KR101836742B1 - 제스쳐를 판단하는 장치 및 방법 - Google Patents

Abstract

본 발명은 비접촉 방식으로 사용자의 제스쳐를 인식 및 판단하는 기술로서, 일실시예에 따른 제스쳐 판단 장치는 사용자의 제스쳐가 반영된 무선 임펄스 신호를 수신하는 수신부, 상기 무선 임펄스 신호에 대한 전역 특징정보 및 지역 특징정보를 추출하는 특징 추출부, 상기 추출된 전역 특징정보 및 상기 추출된 지역 특징정보로 상기 무선 임펄스 신호를 학습하고, 상기 학습 결과에 기초하여 상기 무선 임펄스 신호의 수신 시간에 해당하는 정지 제스쳐를 결정하는 정지 제스쳐 판단부, 및 이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐를 이용해서 동작 제스쳐를 결정하는 동작 제스쳐 판단부를 포함한다.

Description

제스쳐를 판단하는 장치 및 방법{APPARATUS AND METHOD OF DECIDING GESTURE}

본 발명은 비접촉 방식으로 사용자의 제스쳐를 인식 및 판단하는 기술로서, 무선의 형태로 송출되는 임펄스 신호에 대한 반사파를 수집하여 사용자의 제스쳐를 인식하되, 사용자 제스쳐에 대한 전역 특징과 지역 특징을 모두 고려하여 정적 제스쳐를 인식하고, 시간별로 수집되는 정적 제스쳐들을 참고하여 동작 제스쳐를 결정하는 기술에 관한 것이다.

사용자의 제스쳐를 인식하기 위해 G센서 등의 움직임 센서, 카메라를 이용하는 이미지 처리 등이 널리 이용되고 있다.

G센서 등의 움직임 센서의 경우에는 G센서가 사용자와 함께 움직여야 사용자의 제스쳐를 인식할 수 있어 미세한 움직임에 대해 인식할 수 없다. 또한 제스쳐에 따른 사용자의 움직임을 카메라로 촬영하여 제스쳐를 인식하는 방법에서는, 카메라로 촬영한 이미지를 저장할 수 있는 저장공간, 이미지를 고속으로 처리할 수 있는 프로세서 등의 많은 하드웨어 리소스가 필요한 실정이다.

따라서 적은 하드웨어 자원을 이용하면서도 인식율을 높일 수 있는 제스쳐 검출 기술이 필요한 실정이다.

미국등록특허 제8,907,929호(발명의 명칭: Touchless sensing and gesture recognition using continuous wave ultrasound signals) 한국공개특허 제2015-0114983호(발명의 명칭: 비접촉 제스쳐 제어 방법 및 전자 단말 장치)

일실시예에 따르면, 제스쳐에 대한 지역 특징뿐만 아니라 전역 특징을 모두 고려함으로써 인식율을 향상시키는 것을 목적으로 한다.

일실시예에 따르면, 사용자의 정지 제스쳐 및 동작 제스쳐에 대한 인식율을 향상시키는 것을 목적으로 한다.

일실시예에 따르면, 범죄, 화재, 사고 현장 등과 같이 진입이 어려운 환경에서의 제스쳐 검출에 이용하는 것을 목적으로 한다.

일실시예에 따르면, 운전자의 제스쳐를 인식함으로써 안전 운전에 도움을 주는 것을 목적으로 한다.

일실시예에 따르면, 사물인터넷 분야에 응용하여 고부가 가치의 산업을 창출하는 것을 목적으로 한다.

일실시예에 따르면, 제스쳐 인식율을 향상시켜 실버 산업 및 복지 산업에 기여하는 것을 목적으로 한다.

일실시예에 따른 제스쳐 판단 장치는 사용자의 제스쳐가 반영된 무선 임펄스 신호를 수신하는 수신부, 상기 무선 임펄스 신호에 대한 전역 특징정보 및 지역 특징정보를 추출하는 특징 추출부, 상기 추출된 전역 특징정보 및 상기 추출된 지역 특징정보로 상기 무선 임펄스 신호를 학습하고, 상기 학습 결과에 기초하여 상기 무선 임펄스 신호의 수신 시간에 해당하는 정지 제스쳐를 결정하는 정지 제스쳐 판단부, 및 이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐를 이용해서 동작 제스쳐를 결정하는 동작 제스쳐 판단부를 포함한다.

일실시예에 따른 상기 동작 제스쳐 판단부는, 상기 이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐로부터 복수의 후보 제스쳐들을 결정하고, 상기 결정된 복수의 후보 제스쳐들에 대한 확률을 연산하며, 상기 연산된 확률을 고려하여 상기 동작 제스쳐를 결정한다.

일실시예에 따른 상기 동작 제스쳐 판단부는, 상기 복수의 후보 제스쳐들에 대한 확률들 중, 차순위의 확률 보다 임계값 이상 높은 확률에 해당하는 후보 제스쳐를 상기 동작 제스쳐로 결정한다.

일실시예에 따른 상기 동작 제스쳐 판단부는, 상기 이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐로부터 제스쳐 속도를 연산한다.

일실시예에 따른 상기 수신되는 무선 임펄스 신호는, 송신기로부터 송출된 무선 임펄스 신호가 상기 사용자의 제스쳐에 따라 변형되는 형태를 포함한다.

일실시예에 따른 상기 특징 추출부는, 상기 수신된 무선 임펄스 신호에 대해 CNN(Convolutional Neural Network) 학습을 수행하고, 상기 CNN(Convolutional Neural Network) 학습을 통해 지역 특징정보를 추출한다.

일실시예에 따른 상기 특징 추출부는, 상기 수신된 무선 임펄스 신호에 대한 파형 특징에 기초하여 상기 CNN(Convolutional Neural Network) 학습을 수행한다.

일실시예에 따른 상기 파형 특징은, 상기 수신된 무선 임펄스 신호에 대한 곡률(Curvatures), 엣지(Edges), 미분계수(Differential coefficients), 및 로컬평균(Local average) 중에서 적어도 하나를 포함한다.

일실시예에 따른 상기 특징 추출부는, 상기 수신된 무선 임펄스 신호에 대해 극대값, 극소값, 상기 극대값의 개수(Number of high peaks), 상기 극소값의 개수(Number of low peaks), 진폭(Amplitudes), 굴절의 수(Number of inflections), 및 피크들의 랭크(Ranks of peaks) 중에서 적어도 하나에 기초하여 상기 전역 특징정보를 추출한다.

일실시예에 따른 상기 정지 제스쳐 판단부는, 상기 추출된 전역 특징정보와 상기 추출된 지역 특징정보에 대해 DNN(Deep Neural Network) 학습을 수행하고, 상기 학습 결과에 기초하여 상기 수신 시간에 해당하는 정지 제스쳐를 결정한다.

일실시예에 따른 제스쳐 판단 장치의 동작 방법은 사용자의 제스쳐가 반영된 무선 임펄스 신호를 수신하는 단계, 상기 무선 임펄스 신호에 대한 전역 특징정보 및 지역 특징정보를 추출하는 단계, 상기 추출된 전역 특징정보 및 상기 추출된 지역 특징정보로 상기 무선 임펄스 신호를 학습하는 단계, 상기 학습 결과에 기초하여 상기 무선 임펄스 신호의 수신 시간에 해당하는 정지 제스쳐를 결정하는 단계, 및 이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐를 이용해서 동작 제스쳐를 결정하는 단계를 포함한다.

일실시예에 따른 상기 동작 제스쳐를 결정하는 단계는, 상기 이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐로부터 복수의 후보 제스쳐들을 결정하는 단계, 상기 결정된 복수의 후보 제스쳐들에 대한 확률을 연산하는 단계, 및 상기 연산된 확률을 고려하여 상기 동작 제스쳐를 결정하는 단계를 포함한다.

일실시예에 따른 상기 연산된 확률을 고려하여 상기 동작 제스쳐를 결정하는 단계는, 상기 복수의 후보 제스쳐들에 대한 확률들 중, 차순위의 확률 보다 임계값 이상 높은 확률에 해당하는 후보 제스쳐를 상기 동작 제스쳐로 결정하는 단계를 포함한다.

일실시예에 따른 상기 전역 특징정보 및 지역 특징정보를 추출하는 단계는, 상기 수신된 무선 임펄스 신호에 대해 CNN(Convolutional Neural Network) 학습을 수행하여 상기 지역 특징정보를 추출하는 단계를 포함한다.

일실시예에 따른 상기 전역 특징정보 및 지역 특징정보를 추출하는 단계는, 상기 수신된 무선 임펄스 신호에 대한 곡률(Curvatures), 엣지(Edges), 미분계수(Differential coefficients), 로컬평균(Local average) 중에서 적어도 하나에 기초하여 상기 CNN(Convolutional Neural Network) 학습을 수행하는 단계를 포함한다.

일실시예에 따른 상기 전역 특징정보 및 지역 특징정보를 추출하는 단계는, 상기 수신된 무선 임펄스 신호에 대해 극대값, 극소값, 상기 극대값의 개수(Number of high peaks), 상기 극소값의 개수(Number of low peaks), 진폭(Amplitudes), 굴절의 수(Number of inflections), 피크들의 랭크(Ranks of peaks) 중에서 적어도 하나에 기초하여 상기 전역 특징정보를 추출하는 단계를 포함한다.

일실시예에 따른 상기 무선 임펄스 신호를 학습하는 단계는, 상기 추출된 전역 특징정보와 상기 추출된 지역 특징정보에 대해 DNN(Deep Neural Network) 학습을 수행하는 단계를 포함한다.

본 발명에 따르면, 제스쳐에 대한 지역 특징뿐만 아니라 전역 특징을 모두 고려함으로써 인식율을 향상시킬 수 있다.

본 발명에 따르면, 사용자의 정지 제스쳐 및 동작 제스쳐에 대한 인식율을 향상시킬 수 있다.

본 발명에 따르면, 범죄, 화재, 사고 현장 등과 같이 진입이 어려운 환경에서의 제스쳐 검출에 이용할 수 있다.

본 발명에 따르면, 운전자의 제스쳐를 인식함으로써 안전 운전에 도움을 줄 수 있다.

본 발명에 따르면, 사물인터넷 분야에 응용하여 고부가 가치의 산업을 창출할 수 있다.

본 발명에 따르면, 제스쳐 인식율을 향상시켜 실버 산업 및 복지 산업에 기여할 수 있다.

도 1은 일실시예에 따른 제스쳐 판단 장치를 설명하는 도면이다.
도 2는 제스쳐 판단 장치의 동작에 대한 실시예를 설명하는 도면이다.
도 3은 제스쳐 판단 장치의 동작에 대한 다른 실시예를 설명하는 도면이다.
도 4는 LSTM(Long Short-Term Memory) 네트워크를 설명하는 도면이다.
도 5는 RNN(Recurrent Neural Network)에 대비하여 LSTM의 특징을 설명하는 도면이다.
도 6은 시간마다 모양, 위치, 회전, 크기 변화를 인식하는 DNN(Deep Neural Network)을 바탕으로 LSTM 인지 모델을 설명하는 도면이다.
도 7은 시간에 따른 제스쳐 변화를 고려하여 최적의 디바이스 동작 시점 결정하는 실시예를 설명하는 도면이다.
도 8은 일실시예에 따른 제스쳐 판단 방법을 설명하는 도면이다.

본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.

본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 일실시예에 따른 제스쳐 판단 장치(100)를 설명하는 도면이다.

일실시예에 따른 제스쳐 판단 장치(100)는 비접촉 방식으로 사용자의 제스쳐를 인식하는 장치로서, 무선의 형태로 송출되는 임펄스 신호에 대한 반사파를 수집하여 사용자의 제스쳐를 인식하되, 사용자 제스쳐에 대한 전역 특징과 지역 특징을 모두 고려하여 정적 제스쳐를 인식하고, 시간별로 수집되는 정적 제스쳐들을 참고하여 동작 제스쳐를 결정할 수 있다.

이를 위해, 일실시예에 따른 제스쳐 판단 장치(100)는 수신부(110), 특징 추출부(120), 정지 제스쳐 판단부(130), 및 동작 제스쳐 판단부(140)를 포함할 수 있다.

먼저, 일실시예에 따른 수신부(110)는 사용자의 제스쳐가 반영된 무선 임펄스 신호를 수신할 수 있다.

무선 임펄스 신호는 송출기를 통해서 송출될 수 있다. 송출기는 외부 클락(CLKin)을 받아 지연부(Delay line)와 PMOS, NMOS를 이용하여 출력단(TXout)의 전압을 VDD와 GND로 상승 또는 하강 하면서 임펄스를 생성할 수 있다. 한편, 인버터의 지연(TD)은 생성된 임펄스의 주파수와 대역폭을 결정하며, 조절 가능하게 설계될 수 있다. 무선 임펄스 신호의 주파수와 대역폭은 검증에서 파악된 분해능과 신호 대 잡음비 성능을 기준으로 설계될 수 있고, 송신기는 주파수와 대역폭이 차후 변경될 가능성을 염두에 두고 SPI(serial to parallel interface)를 사용하여 외부에서 조절이 가능하도록 설계될 수 있다.

일실시예에 따른 수신부(110)는 무선 임펄스 신호를 수신할 수 있는 다양한 형태로 구현될 수 있다.

일실시예에 따른 특징 추출부(120)는 무선 임펄스 신호에 대한 전역 특징정보 및 지역 특징정보를 추출할 수 있다.

본 명세서에서 사용되는 전역 특징정보는 사용자의 제스쳐 중에서 비교적 큰 변화에 대한 특징을 나타낸다. 예를 들어, 사용자의 제스쳐에 따라서 변화되는 제스쳐의 모양, 배경, 위치, 이동, 회전, 센서와의 거리 등 상대적으로 큰 변화(전역적인 변화)에 대한 특징을 나타낸다.

본 명세서에서 사용되는 지역 특징정보는 사용자의 제스쳐 중에서 비교적 작은 변화에 대한 특징을 나타낸다. 예를 들어, 사용자의 손가락 움직임, 손가락 위치 변화 등과 같이 상대적으로 작은 변화(지역적인 변화)에 대한 특징을 나타낸다.

이를 위해, 일실시예에 따른 특징 추출부(120)는 수신된 무선 임펄스 신호에 대한 파형 특징에 기초하여 전역 특징정보를 추출할 수 있다. 구체적으로, 특징 추출부(120)는 무선 임펄스 신호에 대해 극대값, 극소값, 상기 극대값의 개수(Number of high peaks), 극소값의 개수(Number of low peaks), 진폭(Amplitudes), 굴절의 수(Number of inflections), 및 피크들의 랭크(Ranks of peaks) 중에서 적어도 하나에 기초하여 전역 특징정보를 추출할 수 있다.

일실시예에 따른 특징 추출부(120)는 딥러닝 기술인 CNN(Convolutional Neural Network)이 학습되면서 획득한 제스쳐를 가장 잘 분류해줄 수 있는 지역적 필터를 통해 지역 특징정보를 추출할 수 있다

예를 들어, 특징 추출부(120)는 수신된 무선 임펄스 신호에 대해 CNN(Convolutional Neural Network) 학습을 수행하고, CNN(Convolutional Neural Network) 학습을 통해 지역 특징정보를 추출할 수 있다. 예를 들어, 특징 추출부(120)는 수신된 무선 임펄스 신호에 대한 파형 특징에 기초하여 상기 CNN 학습을 수행할 수 있는데, 특히, 무선 임펄스 신호에 대한 곡률(Curvatures), 엣지(Edges), 미분계수(Differential coefficients), 및 로컬평균(Local average) 중에서 적어도 하나에 기초하여 CNN 학습을 수행할 수 있다.

일실시예에 따른 정지 제스쳐 판단부(130)는 추출된 전역 특징정보 및 추출된 지역 특징정보로 무선 임펄스 신호를 학습하고, 학습 결과에 기초하여 무선 임펄스 신호의 수신 시간에 해당하는 정지 제스쳐를 결정할 수 있다. 일례로, 정지 제스쳐 판단부(130)는 무선 임펄스 신호에 대한 지역적 특징과 전역적 특징을 모두 반영할 수 있는 DNN(Deep Neural Network) 모델을 통해 무선 임펄스 신호에 대한 지역 특징정보와 전역 특징정보를 학습할 수 있다. 또한, 정지 제스쳐 판단부(130)는 학습 결과를 통해 수신 시간에 해당하는 정지 제스쳐를 인지 및 판단 함으로써, 어떤 정지 제스쳐인지 결정할 수 있다.

일반적으로 DNN 기반의 학습은 사용자가 대상을 분류하기 위한 최적의 필터를 구해주지만, 이러한 필터 기반의 특징은 신호의 최대값과 최소값의 차이, 피크의 개수와 같은 전역적인 특징들을 반영하기가 어렵다.

제스쳐의 이동, 회전 등에 대한 변화에서는 신호의 파형은 그대로 유지한 채 파형이 이동(Shift)하거나 스케일이 작아지는 변화하는 것이 관찰될 수 있다. 이러한 변화는 신호 파형의 경향성이 유사하므로 지역적인 특징만으로는 분류하기 어렵다. 따라서 정지 제스쳐 판단부(130)는 딥러닝 CNN을 기반으로 하되, 이러한 전역적인 변화에 대해 신호 분석을 통해 직접 정의한(Handcrafted) 특징을 또한 입력으로 제공받아 DNN을 학습함으로써 제스쳐를 인식할 수 있다.

일실시예에 따른 동작 제스쳐 판단부(140)는 이전 수신 시간에서 결정된 정지 제스쳐와, 수신 시간에 결정된 정지 제스쳐를 이용해서 동작 제스쳐를 결정할 수 있다.

일실시예에 따른 동작 제스쳐 판단부(140)는 DNN을 통해 제스쳐의 모양, 위치, 회전, 센서와의 거리 4가지의 변화 각각에 대해서 인지하게 되며, 각 시간마다 구해진 이러한 변화 값을 입력으로 하여 시간의 흐름에 따라 구성된 딥러닝 모델인 LSTM(Long-short Term Memory)를 구성할 수 있다. 또한, 제스쳐의 시간적 변화에 따른 제스쳐를 인지하기 위한 LSTM 모델은, 이전 시간에 대한 제스쳐의 정보를 반영하여 현재 시점의 제스쳐의 종류를 예측할 수 있다. 즉, LSTM 모델은 최종 제스쳐를 예측하는데 있어 먼 과거 정보(Long-term)까지 사용할지, 가까운 과거 정보(Short-term)만을 사용할지를 고려하여 제스쳐의 인지율을 최적화 할 수 있다.

구체적으로, 일실시예에 따른 동작 제스쳐 판단부(140)는 이전 수신 시간에서 결정된 정지 제스쳐와, 현재 수신 시간에 결정된 정지 제스쳐를 고려하여 복수의 후보 제스쳐들을 결정할 수 있다. 또한, 동작 제스쳐 판단부(140)는 결정된 복수의 후보 제스쳐들에 대한 확률을 연산하며, 연산된 확률을 고려하여 동작 제스쳐를 결정할 수 있다.

일례로, 동작 제스쳐 판단부(140)가 이전 수신 시간에서 결정된 정지 제스쳐와, 현재 수신 시간에 결정된 정지 제스쳐를 고려하여 제1 후보 제스쳐 및 제2 후보 제스쳐를 결정할 수 있다. 또한, 제1 후보 제스쳐에는 80%의 확률을 제2 후보 제스쳐에는 20%의 확률이 연산되는 경우, 현재 수신 시간에 결정된 동작 제스쳐는 제1 후보 제스쳐에 상응하는 제스쳐로 결정될 수 있다.

일례로, 동작 제스쳐 판단부(140)는 제1 후보 제스쳐와 제2 후보 제스쳐의 확률이 임계값 이상의 차이가 있는 경우에만, 특정 후보 제스쳐를 동작 제스쳐로 결정할 수 있다.

일례로, 동작 제스쳐 판단부(140)는 복수의 후보 제스쳐들에 대한 확률들 중, 차순위의 확률 보다 임계값 이상 높은 확률에 해당하는 후보 제스쳐를 동작 제스쳐로 결정할 수 있다.

일실시예에 따른 동작 제스쳐 판단부(140)는 이전 수신 시간에서 결정된 정지 제스쳐와, 수신 시간에 결정된 정지 제스쳐로부터 제스쳐 속도를 연산할 수 있다. 예를 들어, 동작 제스쳐 판단부(140)는 이전 수신 시간에서 결정된 정지 제스쳐와 수신 시간에 결정된 정지 제스쳐의 이동 거리와 수신 시간의 차이를 고려하여 제스쳐 속도를 연산할 수 있다.

결국, 본 발명을 이용하면 너무 많은 과거 정보를 사용해서 나타날 수 있는 오버피팅(Over-fitting) 문제를 해결하여 인지 정확도를 향상시킬 수 있다.

도 2는 제스쳐 판단 장치의 동작에 대한 실시예를 설명하는 도면이다.

도 2의 실시예를 살펴보면, 본 발명에 따른 제스쳐 판단 장치는 신호획득 과정(210)에서 수신 시간의 정지 제스쳐에 해당하는 무선 임펄스 신호(201)를 수신할 수 있다.

다음으로, 일실시예에 따른 제스쳐 판단 장치는 수신된 정지 제스쳐의 무선 임펄스 신호(201)에 대한 지역적 필터링을 통해 지역 특징을 추출(220)할 수 있다. 이때의 지역 특징은 무선 임펄스 신호(201)에 대한 곡률(Curvatures), 엣지(Edges), 미분계수(Differential coefficients), 및 로컬평균(Local average) 중에서 적어도 하나를 포함할 수 있다.

또한, 일실시예에 따른 제스쳐 판단 장치는 추출된 지역 특징을 CNN 학습(230)하여 DNN 학습(250)에 입력할 수 있다. 이때의 입력은 지역 특징정보로 해석될 수 있다.

한편, 일실시예에 따른 제스쳐 판단 장치는 수신된 정지 제스쳐의 무선 임펄스 신호(201)에 대한 전역 특징을 추출(240)할 수 있다. 이때의 전역 특징은 무선 임펄스 신호(201)에 대한 극대값, 극소값, 극대값의 개수(Number of high peaks), 극소값의 개수(Number of low peaks), 진폭(Amplitudes), 굴절의 수(Number of inflections), 및 피크들의 랭크(Ranks of peaks) 중에서 적어도 하나를 포함할 수 있다.

일실시예에 따른 제스쳐 판단 장치는 입력된 지역 특징정보와 전역 특징정보를 이용해서 DNN 학습(250)을 수행하고, 학습 결과를 통해 '0011'을 출력할 수 있다. 일실시예에 따른 제스쳐 판단 장치는 현재의 사용자 제스쳐를 정지 제스쳐들 중에서 '0011'에 해당하는 정지 제스쳐로 인식 및 판단할 수 있다.

도 3은 제스쳐 판단 장치의 동작에 대한 다른 실시예를 설명하는 도면이다.

도 3의 실시예를 살펴보면, 일측(310)에서는 지역 특징정보를 입력 받고 다른 일측(320)에서는 전역 특징정보를 입력 받아 정지 제스쳐를 인식 및 판단할 수 있다. 일측(310)에서 입력되는 전역 특징정보는 도면부호 311의 특징 맵과 312에 해당하는 특징 맵에서 콘볼루션 및 풀링을 반복하며 CNN 학습된다. 또한, CNN 학습된 지역 특징정보들은 다른 일측(320)에서 입력되는 전역 특징정보과 함께 도면부호 321을 통해 DNN 학습될 수 있다.

도 4는 LSTM(Long Short-Term Memory) 네트워크를 설명하는 실시예(400)이다.

일실시예에 따른 제스쳐 판단 장치는 일정 주기의 시간마다 모양, 위치, 회전, 크기 변화에 대해 DNN 학습에 기초하는 LSTM 인지 모델(450)을 구성할 수 있다.

앞서 설명한 DNN은 제스쳐의 모양 변화(410), 위치 변화(420), 회전 변화(430), 센서와의 거리 변화(440) 등 4가지의 변화 각각에 대해 인지된 각 시간마다 구해진 이러한 변화 값을 입력 받을 수 있다. 또한, 제스쳐 판단 장치는 시간의 흐름에 따라 구성된 딥러닝 모델인 LSTM(Long-short Term Memory)를 구성할 수 있다.

일실시예에 따른 제스쳐 판단 장치는 제스쳐의 시간적 변화에 따른 제스쳐를 인지하기 위한 LSTM 모델을 통해, 이전 시간에 대한 제스쳐의 정보를 반영하여 현재 시점의 제스쳐의 종류를 예측할 수 있다.

일실시예에 따른 제스쳐 판단 장치가 제공하는 LSTM 모델은 최종 제스쳐를 예측하는데 있어 먼 과거 정보(Long-term)까지 사용할지, 가까운 과거 정보(Short-term)만을 사용할지 인지율을 최적화 하는 방향으로 결정해주는 딥 러닝 모델로 해석될 수 있다. 따라서, 일실시예에 따른 제스쳐 판단 장치는 너무 많은 과거 정보를 사용해서 나타날 수 있는 Over-fitting문제를 해결하여 인지 정확도를 향상시킬 수 있다.

도 5는 RNN(Recurrent Neural Network)에 대비하여 LSTM의 특징을 설명하는 도면이다.

일실시예에 따른 제스쳐 판단 장치가 제공하는 LSTM 모델은 딥 러닝 모델 RNN의 시간적 장기 의존성을 해결한 모델로 해석될 수 있다. 즉, 일실시예에 따른 제스쳐 판단 장치가 제공하는 LSTM 모델 중 도면부호 510에 해당하는 LSTM 모델을 살펴볼 수 있다. 도면부호 510에 해당하는 LSTM 모델은 시간 4에 해당하며, 현재의 입력에 해당하는 출력을 나타내는 LSTM 모델로 해석될 수 있다.

즉, 이전 LSTM 블록에서 발생하는 출력은 다시 도면부호 520에 해당하는 현재 LSTM 블록(t)의 포겟 게이트(forget gate) 입력으로 전달될 수 있다. 또한, 현재 LSTM 블록의 입력 게이트에는 지역 특징정보에 의한 CNN 학습의 결과가 입력될 수 있다. 출력 게이트에는 CNN 학습 결과의 입력과 포겟 게이트로의 입력이 모두 반영되어 출력될 수 있고, 이러한 출력 결과는 다시 도면부호 510에 해당하는 LSTM 모델을 통해 학습 후 출력될 수 있다.

도 6은 시간마다 모양, 위치, 회전, 크기 변화를 인식하는 DNN(Deep Neural Network)을 바탕으로 하는 LSTM 인지 모델(600)을 설명하는 도면이다.

일실시예에 따른 제스쳐 판단 장치가 제공하는 LSTM 인지 모델(600)은 제스쳐 변화, 위치 변화, 회전 변화, 및 센서와의 거리가 반영된 무선 임펄스 신호를 입력 받을 수 있다. 이에, LSTM 인지 모델(600)은 도면부호 610에서 보는 바와 같이 입력된 무선 임펄스 신호로부터 지역 특징과 전역 특징을 수집하고, 수집된 지역 특징에 대해서는 CNN 학습을 수행하고, 수집된 전역 특징에 대해서는 DNN 학습을 수행할 수 있다.

CNN 학습된 지역 특징은 필터 기반 함수를 통해 처리 후 지역 특징정보로 추출 후 DNN 학습을 위해 입력될 수 있고, DNN 학습된 전역 특징은 핸드크래프티드(handcrafted) 기반의 함수들을 통해 전역 특징정보로 추출 후 DNN 학습을 위해 입력될 수 있다.

도 7은 시간에 따른 제스쳐 변화를 고려하여 최적의 디바이스 동작 시점 결정하는 실시예를 설명하는 도면이다.

제스쳐 인지를 통한 기기 조작 환경에서는 동작이 수행되는 도중 기기가 조절되기 시작돼야 한다. 일실시예에 따른 센서 신호를 딥 러닝 모델을 통해서 분류할 때 정의된 각 동작에 대해 해당 동작일 확률을 결과로 얻을 수 있다. 따라서 제스쳐가 수행될 때 유사 동작(예를 들면, 확률이 2번째로 높은 제스쳐)과 차이가 분명하게 달라지는 시점에 기기를 동작하게 할 수 있다.

도면부호 710의 시점에서는 수행 제스쳐와 유사 제스쳐 간 확률이 타입 A 및 타입 B 간 큰 차이를 보이지 않는다. 도 7의 실시예(700)에서는 도면부호 710의 시점에서 타입 A일 확률이 55%이고, 타입 B일 확률이 45%이다. 이에 반해 도면부호 720의 시점에서는 수행 제스쳐와 유사 제스쳐 간 확률이 비교적 큰 차이를 보인다. 도 7의 실시예(700)에서는 도면부호 720의 시점에서 타입 A일 확률이 90%이고, 타입 B일 확률이 45%이다. 따라서 두 타입의 확률의 차이가 45%로서 상당히 다름을 확인할 수 있다. 이에, 720의 시점에서 제스쳐를 통한 기기 입력이 실질적으로 발생 하였다고 볼 수 있다.

또한 각 시간에 따른 제스쳐의 변화 속도를 반영하여 기기의 조절 속도를 제어할 수 있다.

도 8은 일실시예에 따른 제스쳐 판단 방법을 설명하는 도면이다.

일실시예에 따른 제스쳐 판단 방법은 송출 후 사용자의 제스쳐의 특징이 반영된 무선 임펄스 신호를 수신한다(단계 810).

다음으로, 일실시예에 따른 제스쳐 판단 방법은 수신한 무선 임펄스 신호로부터 전역 특징정보 및 지역 특징정보를 추출할 수 있다(단계 820).

예를 들어, 제스쳐 판단 방법은 수신된 무선 임펄스 신호에 대해 CNN(Convolutional Neural Network) 학습을 수행하여 지역 특징정보를 추출할 수 있다. 특히, 지역 특징정보를 추출하기 위해 수신된 무선 임펄스 신호에 대한 곡률(Curvatures), 엣지(Edges), 미분계수(Differential coefficients), 로컬평균(Local average) 중에서 적어도 하나에 기초하여 CNN(Convolutional Neural Network) 학습을 수행할 수 있다.

제스쳐 판단 방법은 전역 특징정보를 추출하기 위해, 수신된 무선 임펄스 신호에 대해 극대값, 극소값, 극대값의 개수(Number of high peaks), 극소값의 개수(Number of low peaks), 진폭(Amplitudes), 굴절의 수(Number of inflections), 피크들의 랭크(Ranks of peaks) 중에서 적어도 하나를 이용할 수 있다.

일실시예에 따른 제스쳐 판단 방법은 추출된 전역 특징정보 및 추출된 지역 특징정보로 무선 임펄스 신호를 학습한다(단계 830). 일례로, 제스쳐 판단 방법은 무선 임펄스 신호를 학습하기 위해 추출된 전역 특징정보와 추출된 지역 특징정보에 대해 DNN(Deep Neural Network) 학습을 수행할 수 있다.

일실시예에 따른 제스쳐 판단 방법은 학습 결과에 기초하여 무선 임펄스 신호의 수신 시간에 해당하는 정지 제스쳐를 결정한다(단계 840).

일실시예에 따른 제스쳐 판단 방법은 이전 수신 시간에서 결정된 정지 제스쳐와, 수신 시간에 결정된 정지 제스쳐를 이용해서 동작 제스쳐를 결정한다(단계 850).

구체적으로, 제스쳐 판단 방법은 동작 제스쳐를 결정하기 위해 이전 수신 시간에서 결정된 정지 제스쳐와, 수신 시간에 결정된 정지 제스쳐로부터 복수의 후보 제스쳐들을 결정할 수 있다. 또한, 제스쳐 판단 방법은 결정된 복수의 후보 제스쳐들에 대한 확률을 연산하고, 연산된 확률을 고려하여 동작 제스쳐를 결정할 수 있다.

일실시예에 따른 제스쳐 판단 방법은 연산된 확률을 고려하여 동작 제스쳐를 결정하되, 복수의 후보 제스쳐들에 대한 확률들 중, 차순위의 확률 보다 임계값 이상 높은 확률에 해당하는 후보 제스쳐를 동작 제스쳐로 결정할 수 있다.

결국, 본 발명을 이용하면 제스쳐에 대한 지역 특징뿐만 아니라 전역 특징을 모두 고려함으로써 인식율을 향상시킬 수 있다. 또한, 사용자의 정지 제스쳐 및 동작 제스쳐에 대한 인식율을 향상시킬 수 있고, 범죄, 화재, 사고 현장 등과 같이 진입이 어려운 환경에서의 제스쳐 검출에 이용할 수 있다. 뿐만 아니라, 운전자의 제스쳐를 인식함으로써 안전 운전에 도움을 줄 수 있고, 사물인터넷 분야에 응용하여 고부가 가치의 산업을 창출할 수 있다. 또한, 제스쳐 인식율을 향상시켜 실버 산업 및 복지 산업에 기여할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

100: 제스쳐 판단 장치 110: 수신부
120: 특징 추출부 130: 정지 제스쳐 판단부
140: 동작 제스쳐 판단부

Claims (17)

1. 사용자의 제스쳐가 반영된 무선 임펄스 신호를 수신하는 수신부;
   상기 무선 임펄스 신호에 대한 전역 특징정보 및 지역 특징정보를 추출하는 특징 추출부;
   상기 추출된 전역 특징정보 및 상기 추출된 지역 특징정보로 상기 무선 임펄스 신호를 학습하고, 상기 학습 결과에 기초하여 상기 무선 임펄스 신호의 수신 시간에 해당하는 정지 제스쳐를 결정하는 정지 제스쳐 판단부; 및
   이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐를 이용해서 동작 제스쳐를 결정하는 동작 제스쳐 판단부
   를 포함하는 제스쳐 판단 장치.
2. 제1항에 있어서,
   상기 동작 제스쳐 판단부는,
   상기 이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐로부터 복수의 후보 제스쳐들을 결정하고, 상기 결정된 복수의 후보 제스쳐들에 대한 확률을 연산하며, 상기 연산된 확률을 고려하여 상기 동작 제스쳐를 결정하는 제스쳐 판단 장치.
3. 제2항에 있어서,
   상기 동작 제스쳐 판단부는,
   상기 복수의 후보 제스쳐들에 대한 확률들 중, 차순위의 확률 보다 임계값 이상 높은 확률에 해당하는 후보 제스쳐를 상기 동작 제스쳐로 결정하는 제스쳐 판단 장치.
4. 제1항에 있어서,
   상기 동작 제스쳐 판단부는,
   상기 이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐로부터 제스쳐 속도를 연산하는 제스쳐 판단 장치.
5. 제1항에 있어서,
   상기 수신되는 무선 임펄스 신호는,
   송신기로부터 송출된 무선 임펄스 신호가 상기 사용자의 제스쳐에 따라 변형되는 형태인 제스쳐 판단 장치.
6. 제1항에 있어서,
   상기 특징 추출부는,
   상기 수신된 무선 임펄스 신호에 대해 CNN(Convolutional Neural Network) 학습을 수행하고, 상기 CNN(Convolutional Neural Network) 학습을 통해 지역 특징정보를 추출하는 제스쳐 판단 장치.
7. 제6항에 있어서,
   상기 특징 추출부는,
   상기 수신된 무선 임펄스 신호에 대한 파형 특징에 기초하여 상기 CNN(Convolutional Neural Network) 학습을 수행하는 제스쳐 판단 장치.
8. 제7항에 있어서,
   상기 파형 특징은,
   상기 수신된 무선 임펄스 신호에 대한 곡률(Curvatures), 엣지(Edges), 미분계수(Differential coefficients), 및 로컬평균(Local average) 중에서 적어도 하나를 포함하는 제스쳐 판단 장치.
9. 제1항에 있어서,
   상기 특징 추출부는,
   상기 수신된 무선 임펄스 신호에 대해 극대값, 극소값, 상기 극대값의 개수(Number of high peaks), 상기 극소값의 개수(Number of low peaks), 진폭(Amplitudes), 굴절의 수(Number of inflections), 및 피크들의 랭크(Ranks of peaks) 중에서 적어도 하나에 기초하여 상기 전역 특징정보를 추출하는 제스쳐 판단 장치.
10. 제1항에 있어서,
    상기 정지 제스쳐 판단부는,
    상기 추출된 전역 특징정보와 상기 추출된 지역 특징정보에 대해 DNN(Deep Neural Network) 학습을 수행하고, 상기 학습 결과에 기초하여 상기 수신 시간에 해당하는 정지 제스쳐를 결정하는 제스쳐 판단 장치.
11. 제스쳐 판단 장치의 동작 방법에 있어서,
    사용자의 제스쳐가 반영된 무선 임펄스 신호를 수신하는 단계;
    상기 무선 임펄스 신호에 대한 전역 특징정보 및 지역 특징정보를 추출하는 단계;
    상기 추출된 전역 특징정보 및 상기 추출된 지역 특징정보로 상기 무선 임펄스 신호를 학습하는 단계;
    상기 학습 결과에 기초하여 상기 무선 임펄스 신호의 수신 시간에 해당하는 정지 제스쳐를 결정하는 단계; 및
    이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐를 이용해서 동작 제스쳐를 결정하는 단계
    를 포함하는 제스쳐 판단 장치의 동작 방법.
12. 제11항에 있어서,
    상기 동작 제스쳐를 결정하는 단계는,
    상기 이전 수신 시간에서 결정된 정지 제스쳐와, 상기 수신 시간에 결정된 상기 정지 제스쳐로부터 복수의 후보 제스쳐들을 결정하는 단계;
    상기 결정된 복수의 후보 제스쳐들에 대한 확률을 연산하는 단계; 및
    상기 연산된 확률을 고려하여 상기 동작 제스쳐를 결정하는 단계
    를 포함하는 제스쳐 판단 장치의 동작 방법.
13. 제12항에 있어서,
    상기 연산된 확률을 고려하여 상기 동작 제스쳐를 결정하는 단계는,
    상기 복수의 후보 제스쳐들에 대한 확률들 중, 차순위의 확률 보다 임계값 이상 높은 확률에 해당하는 후보 제스쳐를 상기 동작 제스쳐로 결정하는 단계
    를 포함하는 제스쳐 판단 장치의 동작 방법.
14. 제11항에 있어서,
    상기 전역 특징정보 및 지역 특징정보를 추출하는 단계는,
    상기 수신된 무선 임펄스 신호에 대해 CNN(Convolutional Neural Network) 학습을 수행하여 상기 지역 특징정보를 추출하는 단계
    를 포함하는 제스쳐 판단 장치의 동작 방법.
15. 제14항에 있어서,
    상기 전역 특징정보 및 지역 특징정보를 추출하는 단계는,
    상기 수신된 무선 임펄스 신호에 대한 곡률(Curvatures), 엣지(Edges), 미분계수(Differential coefficients), 로컬평균(Local average) 중에서 적어도 하나에 기초하여 상기 CNN(Convolutional Neural Network) 학습을 수행하는 단계
    를 포함하는 제스쳐 판단 장치의 동작 방법.
16. 제11항에 있어서,
    상기 전역 특징정보 및 지역 특징정보를 추출하는 단계는,
    상기 수신된 무선 임펄스 신호에 대해 극대값, 극소값, 상기 극대값의 개수(Number of high peaks), 상기 극소값의 개수(Number of low peaks), 진폭(Amplitudes), 굴절의 수(Number of inflections), 피크들의 랭크(Ranks of peaks) 중에서 적어도 하나에 기초하여 상기 전역 특징정보를 추출하는 단계
    를 포함하는 제스쳐 판단 장치의 동작 방법.
17. 제11항에 있어서,
    상기 무선 임펄스 신호를 학습하는 단계는,
    상기 추출된 전역 특징정보와 상기 추출된 지역 특징정보에 대해 DNN(Deep Neural Network) 학습을 수행하는 단계
    를 포함하는 제스쳐 판단 장치의 동작 방법.

Images