[논문]컬러 히스토그램과 CNN 모델을 이용한 객체 추적

박성준; 백중환

doi:10.12673/jant.2019.23.1.77

컬러 히스토그램과 CNN 모델을 이용한 객체 추적
Object Tracking using Color Histogram and CNN Model 원문보기

한국항행학회논문지 = Journal of advanced navigation technology, v.23 no.1 = no.94, 2019년, pp.77 - 83

박성준 (한국항공대학교 항공전자정보공학부) , 백중환 (한국항공대학교 항공전자정보공학부)

초록
AI-Helper

본 논문에서는 컬러 히스토그램과 CNN 모델을 이용한 객체 추적 기법 알고리즘을 제안한다. CNN (convolutional neural network) 모델기반 객체 추적 알고리즘인 GOTURN (generic object tracking using regression network)의 정확도를 높이기 위해 컬러 히스토그램 기반 mean-shift 추적 알고리즘을 합성하였다. 두 알고리즘을 SVM (support vector machine)을 통해 분류하여 추적 정확도가 더 높은 알고리즘을 선택하도록 설계하였다. Mean-shift 추적 알고리즘은 객체 추적에 실패할 때 경계 박스가 큰 범위로 움직이는 경향이 있어 경계 박스의 이동거리에 제한을 두어 정확도를 향상시켰다. 또한 영상 평균 밝기, 히스토그램 유사도를 고려하여 두 알고리즘의 추적 시작 위치를 초기화하여 성능을 높였다. 결과적으로 기존 GOTURN 알고리즘보다 본 논문에서 제안한 알고리즘이 전체적으로 정확도가 1.6% 향상되었다.

Abstract ▼ AI-Helper

In this paper, we propose an object tracking algorithm based on color histogram and convolutional neural network model. In order to increase the tracking accuracy, we synthesize generic object tracking using regression network algorithm which is one of the convolutional neural network model-based tracking algorithms and a mean-shift tracking algorithm which is a color histogram-based algorithm. Both algorithms are classified through support vector machine and designed to select an algorithm with higher tracking accuracy. The mean-shift tracking algorithm tends to move the bounding box to a large range when the object tracking fails, thus we improve the accuracy by limiting the movement distance of the bounding box. Also, we improve the performance by initializing the tracking start positions of the two algorithms based on the average brightness and the histogram similarity. As a result, the overall accuracy of the proposed algorithm is 1.6% better than the existing generic object tracking using regression network algorithm.

주제어

표/그림 (12)

그림 그림 1. GOTURN 알고리즘 네트워크 구조도 Fig. 1. GOTURN algorithm network architecture.
그림 그림 2. GOTURN의 정적인 이미지 학습 예시 Fig. 2. Example of GOTURN's static image learning.
그림 그림 3. Mean-shift 추적 알고리즘 구조도 Fig. 3. Algorithm structure of Mean-shift Tracker.
그림 그림 4. SVM 기존 데이터 분류 예 Fig. 4. SVM example of existing data classification.
그림 그림 5. SVM 새로운 데이터 추가 분류 예 Fig. 5. SVM classification example for new additional data.
그림 그림 7. IOU Fig. 7. IOU.
그림 그림 6. SVM 학습 데이터 형태 Fig. 6. SVM learning data type.
그림 그림 9. 추적 성능 향상 예 Fig. 9. Case of tracking performance improvement.
그림 그림 8. 알고리즘 구조도 Fig. 8. Algorithm structure.
그림 그림 10. 추적 성능 하락 예 Fig. 10. Case of tracking performance decline.
그림 그림 11. 영상 시퀀스 별 IOU 평균 비교 Fig. 11. IOU average comparison of each video sequence.
표 표 1. 영상 시퀀스 별 성능 비교 Table 1. Performance comparison of each video sequence

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 일반적인 객체를 모두 추적할 수 있고 속도가 빠르고 성능이 우수한 CNN 모델 기반 객체 추적기인 GOTURN을 사용하여 다양한 분야에 적용할 수 있는 범용의 객체 추적기를 설계하였다. 그러나 GOTURN은 객체의 위치 정보만을 학습하여 색으로 쉽게 구분할 수 있는 환경에서도 객체 추적을 실패하는 경우가 있었다.
본 연구에서는 다양한 분야에서 응용이 될 수 있는 알고리즘을 설계하기 위해 어떠한 객체든 추적을 할 수 있어야 하고 실시간 성능 이상의 성능을 보이는 객체 추적 알고리즘을 선택하였다. 최근 VOT Challenge 과제에서 최고의 성능을 보여준 추적기인 MDnet, C-COT 등을 사용하려 했으나 속도가 실시간 성능 이하였고 최근 CNN기반 추적기인 GOTURN은 실시간 성능 이상의 성능을 보였다[5].
따라서 무인항공기를 포함한 다양한 분야에서 기기의 오작동을 줄이고 응용이 되기 위해서는 좀 더 정확하고 구현 속도가 빠른 알고리즘이 필요하다. 이에 본 논문에서는 컬러 히스토그램 정보와 CNN 모델을 이용한 객체 추적 기법을 제안한다.

제안 방법

SVM의 학습 데이터 라벨은 GOTURN과 Mean-shift 추적기의 결과 좌표(A_b)와 ground truth(A_G)를 각각 비교하여 IOU(intersection of union)가 높은 쪽을 라벨로 선택하였다. 둘 다 IOU가 0인 경우 두 추적기 중 ground truth와의 거리가 짧은 것을 라벨로 선택하였다.
두 추적 알고리즘의 실행 시기는 SVM을 활용하여 분류하였고 그에 대한 트레이닝 dataset은 VOT(visual object tracking) challenge에서 사용한 VOT2014, VOT2015를 사용하였다[2]-[4]. 각 추적기가 예측한 위치의 히스토그램을 비교하여 더욱 유사한 쪽으로 추적기의 시작위치를 초기화시켜 알고리즘의 전체적인 정확도를 높였다.
구성된 학습 데이터와 라벨로 SVM을 학습시켜 이진 분류 모델을 만들었다.
성능 또한 MDnet과 C-COT와 비교하였을 때 큰 차이를 보이지 않아 본 연구의 기준 추적기로 선정하였다. 그러나 GOTURN 알고리즘은 실험을 통해 확인한 결과 객체 추적을 실패하는 경우가 있어, 이를 보완하기 위해 컬러 히스토그램을 기반으로 추적하고 일반적인 모든 객체를 추적할 수 있는 Mean-shift 추적 알고리즘을 GOTURN에 융합하였다. 또한 본 연구에서 사용한 객체 추적 알고리즘에 대해 원래와 같은 기본 매게 변수를 사용하여 구현하였다.
본 논문에서는 실시간 이상의 속도로 객체를 추적하기 위해 CNN 모델 기반 객체 추적기인 GOTURN 알고리즘을 사용하여 객체를 추적한다[1]. 그리고 Mean-shift 추적 알고리즘을 GOTURN과 융합하여 색 정보를 주어 객체 추적 실패 확률을 낮추었다. 두 추적 알고리즘의 실행 시기는 SVM을 활용하여 분류하였고 그에 대한 트레이닝 dataset은 VOT(visual object tracking) challenge에서 사용한 VOT2014, VOT2015를 사용하였다[2]-[4].
히스토그램 유사도를 사용한 데이터와 IOU를 사용한 라벨을 SVM에 학습시켜 GOTURN을 사용할지 Mean-shift 추적기를 사용할지 선택을 한다. 그리고 선택된 추적기가 예측한 경계박스의 히스토그램과 세 프레임 전의 히스토그램을 비교하여 유사하면 선택되지 않은 추적기를 초기화 시켜 정확도를 높이고 유사하지 않다면 다시 SVM이 더 정확한 추적기를 선택하게 한다. 또한 Mean-shift 추적기는 초기 히스토그램 모델만을 사용하여 객체를 추적하기 때문에 추적 객체가 아닌 다른 곳으로 경계 박스가 튀는 현상이 생긴다.
GOTURN은 ALOV300++와 ImageNet 데이터 셋에서 얻은 학습 데이터에 fine-tunning과 online learning 없이 완전히 의존한다. 그림 1과 같이 학습 단계에서 연속된 프레임 쌍을 무작위로 선택하고 이전 프레임에서 추적할 객체 영역을 지정하여 자르고 현재 프레임에서는 동일 위치의 영역을 잘라 convolution layer에서 객체와 객체 주변에 대한 정보를 학습하고 fully-connected layer에서 두 convolution layer weight 값을 공유하여 현재 프레임에서 경계 상자의 위치를 예측하도록 학습한다. 여기서 그림 2와 같이 동영상보다 정적인 이미지의 객체를 마치 움직인 듯이 잘라 학습을 더 많이 시켰기 때문에 학습이 더 많이 된 객체를 추적하려는 경향이 크다.
또한 추적에 한 번이라도 실패하게 되면 실패한 추적의 위치를 토대로 계속해서 추적해 나가기 때문에 초기 추적 대상을 다시 찾지 못하게 된다. 따라서 본 연구에서는 초기 설정한 객체를 GOTURN이 추적에 실패했을 때에도 초기 설정객체의 색정보를 가지고 있으면 다시 추적할 것이라고 판단하였고, 앞서 언급한 단점들을 보완하기 위해 본 설계에서는 색정보기반추적기인 Mean-shift 알고리즘을 사용하였다.
그림 8에서 경계 박스의 이동 거리를 Mean-shift distance로 명명하였고 임계 값을 영상의 대각선 길이의 100분의 1로 설정하였다. 따라서 직전 프레임과 현재 프레임에서 임계 값 이상으로 경계 박스가 움직이게 되면 추적에 실패할 확률이 크기 때문에 GOTURN을 실행시켰다. 또한 객체 영역 밝기 단계(brightness level)가 8보다 크거나 3보다 작으면 GOTURN을 실행시켜 주어 알고리즘의 정확도를 향상시켰다.
그러나 GOTURN 알고리즘은 실험을 통해 확인한 결과 객체 추적을 실패하는 경우가 있어, 이를 보완하기 위해 컬러 히스토그램을 기반으로 추적하고 일반적인 모든 객체를 추적할 수 있는 Mean-shift 추적 알고리즘을 GOTURN에 융합하였다. 또한 본 연구에서 사용한 객체 추적 알고리즘에 대해 원래와 같은 기본 매게 변수를 사용하여 구현하였다.
알고리즘의 성능 평가를 위해 ground-truth 경계 상자와 본 논문에서 제안한 알고리즘이 예측한 경계 상자의 IOU 값을 사용하였다. 매 프레임 IOU값에 사용된 비디오 시퀀스 전체 프레임 수를 나누어 영상 별 평균 IOU를 구하였다. 테스트 데이터 셋으로는 객체 추적 알고리즘 대회 visual object tracking challenge에서 사용한 총 25개의 영상 시퀀스가 있는 VOT2014를 사용하였다.
본 설계에서 SVM의 학습 데이터 형태로 4개의 히스토그램 유사도와 2개의 라벨로 구성하였다. 4개의 히스토그램 유사도는 각각 첫 번째 프레임에서의 객체와 현재 프레임에서 GOTURN과 Mean-shift 추적기가 찾은 객체와의 히스토그램 유사도, 3번째 전 프레임에서의 객체와 현재 프레임에서 GOTURN과 Mean-shift 추적기가 찾은 객체와의 히스토그램 유사도로 구성된다.
최근 VOT Challenge 과제에서 최고의 성능을 보여준 추적기인 MDnet, C-COT 등을 사용하려 했으나 속도가 실시간 성능 이하였고 최근 CNN기반 추적기인 GOTURN은 실시간 성능 이상의 성능을 보였다[5]. 성능 또한 MDnet과 C-COT와 비교하였을 때 큰 차이를 보이지 않아 본 연구의 기준 추적기로 선정하였다. 그러나 GOTURN 알고리즘은 실험을 통해 확인한 결과 객체 추적을 실패하는 경우가 있어, 이를 보완하기 위해 컬러 히스토그램을 기반으로 추적하고 일반적인 모든 객체를 추적할 수 있는 Mean-shift 추적 알고리즘을 GOTURN에 융합하였다.
그러나 GOTURN은 객체의 위치 정보만을 학습하여 색으로 쉽게 구분할 수 있는 환경에서도 객체 추적을 실패하는 경우가 있었다. 이러한 문제점을 해결하기 위해 컬러 히스토그램 정보로 객체를 추적하는 Mean-shift 추적기와의 결합을 제안하였다. 또한 매 프레임 SVM 이진 분류기를 사용하여 두 추적기 중 하나의 추적기를 선택해 기존의 GOTURN과 비교하여 약 1.
그림 8은 본 논문에서 제안한 알고리즘의 구조도이다. 히스토그램 유사도를 사용한 데이터와 IOU를 사용한 라벨을 SVM에 학습시켜 GOTURN을 사용할지 Mean-shift 추적기를 사용할지 선택을 한다. 그리고 선택된 추적기가 예측한 경계박스의 히스토그램과 세 프레임 전의 히스토그램을 비교하여 유사하면 선택되지 않은 추적기를 초기화 시켜 정확도를 높이고 유사하지 않다면 다시 SVM이 더 정확한 추적기를 선택하게 한다.

대상 데이터

매 프레임 IOU값에 사용된 비디오 시퀀스 전체 프레임 수를 나누어 영상 별 평균 IOU를 구하였다. 테스트 데이터 셋으로는 객체 추적 알고리즘 대회 visual object tracking challenge에서 사용한 총 25개의 영상 시퀀스가 있는 VOT2014를 사용하였다. IOU가 50%가 넘을 때 추적에 성공하였고 50% 미만일 때 추적에 실패했다고 판단을 하였다.

데이터처리

알고리즘의 성능 평가를 위해 ground-truth 경계 상자와 본 논문에서 제안한 알고리즘이 예측한 경계 상자의 IOU 값을 사용하였다. 매 프레임 IOU값에 사용된 비디오 시퀀스 전체 프레임 수를 나누어 영상 별 평균 IOU를 구하였다.

이론/모형

GOTURN과 Mean-shift 추적 알고리즘 중 하나를 선택하기 위해 본 연구에서는 SVM을 활용하여 분류하였다.
그리고 Mean-shift 추적 알고리즘을 GOTURN과 융합하여 색 정보를 주어 객체 추적 실패 확률을 낮추었다. 두 추적 알고리즘의 실행 시기는 SVM을 활용하여 분류하였고 그에 대한 트레이닝 dataset은 VOT(visual object tracking) challenge에서 사용한 VOT2014, VOT2015를 사용하였다[2]-[4]. 각 추적기가 예측한 위치의 히스토그램을 비교하여 더욱 유사한 쪽으로 추적기의 시작위치를 초기화시켜 알고리즘의 전체적인 정확도를 높였다.
본 논문에서는 색상 기반 객체 추적과 탐색 반경의 크기가 유연한 Tomas Vojir의 robust scale-adaptive Mean-shift tracker 알고리즘을 사용한다[8]. 이 알고리즘은 Mean-shift 추적기의 중심점을 찾는 방식과 같다.
본 논문에서는 실시간 이상의 속도로 객체를 추적하기 위해 CNN 모델 기반 객체 추적기인 GOTURN 알고리즘을 사용하여 객체를 추적한다[1]. 그리고 Mean-shift 추적 알고리즘을 GOTURN과 융합하여 색 정보를 주어 객체 추적 실패 확률을 낮추었다.

성능/효과

전체 영상 시퀀스의 IOU 전체 평균은 프레임 별 IOU 값의 합에 전체 프레임 수를 나눈 값이다. GOTURN은 48.88%, 본 논문에서 제안한 알고리즘은 50.43%로 약 1.6%의 성능 향상을 보였다. 최종적으로 전체 프레임 수는 10214 프레임, GOTURN이 추적에 성공한 전체 프레임 수는 6151 프레임, 본 논문에서 제안한 알고리즘은 프레임이었다.
테스트 데이터 셋으로는 객체 추적 알고리즘 대회 visual object tracking challenge에서 사용한 총 25개의 영상 시퀀스가 있는 VOT2014를 사용하였다. IOU가 50%가 넘을 때 추적에 성공하였고 50% 미만일 때 추적에 실패했다고 판단을 하였다. 전체 영상 시퀀스의 IOU 전체 평균은 프레임 별 IOU 값의 합에 전체 프레임 수를 나눈 값이다.
또한 객체의 밝기에 민감해 어두운 곳과 밝은 곳에서 객체의 히스토그램 모델을 저장하게 되면 영상의 밝기가 변화하게 되어 추적이 되지 않는다. 따라서 추적하는 객체의 픽셀 평균을 구해 밝기를 1~10 단계로 선형적으로 나누어 전체 밝기 단계가 3 이하(영상 전체 평균 0 ~ 77)이거나 8이상(영상 전체 평균 205 ~ 255)일 때는 GOTURN이 실행되게하여 추적 성능을 높였다. 그림 8에서 경계 박스의 이동 거리를 Mean-shift distance로 명명하였고 임계 값을 영상의 대각선 길이의 100분의 1로 설정하였다.
따라서 직전 프레임과 현재 프레임에서 임계 값 이상으로 경계 박스가 움직이게 되면 추적에 실패할 확률이 크기 때문에 GOTURN을 실행시켰다. 또한 객체 영역 밝기 단계(brightness level)가 8보다 크거나 3보다 작으면 GOTURN을 실행시켜 주어 알고리즘의 정확도를 향상시켰다.
이러한 문제점을 해결하기 위해 컬러 히스토그램 정보로 객체를 추적하는 Mean-shift 추적기와의 결합을 제안하였다. 또한 매 프레임 SVM 이진 분류기를 사용하여 두 추적기 중 하나의 추적기를 선택해 기존의 GOTURN과 비교하여 약 1.6%의 성능 향상을 보였다.
6%의 성능 향상을 보였다. 최종적으로 전체 프레임 수는 10214 프레임, GOTURN이 추적에 성공한 전체 프레임 수는 6151 프레임, 본 논문에서 제안한 알고리즘은 프레임이었다.
25개의 영상 시퀀스 별 성능 비교를 표 1과 그림 11에 나타내었다. 평균 IOU가 50%가 넘는 영상 시퀀스에서 작은 차이로 성능이 하락된 경우가 있었지만 평균 IOU가 50%보다 낮고 기존 GOTURN에서는 추적이 잘 되지 않았던 영상 시퀀스에서 추적정 확도가 크게 향상됨을 확인하였다.
이 알고리즘은 Mean-shift 추적기의 중심점을 찾는 방식과 같다. 하지만 중심점을 찾고난 후 윈도우 사이즈의 스케일을 변화시키며 지정한 객체의 히스토그램 유사도가 가장 높은 윈도우 크기를 찾는 점이 다르며 기존의 Mean-shift 추적기보다 높은 성능을 보인다.

후속연구

최근 고화질 영상, 360도 영상 콘텐츠 등에서 픽셀 수 증가로 알고리즘이 처리해야 할 데이터의 수가 더욱 많아지고 있다. 따라서 무인항공기를 포함한 다양한 분야에서 기기의 오작동을 줄이고 응용이 되기 위해서는 좀 더 정확하고 구현 속도가 빠른 알고리즘이 필요하다. 이에 본 논문에서는 컬러 히스토그램 정보와 CNN 모델을 이용한 객체 추적 기법을 제안한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	SVM의 목표는 무엇인가?	SVM은 주어진 데이터 집합을 두 범주로 나눌 때 분류하려는 데이터를 선형으로 분리하는 최적의 선형 경계를 찾는 알고리즘이다. SVM의 목표는 서로 다른 범주의 데이터들을 가장 큰 마진(margin)으로 분리해내는 모델을 찾는 것이다.
	GOTURN의 장단점은?	따라서 offline 학습 데이터만을 사용하여 속도가 빠르고 어떠한 객체든 추적을 할 수 있다. 하지만 모션정보가 없어 추적객체의 일부 또는 전체가 다른 객체에 가려지게 되면 성능이 현저히 떨어진다. 또한 추적에 한 번이라도 실패하게 되면 실패한 추적의 위치를 토대로 계속해서 추적해 나가기 때문에 초기 추적 대상을 다시 찾지 못하게 된다. 따라서 본 연구에서는 초기 설정한 객체를 GOTURN이 추적에 실패했을 때에도 초기 설정객체의 색정보를 가지고 있으면 다시 추적할 것이라고 판단하였고, 앞서 언급한 단점들을 보완하기 위해 본 설계에서는 색정보기반추적기인 Mean-shift 알고리즘을 사용하였다.
	Mean-shift란 무엇인가?	Mean-shift란 데이터 분포의 중심을 찾는 방법으로 현재 자신의 주변에서 데이터가 가장 밀집된 방향으로 이동하는 방식의 알고리즘이다. Mean-shift가 영상 내 객체 추적에서 사용될 경우 지정된 객체의 색상 기반 히스토그램과 현재 입력 영상의 히스토그램을 비교하여 가장 유사한 히스토그램을 갖는 영역을 찾는 방식으로 사용된다.

참고문헌 (10)

D. Held, S. Thrun, and S. Savarese, "Learning to track at 100 fps with deep regression networks," in European Conference on Computer Vision, Netherlands: NL, pp. 749-765, 2016.
C. C. Chang, and C. J. Lin. "LIBSVM: a library for support vector machines," ACM Transactions on Intelligent Systems and Technology(TIST), Vol. 2, No. 27, pp. 170-197, 2011.
M. Kristan, R. Pflugfelder, A. Leonardis, J. Matas, L. Cehovin, G. Nebehay, and A. Dimitriev, "The visual object tracking vot2014 challenge results," [Online] 2014. Available: http://votchallenge.net/vot2014/download/vot_20 14_paper.pdf.
M. Kristan, J. Matas, A. Leonardis, M. Felsberg, L. Cehovin, G. Fernandez, et al. "The visual object tracking vot2015 challenge results," in Proceedings of the IEEE International Conference on Computer Vision Workshops, Chile: CHI, pp. 1-23, 2015.
U. Kart, J. K. Kamarainen, L. Fan, and M. Gabbouj, " Evaluation of Visual Object Trackers on Equirectangular Panorama," in International Conference on Computer Vision Theory and Applications (VISAPP), Portugal: POR, pp. 25-32, 2018.
darkprogrammer. Mean-shift Tracker Image [Internet]. Available: http://darkpgmr.tistory.com/64
D. Comaniciu, V. Ramesh and P. Meer, "Real-time tracking of non-rigid objects using mean shift," in Computer Vision and Pattern Recognition, 2000. Proceedings. IEEE Conference, Hilton Head Island, South Carolina: SC, pp. 142-149, 2000.
T. Vojir, N. Jana and M. Jiri, "Robust scale-adaptive mean-shift for tracking," Pattern Recognition Letters, Vol. 49, pp. 250-258, 2014.

상세보기
bskyvision. SVM data classification Image [Internet]. Available: https://bskyvision.com/163
L. Cehovin, M. Kristan, A. Leonardis, "Is my new tracker really better than yours?" in 2014 IEEE Winter Conference on Applications of Computer Vision (WACV), Steamboat Springs, Colorado: CO, pp. 540-547, 2014.

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