[논문]강화 학습을 이용한 비전 기반의 강인한 손 모양 인식에 대한 연구

장효영; 변증남

[국내논문] 강화 학습을 이용한 비전 기반의 강인한 손 모양 인식에 대한 연구
A Study on Vision-based Robust Hand-Posture Recognition Using Reinforcement Learning 원문보기

電子工學會論文誌. Journal of the Institute of Electronics Engineers of Korea. CI, 컴퓨터, v.43 no.3 = no.309, 2006년, pp.39 - 49

초록
AI-Helper

본 논문에서는 비전 기술에 기반을 둔 손 모양 인식 시스템의 성능 향상을 위하여 강화학습에 의한 손 모양 인식 방법을 제안한다. 비전 센서에 기반을 둔 손 모양 인식은 손의 높은 자유도로 인한 자체 겹침 (self-occlusion) 현상과 관찰 방향 변화에 따른 입력 영상의 다양함으로 인식에 어려움이 따른다. 따라서 비전 기반 손 모양 인식의 경우, 카메라와 손 간의 상대적인 각도에 제한을 두거나 여러 대의 카메라를 배치하는 것이 일반적이다. 그러나 카메라와 손 간의 상대적 각도에 제한을 두는 경우에는 사용자의 움직임에 제약이 따르게 되며, 여러 대의 카메라를 사용할 경우에도 각 입력된 영상에 대한 인식 결과를 최종 인식 결과에 반영하는 방식에 대하여 추가적인 고려를 해야 한다. 본 논문에서는 비전 기반 손 모양 인식의 이러한 문제점을 개선하기 위하여 인식 과정에서 사용되는 특징을 손 구조적인 각도 정보와 손 윤곽선 정보로 나누고 강화학습을 통하여 각 특징간의 연관성을 정의하는 방식을 제안한다. 또한 제안된 방법을 세 대의 카메라를 이용한 손 모양 인식 시스템에 적용하여 유용성을 검증한다.

Abstract ▼ AI-Helper

This paper proposes a hand-posture recognition method using reinforcement learning for the performance improvement of vision-based hand-posture recognition. The difficulties in vision-based hand-posture recognition lie in viewing direction dependency and self-occlusion problem due to the high degree-of-freedom of human hand. General approaches to deal with these problems include multiple camera approach and methods of limiting the relative angle between cameras and the user's hand. In the case of using multiple cameras, however, fusion techniques to induce the final decision should be considered. Limiting the angle of user's hand restricts the user's freedom. The proposed method combines angular features and appearance features to describe hand-postures by a two-layered data structure and reinforcement learning. The validity of the proposed method is evaluated by appling it to the hand-posture recognition system using three cameras.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문은 손 제스처를 구성하는 요* 소 중, 손 모양을 비전 센서로 인식하는 경우의 성능을 향상시킬 수 있는 방법으로서 OSS-Net(Object Shape and Structure Network)를 제안한다.
이에 대한 해결 방법으로 본 논문에서는 OSS-Net을 제안하였다. OSS-Net은 2차원 형상 특징과 함께 3차원 구조 특징을 함께 표현하는 구조로 되어 있다.

가설 설정

주어진 OSS-Net 구조를 이용한 손 모양 인식 문제에서 특징 노드 간 유사도를 Q-학습에 의해 정의하기 위하여, 하나의 특징 노드에서 다른 특징 노드로의 이동에 대해 유클리드 거리가 먼 것이 작은 것보다 선택될 가능성이 크다고 가정한다. 그러나 유클리드 거리에 의해 유사하더라도 그것이 반드시 실제 손 모양에 연관되는 특징 노드라는 보장은 없으므로, 잘못된 이동에 대해서는 벌점 (penalty)을 준다.

제안 방법

2차원 형상 특징으로는 손 영역 경계 특징을 사용하였다. 그림 10에 손 영역 경계 특징을 획득하는 과정에 대해 나타내었다.
세 대의 카메라를 이용한 손 모양 인식 시스템에 제안한 방식을 적용하여 보았다. 그림 14에 전체적인 시스템의 흐름도를 보였다.
손 모양 간의 구별 정도를 따질 때에는 “서로 다름” 에 대한 가정이 있어야 하는데, 일차적인 입력 영상을 100x100으로 크기 정규화하여 데이터베이스 내 손 모양과 유클리드 거리에 의해 비교한다.
형태를 보였다. 이 예에서는 2차원 형상 기반 특징으로, 입력 영상으로부터 추출한 손 영역 자체를 사용하며, 2차원 형상 기반 특징 층에서 각 노드 간의 유사도는 추출된 손 영역 영상 간 템플릿 정합(template matching)을 통한 템플릿 계수로 나타낸다.
정보가 필요하다. 이를 위해 데이터 취득 과정에서는 세 대의 카메라로 영상을 취득하는 동시에 데이터 글러브를 통해 해당 손 모양의 각도 정보도 함께 취득하였다.
것이 중요하다. 이를 위해서는 강화학습을 적용하여, 단순히 특성값이 가장 가까운 것으로 이동하는 것이 아니라, OSS-Net 생성을 위해 주어진 표본 데이터를 바탕으로 전체적으로 가장 높은 성능을 보이는 이동 경로를 얻어, 이것을 노드 간 연결에 적용하도록 하였다. 그 결과, 세 대 카메라 입력 영상을 동시 이용하였을 때 각각 15개 방향에서 취득한 5개의 손 모양을 대상으로 평균 90.
둔다. 입력 영상에 대해 국부 영상 특징(local image feature)을 추출한 후 이것을 다시 3차원적인 형태 모델이나 손의 구조를 모사한 뼈대 모델(skeleton model)과 비교하여 손 모양을 인식한다. 그러나 기존모델과의 비교를 위해서는 입력된 손 모양으로부터도 역시 저장된 것과 같은 형식의 3차원 모델을 추출해야 하므로 이 과정에서 많은 계산 부하가 발생한다.
학습 과정에서 15개의 방향에서 취득한 손 모양을 사용함으로써, 관측 시점 변화에 따른 손 모양 윤곽선의 변화가 인식 과정에 반영될 수 있도록 하였다. 총 3인에 대해 데이터를 얻었으며, 한 사람 당 5회의 반복을 통해 데이터를 얻었다. 이렇게 취득한 총 3375장(3인x3 카메라x5손 모양X15 시점x5 회)의 영상 중 임의로 추출된 1500장(한 손 모양 당 300장)의 영상을 OSS-Net 구조 생성에 사용하였고 나머지 중 임의로 선택된 1500장(손 모양 당 300장)에 대하여 인식 실험을 수행하였다.
데이터를 얻는다. 학습 과정에서 15개의 방향에서 취득한 손 모양을 사용함으로써, 관측 시점 변화에 따른 손 모양 윤곽선의 변화가 인식 과정에 반영될 수 있도록 하였다. 총 3인에 대해 데이터를 얻었으며, 한 사람 당 5회의 반복을 통해 데이터를 얻었다.

대상 데이터

데이터 취득 시에는 그림 8에 보인 5개의 대상 손 모양과 그림 9의 15개의 손 방향을 조합하여 1회당 75개의 데이터를 얻는다. 학습 과정에서 15개의 방향에서 취득한 손 모양을 사용함으로써, 관측 시점 변화에 따른 손 모양 윤곽선의 변화가 인식 과정에 반영될 수 있도록 하였다.
총 3인에 대해 데이터를 얻었으며, 한 사람 당 5회의 반복을 통해 데이터를 얻었다. 이렇게 취득한 총 3375장(3인x3 카메라x5손 모양X15 시점x5 회)의 영상 중 임의로 추출된 1500장(한 손 모양 당 300장)의 영상을 OSS-Net 구조 생성에 사용하였고 나머지 중 임의로 선택된 1500장(손 모양 당 300장)에 대하여 인식 실험을 수행하였다.

데이터처리

제안한 OSS-Neti- 세 대의 카메라를 이용하는 손 모 양 인식 시스템에 적용하여 그 유용성을 검증하여 보았다. 실험은 크게 세 부분으로 구성된다.

이론/모형

문제로 생각할 수 있다. 이에, 최적의 경로를 학습하기 위한 방법으로 강화 학습(reinforcement learning) 알고리즘을 적용하였다.

성능/효과

비교하여 나타내었다. Q-학습에 의해 노드 간 이동을 최적화할 경우, 5회의 반복 실험 결과 평균 90.80% 의 인식률을 얻을 수 있었다. 각 손 모 양을 인식하는 데에는 펜티엄4, 3.
80% 의 인식률을 얻을 수 있었다. 각 손 모 양을 인식하는 데에는 펜티엄4, 3.4GHz 기반의 컴퓨터 환경에서 평균 12.5ms가 소요되었다.
이를 위해서는 강화학습을 적용하여, 단순히 특성값이 가장 가까운 것으로 이동하는 것이 아니라, OSS-Net 생성을 위해 주어진 표본 데이터를 바탕으로 전체적으로 가장 높은 성능을 보이는 이동 경로를 얻어, 이것을 노드 간 연결에 적용하도록 하였다. 그 결과, 세 대 카메라 입력 영상을 동시 이용하였을 때 각각 15개 방향에서 취득한 5개의 손 모양을 대상으로 평균 90.80%의 인식률을 얻었다.
고정된 하나의 방향에서 취득한 손 모양만을 학습에 사용할 경우, 해당 방향에서 취득한 손 모양에 대해서는 높은 인식 성능을 보일 수 있다. 그러나, 본 논문의 실험에서 사용한 동일한 데이터로 실제 테스트해 본 결과, 손 관측 방향 변화에 따른 윤곽선 변화로 인해 50% 이하의 인식률을 보였다. 현재의 성능은 추후 손의 윤곽선뿐 아니라 경계 정보를 반영하는 영상특징을 채용함으로써 개선될 수 있을 것으로 예상된다.
너무 작은 n에 대해서는 손 모양 간에 구별이 잘되지 않고, n이 어느 정도 이상으로 크면 구별 정도가 크게 향상되지 않는 반면 계산에 따르는 소요 시간이 길어진다. 따라서 실험 결과를 통해 100x100손 영역 영상에 대해 구간의 수 n은 20이 적당한 것으로 결론짓는다.
탐색 확률이 커짐에 따라 인식률은 개선되고 수렴까지의 속도 또한 빨라짐을 보였다. 그러나 탐색 확률이 지나치게 커질 경우, 오히려 인식률이 급격히 떨어지고 수렴까지의 반복 횟수도 증가한다.

후속연구

첫째, 각충에서의 노드를 생성함에 있어서 보다 효율적이고 방향 변화에 강인한 특징을 이용하여 성능을 개선시킬 수 있을 것이다. 둘째로, OSS-Net 생성 과정에서 입력된 특성벡터를 반영하도록 기존 노드를 조정하는 알고리즘의 개선이 필요하다.
앞 절에서 정의된 것과 같은 OSS-Net 모델이 실제로 어떻게 생성되는가를 다루기에 앞서, 손 모양 인식 과정에서 어떤 식으로 동작하게 되는지를 살펴보는 것이 전체 인식 방법을 구성하는 세부 알고리즘과 그 필요성을 이해하는 데에 도움이 될 것이다. OSS-Net을 이용한 인식 과정을 그림 3에 나타내었다.
첫째, 각충에서의 노드를 생성함에 있어서 보다 효율적이고 방향 변화에 강인한 특징을 이용하여 성능을 개선시킬 수 있을 것이다. 둘째로, OSS-Net 생성 과정에서 입력된 특성벡터를 반영하도록 기존 노드를 조정하는 알고리즘의 개선이 필요하다.
그러나, 본 논문의 실험에서 사용한 동일한 데이터로 실제 테스트해 본 결과, 손 관측 방향 변화에 따른 윤곽선 변화로 인해 50% 이하의 인식률을 보였다. 현재의 성능은 추후 손의 윤곽선뿐 아니라 경계 정보를 반영하는 영상특징을 채용함으로써 개선될 수 있을 것으로 예상된다.

참고문헌 (11)

Mark Weiser, The Computer for 21st century, Sci. Amer., 1991
Jung-Bae Kim, Kwang-Hyun Park, Won-Chul Bang and Z. Zenn Bien, 'Continuous gesture recognition system for Korean sign language based on fuzzy logic and hidden markov model,' Proc. of FUZZ-IEEE, 2000
Chan-Su Lee, Sang-Won Ghyme, Chan-Jong Park, and Kwang-Yun Wohn, 'Virtual reality software and technology archive,' Proc. of the ACM symposium on virtual realityzxsdhg and technology 1998, pp.59-65, 1998
Ernest Gardner, Gardner-Gray-O'Rahillv anatomy : a regional study of human structure, Saunders, 1986
석동일, 한국 수화의 언어학적 분석, 박사 학위 논문, 대구대학교, 1989
J. M. Rehg and T. Kanede, 'Visual tracking of high DOF articulated structures: an application to human hand tracking,' Proc. of ECCV'94, pp.35-46, 1994
D. Lowe, 'Fitting parameterized, three dimensional models to images,' IEEE Trans., PAMI, vol.13, no.5, pp.441-450, 1991

상세보기
B. Moghaddam and A. Penmtland, 'Maximum likelihood detection of faces and hands,' Proc. of Int. Workshop on Automatic Face and Gesture Recognition, pp. 122-128, 1995
U. Brockl-Fox, 'Realtime 3-D Interaction with up to 16 degrees of freedom from monocular video image flows,' Proc. of Int. Workshop on Automatic Face and Gesture Recognition, pp.172-178, 1995
H. H. Buelthoff, S. Y. Edelman, and M. J. Tarr, 'How are three-dimensional objects represented in the brain?,' A. I. memo no. 1479, Artificial intelligence lab., Massachusetts Institute of Technology, 1994
J. Hu and M. P. Wellman, Multiagent reinforceme learning: theoretical framework and an algorithm, Proc. of Int'l Conf. of Machine Learning, 1998

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증