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
- 또한, 본 시스템을 사용하여 Unity3D 체험형 운동 게임 콘텐츠인 총총 스텝 마스터 운동 시스템 개발에 적용된 사례를 살펴본다. 마지막으로 결론에서는 본 시스템의 활용 및 향후 연구 방향에 대해서 논한다.
- 본 논문에서는 먼저 키넥트 센서를 사용한 체험형 운동 게임 및 자세 인식 처리에 관련된 연구를 살펴본다. 그리고 단일 키넥트로 추정이 어려웠던 운동 자세 (예를 들어, 런지나 니컬) 인식을 위하여 본 연구에서 제안하는 다수의 키넥트 센서에 기반을 둔 사용자 운동 동작 자세 추정 시스템의 설계 및 구현을 설명한다.
- 본 연구에서는 유니티 체험형 운동 게임에서 사용 가능한 사용자의 운동 자세 정보를 보다 정확히 인식하기 위하여, 여러 개의 키넥트 입력장치를 연동한 클라이언트-서버 구조로 된 운동 자세 추정 시스템을 개발하였다. 키넥트 센서에서 제공하는 골격 정보에서 일부 특징 점을 추출하여 각각의 특징벡터를 생성하여 만든 운동 자세 인식 모델을 사용하였고, 다수의 키넥트 장치로부터 입력된 골격 정보로부터 특징값에 가중치를 두고 자세 인식률 계산에 사용하는 방식으로 시스템을 설계하고 구현하였다.
- 본 연구에서는 한 대의 키넥트 센서를 사용함으로써 발생되는 가려짐 문제 등을 극복하기 위하여, 다수의 키넥트 센서를 활용하여 사용자의 운동 동작 자세를 인식하고 판별해서 볼 수 있도록 알려주는 시스템을 설계 개발하였다. 이전 연구에서 키넥트를 이용해서 사용자의 운동 자세를 인식하는 모델링을 통하여 한 대의 정면에 위치한 키넥트 만으로 12종 사용자의 운동 자세를 파악하였다[2].
- 고령자를 위한 기능성 걷기 게임인 ‘팔도강산3’ 연구에서는 키넥트 센서를 이용한 사용자의 동작 인식을 이용하여 시장보기 게임을 개발하였다[5]. 이 게임은 사용자가 시장을 걸어 다니며 가게 앞에서 파는 음식이 등장할 때 주어진 임무에 맞는 음식을 기억하여 왼 손 또는 오른 손으로 그 가게 앞에서 손을 들어 선택하여 물건을 구입하면 점수를 얻는 방식으로, 사용자의 기억력향상과 선택적 반응 능력을 향상시키는 것을 목표로 하였다.
제안 방법
- 키넥트 센서 기반 슈팅 게임을 위한 팔 제스처 인식 연구에서는 키넥트 SDK를 이용하여 획득된 골격(Skeleton) 정보를 2-계층 모델로 구성하여 팔 제스처를 인식에 사용한 방법을 제안하였다[7]. 계층 1에서는 HMM(Hidden Markov Model) 알고리즘 기반의 임계치(Threshold) 모델을 통하여 제스처와 제스처가 아닌 것을 분류하였다. 계층 2에서는 이렇게 추출된 정보에 CRF (Conditional Random Field) 알고리즘을 기반으로 하여 특정 제스처를 인식하였다.
- 본 시스템은 운동 자세 모델링을 스크립트화 하여 비교 분석이 가능하게 함으로써, 추후에 더 많은 다양한 자세를 추가로 지원하는 것이 가능하도록 확장적 모듈 방식으로 개발하였다. 그리고 다수의 키넥트 입력장치를 사용하기 위하여 클라이언트/서버 형태로 구성하였다.
- 이 연구에서는 키넥트 SDK를 이용하여 사람의 오른팔과 왼팔의 손목, 팔꿈치, 어깨 움직임의 이동 거리 값, 즉 (X, Y, Z) 값의 변화량을 계산하여 사람의 동작 모델을 구한다. 그리고 이 모델을 사용하여 좌, 우, 상, 하, 확, 축소, 선택 등의 7가지 동작 상태를 인식하였다. 예를 들어 좌로 이동은 오른팔을 이용하여 어깨선을 중심으로 손목, 팔꿈치 변화가 좌측으로 이동하는 방식으로 구한다.
- 그리고 이러한 사용자 골격 정보에 ICP (Iterative Closest Point) 알고리즘[9]을 적용하여 카메라 간의 외부 변수에 해당되는 행렬을 계산하고, 이를 이용해서 다중 키넥트 간의 상대적인 위치 및 방향을 보정한다. ICP 알고리즘은 두 개의 2차원 또는 3차원 점들의 집합을 등록하기 위한 유클리드 변환 알고리즘으로 수많은 응용프로그램에 적용된다.
- 본 시스템은 사용자의 운동 동작 자세 추정을 위하여 Microsoft사의 Kinect V2 SDK에서 제공하는 25개 골격 관절 정보를 사용하였다. 그리고 키넥트 V2는 USB 대역폭 등의 문제로 두 개 이상의 키넥트를 한 대의 컴퓨터에서 처리하는 것이 어려우므로, 1개의 시스템에 1대의 키넥트 입력 장치만을 사용할 수 있는 Kinect V2 SDK의 한계를 극복하고 다수의 키넥트로부터 입력을 받아 자세 인식에 활용할 수 있도록 클라이언트-서버 구조를 적용하였다.
- 또한 스크립트로 운동 자세를 정의할 수 있어서, 추후에 다른 다양한 자세를 추가로 지원하는 것이 가능하도록 확장적 모듈 방식으로 개발하였다. 현재 경험적 결과를 통하여 다수의 키넥트를 사용한 운동 동작 자세 추정 시스템의 유용성에 대한 가능성을 보았다.
- 그리고 단일 키넥트로 추정이 어려웠던 운동 자세 (예를 들어, 런지나 니컬) 인식을 위하여 본 연구에서 제안하는 다수의 키넥트 센서에 기반을 둔 사용자 운동 동작 자세 추정 시스템의 설계 및 구현을 설명한다. 또한, 본 시스템을 사용하여 Unity3D 체험형 운동 게임 콘텐츠인 총총 스텝 마스터 운동 시스템 개발에 적용된 사례를 살펴본다. 마지막으로 결론에서는 본 시스템의 활용 및 향후 연구 방향에 대해서 논한다.
- 키넥트를 활용한 치매 예방용 게임은 기존의 치매 예방 및 완화를 위한 기능성 게임 중에서 전신 동작 인식을 통한 개발된 게임 사례가 드물다는 점에서 착안해 개발된 연구이다[3]. 마우스나 키보드 등의 장비를 익힐 필요 없이 키넥트를 통한 동작인식 인터페이스를 사용하여 쉽게 게임을 할 수 있도록 하였다. 이 연구에서는 주요 동작 정의를 위해 사람의 신체 부위 중에서 왼손 오른손과 머리의 관절 좌표 (즉, 오른손의 상하좌우 방향과 왼손의 상하좌우 방향의 8가지, 머리 좌표의 위아래 방향으로 2가지 경우 판단)를 이용하였으며, 청기백기, 사칙연산, 율동 따라하기 게임에 적용하였다.
- 이 운동 게임 콘텐츠는 균형 감각 증진 및 인지 능력 향상을 목적으로 하는 기능성 게임으로 걷기 동작과 상하반신 운동 동작을 동시에 인식할 수 있는 시스템이다. 발판 센서를 사용하여 사용자의 걷기 동작을 인식하고, 키넥트를 사용한 자세 추정 시스템으로 사용자의 좌우 팔 다리 등 운동 동작의 자세를 판별한다[10].
- 그림에서 보이듯이 정면과 오른쪽 측면에 각각 1대의 키넥트를 설치하여 보다 다양한 사용자의 운동 자세를 좀 더 정확하게 측정하고 인식하고 있는 모습을 보여준다. 본 시스템은 운동 자세 모델링을 스크립트화 하여 비교 분석이 가능하게 함으로써, 추후에 더 많은 다양한 자세를 추가로 지원하는 것이 가능하도록 확장적 모듈 방식으로 개발하였다. 그리고 다수의 키넥트 입력장치를 사용하기 위하여 클라이언트/서버 형태로 구성하였다.
- 본 연구에서 개발한 다수의 키넥트 기반의 운동 동작 추정 시스템은 인간 골격에 대한 특징 벡터를 생성하여 스크립트에 지정한 기준과 비교하는 방식으로 운동 자세를 정확하게 인식하고 자세 교정에 사용할 수 있는 가능성을 보여주었다. 본 연구에서 개발된 다수의 키넥트 기반의 운동 자세 인식 시스템은 걷기와 함께 상체 팔동작을 동시에 실시하여 뇌의 활성화를 촉진시켜 인지향상을 도와주는 운동 프로그램인 총총 스텝 마스터 게임 콘텐츠에 적용하였다.
- 하지만 다수의 키넥트 센서를 사용할 경우 예를 들어 정면에서는 가려져서 보이지 않는 신체의 일부분이 측면이나 후면에 놓인 키넥트에서는 보일 수 있어서 좀 더 정확하게 사용자의 자세를 측정할 수 있다. 본 연구에서는 서로 다른 위치와 방향에 놓인 키넥트 입력장치마다 사용자 운동 자세의 특징 값마다 서로 다른 가중치를 부여하여 사용자의 운동 자세를 최종적으로 판별한다. 식(5)을 이용하여 운동 동작 자세에 따른 서로 다른 m개의 키넥트의 특징값에 가중치(w)를 사용하여 최종 인식률 평균을 계산한다.
- 본 연구에서는 운동 동작 자세 인식 모델링을 구성하기 위해 키넥트 2.0 SDK에서 제공하는 신체 주요 관절 25개 중에서 양쪽 손(HL, HR), 양쪽 팔꿈치(EL, ER), 양쪽 어깨(SL, SR), 양쪽 발목(AL, AR), 양쪽 무릎(KL, KR), 양쪽 엉덩이(PL, PR), 그리고 척추(SS, SB) 정보를 사용하였다. 즉, 사용자의 운동 동작 자세 인식에 주요 부분인 14 개 지점의 3차원 (X, Y, Z) 관절 (Skeleton) 정보만을 운동 자세 특징 표현에 사용한다.
- 본 연구에서는 좀 더 복잡하고 다양한 운동 자세를 추정하기 위하여 다수의 키넥트 입력 장치를 통합하여 사용하였다. 본 시스템은 사용자의 운동 동작 자세 추정을 위하여 Microsoft사의 Kinect V2 SDK에서 제공하는 25개 골격 관절 정보를 사용하였다.
- 위의 식에서 서로 다른 키넥트의 특징 값에 사용하는 가중치의 합은 1이 되도록 한다. 여러 대의 키넥트를 통합하는 과정에서 각 키넥트마다 가중치를 다르게 부여할 수 있으며, 가중치는 경험적 결과를 통해 얻은 값을 사용하였다. 예를 들어, 오른 무릎 뒤로 감기 자세의 경우 정면보다는 오른쪽 측면 카메라를 통하여 자세 인식이 더 정확히 되므로, 가중치를 정면보다는 측면에 더 많이 두고 사용한다.
- 운동 게임 콘텐츠에서 사용 가능한 운동 동작 자세를 정확히 인식하기 위하여, 키넥트 기반의 전신 운동 동작 자세 인식 모델을 개발하였다 [2]. 키넥트 V2 SDK에서 3차원 사용자 관절 (Skeleton) 정보를 획득하기 위한 콜백 함수를 등록하고, 매 프레임마다 사용자의 골격정보를 획득하여 의미 있는 입력 값만을 선택한다.
- 서버 프로그램은 Unity3D 게임 엔진을 기반으로 한 응용프로그램으로 개발되었다. 유니티에 Kinect V2 Plugin을 사용하여 단일 키넥트 사용을 할 수 있으며, 다수의 키넥트와 연동하기 위하여 클라이언트 프로그램에서 네트워크로 골격 정보를 전송 받으면 유니티의 GameObject로 구성하여 화면에 나타나게 하였다. 네트워크 서버 클래스와 다른 KinectClient로부터 확보한 골격 정보를 활용하기 위한 보조 클래스로 ClientBody와 ObjectBody가 있다.
- 치매 예방을 목적으로 한 제스쳐 기반의 3차원 기능성 게임 연구에서는 프라임센스(PrimeSense)사의 3차원 깊이 카메라(3D Depth Camera)와 OpenNI SDK를 이용하여 사용자의 관절 정보를 획득하고 이 관절 위치 및 방향을 이용하여 관절의 움직임을 분석하여 사용자의 전신 제스처를 인식하여 마우스 이동, 마우스 클릭 등 게임 컨트롤에 사용하였다[4]. 이 연구에서는 15개의 관절의 위치와 방향 변화에 따라 (즉, 각 영상마다 관절 사이의 거리를 측정하여) 21가지의 제스쳐 (즉, 왼팔 앞으로, 왼팔 아래로, 왼팔 위로, 왼팔 뒤로, 왼팔 교차 등등)의 동작을 인식한다.
- 마우스나 키보드 등의 장비를 익힐 필요 없이 키넥트를 통한 동작인식 인터페이스를 사용하여 쉽게 게임을 할 수 있도록 하였다. 이 연구에서는 주요 동작 정의를 위해 사람의 신체 부위 중에서 왼손 오른손과 머리의 관절 좌표 (즉, 오른손의 상하좌우 방향과 왼손의 상하좌우 방향의 8가지, 머리 좌표의 위아래 방향으로 2가지 경우 판단)를 이용하였으며, 청기백기, 사칙연산, 율동 따라하기 게임에 적용하였다.
- 3D 콘텐츠 제어를 한 키넥트 기반의 동작 인식 모델연구에서는 사람 움직임을 추적하고 몸동작 모델 인식을 통하여 3차원 콘텐츠 제어에 사용할 수 있는 기법을 제안하였다[8]. 이 연구에서는 키넥트 SDK를 이용하여 사람의 오른팔과 왼팔의 손목, 팔꿈치, 어깨 움직임의 이동 거리 값, 즉 (X, Y, Z) 값의 변화량을 계산하여 사람의 동작 모델을 구한다. 그리고 이 모델을 사용하여 좌, 우, 상, 하, 확, 축소, 선택 등의 7가지 동작 상태를 인식하였다.
- 1초 마다 영상을 입력받아 영상처리 기법을 활용하여 인체 영역의 정보만을 추출하고 배경을 제거한 후 키넥트 SDK에서 제공하는 Joint Angle 기반 방식과 Virtual 3D Joint를 사용하여 최종적으로 특징점 데이터 기반의 골격 모델을 형성한다. 이 특징 값으로 인간의 자세 인식을 분류하기 위하여 퍼지 분류기를 사용하였다. 이를 통하여 좌우 걷기, 한손 들고 내리기, 양팔 들고 내리기, 발 들고 내리기와 같은 자세 인식을 하였다[6].
- 하지만 본 연구에서는 모든 키넥트 카메라에서 보이는 영역 안에서 사용자가 일정 시간 움직인 정보를 활용해서 카메라를 보정하는 방법을 사용하였다. 이를 위해서 먼저 여러 개 키넥트를 위치시키고, 사용자로 하여금 약 10~20초 정도의 시간동안 자유롭게 움직이도록 하고, 다수의 키넥트에서 추적한 사용자의 골격 정보를 저장한다.
- 본 연구에서는 유니티 체험형 운동 게임에서 사용 가능한 사용자의 운동 자세 정보를 보다 정확히 인식하기 위하여, 여러 개의 키넥트 입력장치를 연동한 클라이언트-서버 구조로 된 운동 자세 추정 시스템을 개발하였다. 키넥트 센서에서 제공하는 골격 정보에서 일부 특징 점을 추출하여 각각의 특징벡터를 생성하여 만든 운동 자세 인식 모델을 사용하였고, 다수의 키넥트 장치로부터 입력된 골격 정보로부터 특징값에 가중치를 두고 자세 인식률 계산에 사용하는 방식으로 시스템을 설계하고 구현하였다.
- 계층 2에서는 이렇게 추출된 정보에 CRF (Conditional Random Field) 알고리즘을 기반으로 하여 특정 제스처를 인식하였다. 키넥트의 골격(Skeleton)으로부터 어깨, 팔꿈치, 손목 위치 정보와 관련된 각도를 제스처의 특징으로 추출한 후, 7개의 제스처(Shoot, Reload, Up, Down, Left, Right, Grab)를 정의하여 사용하였다.
- 예를 들어, 양팔 벌리기 자세(BOTH_SIDE_OUT)는 양쪽 어깨 각도(즉, SLA, SRA), 양쪽 팔꿈치 각도(즉, ELA, ERA), 양쪽 무릎 각도(즉, KLA, KRA)가 모두 평행하게 펴진 상태인지 확인한다. 표 2에서 보이는 자세 인식 특징 값을 이용하여, 본 시스템에서는 키넥트 센서로 실시간 인식된 사용자 운동 동작을 해당 운동 동작에 대해 저장된 스크립트와 비교 계산한다. 각각의 특징 값마다 실시간 사용자 운동 동작 자세와 스크립트 데이터와의 각도 및 거리에 대하여 식 (4)을 이용하여 일치율을 계산한다.
- 일반적으로 여러 개의 카메라를 사용하는 연구들에서는 체스 보드나 마커 봉 등을 이용해서 다수의 카메라간의 위치 및 방향 정보를 계산하여 일치시키는 카메라 보정(calibration)작업을 먼저 진행한다. 하지만 본 연구에서는 모든 키넥트 카메라에서 보이는 영역 안에서 사용자가 일정 시간 움직인 정보를 활용해서 카메라를 보정하는 방법을 사용하였다. 이를 위해서 먼저 여러 개 키넥트를 위치시키고, 사용자로 하여금 약 10~20초 정도의 시간동안 자유롭게 움직이도록 하고, 다수의 키넥트에서 추적한 사용자의 골격 정보를 저장한다.
대상 데이터
- 본 연구에서는 좀 더 복잡하고 다양한 운동 자세를 추정하기 위하여 다수의 키넥트 입력 장치를 통합하여 사용하였다. 본 시스템은 사용자의 운동 동작 자세 추정을 위하여 Microsoft사의 Kinect V2 SDK에서 제공하는 25개 골격 관절 정보를 사용하였다. 그리고 키넥트 V2는 USB 대역폭 등의 문제로 두 개 이상의 키넥트를 한 대의 컴퓨터에서 처리하는 것이 어려우므로, 1개의 시스템에 1대의 키넥트 입력 장치만을 사용할 수 있는 Kinect V2 SDK의 한계를 극복하고 다수의 키넥트로부터 입력을 받아 자세 인식에 활용할 수 있도록 클라이언트-서버 구조를 적용하였다.
이론/모형
- 계층 1에서는 HMM(Hidden Markov Model) 알고리즘 기반의 임계치(Threshold) 모델을 통하여 제스처와 제스처가 아닌 것을 분류하였다. 계층 2에서는 이렇게 추출된 정보에 CRF (Conditional Random Field) 알고리즘을 기반으로 하여 특정 제스처를 인식하였다. 키넥트의 골격(Skeleton)으로부터 어깨, 팔꿈치, 손목 위치 정보와 관련된 각도를 제스처의 특징으로 추출한 후, 7개의 제스처(Shoot, Reload, Up, Down, Left, Right, Grab)를 정의하여 사용하였다.
- 본 연구에서 개발한 다중 키넥트 기반의 운동 자세 추정 시스템은 Unity3D 체험형 운동 게임인 총총 스텝 마스터 콘텐츠에 개선된 자세인식 시스템으로 사용되었다. 이 시스템을 사용한 경험적인 결과로, 2대의 키넥트를 사용한 경우 모든 키넥트 센서가 추적 가능한 영역에서 사용자가 위치했을 때, 사용자가 취한 16가지 운동 자세를 효과적으로 인식(인식 실패율은 대략적으로 4% 미만)하는 것으로 나타났다.
성능/효과
- 본 연구에서 개발한 다수의 키넥트 기반의 운동 동작 추정 시스템은 인간 골격에 대한 특징 벡터를 생성하여 스크립트에 지정한 기준과 비교하는 방식으로 운동 자세를 정확하게 인식하고 자세 교정에 사용할 수 있는 가능성을 보여주었다. 본 연구에서 개발된 다수의 키넥트 기반의 운동 자세 인식 시스템은 걷기와 함께 상체 팔동작을 동시에 실시하여 뇌의 활성화를 촉진시켜 인지향상을 도와주는 운동 프로그램인 총총 스텝 마스터 게임 콘텐츠에 적용하였다.
- 본 연구에서는 다수의 키넥트를 사용함으로써 이전단일 키넥트를 사용한 운동 자세 인식 연구[1]에서 인식되지 못했던 런지나 컬 자세를 추가로 정의할 수 있었고 모든 키넥트가 인식이 되는 영역 내에서 16가지 운동 자세 일치율이 비교적 높게 나타난 것을 확인할 수 있었다.
- 이 시스템을 사용한 경험적인 결과로, 2대의 키넥트를 사용한 경우 모든 키넥트 센서가 추적 가능한 영역에서 사용자가 위치했을 때, 사용자가 취한 16가지 운동 자세를 효과적으로 인식(인식 실패율은 대략적으로 4% 미만)하는 것으로 나타났다. 사용자의 연령대별로 자세별로 일치율은 다르게 나타나긴 하나 평균 85% 이상의 일치율을 보였다. 특히 키넥트 센서가 인식되는 영역 내에서는 거리나 사용자의 키나 체형에 상관없이 총총 스템 마스터 게임 콘텐츠의 운동 프로그램에서 필요로 하는 16가지 운동 자세를 모두 인식하는 것으로 판단되었다.
- 본 연구에서 개발한 다중 키넥트 기반의 운동 자세 추정 시스템은 Unity3D 체험형 운동 게임인 총총 스텝 마스터 콘텐츠에 개선된 자세인식 시스템으로 사용되었다. 이 시스템을 사용한 경험적인 결과로, 2대의 키넥트를 사용한 경우 모든 키넥트 센서가 추적 가능한 영역에서 사용자가 위치했을 때, 사용자가 취한 16가지 운동 자세를 효과적으로 인식(인식 실패율은 대략적으로 4% 미만)하는 것으로 나타났다. 사용자의 연령대별로 자세별로 일치율은 다르게 나타나긴 하나 평균 85% 이상의 일치율을 보였다.
- 최근 마이크로소프트사에서는 Xbox One 게임기를 출시하며 더욱 성능이 개선된 키넥트 V2 컨트롤러를 제공하였다. 키넥트 V2는 기존 키넥트 컨트롤러에 비해 해상도도 많이 높아지고, 동시 사용할 수 있는 사용자의 숫자도 6명으로 늘었을 뿐만 아니라 다양한 표정이나 인체의 꺾이는 부분에 대한 각도 등을 측정할 수 있도록 성능이 좋아졌다. 그러나 키넥트 한 대를 사용할 경우 사용자 몸의 일부분이 다른 일부분을 가리는 등과 같은 특정 자세에 대하여 떨어지는 인식 성능 때문에 이에 대한 개선이 필요하다.
- 사용자의 연령대별로 자세별로 일치율은 다르게 나타나긴 하나 평균 85% 이상의 일치율을 보였다. 특히 키넥트 센서가 인식되는 영역 내에서는 거리나 사용자의 키나 체형에 상관없이 총총 스템 마스터 게임 콘텐츠의 운동 프로그램에서 필요로 하는 16가지 운동 자세를 모두 인식하는 것으로 판단되었다.
- 또한 스크립트로 운동 자세를 정의할 수 있어서, 추후에 다른 다양한 자세를 추가로 지원하는 것이 가능하도록 확장적 모듈 방식으로 개발하였다. 현재 경험적 결과를 통하여 다수의 키넥트를 사용한 운동 동작 자세 추정 시스템의 유용성에 대한 가능성을 보았다. 그러나 이보다 나아가 추후 연구에서는 본 시스템의 유용성을 증명하기 위하여 키넥트 수의 변화에 따른 인식율 비교를 수행하는 구체적인 실험을 진행할 것이다.
후속연구
- 현재 경험적 결과를 통하여 다수의 키넥트를 사용한 운동 동작 자세 추정 시스템의 유용성에 대한 가능성을 보았다. 그러나 이보다 나아가 추후 연구에서는 본 시스템의 유용성을 증명하기 위하여 키넥트 수의 변화에 따른 인식율 비교를 수행하는 구체적인 실험을 진행할 것이다. 또한 본연구에서 개발된 운동 자세 인식 데이터를 모션 캡쳐데이터와 비교 분석이 가능하도록 할 예정이며, 기계학습을 적용하여 인식 가능한 운동 자세의 개수 증가에도 강인한 운동 자세 간의 분류를 좀 더 명확히 할 예정이다.
- 그러나 이보다 나아가 추후 연구에서는 본 시스템의 유용성을 증명하기 위하여 키넥트 수의 변화에 따른 인식율 비교를 수행하는 구체적인 실험을 진행할 것이다. 또한 본연구에서 개발된 운동 자세 인식 데이터를 모션 캡쳐데이터와 비교 분석이 가능하도록 할 예정이며, 기계학습을 적용하여 인식 가능한 운동 자세의 개수 증가에도 강인한 운동 자세 간의 분류를 좀 더 명확히 할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.