KR102359656B1 - 이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기 - Google Patents

이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기 Download PDF

Info

Publication number
KR102359656B1
KR102359656B1 KR1020200071753A KR20200071753A KR102359656B1 KR 102359656 B1 KR102359656 B1 KR 102359656B1 KR 1020200071753 A KR1020200071753 A KR 1020200071753A KR 20200071753 A KR20200071753 A KR 20200071753A KR 102359656 B1 KR102359656 B1 KR 102359656B1
Authority
KR
South Korea
Prior art keywords
image
body composition
predicted value
unit
boundary line
Prior art date
Application number
KR1020200071753A
Other languages
English (en)
Other versions
KR20210154593A (ko
Inventor
김주영
Original Assignee
에스씨에스프로 주식회사
김주영
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 에스씨에스프로 주식회사, 김주영 filed Critical 에스씨에스프로 주식회사
Priority to KR1020200071753A priority Critical patent/KR102359656B1/ko
Publication of KR20210154593A publication Critical patent/KR20210154593A/ko
Application granted granted Critical
Publication of KR102359656B1 publication Critical patent/KR102359656B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

본 발명에 따른 체성분 분석장치는 사용자의 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출하는 제1 분석부, 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출하는 제2 분석부 및 제1 예측값 및 제2 예측값에 기초하여 상기 사용자의 체성분을 분석하는 연산부를 포함한다. 이에 의하면, 체성분 분석의 편의성을 높이고, 측정결과의 신뢰성을 향상시키고, 체성분 분석 시간을 획기적으로 줄이는 한편 언제 어디서나 체성분 분석을 가능하게 한다.

Description

이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기{IMAGE BASED BODY COMPOSITION ANALYZING APPARATUS AND BODY COMPOSITION ANALYZING METHOD, AND SMART DEVICE USING THE SAME}
본 발명은 이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기에 관한 것으로, 더욱 상세하게는 촬영된 이미지를 인공지능 학습 알고리즘을 통해 분석하여 체지방률과 골격근율 등의 체성분을 예측하는 체성분 분석장치, 체성분 분석방법 및 스마트 기기에 관한 것이다.
건강관리, 몸매관리에 대한 관심 증가에 따라 자택이나 피트니스 센터 등지에서 신체 상태를 측정하는 상황이 많아지고 있다. 체성분 분석은 주로 생체전기 임피던스 측정(Bioelectric Impedance Analysis, BIA)이나 수중 체밀도 측정 방식을 이용한다.
우리 몸은 크게 체수분, 단백질, 무기질 및 체지방으로 이루어지는데, 사용자의 신체부위에 설정 전압의 전류를 통전하여 인체 저항을 측정하고, 이로부터 체성분을 산출해내는 방법을 이용한다. 이는 비침습(non-invasive)인 검사방법으로 신속하고 간이하게 체성분 검사가 가능하므로, 다양한 장소에서 많이 활용되고 있다.
이러한 체성분 측정장치는 사용자의 양 발바닥과 양손에 전극을 연결하기 위한 구조를 가지며, 사용자는 양말을 벗고 전극 위에 올라선 뒤 전극이 구비된 손잡이를 양손에 쥔 뒤 체성분을 측정하게 된다. 따라서, 실내에 설치되어 사용자가 올라설 수 있는 정도의 부피와 내구성을 가져야 한다. 또한, 많은 사람이 함께 이용해야 하므로 피부질환 등의 전염 우려가 있다.
뿐만 아니라, 종래 방식의 체성분 측정장치는 물이나 음료를 마시기 전후, 운동 전후, 샤워 전후의 등 상황에 따라 측정값이 불일치하는 경우가 있으며, 특히, 전극에 접촉하는 피부의 면적 등에 따라 측정결과가 크게 달라지는 경우가 있다는 문제점이 있었다.
한국공개특허공보 제10-2020-0027356호 (2020.03.12. 공개) 한국공개특허공보 제10-2019-0118309호 (2019.10.18. 공개) 한국공개특허공보 제10-2018-0056266호 (2018.05.28. 공개)
본 발명은 상술한 문제점을 감안하여 안출된 것으로, 본 발명의 목적은 체성분 분석의 편의성을 높이고, 측정결과의 신뢰성을 향상시키는 한편 체성분 분석 시간을 획기적으로 줄일 수 있는 이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기를 제공함에 있다.
상기 목적을 달성하기 위한 본 발명에 따른 체성분 분석장치는, 사용자의 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출하는 제1 분석부; 상기 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출하는 제2 분석부; 및 상기 제1 예측값 및 제2 예측값에 기초하여 상기 사용자의 체성분을 분석하는 연산부;를 포함한다.
그리고, 상기 제1 분석부는, 신체 이미지에 대한 정규화(normalizaion)를 수행하거나, 이미지 속성을 조절하는 이미지 처리부; 이미지 처리부에서 처리된 신체 이미지에서 에지 디텍션(edge detection)을 통해 경계선을 추출하는 경계선 추출부; 및 다수의 이미지데이터와 신체근육 점수분포를 학습한 뒤, 상기 경계선 추출부에서 추출된 경계선 정보에 기초하여 상기 제1 예측값을 산출하는 제1 예측부;를 포함할 수 있다.
또한, 상기 제1 예측부는, 상반신을 포함하는 다수의 이미지데이터를 수집하고, 수집된 이미지데이터를 정규화한 뒤 이미지데이터에 포함된 경계선을 추출하며, 추출된 경계선 분포와 신체근육 점수분포를 이용하여 상기 근육선명도와 관련한 체성분 수치를 학습할 수 있다.
그리고, 상기 제2 분석부는, HoG(Histogram of Oriented Gradient)를 이용하여, 신체 이미지로부터 영상특징을 추출하는 영상특징 추출부; 및 상반신을 포함하는 다수의 이미지데이터를 최소자승추정법(Least Squares Estimation)을 이용하여 학습함으로써 생성된 분류기를 이용하여, 상기 영상특징에 대응하는 체성분 관련 제2 예측값을 산출하는 제2 예측부;를 포함할 수 있다.
한편, 상기 목적을 달성하기 위한 본 발명에 따른 스마트 기기는 모바일 단말로부터 신체 이미지를 수신하는 통신부; 상기 통신부를 통해 수신된 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출하는 제1 분석부; 상기 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출하는 제2 분석부; 상기 제1 예측값 및 제2 예측값에 기초하여 상기 사용자의 체성분을 분석하는 연산부; 및 상기 연산부에서 분석된 체성분 정보를 화면에 표시하거나, 지면으로 프린트하는 출력부;를 포함한다.
그리고, 상기 통신부는 상기 분석된 체성분 정보를 상기 모바일 단말로 회신할 수 있다.
또한, 상기 제1 분석부는, 신체 이미지에 대한 정규화(normalizaion)를 수행하거나, 이미지 속성을 조절하는 이미지 처리부; 이미지 처리부에서 처리된 신체 이미지에서 에지 디텍션(edge detection)을 통해 경계선을 추출하는 경계선 추출부; 및 다수의 이미지데이터와 신체근육 점수분포를 학습한 뒤, 상기 경계선 추출부에서 추출된 경계선 정보에 기초하여 상기 제1 예측값을 산출하는 제1 예측부;를 포함하고, 상기 제2 분석부는, HoG(Histogram of Oriented Gradient)를 이용하여, 신체 이미지로부터 영상특징을 추출하는 영상특징 추출부; 및 상반신을 포함하는 다수의 이미지데이터를 최소자승추정법(Least Squares Estimation)을 이용하여 학습함으로써 생성된 분류기를 이용하여, 상기 영상특징에 대응하는 체성분 관련 제2 예측값을 산출하는 제2 예측부;를 포함할 수 있다.
한편, 상기 목적을 달성하기 위한 본 발명에 따른 체성분 분석방법은 사용자 단말로부터 신체 이미지를 수신하는 수신 단계; 수신된 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출하는 제1 분석 단계; 상기 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출하는 제2 분석 단계; 상기 제1 예측값 및 제2 예측값에 기초하여 상기 사용자의 체성분을 분석하는 연산 단계; 및 분석된 체성분 정보를 상기 사용자 단말로 전송하는 전송 단계;를 포함한다.
그리고, 상기 제1 분석 단계는, 신체 이미지에 대한 정규화(normalizaion)를 수행하거나, 이미지 속성을 조절하는 이미지 처리 단계; 이미지 처리부에서 처리된 신체 이미지에서 에지 디텍션(edge detection)을 통해 경계선을 추출하는 경계선 추출 단계; 및 다수의 이미지데이터와 신체근육 점수분포를 학습한 뒤, 상기 경계선 추출부에서 추출된 경계선 정보에 기초하여 상기 제1 예측값을 산출하는 제1 예측 단계;를 포함할 수 있다.
또한, 상기 제2 분석 단계는, HoG(Histogram of Oriented Gradient)를 이용하여, 신체 이미지로부터 영상특징을 추출하는 영상특징 추출 단계; 및 상반신을 포함하는 다수의 이미지데이터를 최소자승추정법(Least Squares Estimation)을 이용하여 학습함으로써 생성된 분류기를 이용하여, 상기 영상특징에 대응하는 체성분 관련 제2 예측값을 산출하는 제2 예측 단계;를 포함할 수 있다.
본 발명에 따른 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기에 의하면, 체성분 분석의 편의성을 높이고, 측정결과의 신뢰성을 향상시키고, 체성분 분석 시간을 획기적으로 줄이는 한편 언제 어디서나 체성분 분석을 가능하게 한다.
도 1은 본 발명에 따른 체성분 분석장치의 사전학습 과정을 설명하기 위한 도면이다.
도 2는 본 발명에 따른 체성분 분석장치의 구성을 나타내는 도면이다.
도 3은 본 발명에 따른 이미지 기반 체성분 분석용 스마트 기기를 나타내는 도면이다.
도 4는 본 발명에 따른 이미지 기반 체성분 분석용 스마트 기기의 동작 방식을 설명하는 개략도이다.
도 5는 본 발명에 따른 이미지 기반 체성분 분석용 스마트 기기의 구성을 나타내는 블록도이다.
도 6은 본 발명에 따른 체성분 분석방법을 설명하기 위한 개략도이다.
도 7은 본 발명에 따른 체성분 분석방법의 흐름을 나타내는 도면이다.
도 8은 본 발명에 따른 이미지 기반 체성분 분석용 스마트 기기가 스마트폰으로 구현된 경우를 도시한다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시 형태를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 형태는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시 형태는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 형태에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시 형태로 구현될 수 있다. 또한, 각각의 개시된 실시 형태 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
도 1은 본 발명에 따른 체성분 분석장치의 사전학습 과정을 설명하기 위한 도면이다. 본 발명에 따른 체성분 분석장치는 제1 예측부를 이용하여 근육 선명도에 기초한 제1 예측값을 분석하고, 제2 예측부를 이용하여 이미지 특징추출을 통한 제2 예측값을 분석한다.
제1 예측값과 제2 예측값은 체성분에 대한 예측값을 의미하며, 체지방률 및 골격근율을 포함하지만, 이에 한정되지 않고, 신체나이, 신체점수, 내장지방률, 기초대사량 등의 다양한 체성분 수치에 대한 예측값일 수 있다.
도 1에 도시된 바와 같이, 제1 예측부(113)는 다수의 이미지데이터를 수집하고, 수집된 이미지데이터의 조명효과를 제거한 뒤 상기 신체 이미지에 포함된 경계선을 추출하며, 추출된 경계선 분포에 따라 신체근육 점수분포를 추출한다.
구체적으로, 제1 DB(10)는 다양한 신체 이미지 데이터를 저장한다. 구체적으로, 신체 이미지는 상반신이 촬영된 스틸 이미지 혹은 영상 이미지일 수 있다. 제1 DB는 구글(Google) 등의 학습용 이미지 데이터베이스일 수 있지만, 이에 한정되지 않는다. 이미지 처리부(11)는 제1 DB(10)에 저장된 이미지를 전처리하는 기능을 갖는다. 즉, 이미지 처리부(11)는 이미지의 명도, 채도, 색상, 조명효과, 화이트밸런스, 선명도 등을 조절하는 기능을 갖는다. 바람직하게, 이미지 처리부(11)는 조명 효과를 제거하여, 신체 이미지를 흑백 이미지로 변경하여, 경계선 추출을 용이하게 만든다. 또한, 이미지 처리부(11)는 수많은 이미지 데이터를 정규화(normalization)하는데, 이를 통해 식별 능력을 개선하고 학습 속도를 높일 수 있게 된다.
경계선 추출부(12)는 전처리 및 정규화된 이미지에서 경계선을 추출하는 기능을 갖는다. 경계선 추출부(12)는 에지 디텍션(edge detection) 방식을 이용한다. 에지(edge)는 신체 이미지에서 신체가 갖는 윤곽선을 의미하며, 이를 통해 복근, 흉근 등의 근육 윤곽을 파악할 수 있다. 에지 디텍션을 수행하는 경우, Prewitt Mask, Sobel Mask, Roberts Mask 등의 다양한 에지 검출 마스크를 사용할 수 있고, 가우시안 필터(Gaussian Filter)를 적용하고, 가장 알맞은 최소/최대 임계값(threshold value)을 추출한 뒤 Canny 함수를 사용하여 에지를 검출하는 알고리즘을 주로 이용하지만, 이에 한정되지 않는다.
신체근육 점수할당부(13)는 경계선 추출부(12)에서 추출된 경계선 이미지를 기반으로, 분류된 경계선 이미지마다 신체근육 점수를 할당하는 기능을 갖는다. 예를 들어, 신체근육 점수할당부(13)는 경계선 추출부(12)에서 추출된 제1 경계선 이미지 집단에 대해서는 0점으로 분류하고, 제n 경계선 이미지 집단에 대해서는 200점으로 분류한다. 이후, 신체근육 점수할당부(13)는 0점으로 분류된 제1 경계선 이미지 집단에 대응하면 체지방률 또는 골격근량의 체성분 수치를 30% 이하인 것으로 할당하고, 100점으로 분류된 제k 경계선 이미지 집단에 대응하면 체지방률 또는 골격근량의 체성분 수치를 25% 이하인 것으로 할당하며, 400점으로 분류된 제p 경계선 이미지 집단에 대응하면 체지방률 또는 골격근량의 체성분 수치를 7% 이하인 것으로 할당할 수 있다. 신체근육 점수할당부(13)에서 이용하는 경계선 이미지는 사용자의 복근을 중심으로 한 상반신 이미지에 대한 경계선을 포함하는 것이 바람직하다. 체지방감소는 특정 부위에서만 일어나지 않고, 전신에서 고르게 동시에 일어나며, 특히, 상반신의 흉근, 복근 영역에서의 근육 라인을 통하여 체지방률을 육안으로 어느정도 판단할 수 있다. 다만, 본 발명에 따른 체성분 분석장치를 이용하면, 육안에 의한 주관적인 판단을 벗어나 객관적이고 신뢰성 있는 체성분 분석 결과를 확보할 수 있다.
종합하면, 제1 예측부(113)는 상반신을 포함하는 다수의 이미지데이터를 수집하고, 수집된 이미지데이터를 정규화한 뒤 이미지데이터에 포함된 경계선을 추출하며, 추출된 경계선 분포와 신체근육 점수분포를 이용하여 상기 근육선명도와 관련한 체성분 수치를 학습할 수 있다. 제1 예측부(113)의 근육선명도 관련 학습은 위에서 설명한 실시예에 한정되지 않고, 종래의 다양한 심층신경망 학습 알고리즘에 의하여 이루어질 수 있다.
다시, 도 1을 참조하면, 제2 DB(20)는 다양한 신체 이미지 데이터를 저장한다. 구체적으로, 신체 이미지는 상반신이 촬영된 스틸 이미지 혹은 영상 이미지일 수 있다. 제2 DB는 구글(Google) 등의 학습용 이미지 데이터베이스일 수 있지만, 이에 한정되지 않는다.
영상특징 추출부(21)는 제2 DB(20)에 저장된 이미지에서 영상특징을 추출하는 기능을 갖는다. 이때, 영상특징 추출부(21)는 이미지 처리부(11)와 마찬가지로 이미지 데이터의 정규화(normalization)를 먼저 수행할 수 있다. 영상특징 추출은 HoG를 이용한 영상특징 추출 알고리즘에 의하여 이루어질 수 있다.
HoG(Histogram of Oriented Gradient)는 대상영역(상반신 이미지에서 복근, 흉근 등의 영역)을 일정 크기의 셀로 분할하고, 각 셀마다 에지(edge) 픽셀emfdml 방향에 대한 히스토그램을 획득한 뒤 히스토그램 bin 값들을 일렬로 연결한 벡터로, 에지의 방향정보를 이용하기 때문에 일종의 에지 기반 템플릿 매칭 방법으로도 볼 수 있다. 에지는 기본적으로 영상의 밝기 변화, 조명 변화 등에 덜 민감하므로 HOG 또한 유사한 특성을 가질 수 있으며, 특히, 본 발명과 같이 근육의 윤곽을 이용하는 경우에 적합한 영상특징 추출 알고리즘이다.
영상특징 추출부(21)에서 이용하는 영상특징 추출 알고리즘은 HoG에 에 한정되지 않고, SIFT(Scale Invariant Feature Transform), Haar, Ferns, LBP(Local Binary Pattern), MCT(Modified Census Transform) 등 다양한 영상특징 추출 알고리즘을 이용할 수 있다.
한편, 영상특징 추출부(21)는 광학로우패스필터(OLPF, Optical Law Pass Filter)를 이용한 고선명 영상이나 로우 이미지(Raw image)를 이용하여 영상특징 추출을 수행할 수 있다.
영상특징 추출부(21)에서 영상특징이 추출되면, 해당 영상특징에 기초하여 분류기 학습이 이루어진다. 분류기 학습부(22)는 최소자승추정법(Least Squares Estimation)을 이용하여 영상특징에 따라 체성분(체지방률, 골격근율)을 분류할 수 있다.
최소자승추정법(Least Squares Estimation)은 파라미터(parameter)를 추정하는 대표적인 방법으로, 머신러닝의 지도학습알고리즘 중 선형회귀모델에 해당한다. 이를 통하여, 신체 이미지 데이터들 사이에서 패턴을 뽑아낼 수 있고, 패턴과 체성분(체지방률, 골격근율) 수치를 연결시킴으로써, 분류기를 생성해낼 수 있다. 한편, 다른 실시예에서는 SLP(Single-layer perceptron), MLP(Multi-layer perceptron)을 이용한 뉴럴네트워크(Neural Network), SVM(Support Vector Machine), Adaboost, Random Forest, Haar Cascade Classifier, kNN(k-Nearest Neighbor) 등의 다양한 알고리즘의 분류기를 채택하여 이용할 수 있을 것이다.
제2 예측부(122)는 위와 같은 심층신경망 학습 알고리즘으로 생성된 분류기를 이용하여, 영상특징을 대입하면 바로 체성분을 예측할 수 있게 된다.
도 2는 본 발명에 따른 체성분 분석장치의 구성을 나타내는 도면이다. 도 2에 도시된 바와 같이, 본 발명에 따른 체성분 분석장치(100)는 제1 분석부(110), 제2 분석부(120) 및 연산부(130)를 포함한다.
제1 분석부(110)는 사용자의 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출한다. 제2 분석부(120)는 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출한다. 연산부(130)는 제1 예측값 및 제2 예측값에 기초하여 사용자의 체성분을 종합적으로 분석한다.
제1 예측값과 제2 예측값은 체성분에 대한 예측값을 의미하며, 체지방률 및 골격근율을 포함하지만, 이에 한정되지 않고, 신체나이, 신체점수, 내장지방률, 기초대사량 등의 다양한 체성분 수치에 대한 예측값일 수 있다. 체지방은 인체에 있는 지방을 지칭하고, 체지방량을 비율로 나타낸 것을 체지방률(percent body fat)이라고 한다. 골격근(skeletal muscle)은 뼈와 근육을 통칭하며, 그 양을 골격근량이라하고, 골격근량을 비율로 나타낸 것을 골격근율이라고 한다.
제1 분석부(110)는 이미지 처리부(111), 경계선 추출부(112) 및 제1 예측부(113)를 포함한다. 제1 예측부(113)는 도 1을 참조하면서 설명한 바와 같이, 다수의 신체 이미지 데이터를 통해 근육 선명도 관련 체성분 값을 예측하도록 학습되어 있다.
따라서, 제1 분석부(110)의 이미지 처리부(111) 및 경계선 추출부(112)는 학습 과정의 이미지 처리부(11)와 경계선 추출부(12)와 동일한 기능을 가질 수 있다. 다만, 다른 실시예에서는 이미지 처리부(111) 및 경계선 추출부(112)는 학습 과정의 이미지 처리부(11)와 경계선 추출부(12)와 상이한 기능을 가질 수 있고, 상이한 알고리즘에 의하여 동일한 기능을 수행할 수도 있다.
이미지 처리부(111)는 신체 이미지에 대한 정규화(normalizaion)를 수행하거나, 이미지 속성을 조절한다. 구체적으로, 이미지 처리부(111)는 이미지의 명도, 채도, 색상, 조명효과, 화이트밸런스, 선명도 등을 조절하거나, 조명 효과를 제거하여, 신체 이미지를 흑백 이미지로 변경하여, 경계선 추출을 용이하게 만든다. 또한, 이미지 처리부(111)는 수많은 이미지 데이터를 정규화(normalization)할 수 있다.
경계선 추출부(112)는 전처리 및 정규화된 이미지에서 경계선을 추출한다. 이때, 위에서 설명한 바와 같이 에지 디텍션(edge detection) 방식을 이용할 수 있으며, 에지 디텍션 알고리즘에 이용되는 마스크, 필터 등은 기존의 다양한 방식을 적용할 수 있다.
제1 예측부(113)는, 도 1을 참조하면서 설명한 바와 같이, 상반신을 포함하는 다수의 이미지데이터를 수집하고, 수집된 이미지데이터를 정규화한 뒤 이미지데이터에 포함된 경계선을 추출하며, 추출된 경계선 분포와 신체근육 점수분포를 이용하여 상기 근육선명도와 관련한 체성분 수치를 학습한 상태이기 때문에, 경계선 추출부(112)를 통해 전달된 상반신 근육에 대한 경계선 정보에 기초하여, 제1 예측값을 추출할 수 있다. 이때, 제1 예측값은 근육 선명도에 기초한 체성분 관련 정보일 것이다.
제2 분석부(120)는 영상특징 추출부(121) 및 제2 예측부(122)를 포함한다. 제2 예측부(122)는 도 1을 참조하면서 설명한 바와 같이, 다수의 신체 이미지 데이터의 영상특징 추출에 기초하여 체성분 값을 예측하도록 학습된 분류기를 포함한다.
따라서, 제2 분석부(120)의 영상특징 추출부(121)는 학습 과정의 영상특징 추출부(121)와 동일한 기능을 가질 수 있다. 다만, 다른 실시예에서는 제2 분석부(120)의 영상특징 추출부(121)와 학습 과정의 영상특징 추출부(21)가 상이한 기능을 갖거나, 상이한 알고리즘에 의하여 동일한 기능을 수행할 수도 있다.
영상특징 추출부(121)는 사용자의 신체 이미지에서 영상특징을 추출하는데, 먼저, 이미지 데이터의 정규화(normalization)를 수행할 수 있다. 영상특징 추출은 위에서 설명한 HoG를 이용한 영상특징 추출 알고리즘에 의하여 이루어질 수 있지만, 이에 한정되지 않고, SIFT(Scale Invariant Feature Transform), Haar, Ferns, LBP(Local Binary Pattern), MCT(Modified Census Transform) 등 다양한 영상특징 추출 알고리즘을 이용할 수 있다.
한편, 영상특징 추출부(121)는 광학로우패스필터(OLPF, Optical Law Pass Filter)를 이용한 고선명 영상이나 로우 이미지(Raw image)를 이용하여 영상특징 추출을 수행할 수 있다. 영상특징 추출부(121)에서 영상특징이 추출되면, 학습된 분류기를 포함하는 제2 예측부에 의하여 체성분(체지방률, 골격근율) 관련 제2 예측값이 생성될 수 있다.
마지막으로, 연산부(130)는 제1 예측값과 제2 예측값에 기초하여 체성분에 대한 종합적인 결과값을 생성할 수 있다. 연산부(130)는 제1 예측값 및 제2 예측값에 대응하는 체성분값을 룩업 테이블(LUT)의 형태로 저장할 수 있다. 아래 [표 1]은 제1 예측값 및 제2 예측값에 대응되는 체지방률값을 나타내는 룩업테이블(LUT1)의 예이다.
항목 제1 예측값 제2 예측값 체지방률
1
10%		 10% 10%
2 11% 10.5%
… … …
101
11%		 10% 10.4%
102 11% 10.8%
… … …
1051 15% 19% 16.73%
… … … …
아래 [표 2]는 제1 예측값 및 제2 예측값에 대응되는 골격근율값을 나타내는 룩업테이블(LUT2)의 예이다.
항목 제1 예측값 제2 예측값 골격근율
1
35%		 37% 36%
2 38% 36.5%
… … …
101
36%		 37% 36.3%
102 38% 36.5%
… … …
1051 42% 44% 43%
… … … …
상기 룩업테이블(LUT1, LUT2)에 기초하여, 체성분값(체지방율, 골격근율)이 개별적으로 도출될 수 있을 것이다.
Figure 112020060765774-pat00001
(여기서, Pa: 체성분값, α: 제1 예측값에 대한 가중치, Pe: 제1 예측값, β: 제2 예측값에 대한 가중치, Pm: 제2 예측값)
여기서, 신체 이미지는 스마트폰 등의 모바일 단말(M)로부터 전송될 수도 있고, 내장된 카메라에 의하여 획득될 수도 있다. 또한, 연산부(130)에서 산출된 최종 체성분 정보는 지면으로 출력될 수도 있고, 사용자의 모바일 단말(M)로 전송될 수도 있다.
도 3은 본 발명에 따른 이미지 기반 체성분 분석용 스마트 기기를 나타내는 도면이고, 도 4는 본 발명에 따른 이미지 기반 체성분 분석용 스마트 기기의 동작 방식을 설명하는 개략도이며, 도 5는 본 발명에 따른 이미지 기반 체성분 분석용 스마트 기기의 구성을 나타내는 블록도이다.
본 발명에 따른 이미지 기반 체성분 분석용 스마트 기기(200)가 도 3에서는 키오스크(kiosk)로 도시되었으나, 다른 실시예에서는 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상 전화기, 전자북 리더기(e-book reader), 데스크탑 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), 모바일 의료기기, 또는 웨어러블 장치(wearable device)(예: 스마트 안경, 헤드마운티드 디스플레이 (head-mounted-device(HMD)), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트 워치(smart watch)), 스마트 미러(smart mirror) 등으로 구현될 수 있다.
또한, 스마트 기기(200)는 TV, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), 홈 오토매이션 컨트롤 패널(home automation control panel), 보안 컨트롤 패널(security control panel), TV 박스), 게임 콘솔, 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자와 같은 스마트 가전 제품(smart home appliance)으로 구현될 수 있다. 스마트 기기(200)는 위에서 언급한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있지만, 전술한 기기들에 한정되지 않는다.
도 3에 도시된 바와 같이, 본 발명에 따른 스마트 기기(200)는 스마트폰과 같은 사용자의 모바일 단말(M)과 연동하여 체성분 분석을 수행할 수 있다.
스마트 기기(200)는, 도 5에 도시된 바와 같이, 제1 분석부(210), 제2 분석부(220), 연산부(230), 통신부(240) 및 출력부(250)를 포함할 수 있다. 제1 분석부(210)는 이미지 처리부(211), 경계선 추출부(212) 및 제1 예측부(213)를 포함하고, 제2 분석부(220)는 영상특징 추출부(221) 및 제2 예측부(222)를 포함한다.
제1 분석부(210), 제2 분석부(220) 및 연산부(230)의 구성은, 위에서 상세히 설명한 바 여기서는 설명을 생략한다. 통신부(240)는 유선통신망 또는 무선통신망을 통하여 모바일 단말(M)과 스마트 기기(200)를 연결한다. 유선 통신망은 HDMI(high-definition multimedia interface), USB (universal serial bus)등의 유선 케이블을 이용한 유선 통신망을 포함할 수 있지만, 이에 한정되지 않는다. 무선 통신망은 지웨이브(Z-wave), 지그비(zigbee), 와이파이(wifi), 블루투스(ble), LTE-M, 로라(LoRa, long Range), 협대역 사물인터넷(NB-IoT), 적외선통신(Infrared Data Association, IrDA) 등의 근거리 무선 통신망을 포함할 수 있다. 또한, 무선통신망은 무선랜(Wireless LAN, WLAN), 와이브로(Wireless Broadband, Wibro), Wifi(wireless fidelity), WiMax(world interoperability for microwave access), GSM(global system for mobile communication) 또는 CDMA(code division multiple access)와 같은 2G 이동통신망, WCDMA(wideband code division multiple access) 또는 CDMA2000과 같은 3G 이동통신망, HSDPA(high speed downlink packet access) 또는 HSUPA(high speed uplink packet access)와 같은 3.5G 이동통신망, LTE(long term evolution)망 또는 LTE-Advanced망과 같은 4G 이동통신망, 및 5G 이동통신망 등을 포함할 수 있다.
스마트 기기(200)는 모바일 단말(M)로부터 사용자의 신체 이미지, 더욱 상세하게는, 상반신을 포함하는 신체 이미지를 수신한다. 그 외에, 사용자의 연령, 키, 몸무게 등의 신체 정보를 수신할 수 있다.
출력부(250)는 디스플레이(250D) 및/또는 프린터(250P)로 구현될 수 있다. 즉, 도 3에 도시된 바와 같이, 연산부(230)에서 추출된 체성분 정보(D)는 디스플레이(250D)를 통해 표시될 수도 있고, 프린터(250P)를 통해 지면으로 출력될 수 있다. 한편, 통신부(240)는 연산부(230)에서 추출된 체성분 정보를 모바일 단말(M)로 무선 송신하여, 사용자로 하여금 체성분 정보를 확인할 수 있게 한다.
도 4를 참조하면서 다시 설명하면, 모바일 단말(M)로부터 이미지가 전송되면, 스마트 기기(200)에서는 제1 분석부(210), 제2 분석부(220) 및 연산부(230)가 동작하여 이미지에 대응하는 체성분 정보를 추출한다.
분석된 체성분 정보는 모바일 단말(M)로 무선전송되거나, 스마트 기기(200)의 디스플레이(250D)에 표시되거나, 프린터(250P)에 의하여 지면으로 출력될 수 있다.
도 6은 본 발명에 따른 체성분 분석방법을 설명하기 위한 개략도이고, 도 7은 본 발명에 따른 체성분 분석방법의 흐름을 나타내는 도면이다.
도 6에 도시된 바와 같이, 체성분 분석은 해당 서비스를 제공하는 서비스제공자의 서버, 클라우드 서버 등에서 이루어질 수 있다. 즉, 사용자가 모바일 단말을 통하여, 상반신이 포함된 신체 이미지를 전송하면, 해당 서버에서 체성분 분석을 수행하고, 그 결과를 사용자의 모바일 단말로 전송할 수 있다. 본 발명에 따른 체성분 분석방법은 모바일 단말에 설치된 애플리케이션(application)을 통하여 이루어질 수 있다.
구체적으로, 체성분 분석방법은 모바일 단말로부터 신체 이미지를 수신하는 수신 단계(S100), 수신된 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출하는 제1 분석 단계(S200), 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출하는 제2 분석 단계(S300), 제1 예측값 및 제2 예측값에 기초하여 상기 사용자의 체성분을 분석하는 연산 단계(S400) 및 분석된 체성분 정보를 모바일 단말로 전송하는 전송 단계(S500)를 포함할 수 있다.
이때, 제1 분석 단계(S200)는, 신체 이미지에 대한 정규화(normalizaion)를 수행하거나, 이미지 속성을 조절하는 이미지 처리 단계(S210), 이미지 처리부에서 처리된 신체 이미지에서 에지 디텍션(edge detection)을 통해 경계선을 추출하는 경계선 추출 단계(S220) 및 다수의 이미지데이터와 신체근육 점수분포를 학습한 뒤, 상기 경계선 추출부에서 추출된 경계선 정보에 기초하여 상기 제1 예측값을 산출하는 제1 예측 단계(S230)을 포함할 수 있다.
또한, 제2 분석 단계(S300)는, HoG(Histogram of Oriented Gradient)를 이용하여, 신체 이미지로부터 영상특징을 추출하는 영상특징 추출 단계(S310) 및 상반신을 포함하는 다수의 이미지데이터를 최소자승추정법(Least Squares Estimation)을 이용하여 학습함으로써 생성된 분류기를 이용하여, 상기 영상특징에 대응하는 체성분 관련 제2 예측값을 산출하는 제2 예측 단계(S320)을 포함할 수 있다.
다시, 도 7을 참조하면, 모바일 단말(M)에서 체지방 분석서버(S)로 이미지를 전송하면, 체지방 분석서버(S)는 이미지를 수신하고, 위에서 설명한 제1 분석 단계, 제2 분석 단계 및 연산 단계를 거쳐서 체성분을 분석한 뒤, 그 분석결과를 모바일 단말(M)로 전송한다. 모바일 단말(M)은 분석결과를 화면에 출력하거나, 지면으로 프린트할 수 있다.
도 8은 본 발명에 따른 이미지 기반 체성분 분석용 스마트 기기가 스마트폰으로 구현된 경우를 도시한다.
일반적인 스마트폰과 마찬가지로, 도 8의 스마트 기기(300)는 카메라부(340)와 디스플레이부(350)를 포함한다. 카메라부(340)는 스마트 기기(300)의 전면 및/또는 후면에 설치되어 스틸 이미지 또는 무빙 이미지를 획득한다.
카메라부(34)를 통해 획득된 이미지는 제1 분석부(310)와 제2 분석부(320)로 전달되고, 제1 분석부(310)로부터 추출된 제1 예측값과 제2 분석부(320)로부터 추출된 제2 예측값은 연산부(330)로 전달된다.
제1 분석부(310)는 카메라부(340)를 통해 획득된 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출한다. 제2 분석부(320)는 카메라부(340)를 통해 획득된 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출한다. 연산부(330)는 제1 예측값 및 제2 예측값에 기초하여 사용자의 체성분을 종합적으로 분석한다.
제1 분석부(310)는 이미지 처리부, 경계선 추출부 및 제1 예측부를 포함한다. 제1 예측부는, 위에서 설명한 바와 같이, 다수의 신체 이미지 데이터를 통해 근육 선명도 관련 체성분 값을 예측하도록 학습되어 있다. 이미지 처리부는 신체 이미지에 대한 정규화(normalizaion)를 수행하거나, 이미지 속성을 조절한다. 구체적으로, 이미지 처리부(111)는 이미지의 명도, 채도, 색상, 조명효과, 화이트밸런스, 선명도 등을 조절하거나, 조명 효과를 제거하여, 신체 이미지를 흑백 이미지로 변경하여, 경계선 추출을 용이하게 만든다. 또한, 이미지 처리부는 수많은 이미지 데이터를 정규화(normalization)할 수 있다. 경계선 추출부는 전처리 및 정규화된 이미지에서 경계선을 추출한다. 이때, 위에서 설명한 바와 같이 에지 디텍션(edge detection) 방식을 이용할 수 있으며, 에지 디텍션 알고리즘에 이용되는 마스크, 필터 등은 기존의 다양한 방식을 적용할 수 있다.
제1 예측부는, 도 1을 참조하면서 설명한 바와 같이, 상반신을 포함하는 다수의 이미지데이터를 수집하고, 수집된 이미지데이터를 정규화한 뒤 이미지데이터에 포함된 경계선을 추출하며, 추출된 경계선 분포와 신체근육 점수분포를 이용하여 상기 근육선명도와 관련한 체성분 수치를 학습한 상태이기 때문에, 경계선 추출부를 통해 전달된 상반신 근육에 대한 경계선 정보에 기초하여, 제1 예측값을 추출할 수 있다. 이때, 제1 예측값은 근육 선명도에 기초한 체성분 관련 정보일 것이다.
제2 분석부(320)는 영상특징 추출부 및 제2 예측부를 포함한다. 제2 예측부는 위에서 설명한 바와 같이, 다수의 신체 이미지 데이터의 영상특징 추출에 기초하여 체성분 값을 예측하도록 학습된 분류기를 포함한다. 영상특징 추출부는 사용자의 신체 이미지에서 영상특징을 추출하는데, 먼저, 이미지 데이터의 정규화(normalization)를 수행할 수 있다. 영상특징 추출은 위에서 설명한 HoG를 이용한 영상특징 추출 알고리즘에 의하여 이루어질 수 있지만, 이에 한정되지 않고, SIFT(Scale Invariant Feature Transform), Haar, Ferns, LBP(Local Binary Pattern), MCT(Modified Census Transform) 등 다양한 영상특징 추출 알고리즘을 이용할 수 있다. 한편, 영상특징 추출부는 광학로우패스필터(OLPF, Optical Law Pass Filter)를 이용한 고선명 영상이나 로우 이미지(Raw image)를 이용하여 영상특징 추출을 수행할 수 있다. 영상특징 추출부에서 영상특징이 추출되면, 학습된 분류기를 포함하는 제2 예측부에 의하여 체성분(체지방률, 골격근율) 관련 제2 예측값이 생성될 수 있다.
연산부(330)는 제1 예측값과 제2 예측값에 기초하여 체성분에 대한 종합적인 체성분 결과값을 도출할 수 있다. 연산부(330)는 제1 예측값 및 제2 예측값에 대응하는 체성분값을 기저장된 룩업 테이블(LUT)에서 찾아내어 체성분 결과값을 도출할 수도 있고, 다양한 수식을 통해 체성분값을 도출할 수도 있다.
연산부(330)에서 도출된 체성분 결과값은 디스플레이부(350)를 통해 표시된다.
위에서 설명한 본 발명에 따른 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기에 의하면, 체성분 분석의 편의성을 높이고, 측정결과의 신뢰성을 향상시키고, 체성분 분석 시간을 획기적으로 줄이는 한편 언제 어디서나 체성분 분석이 가능해진다.
위에서 설명한 다양한 실시예에 따른 체성분 분석방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 기록 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상술한 다양한 실시예에 따른 체성분 분석 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
100: 체성분 분석장치
110, 210: 제1 분석부
111, 211: 이미지 처리부
112, 212: 경계선 추출부
113, 213: 제1 예측부
120, 220: 제2 분석부
121, 221: 영상특징 추출부
122, 222: 제2 예측부
130, 230: 연산부
240: 통신부
250: 출력부
340: 카메라부
350: 디스플레이부
200, 300: 스마트 기기

Claims (10)

  1. 사용자의 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출하는 제1 분석부;
    상기 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출하는 제2 분석부; 및
    상기 제1 예측값 및 제2 예측값에 기초하여 상기 사용자의 체성분을 분석하는 연산부;를 포함하고,
    상기 제1 분석부는,
    신체 이미지에 대한 정규화(normalizaion)를 수행하거나, 이미지 속성을 조절하는 이미지 처리부;
    이미지 처리부에서 처리된 신체 이미지에서 에지 디텍션(edge detection)을 통해 경계선을 추출하는 경계선 추출부; 및
    다수의 이미지데이터와 신체근육 점수분포를 학습한 뒤, 상기 경계선 추출부에서 추출된 경계선 정보에 기초하여 상기 제1 예측값을 산출하는 제1 예측부;를 포함하는 체성분 분석장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 제1 예측부는,
    상반신을 포함하는 다수의 이미지데이터를 수집하고, 수집된 이미지데이터를 정규화한 뒤 이미지데이터에 포함된 경계선을 추출하며, 추출된 경계선 분포와 신체근육 점수분포를 이용하여 상기 근육 선명도와 관련한 체성분 수치를 학습하는 체성분 분석장치.
  4. 제1항에 있어서,
    상기 제2 분석부는,
    HoG(Histogram of Oriented Gradient)를 이용하여, 신체 이미지로부터 영상특징을 추출하는 영상특징 추출부; 및
    상반신을 포함하는 다수의 이미지데이터를 최소자승추정법(Least Squares Estimation)을 이용하여 학습함으로써 생성된 분류기를 이용하여, 상기 영상특징에 대응하는 체성분 관련 제2 예측값을 산출하는 제2 예측부;를 포함하는 체성분 분석장치.
  5. 모바일 단말로부터 신체 이미지를 수신하는 통신부;
    상기 통신부를 통해 수신된 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출하는 제1 분석부;
    상기 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출하는 제2 분석부;
    상기 제1 예측값 및 제2 예측값에 기초하여 사용자의 체성분을 분석하는 연산부; 및
    상기 연산부에서 분석된 체성분 정보를 화면에 표시하거나, 지면으로 프린트하는 출력부;를 포함하고,
    상기 제1 분석부는,
    신체 이미지에 대한 정규화(normalizaion)를 수행하거나, 이미지 속성을 조절하는 이미지 처리부;
    이미지 처리부에서 처리된 신체 이미지에서 에지 디텍션(edge detection)을 통해 경계선을 추출하는 경계선 추출부; 및
    다수의 이미지데이터와 신체근육 점수분포를 학습한 뒤, 상기 경계선 추출부에서 추출된 경계선 정보에 기초하여 상기 제1 예측값을 산출하는 제1 예측부;를 포함하는 스마트 기기.
  6. 제5항에 있어서,
    상기 통신부는 상기 분석된 체성분 정보를 상기 모바일 단말로 회신하는 스마트 기기.
  7. 제5항에 있어서,
    상기 제2 분석부는,
    HoG(Histogram of Oriented Gradient)를 이용하여, 신체 이미지로부터 영상특징을 추출하는 영상특징 추출부; 및
    상반신을 포함하는 다수의 이미지데이터를 최소자승추정법(Least Squares Estimation)을 이용하여 학습함으로써 생성된 분류기를 이용하여, 상기 영상특징에 대응하는 체성분 관련 제2 예측값을 산출하는 제2 예측부;를 포함하는 스마트 기기.
  8. 사용자 단말로부터 신체 이미지를 수신하는 수신 단계;
    수신된 신체 이미지의 근육 선명도에 기초하여 체성분 관련 제1 예측값을 추출하는 제1 분석 단계;
    상기 신체 이미지의 이미지 특징추출을 통하여 체성분 관련 제2 예측값을 추출하는 제2 분석 단계;
    상기 제1 예측값 및 제2 예측값에 기초하여 상기 사용자의 체성분을 분석하는 연산 단계; 및
    분석된 체성분 정보를 상기 사용자 단말로 전송하는 전송 단계;를 포함하고,
    상기 제1 분석 단계는,
    신체 이미지에 대한 정규화(normalizaion)를 수행하거나, 이미지 속성을 조절하는 이미지 처리 단계;
    이미지 처리부에서 처리된 신체 이미지에서 에지 디텍션(edge detection)을 통해 경계선을 추출하는 경계선 추출 단계; 및
    다수의 이미지데이터와 신체근육 점수분포를 학습한 뒤, 상기 경계선 추출 단계에서 추출된 경계선 정보에 기초하여 상기 제1 예측값을 산출하는 제1 예측 단계;를 포함하는 체성분 분석방법.
  9. 삭제
  10. 제8항에 있어서,
    상기 제2 분석 단계는,
    HoG(Histogram of Oriented Gradient)를 이용하여, 신체 이미지로부터 영상특징을 추출하는 영상특징 추출 단계; 및
    상반신을 포함하는 다수의 이미지데이터를 최소자승추정법(Least Squares Estimation)을 이용하여 학습함으로써 생성된 분류기를 이용하여, 상기 영상특징에 대응하는 체성분 관련 제2 예측값을 산출하는 제2 예측 단계;를 포함하는 체성분 분석방법.
KR1020200071753A 2020-06-12 2020-06-12 이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기 KR102359656B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200071753A KR102359656B1 (ko) 2020-06-12 2020-06-12 이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200071753A KR102359656B1 (ko) 2020-06-12 2020-06-12 이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기

Publications (2)

Publication Number Publication Date
KR20210154593A KR20210154593A (ko) 2021-12-21
KR102359656B1 true KR102359656B1 (ko) 2022-02-09

Family

ID=79165542

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200071753A KR102359656B1 (ko) 2020-06-12 2020-06-12 이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기

Country Status (1)

Country Link
KR (1) KR102359656B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230116522A (ko) * 2022-01-28 2023-08-04 주식회사 모그 체형 및 체성분 산출 방법 및 이를 이용한 건강 개선 프로그램 제공 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100691513B1 (ko) * 2005-01-13 2007-03-09 주식회사 락테크놀로지 유무선 통신망을 이용한 의료 정보 서비스 제공 시스템 및방법
KR101865814B1 (ko) 2016-11-18 2018-06-11 (주)원소프트다임 휴대용 체성분 측정기에 활동량센서를 부가한 스마트 디바이스
KR20190065060A (ko) * 2017-12-01 2019-06-11 동국대학교 산학협력단 오픈 소스 하드웨어를 이용한 신체 측정 장치 및 방법
KR102085812B1 (ko) 2018-04-10 2020-03-06 가톨릭관동대학교산학협력단 촬영 이미지 기반의 건강상태 분석 및 정보 제공 방법, 그의 장치 및 그의 기록 매체
KR20200027356A (ko) 2018-09-04 2020-03-12 이우재 체성분 분석 장치 및 그 방법

Also Published As

Publication number Publication date
KR20210154593A (ko) 2021-12-21

Similar Documents

Publication Publication Date Title
KR102339915B1 (ko) 셀피를 촬영하도록 사용자를 안내하기 위한 시스템 및 방법
US9971876B2 (en) Method, system and electronic device for diet management
WO2020207423A1 (zh) 肤质检测方法、肤质等级分类方法及肤质检测装置
CN108629306B (zh) 人体姿态识别方法及装置、电子设备、存储介质
JP6664163B2 (ja) 画像識別方法、画像識別装置及びプログラム
CN109146856A (zh) 图像质量评定方法、装置、计算机设备及存储介质
WO2020048140A1 (zh) 活体检测方法和装置、电子设备、计算机可读存储介质
KR100882476B1 (ko) 음란성 이미지의 판별 방법과 그 장치
CN110751637A (zh) 糖尿病视网膜病变检测系统、方法、设备和训练系统
CN106920256B (zh) 一种有效的失踪儿童寻找系统
US11194073B2 (en) Millimeter wave image based human body foreign object detection method and system
Mauthner et al. Encoding based saliency detection for videos and images
Muñoz et al. Computer image analysis as a tool for classifying marbling: A case study in dry-cured ham
CN111935479B (zh) 一种目标图像确定方法、装置、计算机设备及存储介质
WO2019184851A1 (zh) 图像处理方法和装置及神经网络模型的训练方法
KR20180015858A (ko) 체형 분석 서버, 체형 분석 방법 및 사용자 단말
CN106326834A (zh) 人体性别自动识别方法及装置
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
CN113012093B (zh) 青光眼图像特征提取的训练方法及训练系统
Sari et al. Indonesian traditional food image identification using random forest classifier based on color and texture features
KR102359656B1 (ko) 이미지 기반의 체성분 분석장치, 체성분 분석방법 및 이를 이용한 스마트 기기
CN108334870A (zh) Ar设备数据服务器状态的远程监控系统
CN108446639A (zh) 低功耗增强现实设备
CN115130543B (zh) 图像识别方法和装置、存储介质及电子设备
CN109409322B (zh) 活体检测方法、装置及人脸识别方法和人脸检测系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right