[논문]인공신경망 기반 손동작 인식기의 설계 및 구현

김민우; 정우재; 조재찬; 정윤호

doi:10.12673/jant.2018.22.6.675

초록
AI-Helper

본 논문에서는 RCE (restricted coulomb energy) 신경망을 이용한 손동작 인식기를 제안하고, 이의 실시간 학습 및 인식을 위한 하드웨어 구현 결과를 제시한다. RCE 신경망은 네트워크 구조가 학습에 따라 유동적이며, 학습 알고리즘이 여타 신경망에 비해 비교적 간단하기 때문에 실시간 학습 및 인식이 가능하므로 손동작 인식기에 적합한 장점을 갖는다. FPGA기반 검증 플랫폼을 사용하여 3D 숫자 데이터 셋을 생성하였으며, 설계된 손동작 인식기는 3D 숫자 데이터 셋에 대해 98.8%의 인식 정확도를 나타냈다. 제안된 손동작 인식기는 Intel-Altera cyclone IV FPGA기반 구현 결과, 26,702개의 logic elements로 구현 가능함을 확인하였으며, 70MHz의 동작 주파수로 실시간 학습 및 인식 결과에 대한 검증을 수행하였다.

Abstract ▼ AI-Helper

In this paper, we propose a hand gesture recognizer using restricted coulomb energy (RCE) neural network, and present hardware implementation results for real-time learning and recognition. Since RCE-NN has a flexible network architecture and real-time learning process with low complexity, it is sui...

In this paper, we propose a hand gesture recognizer using restricted coulomb energy (RCE) neural network, and present hardware implementation results for real-time learning and recognition. Since RCE-NN has a flexible network architecture and real-time learning process with low complexity, it is suitable for hand recognition applications. The 3D number dataset was created using an FPGA-based test platform and the designed hand gesture recognizer showed 98.8% recognition accuracy for the 3D number dataset. The proposed hand gesture recognizer is implemented in Intel-Altera cyclone IV FPGA and confirmed that it can be implemented with 26,702 logic elements and 258Kbit memory. In addition, real-time learning and recognition verification were performed at an operating frequency of 70MHz.

주제어

표/그림 (9)

그림 그림 1. RCE 신경망 구조 Fig. 1. Structure of RCE neural network.
그림 그림 2. 손동작 인식기의 블록도 Fig. 2. Block diagram of hand gesture recognizer.
그림 그림 3. 네트워크 제어부와 신경망 간의 인터페이스 Fig. 3. Interface between network control unit and neural network.
그림 그림 4. 뉴런 블록의 블록도 Fig. 4. Block diagram of the neuron block.
그림 그림 5. 손동작 인식 검증 플랫폼의 블록도 Fig. 5. Block diagram of the test platform for hand gesture recognition.
그림 그림 6. 손동작 인식 검증 플랫폼의 실험 환경 Fig. 6. Experiment environment of the test platform for hand gesture recognition.
표 표 1. 제안된 손동작 인식기의 FPGA 기반 구현 결과 Table 1. FPGA implementation results of the proposed hand gesture recognizer
그림 그림 7. 혼돈 행렬 Fig. 7. Confusion matrix.
그림 그림 8. 학습 데이터의 수에 따른 인식 정확도 Fig. 8. Recognition accuracy for the number of learning data.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 손동작 인식을 위한 RCE 신경망 기반 손동작 인식 알고리즘을 제안하고, 이의 실시간 학습 및 인식을 위한 하드웨어 구조 설계 결과를 제시하였다. 제안된 손동작 인식기는 3D 숫자 데이터 셋을 사용하여 5-fold cross validation으로 평가하였으며, 98.
이에, 본 논문에서는 RCE 신경망 기반 손동작 인식 알고리즘을 제안하고, 이의 실시간 학습 및 인식을 지원하기 위한 하드웨어 구조 설계 및 FPGA 구현 결과를 제시한다. 또한, 설계된 손동작 인식기의 성능을 평가하기 위한 FPGA 기반 검증 플랫폼을 구성하고, 이를 통해 수집한 3D 숫자 데이터 셋 기반 손동작 인식 성능 평가 결과를 제시한다.

제안 방법

네트워크 제어기는 뉴런들의 정보를 활성화된 뉴런 검출기 (fired neuron detection unit)를 통해 수신하고, 각 동작 및 네트워크 상태에 따라 뉴런들을 제어하는 제어 신호를 신경망에 전송한다. 또한, 뉴런들의 출력 값을 확인하여 현재 신경망의 상태를 파악하고, 상태에 따라 전체적인 동작 혹은 출력 신호를 제어한다.
이에, 본 논문에서는 RCE 신경망 기반 손동작 인식 알고리즘을 제안하고, 이의 실시간 학습 및 인식을 지원하기 위한 하드웨어 구조 설계 및 FPGA 구현 결과를 제시한다. 또한, 설계된 손동작 인식기의 성능을 평가하기 위한 FPGA 기반 검증 플랫폼을 구성하고, 이를 통해 수집한 3D 숫자 데이터 셋 기반 손동작 인식 성능 평가 결과를 제시한다. 본 논문의 구성은 다음과 같다.
실시간 학습 및 인식을 지원하기 위해 그림2와 같이 손동작인식기 (hand gesture recognizer)가 설계 및 구현되었다. 설계된 손동작 인식기는 입출력 레지스터 (input/output register)와 특징 데이터 메모리 (feature memory), 뉴런 (neuron)으로 구성된 신경망 (neural network), 네트워크 제어부 (network control unit) 로 구성된다. Micro control unit (MCU)가 동작에 필요한 파라미터 및 제어 신호를 입력 레지스터 (input register)에 설정하면, 네트워크 제어기 (network controller)가 해당 값을 읽으며 학습, 인식 동작을 시작한다.
제안된 RCE 신경망 프로세서에 대한 성능 평가를 위해 그림 5,6과 같이 관성 센서 기반 손동작 인식 검증 플랫폼을 구성하였다. 검증 플랫폼은 입력 데이터에 대해 전처리 과정을 수행하고 인식에 용이한 특징 데이터로 변환하는 특징 추출부과 입력된 특징 데이터를 통해 학습 및 인식을 수행하는 인식부로 나뉜다.
제안된 손동작 인식기는 Verilog HDL을 이용하여 RTL 설계 후, Intel-Altera cyclone IV (EP4CE115) FPGA 디바이스를 활용하여 구현 및 검증되었다. 표 1은 구현 결과를 보여주며, 제안된 RCE 프로세서는 총 26,702개의 logic elements, 13,906개의 registers, 258,048 bit의 memory로 구현 가능함을 확인하였다.

데이터처리

그림 6의 검증 플랫폼으로 관성 센서 기반 3D 숫자 데이터 셋을 생성하였으며, 생성된 데이터 셋으로 제안된 손동작 인식기의 성능 평가를 수행하였다. 학습된 뉴런 수 및 인식 정확도를 5-fold cross validation으로 평가하였고, 평균 100개의 뉴런으로 그림 7의 혼동 행렬과 같이 평균 98.

성능/효과

표 1은 구현 결과를 보여주며, 제안된 RCE 프로세서는 총 26,702개의 logic elements, 13,906개의 registers, 258,048 bit의 memory로 구현 가능함을 확인하였다. 또한, 70MHz의 동작 주파수로 구현 및 검증하여, 학습에는 0.26us, 인식에는 0.2us로 실시간 처리가 가능함을 확인하였다.
그림 8은 4명의 참여자에 대해 성능 평가를 수행한 결과로, 학습 데이터 수에 따른 인식 정확도 향상을 나타낸다. 제안된 손동작 인식기는 2개의 데이터로 학습하였을 때 평균 92.6%의 인식 정확도를 보여 적은 수의 데이터로 학습하더라도 높은 인식 정확도를 얻는 것을 확인하였다.
본 논문에서는 손동작 인식을 위한 RCE 신경망 기반 손동작 인식 알고리즘을 제안하고, 이의 실시간 학습 및 인식을 위한 하드웨어 구조 설계 결과를 제시하였다. 제안된 손동작 인식기는 3D 숫자 데이터 셋을 사용하여 5-fold cross validation으로 평가하였으며, 98.6%의 인식 정확도를 나타내어 손동작 인식 응용에 적합함을 보였다. 제안된 손동작 인식기는 FPGA 기반 구현 결과, 총 26,702개의 logic elements, 13,906개의 registers, 258,048 bit의 memory로 구현 가능함을 확인하였고, 70MHz의동작 주파수에서 실시간 동작을 검증하였다.
6%의 인식 정확도를 나타내어 손동작 인식 응용에 적합함을 보였다. 제안된 손동작 인식기는 FPGA 기반 구현 결과, 총 26,702개의 logic elements, 13,906개의 registers, 258,048 bit의 memory로 구현 가능함을 확인하였고, 70MHz의동작 주파수에서 실시간 동작을 검증하였다.
제안된 손동작 인식기는 Verilog HDL을 이용하여 RTL 설계 후, Intel-Altera cyclone IV (EP4CE115) FPGA 디바이스를 활용하여 구현 및 검증되었다. 표 1은 구현 결과를 보여주며, 제안된 RCE 프로세서는 총 26,702개의 logic elements, 13,906개의 registers, 258,048 bit의 memory로 구현 가능함을 확인하였다. 또한, 70MHz의 동작 주파수로 구현 및 검증하여, 학습에는 0.
그림 6의 검증 플랫폼으로 관성 센서 기반 3D 숫자 데이터 셋을 생성하였으며, 생성된 데이터 셋으로 제안된 손동작 인식기의 성능 평가를 수행하였다. 학습된 뉴런 수 및 인식 정확도를 5-fold cross validation으로 평가하였고, 평균 100개의 뉴런으로 그림 7의 혼동 행렬과 같이 평균 98.8%의 인식 정확도를 보였다. 이는 동일한 3D 숫자 데이터 셋에 대해 학습 및 성능 평가를 수행한 기존 DTW 기반 손동작 분류기의 94.

질의응답

핵심어	질문	논문에서 추출한 답변
	DTW 알고리즘이란 무엇인가?	관성 센서 기반 손동작 인식에 활용되는 기계학습 알고리즘 에는 template 기반 DTW (dynamic time warping) 알고리즘과 MLP (multiple layer perceptron) 등이 있다 [10]-[14]. DTW는 대표패턴과 주어진 입력패턴을 비교하여 두 패턴 사이의 유사성을 판별하는 알고리즘으로, 손동작 인식 분야에서 우수한 분류 성능을 나타내며 다양한 시스템이 제안되었다 [10]-[12]. 또한, MLP를 활용한 시스템은 높은 성능을 지원하며 손동작 인식 응용에 활용 가능함이 제시되었다 [13].
	비 접촉식 방식의 단점은 무엇인가?	카메라를 이용한 비 접촉식 방식은 영상의 깊이 정보를 이용하여 인식하는 방식으로, 다양한 연구가 수행되었다 [4]-[6]. 그러나, 카메라의 영상 정보는 주변 환경에 민감하므로 모든 환경에서 신뢰할 수 있는 시스템을 설계하는데 어려움이 따른다 [7]. 이에 비해 웨어러블 디바이스를 활용하는 접촉식 방식은 센서를 직접 부착하기 때문에 비교적 정확한 동작 정보를 얻을 수 있으며, 카메라와 같이 시야, 날씨 등 주변 환경에 대한 제약이 없는 장점을 갖는다.
	접촉식 방식의 장점은 무엇인가?	그러나, 카메라의 영상 정보는 주변 환경에 민감하므로 모든 환경에서 신뢰할 수 있는 시스템을 설계하는데 어려움이 따른다 [7]. 이에 비해 웨어러블 디바이스를 활용하는 접촉식 방식은 센서를 직접 부착하기 때문에 비교적 정확한 동작 정보를 얻을 수 있으며, 카메라와 같이 시야, 날씨 등 주변 환경에 대한 제약이 없는 장점을 갖는다. 센서 기반의 손동작 인식 시스템에는 여러 가지 센서가 사용되는데, 대표적으로 관성 측정 센서, 근전도 센서, 뇌파 센서, 심전도 센서, 레이더 센서가 있다 [8],[9].

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

인공신경망 기반 손동작 인식기의 설계 및 구현
Design and Implementation of Hand Gesture Recognizer Based on Artificial Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

데이터처리

성능/효과

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공신경망 기반 손동작 인식기의 설계 및 구현 Design and Implementation of Hand Gesture Recognizer Based on Artificial Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

데이터처리

성능/효과

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

김민우 (1) 정우재 (2) 조재찬 (5) 정윤호 (52)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공신경망 기반 손동작 인식기의 설계 및 구현
Design and Implementation of Hand Gesture Recognizer Based on Artificial Neural Network 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper