Home

골프 자세를 손쉽게 교정할 수 있는 프로그램은 여러 방면에서 개발이 진행되고 있다. 김한별 연구팀은 골프 스윙의 구간을 4개로 나누기 위하여, 키넥트를 이용하여 양손, 골반, 어깨의 값을 이용하여 구분하였다[6]. 손현철 연구팀은 사용자에게 6가지의 뷰를 제공하고 자신의 골프 자세와 몸의 중심, 각도, X-Factor 등을 이용해 데이터를 비교하는 방법을 제시하였다[7]. 김호한 연구팀은 구간 간의 궤적의 유사도를 보이기 위하여, 궤적의 좌표들을 등차 형태로 수정하였다[8]. 이후에 스케일링 및 이동하여 궤적을 원점으로 이동시키고, 좌표 간의 거리를 이용하여 점수를 계산했다. 이 논문의 예비 연구[9]에서는 PCA를 사용해 이중 궤적을 재구성하고 상관계수를 이용해 평가하는 방법을 제안하였다. 하지만 일대일 비교라는 점에서 신뢰도가 떨어지며 본 논문에서는 이를 해결한 방법을 제시한다.

골프 스윙을 분석하는 연구는 오래전부터 진행되어져 왔다. 민병기는 키넥트 한 대를 이용하여 관절정보와 깊이 정보를 이용하여 키 프레임에서 스윙의 특징들을 자동으로 추출하는 방법[10], H. Ku 연구팀은 접촉과 비접촉 감지로 나누어 웨어러블 센서와 키넥트를 사용하여 골프 스윙을 분석하는 방법[11]을 제안했다.

고경리 연구팀은 스윙 모션 데이터를 이용하여 드라이버 및 7번 아이언 클립을 이용하여 일반인과 프로 간의 모션 차이를 확인[15] 하였으며, 곽기영 연구팀은 골프 스윙 동작을 이용하여 생성한 스윙 모델을 기반으로 시뮬레이션한 결과에 따라 하중을 분석했다[16].

이주성 연구팀은 전체 자세가 아닌 영상처리를 기반으로 스윙 궤적을 추출하는 방법[17], 황세현 연구팀은 관성 센서 하나를 이용하여 손의 움직임 정보를 추출하고, 카메라를 이용하여 골프채 헤드의 궤적을 추적하여 스윙을 직관적으로 분석하는 방법[18], Z. Zhang 연구팀은 골프 스윙 시그니처를 인식하기 위한 LSVM 모델과 게이지 센서를 이용하여 정확하고 효과적으로 인식하는 방법[19]을 제안했다.

Y. Kim 연구팀은 관성 센서 및 스윙 모션 분석 알고리즘을 이용하여 위치 분석 시스템을 개발하고, 이를 이용하여 골프 스윙을 분석[20] 하였으며, 김지훈 연구팀은 골프 스윙 간의 자세에서 머리의 움직임의 중요성에 초점을 맞추어 Faster R-CNN 기반으로 머리를 인식하여 높은 성능을 냈다[21].

그리고 고경리 연구팀은 단일 카메라의 한계를 극복하고 3차원 정보를 이용하기 위하여 CNN으로 연속적인 영상의 특징을 추출하고 각 분석 모델을 통하여 3차원의 분석이 가능함을 확인[22]하였고, 조안나 연구팀은 2개의 IMU 센서를 통하여 얻은 데이터를 머신러닝을 이용하여 X-factor를 추정하였으며, 7명의 피실험자를 통해 실험한 결과 좋은 성능을 보였다[23].

이진명 연구팀은 COP 궤적 이미지와 CNN을 이용하여 골프 스윙으로 숙련자와 초보자를 구분하는 시스템을 제안[24] 하였으며, 주재한은 골프 스윙 동작 개선에서 즉각적인 피드백에 초점을 맞추었고, 스윙 동작에 관한 지식을 기반으로 스마트 센서를 활용하여 육안으로 확인 및 분석에 대한 기능을 제공했다[25]. 그리고 S. Stančin 연구팀은 웨어러블 모션 센서를 사용하여 골프 스윙의 데이터를 얻고, 적절히 수행된 스윙에 PCA를 적용하여 허용이 가능한 모션 편차의 PCA 성분을 결정하여 초기 단계에서 부적절한 스윙 동작을 감지했다[26].

골프 스윙을 각 구간 별로 분류하는 연구는 활발히 진행 중이다. 박준욱 연구팀은 키넥트와 퍼지 시스템을 기반으로 분류하였는데, 손의 좌표와 클럽 헤드를 이용하여 스윙 동작을 7가지로 분류하는 방법을 제안했다[12].

L. Zhang 연구팀은 골퍼의 스켈레톤을 포착하는 목적에 키넥트를 사용하고 HMM- NF 모델을 사용하여 점수를 평가하여 높은 정확도로 골프 스윙을 효과적으로 채점을 가능하게 하였으며[13], L. Jiao 연구팀은 다중 센서 골프 스윙 신호를 입력으로 하는 Deep CNN을 기반으로 골프 스윙 데이터를 분류하는 방법을 제안하여 CNN 기반 모델이 골프 스윙을 분류하는 것에 적합함을 보여주었다[27].

이후 연구에서는 다양한 골프 선수의 스윙 데이터를 그룹화하고 컨볼루션 신경 분류기, 가속도계 및 자이로스코프 등의 센서들을 이용하여 분류하였다[28]. 고경리 연구팀은 단일 카메라를 기반으로 동영상에 대한 전이학습을 이용하여 골프 스윙 구간을 자동으로 분류하는 시스템을 보여주었다[29].

L. Zhange 연구팀은 키넥트를 이용하여 얻은 정보를 벡터 양자화를 통해 시퀀스로 변환 후, GMM 모델과 GMM-KL divergence 커널을 이용하여 골프 스윙의 점수를 매기는 방법을 제안하였다[14].

J. Wobbrock 연구팀은 정해진 템플릿에 대하여 리샘플링, 회전, 변환 등의 자체적 알고리즘을 통해 새로운 제스처와의 유사도를 구해 쉽게 인식할 수 있는 $1 recognizer를 제공하였다[30]. 박진관 연구팀은 궤적들 간의 인접성을 이산프레셰 거리를 통하여 빠른 속도로 구분할 수 있는 알고리즘을 제안하고 95%의 높은 정확도를 보였다[31]. 홍지혜 연구팀은 대표 빈발 부분 그래프들을 이용하여 Hausdorff 거리와 두 그래프와의 최대 공통 부분 그래프를 기반으로 유사도를 측정할 수 있는 알고리즘을 제안하였다[32]. 길선웅 연구팀은 안드로이드 환경에서 코사인 유사도 측정을 이용한 인증 방식을 제안하였다[33].

원본군과 대조군의 스윙 궤적 데이터를 비교하기 위해서는, 행렬 연산이 필요하므로, 각 궤적의 크기는 동일해야 한다. 또한, X·Y 좌표를 따로 구성하여 데이터 간의 일관성을 확보한다. 해당 궤적의 데이터 개수를 f라 고정할 때, 데이터 간 차이의 평균 거리(l)는 식 (1)과 같이 계산한다.

평균 거리 l을 사용하여, 각 궤적은 동일한 거리의 m개의 데이터를 가지도록 다시 샘플링한다. 인접한 점 사이의 거리가 1보다 크면, 새로운 점을 삽입한다. l보다 작으면, 다음 점으로 이동하지만 기준점은 변경하지 않는다. 이 과정을 궤적의 모든 점에 대해 반복한다.

구간별 정확도를 위해 앞뒤의 데이터를 하나씩 제거하여 m - 2개의 궤적 데이터를 구성한다. 또한, Address to Top, Top to Impact, Impact to Finish의 구간 별 유사도를 측정하기 위해 모든 궤적 데이터를 구간을 나누어 이와 같은 과정을 진행한다.

대조군 전체 행렬 C⊂Rm-2×n을 생성하기 위해 대조군의 궤적 열벡터(c2→,c3→,..,cm-1→∈C)들을 입력으로 받아 정의하며 그림 1과 같이 대조군 전체 행렬을 구성한다.

Fig. 1. 
Analysis results by section

사용자 간의 특징 정보가 있는 각 행 벡터의 평균을 0으로 만들기 위하여 각 열의 평균을 기존 행렬 C에서 뺀다 (2). 이후에, 공분산 행렬을 만들기 위하여 (3)와 같이 행렬 곱을 한다. 만들어진 공분산 행렬에 대하여 고윳값을 구하고, 크기에 따른 고유 벡터들을 내림차순으로 행에 배치한다. 이때, A⊂Rk×m-2이고, e1→,e2→,..,em-2→∈A인 호텔링 변환행렬을 생성한다. A는 고유벡터의 개수 k에 대하여 k의 최댓값은 (m - 2)이다.

생성한 대조군의 호텔링 변환 행렬 A를 이용하여 원본군의 단일 골프 스윙 o→를 사상한다. o→는 길이가 m - 2인 열벡터가 되고, 각 지점의 데이터에 대해서 대조군의 평균을 빼는 과정을 진행한다 (4). 이어서, A를 이용하여 원본군의 궤적을 대조군의 궤적에 대하여 사상하여 좌표들을 변환한다 (5). A의 각 고유벡터(행)는 직교하므로, A^-1 = A^T의 성질을 지닌다. 따라서 (6)과 같은 과정으로 복구하여 최종 변환된 u^를 생성한다. u^는 원본군이 대조군을 따라 했을 때의 궤적을 뜻하며, 대조군들의 스윙 궤적과 차이가 적은 궤적일수록 o→와 차이가 작은 결과를 보인다.

이를 이용하여 본 논문에서는 원본군 궤적 u와 사상된 원본군 u^사이의 유사도를 비교한다. u와 u^사이의 Score를 계산하기 위해, 둘의 궤적을 원점으로 이동한다. 이후에 궤적의 크기를 크기가 1인 정사각형 크기로 변환한다. u, u^사이의 x, y 사이의 거리를 평균을 구하고 (7), 이를 (8)의 식을 이용하여 Score를 계산한다.

원본군을 Good, Normal, Bad 및 k를 62, 30, 10, 5, 1로 변화하여 표 1과 같이 15장에 결과에 대하여 분석한다. 원본군의 상태와 관계없이 k가 작아질수록 노이즈가 작아지고 궤적의 Smoothing 현상을 볼 수 있다.

	k = 62	k = 30	k = 10	k = 5	k = 1
Good original group
Normal original group
Bad original group

Good 원본군의 경우 상대적으로 k값의 영향을 적게 받음을 볼 수 있다. Normal 원본군은 대조군의 데이터와 조금 차이가 있는 원본군이며, k가 작아질수록 대조군 형태에 사상되는 것을 보인다.

Bad 원본군은 대조군 데이터들과 관계없는 궤적이며, k가 클 때는 많은 노이즈가 포함되고 k가 작을수록 원본군 데이터에 영향을 상당히 적게 받는 결과를 보인다.

m = 64으로 고정한 대조군들의 스윙 궤적에 대하여 n를 2, 4, 6, 8, 10로 변화하여 실험한다. 표 2는 대조군의 데이터가 Valid한 경우로만 구성된 경우의 결과이며, 표 3은 Invalid한 대조군의 데이터가 포함된 경우의 결과를 나타낸 것이다. Valid한 대조군의 호텔링 변환행렬을 사용하였을 경우 n의 값이 Score에 큰 영향을 미치지 않는 것으로 분석된다. 최대 최소의 차이가 약 3%의 차이를 보였으며 n이 커지거나 작아질 때 유사도의 변화는 관계가 없다. 하지만, Invalid한 대조군이 포함된 경우 n은 Score에 큰 영향을 미친다. n이 커질수록 Score가 높아지며 최대 최소의 차이가 약 60%로 크게 나타났다. 따라서, n ∝ Score의 관계가 있음을 알 수 있다.

	n = 2	n = 4	n = 6	n = 8	n = 10
C, o→
u, u→
Score	0.8967	0.9148	0.8964	0.9164	0.9302

	n = 2	n = 4	n = 6	n = 8	n = 10
C, o→
u, u→
Score	0.2425	0.6277	0.7306	0.7945	0.8324

표 3의 경우 n의 개수가 많아지면, Invalid한 데이터에 비하여 Valid한 데이터가 상대적으로 많아진다. 이는 Invalid한 데이터의 분산을 상쇄하는 작용을 한다. 따라서, 대조군 데이터에 분산이 큰 궤적이 존재한다면, n의 값이 클수록 신뢰도가 높다.

C에 포함되는 열 백터들과 o→의 차이가 작을 경우에는, 그림 2(a)와 같이 사상된 원본군과 기존의 원본군의 궤적 차이가 근소하고 상대적으로 Score가 높은 것을 볼 수 있다. 이와 반대로, 상대적으로 궤적의 차이가 있는 o→를 A에 의해 사상된 경우 그림-(a)와는 다른 궤적을 보인다. 이는 대조군과 동일한 신체를 기반으로 원본군의 스윙을 한 결과가 되며, 궤적의 차이가 크기 때문에 낮은 Score를 보인다.

Fig. 2. 
Analysis results by section