[논문]가버 특성을 이용한 3D 게임의 NPC 그룹핑에 관한 연구

박창민

doi:10.6109/jkiice.2010.14.12.2836

가버 특성을 이용한 3D 게임의 NPC 그룹핑에 관한 연구
A Study on NPC Grouping of 3D Game using Gabor Characteristics 원문보기

한국해양정보통신학회논문지 = The journal of the Korea Institute of Maritime Information & Communication Sciences, v.14 no.12, 2010년, pp.2836 - 2842

박창민 (영산대학교 게임콘텐츠학과)

초록
AI-Helper

본 논문에서는 다양한 3D 게임 진행에서 NPC들을 속성에 따라 그룹핑하는 방법을 제시한다. 움직임이 없는 NPC는 가버필터링 결과에서 특이한 방향성 특성을 띄는 경향이 있지만 사람이나 동물과 같은 NPC는 그렇지 않다. 그룹핑을 위해 우선 NPC 객체 내부의 방향성과 주파수 영역의 특징을 분석하고 각각을 24개의 가버 필터뱅크로 구성하며 필터의 스케일과 방향에 따른 24차원 특징 벡터를 산출한다. 추출된 벡터는 특정 방향에 따른 에너지를 나타낸다. 이러한 에너지는 NPC 내부에 있는 객체 질감의 특정 방향에 대한 크기를 나타내고 있기 때문에 NPC들을 그룹핑 속성으로 이용하였다. 제안한 방법은 게임진행에서 유사한 속성을 가진 NPC들이 자동으로 그룹핑되어 전략적이고 속도감 있게 플레이 할 수 있는 기능을 제공한다.

Abstract ▼ AI-Helper

An NPC grouping method is proposed for various 3D games depending on their characteristics. Immovable objects tend to have particular orientation features in their Gabor filtering results whereas the movable objects controlled by AI appearing as a human or an animal do not. First of all, We analyzed directional and frequency domain features in the NPC object and configured them as 24 Gabor filter banks. Then, 24-dimensional feature vectors according to the scale and direction of the filter are calculated. Each extracted vector represents the energy of a certain direction. This energy indicates the particular direction strength of the object texture. Thus, using this property, NPCs could be grouped as artificial objects and natural objects effectively and it draws the game more speed and strategic actions as a result.

주제어

AI 본문요약
AI-Helper

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

문제 정의

가버 필터링 과정의 결과로 도출되는 GEM은 객체의 24차원 벡터로 볼 수 있다. 따라서 본 논문에서는 NPC들에 대하여 누구나 공감할 수 있는 일반적인 속성들로 인하여 그룹을 이룰 수 있는지 확인하기 위해 1200개의(자연 및 인공객체 각 600개) 객체들에 대하여 무감독분류 방법인 K-means 알고리즘을 이용하여 그룹핑을 수행하였다. 이는 K 개의 생성된 그룹의 개수만큼만 비교하기 때문에 K-NN에 비해 시간의 효율성 관점에서 매우 효과적이다.
본 논문에서는 게임의 NPC들이 속성에 따라 그룹으로 형성되는 방법을 제안하였다. 이를 위해 NPC 객체내부에 있는 질감 특징 벡터를 추출하고 질감의 방향성에 대한 크기를 나타내는 에너지와 이들 차이의 합을 통하여 NPC들이 속성에 따라 그룹핑 될 수 있도록 하였다.
본 논문에서는 이러한 객체 그룹들의 특징들로부터 효과적으로 그룹핑 할 수 있는 SGOED를 그룹핑을 위한 속성으로 제안한다. 그림 5는 GEM에 대한 각 열의 가버 에너지를 보여주고 있다.

제안 방법

NPC 객체들의 질감 특징 벡터를 추출하기 위해 가버 필터 사전과 유사하게 각 객체들을 24개의 필터뱅크로 구성하였다[5]. 따라서 GEM은 가버 필터링 과정의 결과로 산출되는 24차원 특징 벡터로 볼 수 있다.
게임의 NPC 들을 인공 및 자연객체로 그룹핑하기 위하여 NPC 내부에 존재하는 질감 특성인 방향성의 유용성을 찾고 가버 특징 벡터의 그룹화와 그룹들의 중심 벡터를 분석하기 위하여 가버 방향 에너지를 제시하였다.
b)에 통과시킨다. 그 후 24차원 특징 벡터를 추출하기 위하여 스케일 수, 방향의 수, 저주파의 중심, 고주파의 중심을 각각 4, 6, 0.1, 0.4 로 초기화 한다. 그림 2.
실험에 사용된 NPC들은 편의성을 위해 다양한NPC들이 존재하는 코렐포토CD 및 게임에서 주로 사용하고 있는 NPC들(총 2,600개객체들 중에 자연적인 객체 1,300개, 인공적인 객체 1,300개)을 무작위로 선택하였다. 그리고 2,600개의 NPC 객체들 중에서 임의의 1,200개를 트레이닝 객체로 하고 1,400개 객체들은 테스트 객체로 하여 30번 반복적으로 그룹 형성 실험을 하였다. 이는 트레이닝 객체들에 의해 실험 결과가 달라지는 것을 피하고 실험의 객관성을 유지하기 위함이다.
또한 GEM을 이용하여 객체의 특정 방향에 따른 에너지값을 산출한다. 그리고 각 방향에 대한 에너지는 방향성에 대한 크기를 나타내기 때문에 가버 방향 에너지(Gabor Orientation Energy, GOE)를 제안하고 GOE 차이의 합(Sum of GOE Difference, SGOED)을 이용하여 NPC를 자연객체와 인공객체로 그룹핑하는 속성으로 제안하였다.
6% 으로 나타났다. 따라서 10개의 그룹들에 대한 특성을 분석하기 위하여 각 그룹의 중심 벡터들에 해당하는 GEMs를 생성하였다.
그러나 두 개의 곡선 분포를 통하여 객체들을 인공 및 자연객체로 명확하게 그룹핑 되어 나타나고 있지 않기 때문에 최적의 분류 임계치를 찾을 수 없다. 따라서 그림 7과 같이 SGOED를 이용한 분류 임계치의 민감성을 조사 하였다. 분류를 위한 임계치는 객체들을 그룹핑 할 때 에러율이 가장 낮은 부분에 해당하는 값을 분류 임계치로 선택하였다.
본 논문에서는 가버 특성을[4] 이용하여 NPC 들에 대한 가버 에너지 맵(Gabor Energy Map, GEM)을 형성하고 NPC 내부에 있는 질감 특징 벡터를 추출한다. 또한 GEM을 이용하여 객체의 특정 방향에 따른 에너지값을 산출한다. 그리고 각 방향에 대한 에너지는 방향성에 대한 크기를 나타내기 때문에 가버 방향 에너지(Gabor Orientation Energy, GOE)를 제안하고 GOE 차이의 합(Sum of GOE Difference, SGOED)을 이용하여 NPC를 자연객체와 인공객체로 그룹핑하는 속성으로 제안하였다.
본 논문에서 제안한 방법을 실제 게임에 적용하였다. 실험을 위하여 간단한 FPS 게임을 windows2000 환경의 PC에서 Visual C++로 제작하였으며 게임이 진행될 때 동일한 속성을 가진 NPC들이 그룹으로 형성되는 과정을 구현하였다.
본 논문에서는 가버 특성을[4] 이용하여 NPC 들에 대한 가버 에너지 맵(Gabor Energy Map, GEM)을 형성하고 NPC 내부에 있는 질감 특징 벡터를 추출한다. 또한 GEM을 이용하여 객체의 특정 방향에 따른 에너지값을 산출한다.
인공객체는 내부에 주로 반복되는 직선이 규칙적으로 배열되어 있는 반면 자연객체는 복잡하고 불규칙적인 형태의 질감으로 구성되어 있다. 본 논문에서는 객체의 이러한 질감 특징벡터 추출을 위해 가버필터 및 가버 스펙트럼과 같은 특성을 이용하여 객체의 특정 스케일(scale)과 방향(orientation)에 따른 국소 주파수 대역의 에너지를 추출한다. 그림 1에서 보듯이 인공객체의 스펙트럼은 강한 방향성을 띄거나 특정 주파수 영역에서 피크(peak)형태로 나타나는 반면 자연객체는 방향성이나 피크가 없다.
따라서 그림 7과 같이 SGOED를 이용한 분류 임계치의 민감성을 조사 하였다. 분류를 위한 임계치는 객체들을 그룹핑 할 때 에러율이 가장 낮은 부분에 해당하는 값을 분류 임계치로 선택하였다.
본 논문에서 제안한 방법을 실제 게임에 적용하였다. 실험을 위하여 간단한 FPS 게임을 windows2000 환경의 PC에서 Visual C++로 제작하였으며 게임이 진행될 때 동일한 속성을 가진 NPC들이 그룹으로 형성되는 과정을 구현하였다. 실험의 편의성을 위하여 NPC는 자연객체 속성을 가진 사람과 인공객체 속성의 버스로 한정하였다.
본 논문에서는 게임의 NPC들이 속성에 따라 그룹으로 형성되는 방법을 제안하였다. 이를 위해 NPC 객체내부에 있는 질감 특징 벡터를 추출하고 질감의 방향성에 대한 크기를 나타내는 에너지와 이들 차이의 합을 통하여 NPC들이 속성에 따라 그룹핑 될 수 있도록 하였다. 제안된 방법은 게임을 보다 전략적으로 운영하면서 속도와 긴장감을 부여할 수 있는 방안임을 확인할 수 있었다.
한편, 그룹형성의 성능평가를 위한precision 및 recall을 계산하기 위해 객체들을 먼저 수동으로 분류하였다. 이는 본 논문에서 수동으로 분류되는 객체도 분류 단위로 사용하기 위함이다.

대상 데이터

제안된 방법들의 타당성을 검증하기 위하여 분류된 NPC들에 대한 precision 및 recall을 계산하여 성능 평가를 수행하였다. 실험에 사용된 NPC들은 편의성을 위해 다양한NPC들이 존재하는 코렐포토CD 및 게임에서 주로 사용하고 있는 NPC들(총 2,600개객체들 중에 자연적인 객체 1,300개, 인공적인 객체 1,300개)을 무작위로 선택하였다. 그리고 2,600개의 NPC 객체들 중에서 임의의 1,200개를 트레이닝 객체로 하고 1,400개 객체들은 테스트 객체로 하여 30번 반복적으로 그룹 형성 실험을 하였다.
실험을 위하여 간단한 FPS 게임을 windows2000 환경의 PC에서 Visual C++로 제작하였으며 게임이 진행될 때 동일한 속성을 가진 NPC들이 그룹으로 형성되는 과정을 구현하였다. 실험의 편의성을 위하여 NPC는 자연객체 속성을 가진 사람과 인공객체 속성의 버스로 한정하였다.

데이터처리

제안된 방법들의 타당성을 검증하기 위하여 분류된 NPC들에 대한 precision 및 recall을 계산하여 성능 평가를 수행하였다. 실험에 사용된 NPC들은 편의성을 위해 다양한NPC들이 존재하는 코렐포토CD 및 게임에서 주로 사용하고 있는 NPC들(총 2,600개객체들 중에 자연적인 객체 1,300개, 인공적인 객체 1,300개)을 무작위로 선택하였다.

성능/효과

이는 트레이닝 객체들에 의해 실험 결과가 달라지는 것을 피하고 실험의 객관성을 유지하기 위함이다. SGOED를 이용하여 객체들을 분류한 결과 평균 분류 정확성은82.9%로 나타났다. 그림8은 분류결과에 의한 객체들을 보여준다.
TN 및 FP는 위와 같이 자연객체들의 그룹이다. SGOED에 의해 분류된 인공 및 자연객체의 각 그룹별 평균 precision, recall 및 F-measure는 각각 0.77, 0.93, 0.84 (인공객체) 그리고 0.91, 0.73, 0.81(자연객체)으로 나타났다. 인공객체의 recall 평균값이 precision의 평균값보다 높게 나타난 것은 유사한 속성을 가진 인공객체들이 올바르게 분류되었음을 알 수 있다.
그림에서 알 수 있듯이 최적의 분류 임계치 근처에서 에러율이 아주 천천히 변하고 있으며 안정성을 나타내고 있다. 따라서 본 논문에서 선택한 임계치는 분류에 약간의 변화가 있어도 유사한 분류 에러를 보여줌으로써 민감하지 않음을 알 수 있다.
이를 위해 NPC 객체내부에 있는 질감 특징 벡터를 추출하고 질감의 방향성에 대한 크기를 나타내는 에너지와 이들 차이의 합을 통하여 NPC들이 속성에 따라 그룹핑 될 수 있도록 하였다. 제안된 방법은 게임을 보다 전략적으로 운영하면서 속도와 긴장감을 부여할 수 있는 방안임을 확인할 수 있었다. 또한 게임이 시대의 흐름에 따라 갈수록 다양해지고 기획의 창조성과 새로운 것이 요구되는 시점에서 본 논문에서 제안한 방법은 매우 중요한 역할을 할 것이다.

후속연구

제안된 방법은 게임을 보다 전략적으로 운영하면서 속도와 긴장감을 부여할 수 있는 방안임을 확인할 수 있었다. 또한 게임이 시대의 흐름에 따라 갈수록 다양해지고 기획의 창조성과 새로운 것이 요구되는 시점에서 본 논문에서 제안한 방법은 매우 중요한 역할을 할 것이다.
향후에는 이러한 NPC들을 가버 필터링을 거치지 않고 보다 빠른 연산과정으로 그룹핑 할 수 있고 객체가 보이는 시점에 따라 속성을 다르게 계산할 수 있는 보완 연구와 캐릭터들을 그룹핑 하는 과정에서 k-means 와 c-means를 비교하여 분석하는 과정도 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	NPC는 어떤 역할을 하는가?	NPC(Non Player Character)는 유저 캐릭터와 협력하거나 게임의 배경과 스토리 전개를 위한 유저 이외의 캐릭터 역할을 한다[1]. 게임 내에 존재하는 NPC의 종류는 매우 다양하여 속성에 따라 그 역할이나 행동에 차이가 있다.
	움직임이 없는 NPC는 가버필터링 결과 어떤 특성을 띄는 경향이 있는가?	본 논문에서는 다양한 3D 게임 진행에서 NPC들을 속성에 따라 그룹핑하는 방법을 제시한다. 움직임이 없는 NPC는 가버필터링 결과에서 특이한 방향성 특성을 띄는 경향이 있지만 사람이나 동물과 같은 NPC는 그렇지 않다. 그룹핑을 위해 우선 NPC 객체 내부의 방향성과 주파수 영역의 특징을 분석하고 각각을 24개의 가버 필터뱅크로 구성하며 필터의 스케일과 방향에 따른 24차원 특징 벡터를 산출한다.
	NPC의 매우 다양한 종류와 속성에 따른 다양한 행동은 게임에 어떤 영향을 미치는가?	게임 내에 존재하는 NPC의 종류는 매우 다양하여 속성에 따라 그 역할이나 행동에 차이가 있다. 이러한 속성들로 인하여 게임디자인 컨셉이 달라지며 보다 폭넓은 행동으로 게임의 전략 및 전술에 기여하게 된다. 사람이나 동물과 같은 NPC들은 행동성 객체로 분류되어 맡은 임무를 수행하는 속성의 그룹으로 형성될 수 있으며 무기, 물건, 도구, 자동차 등과 같은 인위적인 NPC들은 움직임이 거의 없는 역할을 한다.

참고문헌 (5)

서효석. "MMORPG 게임기획실무". 혜지원. 2007.
S. Kim, S. Park, M. Kim, "Image Classification into Object/Non-Object Calsses", Int'l Conf. On Image and Video Retrieval(CIVR), pp. 393-400, 2004.
Yu Zhong, Anil K. Jain, "Object localization using color, texture and shape", Pattern Recognition 33, 671-684, 2000

상세보기
T.S. Lee, "Image Representation using Gabor wavelet", IEEE Trans. Pattern Anal. Machine Intell., Vol. 18, pp 957-971, July. 1996.
B.S. Manjunath and W.Y. Ma, "Texture features for Browsing and Retrieval of Image Data", IEEE Trans. On Pattern Anal. and Intelligence, Vol. 18, pp 837-842, Aug. 1996.

상세보기

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