골프 스윙 유사도 매칭을 위한 2D 키포인트 시계열 임베딩|RISS 상세보기

국문 초록 (Abstract)

최근 디지털 피트니스와 비대면 운동 지도가 빠르게 확산하면서, 사용자가 집이나 연습장에서 스스로 운동 자세를 점검할 수 있는 시스템에 대한 요구가 꾸준히 커지고 있다. 골프는 특히 스윙 메커니즘이 복잡하고, 자세 교정을 위해 많은 레슨비용과 시간을 필요로 하는 종목이다. 지 금까지 센서 기반 스윙 분석, 모션 캡처 시스템, 영상 기반 자세 분석 등 다양한 연구와 사용 서비스가 등장했지만, 특수 장비에 대한 의존도가 높거나 몇 개의 정적인 주요 프레임 위주로 스윙을 평가하는 경우가 많아, 실제 스윙 전체 흐름과 선수별 스윙 스타일을 충분히 반영하지 못한 다는 한계가 있다. 본 연구는 골프 스윙을 2D 키포인트 시계열 임베딩으로 표현하고, 이를 이용해 프로와 아마추어 간 스윙 유사도를 정량적으로 측정하는 방법을 제안한다. 먼저 프로 골퍼들의 측면 스윙 영상을 수집하고, 인간 자세 추정 모델을 통해 각 프레임의 2D 키포인트를 추출한다. 이후 네 가지 전처리, 즉 토르소 기반 스케일 정규화(SN), 정적 또는 동적 골반 기준 재중심화(SPAR/DPAR), 자세 축 정렬(PAA), 단계 동기화 재샘플링(PSR)을 적용해 카메라 거리, 촬영 위치, 체형 차이, 스윙 길이 차이 등의 영향을 최대한 줄인다. 전처리된 2D 키포인트 시계열은 A-TCN(Acausal Temporal Convolu tion Network) 기반 임베딩 모델의 입력으로 사용된다. 모델은 시간 축을 따라 인과 및 비인과 방향의 dilated convolution을 여러 층 쌓은 구 조로, 스윙 전체 구간을 넓은 수용 영역 안에서 통합하여 하나의 128차원 임베딩 벡터로 압축한다. 학습 과정에서는 NT-Xent 기반 InfoNCE 손실 함수와 Triplet을 함께 사용하여, 같은 선수의 스윙은 서로 가깝게, 다른 선수의 스윙은 멀어지도록 임베딩 공간을 형성한다. 학습이 끝난 뒤에는 선수별 스윙 임베딩의 평균 벡터를 프로토타입으로 정의하고, 프로토타입 간의 관계를 분석해 스윙 스타일 군집을 형성 한다. 아마추어 스윙 데이터 역시 동일한 전처리와 A-TCN 임베딩 과정을 거쳐 같은 공간으로 사상하고, 각 프로토타입 및 프로 군집과의 코사인 유사도를 계산해 어떤 프로와 가장 비슷한지, 어떤 스타일 영역에 위치하는지를 수치와 시각화로 함께 제시한다. 실험 결과, 네 가지 전처리를 모두 적용한 설정에서 프로 선수 간 클러스터 분리가 가장 뚜렷하게 나타났으며, 동일한 데이터에 대해 BiLSTM(Bidirection Long Short-Term Memory) 기반 임베딩 모델을 사용했을 때보다 제안하는 A-TCN 임베딩이 선수별 프로토타입 간 간격과 군 집 내 응집도 측면에서 더 안정적인 구조를 보였다. 또한 아마추어 스윙 에 대해 각 프로토타입과의 코사인 유사도 분포를 비교했을 때 아마추어 가 특정 1명 또는 2명의 프로 스타일에 뚜렷하게 가까운 경향을 보여, 시계열 임베딩 기반 유사도 측정이 실제 스윙 스타일 구분에 유효함을 확인할 수 있었다.

번역하기

최근 디지털 피트니스와 비대면 운동 지도가 빠르게 확산하면서, 사용자가 집이나 연습장에서 스스로 운동 자세를 점검할 수 있는 시스템에 대한 요구가 꾸준히 커지고 있다. 골프는 특히 ...

목차 (Table of Contents)