[논문]센서 정보를 활용한 스마트폰 모션 인식

이용철; 이칠우

doi:10.9717/kmms.2014.17.12.1437

Abstract ▼ AI-Helper

A smartphone has very limited input methods regardless of its various functions. In this respect, it is one alternative that sensor motion recognition can make intuitive and various user interface. In this paper, we recognize user's motion using acceleration sensor, magnetic field sensor, and gyro s...

A smartphone has very limited input methods regardless of its various functions. In this respect, it is one alternative that sensor motion recognition can make intuitive and various user interface. In this paper, we recognize user's motion using acceleration sensor, magnetic field sensor, and gyro sensor in smartphone. We try to reduce sensing error by gradient descent algorithm because in single sensor it is hard to obtain correct data. And we apply vector quantization by conversion of rotation displacement to spherical coordinate system for elevated recognition rate and recognition of small motion. After vector quantization process, we recognize motion using HMM(Hidden Markov Model).

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 기본 회전축에 의한 사용자 움직임을 효과적으로 인식하고, 기본 동작에 조합을 통하여 다양한 모션을 만들고 적용할 수 있는 연구를 진행하였다. 기본 회전축에 의한 정보는 x, y, z축을 기준으로 회전하는 변화량을 의미하며, 작은 움직임만으로도 모션 인식이 이루어질 수 있도록 30ms마다 빠르게 샘플링을 수행하고, 3축의 회전량을 구면 좌표계로 변환하여 사용하였다.
본 논문에서는 기울기 감소 알고리즘을 적용한 센서 융합 및 HMM을 이용하여 기본축 회전 및 그 조합에 대한 모션 인식 방법을 제안하였다. 여기에서는 작은 동작 인식과 기본축 모션 인식을 효과적으로 인식하기 위하여 회전 변위에 대한 값을 구면 좌표계 변환을 통하여 적용하였으며, 기본적으로 인식률이 높은 기본축 회전들의 조합으로 이다양한 모션을 사용할 수 있게 하고자 노력하였다.
본 논문에서는 기울기 감소 알고리즘을 적용한 센서 융합 및 HMM을 이용하여 기본축 회전 및 그 조합에 대한 모션 인식 방법을 제안하였다. 여기에서는 작은 동작 인식과 기본축 모션 인식을 효과적으로 인식하기 위하여 회전 변위에 대한 값을 구면 좌표계 변환을 통하여 적용하였으며, 기본적으로 인식률이 높은 기본축 회전들의 조합으로 이다양한 모션을 사용할 수 있게 하고자 노력하였다. 실험 결과로부터 대부분의 모션들이 높은 인식률을 보이며 잘 분류되는 것을 확인할 수 있었지만 y축에 대한 회전 후 수행된 모션들은 그 인식률이 저조함을 알 수 있었다.

제안 방법

실험은 총 4명의 사람이 60개 모션에 대해서 10회씩의 동작을 취해서 그 인식 결과를 확인하는 과정을 거쳤다. 각 모션들은 기본축 회전의 조합을 통해서 이루어지도록 하였으며, 사전에 학습 과정을 진행하였다. Fig.
기본 회전축에 의한 정보는 x, y, z축을 기준으로 회전하는 변화량을 의미하며, 작은 움직임만으로도 모션 인식이 이루어질 수 있도록 30ms마다 빠르게 샘플링을 수행하고, 3축의 회전량을 구면 좌표계로 변환하여 사용하였다. 그리고 입력 정보의 정확성을 높이기 위하여 기울기 감소 알고리즘 기반의 센서 융합 과정을 거쳐 모션 인식 부분에 전달되도록 하였다.
본 논문에서는 기본 회전축에 의한 사용자 움직임을 효과적으로 인식하고, 기본 동작에 조합을 통하여 다양한 모션을 만들고 적용할 수 있는 연구를 진행하였다. 기본 회전축에 의한 정보는 x, y, z축을 기준으로 회전하는 변화량을 의미하며, 작은 움직임만으로도 모션 인식이 이루어질 수 있도록 30ms마다 빠르게 샘플링을 수행하고, 3축의 회전량을 구면 좌표계로 변환하여 사용하였다. 그리고 입력 정보의 정확성을 높이기 위하여 기울기 감소 알고리즘 기반의 센서 융합 과정을 거쳐 모션 인식 부분에 전달되도록 하였다.
하지만 계산된 회전 변위의 형태가 실수 값을 가지고 있으며, 연속적으로 얻어진 회전 변위의 정보는 시계열 특성을 띄기 때문에 이러한 부분이 고려되어야 한다. 따라서 본 논문에서는 센서 융합 과정 이후에 벡터 양자화 과정을 수행하고, 수행된 양자화 벡터를 관측 열로 생성하여 HHM(Hidden Markov Model)을 이용하여 학습 및 인식을 진행하였다. Fig.
센서 모션 인식은 Fig. 3에서와 같이 각 센서 데이터 획득, 센서 융합, 벡터 양자화 수행, 관측열 생성, HMM 학습 또는 인식의 각 과정을 순서대로 스마트폰 어플리케이션에 구현하여 실험을 진행하였다. 실험은 총 4명의 사람이 60개 모션에 대해서 10회씩의 동작을 취해서 그 인식 결과를 확인하는 과정을 거쳤다.
본 논문에서는 HMM 모델을 8상태, 2차 마코프, 좌우 모델로 구성하였다. 좌우 모델 방식의 HMM은 여러 개의 관측 정보를 활용하여 학습 시키는 것이 인식에 유리하기 때문에 HMM의 매개변수들의 평균값을 취하여 사용하였다.[13] Fig.

대상 데이터

본 논문에서는 HMM 모델을 8상태, 2차 마코프, 좌우 모델로 구성하였다. 좌우 모델 방식의 HMM은 여러 개의 관측 정보를 활용하여 학습 시키는 것이 인식에 유리하기 때문에 HMM의 매개변수들의 평균값을 취하여 사용하였다.
3에서와 같이 각 센서 데이터 획득, 센서 융합, 벡터 양자화 수행, 관측열 생성, HMM 학습 또는 인식의 각 과정을 순서대로 스마트폰 어플리케이션에 구현하여 실험을 진행하였다. 실험은 총 4명의 사람이 60개 모션에 대해서 10회씩의 동작을 취해서 그 인식 결과를 확인하는 과정을 거쳤다. 각 모션들은 기본축 회전의 조합을 통해서 이루어지도록 하였으며, 사전에 학습 과정을 진행하였다.

이론/모형

또한 자이로 센서는 단일 센서로는 가장 정확한 회전 변위를 얻어낼 수 있지만 에러가 지속적으로 누적되는 현상(Gyro Drift)으로 인하여 장시간 사용에 반드시 보정이 필요하다. 이러한 이유로 본 논문에서는 각 센서들의 장점을 효과적으로 활용 하는 기울기 감소 알고리즘(Gradient Descent Algorithm)을 이용한 센서 융합[7] 알고리즘을 적용하였다. Fig.
수식(17)에서 A는 상태 전이 확률, B는 관측확률, π는 초기 상태 확률 벡터를 말한다. 인식 알고리즘은 전방 알고리즘(forward algorithm)[11]을 사용하였다.

성능/효과

9는 각 모션들에 대한 인식 결과를 나타낸 그림이다. 60 종류의 모션에 대한 전체 실험 결과 94.38%의 평균 인식률을 보이고 있다. 다만 모션 7～16 사이의 인식 결과가 평균 73.
실험 결과로부터 대부분의 모션들이 높은 인식률을 보이며 잘 분류되는 것을 확인할 수 있었지만 y축에 대한 회전 후 수행된 모션들은 그 인식률이 저조함을 알 수 있었다. 또한 모션 인식을 위해서 처음 동작을 취하는 과정에서 사용자의 미세한 동작 차이나 이전 동작에 대한 영향 등으로 여전히 의도하지 않은 입력이 들어오는 경우도 있음을 확인하였다. 향후에는 입력의 정확도를 더욱 높이고 더욱 다양한 자유도를 가진 모션 인식에 대해서 연구를 진행하고자 한다.
여기에서는 작은 동작 인식과 기본축 모션 인식을 효과적으로 인식하기 위하여 회전 변위에 대한 값을 구면 좌표계 변환을 통하여 적용하였으며, 기본적으로 인식률이 높은 기본축 회전들의 조합으로 이다양한 모션을 사용할 수 있게 하고자 노력하였다. 실험 결과로부터 대부분의 모션들이 높은 인식률을 보이며 잘 분류되는 것을 확인할 수 있었지만 y축에 대한 회전 후 수행된 모션들은 그 인식률이 저조함을 알 수 있었다. 또한 모션 인식을 위해서 처음 동작을 취하는 과정에서 사용자의 미세한 동작 차이나 이전 동작에 대한 영향 등으로 여전히 의도하지 않은 입력이 들어오는 경우도 있음을 확인하였다.
사용자가 스마트폰을 들고 움직임을 취하면서 발생되는 정보로는 스마트폰 축을 기준으로 단위 시간 기준으로의 힘의 변화, 방위 정보의 변화, 각가속도의 변화가 있다. 이 정보들은 가속도 센서, 자계 센서, 자이로 센서로부터 각기 측정되는데, 가속도 센서 정보와 중력의 관계로부터 기울어진 정보를 계산하는 것이 가능하다는 사실을 고려하면 모두 회전 변위 측정이 가능하다는 사실을 알 수 있다. 회전 변위는 정해진 축을 기준으로 물체가 단위 시간에 회전한 변화량을 의미한다.

후속연구

사용자가 모션 인식을 위하여 동작을 취하는 과정에서 얻어지는 데이터의 길이는 센서의 샘플링 시간이나 사용자가 취하는 동작의 크기 등에 따라서 길이가 달라질 수 있기 때문이다. 이러한 데이터는 이전 데이터와 이후 데이터가 밀접한 관련을 가지는 시계열 특성을 가지고 있는데, 음성 인식과 유사한 이러한 특징은 음성 인식 분야에서 많이 활용되는 DTW[8] 또는 HMM[9]이 모션 인식에서도 활용될 수 있음을 알려준다.
또한 모션 인식을 위해서 처음 동작을 취하는 과정에서 사용자의 미세한 동작 차이나 이전 동작에 대한 영향 등으로 여전히 의도하지 않은 입력이 들어오는 경우도 있음을 확인하였다. 향후에는 입력의 정확도를 더욱 높이고 더욱 다양한 자유도를 가진 모션 인식에 대해서 연구를 진행하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지구에서 가속도 센서를 사용할 때 고려해야 할 것은?	자계 센서는 지자계를 이용하여 절대적인 방향을 측정하기 위해 주로 사용되며, 네비게이션이 내장된 지도에서 정확한 방향을 알려주는 용도로 많이 사용된다. 또한 다축 센서를 통하여 물체가 현재 향하고 있는 방향과 형태를 알아내는데 사용되기도 한다.
	가속도 센서란 무엇인가?	가속도 센서는 속도의 변화량을 측정하는 센서를 말한다. 그리고 속도는 이동거리의 변화를 나타내므로, 이 관계를 이용하면 단위 시간당 이동 거리를 계산할 수 있다.
	자계 센서의 단점은 무엇인가?	또한 다축 센서를 통하여 물체가 현재 향하고 있는 방향과 형태를 알아내는데 사용되기도 한다. 자계 센서는 측정 단위가 mocro-Tesla(uT)일 정도로 미세하여 환경 요인에 민감하다는 단점을 가지고 있으며, 이를 위해 잦은 보정이 요구된다.

참고문헌 (13)

V.M. Mantyla, J. Mantyjarvi, T. Seppanen, and E. Tuulari, "Hand Gesture Recognition of a Mobile Device User," Proceeding of IEEE International Conference on Multimedia and Expo, Vol. 1, pp. 281-284, 2000.
S. Kallio, J. Kela, and J. Mantyjarvi, "Online Gesture Recognition System for Mobile Interaction," Proceeding of IEEE International Conference on Systems, Vol. 3, pp. 2070-2076, 2003.
H.K Yang and H.S Yong, "Real-Time Physical Activity Recognition Using Tri-axis Accelerometer of Smartphone," Journal of Korea Multimedia Society, Vol. 17, No. 4, pp. 506-513, 2014.

원문보기 상세보기
J. Kelly and G.S. Sukhatme, "Visual-inertial Sensor Fusion: Localization, Mapping and Sensor-to-Sensor Self-Calibration," International Journal of Robotics Research, Vol. 30, No. 1, pp. 56-79, 2011.

상세보기
J. Favre, B.M. Jolles, O. Siegrist, and K. Aminian, "Quaternion-based Fusion of Gyroscopes and Accelerometers to Improve 3D Angle Measurement," Electronics Letters, Vol. 42, No. 11, pp. 612-614, 2006.

상세보기
A.M. Sabatini, "Quaternion-based Extended Kalman Filter for Determining Orientation by Inertial and Magnetic Sensing," IEEE Transactions on Biomedical Engineering, Vol. 53, pp. 1346-1356, 2006.

상세보기
S.O.H. Madgwick, A.J.L. Harrison, and R. Vaidyanathan, "Estimation of IMU and MARG Orientation using a Gradient Descent Algor ithm," Proceedings of the IEEE International Conference on Rehabilitation Robotics, pp. 1-7, 2011.
H. Sakoe and S. Chiba, "Dynamic Programming Algorithm Optimization for Spoken Word Recognition," IEEE Transactions on Acoustics, Speech and Signal Processing, Vol. 26, No. 1, pp. 43-49, 1978.

상세보기
Lawrence R. Rainber, and B.H. juang, Fundamentals of Speech Recognition, Prentice Hall, 1993.
Hamilton and William Rowan, "On Quaternions, or on a New System of Imaginaries in Algebra," Philosophical Magazine, Vol. 25, No. 3, pp. 489-495, 1844.
A.J. Viterbi, "Error Bounds for Convolutional Codes and an Asymptotically Optimum Decoding Algorithm," IEEE Transactions on Information Theory, Vol. 13, No. 2, pp. 260-269, 1967.

상세보기
L.E. Baum and T. Petrie, "Statistical Inference for Probabilistic Functions of Finte State Markov Chains," Annls of Mathematical Statistics, Vol. 37, No. 6, pp. 1554-1563, 1966.
L.R. Rabiner, "A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition," Proceeding of IEEE, Vol. 77, pp. 257-286, 1989.

상세보기

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

센서 정보를 활용한 스마트폰 모션 인식
Motion Recognition of Smartphone using Sensor Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

센서 정보를 활용한 스마트폰 모션 인식 Motion Recognition of Smartphone using Sensor Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

이칠우 (58)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

센서 정보를 활용한 스마트폰 모션 인식
Motion Recognition of Smartphone using Sensor Data 원문보기

AI 본문요약
AI-Helper