보기 위하여 이 연구에서는 다음과 같은 실험을 하였다.
- 수평, 수직으로 &泗간격으로 표시된점이 있는 보정판을 모니터 앞 50cm 거리 설치하고 이때 카메라에 의해 관측된 영상내의 점 사이의간격을 조사한다. 실험 결과 모니터와 카메라가 50cm 떨어졌을 때 보정판의 6cm는 취득된 영상의 63 pixel로 대응됨을 알 수 있었다. 이로부터 앞의실험의 정확도를 다음 식 (3)에 의해서 계산할 수있다
- 실험 결과, 얼굴의 회전만 존재하는 경우보다 회전과 이동이 같이 발생하는 경우에 시선 위치 에러가 조금 증가됨을 알 수 있었다. 또한 사용자의 얼굴의 회전만이 있는 경우예는 단일 신경망 방법网이만으로도 좋은 성능을 나타내며 약 4.
- 그림 5. 얼굴의 3차원 화전량 추정을 위한 실험 데이터의 예실험 결과 신경망에 의해 추정한 회전각과 pothemus sensor에 의해 측정된 회전각사이에는 평균 3.1 도의 RMS error가 존재함을 알 수 있었다.
- 여기서 모니터와 사용자까지의 3차원 거리는 얖의 IV절에서 구한 얼굴 특징점의 3차원 위치 정보를 이용하여 구하며, 이로부터 얼굴의 3차원 이동량을 구할 수 있게 된다. 이때 추정된 얼굴의 3 차원 이동량의 정확도를 구하기 위하여 이 연구에서는 pothemus sensor를 이용하였으며 실험 결과 약 1.8cm(X 축으로는 1.1 cm, Y 축으로는 L42cm) 의이동량 추정 에러를 나타냈다.
- 13 cm. 이로부터 모니터와 사용자간의 거리에 관계없이 본 논문에서 제안한 시선 위치 주출 방법은 거의 유사한 성능을 나타냄을 알 수 있었다.
- 09 cm의 오차를 보임을 알 수 있었다. 이외에도 보다 많은 데이터에 대해 실험한 결과 X축 방향으로는 0.29cm, Y축 방향으로는 약 0.45cm의 에러를 나타냄을 알 수 있었다. 죽, 실험 결과 모니터에서 사용자까지의 거리를 알고 있는 상황에서는 추출한 얼굴 윤곽 및 무게중심의 이동량이 비교적 정확하게 얼굴의 실제 3차원 이동량을 반영함을 알 수 있었다.
- 45cm의 에러를 나타냄을 알 수 있었다. 죽, 실험 결과 모니터에서 사용자까지의 거리를 알고 있는 상황에서는 추출한 얼굴 윤곽 및 무게중심의 이동량이 비교적 정확하게 얼굴의 실제 3차원 이동량을 반영함을 알 수 있었다. 여기서 모니터와 사용자까지의 3차원 거리는 얖의 IV절에서 구한 얼굴 특징점의 3차원 위치 정보를 이용하여 구하며, 이로부터 얼굴의 3차원 이동량을 구할 수 있게 된다.
후속연구
- 08인치의 응시 위치 에러 성능을 얻었으며, 처리 시간은 Pentium PC환경에서 320x240 pixel 크기의 영상을 사용할 때 총 3초 이내가 됨을 알 수 있었다. 향후 얼굴 특징점 및 윤곽 추출의 정확도를향상시키고 그리고 눈동자 움직임을 추가로 고려한다면 보다 정확한 시선 위치 추출 성능을 얻을 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.