[논문]반복 최근접점와 파티클 필터를 이용한 인간 신체 움직임 추적

김대환; 김효정; 김대진

반복 최근접점와 파티클 필터를 이용한 인간 신체 움직임 추적
Human Body Motion Tracking Using ICP and Particle Filter 원문보기

정보과학회논문지. Journal of KIISE. 소프트웨어 및 응용, v.36 no.12, 2009년, pp.977 - 985

김대환 (POSTECH 컴퓨터공학과) , 김효정 (KR 미래기술연구소 기술기획담당) , 김대진 (POSTECH 컴퓨터공학과)

초록
AI-Helper

본 논문은 빠르게 움직이는 인간 신체를 추적할 수 있는 실시간 인간 신체 움직임 추적 알고리듬을 제안한다. 반복 최근접점(Iterative closest point) 알고리듬은 효율적이고 계산량이 적어 실시간 인간 신체 움직임 추적에 적합하지만 잘못된 최근접점(Closest point) 선택으로 인해 국부적 최소점(Local minimum)에 쉽게 빠지게 되어 종종 추적에 실패하게 된다. 이를 극복하기 위해, 반복 최근접점 알고리듬에 움직임 이력(Motion history) 정보를 기반으로 한 파티클 필터 (Particle filter)를 결합한다. 제안하는 인간 신체 움직임 추적은 계층적 트리 구조를 사용함으로써 신체 추적 공간 크기를 줄여주며, 움직임 이력 정보를 이용한 움직임 예측 모델을 사용함으로써 빠른 인간 신체 움직임 추적을 가능하게 한다. 실험 결과는 제안하는 인간 신체 움직임 추적이 정확한 추적 성능과 빠른 수렴 속도를 가진다는 것을 보여 준다.

Abstract ▼ AI-Helper

This paper proposes a real-time algorithm for tracking the fast moving human body. Although Iterative closest point (ICP) algorithm is suitable for real-time tracking due to its efficiency and low computational complexity, ICP often fails to converge when the human body moves fast because the closest point may be mistakenly selected and trapped in a local minimum. To overcome such limitation, we combine a particle filter based on a motion history information with the ICP. The proposed human body motion tracking algorithm reduces the search space for each limb by employing a hierarchical tree structure, and enables tracking of the fast moving human bodies by using the motion prediction based on the motion history. Experimental results show that the proposed human body motion tracking provides accurate tracking performance and fast convergence rate.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 반복 최근접점 (Iterative closest point) 알고리듬에 파티클 필터와 결합시켜 빠른 움직임을 가지는 신체 구성 요소들을 잘 추적할 수 있는 새로운 인간 신체 움직임 추적 알고리듬을 제안했다. 기존의 반복 최근 접점 알고리듬은 실시간 인간 움직임 추적에 적합하지만 아주 빠른 움직임에 대해서는 잘못된 최근접점 (Closest point)을 선택하기 때문에 국부적 최소점에 빠질 수 있다.
5.2 일반적인 움직임을 가지는 인간 신체 움직임 추적실험

실험에서는 일반적인 움직임이 발생했을 때 인간 신체 움직임을 얼마나 잘 추적하는가에 대한 추적 영상 결과를 보여준다. 실험 환경은 이전 실험과 같고 몸통, 팔, 다리 동을 움직이도록 한다.
그러나 단순히 반복 최근접점 알고리듬만을 이용해서는 복잡하고 빠른 움직임을 가지는 인간 움직임을 정확하게 추적할 수 없다. 이를 극복하기 위해서 반복 최근 접점 알고리듬에 3단계의 움직임 업데이트 요소를 추가한 인간 신체 움직임 추적 알고리듬을 제안하고자 한다.

가설 설정

구조적으로 연결된 개체이다. 그래서 각 신체 구성 요소들은 다른 산체 구성 요소의 움직임에 영향을 주거나 혹은 영향을 받는다 그러나 신체 구성 요소들의 모든 유기적인 움직임을 표현하기가 어렵기 때문에 인간 신체의 구조는 계층적 트리 구조의 형태로서, 각 신체 구성 요소들의 움직임은 상위 계층의 신체 구성 요소들의 움직임에 의해서 영향을 받는다고 가정한다. [14-16], 이 구조는 인간 신체 움직임을 표현하기에 간단하고 쉬워 3차원 인간 신체 움직임 추적에 적합하다.
사용된 인간 신체 모델은 신체 구성 요소를 10개의 강체로 나뉜다고 가정한다. 머리를 제외한 9개의 신체 구성 요소를 실린더(Cylinder)로 머리는 1 개의 구(Sphere) 로 구성한다.
따라서 빠른 움직임에 적응할 수 있는 상태 전이 모델이 필요하다. 이것을 해결하기 위해서, 신체 구성 요소들의 동적 상태가 둥속(Constant velocity)을 가진다고 가정하도록 한다. 이때 시간 1 시간에서의 속도 叫 7은 다음과 같이 계산될 수 있다.
첫 번째, 인간의 신체 구성 요소들이 계충적으로 연결된 구조이므로 각 신체 구성 요소들과 연결된 상위 신체 구성 요소들의 움직임에 영향을 받는다고 가정한다. 상위 신체 구성 요소의 움직임 정보를 현 신체 구성 요소에 적용하도록 한다.

제안 방법

파티클 필터는 관찰 모델 상태 전이 모델로 구성된다. 관찰 모델에서는 관찰 확률 (Observation likelihood)을 간략화 하는 가중치 함수를 사용하고, 상태 전이 모델에서는 빠른 움직임을 가지는 신체 구성 요소들을 추적하기 위해서 움직임 이력 정보를 사용하도록 한다.
기존의 반복 최근 접점 알고리듬은 실시간 인간 움직임 추적에 적합하지만 아주 빠른 움직임에 대해서는 잘못된 최근접점 (Closest point)을 선택하기 때문에 국부적 최소점에 빠질 수 있다. 따라서 움직임 이력 정보에 이용한 파티클 필터를 반복 최근접점 알고리듬과 결합하여 인간 신체 움직임을 추적하도록 하였다. 제안하는 알고리듬은 팔이나 다리와 같이 큰 움직임을 가지는 신체 구성 요소들을 잘 추적할 수 있었다.
또한 인간의 구조를 계층적이라 가정하고 계층적 모델에 따른 계층적 움직임을 상위 신체 구성 요소들에서 구한 뒤 각 신체 구성 요소들에 적용하여 움직임을 추적 검색 공간을 줄였다.
인간 모델 생성 시 신체 구성 요소들끼리의 연결 점을 미리 정의하여 계층적으로 신체 구성 요소들을 연결해 준다. 마지막으로 각 신체 구성 요소들의 빠른 움직임을 추적하기 위해 파티클 필터 (Parti 이 e filter)와 같은 확률 과정(Stcxzhastic process)을 결합하도록 한다. 파티클 필테8-1 이는 확률적인 추적 특성을 가지고 있어 빨리 움직이는 물체도 잘 추적할 수 가정한다. 상위 신체 구성 요소의 움직임 정보를 현 신체 구성 요소에 적용하도록 한다. 이는 각 신체 구성 요소들의 움직임 검색 공간을 제한시켜 준다.
실시간 인간 움직임 추적을 위해서 효율적이고 복잡도가 낮은 반복 최근접점 알고리듬을 사용하도록 한다. 그러나 단순히 반복 최근접점 알고리듬만을 이용해서는 복잡하고 빠른 움직임을 가지는 인간 움직임을 정확하게 추적할 수 없다.
이 실험에서는 빠른 속도의 움직임이 발생 했을 때 제안된 알고리듬과 기존의 알고리듬의 성능을 비교 분석하였다. 실험한 영상은 양 팔을 위 아래로 빠르게 움직이는 동작을 획득한 것이다.
파티클 필터의 중요한 두 컴포넌트는 관측 모델(Observation mod이)과 상태 전이 모델(State transition model) 이다. 정확한 관측 모델을 위해서 인간 신체 모델 표면에 있는 법선 벡터(Normal vector)와 실루엣 (Silhouette) 정보를 이용하도록 한다. 인간의 빠른 움직임을 반영하기 위한 상태 전이 모델은 과거의 움직임 이력 (Motion history) 정보를 이용한다.
제안하는 알고리듬을 평가하기 위해서 실내 환경 상에서 획득한 영상들을 이용하여 성능을 평가 하였다. 실험에 사용된 영상들의 길이는 대략 100-200 프레임 정도이며 알고리듬 동작 속도는 대략 4~5 프레임 정도였다.
제안하는 인간 신체 움직임 추적 알고리듬은 Microsoft Visual C++과 Open CV로 Int이 Core 2 CPU와 RAM 2GHz를 가진 윈도우 PC 플랫폼 상에서 구현되어졌다. 실험 영상을 위해 포인트 그레이(Point grey) 사의 범블비 2로 입력 이미지를 획득했고 3차원 관절 데이터는 범블비 카메라에 제공되는 SDK(Software development kit)를 이용하여 얻었다.
따라서 빠른 속도에 강인한 추적 알고리듬을 위해 반복 최근접점에 파티클 필터를 내포하도록 한다. 즉 각 시간마다 파티클 필터를 이용하여 대략적인 초기 움직임을 구한 뒤 반복 최근 접점의 정합 과정을 거쳐 움직임을 추적하도록 한다. 이는 큰 움직임이 발생했을 경우 움직임이 국부적 최소점 (Local minimum)에 빠지는 것을 방지해 줄뿐더러 가장 많은 시간을 소비하는 반복 최근접점의 반복 횟수를 줄여줘 추적 시간을 감소 시켜준다.

대상 데이터

나뉜다고 가정한다. 머리를 제외한 9개의 신체 구성 요소를 실린더(Cylinder)로 머리는 1 개의 구(Sphere) 로 구성한다. 각 실린더와 구는 인간의 계층적인 구조 아래 유니버셜 조인트(Universal joint)에 의해서 연결된다.
실험 영상을 위해 포인트 그레이(Point grey) 사의 범블비 2로 입력 이미지를 획득했고 3차원 관절 데이터는 범블비 카메라에 제공되는 SDK(Software development kit)를 이용하여 얻었다. 실험을 위한 여러 가지 파라미터는 표 3에 나열하였다.
보여준다. 실험 환경은 이전 실험과 같고 몸통, 팔, 다리 동을 움직이도록 한다. 그림 4는 몸통 회전과 팔의 움직임을 추적한 결과 영상이다.
실험에 사용된 영상들의 길이는 대략 100-200 프레임 정도이며 알고리듬 동작 속도는 대략 4~5 프레임 정도였다. 카메라와 인간 사이의 거리는 대략 2m 정도이다.
실험한 영상은 양 팔을 위 아래로 빠르게 움직이는 동작을 획득한 것이다.
정도이다. 양팔을 추적하기 위해 사용된 파티클 수는 상위 팔은 20개 하위 팔은 50개를 사용했다

이론/모형

(3) 주어진 与에 대해서 대응점끼리의 집합 정합 방법[11]을 사용하여 변환 파라미터 R과 7를 계산한다.
변환 함수이다. 오일러(Euler) 표현 방법에 의해서 3D 회전 행렬을 표현하는 방법은 복잡하고 어렵기 때문에 트위스트(Twist) 표현 방법[13]을 사용한다. 이에 따른 M 은 다음과 같이 간략화 할 수 있다.
정확한 관측 모델을 위해서 인간 신체 모델 표면에 있는 법선 벡터(Normal vector)와 실루엣 (Silhouette) 정보를 이용하도록 한다. 인간의 빠른 움직임을 반영하기 위한 상태 전이 모델은 과거의 움직임 이력 (Motion history) 정보를 이용한다.

성능/효과

왼쪽 팔은 두 가지 알고리듬 다 추적에 성공했지만 상대적으로 더 많은 각도를 움직인 오른쪽 팔은 제안하는 알고리듬만이 추적이 가능하였다. 기존의 알고리듬은 움직임의 차가 너무 커 잘못된 최근접점(Closest pointX 선택해 국부적 최소점에 빠졌지만 제안하는 알고리듬은 파티클 필터의 확률적 탐색으로 잘못된 최근접점을 선택하지 않아 정확한 추적이 가능하였다. 즉 제안하는 알고리듬이 아주 빠른 움직임에 강인하다는 것을 보여준다.
실험 결과 제안하는 인간 신체 움직임 추적 알고리듬이 기존의 반복 최근접점 알고리듬보다 정확한 추적 성능과 빠른 수렴 속도를 가진다는 것을 보여 주었다.
마지막으로 그림 6은 Z방향으로 움직이는 팔과 다리를 추적한 결과 영상이다. 이는 제안된 알고리듬이 깊이 변화에 따른 움직임 또한 잘 추적할 수 있다는 것을 보여준다.
그림 4는 몸통 회전과 팔의 움직임을 추적한 결과 영상이다. 이는 제안된 움직임 파라미터 업데이트가 상위 신체 구성 요소와 하위신체 구성 요소 사이의 유기적인 움직임을 잘 표현할 수 있다는 것을 보여준다. 그림 5는 팔로 웨이브 춤을 추고 있는 움직임을 추적한 결과 영상이다.
따라서 움직임 이력 정보에 이용한 파티클 필터를 반복 최근접점 알고리듬과 결합하여 인간 신체 움직임을 추적하도록 하였다. 제안하는 알고리듬은 팔이나 다리와 같이 큰 움직임을 가지는 신체 구성 요소들을 잘 추적할 수 있었다.
보여준다. 제안하는 알고리듬이 잘못된 최근 접점을 선택하지 않아 반복 최근접점 알고리듬의 반복 횟수가 대략 0.7 정도 작게 되는 것을 알 수 있었고, 결과적으로 3차원 공간상에서 정합 오차를 0.7 cm 정도 낮추어 팔의 움직임 동작을 정확하게 추적함을 알 수 있었다.
기존의 알고리듬은 움직임의 차가 너무 커 잘못된 최근접점(Closest pointX 선택해 국부적 최소점에 빠졌지만 제안하는 알고리듬은 파티클 필터의 확률적 탐색으로 잘못된 최근접점을 선택하지 않아 정확한 추적이 가능하였다. 즉 제안하는 알고리듬이 아주 빠른 움직임에 강인하다는 것을 보여준다.

후속연구

제안된 알고리듬은 비전 정보만을 이용하여 인간 신체 움직임올 추적 가능할뿐더러 실시간 웅용에도 적용할 수 있다. 하지만 아직 복잡한 움직임이나 자체 가려짐둥의 상황에서는 정확하게 추적하는데 많은 어려움이 있다.
하지만 아직 복잡한 움직임이나 자체 가려짐둥의 상황에서는 정확하게 추적하는데 많은 어려움이 있다. 차후에는 좀 더 복잡하고 가려짐에도 강인한 실시간 인간 신체 움직임 추적 알고리듬으로 확장할 것이다.

참고문헌 (16)

C. Sminchisescu and B. Triggs, 'Estimating articulated human motion with covariance scaled sampling,' International Journal of Robotics Research, vol.22, no.6, pp.373-391, 2003

상세보기
M. Lee and I. Cohen, 'Proposal maps driven MCMC for estimating human body pose in static images,' Computer Vision and Pattern Recognition, vol.2, pp.334-341, 2004
R. Navaratnam, A. Thayananthan, P. Torr and R. Cipolla, 'Hierarchical part-based human body pose estimation,' British Machine Vision Conferenece, vol.1, pp.479-488, 2005
J. Deutscher, A. Davision, and I. Reid, 'Articulated body motion capture by annealed particle filtering,' Computer Vision and Pattern Recognition, vol.2, pp.126-133, 2000
J. MacComick, and M. Isard, 'Partitioned sampling, articulated objects, and interface-quality hand tracking,' European Conference on Computer Vision, vol.2 (1843), pp.3-19, 2000
J. Caraanza, C. Theobalt and M. Magnor, 'Freeviewpoint video of human actors,' ACM SIGGRAPH, pp.565-577, 2000
D. Demirdjian, 'Enforcing constraints for human body tracking,' Computer Vision and Pattern Recognition Workshop, vol.9, pp.102-109, 2003
K. Okuma, A. Taleghani, N. Freitas, J. Little, and D. Lowe, 'A boosted particle filter: Multitarget detection and tracking,' European Conference on Computer Vision, pp.28-39, 2004
A. Doucet, J. Godsill and C. Andrieu, 'On sequential Monte Carlo sampling methods for Bayesian filtering,' Statistics and Computing, vol.10, no.3, pp.197-209, 2000
S. Arulampalam, S. Maskell, N. Gordon and T. Clapp, 'A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking,' IEEE Transactions on Signal Processing, vol.50, no.2, pp.174-189, 2002

상세보기
P. Besl, and N. MacKay, 'A method for registration of 3-d shapes,' IEEE Transantions on Pattern Analysis and Machine Intelligence, vol.14, no.2, pp.239-256, 1992

상세보기
Y. Chen, and G. Medioni, 'Object modeling by registration of multiple range images,' Image and Vision Computing, vol.10, no.3, pp.145-155, 1991

상세보기
C. Bregler, and J. Malik, 'Tracking people with twists and exponential maps,' IEEE Conference on Computer Vision and Pattern Recognition, pp.8-15, 1998
P. Felzenszwalb, and D. Hettenlocher, 'Pictorial structures for object recognition,' International Journal of Computer Vision, vol.61, no.1, pp.55-79, 2005

상세보기
M. Lee, and R. Nevatia, 'Human pose tracking using multi-level structured models,' European Conference on Computer Vision, vol.3, pp.368-381, 2006
X. Ren, A. Berg, and J. Malik, 'Recovering human body configurations using pairwise constraints between parts,' International Conference and Computer Vision, vol.1, pp.824-831, 2005

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