[논문]자기 조직화 특징 지도(SOFM)와 주성분 분석을 이용한 손 형상 검출 및 인식

김경호; 이기준

doi:10.5392/jkca.2013.13.11.028

자기 조직화 특징 지도(SOFM)와 주성분 분석을 이용한 손 형상 검출 및 인식
Hand Shape Detection and Recognition using Self Organized Feature Map(SOMF) and Principal Component Analysis 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.13 no.11, 2013년, pp.28 - 36

김경호 (조선대학교 전산통계학과) , 이기준 (광주보건대학교 병원전산관리과)

초록
AI-Helper

본 논문은 손 형상 인식을 위한 보다 안정적이며 조명 변화와 회전에 강인하게 손 영역을 검출하며, 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 검출 알고리즘에 대해 제안한다. 제안한 알고리즘은 단일 카메라 환경에서 손 형상을 입력정보로 사용하여 전처리 과정을 거쳐 손 영역만을 분할한 후 자기조직화 특징 지도(SOFM: Self Organized Feature Map) 알고리즘을 이용하여 손 형상을 인식하게 된다. 그러나 조명 변화에 민감하고 자유도가 큰 손 영역을 정확히 인식하기란 쉽지 않으며 오차 범위도 크기 때문에 본 논문에서는 인식률을 높이기 위해 각각의 손 형상에 대한 회전 정보를 데이터베이스화 한 후 주성분 분석을 적용하여 군집화 함으로서 인식오차를 줄였다. 또한 차원 축소로 인해 많은 계산 량이 요구되지 않기 때문에 실시간 인식 시간도 줄일 수 있었다.

Abstract ▼ AI-Helper

This study proposed a robust detection algorithm. It detects hands more stably with respect to changes in light and rotation for the identification of a hand shape. Also it satisfies both efficiency of calculation and the function of detection. The algorithm proposed segmented the hand area through pre-processing using a hand shape as input information in an environment with a single camera and then identified the shape using a Self Organized Feature Map(SOFM). However, as it is not easy to exactly recognize a hand area which is sensitive to light, it has a large degree of freedom, and there is a large error bound, to enhance the identification rate, rotation information on the hand shape was made into a database and then a principal component analysis was conducted. Also, as there were fewer calculations due to the fewer dimensions, the time for real-time identification could be decreased.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 손의 방향성이 틀어지는 경우에도 같은 형상으로 인식하기 위해 PCA를 이용해 파라메트릭 공간을 생성하여 손의 방향성 문제를 해결하는 방법을 제시한다. 이는 입력 영상의 자유도를 크게 하기 위해 각 손 형상에 대해 5°씩 틀어 360°의 형상을 만들어 데이터베이스화함으로써 입력 영상의 방향이 틀어져도 같은 형상으로 인식할 수 있게 된다.
본 논문은 손 형상 인식을 위한 보다 안정적이며 조명 변화와 회전에 강인하게 손 영역을 검출하며, 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 검출 알고리즘에 대해 제안한다. 먼저 전처리과정으로 모델영상의 사이즈와 압축 및 컬러에 대한 정보를 정규화 시켰다.
본 논문은 손 형상 인식을 위한 보다 안정적이며 조명 변화와 회전에 강인하게 손 영역을 검출하며, 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 검출 알고리즘에 대해 제안했다.

제안 방법

따라서 같은 손 형상의 경우 서로 비슷한 특징 벡터 값을 가지게 되고, 고유공간에서 비슷한 영역에 분포하게 된다. 6개의 손 형상(회전한 손 형상) 을 본 고유공간에 투영시킴으로서 모델 동작을 모델링 한다. 고유 공간에 투영된 점이 가까울수록 영상들의 높은 상관관계를 가진다.
둘째, 조명변화에 덜 민감하게 하기 위해 서로 다른 밝기값을 가진 두 영상의 차를 이용하여 임계치를 적용 함으로써 목표 영역에 대한 접근 및 검출 능력을 향상 시켰다.
또한 손 형상의 인식률을 높이기 위해 각각의 손 형상을 5°씩 틀어 360° 회전을 가진 데이터베이스를 생성 하고 기존의 모델 영상내의 각각의 손 형상에 대한 대표 값을 만든 후에 PCA을 적용하여 실험 영상을 고유 공간에 투영시켜서 나온 성분과 대표 값의 거리를 비교 함으로써 방향성에 대한 인식 오차를 줄임으로서 보다 안정적으로 손 형상을 인식할 수 있게 되었다.
본 논문은 손 형상 인식을 위한 보다 안정적이며 조명 변화와 회전에 강인하게 손 영역을 검출하며, 계산의 효율성과 검출 성능을 동시에 만족시키는 강인한 검출 알고리즘에 대해 제안한다. 먼저 전처리과정으로 모델영상의 사이즈와 압축 및 컬러에 대한 정보를 정규화 시켰다. 카메라로 들어온 영상을 입력영상으로 하여 손 영역만을 추출한 후 추출된 손 영역의 형상을 인식하기 위해 자기 조직화 특징 지도(Self Organized Feature Map: 이 후 SOFM이라 함) 신경망[7][8] 알고리즘을 적용하여 손 형상을 인식한다.
본 논문에서는 손 형상을 정확히 분석하고 인식하기 위해 PCA를 적용하여 각각의 손 영상을 고유 공간에 투영시킨 후 SOFM 신경망 알고리즘을 사용하여 손 형상 인식을 수행하였다. [그림 1]은 전체 시스템 구성도이다.
본 논문에서는 조명 변화로 인한 배경의 밝기 변화를 측정하여 시간 요소(t)를 고려해서 일정 시간 T_i동안 배경 영상 L_t를 취득한 다음 영상 영역 R내에 있는 각픽셀(x)들을 분석하여 조명이 가장 밝았을 때의 화소값 P_max(x)와 가장 어두울 때의 화소 P_min(x)을 얻는다. 이 두 화소 값의 차이 D(x)는 조명의 변화로 나타날 수 있는 밝기의 임계치이다.
본 논문에서는 특이치 분해(Singular Value Decomposition)를 이용하여 고유 공간을 구하였다. 특이치 분해를 이용하여 식(10)에서처럼 행렬이 분해되는 데, 영상 집합 X의 공분산 행렬에 대한 고유 벡터를 쉽게 얻을 수 있다.
손 영역의 검출은 밝기값이 서로 다른 두 영상의 차를 이용하였으며, 손 형상을 정확히 인식하기 위해 SOFM의 학습과정을 통해 입력 영상의 특징 벡터와 모델 영상의 특징 벡터의 거리를 계산한 후 초기 연결강 도로부터 점차 연결강도의 가중치를 부여함으로서 입력 영상과 모델 영상간의 거리가 최소값(0)이 되는 모델을 찾고, 찾은 최소값의 모델을 최상위 모델로 선택 하여 손 형상으로 인식하였다.
손 형상 인식 과정은 첫째, 카메라로부터 촬영된 640*480의 입력 영상을 전처리과정으로 100*100으로 정규화 하였으며, 연산속도를 줄이기 위해 모델 영상을 Gray Level로 변환하였다.
승자 뉴런과 그와 이웃한 뉴런들이 특정한 입력 값에 더욱 민감해지도록 활성 함수를 적응시켜 연결 강도를 갱신한다. [그림 7]에서의 붉은 점선이 가장 인접한 이웃뉴런들이며 다른 이웃뉴런들 보다 연결강도가 높다는 것을 나타낸다.

이론/모형

식(2)의 결과로 얻어진 이진 영상에는 배경 모델에서 설정한 밝기 값의 임계치를 벗어 나는 조명의 변화로 인해 배경임에도 불구하고 전경 영역으로 분리되어 1픽셀의 잡음 점들이 포함될 수 있다. 따라서 이 잡음을 없애기 위해 모폴로지(Morpology) 연산을 통해서 잡음을 제거하였다. 한 번의 침식 연산을 수행하고 이때 객체의 줄어드는 현상이 발생하기에 다시 팽창 연산을 사용하여 복원하였다.
먼저 전처리과정으로 모델영상의 사이즈와 압축 및 컬러에 대한 정보를 정규화 시켰다. 카메라로 들어온 영상을 입력영상으로 하여 손 영역만을 추출한 후 추출된 손 영역의 형상을 인식하기 위해 자기 조직화 특징 지도(Self Organized Feature Map: 이 후 SOFM이라 함) 신경망[7][8] 알고리즘을 적용하여 손 형상을 인식한다.

성능/효과

[표 1]은 Pattern Matching을 이용한 인식률, PCA를 이용한 인식률과 본 논문에서 제안하는 PCA와 SOFM 신경망을 이용한 각각의 인식률을 분석한 결과이다. [표 1]의 인식 결과를 보면 알 수 있듯이 본 논문에서 제안하는 알고리즘이 다른 알고리즘의 인식률보다 높은 인식 결과를 보였으며, 특히 모델구성에 속하지 않을 때의 인식률이 많은 개선을 보였다. 그러나 손 형상이 90°가 되었을 경우와 모델영상 내에 입력 영상이 없을 때에는 인식과정에서 잘못된 손 형상으로 오-인식 (Error Recognition)하는 경우가 종종 발생하였다.
또한 손 형상의 인식률을 높이기 위해 각각의 손 형상을 5°씩 틀어 360° 회전을 가진 데이터베이스를 생성 하고 기존의 모델 영상내의 각각의 손 형상에 대한 대표 값을 만든 후에 PCA을 적용하여 실험 영상을 고유 공간에 투영시켜서 나온 성분과 대표 값의 거리를 비교 함으로써 방향성에 대한 인식 오차를 줄임으로서 보다 안정적으로 손 형상을 인식할 수 있게 되었다. 그 결과 기존 다른 알고리즘 보다 인식률이 개선되었으며, 손형상 인식률에 대한 안전성과 정확성을 향상시킬 수 있었다. 또한 차원 축소로 인해 많은 계산 량이 요구되지 않기 때문에 실시간 인식 시간도 줄 일 수 있었다.
[표 1]의 인식결과를 분석해 보면 첫째, 패턴 인식은 기하학적인 정보만을 이용하기 때문에 입력 영상의 방향이 조금만 틀어져도 기하학적인 정보가 매칭이 되지 않기 때문에 인식률은 현저히 떨어진다. 둘째, PCA의 경우 입력 영상의 포즈가 거의 비슷하다면 다른 포즈인 데도 불구하고 같은 형상으로 오-인식하는 문제가 자주 발생한다. 셋째, SOFM의 경우 PCA로 획득한 특징 정보를 학습단계에 걸쳐 입력 영상에 대해 연결강도를 강화할 수 있음으로 모델영상에 속하는 포즈에 대해서 다른 포즈를 같은 형상으로 오-인식하는 문제가 많이 개선되어 높은 인식률을 보인다.
또한 손 형상의 인식률을 높이기 위해 각각의 손 형상을 5°씩 360° 회전을 가진 데이터베이스를 생성하고 기존의 모델 영상내의 각각의 손 형상에 대한 대표 값을 만든 후에 PCA을 적용하여 실험 영상을 고유 공간에 투영시켜서 나온 성분과 대표 값의 거리를 비교하여 인식 오차를 줄임으로서 보다 안정적으로 손 형상을 검출할 수 있게 되었으며, 손 형상 인식률에 대한 안전성과 정확성을 향상시킬 수 있었다.
둘째, PCA의 경우 입력 영상의 포즈가 거의 비슷하다면 다른 포즈인 데도 불구하고 같은 형상으로 오-인식하는 문제가 자주 발생한다. 셋째, SOFM의 경우 PCA로 획득한 특징 정보를 학습단계에 걸쳐 입력 영상에 대해 연결강도를 강화할 수 있음으로 모델영상에 속하는 포즈에 대해서 다른 포즈를 같은 형상으로 오-인식하는 문제가 많이 개선되어 높은 인식률을 보인다. 하지만 모델영상에 속하지 않을 때는 입력 영상의 특징과 모델영상의 특징을 비교하는 과정에서 거리가 가장 가까운 것을 최상의 모델로 인지하기 때문에 다른 알고리즘보다 실패율에 있어 많은 개선을 보였지만 여전히 오-인식하는 문제가 존재한다.
셋째, 손 형상의 인식률을 높이기 위해 각 손 형상에 대해 5°씩 틀어 360°의 회전을 가진 영상을 만들어 데이 터베이스를 생성한 후 PCA를 적용하여 실험 영상을 고유공간에 투영시켜서 나온 성분과 대표 값을 비교함으 로써 입력 영상의 방향성에 대한 인식 오차를 줄였다.

후속연구

향후에는 이러한 문제점을 해결할 수 있는 보다 안정적인 손 형상 인식 알고리즘을 개발할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	PCA는 무엇인가?	PCA란 각 손 형상 영상의 데이터들의 공간적 위치 값이 주로 각 영상에서 어디에 분포하는가를 계산하여 확률 빈도가 높은 벡터 값들을 고유치 값에 비례하여 재구성하는 방법이다. [그림 2]는 손 형상을 5°씩 틀어서 획득한 영상의 일부이다(1개 포즈 = 72 image).
	손 형상 인식에서 배경 모델을 생성할 때 안정적인 배경 모델을 얻기 어려운 이유는 무엇인가?	그러나 손 형상 인식에 필요한 것은 손 영역(전경)이므로 우선 배경과 손 영역을 분리하는 작업이 필요하고 이를 위해서는 먼저 배경 모델을 생성해야 한다. 그러나 조명의 밝기가 일정하지 않고 수시로 변하기 때문에 같은 카메라로 일정 시간 동안 똑같은 배경을 촬영한다고 할지라도 모두 동일하지 않아 안정적인 배경 모델을 얻는데 어려움이 따른다.
	손 형상 인식의 대표적인 네 가지 방법은 무엇인가?	컴퓨터를 통한 손 형상 인식은 출입 통제 시스템, 보안 시스템, 컴퓨터 시각에 의한 시스템 자동화 등의 많은 수의 데이터베이스에 적용할 수 있으며, 높은 계산 량이 요구되어진다. 대표적인 손 형상 인식은 템플릿 매칭 접근, 통계적 분류 접근, 구문적 접근 및 신경망 접근 방법의 4가지 방법으로 분류할 수 있다[4]. 이 중에서 템플릿 매칭 접근에서 Elastic Matching방법과 통계적 분류방법에서 LDA(Linear Discriminant Analysis), PCA(Principal Component Analysis)방법[5][6]이 손형상 인식에서 사용되고 있으며, 이 중에서도 계산 량이 가장적은 통계적 분류방법이 손 형상 인식에서 주류를 이루고 있다.

참고문헌 (8)

R. C. Gonzalez and R. E. Woods, Digital Image Processing, Prentice Hall, 2002.
J. Ohya, Y. Kitamura, H. Takemura, F. Kishino, and N. Terashima, "Real-Time Reproduction of 3D Human Images in Virtual Space Teleconferencing," in Proc. of '93 IEEE Virtual Reality Annual Int. Symp, pp.408-414, 1993(9).
J. M. Kim and M. K. Song, "Three Dimensional Gesture Recognition Using PCA of Stereo Images and Modified Matching Algorithm," IEEE Fuzzy Systems and Knowledge Discovery, Vol.4, pp.116-120, 2008(10).
R. O. Duda, P. E. Hart, and D. G. Strok, Pattern Classification, Second Edition by John Wiley & Sons, Inc, 2001.
H. A. Rowley, S. Baluja, and T. Kanade, "Neural network-based face detection," PAMI, IEEE Transactions on, Vol.20, Issue.1, pp.23-38, 1998(1).

상세보기
J. Yang and A. Waibel, "A real-time face tracker," In Proc. 3rd Workshop on Appl. of Computer Vision, pp.142-147, 1996(12).
T. Kohonen, "Self-Organization and Associative Memory," Springer Series in Information Science, Vol.8, 1988.
T. Kohonen, "Self-Organizing Maps," Springer Series in Information Science, Vol.30, Berlin, Heidelberg, New York, 1995, 1997, 2001.

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