학습시킨 손 모양을 인식해 해당 모션을 따라하는 행동을 하는 아두이노 모듈 제작
MediaPipe 라이브러리는 구글에서 만들고, 공개, 관리하고 있는 오픈소스 AI 솔루션이다. 해당 라이브러리는 얼굴 인식, 손 인식, 자세 인식 등 여러 데이터를 감지할 수 있는 기능을 제공한다.
MediaPipe에서 손 랜드마크 모델 은 직접 좌표 예측을 통해 감지된 손 영역 내부의 21개 3D 손 관절 좌표의 정확한 키포인트 위치를 찾아낸다. 이 모델은 일관된 내부 손 포즈 표현을 학습하고 부분적으로 보이는 손과 자체 폐색에도 견고하다.
그 외에 웹캠으로 입력되는 영상 데이터 처리를 위해 OpenCV, 인공지능 모델 학습 및 처리를 위해 tensorflow 를 사용한다.
학습 데이터 수집 코드 를 사용해 학습 데이터를 수집할 수 있다.
코드를 실행하면 secs_for_action 동안 각 제스쳐에 대한 데이터를 수집한다. (제스쳐를 바꾸는데 30초의 대기 시간이 있음)
각 프레임에서 손의 랜드마크가 감지되면 손가락 마디의 랜드마크의 벡터를 사용하여 각도 데이터를 추출한다. 그 후, 랜드마크의 데이터와 라벨링한 각도 데이터를 합친 후 시퀀스 데이터로 변형하여 저장한다. (LSTM 사용을 위해)
학습 모델 만들기 코드
연속된 데이터의 처리가 필요하기 때문에 학습 모델로는 RNN (Recurrent Neural Network) 를 사용할 것이다.
수집한 시퀀스 데이터를 불러와 배열로 만든 다음, 데이터와 라벨을 분리한다. 그 후, 라벨을 One-hot Encoding 시켜준다. (다중 분류 문제이기 때문)
학습의 정확도를 높이기 위해 train 셋과 test 셋을 분리한 후 학습 모델을 만든다.
사용한 학습 모델은 다음과 같다.
model = Sequential([
LSTM(64, activation='relu', input_shape=x_train.shape[1:3]), # input_shape = [30, 99], 30->윈도우의 크기, 99->랜드마크, visibility, 각도
Dense(32, activation='relu'),
Dense(len(actions), activation='softmax')
])학습을 진행하여 val_acc(검증 정확도) 가 최적인 모델을 찾아 저장한다.
학습 모델 사용
웹캠으로 들어온 데이터를 학습 데이터 수집 과정에 진행한 것처럼 랜드마크의 데이터와 각도 데이터를 합친 데이터를 구한 다음, 학습 모델에 넣어 예측을 진행한다.
그 후, 연속된 행동이 3번 이상 감지되었을 때 제스쳐를 취했다고 판단하고 해당 제스쳐에 대한 라벨을 화면에 텍스트로 띄워준다.
추가로 serial 라이브러리 를 사용하면 해당 제스쳐가 취해졌을 때 아두이노로 조작 명령어를 시리얼 통신으로 송신할 수 있으며, 해당 명령어를 아두이노가 수신했을 때 동작하도록 아두이노를 코딩하면 제스쳐에 따라 아두이노가 작동하는 모듈 을 만들 수 있다.
손 모듈 제작 전에 제스쳐 테스트 용으로, 간단한 LED 회로를 만들어 확인해보았다.
소스 코드
시연영상
아두이노 우노와 서보모터를 이용하여 손 모듈의 회로를 제작했다.
우드락과 빨대를 사용하여 간단한 손 모형을 구현했다.
소스 코드
Hand_module.mp4
- 정교한 모듈이 아니다 보니 즉각적인 모션 반응이 느림.
- 모션에 따른 아두이노의 딜레이를 줄이기 위해 delay를 없애면 노트북과 아두이노가 서로 반응 속도를 따라가지 못해 멈추는 현상이 일어남.
손가락 인식 볼륨 조절기 만들기
가위바위보 기계 만들기 - 손가락 인식 인공지능
손 제스처 인식 딥러닝 인공지능 학습시키기