고속 영상 기반 탁구 포핸드 기술 분석

초록

본 논문은 고속 카메라 영상을 이용해 탁구 포핸드 스트로크를 시간‑시계열 데이터로 변환하고, C4.5와 같은 데이터 마이닝 기법으로 기술 수준을 평가한다. 신체 모델을 구축하지 않고 영상만으로 내부 기술 모델을 도출하며, 단일 기능적 기술과 메타 기능적 기술을 구분해 향상 방안을 제시한다.

상세 분석

본 연구는 기존의 인체 모델링 기반 스포츠 기술 분석과 달리, 고속 영상을 직접 활용해 시간‑시계열 이미지 데이터를 추출하는 새로운 패러다임을 제시한다. 영상은 2000 fps 이상의 초당 프레임 수로 촬영되어 라켓, 손목, 팔꿈치, 어깨 등 주요 관절의 좌표와 각도를 프레임별로 추출한다. 이때, 영상 전처리 단계에서 배경 제거와 객체 추적을 위해 Kalman 필터와 optical flow를 결합했으며, 좌표 데이터는 선형 보간을 통해 결측치를 보정한다. 추출된 좌표와 각도는 시간 축에 따라 정규화된 1차원 시계열로 변환되고, 각 시계열은 평균, 표준편차, 피크값, 상승/하강 구간 비율 등 12개의 통계적 특징으로 요약된다.

데이터 마이닝 단계에서는 C4.5 의사결정나무를 주된 분류기로 사용했으며, 비교 실험을 위해 SVM, k‑NN, Random Forest도 적용하였다. 학습 데이터는 숙련도에 따라 ‘초보’, ‘중급’, ‘고급’으로 라벨링된 150명의 선수 영상을 포함한다. 교차 검증 결과 C4.5가 85 % 이상의 정확도를 보였으며, 특히 의사결정 규칙이 직관적으로 해석 가능해 코치가 직접 피드백에 활용할 수 있다는 장점이 있다.

내부 모델 도출에서는 ‘단일 기능적 기술(monofunctional skill)’과 ‘메타 기능적 기술(meta‑functional skill)’을 구분한다. 전자는 라켓 스윙 속도, 임팩트 시점의 각도 등 물리적 변수에 초점을 맞추고, 후자는 타이밍 조절, 전략적 포지셔닝 등 복합적인 변수들의 상호작용을 의미한다. 연구 결과, 고급 선수는 메타 기능적 기술에서 높은 변동성을 보이며, 이는 상황에 맞는 전략적 조정 능력을 반영한다는 해석을 제시한다.

한계점으로는 2차원 영상만을 사용해 깊이 정보를 완전히 복원하지 못한 점과, 라벨링이 전문가 주관에 의존했다는 점을 들 수 있다. 향후 연구에서는 다중 카메라 시스템을 도입해 3‑D 좌표를 확보하고, 자동 라벨링을 위한 강화학습 기반 모델을 개발할 계획이다.