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
- '그 중에 HOG(Histograin of oriented gradient)기술자는 손 모양의 유사성을 계산하는 데는 유용하다.본 논문에서는 계산의 편의성을 위해 HOG를 변형하여 각 블럭의 방향 히스토그램의 크기가 가장 큰 방향 구간을 선택하여 그 구간값을 블럭의 대표치로 하여 기술자를 나타내었다. 기술자를 구하는 과정은 아래와 같다.
- 템플릿 매칭은 상관계수를 이용하는 방법과 두 영상의 차를 이용하는 방법이 있다. 본 논문에서는 비교적 정확한 상관계수를 이용하여 템플릿 매칭을 하였다.幽 상관계수를 구하는 식 ⑶과 같다.
가설 설정
- 11. (a) Proposed algorithm and (b) existing method template matching faulty.
제안 방법
- ② 레퍼런스 패턴 샘플 1개와 mask의 1에 해당하는 위치의 입력패턴을 비교하여 준다. 여기서 비교한 위치의 개수를 오더(order)라고 한다.
- 검출한 손 무게중심 이동궤적의 영역범위를 설정하고 설정한 범위 안에 영상을 &비트의 이진화된 값으로 변환한 후 DNAC 알고리즘으로 미 리 저장해 둔 레퍼런스 데이터와의 비교를 통해 사용자가 쓴 숫자가 무엇인지 분석한다.
- 또한 손을 추적하기 위해 무게 중심 추적 방법을 사용하였다. 그리고 그 손을 추적하여 공간에 숫자를 썼을 때 컴퓨터가 숫자를 인식하는 시스템을 구현해 보았다.
- 두 번째는 표 3에서와 같이 기존의 템플릿 매칭과 그림 4에서 제안한 방법과 같이 기존 템플릿 매칭에 주요방향 에지 기술자 영상을 매칭한 결과를 합한 경우의 성능 비교이다. 기존의 템플릿 매칭 방법은 45%라는 낮은 검출률을 보였고 제안한 알고리즘인 기존 템플릿 매칭 방법으로 영역을 줄인 후 주요 방향 에지 기술자로 변환한 영상을 다시 템플릿 매칭을 하여 최대값을 구한 경우는 라는 검출률을 보였다.
- 이 방법은 색에 많이 의존을 하기 때문에 손과 같은 한 가지 색이 영역의 대부분을 차지하는 경우 유사 한색을 가진 얼굴, 팔 등을 검출하는 경우가 있다. 따라서 보완적으로 주요 방향 에지 기술자의 템플릿 매칭으로 형태적인 정보를 결합하는데 이 주요 방향 에지 기술자로 변환한 공간을 템플릿 매칭한 결과를 두 번째 영상에 저장하여 두 영상 정보의 결합을 통해 손 영역을 검출한다.
- 검출하였다. 또한 손을 추적하기 위해 무게 중심 추적 방법을 사용하였다. 그리고 그 손을 추적하여 공간에 숫자를 썼을 때 컴퓨터가 숫자를 인식하는 시스템을 구현해 보았다.
- 같은 방식으로 표현된 영상들이 짝을 이루어 손 모델 영상을 템플릿으로 하여 슬라이딩 윈도우 방법으로 템플릿 매칭을 한다. 매칭하여 구해진 상관계수 값을 저장하여 상관계수 지도를 만들고 그레이 스케일에서 만들어진 상관계수 지도의 임계 값을 넘는 영역 중 주요 방향 에지 기술자에서 만들어진 상관계수 지도의 최대값을 가지는 영역을 손 영역으로 검출한다.
- 제안한 알고리즘의 경우는 12장 중 한 가지 영상을 뽑아 주요 방향 에지 기술자로 변환 후 학습 과정 없이 적용하여 보았다. 방법은 그레이 스케일의 템플릿 매칭으로 상관계수 값이 임계값 이상인 부분으로 영역을 줄인 다음 주요 방향 에지 기술자로 변환된 영상을 또 다시 템플릿 매칭 한 후 상관계수 값이 가장 높게 나온 영역을 표시 하였다. 검출률은 SVM과 동일하게 82%가 나왔다.
- 본 논문에서는 손가락 다섯 개를 모두 편 상태로 손을 인식하게 하였다, 일정한 사각 영역 안에서 손의 외곽선 길이는 거의 일정하다고 할 수 있다. 본 논문에서는 그 외곽선의 길이를 12명의 손 모양에서 추출하여 그 평균값을 임계값으로 그 이하의 외곽선 길이가 나올 경우에는 추적을 마치게 설정해 두었다. 따라서 주먹을 쥔 상태가 되면 외곽선의 길이가 임계값 이하가 되어 끝을 나타내는 신호가 되는 것이다.
- 본 논문에서는 영상의 한 블록에서 피부색을 가진 픽셀이 1/3이상이 되는 부분을 기술자로 표현하고 나머지는 검정색으로 두었다. 이는 피부색이 아닌 부분은 손영역을 찾는데 노이즈가 될 수 있기 때문이다.
- 본 논문에서는 원 영상을 두 영상으로 나누어서 템플릿 매칭을 하는데 한 영상에는 피부색을 검출하고 그레이 스케일로 변환한 영상의 템플릿 매칭 결과를 저장한다. 이는 기존의 일반적인 템플릿 매칭과 같은 방법이다.
- 왼쪽 위에 있는 영상부터 화살표 방향대로 처음 영상이 원 영상이고 다음 영상이 피부색을 검출한 영상이다. 세 번째 영상은 두 번째 영상을 그레이 스케일로 바꾼 후 상관계수 지도로 처리한 영상이고 네 번째 영상은 세 번째 영상에서 임계값이상의 영역 중에서 주요 방향 에지 기술자를 통해 변환한 영상의 상관 계수지도를 나타낸 것이고 마지막으로 이중에 최대값을 손영역으로 검출한다.
- 실험을 통하여 두 가지의 경우를 비교해 보았다. 첫 번째는 표 2에서와 같이 손 모델 영상을 학습하고 SVM으로 분류한 경우와 별도의 학습 과정이 없는 제안한 알고리즘으로 분류한 경우의 비교이다.
- 따라서 주먹을 쥔 상태가 되면 외곽선의 길이가 임계값 이하가 되어 끝을 나타내는 신호가 되는 것이다. 외곽선은 Open- CV 라이브러리를 사용하여 추출하였다.
- 이에 저자는 기존의 제한적인 요소에 구애받지 않고 손을 검출하기 위해 피부색과 에지의 방향을 이용하는 방법을 사용하였고 별도의 학습과정 없이 손 모델을 사용하여 검출하였다. 또한 손을 추적하기 위해 무게 중심 추적 방법을 사용하였다.
- 전체 시스템 구성은 그림 1과 같고 연속화면에서 손 영역 검출이 완료된 후 손 궤적 추적이 시작되며 손 영역의 검출에는 피부색과 에지를 이용한 세밀한 손 영역의 기준을 적용하고 손 영역 추적은 움직임이 있으므로 손의 회전이 자유로운 방법을 적용하였다. 움직임 궤적의 종료를 나타내는 신호가 감지되면 추적이 끝나고 궤적을 분류하여 인식 결과를 나타내게 되고 다른 입력을 위해 시스템은 다시 대기상태로 돌아가게 된다.
- 손을 포함한 영상에 손의 크기가 각각 다르므로 여러 크기의 학습 영상을 적용하였을 때 가장 적합하게 나온 경우를 선택하였다. 제안한 알고리즘의 경우는 12장 중 한 가지 영상을 뽑아 주요 방향 에지 기술자로 변환 후 학습 과정 없이 적용하여 보았다. 방법은 그레이 스케일의 템플릿 매칭으로 상관계수 값이 임계값 이상인 부분으로 영역을 줄인 다음 주요 방향 에지 기술자로 변환된 영상을 또 다시 템플릿 매칭 한 후 상관계수 값이 가장 높게 나온 영역을 표시 하였다.
- 첫 번째는 표 2에서와 같이 손 모델 영상을 학습하고 SVM으로 분류한 경우와 별도의 학습 과정이 없는 제안한 알고리즘으로 분류한 경우의 비교이다. SVM 방법은 12장의 손 영상을 학습시키고 35장의 손을 포함한 영상에 적용한 결과 82%라는 검출률을 보였다.
대상 데이터
- 5G)의 PC 환경에서 프로그램은 C와 Matlab을 사용하였다. 그리고 OpenCV library와 Libsvm을 사용하였다.
- PC환경과 개발 툴은 손 검출 평가 환경과 동일하다. 그리고 추적을 위한 카메라는 PC Cam(Logitec Quickcam Communicate Deluxe, 130만 화소, 30프레임 /초) 을 사용하였다.
- 사용한다. 레퍼런스 데이터는 UCI Machine Learning repository'20'에서 Optical Recognition of Handwritten Digits Data을 사용하였고 형태는 다음과 같다. 필기체 숫자 영상은 각각 8X8의 셀로 나누고 각 셀마다 쓰여진 영역이 얼마나 차지하냐에 따라 0에서 16까지 정수로 된 그레이 스케일 값으로 되어 있다.
- 제안한 손 인식 알고리즘을 실험하기 위하여 손 영상 12장, 손을 포함한 영상 35장을 사용하였고 CPUOntel Core TM2 Quad Q6600 2.4GHz), RAM(3.5G)의 PC 환경에서 프로그램은 C와 Matlab을 사용하였다. 그리고 OpenCV library와 Libsvm을 사용하였다.
데이터처리
- 또한 HI장에서는 실험을 통하여 각 과정에 대한 성능을 비교한다. 제안한 손 검출 방법 성능, 손 추적 방법 성* 능 필기체 숫자 인식에 대한 성능을 기존의 방법과 비교 분석한다. IV장은 결론과 향후 연구 방향을 제시한다.
이론/모형
- 피부색을 검출하기 위한 방법으로 YCbCr 색상 공간을 사용하였다. 여러 종류의 색상 공간들은 RGB 색상 공간을 선형 또는 비선형적으로 변형시킴으로써 만들어지는데 조명에 강하거나 피부색과 피부색이 아닌 부분을 명확히 구분하여 주는 등 여러 목적으로 특성에 맞게 사용된다.
성능/효과
- 첫 번째는 표 2에서와 같이 손 모델 영상을 학습하고 SVM으로 분류한 경우와 별도의 학습 과정이 없는 제안한 알고리즘으로 분류한 경우의 비교이다. SVM 방법은 12장의 손 영상을 학습시키고 35장의 손을 포함한 영상에 적용한 결과 82%라는 검출률을 보였다. SVM은 Libsvm 라이브러리를 사용하여 Matlab으로 동작시켰다.
- 각 숫자 마다 10회씩 총 100회 시행을 통해 평균 90%의 인식률을 보여주었고 그림 15와 같이 인식에 있어서 숫자마다 조금씩 차이가 있었다. 특히 2, 8, 9의 경우 쓰는 방식에 따라 민감하게 반응 하여 2의 경우 1 이나 9로 오인식 되는 경우가 있었다.
- 비교이다. 기존의 템플릿 매칭 방법은 45%라는 낮은 검출률을 보였고 제안한 알고리즘인 기존 템플릿 매칭 방법으로 영역을 줄인 후 주요 방향 에지 기술자로 변환한 영상을 다시 템플릿 매칭을 하여 최대값을 구한 경우는 라는 검출률을 보였다. 그림 12는 피부색 검출을 통해 피부색이 아닌 픽셀은 검정색으로 둔 경우인데 이와 같이 조명이나 외부 환경으로 인해 피부색 검출에 대한 오류가 생기는 경우가 있다.
- 이 기술자의 장점은 블럭을 설정하여 계산하기 때문에 빠른 연산이 가능하고 과적합을 방지할 수 있다. 또한 블럭에 방향값을 가지고 표현한 영상은 에지 위치 정보만으로 표현한 영상보다 더 명확하게 적합도를 판단 할 수 있다.
- 수 있었다. 또한 추적에 있어서는 검출 후 피부색 범위 재조정을 통해 회전에 강하지만 피부색과 비슷한 색에 대한 오인식을 줄였다. 마지막으로 3차원 공간에 손으로 필기체 숫자를 써서 인식하는 실험을 통하여 단일카메라를 이용한 손동작 입력장치로써의 가능성을 보여 주었다.
- 또한 추적에 있어서는 검출 후 피부색 범위 재조정을 통해 회전에 강하지만 피부색과 비슷한 색에 대한 오인식을 줄였다. 마지막으로 3차원 공간에 손으로 필기체 숫자를 써서 인식하는 실험을 통하여 단일카메라를 이용한 손동작 입력장치로써의 가능성을 보여 주었다. 이는 시계열 데이터로 분류되는 제스처 인식 문제를 은닉 마르코프 모델과 같은 방법을 사용하지 않고 연산에 있어서 간단한 방법으로 동작의 크기나 시간에 상관없이 처리 하였다는 데에 또한 큰 의미가 있다.
- 본 논문에서는 손가락 다섯 개를 모두 편 상태로 손을 인식하게 하였다, 일정한 사각 영역 안에서 손의 외곽선 길이는 거의 일정하다고 할 수 있다. 본 논문에서는 그 외곽선의 길이를 12명의 손 모양에서 추출하여 그 평균값을 임계값으로 그 이하의 외곽선 길이가 나올 경우에는 추적을 마치게 설정해 두었다.
- 본 논문에서는 손의 피부색 정보와 형태 정보를 결합하여 사용함으로써 기존의 피부색 정보가 주를 이룬 손검줄 방법보다 성능을 향상 시켰고 형태 정보를 구하는데 있어서 주요 방향 에지 기술자라는 방법을 이용하여 손 영상의 사전 학습 과정 없이도 손 영역을 검출함을 확인할 수 있었다. 또한 추적에 있어서는 검출 후 피부색 범위 재조정을 통해 회전에 강하지만 피부색과 비슷한 색에 대한 오인식을 줄였다.
- 검출률은 SVM과 동일하게 82%가 나왔다. 이 실험으로 사전 학습 과정이 없이도 샘플로 선택한 하나의 손 영상만을 가지고도 동일한 성능의 결과가 나왔음을 알 수 있다. 이는 또한 학습 방법보다 전처리 과정을 통한 데이터 가공이 중요함을 알 수 있고 그 데이터 가공에서 주요 방향 에지 기술자 성능의 우수함을 확인할 수 있다.
- 첫 번째로 글러브 데이터 기반 방법은 손과 손가락에 부착된 센서를 사용하여 손의 움직임을 쉽게 파악한다. 하지만 이 장치는 가격이 비싸고 센서 장치를 입어야 하기 때문에 번거롭다는 단점을 가지고 있다.
후속연구
- 이는 시계열 데이터로 분류되는 제스처 인식 문제를 은닉 마르코프 모델과 같은 방법을 사용하지 않고 연산에 있어서 간단한 방법으로 동작의 크기나 시간에 상관없이 처리 하였다는 데에 또한 큰 의미가 있다. 하지만 TV나 휴대폰과 같은 기기에 실용화가 되기 위해서는 좀 더 많은 사람과 환경을 통한 검증이 있어야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.