딥러닝 기반 포즈 인식 및 교정을 통한 효율적인 홈 트레이닝 시스템 개
Development of an Efficient Home Training System through Deep Learning-based Pose Recognition and Correction
0
조회
0
다운로드
10
인용
0
참고문헌
키워드
초록
COVID-19 확산으로 인해 헬스장이나 야외보다는 집에서 운동하는 것을 선호하는 사람들이 늘어나고 있다. 홈 트레이닝을 할 때 잘못된 방법으로 운동을 하게 되면 다칠 수도 있고 운동의 효과가 절감될 수 있는 문제가 있다. 본 논문은 학습에 기반한 포즈 분류 모델을 통해 실시간으로 사용자의 포즈를 분류하고, 사람의 관절 점을 기반으로 포즈를 분석하여 잘못된 포즈를 교정할 수 있도록 도와주는 홈 트레이닝 시스템을 제안한다. 트레이너의 비디오 영상과 웹캠을 통하여 직접 입력받은 운동 영상을 MediaPipe Pose API를 사용하여 포즈의 관절 좌표를 추출하고, 이를 데이터 세트로 학습하여 포즈 분류 모델을 구성한다. 사용자는 실시간으로 인식된 본인의 포즈를 확인하면서 운동할 수 있고 잘못된 포즈에 대해서는 올바른 어드바이스를 제공받을 수 있다. 또한 사용자가 올바른 포즈로 운동을 한 경우 운동 횟수가 증가되어 보다 효율적인 운동이 가능하도록 한다. 맨몸 운동의 대표적 운동인 스쿼트와 푸쉬업에 대해 본 시스템의 성능을 실험한 결과 스쿼트는 96%이고, 푸쉬업은 95%의 정확도를 보였고 포즈 추론 속도는 평균 31ms가 소요되어 실시간으로 활용 가능함을 알 수 있었다.
Abstract
Due to the spread of COVID-19, more and more people prefer to exercise at home rather than at gyms or outdoors. If you exercise in the wrong way during home training, you may get hurt and the effectiveness of the exercise may be reduced. This paper proposes a home training system that helps correct wrong posture by classifying user posture in real time through a deep learning-based posture classification model and analyzing posture based on human joint points. The joint coordinates of the pose are extracted using the MediaPipe Pose API for the video images of the trainer and the exercise input images obtained directly from the webcam, and the pose classification model is constructed by learning them as a dataset. The user can exercise while checking his or her pose recognized in real time, and can be provided with the right advice for the wrong pose. In addition, when the user exercises in the right pose, the number of exercises increases, enabling more efficient exercise. As a result of testing the performance of this system for squats and push-ups, which are representative exercises of bare-body exercise, it was found that squats were 96%, push-ups showed 95% accuracy, and pose inference speed took an average of 31 ms, making it available in real-time.
참고문헌 (12)
- S. Chen, "Pose Trainer: Correcting Exercise Posture using Pose Estimation", arXiv preprint arXiv:2006.11718, ~ (2020)
- 최지윤, "OpenVINO와 라즈베리파이 기반의 Yoga Pose Estimation 구현", 융복합지식학회논문지, 9(1), pp.85~93 (2021), 융복합지식학회[DOI]
- 하태용, "인공지능 기반의 스마트 헬스케어 운동관리를 위한 애플리케이션 구현", 전자공학회논문지, 57(6), pp.44~51 (2020), 대한전자공학회
- 신윤지, "딥러닝 기반 영상처리 기법 및 표준 운동 프로그램을 활용한 비대면 온라인 홈트레이닝 어플리케이션 연구", 문화기술의 융합, 7(3), pp.577~582 (2021), 국제문화기술진흥원
- 김태일, "모바일 기반 Air Writing을 위한 객체 탐지 및 광학 문자 인식 방법", 한국차세대컴퓨팅학회 논문지, 15(5), pp.53~63 (2019), 한국차세대컴퓨팅학회[DOI]
- 오동한, "외부 환경에 강인한 딥러닝 기반 손 제스처 인식", 한국차세대컴퓨팅학회 논문지, 14(5), pp.31~39 (2018), 한국차세대컴퓨팅학회
- 조정찬, "단일 이미지에 기반을 둔 사람의 포즈 추정에 대한 연구 동향", 한국차세대컴퓨팅학회 논문지, 15(5), pp.31~42 (2019), 한국차세대컴퓨팅학회[DOI]
- V. Bazarevsky, "BlazePose : On-device Real-time Body Pose tracking", arXiv preprint. arXiv:2006.10204v1, ~ (2020)
- Z. Cao, "OpenPose: Realtime multiperson 2d pose estimation using part affinity fields", IEEE transactions on pattern analysis and machine intelligence, pp.172~186 (2019)