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
- 본 논문에서는 키넥트 센서로부터 획득한 관절 정보를 이용하여 손 제스처를 인식하는 방법을 제안하였다. 손 제스처를 표현하기 위한 특징으로써 다양한 관절 각도의 움직임을 표현할 수 있는 다각도 결합 히스토그램을 제안하였다.
- 그러나 방향 특징 역시 제스처를 행하는 사람에 따라서 발생할 수 있는 방향 변형들을 효율적으로 표현하지 못하는 단점이 있다. 이러한 단점을 극복하기 위해, 본 논문에서는 손 제스처의 관찰열을 표현하기 위한 특징으로 방향 변형에 강인한 다각도 결합 히스토그램을 제안한다. 제안한 특징은 다양한 각도의 양자화 레벨을 갖는 여러 개의 각도 히스토그램들을 결합함으로써, 제스처를 행하는 사람에 따라 달라질 수 있는 방향 변형들을 허용하고 제스처 인식의 성능을 높인다.
제안 방법
- 1개부터 200개까지 결정 트리의 개수를 1개씩 늘리면서 성능을 측정하였고, 10° , 20° , 30°의 각도 간격을 갖는 3개의 각도 히스토그램들을 결합하여 특징으로 사용하였다.
- }라고 하자. 1절에서 언급한 것처럼, 본 논문에서는 3개의 관절(어깨, 팔꿈치 및 손)의 움직임들로 구성된 손 제스처를 인식한다. 따라서 관측열 X의 각 원소 xi(i = 1,2,⋯,m)는 다음의 식 (1)과 같이 3개의 관절에 대한 3차원 위치 벡터들로 구성된다.
- 2절에서 제안한 다각도 결합 히스토그램에 의해 표현된 제스처를 인식하기 위해 랜덤 결정 포레스트(Randomized decision forests) 분류기를 사용한다. 랜덤 결정 포레스트[20]는 무작위로 특징들의 부분집합을 선택하여 분류기를 학습시키는 방식으로 작동하며, 여러 개의 결정 트리들로 구성된 앙상블(ensemble) 분류기이다.
- 각도 특징에 기반한 방법은 구면 각도 특징과 랜덤 포레스트 분류기를 사용하였다. Cornell 손제스처 데이터셋에 대해서는 앞에서 언급한 것처럼 어깨, 팔꿈치, 손의 관절 정보로부터 추출한 특징을 사용하였고, MSRDailyActivity3D 데이터셋에 대해서는 사람의 행동을 표현하기 위해 어깨, 팔꿈치, 손의 관절로부터 추출되는 특징 뿐만 아니라, 둔부, 무릎, 발의 관절 정보로부터 추출한 특징까지 사용하였다.
- 각 결정 트리는 랜덤 부분집합 H′을 분할(Split) 함수와 임계값(Threshold)을 이용하여 반복적으로 왼쪽 부분집합 H L과 오른쪽 부분집합 H R으로 분할함으로써 학습한다.
- 제안하는 다각도 결합 히스토그램 특징에 대한 효용성을 입증하기 위해, 각도 특징에 기반한 방법과 제안하는 다각도 결합 히스토그램 특징에 기반한 방법간의 인식 성능을 비교하였다. 각도 특징에 기반한 방법은 구면 각도 특징과 랜덤 포레스트 분류기를 사용하였다. Cornell 손제스처 데이터셋에 대해서는 앞에서 언급한 것처럼 어깨, 팔꿈치, 손의 관절 정보로부터 추출한 특징을 사용하였고, MSRDailyActivity3D 데이터셋에 대해서는 사람의 행동을 표현하기 위해 어깨, 팔꿈치, 손의 관절로부터 추출되는 특징 뿐만 아니라, 둔부, 무릎, 발의 관절 정보로부터 추출한 특징까지 사용하였다.
- 각도 히스토그램 특징에 대해, 각각 10°, 20°, 30°의 각도 간격을 갖는 히스토그램을 사용하였다.
- 이는 제안하는 방법이 특징 차원 및 트리 개수 증가에 따라 시간 복잡도가 증가하지 않음을 의미한다. 그림 6에서 나타낸 것처럼, 제안하는 방법은 트리 개수가 증가함에 따라 인식 정확도가 높아지는 특성을 가지고 있기 때문에, 시간 복잡도 고려 없이 높은 인식률을 획득하는 트리 개수로 정해주면 된다.
- 다각도 결합 히스토그램은 3개의 각도 (10°, 20°, 30°) 히스토그램들을 결합하였다.
- 3의 c값과 RBF 커널 함수가 사용되었다. 두 번째 방법은 본 논문에서 제안한 다각도 결합 히스토그램을 특징으로 사용하였고, 제스처 분류를 위해서는 [21]과 같은 파라미터를 갖는 MSVM 분류기를 사용하였다. 제안하는 방법은 다각도 결합 히스토그램 특징과 100개의 결정 트리를 갖는 랜덤 포레스트 분류기를 사용한 것의 결과이다.
- 키넥트 센서로부터 제공되는 데이터(깊이, RGB, 관절 위치)의 사용은 제스처 인식을 위해 필요한 사람/신체부위 검출 및 포즈 추정의 수고를 덜어주고, 게임이나 인간-컴퓨터 상호작용 응용 개발을 쉽게 만들고 있다[6,7,8,9]. 따라서 본 논문에서는 키넥트에서 제공하는 관절 정보를 이용함으로써, 손 제스처와 관련된 신체 부위의 3차원 위치 정보를 쉽게 획득하여 손 제스처를 인식하는 데 사용한다.
- 제안한 특징은 다양한 각도의 양자화 레벨을 갖는 여러 개의 각도 히스토그램들을 결합함으로써, 제스처를 행하는 사람에 따라 달라질 수 있는 방향 변형들을 허용하고 제스처 인식의 성능을 높인다. 또한, 제안한 특징은 제스처 관찰열의 클래스를 인식하기 위한 랜덤 결정 포레스트 분류기의 입력으로 사용되며, 분류기의 특성에 맞는 특징으로써 분류기와 잘 결합되어 높은 성능으로 제스처를 인식한다.
- 그림 5. 랜덤 포레스트 분류기 내 결정 트리 개수에 따른 각도 특징 기반과 제안하는 방법간의 인식 성능 비교. (a) Cornell 손 제스처 데이터셋, (b) MSRDailyActivity3D 데이터셋
- 대부분의 연구들은 손 제스처가 순차적인 데이터이기 때문에, 동적 시간 정합(Dynamic Time Warping, DTW) 알고리즘, 은닉 마르코프 모델(Hidden Markov Model, HMM) 또는 조건적 랜덤 필드(Conditional Random Field, CRF) 모델을 이용하여 제스처를 모델링하고 인식한다. 본 장에서는 인식 모델이 아닌, 제스처를 표현하는 특징들을 중심으로 관련 연구들을 분석한다.
- 본 논문에서는 키넥트 센서로부터 획득한 관절 정보를 이용하여 손 제스처를 인식하는 방법을 제안하였다. 손 제스처를 표현하기 위한 특징으로써 다양한 관절 각도의 움직임을 표현할 수 있는 다각도 결합 히스토그램을 제안하였다. 제안한 특징은 다양한 각도의 양자화 레벨을 갖는 여러 개의 각도 히스토그램들을 결합함으로써 방향 변화에 강인하도록 하였다.
- 3가지 접근방법 중에서 대부분의 연구들은 세 번째의 저차원 특징 기반 방법을 사용한다. 영상으로부터 손 영역을 검출 및 추적하고, 검출된 손 영역으로부터 위치나 움직임과 같은 특징들을 추출하여 사용한다.
- 학습 및 테스트를 위해 각각 160개의 비디오 클립에 대한 관절 정보를 사용하였다. 이 데이터셋을 사용한 이유는 제안하는 방법이 손 제스처 뿐만 아니라 행동 인식까지 확장될 수 있다는 것을 보이기 위해 사용하였다.
- 이를 해결하기 위해 구면 각도로부터 각도 히스토그램을 계산한다. xi에 대해 방향 특징으로 표현된 벡터를 #라 하면, 관측열 X의 모든 oi(i =1,2,⋯,m)를 이용하여 oi 벡터의 각 요소에 대해 누적된 각도 히스토그램을 계산한다.
- 두 번째 방법은 본 논문에서 제안한 다각도 결합 히스토그램을 특징으로 사용하였고, 제스처 분류를 위해서는 [21]과 같은 파라미터를 갖는 MSVM 분류기를 사용하였다. 제안하는 방법은 다각도 결합 히스토그램 특징과 100개의 결정 트리를 갖는 랜덤 포레스트 분류기를 사용한 것의 결과이다. 먼저, [21]과 두 번째 방법을 비교해 보면, 두 방법의 차이는 같은 MSVM 분류기를 사용하였지만 서로 다른 특징을 사용한 것이다.
- 손 제스처를 표현하기 위한 특징으로써 다양한 관절 각도의 움직임을 표현할 수 있는 다각도 결합 히스토그램을 제안하였다. 제안한 특징은 다양한 각도의 양자화 레벨을 갖는 여러 개의 각도 히스토그램들을 결합함으로써 방향 변화에 강인하도록 하였다. 또한 제스처를 인식하기 위해 랜덤 포레스트 분류기를 사용하였으며, 실험을 통해 제안한 특징과 함께 사용된 랜덤 포레스트 분류기의 성능이 다른 방법에 비해 우수함을 보였다.
- 이러한 단점을 극복하기 위해, 본 논문에서는 손 제스처의 관찰열을 표현하기 위한 특징으로 방향 변형에 강인한 다각도 결합 히스토그램을 제안한다. 제안한 특징은 다양한 각도의 양자화 레벨을 갖는 여러 개의 각도 히스토그램들을 결합함으로써, 제스처를 행하는 사람에 따라 달라질 수 있는 방향 변형들을 허용하고 제스처 인식의 성능을 높인다. 또한, 제안한 특징은 제스처 관찰열의 클래스를 인식하기 위한 랜덤 결정 포레스트 분류기의 입력으로 사용되며, 분류기의 특성에 맞는 특징으로써 분류기와 잘 결합되어 높은 성능으로 제스처를 인식한다.
- 이제 관측열 X는 γ각도 간격의 히스토그램 #로 표현된다. 추가적으로 방향 변형에 강인하게 하기 위해, 다른 각도의 양자화 레벨을 갖는 여러 개의 히스토그램을 결합한다. 이제 최종적으로 관측열 X는 식 (4)와 같이 표현된다.
- 그림 7은 MSRDailyActivity3D 데이터셋에서의 결정 트리 개수가 증가함에 따른 학습 및 테스트 시간의 변화를 보여준다. 행동을 인식하기 위해 어깨, 팔꿈치, 손의 관절로부터 추출한 특징을 이용한 방법(4개 히스토그램 결합: 4H)과 힙, 무릎, 발의 관절까지 포함하여 추출한 특징을 이용한 방법(8개 히스토그램 결합: 8H)을 비교하였다. 테스트 데이터(총 160개 비디오 클립)의 특징을 추출하는데 4H 방법에서는 총 0.
대상 데이터
- MSRDailyActivity3D 데이터셋은 총 16개 타입의 행동 클래스로 구성되어 있으며, 10명의 다른 사람이 각 행동을 앉아있거나 서있는 상태로 수행한다. 각 행동 클래스 당 20개씩 총 320개의 비디오 클립(2~10초), 깊이지도 및 관절 정보를 포함하고 있다.
- MSRDailyActivity3D 데이터셋은 총 16개 타입의 행동 클래스로 구성되어 있으며, 10명의 다른 사람이 각 행동을 앉아있거나 서있는 상태로 수행한다. 각 행동 클래스 당 20개씩 총 320개의 비디오 클립(2~10초), 깊이지도 및 관절 정보를 포함하고 있다. 학습 및 테스트를 위해 각각 160개의 비디오 클립에 대한 관절 정보를 사용하였다.
- Cornell 손제스처 데이터셋은 3명의 다른 사람에 의해 촬영된 900개의 비디오 클립으로 구성되어 있으며, 각 비디오 시퀀스는 사람의 어깨, 팔꿈치, 손에 대한 관절 정보로 이루어져 있다. 군사 및 비행 제어를 위해 사용되는 30개 클래스의 손제스처 데이터로 구성되어 있으며, 15개의 정적 타입과 15개의 동적 타입의 손제스처를 포함한다. 각 비디오 시퀀스는 초당 50프레임으로 5초간 촬영되었다.
- 본 논문에서 손 제스처 인식을 위해 사용된 입력 데이터는 키넥트 센서로부터 획득된 사람의 관절 정보이다. 키넥트로부터 사람의 관절 정보를 획득하기 위해서는 사람의 대부분의 몸체가 키넥트 센서의 시야(Field of view, FOV) 내에 존재해야 한다.
- 관절 위치는 키넥트의 깊이 센서를 중심으로 3차원 좌표를 미터(m) 단위로 표현하여 제공한다. 이렇게 획득된 20개의 관절 정보로부터, 손 제스처와 관련된 3개의 관절 정보(어깨, 팔꿈치, 손)를 사용하였다. 즉, 3개 관절에 대한 (x,y,z )좌표를 사용하였다.
- 제안하는 방법의 성능을 평가하기 위해, 키넥트 센서를 이용하여 촬영한 Cornell 손제스처 데이터셋[21]과 MSRDailyActivity3D[22]을 사용하였다. Cornell 손제스처 데이터셋은 3명의 다른 사람에 의해 촬영된 900개의 비디오 클립으로 구성되어 있으며, 각 비디오 시퀀스는 사람의 어깨, 팔꿈치, 손에 대한 관절 정보로 이루어져 있다.
- 각 행동 클래스 당 20개씩 총 320개의 비디오 클립(2~10초), 깊이지도 및 관절 정보를 포함하고 있다. 학습 및 테스트를 위해 각각 160개의 비디오 클립에 대한 관절 정보를 사용하였다. 이 데이터셋을 사용한 이유는 제안하는 방법이 손 제스처 뿐만 아니라 행동 인식까지 확장될 수 있다는 것을 보이기 위해 사용하였다.
- 그림 3은 정적 타입과 동적 타입에 대한 손제스처 데이터를 보여준다. 학습을 위해 각 제스처 클래스 당 15개씩 총 450개의 비디오 클립을 사용하였고, 나머지는 테스트를 위해 사용하였다.
데이터처리
- 단일 각도 히스토그램 특징 기반 방법과 제안하는 다각도 결합 히스토그램 특징 기반 방법간의 인식 성능을 비교하였다. 각도 히스토그램 특징에 대해, 각각 10°, 20°, 30°의 각도 간격을 갖는 히스토그램을 사용하였다.
- 제안하는 다각도 결합 히스토그램 특징에 대한 효용성을 입증하기 위해, 각도 특징에 기반한 방법과 제안하는 다각도 결합 히스토그램 특징에 기반한 방법간의 인식 성능을 비교하였다.
이론/모형
- Doliotis의 연구[11]에서는 키넥트 센서로부터 획득된 깊이 정보를 이용하여 숫자를 나타내는 손 제스처를 인식하였다. 손 제스처를 인식하기 위한 특징은 손 영역의 정규화된 2D 위치를 사용하였고, DTW 알고리즘을 이용하여 손 제스처를 인식하였다.
- 첫 번째 방법[21]은 관절 각도들의 사인곡선적(Sinusoidal) 빈도, 진폭, 평균 및 표준편차를 손 제스처의 특징으로 사용하였다. 제스처를 분류하기 위해서는 다중 클래스 서포트 벡터 머신(Multi-class Support Vector Machine, MSVM) 분류기가 사용되었고, 0.3의 c값과 RBF 커널 함수가 사용되었다. 두 번째 방법은 본 논문에서 제안한 다각도 결합 히스토그램을 특징으로 사용하였고, 제스처 분류를 위해서는 [21]과 같은 파라미터를 갖는 MSVM 분류기를 사용하였다.
- 표 4와 5는 Cornell 손제스처 데이터셋에서 정적 및 동적 타입의 각 제스처에 대해 다양한 방법과의 성능을 비교하여 보여준다. 첫 번째 방법[21]은 관절 각도들의 사인곡선적(Sinusoidal) 빈도, 진폭, 평균 및 표준편차를 손 제스처의 특징으로 사용하였다. 제스처를 분류하기 위해서는 다중 클래스 서포트 벡터 머신(Multi-class Support Vector Machine, MSVM) 분류기가 사용되었고, 0.
성능/효과
- 제안하는 방법은 다른 개수의 결정 트리를 갖는 모든 랜덤 포레스트 분류기에서 각도 특징 기반 방법보다 높은 인식 성능을 획득하였다. 1, 20, 40, 60, 80, 100개의 트리를 가진 랜덤 포레스트 분류기에 대해, Cornell 손제스처 데이터셋에서는 3.33%, 7.34%, 5.11%, 5.34%, 4.89%, 4.67%의 인식 성능 향상이 있었고, 평균적으로 5.86%의 성능 향상이 있었다. MSRDailyActivity3D 데이터셋에서는 9.
- 평균적으로 결정 트리의 개수가 증가할 때마다 더 높은 인식 성능을 얻었으며, Cornell 손제스처 데이터셋에서는 85개 이상의 결정 트리를 갖는 랜덤 포레스트 분류기부터 100%의 인식 정확도를 갖는 경우가 많았다. MSRDailyActivity3D 데이터셋에서는 100개 이상의 결정 트리를 갖는 랜덤 포레스트 분류기의 평균 인식 정확도가 59.91%였고, 특히 결정 트리의 개수가 141개 일 때, 64.38%의 가장 높은 정확도를 획득하였다.
- 86%의 성능 향상이 있었다. MSRDailyActivity3D 데이터셋에서는 9.37%, 11.25%, 8.75%, 12.5%, 16.25%, 8.75%의 인식 성능 향상이 있었고, 평균적으로 11.8%의 성능 향상이 있었다.
- MSVM 분류기를 사용한 방법은 평균적으로 35.62%의 정확도를, 제안하는 방법은 89개의 결정 트리를 갖는 랜덤 포레스트 분류기를 사용했을 때 63.75%의 정확도를 획득하였다.
- 75%의 정확도를 획득하였다. 대부분의 행동 클래스에 대해 제안하는 방법이 더 높은 정확도를 획득하였으며, 이는 제안하는 특징이 랜덤 포레스트 분류기와 함께 잘 동작한다는 것을 나타낸다.
- 두 번째, 3개 각도 간격의 히스토그램 특징을 이용한 방법 중에서, 20° 각도의 히스토그램 특징이 대부분의 결정 트리 개수에서 가장 좋은 성능을 획득한다.
- 이로부터 제안하는 다각도 결합 히스토그램 특징이 랜덤 포레스트 분류기와 함께 잘 동작하여 높은 인식 성능을 제공한다는 것을 알 수 있다. 따라서 이러한 실험 결과는 본 논문에서 제안한 손 제스처를 인식하기 위한 특징과 분류기가 효율적이라는 사실을 보여준다.
- 제안한 특징은 다양한 각도의 양자화 레벨을 갖는 여러 개의 각도 히스토그램들을 결합함으로써 방향 변화에 강인하도록 하였다. 또한 제스처를 인식하기 위해 랜덤 포레스트 분류기를 사용하였으며, 실험을 통해 제안한 특징과 함께 사용된 랜덤 포레스트 분류기의 성능이 다른 방법에 비해 우수함을 보였다. 향후 연구로는, 관절 정보 뿐만 아니라 키넥트 센서로부터 획득 가능한 RGB 영상 또는 깊이 데이터까지 함께 활용하여 손 제스처 인식의 성능을 향상시키는 것이다.
- 학습 시간은 트리 개수가 증가함에 따라 선형적으로 증가함을 확인하였고, 테스트 시간은 트리 개수가 증가함에도 불구하고 일정함을 확인하였다. 또한, 다른 특징 차원에 대해서도 테스트 시간은 일정함을 확인하였다. 이는 제안하는 방법이 특징 차원 및 트리 개수 증가에 따라 시간 복잡도가 증가하지 않음을 의미한다.
- 두 번째, 3개 각도 간격의 히스토그램 특징을 이용한 방법 중에서, 20° 각도의 히스토그램 특징이 대부분의 결정 트리 개수에서 가장 좋은 성능을 획득한다. 세 번째, 제안하는 다각도 결합 히스토그램 특징은 단일 각도 히스토그램 특징보다 2개 이상의 다중 결정 트리를 갖는 분류기에 대해 항상 높은 성능을 갖는다.
- 또한, 다른 특징 차원에 대해서도 테스트 시간은 일정함을 확인하였다. 이는 제안하는 방법이 특징 차원 및 트리 개수 증가에 따라 시간 복잡도가 증가하지 않음을 의미한다. 그림 6에서 나타낸 것처럼, 제안하는 방법은 트리 개수가 증가함에 따라 인식 정확도가 높아지는 특성을 가지고 있기 때문에, 시간 복잡도 고려 없이 높은 인식률을 획득하는 트리 개수로 정해주면 된다.
- 표에서 볼 수 있듯이, 제안하는 방법은 정적 및 동적 타입의 모든 제스처에 대해 100%의 높은 인식 정확도를 획득하였다. 이로부터 제안하는 다각도 결합 히스토그램 특징이 랜덤 포레스트 분류기와 함께 잘 동작하여 높은 인식 성능을 제공한다는 것을 알 수 있다. 따라서 이러한 실험 결과는 본 논문에서 제안한 손 제스처를 인식하기 위한 특징과 분류기가 효율적이라는 사실을 보여준다.
- 그림 5는 랜덤 포레스트 분류기내 결정 트리 개수에 따른 두 방법 간 인식 비교 성능을 보여준다. 제안하는 방법은 다른 개수의 결정 트리를 갖는 모든 랜덤 포레스트 분류기에서 각도 특징 기반 방법보다 높은 인식 성능을 획득하였다. 1, 20, 40, 60, 80, 100개의 트리를 가진 랜덤 포레스트 분류기에 대해, Cornell 손제스처 데이터셋에서는 3.
- 표 1과 2는 다른 결정 트리 개수에 따른 두 방법 간 성능 비교 결과를 보여주는데, 다음의 3가지 결론을 도출할 수 있다. 첫 번째, 각도 히스토그램 특징을 이용한 방법이 각도 특징을 이용한 방법보다 높은 인식 성능을 갖는다. 그림 5의 각도 특징 기반 방법의 인식 성능에서 볼 수 있듯이, 다른 결정 트리 개수를 갖는 모든 랜덤 포레스트 분류기에서 각도 히스토그램 특징을 이용한 방법의 인식 성능이 높게 나왔다.
- 행동을 인식하기 위해 어깨, 팔꿈치, 손의 관절로부터 추출한 특징을 이용한 방법(4개 히스토그램 결합: 4H)과 힙, 무릎, 발의 관절까지 포함하여 추출한 특징을 이용한 방법(8개 히스토그램 결합: 8H)을 비교하였다. 테스트 데이터(총 160개 비디오 클립)의 특징을 추출하는데 4H 방법에서는 총 0.5229초, 8H 방법에서는 총 0.9584초가 걸렸다. 그림 7은 특징을 추출한 후, 각 결정 트리 개수에 따른 학습 및 테스트 시간을 나타낸 것이다.
- 1개부터 200개까지 결정 트리의 개수를 1개씩 늘리면서 성능을 측정하였고, 10° , 20° , 30°의 각도 간격을 갖는 3개의 각도 히스토그램들을 결합하여 특징으로 사용하였다. 평균적으로 결정 트리의 개수가 증가할 때마다 더 높은 인식 성능을 얻었으며, Cornell 손제스처 데이터셋에서는 85개 이상의 결정 트리를 갖는 랜덤 포레스트 분류기부터 100%의 인식 정확도를 갖는 경우가 많았다. MSRDailyActivity3D 데이터셋에서는 100개 이상의 결정 트리를 갖는 랜덤 포레스트 분류기의 평균 인식 정확도가 59.
- 두 번째 방법과 제안하는 방법을 비교해 보면, 두 방법의 차이는 같은 특징을 사용하였지만 서로 다른 분류기를 사용한 것이다. 표에서 볼 수 있듯이, 제안하는 방법은 정적 및 동적 타입의 모든 제스처에 대해 100%의 높은 인식 정확도를 획득하였다. 이로부터 제안하는 다각도 결합 히스토그램 특징이 랜덤 포레스트 분류기와 함께 잘 동작하여 높은 인식 성능을 제공한다는 것을 알 수 있다.
- 그림 7은 특징을 추출한 후, 각 결정 트리 개수에 따른 학습 및 테스트 시간을 나타낸 것이다. 학습 시간은 트리 개수가 증가함에 따라 선형적으로 증가함을 확인하였고, 테스트 시간은 트리 개수가 증가함에도 불구하고 일정함을 확인하였다. 또한, 다른 특징 차원에 대해서도 테스트 시간은 일정함을 확인하였다.
후속연구
- 또한 제스처를 인식하기 위해 랜덤 포레스트 분류기를 사용하였으며, 실험을 통해 제안한 특징과 함께 사용된 랜덤 포레스트 분류기의 성능이 다른 방법에 비해 우수함을 보였다. 향후 연구로는, 관절 정보 뿐만 아니라 키넥트 센서로부터 획득 가능한 RGB 영상 또는 깊이 데이터까지 함께 활용하여 손 제스처 인식의 성능을 향상시키는 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.