베이지안 학습과 방향 통계량에 기반한 제스처 인식

Abstract

최근 들어 인간과 외부 기기와의 상호 작용, 특히 자연스럽고 직관적인 상호 작용에 대한 관심이 높아지면서 내추럴 사용자 인터페이스(NUI)이 주목 받고 있다. NUI 분야에서 제스처는 음성과 더불어 중요한 상호작용 수단으로 사용되고 있어 수많은 연구가 진행되어 왔으나, 제스처의 높은 복잡도와 자유도, 환경적 요인, 그리고 인식 대상 제스처의 다양성과 개인적 편차 등 많은 요소가 연관되어 있어 제스처의 활용에 제약을 받고 있다.따라서 본 연구에서는 제스처가 가지는 제약 요건을 완화하고 인식 대상과 인식 성능을 향상시킬 수 있는 제스처 인식 기술을 제안하였다. 이를 위해 외부 기기나 장치의 제어 및 커뮤니케이션을 목적으로 하는 제스처를 주 대상으로 하고 환경 변화와 개인적 편차에 강인하고 분할과 추적 등 추가적인 기술이 필요하지 않으며 다중 표적에 의한 제스처를 인식할 수 있는 2차원 비전 기반의 동적 제스처 인식 방법을 제안하였다.환경 변화나 개인적 편차 등 외부 요인에 강인한 제스처 인식이 가능하고 추가적인 분할이나 추적 기술에 의존하지 않도록 하기 위해 사람의 제스처로부터 생성한 Histogram of Gradients (HoG)와 이를 시간 축으로 적층한 Temporal Histogram of Gradients (THoG)를 근간으로 하여 원시 특징을 생성하였으며 Kolmogorov-Smirnov 적합도 검증을 적용해 HoG가 가지는 히스토그램 Bin 간의 상관 관계를 제거하고 참조 THoG와 선형적 관계를 가지는 관측 특성을 적용하여 인식 성능을 향상하였다. 또한 사람의 제스처에 존재하는 손과 팔의 궤적과 속도 등의 시간적 연관성을 고려하기 위해 인식 모델로서 자기회귀 은닉 마르코프 모델(Autoregressive Hidden Markov Model, AR HMM)을 채택하였으며, 이들 모델이 학습 데이터에 보다 충실하게 최적화 되고 보다 간단한 구조를 가질 수 있도록 엔트로픽 최대 사후 확률 추정(Entropic Maximum a Posteriori (MAP) Estimation)에 기반한 베이지안 학습(Bayesian Learning) 기법을 적용하여 효과적인 인식 모델이 생성되도록 하였다.마지막으로 두 가지 데이터셋에 대해 제스처 인식에 널리 사용되고 있는 조건 랜덤 필드(Conditional Random Field, CRF) 계열의 모델들과 비교하여 본 연구에서 제안한 특징 벡터, 인식 모델 및 학습 방법에 대한 타당성과 유효성을 검증하였다.