[논문]한글 글꼴 유사성 판단을 위한 획 요소 속성의 영향력 분석

박동연; 전자연; 임서영; 임순범

doi:10.9717/kmms.2020.23.12.1552

한글 글꼴 유사성 판단을 위한 획 요소 속성의 영향력 분석
A Study on Influence of Stroke Element Properties to find Hangul Typeface Similarity 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.12, 2020년, pp.1552 - 1564

박동연 (Dept. of IT Engineering, SookMyung Women's University) , 전자연 (Dept. of IT Engineering, Graduate School, SookMyung Women's University) , 임서영 (Dept. of IT Engineering, SookMyung Women's University) , 임순범 (Dept. of IT Engineering and Research Institute ICT Convergence, Sookmyung Women's University)

Abstract ▼ AI-Helper

As various styles of fonts were used, there were problems such as output errors due to uninstalled fonts and difficulty in font recognition. To solve these problems, research on font recognition and recommendation were actively conducted. However, Hangul font research remains at the basic level. Therefore, in order to automate the comparison on Hangul font similarity in the future, we analyze the influence of each stroke element property. First, we select seven representative properties based on Hangul stroke shape elements. Second, we design a calculation model to compare similarity between fonts. Third, we analyze the effect of each stroke element through the cosine similarity between the user's evaluation and the results of the model. As a result, there was no significant difference in the individual effect of each representative property. Also, the more accurate similarity comparison was possible when many representative properties were used.

주제어

표/그림 (14)

그림 Fig. 1. PANOSE number of Times New Roman fonts[10].
그림 Fig. 2. Font recommendation system based on the sense classification system and the TTA shape classific ation system[9].
그림 Fig. 3. Hierarchical structure information of Hangul fonts[13]
그림 Fig. 4. Structure map of basic structure floor of Hangul fonts[13].
그림 Fig. 5. Characteristics of stroke elements in representative Hangul fonts for similarity[18]
그림 Fig. 6. Result of stroke element detection training[18].
그림 Fig. 7. Flow chart of property selection and similarity calculation model construction.
표 Table 1. The importance evaluation scroe of stroke elements and properties of Hangul fonts
그림 Fig. 8. Representative properties and measurement criteria.
그림 Fig. 9. Representative fonts for similarity measurement experiments.
그림 Fig. 10. Score ranking matrix with integrated cognitive evaluation.
그림 Fig. 11. Comparison of cosine similarity values of stroke elements by font family.
그림 Fig. 12. Cosine similarity by Number of Property Combinations.
표 Table 2. Cosine similarity result of calculation model based on stroke elements

AI 본문요약
AI-Helper

문제 정의

기존 영문에 대한 연구에서는 글자 이미지 단위로 비교를 진행하였지만, 한글의 경우에는 구조가 복잡하여 글자 단위의 비교로는 불충분하다. 따라서 한글 구조와 특징을 고려한 획 모양 요소를 기반으로 하여 폰트 간 유사성을 판단할 수 있는 모델을 구축하고자 하였다.
본 논문에서는 획 요소별로 한글 폰트 간 유사성 판단에 미치는 영향력을 파악하고자 하였다. 이를 위해 한글의 획 모양 요소에 기반을 두어 7개의 핵심 글꼴 속성을 선정하고 속성값 측정 방법을 정의하였다.
향후 연구에서 한글 글꼴 내 유사 폰트 추천에 대한 자동화를 이룩하기 위한 기초 자료로써, 본 연구에서는 획 모양 요소별로 폰트 유사성 판단에 미치는 영향력을 분석하고자 하였다. 기존 영문에 대한 연구에서는 글자 이미지 단위로 비교를 진행하였지만, 한글의 경우에는 구조가 복잡하여 글자 단위의 비교로는 불충분하다.

가설 설정

여러 폰트 간 유사성 비교 시 기준의 역할을 수행할 가상의 타겟 폰트를 t, 타겟 폰트와 비교하고자 하는 폰트를 비교 폰트 a라고 가정한다. 이때 폰트 t와 폰트 a의 특징 거리를 구하는 공식은 다음 식 (1)과 같다.

제안 방법

③ [개별 획 요소 계산 방법 : 방법 2] 개별 획 요소기반 계산 모델을 사용하여 핵심 속성별로 대표 폰트간 유사성 순위 도출.
이후 사용자들에게 대표 폰트에 대한 유사성 설문을 진행하여 통합 인지 기반 유사성 순위를 도출해 내었다. 그리고 코사인 유사도를 사용하여 통합 인지 기반 유사성 순위 결과와 계산 모델을 통한 순위의 상대적인 순위 일치 정도를 비교하였다. 최종적으로 분산 분석을 진행하여 획 요소 속성별로 미치는 영향력이 크게 다르지 않으며, 다수의 속성을 고려하는 것이 소수의 속성을 고려하거나, 속성을 개별적으로 고려하는 것 보다 좋은 결과를 낼 수 있음을 알 수 있었다.
더불어 각 속성별로 유사성 판단에 미치는 영향력을 파악하기 위해 실험을 진행하였다. 실험은 사용자의 통합인지 방법과 개별 획 요소 계산 모델 방법별로 대표폰트 간 유사성 순위를 구하고, 두 순위의 상대적인 일치도를 코사인 유사도를 사용하여 비교 및 평가하는 것으로 구성되어 있다. 구체적인 실험 순서는 다음과 같다.
이를 위해 한글의 획 모양 요소에 기반을 두어 7개의 핵심 글꼴 속성을 선정하고 속성값 측정 방법을 정의하였다. 이를 기반으로 개별 획 요소 기반 유사성 계산모델을 구축하였고, 본 모델의 검증 실험을 위해 13개의 대표 폰트를 선정하고 대표 폰트 간 유사성 순위를 계산하였다.
본 논문에서는 획 요소별로 한글 폰트 간 유사성 판단에 미치는 영향력을 파악하고자 하였다. 이를 위해 한글의 획 모양 요소에 기반을 두어 7개의 핵심 글꼴 속성을 선정하고 속성값 측정 방법을 정의하였다. 이를 기반으로 개별 획 요소 기반 유사성 계산모델을 구축하였고, 본 모델의 검증 실험을 위해 13개의 대표 폰트를 선정하고 대표 폰트 간 유사성 순위를 계산하였다.
이후 사용자들에게 대표 폰트에 대한 유사성 설문을 진행하여 통합 인지 기반 유사성 순위를 도출해 내었다. 그리고 코사인 유사도를 사용하여 통합 인지 기반 유사성 순위 결과와 계산 모델을 통한 순위의 상대적인 순위 일치 정도를 비교하였다.

대상 데이터

20대부터 40대 이상의 41명의 여성과 31명의 남성으로 이루어진 총 72명의 참여자들이 13개의 대표 폰트에 대하여 유사성 판단 설문을 진행하였다. 유사성 판단 설문의 형식은 대표 폰트의 샘플 문장 이미지를 2개씩 묶어서 비교하고, 유사성 점수 평가에는 5점 리커트 척도를 사용하였다.
획 요소 검출을 위해 170종의 글꼴마다 Fig. 5에서 볼 수 있는 8개의 획요소를 선별하여 총 1,360장의 데이터 세트로 학습을 진행하였다. 학습 모델로는 Faster R-CNN inception v2를 사용하였고, 획 요소별로는 평균 43,109번씩 학습을 진행하였다.

데이터처리

따라서 계열 간 구분 없이 전체 폰트에 대한 유사성 판단 시에는 속성별로 미치는 영향은 통계적으로 유의미한 차이가 없음을 알 수 있었다. 각 속성 간 영향력에 차이가 없으므로, 모든속성을 고려하였을 때의 결과를 다시 계산하여 기존 개별 획 요소를 고려했을 때의 결과와 비교하였다.
속성에 따라 코사인 유사도 계산 결과가 유의미한 차이가 있는지 확인하기 위해서 속성에 따라 나누어진 열을 기준으로 반복 없는 이원배치 분산분석을 진행하였다. 속성에 따라 유사성 판단에 미치는 영향력이 같다는 가설을 세웠을 때, 부리 계열에서는 pvalue가 0.
앞서 선정한 핵심 속성과 폰트 유사성 계산 모델은 폰트 간 유사성을 개별 획 요소를 기반으로 계산하여 유사성을 측정 및 비교한다. 그렇다면 이 방법이 실제 사람의 통합 인지 기반 방법과 일치하는 결과를 내는지 유효성을 검사할 필요가 있다.
20대부터 40대 이상의 41명의 여성과 31명의 남성으로 이루어진 총 72명의 참여자들이 13개의 대표 폰트에 대하여 유사성 판단 설문을 진행하였다. 유사성 판단 설문의 형식은 대표 폰트의 샘플 문장 이미지를 2개씩 묶어서 비교하고, 유사성 점수 평가에는 5점 리커트 척도를 사용하였다. 이때 보다 정확하고 공정한 평가를 위하여 설문 응답자에게는 대표 폰트의 샘플 문장 이미지 외에는 폰트명과 같은 폰트 관련 정보는 제공하지 않았다.

이론/모형

폰트 내 속성 파라미터값을 기반으로 폰트 간 유사성을 비교하기 위해서는, 각 폰트의 특징을 값으로 수치화하여 비교할 수 있어야 한다. 본 논문에서는 폰트별로 동일 속성 간 값의 차이를 유클리디언 거리 계산 방법을 사용하여 계산한 뒤, 이를 모든 속성에 대해 반복하여 그 총합을 폰트 간 특징 거리(property distance)로써 저장한다. 이 특징 거리가 짧을수록 폰트 간 유사성(font similarity)은 높게, 특징 거리가 멀수록 폰트 간 유사성은 낮게 평가할 수 있도록 개별 획 요소 기반 유사성 계산 모델을 설계하였다.
5에서 볼 수 있는 8개의 획요소를 선별하여 총 1,360장의 데이터 세트로 학습을 진행하였다. 학습 모델로는 Faster R-CNN inception v2를 사용하였고, 획 요소별로는 평균 43,109번씩 학습을 진행하였다. 실행 데이터 세트를 위해 다양한 계열로 선정한 13종의 글꼴에서도 8개의 모든 획 요소를 검출하도록 104장의 글자 이미지 세트를 구성하였다.

성능/효과

12에서 확인할 수 있다. 따라서 보편적인 폰트들에 대한 유사성 평가 시에는 많은 수의 속성을 조합할수록 더욱 좋은 유사성 판단이 가능하며, 그에 따라 7개의 핵심 속성을 모두 고려할 때 가장 정확한 유사성 판단이 가능함을 알 수 있다.
0115 정도 높은 값이다. 따라서 한글 폰트 간 유사성 판단 시에는 상투, 부리, 가지, 돌출, 꺾임, 삐침, 꼭지점 7개의 획 요소를 모두 고려하는 것이 개별적으로 고려하는 것 보다 좋은 결과를 낼 수 있음을 알 수 있다.
그리고 코사인 유사도를 사용하여 통합 인지 기반 유사성 순위 결과와 계산 모델을 통한 순위의 상대적인 순위 일치 정도를 비교하였다. 최종적으로 분산 분석을 진행하여 획 요소 속성별로 미치는 영향력이 크게 다르지 않으며, 다수의 속성을 고려하는 것이 소수의 속성을 고려하거나, 속성을 개별적으로 고려하는 것 보다 좋은 결과를 낼 수 있음을 알 수 있었다.

후속연구

만약 통합 인지 기반 결과와 가장 유사한 결과를 낼 수 있는 실수 가중치 값을 구하고, 각 속성을 선택하는 것에 대한 의미를 파악할 수 있게 된다면 유사성 판단 결과를 이전보다 향상시킬 수 있을 것으로 보인다. 더 나아가 획 요소와 함께 한글 구조를 이루는 골격과 공간 정보도 고려하여 유사성을 계산할 수 있게 된다면 더 정확한 유사성 판단이 가능해질 것이다.
본 연구에서는 속성을 단순하게 고려하거나 고려하지 않는 방식으로 유사성을 판단하기 때문에, 사용자의 평가와 같이 여러 속성의 중요도 가중치를 각각 실수로써 계산하는 것이 불가능한 상태이다. 만약 통합 인지 기반 결과와 가장 유사한 결과를 낼 수 있는 실수 가중치 값을 구하고, 각 속성을 선택하는 것에 대한 의미를 파악할 수 있게 된다면 유사성 판단 결과를 이전보다 향상시킬 수 있을 것으로 보인다. 더 나아가 획 요소와 함께 한글 구조를 이루는 골격과 공간 정보도 고려하여 유사성을 계산할 수 있게 된다면 더 정확한 유사성 판단이 가능해질 것이다.
이전에는 글꼴 분석 및 비교를 위해서 일일이 사람이 획 요소를 직접 찾아야 했다면, 현재는 해당 연구를 통해 이러한 반복적인 부분이 자동화가 가능해짐으로써 사람의 개입으로 소모되는 다양한 시간적, 경제적 자원을 아낄 수 있게 되었다. 본 연구와 글꼴 특징 요소 자동 추출 연구를 서로 접목한다면 획 요소별 핵심 속성값 자동 측정과 다양한 폰트 간 유사성 비교까지 자동화가 가능해질 것이다.
향후 한글 획 요소 검출 및 속성 값 측정까지 자동화할 수 있게 된다면, 한글 폰트 간 유사성 비교의 자동화는 물론 한글 폰트의 정보 체계 전체를 자동화 할 수 있게 될 것이다. 이는 곧 한글 폰트 연구의 활성화로 이어질 것이며, 더 나아가 타 언어의 폰트 간 정보 비교까지 용이하게 할 것으로 보인다. 최종적으로는 전 세계에서 함께 접근하는 웹페이지에서의 서로 다른 언어 간 유사 폰트 변환 자동화까지 가능해질 것이다.
이는 곧 한글 폰트 연구의 활성화로 이어질 것이며, 더 나아가 타 언어의 폰트 간 정보 비교까지 용이하게 할 것으로 보인다. 최종적으로는 전 세계에서 함께 접근하는 웹페이지에서의 서로 다른 언어 간 유사 폰트 변환 자동화까지 가능해질 것이다.
향후 한글 획 요소 검출 및 속성 값 측정까지 자동화할 수 있게 된다면, 한글 폰트 간 유사성 비교의 자동화는 물론 한글 폰트의 정보 체계 전체를 자동화 할 수 있게 될 것이다. 이는 곧 한글 폰트 연구의 활성화로 이어질 것이며, 더 나아가 타 언어의 폰트 간 정보 비교까지 용이하게 할 것으로 보인다.

참고문헌 (20)

Korea National Hangul Museum, Survey and Prospect of Font Industry in 2015, Korea National Hangul Museum Research Report, 2015.
Y. Zhu, T. Tan, and Y. Wang, "Font recognition based on global texture analysis," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, No. 10, pp. 1192-1200, 2001.

상세보기
X. Ding, L. Chen, and T. Wu, "Character Independent Font Recognition on a Single Chinese Character," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 29, No. 2, pp. 195-204, 2007.

상세보기
Z. Wang, J. Yang, H. Jin, E. Shechtman, A. Agarwala, J. Brandt et al., "Deep Font: Identify Your Font from An Image," Proceeding of ACM International Conference on Multimedia, pp. 451-459, 2015.
S. Jiang, Z. Wang, A. Hertzmann, H. Jin, and Yun Fu, "Visual Font Pairing," arXiv Preprint arXiv:1811.08015, 2018.
T. Chen, Z. Wang, N. Xu, and H. Jin, "Large-Scale Tag-based Font Retrieval With Generative Feature Learning," Proceeding of IEEE/CVF International Conference on Computer Vision, pp. 9116-9125, 2019.
KISDI, In the Era of the 4th Industrial Revolution, Media Content Survival Strategy, KISDI Premium Report 17-14, 2017.
H. Kim and S. Lim, "Shape Property Study of Hangul Font for Font Classification," Journal of Korea Multimedia Society, Vol. 20, No. 9, pp. 1584-1595, 2017.

원문보기 상세보기
H. Kim, A Study on the Shape and Emotion Feature Analysis Algorithms for Hangul Font Recommendation, Doctor's Thesis of Sookmyung Women's University, 2018.
PANOSE: An Ideal Typeface Matching System for the Web(1996), https://www.w3.org/ Printing/stevahn.html (accessed August 20, 2020).
MyFonts(1999), http://www.myfonts.com/(accessed August 20, 2020).
FontPair(2010), https://fontpair.co/ (accessed August 20, 2020).
D. Park, J. Jeon, Y. Ji, and S. Lim, "Design of Structure Map for Modeling Hierarchical Structure Information of Hangul," Proceeding of the Fall Conference of the Korea Multimedia Society, pp. 578-579, 2019.
T. Chen, Z. Wang, N. Xu, H. Jin, J. Luo, "Large-scale Tag- based Font Retrieval with Generative Feature Learning," Proceedings of the IEEE International Conference on Computer Vision, pp. 9116-9125, 2019.
S. Shin, D. Kim, H. Park, B. Kang, and K. Sohn, "Finding Compact Class Sets for Korean Font Image Classification," Proceeding of 2017 4th International Association of Pattern Recognition Asian Conference on Pattern Recognition, Nanjing, pp. 226-231, 2017.
J. Jeon, J. Yang, and S. Lim, "Implementation of Automatic Hangul Handwriting Production Service Using Deep Learning," Proceeding of The Korean Human Computer Interaction Society Conference, pp. 1155-1157, 2019.
J. Jeon, Y. Ji, D. Park, and S. Lim, "Evaluation of Criteria for Mapping Characters Using an Automated Hangul Font Generation System based on Deep Learning," Journal of Korea Multimedia Society, Vol. 23, No. 7, pp. 850-861, 2020.

원문보기 상세보기
J. Jeon, D. Park, S. Lim, Y. Ji, and S. Lim, "Automatic Extraction of Hangul Stroke Element Using Faster R-CNN for Font Similarity," Journal of Korea Multimedia Society, Vol. 23, No. 8, pp. 953-964, 2020.

원문보기 상세보기
M. Kim and S. Lee, "Measures of Abnormal User Activities in Online Comments Based on Cosine Similarity," Journal of the Society for Information Security, Vol. 24, No. 2, pp. 335-343, 2014.
C. Yoo, "Estimation of Cosine Similarity Change in Singular Value Decomposition," Journal of the Korean Society of Information Technology, Vol. 18, No. 3, pp. 31-37, 2020.

상세보기

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