KR102718491B1 - 오차 종류별 관절 인식 방법, 서버 - Google Patents
오차 종류별 관절 인식 방법, 서버 Download PDFInfo
- Publication number
- KR102718491B1 KR102718491B1 KR1020230073356A KR20230073356A KR102718491B1 KR 102718491 B1 KR102718491 B1 KR 102718491B1 KR 1020230073356 A KR1020230073356 A KR 1020230073356A KR 20230073356 A KR20230073356 A KR 20230073356A KR 102718491 B1 KR102718491 B1 KR 102718491B1
- Authority
- KR
- South Korea
- Prior art keywords
- person
- joint
- joint position
- position values
- error value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 35
- 230000036544 posture Effects 0.000 claims abstract description 66
- 230000033001 locomotion Effects 0.000 claims abstract description 57
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 239000003550 marker Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 210000001503 joint Anatomy 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003108 foot joint Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
본 발명에 따른 오차 종류별 관절을 인식하기 위한 서버는, 제1 인물이 행하는 복수의 자세에 대한 각각의 자세 정보를 획득하여 저장하는 메모리; 및 영상 내의 오차 종류별 관절의 인식과 관련된 동작을 제어하는 제어부; 를 포함하고, 제어부는 입력 영상 내에 포함된 제2 인물의 방향 및 크기를 파악하고, 입력 영상을 관절 예측 모델에 입력하여, 제2 인물의 관절들 각각의 관절 위치값을 획득하고, 저장된 각각의 자세 정보 중 파악된 제2 인물의 관절 위치값에 해당하는 특정 자세 정보를 파악하고, 파악된 제2 인물의 방향 및 크기를 파악된 특정 자세 정보 내의 제1 인물의 방향 및 크기로 보정하고, 제2 인물의 방향 및 크기가 보정된 상태에서, 특정 자세 정보 내의 제1 인물의 관절 위치값 및 제2 인물의 관절 위치값을 판별 모델에 입력하여, 제1 인물의 관절 위치값에 대한 제2 인물의 관절 위치값의 제1 오차값을 산출하고, 산출된 제1 오차값을 기반으로 판별 모델의 제1 정확도를 판단하되, 제1 오차값은 제2 인물의 관절 위치값에 따른 관절의 길이가 기 설정된 기준 길이와 다른 경우인 구조 오차값을 포함하고, 제2 인물의 관절 위치값에 따른 일정 시간 동안의 관절의 움직임 상태가 기 설정된 기준 움직임 상태와 다른 경우인 속도 오차값을 포함할 수 있다.
Description
본 발명은 오차 종류별 관절 인식 방법, 서버에 관한 것이다.
최근 들어 할리우드 영화에서만 볼 수 있었던 3차원 영상의 모션캡처 기술이 가전, 게임, 의료, 광고, 애니메이션, 버츄얼 유튜버 등에 의해 널리 사용되고 있다. 이러한 모션 캡쳐를 위한 장치는 대부분 인체에 마커나 센서를 붙인 다음 카메라로 마커 영상이나 센서로부터 나온 데이터를 인식하고 분석하여 인체 각 관절들의 위치와 방향을 측정한다. 여기에서 사용된 마커나 센서의 작동 방식에 따라서 초음파(Acoustic) 방식, 기계(Mechanical) 방식, 자기(Magnetic) 방식, 광학(Optical) 방식의 네 가지로 나눌 수 있다.
이들 중 대중에게 잘 알려진 영화 캐릭터 헐크의 경우도, 광학 방식 모션 캡쳐 장치를 이용하여 연기자의 주요 분절 부분에 마커를 부착하고 3 내지 16 대의 비디오카메라의 신호를 컴퓨터로 동시에 읽어들여 이들 중 마커의 위치를 분석하여 신체의 각 부위의 움직임을 파악하여 생성되었다.
이러한 종래의 광학 방식은 캐릭터 등의 동작을 사실적으로 표현하는데 중점을 두고 있기 때문에 데이터의 양이 방대하고 이러한 방대한 양의 데이터를 후처리 하기 위하여 고급사양의 컴퓨터와 많은 전문가가 필요하다. 또한, 고속프레임을 이용하거나 고화질의 카메라를 이용하는 경우 컴퓨터의 처리부담이 가중되고, 다수의 비디오카메라로부터 비디오 신호가 동시간에 동기되어 전송되어야 하기 때문에 고가의 동기식 카메라가 사용되므로 막대한 비용이 필요하다가 문제점이 존재한다.
따라서, 모션 캡쳐를 다양한 규모의 기업들이 사용할 수 있도록 비용 절감이 가능하고 손쉽게 적용이 가능한 기술이 필요하다.
상술한 바와 같은 문제점을 해결하기 위한 본 발명은 인물의 동작을 실시간으로 촬영한 영상을 기반으로 인물의 관절들 각각의 관절 위치값을 획득하는 것을 그 목적으로 한다.
또한, 상기 새로운 학습데이터를 생성한 특정 모델에 대한 신뢰도를 판단하는 방법을 제공하는 것을 그 목적으로 한다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명에 따른 서버에 의해 수행되는 영상 내의 모션 인식 방법에 있어서, 제1 인물이 행하는 복수의 자세에 대한 각각의 자세 정보를 획득하여 저장하는 단계-상기 각각의 자세 정보는, 해당 자세를 행하는 제1 인물의 방향, 크기 및 관절들 각각의 관절 위치값을 포함함-, 입력 영상 내에 포함된 제2 인물의 방향 및 크기를 파악하는 단계, 상기 입력 영상을 관절 예측 모델에 입력하여, 제2 인물의 관절들 각각의 관절 위치값을 획득하는 단계, 상기 저장된 각각의 자세 정보 중 상기 파악된 제2 인물의 관절 위치값에 해당하는 특정 자세 정보를 파악하는 단계, 상기 파악된 제2 인물의 방향 및 크기를 상기 파악된 특정 자세 정보 내의 제1 인물의 방향 및 크기로 보정하는 단계, 제2 인물의 방향 및 크기가 보정된 상태에서, 상기 특정 자세 정보 내의 제1 인물의 관절 위치값 및 제2 인물의 관절 위치값을 판별 모델에 입력하여, 제1 인물의 관절 위치값에 대한 제2 인물의 관절 위치값의 제1 오차값을 산출하는 단계 및 상기 산출된 제1 오차값을 기반으로 상기 판별 모델의 제1 정확도를 판단하는 단계를 포함할 수 있고, 상기 제1 인물과 상기 제2 인물은 동일 인물일 수 있다.
또한, 상기 제1 오차값, 제2 입력 영상을 상기 관절 예측 모델에 입력하여 상기 관절 예측 모델을 기계학습하는 단계를 더 포함할 수 있다.
또한, 기 저장된 제3 인물의 관절 위치값과 상기 학습된 관절 예측 모델을 기반으로 학습하여 산출한 제4 인물의 관절 위치값을 상기 판별 모델에 입력하여 상기 판별 모델을 기계학습하는 단계를 더 포함할 수 있고, 상기 제3 인물과 상기 제4 인물은 동일 인물일 수 있다.
여기서, 상기 관절 예측 모델은, 상기 입력 영상 내에 각각의 프레임 별로 상기 제2 인물의 위치에 기반하여 고정된 지점의 기준좌표를 생성하고, 상기 프레임을 연결하여 상기 기준좌표를 중심으로 상기 제2 인물의 움직임에 따라 상기 제2 인물의 관절들 각각의 관절 위치값을 획득할 수 있다.
또한, 상기 제1 오차값은, 상기 제2 인물의 각각의 관절 위치값에 따라 관절 거리가 기 설정된 기준거리와 다른 경우인 구조 오차값 또는 관절 움직임 속도가 기 설정된 기준속도와 다른 경우인 속도 오차값을 포함할 수 있다.
또한, 상기 제1 정확도를 기반으로 상기 제1 정확도가 기 설정된 임계값 미만인지 판단하여, 상기 제1 정확도가 상기 임계값 미만이 될 때까지, 상기 관절 예측 모델 또는 상기 판별 모델을 반복 기계학습시키는 단계를 더 포함할 수 있다.
또한, 상술한 과제를 해결하기 위한 본 발명에 따른 영상 내의 모션 인식을 수행하는 서버에 있어서, 정보를 저장하는 메모리, 제1 인물이 행하는 복수의 자세에 대한 각각의 자세 정보를 획득하여 저장하고-상기 각각의 자세 정보는, 해당 자세를 행하는 제1 인물의 방향, 크기 및 관절들 각각의 관절 위치값을 포함함, 입력 영상 내에 포함된 제2 인물의 방향 및 크기를 파악하고, 상기 입력 영상을 관절 예측 모델에 입력하여, 제2 인물의 관절들 각각의 관절 위치값을 획득하고, 상기 저장된 각각의 자세 정보 중 상기 파악된 제2 인물의 관절 위치값에 해당하는 특정 자세 정보를 파악하고, 상기 파악된 제2 인물의 방향 및 크기를 상기 파악된 특정 자세 정보 내의 제1 인물의 방향 및 크기로 보정하고, 제2 인물의 방향 및 크기가 보정된 상태에서, 상기 특정 자세 정보 내의 제1 인물의 관절 위치값 및 제2 인물의 관절 위치값을 판별 모델에 입력하여, 제1 인물의 관절 위치값에 대한 제2 인물의 관절 위치값의 제1 오차값을 산출하고, 상기 산출된 제1 오차값을 기반으로 상기 판별 모델의 제1 정확도를 판단하는 제어부를 포함하고, 상기 제1 인물과 상기 제2 인물은 동일 인물일 수 있다.
또한, 상기 제어부는, 상기 제1 오차값, 제2 입력 영상을 상기 관절 예측 모델에 입력하여 상기 관절 예측 모델을 기계학습하고, 기 저장된 제3 인물의 관절 위치값과 상기 학습된 관절 예측 모델을 기반으로 학습하여 산출한 제4 인물의 관절 위치값을 상기 판별 모델에 입력하여 상기 판별 모델을 기계학습하고, 상기 제3 인물과 상기 제4 인물은 동일 인물일 수 있다.
여기서, 상기 관절 예측 모델은, 상기 입력 영상 내에 각각의 프레임 별로 상기 제2 인물의 위치에 기반하여 고정된 지점의 기준좌표를 생성하고, 상기 프레임을 연결하여 상기 기준좌표를 중심으로 상기 제2 인물의 움직임에 따라 상기 제2 인물의 관절들 각각의 관절 위치값을 획득할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
상기와 같은 본 발명에 따르면, 인물의 동작을 실시간으로 촬영한 영상을 기반으로 인물의 관절들 각각의 관절 위치값을 획득함으로써 인물이 마커를 부착하지 않고도 인물의 관절의 움직임을 예측할 수 있는 효과가 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 영상 내의 모션 인식을 수행하는 시스템에 대해 개략적으로 나타낸 도면이다.
도 2는 본 발명에 따른 서버의 동작에 대해 개략적으로 나타낸 도면이다.
도 3은 본 발명에 따른 서버가 영상 내의 모션을 인식하는 과정을 나타낸 흐름도이다.
도 4는 본 발명에 따른 관절 예측 모델에서 관절 위치값을 획득하는 과정을 나타낸 예시도이다.
도 5는 본 발명에 따른 관절 예측 모델을 통해 예측된 관절 간의 거리에 대해 발생되는 오차값에 대한 예시도이다.
도 6은 본 발명에 따른 관절 예측 모델을 통해 예측된 관절의 이동속도에 대해 발생되는 오차값에 대한 예시도이다.
도 2는 본 발명에 따른 서버의 동작에 대해 개략적으로 나타낸 도면이다.
도 3은 본 발명에 따른 서버가 영상 내의 모션을 인식하는 과정을 나타낸 흐름도이다.
도 4는 본 발명에 따른 관절 예측 모델에서 관절 위치값을 획득하는 과정을 나타낸 예시도이다.
도 5는 본 발명에 따른 관절 예측 모델을 통해 예측된 관절 간의 거리에 대해 발생되는 오차값에 대한 예시도이다.
도 6은 본 발명에 따른 관절 예측 모델을 통해 예측된 관절의 이동속도에 대해 발생되는 오차값에 대한 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)." 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만, 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 발명을 한정하는 사항으로 기재하지 않은 경우에 본 발명의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 발명에 따른 영상 내의 모션 인식을 수행하는 시스템(1)에 대해 개략적으로 나타낸 도면이다.
시스템(1)은 인물의 동작을 실시간으로 촬영한 영상을 기반으로 인물의 관절들 각각의 관절 위치값을 획득함으로써 인물이 마커를 부착하지 않고도 인물의 관절의 움직임을 예측할 수 있는 효과를 가질 수 있다.
도 1을 보면, 시스템(1)은 영상을 촬영하는 촬영장치(10) 및 상기 영상 내의 모션 인식을 수행하는 서버(20)를 포함할 수 있다. 여기서, 촬영장치(10)는 별도로 구비되어 상기 서버(20)로 촬영한 영상을 송신할 수도 있고, 서버(20)에 연결되어 구비될 수도 있다.
이하, 시스템(1)은 도 1에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수 있다.
촬영장치(10)는 영상 촬영이 가능한 기기를 의미할 수 있다. 상기 촬영장치(10)는 사용자의 조작 또는 기 설정된 입력에 따라 영상을 촬영할 수 있다. 상기 촬영장치(10)는 카메라가 구비된 전자기기일 수 있으며, 상기 서버(20)와 연결되어 구비되거나 별도로 구비된 상태에서 통신부(미도시)를 통해 정보의 송수신이 가능하도록 구비될 수 있다. 또한, 상기 촬영장치(10)는 영상 촬영 중 플레이 되는 음악에 대해서도 별도의 녹음모듈(미도시)을 구비하여 녹음할 수 있다.
여기서, 촬영장치(10)는 기 설정된 촬영 가능한 반경에 위치하는 인물(2), 움직이는 물체(미도시), 배경 등을 촬영하고, 촬영하는 동안 플레이 되는 음악에 대해서는 실시간으로 녹음할 수 있다.
서버(20)는 통신부(210), 메모리(220) 및 제어부(230)를 포함하여 구성될 수 있으나 반드시 이에 한정되지 않고 더 적거나 더 많은 구성요소를 포함할 수 있다. 이하, 설명되는 좌표는 3차원 좌표이다.
통신부(210)는 상기 서버(20)와 무선 통신 시스템 사이, 상기 서버(20)와 촬영장치(10) 사이 또는 상기 서버(20)와 외부 서버(미도시) 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 통신부(210)는 서버(20)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
여기서, 통신부(210)는 촬영장치(10)로부터 영상과 영상에 함께 포함되는 음악에 대한 정보를 수신할 수 있고, 상기 서버(20)에서 생성한 상기 촬영장치(10)의 동작에 대한 제어신호를 전송할 수 있다.
메모리(220)는 상기 서버(20)의 다양한 기능을 지원하는 정보를 저장할 수 있다. 메모리(220)는 상기 서버(20)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 상기 서버(20)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버(미도시)로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는, 상기 서버(20)의 기본적인 기능을 위하여 존재할 수 있다. 한편, 응용 프로그램은, 메모리(220)에 저장되고, 상기 서버(20) 상에 설치되어, 제어부(230)에 의하여 상기 서버(20)의 동작(또는 기능)을 수행하도록 구동될 수 있다.
제어부(230)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 상기 서버(20)의 전반적인 동작을 제어할 수 있다. 제어부(230)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(220)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
제어부(230)는 메모리(220)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(230)는 상기 응용 프로그램의 구동을 위하여, 상기 서버(20)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작 시킬 수 있다.
이하, 제어부(230)가 마커를 부착하고 움직인 인물(2)에 대해 마커를 통해 상기 인물(2)의 움직임에 대해 인식하는 경우, 이를 '제1 인물'이라고 명칭하고, 제어부(230)가 마커를 부착하고 움직인 상기 인물(2)에 대해 마커를 인식하지 않고 상기 인물(2)의 움직임에 대해 인식하는 경우, 이를 '제2 인물'이라고 명칭 하겠다. 따라서, 제1 인물과 제2 인물은 동일인물임을 의미할 수 있다.
구체적으로, 제어부(230)는 입력 영상 내의 제1 인물이 행하는 복수의 자세에 대한 각각의 자세 정보를 획득하여 저장할 수 있다. 여기서, 상기 각각의 자세 정보는, 해당 자세를 행하는 제1 인물의 방향, 크기 및 관절들 각각의 관절 위치값을 포함할 수 있다.
제어부(230)는 상기 입력 영상 내에 포함된 제2 인물의 방향 및 크기를 파악하고, 상기 입력 영상을 관절 예측 모델에 입력하여, 제2 인물의 관절들 각각의 관절 위치값을 획득할 수 있다. 상기 관절 예측 모델은 상기 입력 영상 내에 각각의 프레임 별로 상기 제2 인물의 위치에 기반하여 고정된 지점의 기준좌표를 생성하고, 상기 프레임을 연결하여 상기 기준좌표를 중심으로 상기 제2 인물의 움직임에 따라 상기 제2 인물의 관절들 각각의 관절 위치값을 획득할 수 있다.
여기서, 센서를 통해 모션을 인식하는 것과 달리 현재 대부분의 3D 포즈 예측 방법의 경우에는 골반 좌표를 원점으로 놓고 이외의 관절 좌표들의 상대적인 위치를 예측한다. 그렇기 때문에 달리는 모션에서 무게중심이 위아래로 움직이는 모습, 점프하는 모습 등의 모션을 얻는 것이 불가능하다. 따라서, 상기 제어부(230)는 제2 인물이 움직이지 않는 지점 일 예로 바닥을 딛고 서있다는 가정하에 상기 제2 인물의 관절들 각각의 관절 위치값을 획득함으로 좌표계 상에서 제2 인물의 발 관절이 땅을 딛고 서있는 형태로 예측이 가능하다.
관절 예측 모델은 컨볼루션 뉴럴 네트워크(CNN, convolutional neural network) 및 순환 뉴럴 네트워크(recurrent neural network)를 포함할 수 있다. 이하, 컨볼루션 뉴럴 네트워크는 'CNN'이라 명칭하고, 순환 뉴럴 네트워크는 'RNN'이라 명칭하겠다.
CNN은 영상의 각 영역에 대해 복수의 필터를 적용하여 특징 지도(Feature Map)를 만들어 내는 컨볼루션 층(Convolution Layer)과 특징 지도를 공간적으로 통합함으로써 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 통합층(Pooling Layer)을 번갈아 수차례 반복하는 구조로 형성될 수 있다. 이를 통해, 점, 선, 면 등의 낮은 수준의 특징에서부터 복잡하고 의미 있는 높은 수준의 특징까지 다양한 수준의 특징을 추출해낼 수 있다.
컨볼루션 층은 입력 영상의 각 패치에 대하여 필터와 국지 수용장(Local Receptive Field)의 내적에 비선형 활성 함수(Activation Function)를 취함으로 서 특징지도(Feature Map)를 구할 수 있다. 다른 네트워크 구조와 비교하여, CNN은 희소한 연결성 (Sparse Connectivity)과 공유된 가중치(Shared Weights)를 가진 필터를 사용하는 특징을 가질 수 있다. 이러한 연결구조는 학습할 모수의 개수를 줄여주고, 역전파 알고리즘을 통한 학습을 효율적으로 만들어 결과적으로 예측 성능을 향상시킬 수 있다.
통합 층(Pooling Layer 또는 Sub-sampling Layer)은 이전 컨볼루션 층에서 구해진 특징 지도의 지역 정보를 활용하여 새로운 특징 지도를 생성할 수 있다. 일반적으로 통합 층에 의해 새로 생성된 특징지도는 원래의 특징 지도보다 작은 크기로 줄어드는데, 대표적인 통합 방법으로는 특징 지도 내 해당 영역의 최대값을 선택하는 최대 통합(Max Pooling)과 특징 지도 내 해당 영역의 평균값을 구하는 평균 통합(Average Pooling) 등이 있을 수 있다. 통합 층의 특징지도는 일반적으로 이전 층의 특징 지도보다 입력 영상에 존재하는 임의의 구조나 패턴의 위치에 영향을 적게 받을 수 있다. 즉, 통합층은 입력 영상 혹은 이전 특징 지도에서의 노이즈나 왜곡과 같은 지역적 변화에 보다 강인한 특징을 추출할 수 있게 되고, 이러한 특징은 분류 성능에 중요한 역할을 할 수 있다. 또 다른 통합 층의 역할은, 깊은 구조상에서 상위의 학습 층으로 올라갈수록 더 넓은 영역의 특징을 반영할 수 있게 하는 것으로서, 특징 추출 층이 쌓이면서, 하위층에서는 지역적인 특징을 반영하고 상위층으로 올라갈수록 더욱 추상적인 전체 영상의 특징을 반영하는 특징 생성할 수 있다.
이와 같이, 컨볼루션 층과 통합 층의 반복을 통해 최종적으로 추출된 특징은 다중 신경망(MLP: Multi-Layer Perception)이나 서포트 벡터 머신(SVM: Support Vector Machine)과 같은 분류 모델이 완전 연결 층(Fully-connected Layer)의 형태로 결합되어 분류 모델 학습 및 예측에 사용될 수 있다.
RNN은 어떤 특정 부분이 반복되는 구조를 통해 순서를 학습하기에 효과적인 딥러닝 기법으로 이전 상태의 상태값이 다음 계산의 입력으로 들어가서 결과에 영향을 미칠 수 있다(단어, 문장, 영상을 인식할 때 앞의 단어, 글자, 프레임을 참고하여 인식할 필요가 있기 때문). RNN은 음성과 글자 등 순차적인(Sequential) 정보를 인식하는 데 주로 사용될 수 있다.
다만, 본 발명에 따른 상기 관절 예측 모델은 CNN과 RNN에 한정되지 아니하고, 다양한 구조의 신경망으로 형성될 수 있다.
일 예로, CNN 대신 트랜스포머(Transformer)를 이용할 수 있다. 자연어 처리 분야에서 많이 사용되는 신경망 구조인 트랜스포머(Transformer)는 ‘단어(word)’들의 시퀀스로 입력값(input)을 받는데 최근 여러 컴퓨터 비전 영역에서 이미지를 퍼즐처럼 자르고, 이미지를 퍼즐들의 시퀀스로 취급하여 트랜스포머(Transformer)에 넣었을 때 CNN을 초월한 결과를 얻을 수 있다. 이에 따라 이에 CNN 대신에 트랜스포머(Transformer)로 대체 가능하다.
제어부(230)는 입력 영상 내의 제1 인물이 행하는 복수의 자세에 대해 획득한 각각의 자세 정보를 중 상기 파악된 제2 인물의 관절 위치값에 해당하는 특정 자세 정보를 파악하고, 상기 파악된 제2 인물의 방향 및 크기를 상기 파악된 특정 자세 정보 내의 제1 인물의 방향 및 크기로 보정할 수 있다.
제어부(230)는 제1 인물의 제1 자세 정보를 기준으로 제2 인물의 제1 자세와 동일한 특정 자세 정보를 파악하여 제2 인물의 방향 및 크기를 제1 인물의 방향 및 크기로 보정할 수 있다. 따라서, 제1 인물의 관절 위치값과 제2 인물의 관절 위치값을 판별하기 전에 방향과 크기의 보정을 통해 정확한 판별이 가능하도록 할 수 있는 효과를 가질 수 있다.
여기서, 제어부(230)는 제2 인물의 방향 및 크기가 보정된 상태에서, 상기 특정 자세 정보 내의 제1 인물의 관절 위치값 및 제2 인물의 관절 위치값을 판별 모델에 입력하여, 제1 인물의 관절 위치값에 대한 제2 인물의 관절 위치값의 제1 오차값을 산출할 수 있다. 이후, 제어부(203)는 상기 산출된 제1 오차값을 기반으로 상기 판별 모델의 제1 정확도를 판단할 수 있다. 여기서, 상기 제1 오차값은 상기 제2 인물의 각각의 관절 위치값에 따라 관절 거리가 기 설정된 기준거리와 다른 경우인 구조 오차값 또는 관절 움직임 속도가 기 설정된 기준속도와 다른 경우인 속도 오차값을 포함할 수 있다.
구체적으로, 구조 오차값(Structure Loss)은, 동작을 관절 좌표의 시퀀스로 이해할 때, 무릎 관절, 발 관절 사이의 거리는 정강이의 길이로, 시간에 따라 변화하면 안 된다. 그러므로 시간에 따라 연결된 관 절간의 거리의 불일치(Inconsistency)를 구조 오차값으로 판단할 수 있다.
또한, 속도 오차값(Velocity Loss)은, 시간에 따른 관절의 이동 즉, 관절의 속도가 지나치게 빨라서는 안 된다. 그러므로 관절의 속도는 실제 데이터셋 상의 관절의 움직임을 따라갈 수 있을 만큼 충분히 크면서 노이즈(Noise)를 일으키며 이동하지 않도록 적당히 느려야 한다. 따라서, 관절의 속도를 속도 오차값으로 판단할 수 있다.
제어부(230)는 상기 제1 정확도를 기반으로 상기 제1 정확도가 기 설정된 임계값 미만인지 판단하여, 상기 제1 정확도가 상기 임계값 미만이 될 때까지, 상기 관절 예측 모델 또는 상기 판별 모델을 반복 기계학습할 수 있다. 이에 따라 상기 서버(20)는 상기 촬영장치(10)에서 실시간으로 촬영되는 영상을 기반으로 실시간으로 인물의 움직임을 파악하여 관절 위치값을 획득할 수 있는 효과를 가질 수 있다.
이하, 제어부(230)가 마커를 부착하고 움직인 인물(3)에 대해 마커를 통해 상기 인물(3)의 움직임에 대해 인식하는 경우, 이를 '제3 인물'이라고 명칭하고, 제어부(230)가 마커를 부착하고 움직인 상기 인물(3)에 대해 마커를 인식하지 않고 상기 인물(3)의 움직임에 대해 인식하는 경우, 이를 '제4 인물'이라고 명칭 하겠다. 따라서, 제3 인물과 제4 인물은 동일인물임을 의미할 수 있다. 추가로, 인물(2)과 인물(3)은 다른 인물이거나 동일 인물일 수 있고, 인물(2)과 인물(3)은 다른 동작으로 움직이거나 같은 동작으로 움직일 수 있다. 하지만, 인물(2)과 인물(3)이 같은 동작으로 움직이더라도 아예 동일한 동작으로 움직이는 것은 불가능하다.
제어부(230)는 상기 제1 오차값, 제2 입력 영상을 상기 관절 예측 모델에 입력하여 상기 관절 예측 모델을 기계학습할 수 있다. 제어부(230)는 기 저장된 제3 인물의 관절 위치값과 상기 학습된 관절 예측 모델을 기반으로 학습하여 산출한 제4 인물의 관절 위치값을 상기 판별 모델에 입력하여 상기 판별 모델을 기계학습할 수 있다.
도 2는 본 발명에 따른 서버(20)의 동작에 대해 개략적으로 나타낸 도면이다.
도 2를 보면, 서버(20)는 촬영장치(10)로부터 수신한 입력 영상을 기반으로 제1 인물이 행하는 복수의 자세에 대한 자세를 행하는 제1 인물의 방향, 크기 및 관절들 각각의 관절 위치값을 포함하는 각각의 자세 정보를 획득할 수 있다.
서버(20)는 상기 입력 영상 내에 포함된 제2 인물의 방향 및 크기를 파악하고, 상기 입력 영상을 관절 예측 모델에 입력하여, 제2 인물의 관절들 각각의 관절 위치값을 획득할 수 있다. 여기서, 서버(20)는 상기 저장된 각각의 자세 정보 중 상기 파악된 제2 인물의 관절 위치값에 해당하는 특정 자세 정보를 파악할 수 있다. 서버(20)는 상기 파악된 제2 인물의 방향 및 크기를 상기 파악된 특정 자세 정보 내의 제1 인물의 방향 및 크기로 보정하고, 제2 인물의 방향 및 크기가 보정된 상태에서, 상기 특정 자세 정보 내의 제1 인물의 관절 위치값 및 제2 인물의 관절 위치값을 판별 모델에 입력하여, 제1 인물의 관절 위치값에 대한 제2 인물의 관절 위치값의 제1 오차값을 산출할 수 있다.
서버(20)는 상기 산출된 제1 오차값을 기반으로 상기 판별 모델의 제1 정확도를 판단할 수 있다.
서버(20)는 상기 제1 오차값, 제2 입력 영상을 상기 관절 예측 모델에 입력하여 상기 관절 예측 모델을 기계학습하고, 기 저장된 제3 인물의 관절 위치값과 상기 학습된 관절 예측 모델을 기반으로 학습하여 산출한 제4 인물의 관절 위치값을 상기 판별 모델에 입력하여 상기 판별 모델을 기계학습할 수 있다.
따라서, 상기 관절 예측 모델과 상기 판별 모델은 계속해서 기계학습을 통해 오차값이 낮아지고, 이로 인해 새로운 영상을 입력하는 경우, 실시간으로 새로운 영상의 인물의 움직임에 따라 관절 위치값을 획득할 수 있다.
도 3은 본 발명에 따른 서버(20)가 영상 내의 모션을 인식하는 과정을 나타낸 흐름도이다.
도 4는 본 발명에 따른 관절 예측 모델에서 관절 위치값을 획득하는 과정을 나타낸 예시도이다.
도 5는 본 발명에 따른 관절 예측 모델을 통해 예측된 관절 간의 거리에 대해 발생되는 오차값에 대한 예시도이다.
도 6은 본 발명에 따른 관절 예측 모델을 통해 예측된 관절의 이동속도에 대해 발생되는 오차값에 대한 예시도이다.
먼저, 도 3을 보면, 본 발명의 영상 내의 모션을 인식하는 과정은 서버(20)에 의해 수행될 수 있으며, 특정 프로그램을 통해 수행될 수 있다. 또한, 이하, 서버(20)의 모든 동작은 제어부(230)가 동일하게 수행할 수 있다.
서버(20)는 제1 인물의 자세 정보를 획득하여 저장할 수 있다(S301).
상기 서버(20)는 입력 영상 내의 제1 인물이 행하는 복수의 자세에 대한 각각의 자세 정보를 획득하여 저장할 수 있다. 여기서, 상기 각각의 자세 정보는, 해당 자세를 행하는 제1 인물의 방향, 크기 및 관절들 각각의 관절 위치값을 포함할 수 있다.
서버(20)는 제2 인물의 방향 및 크기 파악(S302)하고, 관절 예측 모델을 기반으로 제2 인물의 관절 위치값 획득할 수 있다(S303).
서버(20)는 상기 입력 영상 내에 포함된 제2 인물의 방향 및 크기를 파악하고, 상기 입력 영상을 관절 예측 모델에 입력하여, 제2 인물의 관절들 각각의 관절 위치값을 획득할 수 있다.
여기서, 관절 예측 모델은 상기 입력 영상 내에 각각의 프레임 별로 상기 제2 인물의 위치에 기반하여 고정된 지점의 기준좌표를 생성하고, 상기 프레임을 연결하여 상기 기준좌표를 중심으로 상기 제2 인물의 움직임에 따라 상기 제2 인물의 관절들 각각의 관절 위치값을 획득할 수 있다.
도 4의 왼쪽을 보면, 서버(20)는 관절 예측 모델을 통해 상기 입력 영상 내에 각각의 프레임별로 관절 위치값을 획득할 때 제2 인물(401)의 위치에 기반하여 고정된 지점의 기준좌표(402)를 기준으로 잡고, 상기 이로 인해 프레임을 연결하여 상기 기준좌표를 중심으로 상기 제2 인물의 움직임에 따라 상기 제2 인물의 관절들 각각의 관절 위치값을 획득할 수 있다. 여기서, 상기 관절 예측 모델은 컨볼루션 뉴럴 네트워크(CNN, convolutional neural network) 및 순환 뉴럴 네트워크(recurrent neural network)를 포함할 수 있다.
일 예로, 서버(20)는 기준좌표(402)를 움직이지 않는 고정된 지점인 바닥의 한 지점으로 잡을 수 있다. 도 4 왼쪽은 제2 인물(401)이 바닥의 기준좌표(402)를 기준으로 30cm 점프한 상태인 제1 프레임이고, 도 4 오른쪽은 제1 프레임 다음 프레임인 제2 프레임으로 0.3초가 흐른 후의 프레임으로 바닥의 기준좌표(402)를 기준으로 제2 인물(401)이 오른쪽 위로 점프한 상태이다. 여기서, 서버(20)는 제2 프레임의 제2 인물(401)의 상태는 0.3초가 흐른 상태인데 제1 프레임의 위치에서 사람이 움직일 수 없는 위치에 있는 것이므로 이러한 오차에 대해서 삭제하는 과정을 통해 상기 제2 인물(401)의 관절들 각각의 관절 위치값을 획득할 수 있다.
서버(20)는 제2 인물의 관절 위치값에 해당하는 특정 자세 정보 파악하고(S304), 제2 인물의 특정 자세 정보를 기반으로 제1 인물의 방향 및 크기로 보정할 수 있다(S305).
서버(20)는 입력 영상 내의 제1 인물이 행하는 복수의 자세에 대해 획득한 각각의 자세 정보를 중 상기 파악된 제2 인물의 관절 위치값에 해당하는 특정 자세 정보를 파악하고, 상기 파악된 제2 인물의 방향 및 크기를 상기 파악된 특정 자세 정보 내의 제1 인물의 방향 및 크기로 보정할 수 있다.
서버(20)는 제1 인물의 제1 자세 정보를 기준으로 제2 인물의 제1 자세와 동일한 특정 자세 정보를 파악하여 제2 인물의 방향 및 크기를 제1 인물의 방향 및 크기로 보정할 수 있다. 따라서, 제1 인물의 관절 위치값과 제2 인물의 관절 위치값을 판별하기 전에 방향과 크기의 보정을 통해 정확한 판별이 가능하도록 할 수 있는 효과를 가질 수 있다.
서버(20)는 판별 모델을 기반으로 제2 인물의 관절 위치값의 제1 오차값 산출할 수 있다(S306).
서버(20)는 제2 인물의 방향 및 크기가 보정된 상태에서, 상기 특정 자세 정보 내의 제1 인물의 관절 위치값 및 제2 인물의 관절 위치값을 판별 모델에 입력하여, 제1 인물의 관절 위치값에 대한 제2 인물의 관절 위치값의 제1 오차값을 산출할 수 있다.
여기서, 상기 제1 오차값은 상기 제2 인물의 각각의 관절 위치값에 따라 관절 거리가 기 설정된 기준거리와 다른 경우인 구조 오차값 또는 관절 움직임 속도가 기 설정된 기준속도와 다른 경우인 속도 오차값을 포함할 수 있다.
도 5를 보면, 제2 인물(501)의 확정된 팔 길이(손목부터 팔꿈치까지의 길이)가 27cm인데 도 5에서의 제2 인물(501)의 관절 위치값에 따른 팔 길이가 50cm인 경우, 제1 오차값은 구조 오차값일 수 있다.
도 6을 보면, 왼쪽은 제2 인물(601)의 팔이 머리 위로 올라간 상태이고, 0.01초의 시간이 경과된 오른쪽은 제2 인물(601)의 팔이 밑으로 내려간 상태인 경우, 관절의 동작 속도가 일정 속도 이상으로 움직일 수 없으므로 이 경우, 제1 오차값은 속도 오차값일 수 있다.
서버(20)는 제1 오차값을 기반으로 상기 판별 모델의 제1 정확도를 판단할 수 있다(S307).
서버(20)는 상기 제1 정확도를 기반으로 상기 제1 정확도가 기 설정된 임계값 미만인지 판단하여, 상기 제1 정확도가 상기 임계값 미만이 될 때까지, 상기 관절 예측 모델 또는 상기 판별 모델을 반복 기계학습할 수 있다. 이에 따라 상기 서버(20)는 상기 촬영장치(10)에서 실시간으로 촬영되는 영상을 기반으로 실시간으로 인물의 움직임을 파악하여 관절 위치값을 획득할 수 있는 효과를 가질 수 있다.
서버(20)는 관절 예측 모델과 판별 모델 기계학습할 수 있다(S308).
서버(20)는 상기 제1 오차값, 제2 입력 영상을 상기 관절 예측 모델에 입력하여 상기 관절 예측 모델을 기계학습할 수 있다. 서버(20)는 기 저장된 제3 인물의 관절 위치값과 상기 학습된 관절 예측 모델을 기반으로 학습하여 산출한 제4 인물의 관절 위치값을 상기 판별 모델에 입력하여 상기 판별 모델을 기계학습할 수 있다.
도 3은 단계 S301 내지 단계 S308을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3에 기재된 순서를 변경하여 실행하거나 단계 S301 내지 단계 S308 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.
이상에서 전술한 본 발명에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10: 촬영장치
20: 서버
20: 서버
Claims (10)
- 오차 종류별 관절을 인식하기 위한 서버에 있어서,
제1 인물이 행하는 복수의 자세에 대한 각각의 자세 정보를 획득하여 저장하는 메모리; 및
영상 내의 오차 종류별 관절의 인식과 관련된 동작을 제어하는 제어부; 를 포함하고,
상기 제어부는,
입력 영상 내에 포함된 제2 인물의 방향 및 크기를 파악하고,
상기 입력 영상을 관절 예측 모델에 입력하여, 상기 제2 인물의 관절들 각각의 관절 위치값을 획득하고,
상기 저장된 각각의 자세 정보 중 상기 파악된 제2 인물의 관절 위치값에 해당하는 특정 자세 정보를 파악하고,
상기 파악된 제2 인물의 방향 및 크기를 상기 파악된 특정 자세 정보 내의 제1 인물의 방향 및 크기로 보정하고,
상기 제2 인물의 방향 및 크기가 보정된 상태에서, 상기 특정 자세 정보 내의 제1 인물의 관절 위치값 및 제2 인물의 관절 위치값을 판별 모델에 입력하여, 제1 인물의 관절 위치값에 대한 제2 인물의 관절 위치값의 제1 오차값을 산출하고,
상기 산출된 제1 오차값을 기반으로 상기 판별 모델의 제1 정확도를 판단하되,
상기 제1 오차값은,
상기 제2 인물의 관절 위치값에 따른 관절의 길이가 기 설정된 기준 길이와 다른 경우인 구조 오차값을 포함하고,
상기 제2 인물의 관절 위치값에 따른 일정 시간 동안의 관절의 움직임 상태가 기 설정된 기준 움직임 상태와 다른 경우인 속도 오차값을 포함하는, 서버. - 제1항에 있어서,
상기 제어부는,
상기 제1 오차값, 제2 입력 영상을 상기 관절 예측 모델에 입력하여 상기 관절 예측 모델을 더 기계학습시키는 것을 특징으로 하는, 서버. - 제2항에 있어서,
상기 제어부는,
기 저장된 제3 인물의 관절 위치값과 상기 학습된 관절 예측 모델을 기반으로 학습하여 산출한 제4 인물의 관절 위치값을 상기 판별 모델에 입력하여 상기 판별 모델을 더 기계학습시키는 것을 특징으로 하는, 서버. - 제1항에 있어서,
상기 관절 예측 모델은,
상기 입력 영상 내에 각각의 프레임 별로 상기 제2 인물의 위치에 기반하여 고정된 지점의 기준좌표를 생성하고, 상기 프레임을 연결하여 상기 기준좌표를 중심으로 상기 제2 인물의 움직임에 따라 상기 제2 인물의 관절들 각각의 관절 위치값을 획득하는 것을 특징으로 하는, 서버. - 제1항에 있어서,
상기 제어부는,
상기 제1 정확도를 기반으로 상기 제1 정확도가 기 설정된 임계값 미만인지 판단하여, 상기 제1 정확도가 상기 임계값 미만이 될 때까지, 상기 관절 예측 모델 또는 상기 판별 모델을 더 기계학습시키는 것을 특징으로 하는, 서버. - 서버에 의해 수행되는 오차 종류별 관절 인식 방법에 있어서,
제1 인물이 행하는 복수의 자세에 대한 각각의 자세 정보를 획득하여 저장하는 단계;
입력 영상 내에 포함된 제2 인물의 방향 및 크기를 파악하는 단계;
상기 입력 영상을 관절 예측 모델에 입력하여, 상기 제2 인물의 관절들 각각의 관절 위치값을 획득하는 단계;
상기 저장된 각각의 자세 정보 중 상기 파악된 제2 인물의 관절 위치값에 해당하는 특정 자세 정보를 파악하는 단계;
상기 파악된 제2 인물의 방향 및 크기를 상기 파악된 특정 자세 정보 내의 제1 인물의 방향 및 크기로 보정하는 단계;
상기 제2 인물의 방향 및 크기가 보정된 상태에서, 상기 특정 자세 정보 내의 제1 인물의 관절 위치값 및 제2 인물의 관절 위치값을 판별 모델에 입력하여, 제1 인물의 관절 위치값에 대한 제2 인물의 관절 위치값의 제1 오차값을 산출하는 단계; 및
상기 산출된 제1 오차값을 기반으로 상기 판별 모델의 제1 정확도를 판단하는 단계; 를 포함하고,
상기 제1 오차값은,
상기 제2 인물의 관절 위치값에 따른 관절의 길이가 기 설정된 기준 길이와 다른 경우인 구조 오차값을 포함하고,
상기 제2 인물의 관절 위치값에 따른 일정 시간 동안의 관절의 움직임 상태가 기 설정된 기준 움직임 상태와 다른 경우인 속도 오차값을 포함하는, 방법. - 제6항에 있어서,
상기 제1 오차값, 제2 입력 영상을 상기 관절 예측 모델에 입력하여 상기 관절 예측 모델을 기계학습시키는 단계; 를 더 포함하는, 방법. - 제7항에 있어서,
기 저장된 제3 인물의 관절 위치값과 상기 학습된 관절 예측 모델을 기반으로 학습하여 산출한 제4 인물의 관절 위치값을 상기 판별 모델에 입력하여 상기 판별 모델을 기계학습시키는 단계; 를 더 포함하는, 방법. - 제6항에 있어서,
상기 관절 예측 모델은,
상기 입력 영상 내에 각각의 프레임 별로 상기 제2 인물의 위치에 기반하여 고정된 지점의 기준좌표를 생성하고, 상기 프레임을 연결하여 상기 기준좌표를 중심으로 상기 제2 인물의 움직임에 따라 상기 제2 인물의 관절들 각각의 관절 위치값을 획득하는, 방법. - 제6항에 있어서,
상기 제1 정확도를 기반으로 상기 제1 정확도가 기 설정된 임계값 미만인지 판단하여, 상기 제1 정확도가 상기 임계값 미만이 될 때까지, 상기 관절 예측 모델 또는 상기 판별 모델을 기계학습시키는 단계; 를 더 포함하는, 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230073356A KR102718491B1 (ko) | 2020-11-16 | 2023-06-08 | 오차 종류별 관절 인식 방법, 서버 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200152672A KR102542878B1 (ko) | 2020-11-16 | 2020-11-16 | 영상 내의 모션 인식 방법, 서버 및 시스템 |
| KR1020230073356A KR102718491B1 (ko) | 2020-11-16 | 2023-06-08 | 오차 종류별 관절 인식 방법, 서버 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200152672A Division KR102542878B1 (ko) | 2020-11-16 | 2020-11-16 | 영상 내의 모션 인식 방법, 서버 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230093191A KR20230093191A (ko) | 2023-06-27 |
| KR102718491B1 true KR102718491B1 (ko) | 2024-10-16 |
Family
ID=81807558
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200152672A KR102542878B1 (ko) | 2020-11-16 | 2020-11-16 | 영상 내의 모션 인식 방법, 서버 및 시스템 |
| KR1020230073356A KR102718491B1 (ko) | 2020-11-16 | 2023-06-08 | 오차 종류별 관절 인식 방법, 서버 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200152672A KR102542878B1 (ko) | 2020-11-16 | 2020-11-16 | 영상 내의 모션 인식 방법, 서버 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102542878B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102612586B1 (ko) * | 2022-12-12 | 2023-12-11 | 박치호 | 동영상 내 관절 인식에 따른 비정상 이미지 프레임을 제거 및 복원하는 전자 장치의 제어 방법 |
| KR20240174582A (ko) * | 2023-06-09 | 2024-12-17 | 에스케이텔레콤 주식회사 | 노이즈 골격 시퀀스 기반 행동 인식을 위한 장치 및 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101591779B1 (ko) * | 2009-03-17 | 2016-02-05 | 삼성전자주식회사 | 모션 데이터 및 영상 데이터를 이용한 골격 모델 생성 장치및 방법 |
| KR102026382B1 (ko) * | 2014-03-31 | 2019-09-30 | 한국전자통신연구원 | 모션 추정 시스템 및 방법 |
| KR101869164B1 (ko) * | 2016-10-25 | 2018-06-19 | 동국대학교 산학협력단 | 저가형 관성센서를 이용한 모션 인식 시스템 및 그 방법 |
-
2020
- 2020-11-16 KR KR1020200152672A patent/KR102542878B1/ko active IP Right Grant
-
2023
- 2023-06-08 KR KR1020230073356A patent/KR102718491B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230093191A (ko) | 2023-06-27 |
| KR20220066535A (ko) | 2022-05-24 |
| KR102542878B1 (ko) | 2023-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102718491B1 (ko) | 오차 종류별 관절 인식 방법, 서버 | |
| CN108369643B (zh) | 用于3d手部骨架跟踪的方法和系统 | |
| KR102106135B1 (ko) | 행동 인식 기반의 응용 서비스 제공 장치 및 그 방법 | |
| CN109176512A (zh) | 一种体感控制机器人的方法、机器人及控制装置 | |
| CN113706699B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
| KR101616926B1 (ko) | 영상 처리 장치 및 방법 | |
| CN105426827A (zh) | 活体验证方法、装置和系统 | |
| JP2012518236A (ja) | ジェスチャー認識のための方法及びシステム | |
| CN111178170B (zh) | 一种手势识别方法和一种电子设备 | |
| JP2020135747A (ja) | 行動分析装置および行動分析方法 | |
| CN113989928A (zh) | 一种动作捕捉和重定向方法 | |
| US20160364321A1 (en) | Emulating a user performing spatial gestures | |
| CN112861808A (zh) | 动态手势识别方法、装置、计算机设备及可读存储介质 | |
| CN112287865A (zh) | 一种人体姿态识别的方法及装置 | |
| KR20230080938A (ko) | 컨볼루션 블록 어텐션 모듈을 이용한 동작 인식 및 분류 방법 및 장치 | |
| CN115797517B (zh) | 虚拟模型的数据处理方法、装置、设备和介质 | |
| CN118380096A (zh) | 一种基于算法追踪与虚拟现实的康复训练交互方法及装置 | |
| CN110415322B (zh) | 虚拟对象模型的动作指令的生成方法和装置 | |
| AU2023306149A1 (en) | Method and application for animating computer generated images | |
| CN112818929B (zh) | 一种人员斗殴检测方法、装置、电子设备及存储介质 | |
| CN116189294A (zh) | 一种基于时空transformer的轻量级三维人体姿态估计方法及系统 | |
| KR20220110463A (ko) | 인공지능을 활용하여 3차원 애니메이션에 발생된 모션 에러를 인식하는 서버, 방법 및 프로그램 | |
| CN111126279B (zh) | 一种手势互动方法及手势互动装置 | |
| CN115966016B (zh) | 一种跳跃状态识别方法、系统、电子设备及存储介质 | |
| CN116740752B (zh) | 基于arm工控主板的运动监控方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| PA0107 | Divisional application |
Comment text: Divisional Application of Patent Patent event date: 20230608 Patent event code: PA01071R01D Filing date: 20201116 Application number text: 1020200152672 |
|
| PA0201 | Request for examination | ||
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20240221 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20240730 |
|
| PG1601 | Publication of registration |