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
- 본 논문에서는 컴퓨터 비전 기법을 기반으로 하면서도 배경에 대한 제약이나 표식을 사용하지 않고 손 제스처를 인식하고자 한다. 제안한 방법은 인접한 프레임간의 차 영상에 대하여 엔트로피를 측정하여 복잡한 배경 영상으로부터 손 영역을 분리하는 방법을 제안하고 개선된 무게중심 프로필 방법을 사용하여 손 제스처를 인식한다.
- 븐 논문에서는 복잡한 영상에서 추출해낸 손 영역으로부터 손 제스처를 인식하는 새로운 방법을 제안하였다. 제안한 방법은 카메라로 입력되는 영상의 엔트로피 분석을 통하여 자연스러운 형태로 인식을 수행하였다.
제안 방법
- 대해 색깔 정보도 동시에 제공한다. 따라서 엔트로피를 측정하여 큰 값을 갖는 영역에 대해 피부색에 가까운 분포를 갖는 색깔 정보를 추출하여 배경 영상으로부터 손 영역만을 추출하였다. 엔트로피는 배경 영상으로부터 적응적으로 손 영역에 대한 색깔 정보를 제공해 주므로 조명의 변화나 개인의 차이가 있음에도 안정적으로 손 영역을 추출하는데 사용될 수 있다.
- 물체의 무게중심 프로필을 구한 후 이상적인 물체에 대한 프로필과 비교하여 물체의 형태를 파악한다.
- 본 논문에서 제안한 방법은 복잡한 배경을 가진 영상으로부터 엔트로피를 이용하여 움직임 영역을 추출하고 이 움직임 영역 중 피부색에 해당하는 컬러 모델 기반의 컬러 정보를 이용하여 피부색에 해당하는 손 영역을 추츨한다. 실시간으로 입력되는 시간적으로 연속적인 영상들간에 차 영상을 구하여 이 차영상을 8X8의 작은 블록으로 분할한 후각 블록에 대해 엔트로피를 측정하여 큰 값을 갖는 영역에 대해 피부색에 가까운 분포를 갖는 색깔 정보를 추출하여 배경 영상으로부터 손 영역만을 추출한다.
- 본 논문에서는 영상 데이터의 특징을 얻기 위해서 화소 간의 엔트로피를 이용하고, 영상에서 엔트로피를 정량화하기 위해 Chang이 제안한 PIM(Picture Information Measure)[15] 을 도입하여 손 부위를 검출한다. PIM을 수식으로 표현하면 다음 식 (1)과 같다.
- 본 논문에서의 실험은 PC 상에서 C/C++ 언어를 이용하여 구현하였다. 영상 입력 장치로는 저가형의 USB 컬러 카메라를사용하였으며 영상의 크기는 320x240이다.
- 추츨한다. 실시간으로 입력되는 시간적으로 연속적인 영상들간에 차 영상을 구하여 이 차영상을 8X8의 작은 블록으로 분할한 후각 블록에 대해 엔트로피를 측정하여 큰 값을 갖는 영역에 대해 피부색에 가까운 분포를 갖는 색깔 정보를 추출하여 배경 영상으로부터 손 영역만을 추출한다. 엔트로피는 움직임 정보뿐만 아니라 엔트로피가 큰 영역에 대해 색깔 정보도 동시에 제공하므로 배경 영상으로부터 적응적으로 조명의 변화나 개인의 차이가 있음에도 안정적으로 손 영의을 추출하는데 사용될 수 있다.
- 한다. 제안한 방법은 인접한 프레임간의 차 영상에 대하여 엔트로피를 측정하여 복잡한 배경 영상으로부터 손 영역을 분리하는 방법을 제안하고 개선된 무게중심 프로필 방법을 사용하여 손 제스처를 인식한다.
- 제안한 방법은 카메라로 입력되는 영상의 엔트로피 분석을 통하여 자연스러운 형태로 인식을 수행하였다. 기존의 방법들과는 달리 배경의 제약이나 표식을 사용하지 않고 복잡한 배경에서 손 영역만을 추출해 손 제스처의 인식에 사용하였다.
- 따라서 체인코드로 윤곽선을 검출하고 체인코드에 준하여 거리를 표현한다. 즉 각도에 대한 것이 아니고 체인코드에 있는 모든 화소들을 대상으로 한 무게중심 프로필을 제안한다.
- 대별된다. 첫 번째 방법은 칼라영상을 이용하는 방법인데[8-9], HSI, YIQ, 정규화된 RGB 칼라 모델 등을 이용하여 살색과 유사한 색을 영상에서 찾아 손 영역을 추출하게 돈다. 그러나 이방법은 보통의 그레이 영상보다 3배 이상의 데이터가 사용되어 처리량이 많아지게 된다.
- 체인코드와 개선한 무게중심 프로필을 이용하여 6가지 모양의 손 제스처에 실험을 행하였다. 인식결과 초당 15프레임 정도의 속도로 각 사람별로 95% 이상의 인식률을 얻었으며 제스처별로는 90~100%의 인식률을 얻었다.
- 추출된 손 영역에 대해 체인코드를 이용하여 외곽선을 검출하였으며 개선된 무게중심 프로필(centroidal profile) 방법을 제시하여 손의 제스처를 인식하였다. 서로 다른 6가지 모양의 손 제스처를 대상으로, 인식을 수행하였으며 모양은 (그림 6)과 같다.
- 엔트로피는 움직임 정보뿐만 아니라 엔트로피가 큰 영역에 대해 색깔 정보도 동시에 제공하므로 배경 영상으로부터 적응적으로 조명의 변화나 개인의 차이가 있음에도 안정적으로 손 영의을 추출하는데 사용될 수 있다. 추출된 손 영역에 대해 체인코드를 이용하여 외곽선을 검출하였으며, 개선된 무게중심 프로필 (centroidal profile) 방법을 제시하여 손의 제스처를 인식한다.
대상 데이터
- 본 논문에서는 8 방향 체인코드를 사용하였다.
- 사람마다 손동작에 있어 다소간의 차이가 존재하며 피부색도 차이가 나므로 PIM을 이용한 적응적 알고리즘의 타당성을 보이기 위해 6 사람에 대해서 실험을 행하였다. 6가지 슨 모양 각각에 대한 20개의 입력 영상을 대상으로 인식을 수행하여 그 결과를 <표 1>에 나타내었다.
- 제시하여 손의 제스처를 인식하였다. 서로 다른 6가지 모양의 손 제스처를 대상으로, 인식을 수행하였으며 모양은 (그림 6)과 같다.
- 현하였다. 영상 입력 장치로는 저가형의 USB 컬러 카메라를사용하였으며 영상의 크기는 320x240이다.
이론/모형
- 본 논문에서는 영상처리 알고리즘을 개발하는데 유용한 HSI 칼라 모델을 사용한다.
성능/효과
- (그림 3)은 움직임이 작은 연속된 두 프레임간의 차에 대해 제안한 알고리즘을 적용한 예이다. (그림 3)(d)에서 보면 (그림 3)(c) 차영상에 대해 어떠한 움직임도 검출되지 않아 제안한 알고리즘이 노이즈에 강함을 알 수 있다.
- 본 논문에서 제시한 방법은 배경에 대한 특별한 제한 없이 손 제스처를 인식할 수 있으며 손 제스처의 방향과 무관하게 잘 인식됨을 확인할 수 있다.
- 연속적으로 입력되는 영상으로부터 엔트로피를 분석하여 손 영역을 검출하고 이 검출된 영역에 대해 체인코드를 적용하여 외각선을 검출하고 외각선을 기반으로 무게중심 프로필을 적용하여 손 제스처를 인식하는 것을 보여주고 있다.
- 손 제스처에 실험을 행하였다. 인식결과 초당 15프레임 정도의 속도로 각 사람별로 95% 이상의 인식률을 얻었으며 제스처별로는 90~100%의 인식률을 얻었다.
- 이는 인접한 손가락 사이의 잡음 발생으로 인해 정확하게 손 영역을 검출하지 못한 데 기인한다. 제안한 방법에 의한 손 제스처 인식은 펜티엄 PC 상에서 초당 15프레임의 속도로 인식을 행할 수 있다.
후속연구
- 뜨한 기본적인 6가지 손 제스처뿐만 아니라 더 많은 제스처를 추가할 수 있는 충분한 확장성을 가지고 있어 수화나 가상현실 환경을 위한 제스처 인식에도 적용이 가능할 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.