RGB영상과 Depth영상 분석을 통한 실시간 3D 휴먼 키포인트 탐지 :Real-Time 3D Human Keypoint Detection With RGB and Depth Image Analysis

정근석

추천

검색

자료유형: 학위논문

저자정보: 정근석 (건국대학교, 건국대학교 대학원)

지도교수: 윤경로

발행연도: 2021

저작권: 건국대학교 논문은 저작권에 의해 보호받습니다.

이용수8

이 논문의 연구 히스토리 (3)

2021

RGB영상과 깊이영상을 이용한 3D 휴먼 골격 키포인트 탐지

정근석 , 박병준 , 윤경로 전기학회논문지 2021.09 학술저널

RGB 이미지와 Depth 이미지를 이용한 3D 휴먼 키포인트 탐지

정근석 , 이예지 , 윤경로 한국방송미디어공학회 학술발표대회 논문집 2021.06 학술대회자료

RGB영상과 Depth영상 분석을 통한 실시간 3D 휴먼 키포인트 탐지

정근석 컴퓨터공 2021.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

키포인트 탐지는 이미지나 비디오를 이용하여 사람의 행동을 이해하기 위해 중요한 역할을 한다. 현재에는 컴퓨팅 기술의 발전에 따라 사람의 행동을 눈으로 직접 판단했던 작업에서 키포인트 탐지를 통해 컴퓨터가 사람의 행동을 이해하려는 많은 연구가 활발히 진행되고 있다. 여기서 컴퓨터가 인간의 행동을 이해하기 위한 키포인트 탐지 작업은 크게 2D 휴먼 키포인트 탐지와 3D 휴먼 키포인트 탐지로 나뉜다. 2D 휴먼 키포인트를 이용하여 인간의 행동을 이해하는 것보다 3D 휴먼 키포인트를 이용하여 인간의 행동을 이해하는 것이 더 정확하다. 하지만 3D 휴먼 키포인트를 탐지하려면 이미지 공간은 3차원 공간으로 재구성하는 작업이 필요할 뿐만 아니라 심층 신경망을 이용하여 학습 시 파라미터가 기하급수적으로 늘어나기 때문에 학습 시 많은 시간을 소요하는 문제가 발생한다.
본 논문은 Azure Kinect의 Color 카메라와 Depth 카메라를 이용하여 촬영한 Color 이미지와 Depth 이미지를 이용하여 3D 휴먼 키포인트 탐지기를 제안한다. 제안하는 3D 휴먼 키포인트 탐지기에서 Color 이미지는 사전 학습된 2D 휴먼 키포인트 탐지기를 이용하여 2D 휴먼 키포인트를 탐지한다. 그런 다음 Color 이미지에서 탐지된 키포인트의 좌표를 Depth 이미지에 투영하여 3D 키포인트를 탐지한다. 하지만 위와 같은 방법으로 3D 휴먼 키포인트를 탐지하였을 때, 인간의 신체 표면만 탐지하는 문제점이 발생했다. 이를 해결하기 위해 Azure Kinect Body Tracking SDK를 이용하여 키포인트의 Depth Value를 보정한다.
3D 휴먼 키포인트 탐지 시스템의 성능 평가를 위해 Ground Truth를 제작한다. 제작 방법은 3대의 Azure Kinect를 삼각형 형태로 배치하여 촬영한 영상에 대한 3D 휴먼 키포인트를 추출한 다음 3가지 방향에서 촬영된 3D 휴먼 키포인트의 월드 좌표계를 통일시킨 방법이다.
평가지표 MJPE를 이용하여 본 논문에서 제안하는 3D 휴먼 키포인트 탐지 시스템과 Azure Kinect의 키포인트 탐지기를 Ground Truth와 비교하여 실험한다. 그 결과 본 논문에서 제안하는 3D 키포인트 탐지 시스템이 약 30mm 정확하다. 그리고 속도 측면에서는 대략적으로 초당 20프레임을 처리하는 것을 확인할 수 있다.

Keypoint detection plays an important role in recognizing human action using images or videos. Currently, many studies are actively conducted to help recognize human action through keypoint detection in tasks that directly judged human action according to advances in computing technology. Here, keypoint detection tasks for computers to recognize human action are largely divided into 2D human keypoints detection and 3D human keypoints detection. It is more accurate to recognize human action using 3D human keypoints than to recognize human action using 2D human keypoints. However, detection of 3D human keypoints not only requires reconstruction of the image space into three-dimensional space, but also creates a problem that takes a lot of time to learn as parameters increase exponentially when learning using deep neural networks.
This paper proposes a 3D human keypoint detector using Color images and Depth images taken using Azure Kinect''s Color camera and Depth camera. In the proposed 3D human keypoint detector, Color images detect 2D human keypoints using a pre-trained 2D human keypoint detector. then We project the coordinates of the detected keypoints from the Color image onto the Depth image to detect the 3D keypoints. However, when detecting 3D human keypoints in the above way, there was a problem with detecting only human body surfaces. To solve this problem, we calibrate the Depth Value of the keypoint using the Azure Kinect Body Tracking SDK.
We make Ground Truth for the performance evaluation of 3D human keypoint detection systems. The method is a triangular arrangement of three Azure Kinects to extract 3D human keypoints for images taken and then unify the world coordinate system of 3D human keypoints taken in three directions.
Using MJPE, we experiment with the 3D human keypoint detection system proposed in this paper and the keypoint detector of Azure Kinect compared to Ground Truth. As a result, the 3D keypoint detection system proposed in this paper is approximately 30mm accurate. In terms of speed, it can be seen that it handles approximately 20 frames per second.

#3D 키포인트 탐지 #깊이 이미지 #색 이미지 #알파포즈 #포인트 클라우드

제1장 서론 1
제2장 배경지식 및 관련 연구 3
제1절 Microsoft Azure Kinect DK 3
제2절 2D Pose Estimation 6
1. Parts Based Framework 6
2. Bottom-Up Approach 7
제3절 3D Pose Estimation 9
제4절 포인트 클라우드 10
제5절 좌표변환 12
1. 2D 좌표변환 13
2. 3D 좌표변환 15
제3장 3D 휴먼 키포인트 탐지 시스템 19
제1절 3D 키포인트 탐지 시스템 19
제4장 실험 결과 및 분석 28
제1절 Ground Truth 28
제2절 실험환경 31
제3절 실험 결과 및 분석 32
제5장 결론 및 향후과제 36
참고문헌 37
부록 42
부록1 42
부록2 44
ABSTRACT 46

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)