기술개요
본 발명은 멀티 안테나 시스템을 활용하여 시간축 3차원 정보를 생성하고, 이를 기반으로 CNN-SVM 혼합모델을 학습하여 객체의 제스처(형태)를 인식하는 기술임.
- 기존 비전 기반 제스처 인식은 외부 환경 요인에 취약한 한계가 있었으며,FMCW 레이다 기반 기술은 움직임이 있어야만 인식 가능함.
- 이를 극복하기 위해 정지 제스처도 인식 가능하고 외부 환경 영향을 줄인 레이다 기반의 신호 인식 시스템을 제안함.
기술 구현 내용
1) 하드웨어 구성
- 송신부: 주파수 변조 신호 전송
- 수신부: 멀티 안테나를 통해 다양한 반사각에서 신호 수신
- 프로세서: 수신 신호를 처리하여 제스처 인식 수행
2) 데이터 처리 및 학습 절차
- 복수의 수신 안테나를 통해 다양한 각도의 반사 신호 획득
- 각 신호로부터 고유 벡터(특징) 추출
- 고유 벡터들을 기반으로 3차원 시간축 파형 데이터 생성
- 이를 색상 기반 2차원 그림 데이터로 변환
- 2D 데이터 입력을 바탕으로 CNN-SVM 예측 모델 학습
1. CNN으로 특징 추출
2. Flatten → SVM 분류
- 학습된 모델을 통해 객체의 형태 결정
시장성
1) 적용 분야
- 스마트홈 및 IoT
- 자동차 인토페인먼트
- 의료 및 무균 환경
- VR/AR 시스템
- 보안/감시 시스템
2) 제스처 인식 시장
글로벌 제스처 인식 시장 규모는 2024년 기준으로 247억 달러에서 2032년 1,618억 달러까지 연평균 26.2% 성장할 것으로 전망됨.
소비자 전자, 게임, 의료, 자동차 등 다양한 산업 분야에서 크게 성장을 목격했으며, 직관적이고 몰입형 인간-기계 인터페이스에 대한 수요 증가, 센서 기술의 발전으로 적용분야는 지속적으로 확장되고 있음.
기술의 차별성
1) 기존 기술의 한계점
- 비전 기반 시스템: 외부 조도, 배경, 카메라 각도 등에 취약
- FMCW 기반 기술: 객체의 움직임이 반드시 있어야 인식 가능
- 단일 수신 안테나 시스템: 노이즈에 취약하고 데이터량 부족
2) 본 발명의 특장점
- 멀티 안테나 수신부로 다양한 반사각의 정보 확보
- 시간축 기반 3D 데이터 + 2D 이미지 변환으로 정보량 증대
- CNN-SVM 혼합모델을 통한 효율적 학습
- 정지 제스처도 고정된 공간 패턴 인식으로 처리 가능
3) 차별화 포인트
- 복수의 수신 안테나 → 다각도 반사 정보 확보
- 3D 시계열 + 2D 이미지 변환 → 고차원 특징 제공
- CNN-SVM 하이브리드 모델 → 복잡도는 낮추고 정확도는 확보
- 하드웨어 보완 없이도 정보량 증가로 성능 개선 가능
