플래시 라이다 기반 3D 스켈레톤을 활용한 고정밀 보행 인식 시스템 GlidarCo

본 논문은 플래시 라이다(Flash LiDAR)라는 비교적 새로운 센서를 활용해 보행 인식(gait recognition) 시스템을 구현하고, 저해상도·고노이즈 환경에서도 신뢰할 수 있는 스켈레톤 기반 특징을 추출하는 방법론을 제시한다. 연구 배경으로는 기존 모델 기반 보행 인식이 Kinect나 모션 캡처(Mocap)와 같은 고품질 깊이 센서에 의존해 실험실 환경에 국한된다는 점을 들며, 라이다는 장거리·외부 환경에서도 안정적인 거리·강도 정보를 제공하지만, 해상도가 낮고 잡음이 많아 스켈레톤 추출이 어려운 문제점을 지적한다. 논문은 크게 네 가지 주요 기여를 선언한다. 첫째, 플래시 라이다 데이터를 이용한 실시간에 가까운 모델 기반 보행 인식 파이프라인을 설계했다. 둘째, 관절 좌표의 결측·오류를 자동으로 탐지하고 보정하는 필터링 메커니즘을 제안했으며, 이는 마할라노비스 거리 기반 이상치 검출과 shape‑preserving spline 보간을 결합한 것이다. 셋째, 전통적인 평균·표준편차와 로버스트 통계량(중앙값, 사분위 범위, 트림 평균 등)을 결합해 ‘강인 모멘트’를 특징에 통합함으로써 보행 주기 전반의 동적 변화를 효과적으로 인코딩했다. 넷째, 데이터 삭제가 가능한 경우와 불가능한 경우를 대비해, 벡터 기반 특징에 대한 변형된 Tukey’s outlier removal 방법을 제시하고, 이를 기존 보정 방식과 비교 평가했다. 구현 세부 사항은 다음과 같다. 라이다에서 획득한 강도 이미지와 거리 데이터를 전처리한 뒤, OpenPose를 이용해 2‑D 관절 위치를 추출한다. 라이다의 내부 파라미터와 거리 정보를 활용해 2‑D 좌표를 실제 3‑D 좌표로 변환하고, 얼굴 관련 5개의 관절을 제외한 13개의 핵심 관절만을 사용한다. 관절 시계열 데이터에 대해 마할라노비스 거리 기반 이상치 탐지를 수행하고, 이상치가 검출된 프레임은 spline 보간으로 복원한다. 이후 각 관절에 대해 로버스트 통계량을 계산하고, 이를 기존 평균·표준편차와 결합해 최종 특징 벡터를 만든다. 특징은 두 종류로 나뉜다. (1) 길이 기반 특징은 관절 간 거리의 통계값을 사용하고, (2) 벡터 기반 특징은 관절 좌표 자체를 정규화한 시계열을 사용한다. 벡터 기반 특징에 대해서는 변형된 Tukey’s fences를 적용해 이상치를 제거하는 옵션도 제공한다. 실험은 10명의 피험자를 대상으로 다양한 보행 패턴(직진, 회전, 속도 변화)을 포함한 라이다 시퀀스를 수집했다. 각 피험자는 5~7초 길이의 시퀀스를 30프레임/초로 촬영했으며, 전체 데이터는 약 3,000프레임에 달한다. 보정 전후의 특징을 SVM, K‑Nearest Neighbor, Random Forest 등 세 가지 분류기에 적용해 인식 정확도를 비교했다. 결과는 보정 메커니즘이 적용된 경우, 길이 기반 특징은 평균 12%p, 벡터 기반 특징은 평균 9%p 이상의 정확도 향상을 보였으며, 특히 데이터 삭제 없이 전체 시퀀스를 활용했을 때도 기존 Kinect·Mocap 기반 모델과 동등하거나 우수한 성능을 기록했다. 또한, outlier removal 방식을 적용한 경우와 보정 방식을 적용한 경우를 직접 비교했을 때, 보정 방식이 데이터 손실을 최소화하면서도 유사하거나 더 높은 정확도를 달성함을 확인했다. 논문의 의의는 라이다와 같은 저품질 센서에서도 스켈레톤 기반 보행 인식이 실용 가능하다는 점을 실증적으로 보여준 데 있다. 관절 좌표 시계열에 대한 로버스트 통계와 보간을 결합한 접근법은 노이즈와 결측을 효과적으로 완화하고, 강인 모멘트를 포함한 특징 설계는 보행 동작의 미세한 변화를 포착한다. 향후 연구에서는 다중 라이다 센서를 활용한 3‑D 포인트 클라우드 기반 관절 추정, 실시간 구현 최적화, 그리고 대규모 공개 데이터셋 구축 등을 통해 시스템의 일반화와 확장성을 검증할 계획이다.