품새 자동 평가 시스템 구축을 위한 합성곱 신경망 기반 태권도 단위동작 인식 방법 = Taekwondo unit motion recognition method based on convolutional neural network for Poomsae automatic evaluation system

국문 초록 (Abstract)

올림픽 정식 종목이자 대한민국의 국기로써 인정받고 있는 전통 무술 태권도의 경기는 크게 겨루기와 품새로 나누어진다. 전자호구와 슬로우 카메라 등의 기술 도입을 통해 정량적인 채점이 이뤄지고 있는 겨루기와는 달리 품새 경기는 정량적인 채점 기준이 없어 품새의 채점과 경기의 판정을 모두 심판의 정성적인 판단에만 의존하고 있다. 동작 인식 기술은 이러한 문제에 대한 한가지 해답이 될 수 있으나, 태권도 특유의 빠르고 복잡한 동작로 인하여 일반적인 동작 인식 기술을 태권도에 그대로 적용하는 것은 쉽지 않다. 이에 본 논문은 영상기반 태권도 동작 인식을 위한 학습용 데이터 세트를 구축하고, 이를 학습할 수 있는 키프레임 기반 합성곱 신경망 (Convolutional Neural Network) 동작 인식 알고리즘을 제안한다. 데이터 세트는 10명의 전문가가 수행하는 총 1,936개의 태권도 동작 샘플으로 구성되며, 두 가지 카메라 시점을 기준으로 촬영되었다. 키프레임에 기반한 동작 인식 모델은 다양한 입력 조건 하에서 테스트가 진행되었으며 최고 정확도 95.833%의 인식 정확도를 획득하였다. 추후의 태권도 동작 인식에 대한 연구를 위하여 다양한 학습 모델과 그에 따른 테스트 결과를 태권도의 동작 특성과 연관지어 분석하였다.

다국어 초록 (Multilingual Abstract)

Poomsae, one of the fields of Taekwondo competition has been raising issues of fairness and environmental restrictions for a long time. This problem is due to the lack of quantitative scoring criteria for Poomsae. Action recognition technology is one of the useful approaches to this problem, but it is difficult to apply the existing methodology since Taekwondo's action has differentiated features from general human action. Therefore, in this study, a normalized Taekwondo action dataset that can be used for Taekwondo action recognition was constructed. Also, a key frame-based convolutional neural network action recognition model that can train a proposed dataset. and its performance was tested. The recognition algorithm showed the highest accuracy of 95.833%, and the action characteristics of Taekwondo were analyzed through the analysis of recognition results under various conditions. The results of this study can be expected to be used in various ways in future studies on Taekwondo action recognition.

목차 (Table of Contents)

• 제1장 서론 . 1
• 제1절 연구 배경 . 1
• 제2절 태권도 동작 인식의 필요성 2
• 제3절 연구 목표 . 4
• 제2장 연구 방법 . 5
• 제1절 연구 설계 . 5
• 제2절 태권도 단위 동작 데이터 세트 구축 . 7
• 1. 태권도 동작 수행자 . 7
• 2. 사용 데이터 7
• 3. 촬영 환경 8
• 4. 단위 동작의 종류와 동작 샘플 구성 9
• 5. 데이터 라벨링 12
• 제3절 키 프레임 기반 동작 인식 모델 . 14
• 1. 모델 제작 배경 14
• 2. 합성곱 신경망 입력 데이터 구성 14
• 3. 합성곱 신경망 구축 . 17
• 4. 학습 과정 18
• 제3장 연구 결과 . 19
• 제1절 태권도 단위 동작 데이터 세트 . 19
• 1. 구축 결과 및 상세 . 19
• 2. 기존 동작 인식용 데이터 세트와의 비교 . 19
• 제2절 키 프레임 기반 동작 인식 모델 . 21
• 1. 이미지 형식 21
• 2. 키 프레임 22
• 3. 카메라 시점 및 동작 클래스 . 24
• 4. 의사 다중 시점 및 배경 . 26
• 5. 기존 태권도 동작 인식 연구와의 비교 27
• 제4장 토론 및 결론 29
• 제1절 토론 . 29
• 1. 이미지 형식 29
• 2. 키 프레임 29
• 3. 카메라 시점 및 동작 클래스 . 30
• 4. 의사 다중 시점 및 배경 . 31
• 5. 기존 태권도 동작 인식 연구와의 비교 32
• 제2절 결론 . 33
• 참고문헌 . 34
• 국문초록 . 40