[논문]개인 맞춤형 추천모듈을 위한 전신 신체사이즈 추출

박용희; 진성아

doi:10.5762/kais.2010.11.12.5113

개인 맞춤형 추천모듈을 위한 전신 신체사이즈 추출
Extraction of full body size parameters for personalized recommendation module 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.11 no.12, 2010년, pp.5113 - 5119

박용희 (성결대학교 멀티미디어공학부) , 진성아 (성결대학교 멀티미디어공학부)

초록
AI-Helper

인체측정학(Anthropometry)은 자동차, 가전제품, 의료기기 및 스포츠 용품 등 다양한 분야에서 소비자의 만족도와 사용 효율성을 최적화하기 위해 조사되고 연구되어 왔다. 하지만 아직까지 인체 측정 방식은 계측자를 이용한 직접측정 또는 스캐너나 디지털 측정기 등 고가의 장치에 의존적인 방법에서 벗어나지 못하고 있다. 따라서 본 연구는 사진으로부터 신체인식 알고리즘을 이용하여 신체사이즈를 자동으로 추출하고, 의류추천 및 자전거 피팅사이즈 서비스 등에 활용가능성을 제시한다. 이를 위해 Haar-like features와 AdaBoost 알고리즘을 이용하여 빠른 속도와 높은 정확도로 영상콘텐츠 내에서 신체 영역을 검출한다. 이후 AAM(Active Appearance Model)을 이용하여 특징점을 검출하고 도출된 측정치에 최적화된 상품을 추천하는 지능형 모듈 시스템을 구현하고 성능평가를 제시한다.

Abstract ▼ AI-Helper

Anthropometry has been broadly explored in various fields including automobile industry, home electronic appliances, medical appliances and sports goods with aiming at reaching satisfaction to consumer's need and efficiency. However, current technologies to measure a human body still have barriers in which the methods mostly seem to be contingent on expensive devices such as scanner and digital measuring instruments and to be directly touchable to the body when obtaining body size.. Therefore, in this paper, we present a general method to automatically extract size of body from a real body image acquired from a camera and to utilize it into recommend systems including clothing and bicycle fitting. At first, Haar-like features and AdaBoost algorithm are employed to detect body position. Then features of body can be recognized using AAM. Finally clothing and bicycle recommending modules have been implemented and experimented to validate the proposed method.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서, 본 연구에서는 카메라로부터 얻어진 2차원 영상을 이용하여 특정 장비 없이 개개인의 신체 특징을 자동으로 추출할 수 있는 방법론을 제시하고자 한다. 또한 추출된 신체사이즈를 활용하여 맞춤형 의류추천과 자전거 피팅 모듈을 제시하였다.
본 논문에서는 기존의 고가의 스캐너를 이용한 인체측정 시스템과 차별화되는 전신사진을 이용한 신체정보자동화 추출 시스템 방법에 대해 제안하였다. 이는 자동화된 신체정보 추출 서비스를 이용하여 다양하고 편리한 콘텐츠 이용을 가능하게 하며 개인별 신체정보를 활용하여 다양한 분야에 접목시켜 사용자 중심의 디자인컨셉을 적용한다면 비용절감 및 프로세스 향상으로 인한 생산성 증대에 긍정적 효과를 불러일으킬 것이다.
본 연구에서는 실행의 효율을 고려하여 신체사이즈 정의에 반드시 필요한 특징점을 도출하였다[3]. 정의된 특징점은 의류나 바이크 추천에서 요구되는 신체특징 부위를 충분히 표현할 수 있는 최소한의 특징점을 의미한다.

제안 방법

성능평가를 위해 총 20개의 신체영상을 이용하여 검출시간을 측정하였다. AAM 모델을 만들기 위해 10명 전신사진을 촬영하여 학습에 사용한 이미지와 학습에 사용하지 않은 10명의 신체사이즈를 검출시간을 비교 측정하였다.
디지털카메라(Nikon D80)를 사용하여 1,936×1,296의 해상도로 실내에서 촬영되었으며, 신체 사진 카메라 초점면으로부터 피사체까지의 거리를 3.0m, 삼각대로 고정시켜 사진촬영을 한다.
따라서, 본 연구에서는 카메라로부터 얻어진 2차원 영상을 이용하여 특정 장비 없이 개개인의 신체 특징을 자동으로 추출할 수 있는 방법론을 제시하고자 한다. 또한 추출된 신체사이즈를 활용하여 맞춤형 의류추천과 자전거 피팅 모듈을 제시하였다. 본 연구 결과는 비용절감과 프로세스향상에 기여할 것으로 기대된다.
개인 맞춤형 추천모듈로 의류추천과 자전거 피팅추천 서비스를 제공하기 위해 knn (k-nearest neighbor)알고리즘을 이용하였다. 사용자는 자신의 전신사진을 통해 시스템으로부터 신체사이즈 정보와 최적화된 의류사이즈, 원하는 색상, 신체사이즈에 맞는 자전거 피팅사이즈를 제공해 준다.
70GHz CPU), 2GB RAM, ATI Radeon HD3400 (VGA) 사양의 환경에서 실험하였다. 시스템은 Microsoft Windows XP Professional 운영체제에서 시스템 인터페이스와 신체사이즈 제공, 추천시스템은 MFC를 이용하였고 신체검출과 신체특징 추출에 필요한 영상처리 연산은 효율성을 고려하여 OpenCV라이브러리를 사용하여 구현하였다. 디지털카메라(Nikon D80)를 사용하여 1,936×1,296의 해상도로 실내에서 촬영되었으며, 신체 사진 카메라 초점면으로부터 피사체까지의 거리를 3.
시스템의 성능을 평가하기 위해 신체를 인식하고 특징점 검출시까지 소요되는 시간과 검출률을 측정하였다.
사진 속 사이즈는 R비율로 축소 되어있고, R을 이용하여 신체사이즈를 도출해낼 수 있다. 실행의 효율성을 고려하여 본 연구에서는 한 장의 정면사진으로부터 허리둘레의 계산식을 적용하여 예측가능하도록 하였다.
이후, 형상 정규화된 모델 이미지들로부터 텍스쳐의 광원에 대한 효과를 최소화 하기 위해서 스케일링 상수 α, offset β, 단위행렬 I, 입력 텍스쳐 gim을 이용하여 정규화 텍스쳐 g를 구한다.
그림 1은 시스템 개괄을 도식화한 것으로 입력영상으로부터 신체부위를 검출하고 특징점을 자동으로 찾은 후 신체사이즈를 도출하여 체형을 판단한다. 추출된 신체사이즈를 이용하여 적합한 의류추천 및 자전거 피팅 추천 기능을 제공한다.
한국인 평균체형 치수를 이용하여 사용자 개인의 신체특성을 분석한 후 체형을 분류한다. 평균체형(average body type)이란 신체 각 부위에 산술평균치(mean)가 적용된 체형으로 정의하고 있다.

대상 데이터

정의된 특징점은 의류나 바이크 추천에서 요구되는 신체특징 부위를 충분히 표현할 수 있는 최소한의 특징점을 의미한다. 머리부위 6개, 목 부위 4개, 몸통부위 12 개, 팔부위 10개, 다리부위 17개로 총 49개의 특징점으로 재정의 하였다.
성능평가를 위해 총 20개의 신체영상을 이용하여 검출시간을 측정하였다. AAM 모델을 만들기 위해 10명 전신사진을 촬영하여 학습에 사용한 이미지와 학습에 사용하지 않은 10명의 신체사이즈를 검출시간을 비교 측정하였다.
신체 측정 오차율을 구하기 위해 14명으로부터 추출된 신체치수와 실제모델간의 신체사이즈 편차에 대한 비율을 사용하였다. 즉, 그림 3에서 정의된 신체사이즈를 나타내는 인덱스를 1-14까지로 하여 추출된 신체사이즈와 실제모델의 사이즈 간의 편차를 비율로 계산하였다.
사이즈코리아는 한국인에 맞는 제품개발과 생활공간 디자인의 편의성을 제공하기 위하여 인체표준정보 DB를 구축하고 운용하고 있다. 인체정보를 측정하기 위해 신체기준점을 총 70개로 정의하였다.
제안한 신체 특징점 자동화 시스템은 AMD Athlon X2(2.70GHz CPU), 2GB RAM, ATI Radeon HD3400 (VGA) 사양의 환경에서 실험하였다. 시스템은 Microsoft Windows XP Professional 운영체제에서 시스템 인터페이스와 신체사이즈 제공, 추천시스템은 MFC를 이용하였고 신체검출과 신체특징 추출에 필요한 영상처리 연산은 효율성을 고려하여 OpenCV라이브러리를 사용하여 구현하였다.

이론/모형

이는 형태에 대한 정보만 있게 되는 것이며 AAM을 완성하기 위해서는 신체의 텍스쳐, 즉 픽셀의 명암값 자체에 대한 정보를 분석하여야 한다. 각각의 이미지들의 모든 특징점을 평균 형상 #에 정합되도록 들로니 삼각법 알고리즘(Delaunay triangulazation algorithm)[10]을 이용하여 모델 이미지들을 워핑(Warping)을 함으로써 얻을 수 있다. 이후, 형상 정규화된 모델 이미지들로부터 텍스쳐의 광원에 대한 효과를 최소화 하기 위해서 스케일링 상수 α, offset β, 단위행렬 I, 입력 텍스쳐 g_im을 이용하여 정규화 텍스쳐 g를 구한다.
개인 맞춤형 추천모듈로 의류추천과 자전거 피팅추천 서비스를 제공하기 위해 knn (k-nearest neighbor)알고리즘을 이용하였다. 사용자는 자신의 전신사진을 통해 시스템으로부터 신체사이즈 정보와 최적화된 의류사이즈, 원하는 색상, 신체사이즈에 맞는 자전거 피팅사이즈를 제공해 준다.
본 논문에서는 아다부스트(Adaptive Boosting, 이하 AdaBoost) 알고리즘과 Lienhart의 Haar-like features를 기반으로 제작 된 Kruppa의 Scaleparts를 사용하였다[5, 6]. 기존의 특징점 검출기능은 낮은 해상도에서는 쉽게 식별할 수 없다.

성능/효과

그림 7은 학습된 이미지의 신체검출시간이며 그림 8은 미학습 이미지의 검출시간을 보여주고 있다. 학습된 이미지의 평균 검출시간은 1,513.94ms, 미학습 이미지의 평균 검출시간은 1,924.19ms로 학습된 이미지가 미학습 이미지의 검출시간보다 다소 빠르긴 하나 큰 차이가 없는 것으로 나타났다.

후속연구

또한 추출된 신체사이즈를 활용하여 맞춤형 의류추천과 자전거 피팅 모듈을 제시하였다. 본 연구 결과는 비용절감과 프로세스향상에 기여할 것으로 기대된다. 그림 1은 시스템 개괄을 도식화한 것으로 입력영상으로부터 신체부위를 검출하고 특징점을 자동으로 찾은 후 신체사이즈를 도출하여 체형을 판단한다.
본 논문에서는 기존의 고가의 스캐너를 이용한 인체측정 시스템과 차별화되는 전신사진을 이용한 신체정보자동화 추출 시스템 방법에 대해 제안하였다. 이는 자동화된 신체정보 추출 서비스를 이용하여 다양하고 편리한 콘텐츠 이용을 가능하게 하며 개인별 신체정보를 활용하여 다양한 분야에 접목시켜 사용자 중심의 디자인컨셉을 적용한다면 비용절감 및 프로세스 향상으로 인한 생산성 증대에 긍정적 효과를 불러일으킬 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	현재 인체 측정 방식의 한계는 무엇인가?	인체측정학(Anthropometry)은 자동차, 가전제품, 의료기기 및 스포츠 용품 등 다양한 분야에서 소비자의 만족도와 사용 효율성을 최적화하기 위해 조사되고 연구되어 왔다. 하지만 아직까지 인체 측정 방식은 계측자를 이용한 직접측정 또는 스캐너나 디지털 측정기 등 고가의 장치에 의존적인 방법에서 벗어나지 못하고 있다. 따라서 본 연구는 사진으로부터 신체인식 알고리즘을 이용하여 신체사이즈를 자동으로 추출하고, 의류추천 및 자전거 피팅사이즈 서비스 등에 활용가능성을 제시한다.
	전신사진을 이용한 신체정보자동화 추출 시스템 방법의 기대효과는 무엇인가?	본 논문에서는 기존의 고가의 스캐너를 이용한 인체측정 시스템과 차별화되는 전신사진을 이용한 신체정보자동화 추출 시스템 방법에 대해 제안하였다. 이는 자동화된 신체정보 추출 서비스를 이용하여 다양하고 편리한 콘텐츠 이용을 가능하게 하며 개인별 신체정보를 활용하여 다양한 분야에 접목시켜 사용자 중심의 디자인컨셉을 적용한다면 비용절감 및 프로세스 향상으로 인한 생산성 증대에 긍정적 효과를 불러일으킬 것이다.
	인체측정학을 조사하고 연구하는 이유는 무엇인가?	인체측정학(Anthropometry)은 자동차, 가전제품, 의료기기 및 스포츠 용품 등 다양한 분야에서 소비자의 만족도와 사용 효율성을 최적화하기 위해 조사되고 연구되어 왔다. 하지만 아직까지 인체 측정 방식은 계측자를 이용한 직접측정 또는 스캐너나 디지털 측정기 등 고가의 장치에 의존적인 방법에서 벗어나지 못하고 있다.

참고문헌 (12)

장세윤, 양희순, 이유리, "인터넷 의류 쇼핑몰의 상호작용성, 원격실재감, 플로우가 미래행동의도에 미치는영향," 한국의류학회, 제 33권, 제 9호, pp.1409-1418, 2009.
김정인, "지능형 패션 코디네이션 시스템에서 유사의류 추천방법," 한국멀티미디어학회논문지, Vol. 12,No. 5, pp. 688-698, 2009.

원문보기 상세보기
SizeKorea, http://sizekorea.kats.go.kr/, 2010. 06. 20.
김용수, 한판암, "실시간 인식기술을 이용한 가상입력시스템 설계 및 구현," 한국산학기술학회논문지, 제 8권, 제3호, pp. 535-540, 2007

원문보기 상세보기
이충연, 이재동, 진성아, "다중 얼굴 태깅 자동화," 대한전자공학회, 전자공학회논문지-CI, 제 47권 CI편 제3호, pp. 11-21, 2010. 5.

원문보기 상세보기
H. Kruppa, "Object Detection using Scale-specific Boosted Parts and Bayesian Combiner," A Doctoral Dissertation, ETH (Swiss Federal Institute of Technology Zurich), 2004.
T. F. Cootes, G. J. Edwards, and C. J. Taylor, "Active Appearance Models," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.23, no.6, pp.681-685, June 2001.

상세보기
J. C. Gower, "Generalized Procrustes Analysis," Psychometrika, Vol.40, pp.33-51, 1975.

상세보기
김영길, 송영준, 장언동, 김동우, 안재형, "변형된 이차원 PCA를 이용한 얼굴 인식," 한국산학기술학회논문지, 제 6권, 제 4호, pp. 291-295, 2005.

원문보기 상세보기
D. T. Lee and B. J. Schachter, "Two Algorithms for Constructing a Delaunay Triangulation," International Journal of Computer and Information Sciences, vol.9, no.3, pp.219-242, 1980.

상세보기
장성은, 장지혜, "대량맞춤 생산체계를 위한 체형별남성 드레스셔츠 패턴연구," 한국의류학회, 제 32권,제 2호, pp.294-306, 2008.
바이크매거진, http://www.bikem.co.kr/, 2010. 07. 10.

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