[논문]여러 대의 키넥트 뎁스 카메라를 이용한 인간공학 시뮬레이션 모델링 자동화에 관한 연구

전찬모; 이주연; 노상도

doi:10.7315/cadcam.2016.009

여러 대의 키넥트 뎁스 카메라를 이용한 인간공학 시뮬레이션 모델링 자동화에 관한 연구
A Study on Modeling Automation of Human Engineering Simulation Using Multi Kinect Depth Cameras 원문보기

한국CAD/CAM학회논문집 = Transactions of the Society of CAD/CAM Engineers, v.21 no.1, 2016년, pp.9 - 19

전찬모 (한국생산기술연구원 IT융합공정연구실용화그룹) , 이주연 (한국생산기술연구원 IT융합공정연구실용화그룹) , 노상도 (성균관대학교 공과대학 시스템경영공학과)

Abstract ▼ AI-Helper

Applying human engineering simulation to analyzing work capability and movements of operators during manufacturing is highly demanded. However, difficulty in modeling digital human required for simulation makes engineers to be reluctant to utilize human simulation for their tasks. This paper addresses such problem on human engineering simulation by developing the technology to automatize human modeling with multiple Kinects at different depths. The Kinects enable us to acquire the movements of digital human which are essential data for implementing human engineering simulation. In this paper, we present a system for modeling automation of digital human. Especially, the system provides a way of generating the digital model of workers' movement and position using multiple Kinects which cannot be generated by single Kinect. Lastly, we verify the effects of the developed system in terms of modeling time and accuracy by applying the system to four different scenarios. In conclusion, the proposed system makes it possible to generate the digital human model easily and reduce costs and time for human engineering simulation.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 여러 대의 키넥트 뎁스 카메라로부터 정보를 합치기 위해 Fig. 4와 같은 Multi-Depth Camera Calibration System(이하 MDCC)을 제안했다. MDCC는 인간공학 시뮬레이션에 필수적인 Human의 움직임 데이터를 여러 대의 키넥트 뎁스 카메라로부터 정보를 입력 받아 모델링에 사용할수 있도록 지원하는 시스템이다.
본 논문에서는 이러한 인간공학 시뮬레이션이 갖는 비용, 사용성 측면의 문제점을 해결하기 위해, 인간공학 시뮬레이션 수행에 필수 데이터인 digital human의 모션 데이터를 여러 대의 키넥트 뎁스 카메라를 이용해 모델링 자동화 하는 기술을 개발한다. 그리고, 개발된 내용으로부터 모델링에 필요한 Skeleton 정보를 추출하여 인간공학 시뮬레이션 프로그램인 Jack과 연동함으로써, 자동화된 인간공학 시뮬레이션 모델링을 수행할 수 있는 시스템을 제공한다.
본 연구에서는 여러 대의 키넥트 뎁스 카메라를 여러 개의 VRPN Server로 연결한 뒤 하나의 VRPN Client에 전달해 통합하는 연구를 수행한다. 최종적으로, 통합된 정보는 인간공학 시뮬레이션 틀과 연동해 데이터 획득에서부터 분석까지 자동화된 인간공학 시뮬레이션이 가능한 시스템을 제안한다.
본 연구에서는 인간공학 시뮬레이션의 효율적인 모델링 작업을 위해 작업자의 움직임 정보를 자동으로 모델링 할 수 있는 방법을 제시하였다. 본 연구를 통해 기존 인간공학 시뮬레이션 방법론에서 제기되었던 작업자 모델링에 있어 시간과 비용을 절약할 수 있을 것으로 기대한다.
카메라와의 각도 확인을 통한 오류 확인 방법은 '12년 Obdrzalek[18]이 수행한 키넥트 뎁스 카메라와 피사체 간의 각도와 자세에 따른 정확도 판별 연구를 기반으로 피사체와 카메라 간의 각도가 정면을 기준으로 30도, 60도, 90도 틀어질 때 정확도가 낮아지는 문제를 해결하기 위해 시작되었다.

가설 설정

모델링 대상 동작은 Joung^[1]의 연구에서 검증에 사용한 제품 도어트림 생산 상황을 가정하여 이동, 정지, 회전, 팔의 움직임 상황 등 총 2분 정도의 움직임을 대상으로 수행하였고 인간공학 시뮬레이션 모델 상의 움직임과 시뮬레이션 분석 결과가 시나리오 1의 분석 결과와 어느 정도 유사한가에 대한 정합성 검증에 주안점을 두고 평가를 진행했다. 시나리오 2는 한대의 키넥트 뎁스 카메라를 사용해서 모델링을 진행한 상황, 시나리오 3은 여러 대의 키넥트 뎁스 카메라를 Data Checker 모듈을 사용하지 않고 단순 평균에 의해 모델 한 경우, 시나리오 4는 여러 대의 카메라를 바탕으로 Data Checker 모듈을 사용한 경우를 가정하였다.

제안 방법

. 각 관절 별로 도출된 관절 별 3D Point 값을 Point와 Point 사이의 Vector 값으로 변환한 뒤 해당 Vector 값을 Jack Simulation 모델의 회전 값으로 변환하여 최종 Jack에서 구현되도록 하였다. Inverse Kinematics 방법론의 적용을 통해 유효하지 않은 좌표 값이 인간공학 시뮬레이션 툴로 넘어가는 것을 한번 더 방지할 수 있었다.
각 카메라 별로 Chest Point인 Shoulder Right, Shoulder Left, Hip Center 점들을 하나의 평면으로 가정하고 각 카메라의 평면을 기준 카메라의 평면으로 회전 이동시키는 방법을 통해 Calibration 을 수행했다. 시뮬레이션 수행 과정에서 키넥트 뎁스 카메라가 피사체의 앞과 뒤를 구분하지 못하는 문제를 해결하기 위해 시뮬레이션 초기에 키넥트 SDK에서 제공하는 Face Recognition 기능을 이용해 얼굴을 인식한 뒤 양쪽 어깨와 Hip Center 점을 평면으로 해당 평면에 수직인 법선 벡터를 생성해 해당 위치를 정면으로 인식하도록 하였다.
관절 별 길이 값을 이용한 방법은 초기 피사체를 정면으로 바라본 카메라를 통해 관절 별 길이 값을 획득하고 해당 관절 별 거리값에 +−5 cm 정도를 반영해 기준값으로 설정하고 해당 길이 값보다 길거나 짧을 경우 해당 포인트를 오류로 판별 하였다.
Schönauer^[14]는 자신의 연구에서 여러 대의 키넥트 뎁스 카메라를 이용해 특정 공간에서 객체의 이동을 Tracking하는 연구를 수행했다. 관절 분석을 수행하지는 않았지만 여러 대의 키넥트 뎁스 카메라로부터 좌표 정보를 입력 받고 데이터의 가중치를 업데이트해 유효한 skeleton 값을 추출하는 형태의 연구를 진행했다. Martin^[15]은 키넥트 뎁스 카메라를 이용해 작업자의 움직임을 관찰하고 특정 동작을 했을 때 경고를 주는 연구를 수행했다.
본 논문에서는 이러한 인간공학 시뮬레이션이 갖는 비용, 사용성 측면의 문제점을 해결하기 위해, 인간공학 시뮬레이션 수행에 필수 데이터인 digital human의 모션 데이터를 여러 대의 키넥트 뎁스 카메라를 이용해 모델링 자동화 하는 기술을 개발한다. 그리고, 개발된 내용으로부터 모델링에 필요한 Skeleton 정보를 추출하여 인간공학 시뮬레이션 프로그램인 Jack과 연동함으로써, 자동화된 인간공학 시뮬레이션 모델링을 수행할 수 있는 시스템을 제공한다. 마지막으로, 시스템 적용 전후의 digital human 모델링 과정을 비교해 본 연구의 효과를 검증한다.
초기 세팅을 통해 각 관절간의 길이에 대한 기준값을 정리하고 여러대의 키넥트 뎁스 카메라로부터 받은 20 종류(Table 3 참고)의 관절 데이터를 기준값과 비교해 데이터에 오류가 있는지 여부를 판단한다. 길이 값에 대한 검증이 끝나면 카메라와 피사체의 각도 측정을 통해서 여러 대의 키넥트 뎁스 카메라로부터 입력받은 데이터 중 신뢰도가 높은 정보의 값을 기준값으로 판단해 진행한다.
그리고, 개발된 내용으로부터 모델링에 필요한 Skeleton 정보를 추출하여 인간공학 시뮬레이션 프로그램인 Jack과 연동함으로써, 자동화된 인간공학 시뮬레이션 모델링을 수행할 수 있는 시스템을 제공한다. 마지막으로, 시스템 적용 전후의 digital human 모델링 과정을 비교해 본 연구의 효과를 검증한다.
본 연구의 모델링 속도 및 정확도에 대한 효과 검증을 위해 아래 Table 4와 같이 총 4개의 케이스 시나리오를 작성하고 이를 바탕으로 검증을 수행했다. 모델링 대상 동작은 Joung^[1]의 연구에서 검증에 사용한 제품 도어트림 생산 상황을 가정하여 이동, 정지, 회전, 팔의 움직임 상황 등 총 2분 정도의 움직임을 대상으로 수행하였고 인간공학 시뮬레이션 모델 상의 움직임과 시뮬레이션 분석 결과가 시나리오 1의 분석 결과와 어느 정도 유사한가에 대한 정합성 검증에 주안점을 두고 평가를 진행했다. 시나리오 2는 한대의 키넥트 뎁스 카메라를 사용해서 모델링을 진행한 상황, 시나리오 3은 여러 대의 키넥트 뎁스 카메라를 Data Checker 모듈을 사용하지 않고 단순 평균에 의해 모델 한 경우, 시나리오 4는 여러 대의 카메라를 바탕으로 Data Checker 모듈을 사용한 경우를 가정하였다.
본 논문에서 사용하고 있는 VRPN Client와 VRPN Server 개념은 '01년 Taylor II[8]에 의해 제안된 개념으로 가상 환경의 입력 정보를 여러 다른 인터페이스를 가진 장비들로부터 입력 받아 활용하기 위해 설계되었다.
여러 대의 VRPN Client에서 생성된 데이터는 초당 30개의 데이터가 생성되는 특성상 각각 좌표의 생성 시간이 다를 수 있기 때문에 시간 정보를 교정 하는 과정이 필수적으로 요구된다. 시간 정보를 교정하는 과정을 거친 후 Skeleton Data Class의 Skeleton Data Class에 담는데 여러 대의 키넥트 뎁스 카메라로부터 초당 30개씩의 정보를 담는 특성상 해당 정보를 관리하기 위한 Class 구조를 아래 Table 2와 같이 설계하였다.
시나리오 1은 기존 전통적인 인간공학 시뮬레이션 기법과 본 연구의 개발 방법론을 비교하는 시나리오로 인간공학 시뮬레이션 소프트웨어를 이용해 비디오로 촬영한 객체의 움직임을 확인하고 여러 번의 클릭을 통해 모델링 하는 방법과 본 연구 결과를 비교하였다. 기존 방법론을 사용할 때는 총 20분 정도로 정지, 이동의 움직임에는 5분 정도 소요됐지만 팔과 다리의 움직임, 허리의 움직임을 모델링 하는데 15분 정도로 시간이 소요됐다.
각 카메라 별로 Chest Point인 Shoulder Right, Shoulder Left, Hip Center 점들을 하나의 평면으로 가정하고 각 카메라의 평면을 기준 카메라의 평면으로 회전 이동시키는 방법을 통해 Calibration 을 수행했다. 시뮬레이션 수행 과정에서 키넥트 뎁스 카메라가 피사체의 앞과 뒤를 구분하지 못하는 문제를 해결하기 위해 시뮬레이션 초기에 키넥트 SDK에서 제공하는 Face Recognition 기능을 이용해 얼굴을 인식한 뒤 양쪽 어깨와 Hip Center 점을 평면으로 해당 평면에 수직인 법선 벡터를 생성해 해당 위치를 정면으로 인식하도록 하였다.
카메라별로 양 어깨와 hip Center 평면을 기준으로 피사체와 카메라의 각도를 추출했고 각도가 수평에 가까울수록 값 계산시 가중치를 갖도록 설계하였다. 여러 대의 키넥트로 부터 길이 오차 범위 내에 있는 여러 좌표값이 입력되었을 때 각각의 카메라와 피사체간에 평행인 좌표값을 우선 사용하도록 구현하였다.
오차범위 +−5 cm는 인간공학 시뮬레이션에 널리 활용되는 Vicon 장비와 키넥트 깊이 카메라의 정확도를 비교해 파킨슨병 연구에 활용 타당성을 검증 한 Galna[17]의 '14년 연구를 기반으로+−2 cm로 초기 설정 후 연구를 진행하였다.
Skeleton Data Checker 모듈은 키넥트 뎁스 카메라로부터 입력받은 좌표 정보의 이상 유무를 판단하는 모듈로 정확하지 않은 좌표 값이 입력됐을 때 정확도가 높은 데이터를 선택하는 기능을 수행한다. 좌표정보의 이상유무를 판단하기 위해 키넥트 SKD에서 제공하는 이상여부 알고리즘과 관절별 길이값을 이용해 판별하는 알고리즘, 카메라와 피사체간의 각도를 통해 이상유무를 판단하는 알고리즘 총 세 가지 방법을 사용하였고 세 가지 방법에서 문제가 발생했을 때 해당 좌표 값을 오류로 판별하도록 구현하였다.
6와 같다. 초기 세팅을 통해 각 관절간의 길이에 대한 기준값을 정리하고 여러대의 키넥트 뎁스 카메라로부터 받은 20 종류(Table 3 참고)의 관절 데이터를 기준값과 비교해 데이터에 오류가 있는지 여부를 판단한다. 길이 값에 대한 검증이 끝나면 카메라와 피사체의 각도 측정을 통해서 여러 대의 키넥트 뎁스 카메라로부터 입력받은 데이터 중 신뢰도가 높은 정보의 값을 기준값으로 판단해 진행한다.
본 연구에서는 여러 대의 키넥트 뎁스 카메라를 여러 개의 VRPN Server로 연결한 뒤 하나의 VRPN Client에 전달해 통합하는 연구를 수행한다. 최종적으로, 통합된 정보는 인간공학 시뮬레이션 틀과 연동해 데이터 획득에서부터 분석까지 자동화된 인간공학 시뮬레이션이 가능한 시스템을 제안한다.
이 수행한 키넥트 뎁스 카메라와 피사체 간의 각도와 자세에 따른 정확도 판별 연구를 기반으로 피사체와 카메라 간의 각도가 정면을 기준으로 30도, 60도, 90도 틀어질 때 정확도가 낮아지는 문제를 해결하기 위해 시작되었다. 카메라별로 양 어깨와 hip Center 평면을 기준으로 피사체와 카메라의 각도를 추출했고 각도가 수평에 가까울수록 값 계산시 가중치를 갖도록 설계하였다. 여러 대의 키넥트로 부터 길이 오차 범위 내에 있는 여러 좌표값이 입력되었을 때 각각의 카메라와 피사체간에 평행인 좌표값을 우선 사용하도록 구현하였다.

대상 데이터

시나리오 4는 본 연구를 통해 제안된 모든 모듈을 사용한 경우로 VRPN 방법론을 이용해 Data를 모았고 Data Checker Module, Data Integration Module, Conversion Module을 모두 사용하고 기존의 시나리오들과 비교를 수행했다. 시나리오 검증을 위해 Fig. 9와 같이 3대의 키넥트 뎁스 카메라를 배치했고 각 카메라 간 거리는 4 m, 4 m, 3.5 m 로 설정했다.

데이터처리

시나리오 4는 본 연구를 통해 제안된 모든 모듈을 사용한 경우로 VRPN 방법론을 이용해 Data를 모았고 Data Checker Module, Data Integration Module, Conversion Module을 모두 사용하고 기존의 시나리오들과 비교를 수행했다. 시나리오 검증을 위해 Fig.

이론/모형

VRPN Server는 여러 개의 키넥트 뎁스 카메라로부터 정보를 입력받아 TCP/IP를 통해 Client로 전달하는 역할을 한다. 본 연구에서는 USC Institute for Creative technology에서 개발한 FAAST(The Flexible Action and Articulated Skeleton Toolkit)를 VRPN Server로 사용하였다^[16].
통일된 좌표 값은 상용 인간공학 소프트웨어와 연결되는데 이 과정을 위해 Inverse Kinematics 방법론을 사용했다^[19]. 각 관절 별로 도출된 관절 별 3D Point 값을 Point와 Point 사이의 Vector 값으로 변환한 뒤 해당 Vector 값을 Jack Simulation 모델의 회전 값으로 변환하여 최종 Jack에서 구현되도록 하였다.

성능/효과

시나리오 3은 각도(피사체의 움직임에 따라 카메라로부터 가려지는 상황)에 따라 분석이 가능한 경우와 불가능한 경우도 나타나 시나리오 1 대비 80%의 정확도를 보였다. MDCC 모든 모듈을 사용한 시나리오 4의 경우 기존 손으로 모델링을 진행한 시나리오 1과 시뮬레이션 결과와 동일한 수준의 정확도(100%)를 보여 모든 모듈을 사용한 경우 키넥트 뎁스 카메라를 활용한 인간공학 시뮬레이션이 가능할 것으로 판단된다.
Joung^[1]은 '14년 자신의 연구에서 키넥트 뎁스 카메라를 이용한 인간공학 시뮬레이션 방법론을 제안했고 Checklist 방법론, PTS 방법론 등과 비교한 결과를 정확도, 시간 측면에서 분석하였다. Table 1을 통해서 본 Joung의 연구는 분석 시간의 경우 현행 대비 92%, 정확도는 10~20% 가량 향상된 것으로 나타났다. 모델링 속도 및 정확도는 높아졌지만 Martin의 연구와 동일하게 간섭이 있을 경우 분석이 부정확하다는 한계를 갖는다.
그러나, +−2 cm로 설정 후 시뮬레이션을 수행할 경우 정상 상황에서도 오류로 인지하는 경우가 많아 오차 값을 조금씩 올리며 실험을 반복 수행하였고+−5 cm로 설정 후 시뮬레이션을 수행했을 때 분석 결과에는 영향을 미치지 않으면서도 자연스러운 Digital Human의 움직임을 모델링 할 수 있었다.
키넥트 뎁스 카메라를 이용한 연구에서는 움직임과 동시에 실시간 모델링이 가능했고 후 보정 시간이 5분 정도 소요됐다. 기존 방법론 대비 15분 정도의 시간 단축 효과가 있는 것으로 나타났다.
시나리오 2는 기존 키넥트 뎁스 카메라 관련 연구 방법론에 VRPN 방법론을 결합한 형태로 모델링을 수행 할 경우 VRPN 방법론이 전체 모델에 있어 어떤 영향을 미치는가에 대해 검증할 수 있는 Case로 VRPN의 유무와 관계없이 키넥트 뎁스 카메라만 이용할 경우 객체의 일부가 카메라 밖으로 벗어난 경우나 회전 과정에서 객체에 팔이 가렸을 경우 이전과 동일하게 오류가 나는 것을 확인할 수 있었다. Fig.
시나리오 2의 경우 피사체가 카메라에서 벗어났을 때와 신체의 일부분에 가려졌을 때 모델링이 불가능해 정확도가 시나리오 1 대비 40%로 매우 낮게 나타나 인간공학 시뮬레이션을 수행하기는 어려운 상황이었다. 시나리오 3은 각도(피사체의 움직임에 따라 카메라로부터 가려지는 상황)에 따라 분석이 가능한 경우와 불가능한 경우도 나타나 시나리오 1 대비 80%의 정확도를 보였다. MDCC 모든 모듈을 사용한 시나리오 4의 경우 기존 손으로 모델링을 진행한 시나리오 1과 시뮬레이션 결과와 동일한 수준의 정확도(100%)를 보여 모든 모듈을 사용한 경우 키넥트 뎁스 카메라를 활용한 인간공학 시뮬레이션이 가능할 것으로 판단된다.
모델링 시간은 5분, 자동화 정확도는 시나리오 1과 동일하게 나타났다. 시나리오 4는 시나리오 1~3까지의 효과를 모두 얻을 수 있었고 기존의 방법론으로 모델링 한 인간공학 시뮬레이션 모델과 매우 유사한 움직임을 보이는 것으로 보아 인간공학 연구에 사용될 수 있을 것으로 판단된다.
Martin^[15]은 키넥트 뎁스 카메라를 이용해 작업자의 움직임을 관찰하고 특정 동작을 했을 때 경고를 주는 연구를 수행했다. 특히 OSHA (Occupational Safety and Health Administration), RWLs(Regularized Weighted Least-Squares) 방법론을 18가지 시나리오를 기반으로 키넥트 뎁스 카메라를 이용해 분석한 결과와 비교해 키넥트를 활용한 인간공학 시뮬레이션의 타당성을 입증했다. 그러나 관절이나 물체에 가릴 경우 skeleton 값을 추출하기 어렵다는 문제와 키넥트 뎁스 카메라를 병렬로 연동했을 때 발생하는 인식 문제 등이 있다.

후속연구

본 연구에서는 인간공학 시뮬레이션의 효율적인 모델링 작업을 위해 작업자의 움직임 정보를 자동으로 모델링 할 수 있는 방법을 제시하였다. 본 연구를 통해 기존 인간공학 시뮬레이션 방법론에서 제기되었던 작업자 모델링에 있어 시간과 비용을 절약할 수 있을 것으로 기대한다.
그러나, +−2 cm로 설정 후 시뮬레이션을 수행할 경우 정상 상황에서도 오류로 인지하는 경우가 많아 오차 값을 조금씩 올리며 실험을 반복 수행하였고+−5 cm로 설정 후 시뮬레이션을 수행했을 때 분석 결과에는 영향을 미치지 않으면서도 자연스러운 Digital Human의 움직임을 모델링 할 수 있었다. 본 연구의 목적은 키넥트의 정확도를 검증하는 논문이 아닌 관계로 해당 값에 대한 추가적인 연구는 진행하지 않았집만, 어느 정도까지의 거리를 오차범위로 인정할 수 있는 가에 대해서는 추가 연구가 필요할 것으로 생각된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인간공학 시뮬레이션을 수행하기 위해 필수적으로 요구되는 것은 무엇인가?	특히, 최근 제품을 생산하는 작업자에 대한 생산능력, 작업 효율, 작업자 부하 등에 대한 분석 의 중요도가 높아짐에 따라 이를 분석하는 연구도 활발하게 이뤄지고 있다[2]. 그러나, 이러한 필요성 에도 불구하고 인간공학 시뮬레이션을 수행하기 위해 필수적으로 요구되는 digital human 모델링 과정에서의 반복적이고 비생산적인 작업은 인간 공학 시뮬레이션의 효과를 반감시키고 있다. 또 한, digital human 모델링을 위해서는 일반적으로 모델링 전문 엔지니어가 필요하기 때문에 일반 사 용자는 인간공학 시뮬레이션을 수행하기 어렵다 는 한계가 있다[3].
	digital human 모델링을 위해서 무엇이 필요한가?	그러나, 이러한 필요성 에도 불구하고 인간공학 시뮬레이션을 수행하기 위해 필수적으로 요구되는 digital human 모델링 과정에서의 반복적이고 비생산적인 작업은 인간 공학 시뮬레이션의 효과를 반감시키고 있다. 또 한, digital human 모델링을 위해서는 일반적으로 모델링 전문 엔지니어가 필요하기 때문에 일반 사 용자는 인간공학 시뮬레이션을 수행하기 어렵다 는 한계가 있다[3]. 모델링 과정에서의 이러한 문제 를 해결하기 위해 Vicon 카메라[4], 센서 부착[5] 등 카메라와 센서 기술을 이용한 다양한 모델링 자동 화 방법론이 개발되었으나 비용 등의 문제로 보편 적인 활용에는 어려움이 있었다.
	digital human 모델링 과정에서의 문제를 해결하기 위해 어떤 방법론이 개발되었는가?	또 한, digital human 모델링을 위해서는 일반적으로 모델링 전문 엔지니어가 필요하기 때문에 일반 사 용자는 인간공학 시뮬레이션을 수행하기 어렵다 는 한계가 있다[3]. 모델링 과정에서의 이러한 문제 를 해결하기 위해 Vicon 카메라[4], 센서 부착[5] 등 카메라와 센서 기술을 이용한 다양한 모델링 자동 화 방법론이 개발되었으나 비용 등의 문제로 보편 적인 활용에는 어려움이 있었다. 최근에는 비용과 센서 기술을 모두 충족시킬 수 있는 Microsoft사 의 콘솔용 게임 입력 장치인 키넥트 뎁스 카메라 를 활용한 인간공학 연구[6]가 수행되고 있지만 한 대의 키넥트 뎁스 카메라를 이용하는 연구에서는 간섭 등의 문제로 인해 피사체의 모든 움직임을 캡처 할 수 없는 한계가 있다.

참고문헌 (19)

Joung, Y.K. and Noh, S.D., Integrated Modeling and Simulation with In-line Motion Captures for Automated Ergonomic Analysis in Product Lifecycle Management, Concurrent Engineering, p.1063293X14537002, 2014.

상세보기
Kim, J.Y., Kim, J.I., Kim, B.K., Hong, Y.S., Kim, D.I. and Jung, G.Y., et al., 2002, Occupational Ergonomics : Work Related Musculoskeletal Disorders of the Upper Limb and Back.
Zhou, W., Armstrong, T.J., Reed, M.P., Hoffman, S.G. and Wegner, D.M., 2009, Simulating Complex Automotive Assembly Tasks Using the HUMOSIM Framework, SAE Technical Paper.
Peak, V., Vicon Motion Capture System, ed: Lake Forest, CA, 2005.
Roetenberg, D., Luinge, H. and Slycke, P., 2009, Xsens MVN: Full 6DOF Human Motion Tracking Using Miniature Inertial Sensors, Xsens Motion Technologies BV, Tech. Rep.
Jeong, Y.K. and Noh, S.D., 2012, A Study on the Automated Ergonomic Simulation using Kinect, Proceedings of the Society of CAD/CAM Engineers Conference, 2012, pp.606-610.
Lee, J.H., 2014, Advanced Human Body Tracking Method using Multiple Kinect Sensors, Thesis, Sejong University, Seoul.
Taylor II, R.M., Hudson, T.C., Seeger, A., Weber, H., Juliano, J. and Helser, A.T., 2001, VRPN: A Device-independent, Network-transparent VR Peripheral System, in Proceedings of the ACM Symposium on Virtual Reality Software and Technology, pp.55-61.
V. Team (2011, August 8). Virtual Reality Models. Available: http://3dvrm.com/vrpn/
Moeslund, T.B. and Granum, E., 2001, A Survey of Computer Vision-based Human Motion Capture, Computer Vision and Image Understanding, 81, pp.231-268.

상세보기
Lu, P. and Huenerfauth, M., 2009, Accessible Motion-capture Glove Calibration Protocol for Recording Sign Language Data from Deaf Subjects, in Proceedings of the 11th International ACM SIGACCESS Conference on Computers and Accessibility, pp.83-90.
Moeslund, T.B., 2001, Interacting with a Virtual World Through Motion Capture, in Virtual Interaction: Interaction in Virtual Inhabited 3D Worlds, ed: Springer, pp.221-234.
Allard, P., Stokes, I.A. and Blanchi, J.-P., 1995, Three-dimensional Analysis of Human Movement: Human Kinetics Publishers.
Schonauer, C. and Kaufmann, H., 2011, Wide Area Motion Tracking Using Consumer Hardware, in ACM Advances in Computer Entertainment Technology Conference (ACE 2011), Lisbon, Portugal.
Martin, C.C., Burkert, D.C., Choi, K.R., Wieczorek, N.B., McGregor, P.M. and Herrmann, R., et al., 2012, A Real-time Ergonomic Monitoring System Using the Microsoft Kinect, in Systems and Information Design Symposium (SIEDS), 2012 IEEE, pp.50-55.
Suma, E., Lange, B., Rizzo, A.S., Krum, D.M., and Bolas, M., 2011, Faast: The Flexible Action and Articulated Skeleton Toolkit, in Virtual Reality Conference (VR), 2011 IEEE, pp.247-248.
Galna, B., Barry, G., Jackson, D., Mhiripiri, D., Olivier, P. and Rochester, L., 2014, Accuracy of the Microsoft Kinect Sensor for Measuring Movement in People with Parkinson's Disease, Gait Posture, 39, pp.1062-1068.

상세보기
Obdrzalek, S., Kurillo, G., Ofli, F., Bajcsy, R., Seto, E. and Jimison, H., et al., 2012, Accuracy and Robustness of Kinect Pose Estimation in the Context of Coaching of Elderly Population, in Engineering in Medicine and Biology Society (EMBC), 2012 Annual International Conference of the IEEE, pp.1188-1193.
Li, Q.R., Jeong, Y.K. and Noh, S.D., 2012, A Study on Modeling and Simulation of Asembly Workers' Moving Path Using Depth Camera, Proceedings of the Society of CAD/CAM Engineers Conference.

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