Datasets:

jp1924
/

TechnologyScienceDocumentMachineReadingComprehensionAITrainingDataset

Dataset card Viewer Files Files and versions Community

Subset (2)

corpus · 6.17k rows

Split (2)

train · 5.48k rows

id int32 0 5.48k	corpus stringlengths 176 110k	category stringclasses 24 values	sentence_ls listlengths 1 830	metadata dict
400	<h1>Ⅱ. BLSTM 기반 마스크 추정 빔포밍</h1><p>딥러닝을 이용한 마스크 추정 기반 빔포밍은 기존 빔포밍 알고리듬에서 중요한 PSD 행렬의 추정을 딥러닝으로 대체하여 획기적인 성능 향상을 이루었다. 기존의 빔포밍 방식이 공간 배열에 의존적인데 반해 딥러닝을 이용한 마스크 추정 빔포밍은 마이크의 개수, 배열과 관계없이 독립적으로 이루어진다. 본 논문에서는 CHiME3 챌린지에서 우수한 성능을 보인 BLSTM 기반 마스크 추정 빔포밍을 이용한다.</p><h2>2.1 BLSTM 기반 마스크 추정 빔포밍</h2><p>스펙트럼 기반 마스크 추정은 BLSTM이 사용된다. 각 채널은 동일한 BLSTM 가중치를 공유하며, 각 채널에서 음성 마스크 \( M_{X}(t, f) \) 와잡음 마스크 \( M_{N}(t, f) \)가 독립적으로 추정된다. BLSTM의 학습 타겟으로는 이상적인 이진 마스크(Ideal Binary Mask, IBM)가 사용되었다.</p><p>채널 개수를 \( C \)로 정의한다. \( C \)개의 음성 마스크와 \( C \)개의 잡음 마스크를 추정할 수 있다. 추정된 \( C \)개의 마스크를 하나로 합치는 풀링이 필요한데 여러가지 풀링 옵션 중 중앙값을 사용하였다. 이것은 불특정 채널에서 마스크 추정에 실패하여 특이 값이 발생할 경우에도 안정된 값을 내어 줄 수 있기 때문이다. 중앙값을 통해 합쳐진 음성 마스크와 잡음 마스크를 이용하여 최종적으로 음성과 잡음에 관한 PSD 행렬이 추정된다.</p><h3>2.1.1 마스크 추정 네트워크 구성</h3><p>마스크 추정을 위한 신경망은 4층으로 구성된다. Fig. 1 및 Table 1에서 전체적인 구조를 확인할 수 있다. 잡음 음성 스트림을 \( 16 \mathrm{kHz} \) 샘플링 후 1,024 프레임 사이즈, 256 프레임 쉬프트 사이즈를 사용해 Short Time Fourier Transform(STFT)를 한다. STFT의 결과로부터 513개의 스펙트럼 크기를 취하여 마스크 추정을 위한 신경망의 입력으로 사용한다.</p><p>첫 번째 층은 256 출력 유닛 BLSTM 층으로 이루어져 있으며 \( \tanh \)을 활성화 함수로 사용한다. BLSTM의 메모리 cell 개수는 1,024개이다. 다음 2,3층은 513 유닛을 갖는 순방향(Feed Forward, FF) 층으로 이루어져 있으며, 정류 선형 유닛(Rectified Linear Unit, ReLU)을 활성화 함수로 사용한다. 입력의 \(513\)-포인트 스펙트럼의 크기를 고려하여 513 유닛을 사용하였다. 입력의 마지막 층은 1026 유닛으로 구성되며 2개의 부분으로 나누어지며, 1 ~ 513 유닛은 \( M_{X}(t, f) \) 를 추정하고, 514 ~ 1,026 유닛은 \( M_{N}(t, f) \)을 추정한다. 활성화 함수로는 sigmoid를 사용하여, 0 ~ 1 사이의 값을 추정한다. 각 시간-주파수 빈(bin)에서 음성, 잡음 마스크 추정 값의 합이 1이 되는 제약을 두지 않았다.</p> <h2>2.2 음향 빔포밍</h2> <p> 자주 사용되는 음향 빔포밍인 MVDR과 GEV에 대해 기술한다. 두 빔포밍 방식 모두 Eq. (4)와 같이 추정된 마스크 \( M_{X} \)와 \( M_{N} \) 관측 신호의 스펙트럼 \( Y(t, f) \)로부터 PSD 행렬을 추정한다. </p> <p> \[ \Phi_{w}(f)=\sum_{t=1}^{T} M_{v}(t, f) Y(t, f) Y(t, f)^{H}, v \in\{X, N\} . \] <caption>(4)<caption> </p> <p> \( H \)는 에르미트 연산자이며, PSD 행렬의 차원은 \( F \times C \times C \)으로 다채널 마이크 사이의 음성과 잡음의 전력 분포를 의미한다. </p> <h3>2.2.1 MVDR 빔포머</h3> <p> 음성인식에서 가장 자주 사용되는 빔포밍 방식은 MVDR 빔포머이다. MVDR 빔포머의 수식은 Eq. (5)와 같이 계산된다. 목표 음성 신호의 방향을 유지하는 제약 조건을 가지고 잔여 잡음을 최소화하는 \( W \)를 구하면 MVDR 빔포밍 벡터 \( W_{M V D R} \)이 된다. 반응 벡터 \( d \)는 도착각 추정을 통해 얻을 수 있으며 대체적인 방법으로는 음성 PSD 행렬 고유 값 분해를 이용하면 얻을 수 있다. 마스크 추정 기반 MVDR 빔포밍에서는 음성 PSD 행렬을 고유 값 분해하여 \( d \)를 추정한다. </p> <p> \( W_{M V D R}=\underset{W}{\arg \min } W \Phi_{N N} W \text{subject to} W^{H} d=1 .\) <caption>(5)<caption> </p> <p> 라그랑주 승수법을 이용하면 \( W_{M V D R} \)는 Eq. (6)과 같이 표현 가능하다. </p> <p> \( W_{M V D R}=\frac{\Phi_{N N}^{-1} d}{d^{H} \Phi_{N N}^{-1} d} \). <caption>(6)<caption> </p> <h3>2.2.2 GEV 빔포머</h3> <p> GEV 빔포밍 벡터 \( W_{G E V} \)는 Eq. (7)과 같이 Rayleigh coefficient에서 주파수 빈변 신호대잡음비를 최대화함으로써 구할 수 있다. 최적화 해답은 Eq. (8)로 주어진다. </p> <p> \( W_{G K V}=\underset{W}{\arg \min } \frac{W^{\prime \prime} \Phi_{X X} W}{W^{\prime \prime} \Phi_{N N} W} . \) <caption>(7)<caption> </p> <p> \( W_{G E V}=P\left(\Phi_{N N}^{-1} \Phi_{X X}\right) . \) <caption>(8)<caption> </p> <p> \( P(\cdot) \)는 가장 큰 고유값에 대응되는 고유벡터를 구하는 함수를 의미한다. 추정을 위해 음성 소스와 마이크 배열 사이에 전달 함수 및 잡음의 공간적 정보는 전혀 필요하지 않다. </p> <p> 본 연구에서 MVDR 빔포머 대신 GEV 빔포머를 사용하는 이유는 Eq. (6)에서와 같이 MVDR 빔포밍 벡터는 항상 잡음 PSD의 역행렬 계산이 필요하기 때문에 특정 주파수 빈 값이 부족할 경우 수학적으로 매우 불안정해지고, 성능 열화로 이어진다. 반면에 GEV빔포밍 벡터 계산 Eq. (8)에 슈어 분해를 이용하면 역행렬 연산을 피하는 동시에 수학적 안정성을 보장할 수 있으며 CHiME3 챌린지에서 MVDR 빔포밍에 비해 좋은 성능을 보임이 확인되었다. </p> <h2>4.2 마스크 추정을 위한 학습 및 개발 데이터 베이스</h2><p>BLSIM 마스크 추정 학습은 CHiME\(3\)의 학습, 개발 데이터베이스와 자체 제작된 차량 주행 잡음 환경 명령어(한국 가요, 엔진 잡음, 풍절음, 비상등 환경에서 발성된 명령어 녹음), 자체 제작된 버스 주행 잡음 환경 명령어(실제 도로 주행 버스잡음 및 라디오 재생 환경에서 발성된 명령어 녹음)를 이용하여 학습되었다.</p><h2>4.3 음성 강화 결과</h2><p>빔포밍을 이용한 음성 강화의 결과는 CHiME\(3\)챌린지의 Kaldi 기반의 DNN 음향모델과 RNN 언어모델로 구성된 음성인식기를 이용한 단어오류율(Word Error Rate, WER) 평가를 진행하였다. CHiME\(3\)-MUSDB CSE 평가 세트 \(24\)개(음악혼합 음성 \(12\) 세트 CHiME\(3\) 잡음 혼합 \(12\) 세트)를 \(5\)개의 신호대잡음비 환경 총 \(120\)개의 연속 잡음 음성 신호 wav 파일에 대해 온라인 빔포밍 처리 후 얻어진 연속된 빔포밍 음성 스트림 wav 파일에서 음성 구간만을 발화 단위로 분절하여, 기존 CHiME\(3\) dt\(05\)/et\(05\) 평가 세트로 재구성하여 평가를 진행하였다. 한국어에 대한 음성 강화 성능은 Google Web Speech API 음성인식기를 이용하여 평가했다. 버스 주행 환경 CSE 평가 세트 \(2\)개를 \(5\)개의 신호대잡음비 환경별로 구성한 \(10\)개의 연속 잡음 음성 신호 wav 파일들을 온라인 빔포밍 처리 후음성 구간만을 발화 단위로 분절한 wav 파일로 재구성 후에 평가를 진행하였다.</p><p>Figs. \(8,9\)에서 음악 잡음 음성 및 CHiME\(3\) 배경 잡음 음성에 대한 알고리듬별 평가 결과를 확인할 수 있다. 실험은 \(5\) 단계로 진행되었다. A\(0\)는 베이스라인으로 블록 단위로 PSD 행렬을 추정하여 빔포밍하는 방법이다. A\(1\)은 베이스 라인에 링버퍼를 추가한 방법이다. A\(2\)는 A\(1\)에 제안한 온라인 업데이트 알고리듬을 적용한 방법이다. A\(3\)는 A\(2\)에 빠른 수렴을 위한 블록 처리 후 업데이트를 진행한 방법이다. A\(4\)는 A\(3\)에 스펙트럼 감산을 적용한 방법이다. A\(0\)에서 A\(4\)로 제안 방법 및 알고리듬을 추가함에 따라 추가적인 성능 향상이 있었다.</p><p>A\(0\)에서 A\(1\) 으로 성능 향상을 보면 링버퍼를 사용하는 것이 빔포밍시에 빔포밍 벡터 계산의 안정성을 확보하는 동시에 현재 입력 프레임과 빔포밍 계산시 사용되는 프레임들 사이의 지연을 늘리지 않아 성능 향상으로 이어짐을 확인할 수 있었다. A\(2\)의 결과를 보면 제안한 온라인 업데이트 알고리듬이 BLSTM 마스크 추정 값을 이용해 음성이 존재하는 구간을 선별적으로 반영 후 업데이트하여 성능 향상으로 이어짐을 확인할 수 있었다. A\(3\)의 결과를 보면, PSD의 빠른 수렴을 위해 제안한 블록 처리 방법이 전체 배치를 업데이트하는데 비해 빠른 수렴으로 이어져 성능이 향상되었음을 알 수 있다. A\(4\)의 결과를 보면 BLSTM의 잡음 추정 값을 기반으로 스펙트럼 감산 방식 또한 빔포밍으로 들어가는 입력 잡음 음성의 신호대잡음비를 높이며 주며 음성 왜곡을 최소화하여 전반적인 성능 향상으로 이어졌음을 알 수 있다. 이를 증명하기 위해 A\(4 \)의 빔포머 입력으로 들어가는 \(1\)번 채널 신호의 신호대잡음비 측정값이 Table \(2\)에 제시되어있다. A\(4\)의 빔포너 입력 신호는 스펙트럼 감산이 적용되어 \(1\)번 채널 입력 신호에 비해 신호대잡음비가 \( 0 \mathrm{~dB} \)이하 일 때는 높아지며, \( 5 \mathrm{~dB} \)이상에서는 낮아지는 현상을 보인다. Table \(3\)은 음성 품질의 평가 척도인 Perceptual Evaluation of Speech Quality(PESQ)의 측정값을 보여준다. 스펙트럼 감산 전후에서, 신호대잡음비가 \(0\) 이하일 때는 PESQ가 높아지며 \(5\)이상에서는 유지되는 것을 확인할 수 있다. 평가는 CHiME\(3\)dt\(05\) 세트의 분절된 발화 wav에 대해 이루어졌다.</p><p>et\(05\) 평가 데이터의 성능이 dt\(05\) 평가 데이터 보다 대체로 떨어지는 것은 dt\(05\)의 평균 발화 길이가 더 길기 때문이다. 발화 길이가 길수록 발화에 수렴된 빔포밍 벡터가 출력되고 발화가 짧을수록 발화에 수렴된 빔포밍 벡터의 안정성이 떨어지기 때문에 성능열화로 이어지는 것을 확인할 수 있다.</p><p>Fig. \(10\)은 한국어 버스 주행 잡음환경 평가 세트이며, 논문이 제안하는 알고리듬 A\(2\), A\(3\), A\(4\)에 대한 음절오류율(Syllable Error Rate, SER) 평가를 진행하였다. WER을 성능 지표로 사용할 경우, 한국어 평가 데이터의 특성상 복합명사를 포함하고 있어서 띄어쓰기 방법에 따라서 성능 변화가 크게 나타나기 때문에 SER를 이용한 평가를 진행하였다. 평가에 사용한 한국어 명령어 샘플들 중 일부를 Table \(4\)에 제시하였다.</p> <p>\[ \|\hat{S}(t, f)\|=\|Y(t, f)\|-\|N(t, f)\| * \eta(t, f) . \]<caption>(15)<caption></p><p>위 식의 \( \eta \)는 감산가중치를 의미하며 관측 신호 스펙트럼 크기와 추정 잡음 스펙트럼 크기에 따라 Eq.(\(16\))과 같이 정의하였다.</p><p>\( \eta(t, f)= \) \[ \left\{\begin{array}{ll} \|Y(t, f)\| /\|\hat{N}(t, f)\| * \lambda_{N}(f), & \|Y(t, f)\|<\|\hat{N}(t, f)\| \\ \|Y(t, f)\|-\|\hat{N}(t, f)\|) /\|\hat{N}(t, f)\| * \lambda_{N}(f), & \text { otherwise } \end{array} .\right. \]<caption>(16)<caption></p><p>\( \lambda_{N}(f) \)는 Eq. (\(17\))과 같이 잡음 마스크 추정 값을 사용하여 정의되며 블록 단위 빔포밍 벡터 업데이트에서 사용된 \( L \)개의 프레임 중 시간적으로 현재에 가까운 \( L / 2 \)개의 프레임만을 사용하여 계산한다. 이렇게 하는 이유는 현재 시점의 프레임에 포함된 잡음의 주파수 빈 별 분포를 최대한 고려해서 감산하기 위해서이다. \( L \)개의 프레임을 사용할 시 적용 시점의 잡음 분포와 유사도가 떨어져서 성능 저하로 이어진다.</p><p>\[ \lambda_{N}(f)=\sum_{t=L / 2+1}^{L} M_{N}(t, f) /(L / 2) \]<caption>(17)<caption></p><p>추정된 향상 신호 스펙트럼 복원을 위해서, 추정된 향상 신호 스펙트럼의 위상 정보 또한 필요하다. 짧은 구간의 위상 정보는 상대적으로 중요하지 않기 때문에, 관측 신호 스펙트럼의 위상 정보를 고려하여 Eq. (\(18\))과 같이 복원된다.</p><p>\[ \hat{S}(t, f)=\|\hat{S}(t, f)\| e^{j \angle Y(t, f)} . \]<caption>(18)<caption></p><p>이렇게 스펙트럼 감산으로 추정된 향상 신호 스펙트럼 \( \hat{S}(t, f) \)가 길이가 \( L \)인 링버퍼로 들어가고 링버퍼가 차면 Eq. (\(19\))와 같이 블록 단위의 향상된 신호 \( \hat{S}_{\text {block }} \)가 빔포밍 벡터 추정기의 입력으로 들어간다.</p><p>\[ \hat{S}_{\text {block }}=[\hat{S}(t, f), \ldots, \hat{S}(t-L+1, f)] . \]<caption>(19)<caption></p><p>최종적으로 Eq. (\(20\))과 같이 빔포빙 벡터 추정기의 출력 \( W_{G E V} X \)와 \( \hat{S}(t, f) \)의 곱으로 향상된 음성신호 스펙트럼 \( X(t, f) \)가 출력된다.</p><p>\[ X(t, f)=\hat{S}(t, f) W_{G E V} \quad x \]<caption>(20)<caption></p><p>\( X(t, f) \)는 Inverse Short Time Fourier Transform(ISTFT)되고 시간 영역 신호 \( x(t) \)로 변환되어 음성인식기에 입력된다.</p><h2>3.3 PSD 행렬의 빠른 수렴을 위한 블록 처리</h2><p>블록단위 PSD 행렬 업데이트 시에, PSD 행렬의 빠른 수렴을 위해 \( \hat{S}_{\text {block }} \)를 절반으로 나누어 병렬처리한다. Fig. \(7\)과 같이 나뉜 블록 배치 각각에 대해 PSD행렬 업데이트를 진행한다 \( \left(y_{\text {book }}\right. \)으로 대체될 수 있음). 나누어진 배치 각각은 잡음 및 음성 PSD 행렬 계산에 사용되며, 각 배치로 계산된 PSD 행렬에 평균을 취하여 최종적인 \( \Phi_{X X} \) 와 \( \Phi_{N N} \) 을 추정한다. 후에는 기존과 같은 절차로 GEV 빔포밍 벡터를 계산한다.</p><p>이와 같이 블록을 나누어 치리하는 이유는 연속된 음성을 처리하는 온라인 빔포밍 테스크에서 PSD 행렬의 빠른 수렴이 성능 향상에 중요하기 때문이다. 블록을 나누어 각각의 PSD 행렬을 업데이트 후 평균 취하는 것이 전체 블록을 이용해 PSD 행렬을 한 번 업데이트하는 것보다 빠른 수렴으로 이어지는 효과를 기대하기 때문이다.</p> <h3>2.1.2 정답 마스크</h3> <p> IBM이 학습 마스크의 정답으로 사용되었다. EqS. (1), (2)에서 \( \|X(t, f)\| \)는 목표 음성의 스펙트럼 크기, \( \|N(t, f)\| \)는 잡음 스펙트럼 크기이다. 여기서 \( t \) 는 프레임 인덱스, \( f \)는 주파수 빈의 인덱스이다. \( I B M_{X} \)는 목표 음성의 정답 마스크 값, \( I B M_{N} \)은 잡음의 정답 마스크 값이다. </p> <p> \(\begin{array}{l} I B M_{x}(t, f)=\left\{\begin{array}{l}1, \frac{\|X(t, f)\|^{2}}{\|N(t, f)\|^{2}}>10^{\operatorname{tin}_{x}(f)/10} \text { and }\|X(t, f)\|^{2}>0.005 \times 10^{0^{t_{x}} \text { (f)/10 }} \\ 0, \text { otherwise }\end{array}\right. , \\ \mathrm{t h}_{x}(f) = \mathrm{th}\_\text{voiced\_speech}^{} \text{voiced} (f)+ \\ \mathrm{th}\_\text{unvioced\_speech} ^{} \text{unvoiced} (f) \\ \mathrm{th}\_\text{viced\_speech} =5, \mathrm{th}\_\text{unvioced\_speech} =0 \end{array} \) <caption>(1)<caption> </p> <p> \( \begin{array}{l} B M_{N}(t, f)=\left\{\begin{array}{l}1, \frac{\|X(t, f)\|^{2}}{\|N(t, f)\|^{2}}<10^{th_{N} (f)/10} \text { or }\|X(t, f)\|^{2}<0.005 \times 10^{th_{N} (f)/10} \\ 0, \text { otherwise }\end{array}\right. \\ \mathrm{t h}_{N}(f)= \mathrm{th}\_\text{unvoiced}\_\text{noise}^{}\text{voiced} (f)+ \\ \mathrm{th}\_\text{voiced\_noise}^{} \text{unvoiced}(f) \\ \mathrm{th}\_\text{unvoiced\_ noise} =-10, \mathrm{th}\_\text{woiced\_noise} =-10 \end{array}\), <caption>(2)<caption> </p> <p> 두 개의 문턱 값 \( t h_{X}(f) \) 와 \( t h_{N}(f) \)은 동일하지 않다. 문턱 값에 사용된 voiced (\( f \)) 와 unvoiced(\(fx\))는 주파수 빈의 개수에 따라 결정되며, Fig. 2와 같이 0 ~ 1 사이의 값을 갖는다. 대부분의 음성 에너지가 \( 1 \mathrm{kHz} \) 이하에 분포해 있으며, 고주파로 갈수록 작아지는 특성을 모델링하였고 음성이 아닌 신호에 대한 특성 또한 고려한 모델링을 하였다. \( t h_{X}(f) \)는 음성의 정보가 많은 저주파에서는 신호대잡음비가 \( 5 \mathrm{~dB} \) 이상일 때 음성 클래스로 결정되게 하며, 고주파에서는 신호대잡음비 \( 0 \mathrm{~dB} \) 이상에서 음성 클래스로 결정되게 한다. 동시에 목표 음성 스펙트럼의 전력이 충분히 크면서 신호대잡음비 조건을 만족할 때 최종 음성 클래스로 결정한다. \( t h_{N}(f) \) 는 주파수 빈 전역에 걸쳐 신호대잡음비가 \( -10 \mathrm{~dB} \) 이하에서만 잡음 클래스로 결정되게 한다. 또한, 목표 음성 신호의 전력을 고려하여, 음성이 매우 미미한 경우에도 잡음 클래스로 결정하게 된다. 낮은 오인식률(False Acceptance Rate, FAR)을 보장하기 위해 프레임 SNR이 충분히 높거나 낮은 경우에만 음성이나 잡음 클래스로 결정한다. 동시에 목표 음성의 스펙트럼 크기를 고려해 음성의 크기가 충분히 작으면서 SNR 조건을 만족할 때 최종 잡음 클래스로 결정한다. IBM 마스크는 학습 및 개발 세트의 데이터에서만 계산되어 학습에 사용된다. </p> <h3>2.1.3 손실 함수</h3> <p> 신경망의 학습은 이진 분류에 사용되는 이진 크로스 엔트로피를 손실 함수로 사용하며 Eq. (3}과 같이 표현된다. </p> <p> \[ \begin{aligned} L=&-\frac{1}{F} \frac{1}{2 T} \sum_{v \in(N, X)} \sum_{t=1}^{T} \sum_{f=1}^{F} I B M_{v}(t, f) \log M_{v}(t, f) \\ &+\left(1-I B M_{v}(t, f)\right) \log \left(1-M_{v}(t, f)\right), v \in\{X, N\}, \end{aligned} \] <caption>(3)<caption> </p> <p> 여기서 \( t \)는 프레임 인덱스, \( T \)는 한 발화의 프레임 길이, \( f \)는 주파수 빈의 인덱스, \( F \)는 총 주파수 빈 수를 나타낸다. \( M_{V}(t, f) \)는 신경망 4층에서 추정된 마스크 값으로서 1 ~ 513 유닛에서는 음성 마스크 값 \( M_{X}(t, f) \)이 추정되고 514 ~ 1026 유닛에서는 잡음 마스크 값 \( M_{N}(t, f) \)이 동시에 추정된다. </p> <h1>I. 서 론</h1><p>스펙트럼과 공간 정보를 활용한 다채널 음성 향상은 자동 음성인식(Automatic Speech Recognition, ASR)의 성능 향상에 효과적인 방법임이 입증되었다. 전통적인 다채널 음성 향상 방법으로 다채널 음수 미포함 행렬 분해(Multichannel Nonnegative Matrix Factorization, MNMF) 다채널 위너 필터(Multichannel Wiener Filter, MWF) 빔포밍이 ASR 성능 향상을 위한 주요 기술로 사용되었다. 이중 빔포밍은 성능 향상에 가장 중요한 기술로써 최소 분산 무왜곡 응답(Minimum-Variance Distortionless Response, MVDR), 일반화 고유값(Generalized Eigen Value, GEV), 일반 부엽 제거기(Generalized Sidelobe Canceller, GSC) 등이 활발하게 연구되었다.</p><p>최근 심층신경망(Deep Neural Network, DNN)이 ASR에서 주목할 만한 성능 향상을 보였다. 딥러닝을 이용 한 최신의 빔포밍 기술로 시간-주파수(Time-Frequency, T-F) 마스크 추정 방법이 제안되었다. 많은 연구에서 딥러닝 기반 마스크 추정 빔포밍이 성공적으로 적용되었고, 전통적인 빔포밍의 성능을 뛰어넘었다. 딥러닝이 성공적으로 빔포밍에 적용됨에 따라 실제 환경에서도 어느 정도 안정적인 성능을 보였다.</p><p>이러한 발전에도 불구하고, 기존 빔포밍 알고리듬 및 평가 세트는 실제 환경에서 적용되기에는 많은 부분이 아직도 충분히 고려되지 못하였다. 대부분의 기존 빔포밍 알고리듬은 음성과 잡음이 완전히 겹쳐진 사전 분절된 발화 단위 잡음 음성을 대상으로 주로 연구되었다. 실제 사용 환경을 고려하면 잡음은 항상 존재하지만, 사용자 음성이 희박한 연속 잡음 음성이 빔포머의 입력이 된다. 연속된 잡음 음성 처리를 위해 기존 시불변 빔포밍 벡터가 아닌 잡음 음성에 적응할 수 있는 시변 빔포밍 벡터 추정을 위한 온라인 빔포밍 알고리듬이 필요하다. 또한 실제 사용 시 시간 영역에서 음성 구간이 희박하고, 잡음만이 존재하는 프레임 입력은 온라인 빔포밍 알고리듬의 성능 열화로 이어지기 때문에 이를 위한 대책이 필요하다.</p><p>기존 연구에서는 음성 활동 감지기(Voice Activity Detector, VAD)의 프레임 단위 출력인 음성/잡음 레이블정보를 이용하여 잡음만이 존재하는 프레임을 빔포밍에 사용하지 않거나, 학습 데이터에서 주어진 공간 사전 정보를 이용하여 잡음만이 존재하는 입력으로부터 음성신호에 대한 전력 스펙트럼 밀도(Power Spectral Density, PSD) 행렬의 과적합을 방지하여 성능 향상을 달성하였다. 그러나 낮은 신호대잡음비(Signal to Noise Ratio, SNR) 환경에서 VAD 기반 빔포밍의 성능은 크게 열화 되며, 학습 데이터에서 주어진 공간 사전 정보를 이용한 방법은 학습데이터의 화자 및 공간적 배열에 의존하기 때문에 학습과 테스트 환경의 차이에 취약하다.</p><p>본 논문에서는 낮은 신호대잡음비의 실제 환경에서 강인한 온라인 빔포밍 시스템을 위해 공간 사전정보에 영향을 받지 않는 딥러닝 기반 마스크 추정 빔포머를 이용한 온라인 빔포밍 알고리듬을 제안하고 추가적으로 스펙트럼 감산을 결합한 시스템으로 성능 향상을 거두었다. 기존의 온라인 빔포밍 알고리듬의 성능평가를 위한 평가 세트는 음성과 잡음이 완전히 겹쳐진 사전 분절된 발화 단위음성 평가 세트에서 진행되었다. 긴 시간의 연속 잡음 음성을 평가 세트로 사용하는 경우에도 대부분의 시간 영역에서 음성이 존재하기 때문에 잡음만 존재하는 구간에서 온라인 빔포밍 알고리듬의 성능 열화가 되는 현상을 고려하지 않은 평가가 진행되었다. 실제 환경을 고려한 평가를 위해, 본 논문에서는 CHiME3와 MUSDB를 활용하여 음성 구간이 희박한 연속된 잡음 음성 스트림으로 이루어진 Continuous Speech Enhancement (CSE) 평가 세트를 제작하였다.</p><p>2절에서는 Bidirectional Long Short-Term Memory(BLSTM) 기반 마스크 추정 빔포밍에 관해 설명하고, 3절에서는 제안하는 온라인 업데이트 알고리듬 및 스펙트럼 감산 빔포밍 시스템에 대해 설명한다. 4절에서는 CSE 평가 세트를 이용해 제안 시스템의 성능 평가를 진행하고, 제안 알고리듬의 성능을 검증한다. 5절에서 결론을 맺는다.</p> <h1>초 록</h1><p>본 논문에서는 실제 환경에서의 연속 음성 강화를 위한 딥러닝 기반 온라인 빔포밍 알고리듬과 스펙트럼 감산을 결합한 빔포머를 제안한다. 기존 빔포밍 시스템은 컴퓨터에서 음성과 잡음을 완전히 겹친 방식으로 혼합하여 생성된 사전 분할 오디오 신호를 사용하여 대부분 평가되었다. 하지만 실제 환경에서는 시간 축으로 음성 발화가 띄엄 띄엄 발성되기 때문에, 음성이 없는 잡음 신호가 시스템에 입력되면 기존 빔포밍 알고리듬의 성능이 저하된다. 이러한 효과를 경감하기 위하여, 심층학습 기반 온라인 빔포밍 알고리듬과 스펙트럼 감산을 결합하였다. 잡음 환경에서 온라인 빔포밍 알고리듬을 평가하기 위해 연속음성강화 세트를 구성하였다. 평가 세트는 CHiME3평가 세트에서 추출한 음성 발화와 CHiME3 배경 잡음 및 MUSDB에서 추출한 연속 재생되는 배경음악을 혼합하여 구성되었다. 음성인식기로는 Kaldi 기반 툴킷 및 구글 웹 음성인식기를 사용하였다. 제안한 온라인 빔포밍 알고리듬과 스펙트럼 감산이 베이스라인 빔포밍 알고리듬에 비해 성능 향상을 보임을 확인하였다.</p> <h1>V. 결 론</h1><p>신경망 빔포밍을 기반으로 블록 단위 온라인 빔포밍 알고리듬을 제안하였다. 실제 환경을 고려한 음성이 희박한 연속된 잡음 음성 빔포밍 테스크에서 성능 평가를 진행하였다. 실제 환경 테스트를 위해 CHiME3와 MUSDB 및 버스 환경 주행 잡음을 이용한 CSE 평가세트를 제작하였으며, 테스크에 적합한 온라인 빔포밍 알고리듬 및 스펙트럼 감산 방법을 제안하여 효용성을 증명하였다.</p><p>제안한 온라인 빔포밍 알고리듬은 음성인식기 뿐만 아니라 잡음 제거 및 음성 강화가 필요한 모든 모듈의 전처리기로 활용될 수 있다. 그러나 낮은 신호대잡음비 환경에서는 상용화하기 힘든 수준의 WER을 보이며, 발화 길이가 짧아짐에 따라 성능이 열화되는 수렴 속도 문제 등 개선의 여지가 많이 남아있다. 향후 연구로서, 이러한 문제를 해결하기 위해 근본적인 지연 문제가 있는 BLSTM 기반 마스크 추정을 대체 및 보완하며 전반적인 성능 향상을 할 수 있는 딥러닝 모델 연구가 필요하다.</p> <h1>IV. 실험 결과</h1><h2>4.1 CSE 데이터베이스</h2><p>실제 환경에서의 빔포밍 성능 평가를 위해, CHiME\(3\)의 개발 및 평가 시뮬레이션 세트와 MUSDB의 악기 및 보컬 음악을 혼합하여 CHiME\(3\)-MUSDB CSE 평가 세트를 제작하였다. CSE 평가 세트는 CHiME\(3\)개발 시뮬레이션 발화 dt\(05 1,640\)개, 평가 시뮬레이션 발화 et\(05 1,320\)개를 목표 음성 신호로 사용하고, CHiME\(3\)의 버스 주행, 카페, 거리 교차로, 보행자 거리 잡음 및 MUSDB의 악기와 보컬 음악 신호를 잡음 신호로 \(5\)종 잡음을 이용해 구성하였다.</p><p>\(5\)종 잡음 중 보컬음악잡음 세트는 총 \(12\)세트로 구성되며, \(1\sim11\)번 세트는 \(250\)개의 무작위 시간 간격 (3 \( \mathrm{s} \sim 16 \mathrm{~s}\) 사이)을 두며 연쇄한 발화 단위 목표 음성 신호와, 목표 음성 신호 길이에 해당하는 MUSDB의 악기와 보컬 음악 신호를 연쇄하여 만들어진 잡음 신호를 혼합하여 \(6\)채널 잡음 음성 오디오 신호로 구성된다. \(12\)번 세트는 이전 세트를 구성하고 남은 \(210\)개의 CHiME\(3\) 목표 음성 신호 발화를 이용해 같은 방식으로 만들어졌다.</p><p>나머지 버스 주행, 카페, 거리 교차로, 보행자 거리의 \(4\)종 배경 잡음은 CHiME\(3\) 챌린지에서 녹음된 연속 배경 잡음을 활용하였고 보컬 음악 잡음 세트와 같은 방식으로 만들어졌으며, 잡음별로 \(3\)세트로 구성되며\(1\sim 2\)번 세트는 \(250\)개 \(3\)번 세트는 \(240\)개의 발화 단위 목표 음성 신호와 그 길이에 해당하는 잡음을 혼합하여 만들어졌다. 총 \(24\)세트로 구성되며 모든 세트는 webrtcvad를 사용해 목표음성 신호에서 음성 존재 구간 정보를 얻어내고 이를 이용해 \( -10 \) \( \mathrm{dB},-5 \mathrm{~dB}, 0 \mathrm{~dB}, 5 \mathrm{~dB}, 10 \mathrm{~dB} \)의 신호대잡음비 별 평가 세트를 구성하였다.</p><p>추가적으로 한국어에 대한 성능 평가를 위해, 자체 제작된 버스 주행 잡음 환경 명령어(실제 도로 주행 버스 잡음 및 라디오 재생 환경에서 발성된 명령어)를 사용해 버스 주행 환경 CSE 평가 세트를 구성하였다. 버스 환경 한국어 평가 데이터는 \(4\)명의 화자(남자\(2\), 여자\(2\))로 구성되었고, 화자 당 \(100\)개의 명령어 발화를 사용하여 구성되었다. 총 \(2\)세트로 구성되었으며, 세트당 \(200\)발화를 포함한다.</p><p>CHiME\(3\)-MUSDB CSE 평가 세트와 같은 방식으로 발화 단위 목표 음성 신호와, 목표 음성 신호 길이에 해당하는 버스 주행 잡음을 사용하여 \(6\)채널 잡음 음성 오디오 신호를 생성하여, 신호대잡음비 별 평가 세트를 구성하였다.</p> <h2>3.2 스펙트럼 감산 빔포밍 시스템</h2><p>빔포밍과 스펙트럼 감산을 결합한 선행 연구들이 시도되어 왔다. 단일 채널 잡음 감소 기법인 스펙트럼 감산과 다채널 음성 강화 기법인 빔포밍은 상호 보완적인 효과를 볼 수 있다. 빔포밍 이전에 채널 별 스펙트럼 감산을 하게 되면 신호대잡음비 향상 효과를 거둘 수 있다. 또한 스펙트럼 감산에서 발생하는 신호 왜곡 현상인 음악적 잡음(musical noise)이 빔포밍으로 감소되는 효과가 있다. 스펙트럼 감산을 빔포밍에 적용하는 방법은 Fig. \(5\)와 같이 두 가지 방법이 연구되었다. 첫 번째는 Fig. \(5\)(a)와 같이 빔포밍 후에 스펙트럼 감산을 적용하는 방법이다. 두 번째는 Fig. \(5\)(b)와 같이 채널 별 스펙트럼 감산 후 빔포밍을 하는 방법이다. 기존 연구 결과로는 채널별 스펙트럼 감산 후 빔포밍을 하는 방법이 잡음의 종류가 가우시안 및 슈퍼 가우시안 일 때, 더욱 좋은 잡음 제거 효과를 보였다.</p><p>제안하는 알고리듬 또한 채널 별 스펙트럼 감산 후 빔포밍을 하는 방법을 사용한다. 기존 연구에서는 음성 강화를 위해 Delay-and-Sum(DS) 빔포밍과 잡음 추정 기법으로는 원치 않는 방향의 간섭 신호를 제거하는 널조향(null-steering) 빔포밍 기법을 활용하였다. 제안 알고리듬에서는 GEV의 빔포밍의 특성을 활용하여 GEV 빔포밍으로 음성 강화와 잡음 추정 빔포밍 벡터를 동시에 추정한다.</p><h3>3.2 .1 제안 스펙트럼 감산 온라인 빔포밍 시스템</h3><p>본 연구에서 사용한 시스템은 GEV 빔포밍 시스템이 주파수 빈 별 신호대잡음비 최대화 알고리듬이기 때문에 Eq. (\(7\))에서 목표 신호 PSD 행렬과 잡음 신호 PSD 행렬의 자리를 바꾸어 주면 잡음을 추정하는 빔포밍 벡터를 언을 수 있다. Fig. \(6\)은 스펙트럼 감산 온라인 빔포밍 시스템의 전체 블록도이다. 음성강화 빔포밍 벡터 \( W_{G E V_{-} X} \)와 잡음 강화 빔포밍 벡터 \( W_{G E V_{-} N} \)가 동시에 추정되며, 추정된 \( W_{G E V_{-} N} \)는 다채널 관측 신호 스펙트럼 \( Y(t, f) \)에 곱해져 잡음 추정에 사용된다. 각 채널에서 Eq. (\(15\))와 같이 관측 신호 스펙트럼 크기 \( \|Y(t, f)\| \)에서 추정된 잡음 스펙트럼 크기 \( \|\hat{N}(t, f)\| \)를 감산하여 추정된 향상 신호 스펙트럼 크기를 \( \|\hat{S}(t, f)\| \) 추정한다. 이때 각 채널에서 감산되는 추정 잡음 스펙트럼은 GEV 빔포머의 결과로 언어진 동일한 추정 잡음 스펙트럼이다.</p>	공학, 공업일반, 토목공학, 환경공학	[ "<h1>Ⅱ. BLSTM 기반 마스크 추정 빔포밍</h1><p>딥러닝을 이용한 마스크 추정 기반 빔포밍은 기존 빔포밍 알고리듬에서 중요한 PSD 행렬의 추정을 딥러닝으로 대체하여 획기적인 성능 향상을 이루었다.", "기존의 빔포밍 방식이 공간 배열에 의존적인데 반해 딥러닝을 이용한 마스크 추정 빔포밍은 마이크의 개수, 배열과 관계없이 독립적으로 이루어진다.", "본 논문에서는 CHiME3 챌린지에서 우수한 성능을 보인 BLSTM 기반 마스크 추정 빔포밍을 이용한다.", "</p><h2>2.1 BLSTM 기반 마스크 추정 빔포밍</h2><p>스펙트럼 기반 마스크 추정은 BLSTM이 사용된다.", "각 채널은 동일한 BLSTM 가중치를 공유하며, 각 채널에서 음성 마스크 \\( M_{X}(t, f) \\) 와잡음 마스크 \\( M_{N}(t, f) \\)가 독립적으로 추정된다.", "BLSTM의 학습 타겟으로는 이상적인 이진 마스크(Ideal Binary Mask, IBM)가 사용되었다.", "</p><p>채널 개수를 \\( C \\)로 정의한다. \\", "( C \\)개의 음성 마스크와 \\( C \\)개의 잡음 마스크를 추정할 수 있다.", "추정된 \\( C \\)개의 마스크를 하나로 합치는 풀링이 필요한데 여러가지 풀링 옵션 중 중앙값을 사용하였다.", "이것은 불특정 채널에서 마스크 추정에 실패하여 특이 값이 발생할 경우에도 안정된 값을 내어 줄 수 있기 때문이다.", "중앙값을 통해 합쳐진 음성 마스크와 잡음 마스크를 이용하여 최종적으로 음성과 잡음에 관한 PSD 행렬이 추정된다.", "</p><h3>2.1.1 마스크 추정 네트워크 구성</h3><p>마스크 추정을 위한 신경망은 4층으로 구성된다.", "Fig.", "1 및 Table 1에서 전체적인 구조를 확인할 수 있다.", "잡음 음성 스트림을 \\( 16 \\mathrm{kHz} \\) 샘플링 후 1,024 프레임 사이즈, 256 프레임 쉬프트 사이즈를 사용해 Short Time Fourier Transform(STFT)를 한다.", "STFT의 결과로부터 513개의 스펙트럼 크기를 취하여 마스크 추정을 위한 신경망의 입력으로 사용한다.", "</p><p>첫 번째 층은 256 출력 유닛 BLSTM 층으로 이루어져 있으며 \\( \\tanh \\)을 활성화 함수로 사용한다.", "BLSTM의 메모리 cell 개수는 1,024개이다.", "다음 2,3층은 513 유닛을 갖는 순방향(Feed Forward, FF) 층으로 이루어져 있으며, 정류 선형 유닛(Rectified Linear Unit, ReLU)을 활성화 함수로 사용한다.", "입력의 \\(513\\)-포인트 스펙트럼의 크기를 고려하여 513 유닛을 사용하였다.", "입력의 마지막 층은 1026 유닛으로 구성되며 2개의 부분으로 나누어지며, 1 ~ 513 유닛은 \\( M_{X}(t, f) \\) 를 추정하고, 514 ~ 1,026 유닛은 \\( M_{N}(t, f) \\)을 추정한다.", "활성화 함수로는 sigmoid를 사용하여, 0 ~ 1 사이의 값을 추정한다.", "각 시간-주파수 빈(bin)에서 음성, 잡음 마스크 추정 값의 합이 1이 되는 제약을 두지 않았다.", "</p> <h2>2.2 음향 빔포밍</h2>\n\n<p>\n자주 사용되는 음향 빔포밍인 MVDR과 GEV에 대해 기술한다.", "두 빔포밍 방식 모두 Eq.", "(4)와 같이 추정된 마스크 \\( M_{X} \\)와 \\( M_{N} \\) 관측 신호의 스펙트럼 \\( Y(t, f) \\)로부터 PSD 행렬을 추정한다.", "</p>\n\n<p>\n\\[\n\\Phi_{w}(f)=\\sum_{t=1}^{T} M_{v}(t, f) Y(t, f) Y(t, f)^{H}, v \\in\\{X, N\\} .\n\\]", "<caption>(4)<caption>\n</p>\n\n<p>\n\\( H \\)는 에르미트 연산자이며, PSD 행렬의 차원은 \\( F \\times C \\times C \\)으로 다채널 마이크 사이의 음성과 잡음의 전력 분포를 의미한다.", "</p>\n\n<h3>2.2.1 MVDR 빔포머</h3>\n\n<p>\n음성인식에서 가장 자주 사용되는 빔포밍 방식은 MVDR 빔포머이다.", "MVDR 빔포머의 수식은 Eq.", "(5)와 같이 계산된다.", "목표 음성 신호의 방향을 유지하는 제약 조건을 가지고 잔여 잡음을 최소화하는 \\( W \\)를 구하면 MVDR 빔포밍 벡터 \\( W_{M V D R} \\)이 된다.", "반응 벡터 \\( d \\)는 도착각 추정을 통해 얻을 수 있으며 대체적인 방법으로는 음성 PSD 행렬 고유 값 분해를 이용하면 얻을 수 있다.", "마스크 추정 기반 MVDR 빔포밍에서는 음성 PSD 행렬을 고유 값 분해하여 \\( d \\)를 추정한다.", "</p>\n\n<p>\n\\( W_{M V D R}=\\underset{W}{\\arg \\min } W \\Phi_{N N} W \\text{subject to} W^{H} d=1 .\\) \n<caption>(5)<caption>\n</p>\n\n<p>\n라그랑주 승수법을 이용하면 \\( W_{M V D R} \\)는 Eq.", "(6)과 같이 표현 가능하다.", "</p>\n\n<p>\n\\( W_{M V D R}=\\frac{\\Phi_{N N}^{-1} d}{d^{H} \\Phi_{N N}^{-1} d} \\).", "<caption>(6)<caption>\n</p>\n\n<h3>2.2.2 GEV 빔포머</h3>\n\n<p>\nGEV 빔포밍 벡터 \\( W_{G E V} \\)는 Eq.", "(7)과 같이 Rayleigh coefficient에서 주파수 빈변 신호대잡음비를 최대화함으로써 구할 수 있다.", "최적화 해답은 Eq.", "(8)로 주어진다.", "</p>\n\n<p>\n\\(\nW_{G K V}=\\underset{W}{\\arg \\min } \\frac{W^{\\prime \\prime} \\Phi_{X X} W}{W^{\\prime \\prime} \\Phi_{N N} W} .\n\\)", "<caption>(7)<caption>\n</p>\n\n<p>\n\\(\nW_{G E V}=P\\left(\\Phi_{N N}^{-1} \\Phi_{X X}\\right) .\n\\)", "<caption>(8)<caption>\n</p>\n\n<p>\n\\( P(\\cdot) \\)는 가장 큰 고유값에 대응되는 고유벡터를 구하는 함수를 의미한다.", "추정을 위해 음성 소스와 마이크 배열 사이에 전달 함수 및 잡음의 공간적 정보는 전혀 필요하지 않다.", "</p>\n\n<p>\n본 연구에서 MVDR 빔포머 대신 GEV 빔포머를 사용하는 이유는 Eq.", "(6)에서와 같이 MVDR 빔포밍 벡터는 항상 잡음 PSD의 역행렬 계산이 필요하기 때문에 특정 주파수 빈 값이 부족할 경우 수학적으로 매우 불안정해지고, 성능 열화로 이어진다.", "반면에 GEV빔포밍 벡터 계산 Eq.", "(8)에 슈어 분해를 이용하면 역행렬 연산을 피하는 동시에 수학적 안정성을 보장할 수 있으며 CHiME3 챌린지에서 MVDR 빔포밍에 비해 좋은 성능을 보임이 확인되었다.", "</p> <h2>4.2 마스크 추정을 위한 학습 및 개발 데이터 베이스</h2><p>BLSIM 마스크 추정 학습은 CHiME\\(3\\)의 학습, 개발 데이터베이스와 자체 제작된 차량 주행 잡음 환경 명령어(한국 가요, 엔진 잡음, 풍절음, 비상등 환경에서 발성된 명령어 녹음), 자체 제작된 버스 주행 잡음 환경 명령어(실제 도로 주행 버스잡음 및 라디오 재생 환경에서 발성된 명령어 녹음)를 이용하여 학습되었다.", "</p><h2>4.3 음성 강화 결과</h2><p>빔포밍을 이용한 음성 강화의 결과는 CHiME\\(3\\)챌린지의 Kaldi 기반의 DNN 음향모델과 RNN 언어모델로 구성된 음성인식기를 이용한 단어오류율(Word Error Rate, WER) 평가를 진행하였다.", "CHiME\\(3\\)-MUSDB CSE 평가 세트 \\(24\\)개(음악혼합 음성 \\(12\\) 세트 CHiME\\(3\\) 잡음 혼합 \\(12\\) 세트)를 \\(5\\)개의 신호대잡음비 환경 총 \\(120\\)개의 연속 잡음 음성 신호 wav 파일에 대해 온라인 빔포밍 처리 후 얻어진 연속된 빔포밍 음성 스트림 wav 파일에서 음성 구간만을 발화 단위로 분절하여, 기존 CHiME\\(3\\) dt\\(05\\)/et\\(05\\) 평가 세트로 재구성하여 평가를 진행하였다.", "한국어에 대한 음성 강화 성능은 Google Web Speech API 음성인식기를 이용하여 평가했다.", "버스 주행 환경 CSE 평가 세트 \\(2\\)개를 \\(5\\)개의 신호대잡음비 환경별로 구성한 \\(10\\)개의 연속 잡음 음성 신호 wav 파일들을 온라인 빔포밍 처리 후음성 구간만을 발화 단위로 분절한 wav 파일로 재구성 후에 평가를 진행하였다.", "</p><p>Figs. \\", "(8,9\\)에서 음악 잡음 음성 및 CHiME\\(3\\) 배경 잡음 음성에 대한 알고리듬별 평가 결과를 확인할 수 있다.", "실험은 \\(5\\) 단계로 진행되었다.", "A\\(0\\)는 베이스라인으로 블록 단위로 PSD 행렬을 추정하여 빔포밍하는 방법이다.", "A\\(1\\)은 베이스 라인에 링버퍼를 추가한 방법이다.", "A\\(2\\)는 A\\(1\\)에 제안한 온라인 업데이트 알고리듬을 적용한 방법이다.", "A\\(3\\)는 A\\(2\\)에 빠른 수렴을 위한 블록 처리 후 업데이트를 진행한 방법이다.", "A\\(4\\)는 A\\(3\\)에 스펙트럼 감산을 적용한 방법이다.", "A\\(0\\)에서 A\\(4\\)로 제안 방법 및 알고리듬을 추가함에 따라 추가적인 성능 향상이 있었다.", "</p><p>A\\(0\\)에서 A\\(1\\) 으로 성능 향상을 보면 링버퍼를 사용하는 것이 빔포밍시에 빔포밍 벡터 계산의 안정성을 확보하는 동시에 현재 입력 프레임과 빔포밍 계산시 사용되는 프레임들 사이의 지연을 늘리지 않아 성능 향상으로 이어짐을 확인할 수 있었다.", "A\\(2\\)의 결과를 보면 제안한 온라인 업데이트 알고리듬이 BLSTM 마스크 추정 값을 이용해 음성이 존재하는 구간을 선별적으로 반영 후 업데이트하여 성능 향상으로 이어짐을 확인할 수 있었다.", "A\\(3\\)의 결과를 보면, PSD의 빠른 수렴을 위해 제안한 블록 처리 방법이 전체 배치를 업데이트하는데 비해 빠른 수렴으로 이어져 성능이 향상되었음을 알 수 있다.", "A\\(4\\)의 결과를 보면 BLSTM의 잡음 추정 값을 기반으로 스펙트럼 감산 방식 또한 빔포밍으로 들어가는 입력 잡음 음성의 신호대잡음비를 높이며 주며 음성 왜곡을 최소화하여 전반적인 성능 향상으로 이어졌음을 알 수 있다.", "이를 증명하기 위해 A\\(4 \\)의 빔포머 입력으로 들어가는 \\(1\\)번 채널 신호의 신호대잡음비 측정값이 Table \\(2\\)에 제시되어있다.", "A\\(4\\)의 빔포너 입력 신호는 스펙트럼 감산이 적용되어 \\(1\\)번 채널 입력 신호에 비해 신호대잡음비가 \\( 0 \\mathrm{~dB} \\)이하 일 때는 높아지며, \\( 5 \\mathrm{~dB} \\)이상에서는 낮아지는 현상을 보인다.", "Table \\(3\\)은 음성 품질의 평가 척도인 Perceptual Evaluation of Speech Quality(PESQ)의 측정값을 보여준다.", "스펙트럼 감산 전후에서, 신호대잡음비가 \\(0\\) 이하일 때는 PESQ가 높아지며 \\(5\\)이상에서는 유지되는 것을 확인할 수 있다.", "평가는 CHiME\\(3\\)dt\\(05\\) 세트의 분절된 발화 wav에 대해 이루어졌다.", "</p><p>et\\(05\\) 평가 데이터의 성능이 dt\\(05\\) 평가 데이터 보다 대체로 떨어지는 것은 dt\\(05\\)의 평균 발화 길이가 더 길기 때문이다.", "발화 길이가 길수록 발화에 수렴된 빔포밍 벡터가 출력되고 발화가 짧을수록 발화에 수렴된 빔포밍 벡터의 안정성이 떨어지기 때문에 성능열화로 이어지는 것을 확인할 수 있다.", "</p><p>Fig. \\", "(10\\)은 한국어 버스 주행 잡음환경 평가 세트이며, 논문이 제안하는 알고리듬 A\\(2\\), A\\(3\\), A\\(4\\)에 대한 음절오류율(Syllable Error Rate, SER) 평가를 진행하였다.", "WER을 성능 지표로 사용할 경우, 한국어 평가 데이터의 특성상 복합명사를 포함하고 있어서 띄어쓰기 방법에 따라서 성능 변화가 크게 나타나기 때문에 SER를 이용한 평가를 진행하였다.", "평가에 사용한 한국어 명령어 샘플들 중 일부를 Table \\(4\\)에 제시하였다.", "</p> <p>\\[ \|\\hat{S}(t, f)\|=\|Y(t, f)\|-\|N(t, f)\| * \\eta(t, f) . \\]", "<caption>(15)<caption></p><p>위 식의 \\( \\eta \\)는 감산가중치를 의미하며 관측 신호 스펙트럼 크기와 추정 잡음 스펙트럼 크기에 따라 Eq.", "(\\(16\\))과 같이 정의하였다.", "</p><p>\\( \\eta(t, f)= \\) \\[ \\left\\{\\begin{array}{ll} \|Y(t, f)\| /\|\\hat{N}(t, f)\| * \\lambda_{N}(f), & \|Y(t, f)\|<\|\\hat{N}(t, f)\| \\\\ \|Y(t, f)\|-\|\\hat{N}(t, f)\|) /\|\\hat{N}(t, f)\| * \\lambda_{N}(f), & \\text { otherwise } \\end{array} .\\right. \\]", "<caption>(16)<caption></p><p>\\( \\lambda_{N}(f) \\)는 Eq.", "(\\(17\\))과 같이 잡음 마스크 추정 값을 사용하여 정의되며 블록 단위 빔포밍 벡터 업데이트에서 사용된 \\( L \\)개의 프레임 중 시간적으로 현재에 가까운 \\( L / 2 \\)개의 프레임만을 사용하여 계산한다.", "이렇게 하는 이유는 현재 시점의 프레임에 포함된 잡음의 주파수 빈 별 분포를 최대한 고려해서 감산하기 위해서이다. \\", "( L \\)개의 프레임을 사용할 시 적용 시점의 잡음 분포와 유사도가 떨어져서 성능 저하로 이어진다.", "</p><p>\\[ \\lambda_{N}(f)=\\sum_{t=L / 2+1}^{L} M_{N}(t, f) /(L / 2) \\]<caption>(17)<caption></p><p>추정된 향상 신호 스펙트럼 복원을 위해서, 추정된 향상 신호 스펙트럼의 위상 정보 또한 필요하다.", "짧은 구간의 위상 정보는 상대적으로 중요하지 않기 때문에, 관측 신호 스펙트럼의 위상 정보를 고려하여 Eq.", "(\\(18\\))과 같이 복원된다.", "</p><p>\\[ \\hat{S}(t, f)=\|\\hat{S}(t, f)\| e^{j \\angle Y(t, f)} . \\]", "<caption>(18)<caption></p><p>이렇게 스펙트럼 감산으로 추정된 향상 신호 스펙트럼 \\( \\hat{S}(t, f) \\)가 길이가 \\( L \\)인 링버퍼로 들어가고 링버퍼가 차면 Eq.", "(\\(19\\))와 같이 블록 단위의 향상된 신호 \\( \\hat{S}_{\\text {block }} \\)가 빔포밍 벡터 추정기의 입력으로 들어간다.", "</p><p>\\[ \\hat{S}_{\\text {block }}=[\\hat{S}(t, f), \\ldots, \\hat{S}(t-L+1, f)] . \\]", "<caption>(19)<caption></p><p>최종적으로 Eq.", "(\\(20\\))과 같이 빔포빙 벡터 추정기의 출력 \\( W_{G E V} X \\)와 \\( \\hat{S}(t, f) \\)의 곱으로 향상된 음성신호 스펙트럼 \\( X(t, f) \\)가 출력된다.", "</p><p>\\[ X(t, f)=\\hat{S}(t, f) W_{G E V} \\quad x \\]<caption>(20)<caption></p><p>\\( X(t, f) \\)는 Inverse Short Time Fourier Transform(ISTFT)되고 시간 영역 신호 \\( x(t) \\)로 변환되어 음성인식기에 입력된다.", "</p><h2>3.3 PSD 행렬의 빠른 수렴을 위한 블록 처리</h2><p>블록단위 PSD 행렬 업데이트 시에, PSD 행렬의 빠른 수렴을 위해 \\( \\hat{S}_{\\text {block }} \\)를 절반으로 나누어 병렬처리한다.", "Fig. \\", "(7\\)과 같이 나뉜 블록 배치 각각에 대해 PSD행렬 업데이트를 진행한다 \\( \\left(y_{\\text {book }}\\right. \\)으로 대체될 수 있음).", "나누어진 배치 각각은 잡음", "및 음성 PSD 행렬 계산에 사용되며, 각 배치로 계산된 PSD 행렬에 평균을 취하여 최종적인 \\( \\Phi_{X X} \\) 와 \\( \\Phi_{N N} \\) 을 추정한다.", "후에는 기존과 같은 절차로 GEV 빔포밍 벡터를 계산한다.", "</p><p>이와 같이 블록을 나누어 치리하는 이유는 연속된 음성을 처리하는 온라인 빔포밍 테스크에서 PSD 행렬의 빠른 수렴이 성능 향상에 중요하기 때문이다.", "블록을 나누어 각각의 PSD 행렬을 업데이트 후 평균 취하는 것이 전체 블록을 이용해 PSD 행렬을 한 번 업데이트하는 것보다 빠른 수렴으로 이어지는 효과를 기대하기 때문이다.", "</p> <h3>2.1.2 정답 마스크</h3>\n\n<p>\nIBM이 학습 마스크의 정답으로 사용되었다.", "EqS.", "(1), (2)에서 \\( \|X(t, f)\| \\)는 목표 음성의 스펙트럼 크기, \\( \|N(t, f)\| \\)는 잡음 스펙트럼 크기이다.", "여기서 \\( t \\) 는 프레임 인덱스, \\( f \\)는 주파수 빈의 인덱스이다. \\", "( I B M_{X} \\)는 목표 음성의 정답 마스크 값, \\( I B M_{N} \\)은 잡음의 정답 마스크 값이다.", "</p>\n\n<p>\n\\(\\begin{array}{l}\nI B M_{x}(t, f)=\\left\\{\\begin{array}{l}1, \\frac{\|X(t, f)\|^{2}}{\|N(t, f)\|^{2}}>10^{\\operatorname{tin}_{x}(f)/10} \\text { and }\|X(t, f)\|^{2}>0.005 \\times 10^{0^{t_{x}} \\text { (f)/10 }} \\\\ 0, \\text { otherwise }\\end{array}\\right.", ", \\\\ \n\\mathrm{t h}_{x}(f) = \\mathrm{th}\\_\\text{voiced\\_speech}^{} \\text{voiced} (f)+ \\\\\n\\mathrm{th}\\_\\text{unvioced\\_speech} ^{} \\text{unvoiced} (f) \\\\\n\\mathrm{th}\\_\\text{viced\\_speech} =5, \\mathrm{th}\\_\\text{unvioced\\_speech} =0\n\\end{array} \\)\n<caption>(1)<caption>\n</p>\n\n\n\n\n<p>\n\\( \\begin{array}{l}\nB M_{N}(t, f)=\\left\\{\\begin{array}{l}1, \\frac{\|X(t, f)\|^{2}}{\|N(t, f)\|^{2}}<10^{th_{N} (f)/10} \\text { or }\|X(t, f)\|^{2}<0.005 \\times 10^{th_{N} (f)/10} \\\\ 0, \\text { otherwise }\\end{array}\\right. \\\\\n\\", "mathrm{t h}_{N}(f)= \\mathrm{th}\\_\\text{unvoiced}\\_\\text{noise}^{}\\text{voiced} (f)+ \\\\\n \\mathrm{th}\\_\\text{voiced\\_noise}^{} \\text{unvoiced}(f) \\\\\n\\mathrm{th}\\_\\text{unvoiced\\_ noise} =-10, \\mathrm{th}\\_\\text{woiced\\_noise} =-10\n\\end{array}\\),\n<caption>(2)<caption>\n</p>\n\n<p>\n두 개의 문턱 값 \\( t h_{X}(f) \\) 와 \\( t h_{N}(f) \\)은 동일하지 않다.", "문턱 값에 사용된 voiced (\\( f \\)) 와 unvoiced(\\(fx\\))는 주파수 빈의 개수에 따라 결정되며, Fig.", "2와 같이 0 ~ 1 사이의 값을 갖는다.", "대부분의 음성 에너지가 \\( 1 \\mathrm{kHz} \\) 이하에 분포해 있으며, 고주파로 갈수록 작아지는 특성을 모델링하였고 음성이 아닌 신호에 대한 특성 또한 고려한 모델링을 하였다. \\", "( t h_{X}(f) \\)는 음성의 정보가 많은 저주파에서는 신호대잡음비가 \\( 5 \\mathrm{~dB} \\) 이상일 때 음성 클래스로 결정되게 하며, 고주파에서는 신호대잡음비 \\( 0 \\mathrm{~dB} \\) 이상에서 음성 클래스로 결정되게 한다.", "동시에 목표 음성 스펙트럼의 전력이 충분히 크면서 신호대잡음비 조건을 만족할 때 최종 음성 클래스로 결정한다. \\", "( t h_{N}(f) \\) 는 주파수 빈 전역에 걸쳐 신호대잡음비가 \\( -10 \\mathrm{~dB} \\) 이하에서만 잡음 클래스로 결정되게 한다. 또한, 목표 음성 신호의 전력을 고려하여, 음성이 매우 미미한 경우에도 잡음 클래스로 결정하게 된다. 낮은 오인식률(False Acceptance Rate, FAR)을 보장하기 위해 프레임 SNR이 충분히 높거나 낮은 경우에만 음성이나 잡음 클래스로 결정한다. 동시에 목표 음성의 스펙트럼 크기를 고려해 음성의 크기가 충분히 작으면서 SNR 조건을 만족할 때 최종 잡음 클래스로 결정한다. IBM 마스크는 학습 및 개발 세트의 데이터에서만 계산되어 학습에 사용된다.\n</p>\n\n\n<h3>2.1.3 손실 함수</h3>\n\n\n<p>\n신경망의 학습은 이진 분류에 사용되는 이진 크로스 엔트로피를 손실 함수로 사용하며 Eq. (3}과 같이 표현된다.", "</p>\n\n<p>\n\\[\n\\begin{aligned}\nL=&-\\frac{1}{F} \\frac{1}{2 T} \\sum_{v \\in(N, X)} \\sum_{t=1}^{T} \\sum_{f=1}^{F} I B M_{v}(t, f) \\log M_{v}(t, f) \\\\\n&+\\left(1-I B M_{v}(t, f)\\right) \\log \\left(1-M_{v}(t, f)\\right), v \\in\\{X, N\\},\n\\end{aligned}\n\\]\n<caption>(3)<caption>\n</p>\n\n<p>\n여기서 \\( t \\)는 프레임 인덱스, \\( T \\)는 한 발화의 프레임 길이, \\( f \\)는 주파수 빈의 인덱스, \\( F \\)는 총 주파수 빈 수를 나타낸다. \\", "( M_{V}(t, f) \\)는 신경망 4층에서 추정된 마스크 값으로서 1 ~ 513 유닛에서는 음성 마스크 값 \\( M_{X}(t, f) \\)이 추정되고 514 ~ 1026 유닛에서는 잡음 마스크 값 \\( M_{N}(t, f) \\)이 동시에 추정된다.", "</p> <h1>I.", "서 론</h1><p>스펙트럼과 공간 정보를 활용한 다채널 음성 향상은 자동 음성인식(Automatic Speech Recognition, ASR)의 성능 향상에 효과적인 방법임이 입증되었다.", "전통적인 다채널 음성 향상 방법으로 다채널 음수 미포함 행렬 분해(Multichannel Nonnegative Matrix Factorization, MNMF) 다채널 위너 필터(Multichannel Wiener Filter, MWF) 빔포밍이 ASR 성능 향상을 위한 주요 기술로 사용되었다.", "이중 빔포밍은 성능 향상에 가장 중요한 기술로써 최소 분산 무왜곡 응답(Minimum-Variance Distortionless Response, MVDR), 일반화 고유값(Generalized Eigen Value, GEV), 일반 부엽 제거기(Generalized Sidelobe Canceller, GSC) 등이 활발하게 연구되었다.", "</p><p>최근 심층신경망(Deep Neural Network, DNN)이 ASR에서 주목할 만한 성능 향상을 보였다.", "딥러닝을 이용 한 최신의 빔포밍 기술로 시간-주파수(Time-Frequency, T-F) 마스크 추정 방법이 제안되었다.", "많은 연구에서 딥러닝 기반 마스크 추정 빔포밍이 성공적으로 적용되었고, 전통적인 빔포밍의 성능을 뛰어넘었다.", "딥러닝이 성공적으로 빔포밍에 적용됨에 따라 실제 환경에서도 어느 정도 안정적인 성능을 보였다.", "</p><p>이러한 발전에도 불구하고, 기존 빔포밍 알고리듬 및 평가 세트는 실제 환경에서 적용되기에는 많은 부분이 아직도 충분히 고려되지 못하였다.", "대부분의 기존 빔포밍 알고리듬은 음성과 잡음이 완전히 겹쳐진 사전 분절된 발화 단위 잡음 음성을 대상으로 주로 연구되었다.", "실제 사용 환경을 고려하면 잡음은 항상 존재하지만, 사용자 음성이 희박한 연속 잡음 음성이 빔포머의 입력이 된다.", "연속된 잡음 음성 처리를 위해 기존 시불변 빔포밍 벡터가 아닌 잡음 음성에 적응할 수 있는 시변 빔포밍 벡터 추정을 위한 온라인 빔포밍 알고리듬이 필요하다.", "또한 실제 사용 시 시간 영역에서 음성 구간이 희박하고, 잡음만이 존재하는 프레임 입력은 온라인 빔포밍 알고리듬의 성능 열화로 이어지기 때문에 이를 위한 대책이 필요하다.", "</p><p>기존 연구에서는 음성 활동 감지기(Voice Activity Detector, VAD)의 프레임 단위 출력인 음성/잡음 레이블정보를 이용하여 잡음만이 존재하는 프레임을 빔포밍에 사용하지 않거나, 학습 데이터에서 주어진 공간 사전 정보를 이용하여 잡음만이 존재하는 입력으로부터 음성신호에 대한 전력 스펙트럼 밀도(Power Spectral Density, PSD) 행렬의 과적합을 방지하여 성능 향상을 달성하였다.", "그러나 낮은 신호대잡음비(Signal to Noise Ratio, SNR) 환경에서 VAD 기반 빔포밍의 성능은 크게 열화 되며, 학습 데이터에서 주어진 공간 사전 정보를 이용한 방법은 학습데이터의 화자 및 공간적 배열에 의존하기 때문에 학습과 테스트 환경의 차이에 취약하다.", "</p><p>본 논문에서는 낮은 신호대잡음비의 실제 환경에서 강인한 온라인 빔포밍 시스템을 위해 공간 사전정보에 영향을 받지 않는 딥러닝 기반 마스크 추정 빔포머를 이용한 온라인 빔포밍 알고리듬을 제안하고 추가적으로 스펙트럼 감산을 결합한 시스템으로 성능 향상을 거두었다.", "기존의 온라인 빔포밍 알고리듬의 성능평가를 위한 평가 세트는 음성과 잡음이 완전히 겹쳐진 사전 분절된 발화 단위음성 평가 세트에서 진행되었다.", "긴 시간의 연속 잡음 음성을 평가 세트로 사용하는 경우에도 대부분의 시간 영역에서 음성이 존재하기 때문에 잡음만 존재하는 구간에서 온라인 빔포밍 알고리듬의 성능 열화가 되는 현상을 고려하지 않은 평가가 진행되었다.", "실제 환경을 고려한 평가를 위해, 본 논문에서는 CHiME3와 MUSDB를 활용하여 음성 구간이 희박한 연속된 잡음 음성 스트림으로 이루어진 Continuous Speech Enhancement (CSE) 평가 세트를 제작하였다.", "</p><p>2절에서는 Bidirectional Long Short-Term Memory(BLSTM) 기반 마스크 추정 빔포밍에 관해 설명하고, 3절에서는 제안하는 온라인 업데이트 알고리듬 및 스펙트럼 감산 빔포밍 시스템에 대해 설명한다.", "4절에서는 CSE 평가 세트를 이용해 제안 시스템의 성능 평가를 진행하고, 제안 알고리듬의 성능을 검증한다.", "5절에서 결론을 맺는다.", "</p> <h1>초 록</h1><p>본 논문에서는 실제 환경에서의 연속 음성 강화를 위한 딥러닝 기반 온라인 빔포밍 알고리듬과 스펙트럼 감산을 결합한 빔포머를 제안한다.", "기존 빔포밍 시스템은 컴퓨터에서 음성과 잡음을 완전히 겹친 방식으로 혼합하여 생성된 사전 분할 오디오 신호를 사용하여 대부분 평가되었다.", "하지만 실제 환경에서는 시간 축으로 음성 발화가 띄엄 띄엄 발성되기 때문에, 음성이 없는 잡음 신호가 시스템에 입력되면 기존 빔포밍 알고리듬의 성능이 저하된다.", "이러한 효과를 경감하기 위하여, 심층학습 기반 온라인 빔포밍 알고리듬과 스펙트럼 감산을 결합하였다.", "잡음 환경에서 온라인 빔포밍 알고리듬을 평가하기 위해 연속음성강화 세트를 구성하였다.", "평가 세트는 CHiME3평가 세트에서 추출한 음성 발화와 CHiME3 배경 잡음", "및 MUSDB에서 추출한 연속 재생되는 배경음악을 혼합하여 구성되었다.", "음성인식기로는 Kaldi 기반 툴킷 및 구글 웹 음성인식기를 사용하였다.", "제안한 온라인 빔포밍 알고리듬과 스펙트럼 감산이 베이스라인 빔포밍 알고리듬에 비해 성능 향상을 보임을 확인하였다.", "</p> <h1>V.", "결 론</h1><p>신경망 빔포밍을 기반으로 블록 단위 온라인 빔포밍 알고리듬을 제안하였다.", "실제 환경을 고려한 음성이 희박한 연속된 잡음 음성 빔포밍 테스크에서 성능 평가를 진행하였다.", "실제 환경 테스트를 위해 CHiME3와 MUSDB 및 버스 환경 주행 잡음을 이용한 CSE 평가세트를 제작하였으며, 테스크에 적합한 온라인 빔포밍 알고리듬 및 스펙트럼 감산 방법을 제안하여 효용성을 증명하였다.", "</p><p>제안한 온라인 빔포밍 알고리듬은 음성인식기 뿐만 아니라 잡음", "제거 및 음성 강화가 필요한 모든 모듈의 전처리기로 활용될 수 있다.", "그러나 낮은 신호대잡음비 환경에서는 상용화하기 힘든 수준의 WER을 보이며, 발화 길이가 짧아짐에 따라 성능이 열화되는 수렴 속도 문제 등 개선의 여지가 많이 남아있다.", "향후 연구로서, 이러한 문제를 해결하기 위해 근본적인 지연 문제가 있는 BLSTM 기반 마스크 추정을 대체 및 보완하며 전반적인 성능 향상을 할 수 있는 딥러닝 모델 연구가 필요하다.", "</p> <h1>IV.", "실험 결과</h1><h2>4.1 CSE 데이터베이스</h2><p>실제 환경에서의 빔포밍 성능 평가를 위해, CHiME\\(3\\)의 개발 및 평가 시뮬레이션 세트와 MUSDB의 악기 및 보컬 음악을 혼합하여 CHiME\\(3\\)-MUSDB CSE 평가 세트를 제작하였다.", "CSE 평가 세트는 CHiME\\(3\\)개발 시뮬레이션 발화 dt\\(05 1,640\\)개, 평가 시뮬레이션 발화 et\\(05 1,320\\)개를 목표 음성 신호로 사용하고, CHiME\\(3\\)의 버스 주행, 카페, 거리 교차로, 보행자 거리 잡음", "및 MUSDB의 악기와 보컬 음악 신호를 잡음", "신호로 \\(5\\)종 잡음을 이용해 구성하였다.", "</p><p>\\(5\\)종 잡음 중 보컬음악잡음 세트는 총 \\(12\\)세트로 구성되며, \\(1\\sim11\\)번 세트는 \\(250\\)개의 무작위 시간 간격 (3 \\( \\mathrm{s} \\sim 16 \\mathrm{~s}\\) 사이)을 두며 연쇄한 발화 단위 목표 음성 신호와, 목표 음성 신호 길이에 해당하는 MUSDB의 악기와 보컬 음악 신호를 연쇄하여 만들어진 잡음 신호를 혼합하여 \\(6\\)채널 잡음 음성 오디오 신호로 구성된다. \\", "(12\\)번 세트는 이전 세트를 구성하고 남은 \\(210\\)개의 CHiME\\(3\\) 목표 음성 신호 발화를 이용해 같은 방식으로 만들어졌다.", "</p><p>나머지 버스 주행, 카페, 거리 교차로, 보행자 거리의 \\(4\\)종 배경 잡음은 CHiME\\(3\\) 챌린지에서 녹음된 연속 배경 잡음을 활용하였고 보컬 음악 잡음 세트와 같은 방식으로 만들어졌으며, 잡음별로 \\(3\\)세트로 구성되며\\(1\\sim 2\\)번 세트는 \\(250\\)개 \\(3\\)번 세트는 \\(240\\)개의 발화 단위 목표 음성 신호와 그 길이에 해당하는 잡음을 혼합하여 만들어졌다.", "총 \\(24\\)세트로 구성되며 모든 세트는 webrtcvad를 사용해 목표음성 신호에서 음성 존재 구간 정보를 얻어내고 이를 이용해 \\( -10 \\) \\( \\mathrm{dB},-5 \\mathrm{~dB}, 0 \\mathrm{~dB}, 5 \\mathrm{~dB}, 10 \\mathrm{~dB} \\)의 신호대잡음비 별 평가 세트를 구성하였다.", "</p><p>추가적으로 한국어에 대한 성능 평가를 위해, 자체 제작된 버스 주행 잡음 환경 명령어(실제 도로 주행 버스 잡음 및 라디오 재생 환경에서 발성된 명령어)를 사용해 버스 주행 환경 CSE 평가 세트를 구성하였다.", "버스 환경 한국어 평가 데이터는 \\(4\\)명의 화자(남자\\(2\\), 여자\\(2\\))로 구성되었고, 화자 당 \\(100\\)개의 명령어 발화를 사용하여 구성되었다.", "총 \\(2\\)세트로 구성되었으며, 세트당 \\(200\\)발화를 포함한다.", "</p><p>CHiME\\(3\\)-MUSDB CSE 평가 세트와 같은 방식으로 발화 단위 목표 음성 신호와, 목표 음성 신호 길이에 해당하는 버스 주행 잡음을 사용하여 \\(6\\)채널 잡음 음성 오디오 신호를 생성하여, 신호대잡음비 별 평가 세트를 구성하였다.", "</p> <h2>3.2 스펙트럼 감산 빔포밍 시스템</h2><p>빔포밍과 스펙트럼 감산을 결합한 선행 연구들이 시도되어 왔다.", "단일 채널 잡음 감소 기법인 스펙트럼 감산과 다채널 음성 강화 기법인 빔포밍은 상호 보완적인 효과를 볼 수 있다.", "빔포밍 이전에 채널 별 스펙트럼 감산을 하게 되면 신호대잡음비 향상 효과를 거둘 수 있다.", "또한 스펙트럼 감산에서 발생하는 신호 왜곡 현상인 음악적 잡음(musical noise)이 빔포밍으로 감소되는 효과가 있다.", "스펙트럼 감산을 빔포밍에 적용하는 방법은 Fig. \\", "(5\\)와 같이 두 가지 방법이 연구되었다.", "첫 번째는 Fig. \\", "(5\\)(a)와 같이 빔포밍 후에 스펙트럼 감산을 적용하는 방법이다.", "두 번째는 Fig. \\", "(5\\)(b)와 같이 채널 별 스펙트럼 감산 후 빔포밍을 하는 방법이다.", "기존 연구 결과로는 채널별 스펙트럼 감산 후 빔포밍을 하는 방법이 잡음의 종류가 가우시안 및 슈퍼 가우시안 일 때, 더욱 좋은 잡음 제거 효과를 보였다.", "</p><p>제안하는 알고리듬 또한 채널 별 스펙트럼 감산 후 빔포밍을 하는 방법을 사용한다.", "기존 연구에서는 음성 강화를 위해 Delay-and-Sum(DS) 빔포밍과 잡음 추정 기법으로는 원치 않는 방향의 간섭 신호를 제거하는 널조향(null-steering) 빔포밍 기법을 활용하였다.", "제안 알고리듬에서는 GEV의 빔포밍의 특성을 활용하여 GEV 빔포밍으로 음성 강화와 잡음 추정 빔포밍 벡터를 동시에 추정한다.", "</p><h3>3.2 .1 제안 스펙트럼 감산 온라인 빔포밍 시스템</h3><p>본 연구에서 사용한 시스템은 GEV 빔포밍 시스템이 주파수 빈 별 신호대잡음비 최대화 알고리듬이기 때문에 Eq.", "(\\(7\\))에서 목표 신호 PSD 행렬과 잡음 신호 PSD 행렬의 자리를 바꾸어 주면 잡음을 추정하는 빔포밍 벡터를 언을 수 있다.", "Fig. \\", "(6\\)은 스펙트럼 감산 온라인 빔포밍 시스템의 전체 블록도이다.", "음성강화 빔포밍 벡터 \\( W_{G E V_{-} X} \\)와 잡음 강화 빔포밍 벡터 \\( W_{G E V_{-} N} \\)가 동시에 추정되며, 추정된 \\( W_{G E V_{-} N} \\)는 다채널 관측 신호 스펙트럼 \\( Y(t, f) \\)에 곱해져 잡음", "추정에 사용된다.", "각 채널에서 Eq.", "(\\(15\\))와 같이 관측 신호 스펙트럼 크기 \\( \|Y(t, f)\| \\)에서 추정된 잡음 스펙트럼 크기 \\( \|\\hat{N}(t, f)\| \\)를 감산하여 추정된 향상 신호 스펙트럼 크기를 \\( \|\\hat{S}(t, f)\| \\) 추정한다.", "이때 각 채널에서 감산되는 추정 잡음 스펙트럼은 GEV 빔포머의 결과로 언어진 동일한 추정 잡음 스펙트럼이다.", "</p>" ]	{ "doc_category": { "KDC": "530.2405", "DDC": "620.2" }, "doc_title": { "kor": "잡음 환경에서의 음성인식을 위한 온라인 빔포밍과 스펙트럼 감산의 결합", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1c54889c-1194-4312-b827-d4af3d6d0d43", "doc_number": { "ISSN": "1225-4428", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2021", "doc_author": [ "윤성욱", "권오욱" ], "doc_publisher": "한국음향학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
401	<h1>요 약</h1><p>본 연구에서는 4K UHD(\(3840 \times 2160) \) 영상을 실시간 복호화하기 위한 \( 4 \times 4 \) 블록 병렬 보간 H.264 / AVC 움직임보상기를 제안한다. 연산처리 성능을 향상시키기 위해 보간 연산을 \( 4 \times 4 \) 블록 단위로 병렬화시켰으며, 병렬 보간 연산에서 필요한 메모리 대역폭을 확장하기 위해 \( 9 \times 9 \) 개의 메모리 어레이를 가진 2D 캐쉬 버퍼 구조를 설계하였다. 그리고 2D 캐쉬 버퍼는 검색영역 간 재사용 기법을 적용하여 참조화소의 중복저장을 최소화하였으며, \( 4 \times 4 \) 블록 병렬 보간 필터는 \(3\) 단(수평·수직 \( 1 / 2 \) 부화소, 대각선 \( 1 / 2 \) 부화소, \( 1 / 4 \) 부화소) 평면 보간 연산 파이프라인 구조로 설계하여 연산회로를 고속화시켰다. \(0.13um\) 공정에서 시뮬레이션한 결과, \( 161 \mathrm{~K} \) 게이트의 H.264/AVC 움직임보상기는 동작주파수 \( 150 \mathrm{MHz} \) 에서 4K UHD 급 동영상을 초당 \(72\) 프레임으로 실시간 처리하는 성능을 보였다.</p><h1>I. 서 론</h1><p>현재 FHD (Full High Definition)를 넘어 UHD(Ultra High Definition)급 초고해상도의 영상 장치들이 시장에 등장하고 있다. 이러한 초고해상도 영상 장치들은 많은 연산량과 높은 데이터 대역폭의 실시간 처리를 요구하여 뛰어난 압축성능을 가진 영상 압축기술을 필요로 한다. 최신 영상압축 기술인 H.264/AVC는 기존 영상압축 기술(MPEG-2, MPEG-4, H.263)에 비해 약 \(39\) ~ \(64\%\) bit-rate를 절약할 수 있는 뛰어난 압축 성능을 가진다. H.264/AVC 복호화기의 움직임보상은 시간적 중복성을 복원하는 기술로써 부호화 효율을 높이기 위해 가변블록크기와 다양한 참조 프레임, \( 1 / 4 \) 화소의 정밀 보간을 지원한다. 다양한 참조 프레임과 가변블록크기를 적용하기 위해 메모리 검색량이 늘어나 움직임보상이 H.264/AVC 복호화기 전체 메모리 검색량의 약 \( 75 \% \) 를 차지한다. 또한 \( 1 / 4 \) 화소 정밀 보간 연산으로 인해 움직임보상의 연산량은 H.264/AVC 복호화기 전체 연산량의 약 \( 35 \% \) 를 차지한다. 따라서 연산량 및 메모리 검색량을 해결하기 위하여 보간 연산 병렬화를 통한 보간 연산 고속화와 데이터 재사용을 통한 외부메모리 검색 감소에 관한 연구가 병행 진행되고 있다.</p><p>보간 연산 고속화 연구는 6-Tap FIR 필터를 기본 연산 단위로 병렬화하여 연산처리 성능을 높였다. \(4\)개의 6-Tap FIR 필터를 병렬화한 연구 (1-D(Dimensional FIR 보간 필터)는 \(4\)개의 \( 1 / 2 \) 부화소 또는 \( 1 / 4 \) 부화소를 한 번에 생성한다. \( 4 \times 4 \) 보간블록을 생성하기 위해 움직임 벡터가 정수화소나 수평.수직 \( 1 / 2 \) 부화소일 때에는 \(4\) 회의 보간 연산을 한다. 그러나 움직임 벡터가 대각선 방향의 \( 1 / 2 \) 부화소일 때에는 수평 \( 1 / 2 \) 부화소를 보간하고 대각선 \( 1 / 2 \) 부화소를 구하여 총 \(9\) 회의 보간 연산을 한다. 따라서 \(4\) 개의 6-Tap FIR 필터를 병렬화한 연구는 움직임 벡터에 따라 연산 횟수가 달라 가변적인 제어를 해야 하고, 대각선 \( 1 / 2 \) 부화소 보간에서 늘어난 연산횟수 때문에 실시간 처리는 저해상도 영상으로 제한된다. 가변적인 제어 복잡도를 해결하고 대각선 \( 1 / 4 \) 부화소의 연산횟수를 단축시킨 연구 (2-D FIR 보간 필터)는 수평.대각선 \( 1 / 2 \) 부화소 보간 및 \( 1 / 4 \) 부화소 보간의 데이터 종속을 퐈이프라인 구조로 병행 처리하여 \(1\) 개 보간 화소를 구하는 연산의 횟수를 최소화하였다. 그러나 \(1\) 개 보간 화소 생성을 위한 참조 화소의 입력지연시간이 길고 \( 4 \times 4 \) 블록 보간 화소 생성 시 인접 보간 화소 간 재사용이 없어 중복연산 된다. 이 같은 입력지연시간과 중복연산을 줄이기 위해서 연구(Separate 1-D FIR 보간 필터)는 수평 \( 1 / 2 \) 부화소를 생성하는 1-D FIR 보간 필터와 수직과 대각선 \( 1 / 2 \) 부화소를 생성하는 1-D FIR 보간 필터가 각각 병렬 연산한다. 수평 \( 1 / 2 \) 부화소를 생성할 때 사용한 참조 화소를 수직-대각선 \( 1 / 2 \) 부화소를 생성할 때 재사용하여 중복연산 및 입력지연시간을 감소시켰으며, 또한 수평 \( 1 / 2 \) 부화소 생성 결과를 대각선 \( 1 / 2 \) 부화소 생성에 재사용하였다. 그러나 Separate 1-D FIR 보간 필터구조는 \( 4 \times 1 \) 라인단위로 보간 화소를 생성하는 병렬성의 제한 때문에 고해상도 FHD 영상의 실시간 처리까지만 가능한 연산처리 성능을 갖는다. 이 같은 성능을 개선하고자 Separate 1-D FIR 보간 필터구조 2개를 이용한 연굼]는 인접한 \( 4 \times 4 \) 블록 \(2\) 개 내에서 \( 4 \times 1 \) 라인단위의 보간 연산을 처리 하여 기존 Separate 1-D FIR 보간 필터구조에 비해 연산처리성능을 \(2\) 배 증가시킬 수 있었다. 그러나 인접한 \( 4 \times 4 \) 블록의 참조화소들을 저장, 관리하고 연산결과를 동시에 제어하기 위한 연산회로의 복잡도로 인해 Separate 1-D FIR 보간 필터구조에 비해 면적이 \( 2.7 \) 배로 늘어났으며, 4K UHD (\(3840 \times 2160\)) 를 실시간 처리하는데 동작주파수가 \(2\) 배로 증가하여 전력소모가 커지는 문제점을 보이고 있다.</p><p>본 연구에서는 4K UHD 영상에 대한 H.264/AVC 움직임보상을 실시간 처리하기 위해 \( 4 \times 4 \) 블록 병렬 보간 필터 구조와 2D 캐쉬 버퍼 구조를 제안한다. 제안하는 \( 4 \times 4 \) 블록 병렬 보간 필터는 \( 4 \times 1 \) 라인단위가 아닌 \( 4 \times 4 \) 블록단위로 보간 화소를 생성할 수 있도록 부화소를 동시에 보간하는 평면 보간 연산구조로 설계하였다. 평면 보간 연산구조는 수평 및 수직 \( 1 / 2 \) 부화소를 생성하는 \(1\) 단 평면 FIR 필터, 대각선 \( 1 / 2 \) 부화소를 생성하는 \(2\) 단 평면 FIR 필터, 그리고 마지막 \( 1 / 4 \) 부화소를 생성하는 \(3\) 단 평면 Bilinear 필터의 \(3\) 단 파이프라인 구조로 연산처리성능을 향상시켰다. 그리고 \( 4 \times 4 \) 블록단위 보간 연산 구조에서 요구되는 참조 화소를 실시간으로 공급하기 위해 2D 캐쉬 버퍼 구조로 설계했고, 움직임 벡터에 따른 중복적인 참조메모리 검색을 최소화하기 위해 검색 영역 간 재사용 기법을 사용하였다.</p><p>본 논문의 구성은 Ⅱ장에서 H.264/AVC 움직임보상의 \( 4 \times 4 \) 블록 병렬 보간 연산 알고리즘을 설명하고, Ⅲ장에서는 제안하는 \( 4 \times 4 \) 블록 병렬 보간 움직임보상기 아키텍처에 대해 설계한다. Ⅳ장에서는 새로운 아키텍쳐의 성능을 다른 연구결과와 비교하며, 마지막으로 Ⅴ장에서는 결론을 맺는다.</p>Ⅴ <h1>II. H.264/AVC 움직임보상 연산의 4 x 4 블록 병렬 보간</h1><p>H.264/AVC 움직임보상은 움직임 벡터가 가리키는 블록의 참조 화소들을 참조프레임으로 부터 가져와 현재 영상을 복원한다. 움직임보상의 보간 연산은 그림 1과 같이 \( 1 / 2 \) 부화소와 \( 1 / 4 \) 부화소 보간을 수행한다. 수직 \( 1 / 2 \) 부화소 (h, m) 보간은 참조프레임의 정수화소 ({A, C, G, M, R, T}), {B, D, H, N, S, U}) 를 6-Tap FIR 필터 연산으로 생성한다. 수평 \( 1 / 2 \) 부화소 (b, s) 보간은 참조프레임의 정수화소 ({E, F, G, H, I, J}, {K, L, M, N, P, Q}) 를 6 -Tap FIR 필터 연산을 통해 얻는다. 대각선 \( 1 / 2 \) 부화소(j)의 경우 6 - Tap FIR 필터 연산으로 계산된 수평 \( 1 / 2 \) 부화소(aa, bb, b, s, gg, hh)또는 수직 \( 1 / 2 \) 부화소({cc, dd, h, m, ee, ff}) 를 6-Tap FIR 필터 연산하여 생성한다. \( 1 / 4 \) 부화소 보간은 외부 \( 1 / 4 \) 부화소(a, c, d, n, e, g, p, r)보간과 내부 \( 1 / 4 \) 부화소(f, i, k, q)보간으로 나뉜다. 외부 \( 1 / 4 \) 부화소 보간은 정수화소와 수평 \( 1 / 2 \) 부화소간 또는 정수화소와 수직 \( 1 / 2 \) 부화소간 또는 수평 \( 1 / 2 \) 부화소와 수직 \( 1 / 2 \) 부화소간 bilinear연산으로 생성한다. 반면 내부 \( 1 / 4 \) 부화소 보간은 수평 및 수직 \( 1 / 2 \) 부화소와 대각선 \( 1 / 2 \) 부화소간 bilinear연산으로 생성한다. 따라서 \( 1 / 2 \) 부화소 및 \( 1 / 4 \) 부화소 보간 연산은 그림 2 와 같은 데이터 종속성을 가진다. 그러므로 보간 화소 \(16\) 개를 생성하기 위해서는 그림 2 의 순환 연산과정을 \(16\) 회 반복 수행해야 한다.</p><p>부화소 보간 연산 단위를 기존 \(1\) 개 정수화소(G)의 인접 부화소에서 \( 1 \times 4 \) 라인 화소의 인접 부화소로 병렬 확장한 Separate 1-D FIR 보간 연산은 그림 3과 같이 나타난다. 그림 3 (a)와 같이 수평 \( 1 / 2 \) 부화소 보간 과정에서는 \( 1 \times 4 \) 개의 6-Tap FIR 필터가 입력된 \( 1 \times 9 \) 정수화소를 공유, 참조하여 수평 \( 1 / 2 \) 부화소 \( 1 \times 4 \) 개를 생성한다. 그리고 그림 3 (b)와 같이 수직 \( 1 / 2 \) 부화소 보간 과정에서는 \( 1 \times 5 \) 개의 6-Tap FIR 필터가 수평 \( 1 / 2 \) 부화소 보간에서 사용한 \( 6 \times 9 \) 정수화소를 재사용하여 수직 \( 1 / 2 \) 부화소 \( 1 \times 5 \) 개를 생성한다. 그리고 그림 3 (c)와 같이 대각선 \( 1 / 2 \) 부화소 보간 과정에서는 \( 1 \times 4 \) 개의 6-Tap FIR 필터가 수직 \( 1 / 2 \) 부화소 보간에서 생성한 \( 6 \times 4 \) 개의 \( 1 / 2 \) 부화소를 재사용하여 대각선 \( 1 / 2 \) 부화소 \( 1 \times 4 \) 개를 생성한다. 마지막으로 그림 3 (d)와 같이 \( 1 / 4 \) 부화소 보간은 \( 5 \times 5 \) 개의 참조화소와 앞서 구한 수평·수직·대각선 \( 1 / 2 \) 부화소를 Bilinear 필터 연산하여 \( 4 \times 4 \) 개의 \( 1 / 4 \) 부화소를 생성한다. 따라서 그림 4 와 같이 \( 4 \times 4 \) 블록 보간 화소를 구하기 위해서는 \( 1 \times 9 \) 정수화소를 \(9\) 회에 걸쳐 참조해야 하고, 수평 \( 1 / 2 \) 부화소 보간 연산을 \(9\) 번을 수행하며, 수직, 대각선 \( 1 / 2 \) 부화소 보간 연산을 각 \(4\) 회, \( 1 / 4 \) 부화소 보간 연산은 \(1\) 회 수행해야 한다.</p><p>제안하는 움직임보상은 부화소 보간 연산 단위를 \( 4 \times 4 \) 블록화소 단위로 병렬 확장하여 연산처리성능을 높이고 보간 연산 과정에서 사용되는 참조화소들을 공유하여 메모리 검 색량을 줄이고자 하였다. 그림 5 와 같이 \( 4 \times 4 \) 블록 병렬 보간 연산 연산과정은 수평.수직 \( 1 / 2 \) 부화소 보간, 대각선 \( 1 / 2 \) 부화소 보간, \( 1 / 4 \) 부화소 보간으로 \(3\)단계로 구성된다. 먼저 수평.수직 \( 1 / 2 \) 부화소 보간 연산은 \( 9 \times 9 \) 개의 참조화소를 공유한다. \( 9 \times 9 \) 개의 참조화소를 \( 4 \times 9 \) 개의 6-Tap FIR 필터 연산하여 \( 4 \times 9 \) 개의 수평 \( 1 / 2 \) 부화소를 구하고, \( 9 \times 9 \) 개의 참조화소 중 \( 5 \times 9 \) 개의 참조화소를 \( 5 \times 4 \) 개의 6-Tap-FIR 필터 연산하여 \( 5 \times 4 \) 개의 수직 \( 1 / 2 \) 부화소를 구한다. 대각선 \( 1 / 2 \) 부화소 보간에는 \( 4 \times 9 \) 개의 수평 \( 1 / 2 \) 부화소를 \( 4 \times 4 \) 개의 6 - Tap FIR 필터 연산하여 \( 4 \times 4 \) 개의 대각선 \( 1 / 2 \) 부화소를 구한다. \( 1 / 4 \) 부화소 보간은 Separate 1-D FIR 보간 연산과 마찬가지로 \( 5 \times 5 \) 개의 참조화소와 앞서 구한 수평.수직.대각선 \( 1 / 2 \) 부화소를 Bilinear 필터 연산하여 \( 4 \times 4 \) 개의 \( 1 / 4 \) 부화소를 생성한다. 그림 6 는 \( 1 / 2 \) 부화소 및 \( 1 / 4 \) 부화소 보간 연산의 \( 4 \times 4 \) 블록 병렬화된 연산과정을 보인다. 부화소 보간 연산 단위를 \( 4 \times 4 \) 블록단위로 확장시키면 보간 연산을 위한 참조화소들의 공유가 가능하며, 기존 \( 1 / 2 \) 부화소 및 \( 1 / 4 \) 부화소 보간 연산 과정이 반복되던 것을 \(1\) 회로 줄여 연산처리 성능이 향상시킬 수 있다.</p><p>본 연구에서는 보간 연산의 라인단위의 병렬화뿐만 아니라, 블록단위의 병렬처리를 할 수 있는 \( 4 \times 4 \) 블록크기의 병렬 보간 연산인 \( 4 \times 4 \) 블록 병렬보간 필터를 제안한다. 실제로 매크로블록 단위에 대해 표 1은 H.264의 가변 블록을 지원할 수 있는 규격의 참조화소의 입력량, 입력횟수 및 보간 연산의 연산기 개수, 연산횟수, 매크로블록당 처리량과 처리성능 비율을 병렬화 적용되지 않은 경우(표준안)과 적용된 경우(Sep. 1-D, 4×4블록)에 대해서 비교 분석하였다. \( 4 \times 4 \) 블록 병렬보간 필터는 모든 부화소 보간 연산을 \(1\) 회로 처리하여서 매크로 블록에서 단지 \(1,408\) 의 연산량을 필요로 한다. 이는 표준안의 연산결과의 공유가 없을 때보다 처리성능 비율이 \(2.91\)이나 개선하였으며, Separated 1-D FIR필터보다 \(1.74\)이상 처리성능향상 효과를 보였다.</p> <h2>3. 4 X 4 블록 병렬연산 보간 연산기</h2><p>\( 4 \times 4 \) 블록 병렬연산 보간 연산기는 2D 캐쉬 버퍼로부터 보간 연산을 위해 필요한 \( 9 \times 9 \) 개의 참조화소를 입력받아 \( 4 \times 4 \) 예측 블록을 생성한다. 그림 14 는 \(3\) 단 파이프 라인으로 동작하는 \( 4 \times 4 \) 블록 병렬연산 보간 연산기의 구조를 보여준다. 각 단계의 입출력을 살펴보면 평면형태의 부화소가 생성됨을 알 수 있다. 첫 번째 단계에서 \( 9 \times 9 \) 정수화소를 입력받아 \( 4 \times 9 \) 개의 수평 \( 1 / 2 \) 부화소와 \( 4 \times 5 \) 개의 수직 \( 1 / 2 \) 부화소를 동시에 생성한다. 두 번째 단계에서 첫 번째 단계에서 생성한 \( 4 \times 9 \) 개의 수평 \( 1 / 2 \) 부화소를 입력받아 \( 4 \times 4 \) 개의 대각선 \( 1 / 2 \) 부화소를 생성한다. 마지막으로 세 번째 단계에서 앞 서 생성한 \( 1 / 2 \) 화소들과 정수화소들을 입력받아 \( 4 \times 4 \) 개의 \( 1 / 4 \) 화소들을 생성한다. 그리고 마지막으로 \( 4 \times 4 \) 개의 정수화소, 수평방향 \( 1 / 2 \) 화소, 대각선 방향 \( 1 / 2 \) 화소, 수직방향 \( 1 / 2 \) 화소 및 \( 1 / 4 \) 화소들 중 하나를 선택하여 \( 4 \times 4 \) 의 예측 블록을 생성한다.</p><p>각 단계에서의 연산기 구조를 살펴보면 그림 15 와 같다. 1 단 평면 FIR 필터는 수평·수직 \( 1 / 2 \) 부화소를 동시에 생성할 수 있도록 수평 6 Tap FIR 필터 \(36\) 개를 \( 4 \times 9 \) 어레이 형태로 구성하고 수직 6 Tap FIR 필터 \(20\)개를 \( 5 \times 4 \) 어레이 형태로 배치하였다. \(1\) 단 평면 FIR 필터는 \( 9 \times 9 \) 개의 참조화소를 수평방향 \( 1 / 2 \) 보간 연산하여 \( 4 \times 9 \) 개의 수평 방향 \( 1 / 2 \) 화소를 생성하고, \( 9 \times 9 \) 개의 참조화소 중 \( 5 \times 9 \) 개의 참조화소를 수직방향 \( 1 / 2 \) 보간 연산으로 \( 5 \times 4 \)개의 수직 방향 \( 1 / 2 \) 화소를 생성한다. 대각선 \( 1 / 2 \) 부화소 각 단계에서의 연산기 구조를 살펴보면 그림 15 와 같다. 1 단 평면 FIR 필터는 수평·수직 \( 1 / 2 \) 부화소를 동시에 생성할 수 있도록 수평 6 Tap FIR 필터 \(36\) 개를 \( 4 \times 9 \) 어레이 형태로 구성하고 수직 6 Tap FIR 필터 \(20\)개를 \( 5 \times 4 \) 어레이 형태로 배치하였다. \(1\)단 평면 FIR 필터는 \( 9 \times 9 \) 개의 참조화소를 수평방향 \( 1 / 2 \) 보간 연산하여 \( 4 \times 9 \) 개의 수평 방향 \( 1 / 2 \) 화소를 생성하고, \( 9 \times 9 \) 개의 참조화소 중 \( 5 \times 9 \) 개의 참조화소를 수직방향 \( 1 / 2 \) 보간 연산으로 \( 5 \times 4 \)개의 수직 방향 \( 1 / 2 \) 화소를 생성한다. 대각선 \( 1 / 2 \) 부화소를 생성하는 \(2\)단 평면 FIR 필터는 수직 6 Tap FIR 필터 \(16\) 개를 \( 4 \times 4 \) 어레이로 구성되었다. \(1\) 단 평면 FIR 필터로 부터 \( 4 \times 9 \) 개의 수평방향 \( 1 / 2 \) 화소를 입력받아 수직방향으로 \( 1 / 2 \) 보간 연산을 수행하여 대각선방향의 \( 1 / 2 \) 화소 \( 4 \times 4 \) 개를 생성한다. 마지막 \(3\)단 평면 Bilinear 필터는 \( 4 \times 4 \) 어레이 구조로 Bilinear 필터 \(16\) 개를 구성하여 앞 서 생성한 \( 1 / 2 \) 화소들과 정수화소들을 입력받아 \( 1 / 4 \) 화소들을 생성하도록 설계하였다.</p> <h1>V. 결 론</h1><p>본 연구에서는 H.264 \( 4 \times 4 \) 블록 병렬 움직임보상기를 제안하여 \( 4 \mathrm{~K}\) UHD 영상을 실시간 처리하는데 주파수를 낮추고 전력소모를 줄이고자 하였다. 연산처리성능을 향상시키고자 보간 연산을 \( 4 \times 4 \) 블록단위로 병렬화하여 매 사이클 마다 \( 4 \times 4 \) 블록 보간 화소를 생성하며 \( 4 \times 4 \) 블록단위 보간 연산구조에서 요구되는 참조 화소를 공급하기 위해 2D 캐쉬 버퍼를 제안하였고, 외부메모리에 대한 검색을 줄이고자 검색영역 간 재사용 기법을 사용 하였다. 제안된 \( 4 \times 4 \) 블록 병렬 보간 움직임보상기 구조를 \(0.13um\)공정에서 시뮬레이션한 결과, 게이트 수는 \( 161 \mathrm{~K} \) 게이트이며, 동작주퐈수는 \( 150 \mathrm{MHz} \) 이다. 이 같은 결과는 기존 연구들에 비해 \( 1.4 \) 배의 면적이 증가하였으나, 연산처리성능은 \( 7.6 \) 배 향상되어 \( 4 \mathrm{~K}) UHD 영상을 \( 72 \mathrm{fps} \) 로 실시간 처리함을 보였다.</p> <h1>III. 4X4 블록 병렬 보간 움직임보상기 아키텍처</h1><h2>1. 움직임보상기 아키텍처 설계</h2><p>제안된 \( 4 \times 4 \) 블록 병렬 움직임보상기는 그림 7 와 같이 2D 캐쉬 버퍼와 \( 4 \times 4 \) 블록 병렬 보간 필터로 구성된다. 2D 캐쉬 버퍼는 \( 4 \times 4 \) 블록단위 보간 연산에 필요한 참조 화소( \( 9 \times 9 \) 화소)를 공급하는 버퍼이며, \( 4 \times 4 \) 블록 병렬 보간 필터는 수평·수직·대각선 \( 1 / 2 \) 부화소와 \( 1 / 4 \) 부화소를 생성하는 연산기이다. 2D 캐쉬 버퍼는 움직임 벡터에 따른 중복적인 참조메모리 검색을 최소화하기 위하여 검색영역 간 재사용 기법을 사용한다. 검색영역 간재사용 기법은 이웃한 수평·수직 검색영역 간 중첩되는 부분을 재사용하기 위한 방법으로 외부메모리에 대한 중복검색을 \(1\) 회로 감소시킬 수 있다. 또한 2D 캐쉬 버퍼는 \( 4 \times 4 \) 블록단위 보간 연산에 사용되는 참조 화소( \( 9 \times 9 \) 화소)를 공급하기 위해 병렬 출력이 가능한 메모리 어레이 구조로 설계되었다. 2D 캐쉬 버퍼와 \( 4 \times 4 \) 블록 병렬 보간 필터는 필요한 \( 9 \times 9 \) 개의 참조데이터 \( 1: 1 \)로 연결되어 \( 4 \times 4 \) 블록 병렬 움직임보상기를 구성한다. \( 4 \times 4 \) 블록 병렬 보간 필터는 수평·수직.대각선 \( 1 / 2 \) 부화소와 \( 1 / 4 \) 부화소를 평면형태로 생성하기 위해 \(3\) 단 평면 보간 연산 파이프라인 구조를 갖는다. \(1\)단계에서는 수평·수직 \( 1 / 2 \) 부화소 보간을 위해 \(56\) 개의 FIR 필터가, \(2\)단계에서 대각선 \( 1 / 2 \) 부화소 보간을 위해 \(16\) 개의 FIR 필터가, \(3\)단계에서는 \( 1 / 4 \) 부화소 보간을 위해 \(16\) 개의 Bilinear 필터가 평면 형태로 할당되어 파이프라인 동작으로 처리성능을 높이고자 하였다.</p><h2>2. 2D 캐쉬 버퍼</h2><p>2D 캐쉬 버퍼는 \( 4 \times 4 \) 블록단위 보간 연산에 필요한 참조 화소( \( 9 \times 9 \) 화소)를 공급하는 버퍼이며, 움직임 벡터에 따른 중복적인 참조메모리 검색을 최소화하기 위하여 검색영역 간 재사용 기법을 사용한다. 검색영역 간 재사용 기법은 외부메모리에 대한 검색량을 줄이기 위해 현재의 검색영역과 이웃한 수평.수직의 검색영역과 중첩되는 부분을 미리 저장하여 다음 검색영역에서 재사용하는 방법이다. 그림 8 에서 참조 프레임의 크기는 Height와 Width로 표현되며, 검색영역의 한 면의 크기는 M으로, 매크로블록의 한 면의 크기는 N으로 나타내었다. 먼저 수평으로 인접한 검색영역 #1과 #2의 경우 검색영역 #1의 좌측 \((\mathrm{M}-\mathrm{N}) \times \mathrm{N}\) 를 재사용하고 검색영역 #2 의 우측 \( \mathrm{N} \times \mathrm{M} \) 을 외부메모리에서 검색하게 되면 외부 메모리 검색량을 줄일 수 있다. 또한 검색 영역 #5는 수직으로 인접한 검색영역 #4의 \( \mathrm{M} \times(\mathrm{M}-\mathrm{N}) \) 를 재사용하고 부족한 하단의 \( \mathrm{M} \times \mathrm{N} \) 영역이 요구되지만 이미 검색영역 #3에서 검색영역 #5에 필요한 \( (\mathrm{M}-\mathrm{N}) \times \mathrm{N} \) 이 재사용 가능하여 \( \mathrm{M} \times \mathrm{N} \) 보다 훨씬 적은 \( \mathrm{N} \times \mathrm{N} \) 의 외부메모리 검색으로 검색을 줄일수 있다. 따라서 검색영역 간 재사용 기법을 사용하기 위해 2D 캐쉬 버퍼에 "Width \( \times(\mathrm{M}+\mathrm{N}) \) " 크기의 참조 데이터를 저장하고, 매크로 블록에 따라 검색영역이 이동할 때마다 \( \mathrm{N} \times \mathrm{N} \) 만큼의 참조 데이터를 외부메모리로부터 2D 캐쉬 버퍼로 이동하면 외부 메모리의 검색을 최소로 줄일 수 있다.</p><p>2D 캐쉬 버퍼는 매크로블록에 따라 검색영역이 이동할 때마다 매크로블록 \( (16 \times 16) \) 크기의 데이터를 저장하고, \( 4 \times 4 \) 블록단위 보간 연산을 위해 \( 9 \times 9 \) 화소 크기의 데이터를 출력한다. 움직임 보상은 매크로블록단위로 수행되지만 가변블록크기를 지원하기 용이하도록 최소블록인 \( 4 \times 4 \) 블록 단위로 나누어 처리된다. \( 4 \times 4 \) 블록 단위의 움직임 보상은 \( 9 \times 9 \) 개의 참조화소를 2D 캐쉬 버퍼에 \(16\) 회 요구하기 때문에 \(1\) 회 저장되는 매크로블록단위가 아닌 그림 9 (a)와 같이 참조 프레임을 \( 9 \times 9 \) 정수화소 단위로 분할하고 그림 9 (b)와 같이 \( 9 \times 9 \) 개의 메모리 어레이에 구성하여 저장하였다. 이에 따라 보간 연산에 필요한 \( 9 \times 9 \) 개의 참조화소를 동시에 검색하기에 효과적인 구조를 갖는다. 그러나 2D 캐쉬 버퍼는 매크로블록 단위로 저장된 외부 메모리의 메모리 사상과 적합하지 않아 최소 \(4\) 개의 쓰기 주소를 갖는다.</p><p>2D 캐쉬 버퍼는 움직임벡터에 따라 보간 연산에 필요한 \( 9 \times 9 \) 정수화소를 \( 4 \times 4 \) 블록 병렬 보간 필터에 공급한다. 그림 10 과 같이 움직임벡터에 따라 2D 캐쉬 버퍼 읽기 주소는 4가지 주소형태(1)-81개 모두 동일주소, (2)-좌우분할 주소, (3)-상하분할 주소, (4)-4분할 주소)를 갖는다. 2D 캐쉬 버퍼 읽기 주소가 모두 동일주소일 경우에는 2D 캐쉬 버퍼의 출력되는 화소와 보간 연산에 입력되는 화소 간 정렬이 맞지만, 2D 캐쉬 버퍼 읽기 주소가 분할주소를 갖는 경우에는 2D 캐쉬 버퍼의 출력되는 화소와 보간 연산에 입력되는 화소 간 정렬이 어긋난다. 그림 11 (a)에서와 같이 \(4\) 분할 주소를 갖는 경우에는 그림 11 (b)와 같이 \( 9 \times 9 \) 어레이 메모리에 데이터를 요청하고 그림 11 (c)와 같이 정렬된 데이터가 2D 캐쉬 버퍼에 출력된다. 따라서 \(4\) 분할주소를 갖는 경우 2D 캐쉬 버퍼는 그림 11 (d)와 같이 데이터를 재정렬해야 하는 과정이 필요하며, 그림 12 와 같이 2D 캐쉬 버퍼는 움직임벡터에 따라 보간 연산에 필요한 \( 9 \times 9 \) 정수화소를 출력하는 2D 메모리 어레이와 \( 9 \times 9 \) 정수화소를 재정렬하는 양방향 순환버퍼로 구성된다.</p><p>움직임벡터에 따라 보간 연산에 필요한 \( 9 \times 9 \) 정수화소를 출력하기 위해 2D 메모리 어레이는 매크로블록 숫자와 움직임벡터 (x, y) 를 이용하여 2D 메모리 어레이의 읽기 주소를 생성한다. 매크로블록 숫자와 움직임벡터 (x, y) 에 따라 2D 메모리 어레이의 읽기 주소는 \(4\) 가지 주소 형태를 가지며 경우에 맞춰 2D 메모리 어레이의 각 메모리에 읽기주소가 공급된다. 양방향 순환 버퍼는 2D 메모리 어레이의 주소가 분할 주소를 갖는 경우 \( 9 \times 9 \) 개의 참조화소를 재정렬하여 보간 필터에 전달한다. 그림 13 은 양방향 순환버퍼의 동작을 나타내고 있다. 2D 메모리 어레이의 읽기주소가 좌우분할주소를 갖는 경우에는 2D 메모리 어레이의 데이터를 가로방향으로 정렬하고, 상하 분할주소를 갖는 경우에는 2D 메모리 어레이의 데이터를 세로방향으로 정렬하고, \(4\) 분할주소를 갖는 경우에는 2D 메모리 어레이의 데이터를 대각선 방향으로 정렬시켜 보간 연산기가 요구하는 형태로 참조화소들을 재정렬 한다.</p> <h1>IV. 실험 및 분석</h1><p>제안된 \( 4 \times 4 \) 블록 병렬 움직임보상기를 \(0.13um\) 공정에서 시뮬레이션하여 표 2 에 기존 연구와 비교하였다. 먼저 메모리 대역폭을 매크로블록당 검색 사이클과 메모리 크기로 비교해보면 연구 [7]는 인접한 서브 블록 간에 입력된 참조화소의 일부를 연산기내에 레지스터를 저장함으로써 다음 서브블록의 데이터 입력 지연시간을 줄였다. 연구 [4]는 인접한 매크로블록 \(2\) 개간의 참조 화소 영역을 통합하는 MB level unification으로 인해 \(2\mathrm{KBytes}\) 크기의 메모리를 갖는다. 연구 [9]는 연구 [4]를 확장시켜 인접한 매크로블록 \(3\)개를 통합하여 참조영역에 대한 \( 36 \mathrm{KBytes} \) 의 메모리 크기를 가져 검색 사이클을 \(105\) 회로 줄인 반면, 제안하는 2D 캐쉬 버퍼는 수평/수직 검색영역 모두를 저장해 \( 234 \mathrm{Kbytes} \) 의 메모리 크기를 요구하여 연구 [9] 보다 약 \( 6.5 \) 배 더 큰 메모리를 사용함으로써 면적이 증가되었다. 그러나 2D 캐쉬 버퍼는 모든 참조 화소에 대해 한번에 검색이 가능하고 \( 9 \times 9 \) 메모리 어레이 구조를 적용하여 대역폭을 \(9\) 배로 증가시켜 검색 사이클 수가 \( 15.2 \% \) 로 감소되므로 짧은 검색 사이클과 높은 대역폭을 제공할 수 있다.</p><p>또한 보간 연산기의 병렬성을 FIR 필터의 개수로 비교해보면 기존 Separated 1-D FIR 필터구조는 1-D FIR 필터구조의 임계경로를 줄였으나 움직임벡터에 따라 임계경로가 가변적이여서 두 연구 모두 Full-HD로 처리성능이 제한된다. 연구 [9]는 기존 Separated 1-D FIR 필터구조를 사용하면서 병렬화를 \(2\) 배로 늘려 \(24\) 개의 FIR 필터로 구성되어 매크로블록당 \(123\) 사이클이 소요되는 반면, 제안하는 구조는 \(72\) 개의 FIR 필터를 사용하여 \(16\) 사이클로 처리성능을 가지며 논문 [9]의 비해 \(7.6\) 배 높은 연산처리성능(Throughput)을 보이고 있다. 또한 연구 [9]와의 면적을 게이트 수로 비교해 본 결과, FIR 필터 크기와 관련된 보간 연산기의 크기는 기존 연구 대비 \( 2.6 \) 배 커졌으며, 움직임보상기의 크기는 \( 1.4 \) 배 커진 결과이다. 이 같은 결과는 보간 연산기가 움직임 보상 내에서의 크기에 영향이 크지 않음을 보이는 결과이다. 마지막으로 움직임보상기의 처리성능을 비교해 면, 기존 연구 [9] 는4K UHD 동영상을 \(30\mathrm{fps}\)로 실시간 처리하기 위해 \( 200 \mathrm{MHz} \) 라는 높은 주파수를 요구하는 반해, 제안하는 \( 4 \times 4 \) 블록 병렬 보간 움직임보상기는 \( 4 \mathrm{~K}\) UHD동영상을 \( 72 \mathrm{fps} \) 로 실시간 처리하는데 \( 150 \mathrm{MHz} \) 라는 낮은 주파수를 요구한다. 따라서 제안된 \( 4 \times 4 \) 블록 병렬 움직임보상기는 \( 4 \mathrm{~K} \) UHD 영상을 실시간 처리함은 물론, 동작주파수 또한 낮아 전력소모를 줄일 수 있다.</p><table border><caption>표 2. 기존 움직임보상 성능비교</caption><tbody><tr><td colspan=2>아키텍처</td><td>1-D[4]</td><td>separate 1-D[7]</td><td>separate 1-D[9]</td><td>4x4 블록 (Proposed)</td></tr><tr><td colspan=2>메모리 접근 기법</td><td>MB level unification</td><td>Horizontal -switch approach</td><td>MB-row level unification</td><td>Search areal stripe reuse</td></tr><tr><td colspan=2>메모리크기 (KBytes)</td><td>2</td><td>n/a</td><td>36</td><td>234</td></tr><tr><td colspan=2>매크로블록당 검색 사이클수</td><td>n/a</td><td>391.8</td><td>105</td><td>16</td></tr><tr><td rowspan=2>보간 연산기</td><td>개수</td><td>1</td><td>1</td><td>2</td><td>1</td></tr><tr><td>구성</td><td>4 FIR</td><td>4 H FIR/ 9 V FIR</td><td>4 H FIR/ 8 V FIR</td><td>36 H FIR/ 20 V FIR/ 16 D FIR</td></tr><tr><td colspan=2>매크로블록당 클럭 사이클수</td><td>304</td><td>560</td><td>123</td><td>16</td></tr><tr><td colspan=2>공정(um)</td><td>0.18</td><td>0.18</td><td>0.13</td><td>0.13</td></tr><tr><td rowspan=2 colspan=2>면적 (gates) 보간 연산기 움직임 보상기</td><td>13,027</td><td>20,686</td><td>14,960</td><td>77,748</td></tr><tr><td>32,000</td><td>43,000</td><td>117,77</td><td>161,435</td></tr><tr><td colspan=2>동작주파수 (Mz)</td><td>100</td><td>100</td><td>200</td><td>150</td></tr><tr><td colspan=2>처리해상도</td><td>1920x1088</td><td>1920x1088</td><td>3840x2160</td><td>3840x2160</td></tr><tr><td colspan=2>실시간 복호화 성능</td><td>FHD @30fps</td><td>FHD @30fps</td><td>4K UHD @30fps</td><td>4K UHD @72fps</td></tr></tbody></table>	전기공학, 통신공학, 전자공학	[ "<h1>요 약</h1><p>본 연구에서는 4K UHD(\\(3840 \\times 2160) \\) 영상을 실시간 복호화하기 위한 \\( 4 \\times 4 \\) 블록 병렬 보간 H.264 / AVC 움직임보상기를 제안한다.", "연산처리 성능을 향상시키기 위해 보간 연산을 \\( 4 \\times 4 \\) 블록 단위로 병렬화시켰으며, 병렬 보간 연산에서 필요한 메모리 대역폭을 확장하기 위해 \\( 9 \\times 9 \\) 개의 메모리 어레이를 가진 2D 캐쉬 버퍼 구조를 설계하였다.", "그리고 2D 캐쉬 버퍼는 검색영역 간 재사용 기법을 적용하여 참조화소의 중복저장을 최소화하였으며, \\( 4 \\times 4 \\) 블록 병렬 보간 필터는 \\(3\\) 단(수평·수직 \\( 1 / 2 \\) 부화소, 대각선 \\( 1 / 2 \\) 부화소, \\( 1 / 4 \\) 부화소) 평면 보간 연산 파이프라인 구조로 설계하여 연산회로를 고속화시켰다. \\", "(0.13um\\) 공정에서 시뮬레이션한 결과, \\( 161 \\mathrm{~K} \\) 게이트의 H.264/AVC 움직임보상기는 동작주파수 \\( 150 \\mathrm{MHz} \\) 에서 4K UHD 급 동영상을 초당 \\(72\\) 프레임으로 실시간 처리하는 성능을 보였다.", "</p><h1>I.", "서 론</h1><p>현재 FHD (Full High Definition)를 넘어 UHD(Ultra High Definition)급 초고해상도의 영상 장치들이 시장에 등장하고 있다.", "이러한 초고해상도 영상 장치들은 많은 연산량과 높은 데이터 대역폭의 실시간 처리를 요구하여 뛰어난 압축성능을 가진 영상 압축기술을 필요로 한다.", "최신 영상압축 기술인 H.264/AVC는 기존 영상압축 기술(MPEG-2, MPEG-4, H.263)에 비해 약 \\(39\\) ~ \\(64\\%\\) bit-rate를 절약할 수 있는 뛰어난 압축 성능을 가진다.", "H.264/AVC 복호화기의 움직임보상은 시간적 중복성을 복원하는 기술로써 부호화 효율을 높이기 위해 가변블록크기와 다양한 참조 프레임, \\( 1 / 4 \\) 화소의 정밀 보간을 지원한다.", "다양한 참조 프레임과 가변블록크기를 적용하기 위해 메모리 검색량이 늘어나 움직임보상이 H.264/AVC 복호화기 전체 메모리 검색량의 약 \\( 75 \\% \\) 를 차지한다.", "또한 \\( 1 / 4 \\) 화소 정밀 보간 연산으로 인해 움직임보상의 연산량은 H.264/AVC 복호화기 전체 연산량의 약 \\( 35 \\% \\) 를 차지한다.", "따라서 연산량 및 메모리 검색량을 해결하기 위하여 보간 연산 병렬화를 통한 보간 연산 고속화와 데이터 재사용을 통한 외부메모리 검색 감소에 관한 연구가 병행 진행되고 있다.", "</p><p>보간 연산 고속화 연구는 6-Tap FIR 필터를 기본 연산 단위로 병렬화하여 연산처리 성능을 높였다. \\", "(4\\)개의 6-Tap FIR 필터를 병렬화한 연구 (1-D(Dimensional FIR 보간 필터)는 \\(4\\)개의 \\( 1 / 2 \\) 부화소 또는 \\( 1 / 4 \\) 부화소를 한 번에 생성한다. \\", "( 4 \\times 4 \\) 보간블록을 생성하기 위해 움직임", "벡터가 정수화소나 수평.수직 \\( 1 / 2 \\) 부화소일 때에는 \\(4\\) 회의 보간 연산을 한다.", "그러나 움직임 벡터가 대각선 방향의 \\( 1 / 2 \\) 부화소일 때에는 수평 \\( 1 / 2 \\) 부화소를 보간하고 대각선 \\( 1 / 2 \\) 부화소를 구하여 총 \\(9\\) 회의 보간 연산을 한다.", "따라서 \\(4\\) 개의 6-Tap FIR 필터를 병렬화한 연구는 움직임 벡터에 따라 연산 횟수가 달라 가변적인 제어를 해야 하고, 대각선 \\( 1 / 2 \\) 부화소 보간에서 늘어난 연산횟수 때문에 실시간 처리는 저해상도 영상으로 제한된다.", "가변적인 제어 복잡도를 해결하고 대각선 \\( 1 / 4 \\) 부화소의 연산횟수를 단축시킨 연구 (2-D FIR 보간 필터)는 수평.대각선 \\( 1 / 2 \\) 부화소 보간", "및 \\( 1 / 4 \\) 부화소 보간의 데이터 종속을 퐈이프라인 구조로 병행 처리하여 \\(1\\) 개 보간 화소를 구하는 연산의 횟수를 최소화하였다.", "그러나 \\(1\\) 개 보간 화소 생성을 위한 참조 화소의 입력지연시간이 길고 \\( 4 \\times 4 \\) 블록 보간 화소 생성 시 인접 보간 화소 간 재사용이 없어 중복연산 된다.", "이 같은 입력지연시간과 중복연산을 줄이기 위해서 연구(Separate 1-D FIR 보간 필터)는 수평 \\( 1 / 2 \\) 부화소를 생성하는 1-D FIR 보간 필터와 수직과 대각선 \\( 1 / 2 \\) 부화소를 생성하는 1-D FIR 보간 필터가 각각 병렬 연산한다.", "수평 \\( 1 / 2 \\) 부화소를 생성할 때 사용한 참조 화소를 수직-대각선 \\( 1 / 2 \\) 부화소를 생성할 때 재사용하여 중복연산 및 입력지연시간을 감소시켰으며, 또한 수평 \\( 1 / 2 \\) 부화소 생성 결과를 대각선 \\( 1 / 2 \\) 부화소 생성에 재사용하였다.", "그러나 Separate 1-D FIR 보간 필터구조는 \\( 4 \\times 1 \\) 라인단위로 보간 화소를 생성하는 병렬성의 제한 때문에 고해상도 FHD 영상의 실시간 처리까지만 가능한 연산처리 성능을 갖는다.", "이 같은 성능을 개선하고자 Separate 1-D FIR 보간 필터구조 2개를 이용한 연굼]는 인접한 \\( 4 \\times 4 \\) 블록 \\(2\\) 개 내에서 \\( 4 \\times 1 \\) 라인단위의 보간 연산을 처리 하여 기존 Separate 1-D FIR 보간 필터구조에 비해 연산처리성능을 \\(2\\) 배 증가시킬 수 있었다.", "그러나 인접한 \\( 4 \\times 4 \\) 블록의 참조화소들을 저장, 관리하고 연산결과를 동시에 제어하기 위한 연산회로의 복잡도로 인해 Separate 1-D FIR 보간 필터구조에 비해 면적이 \\( 2.7 \\) 배로 늘어났으며, 4K UHD (\\(3840 \\times 2160\\)) 를 실시간 처리하는데 동작주파수가 \\(2\\) 배로 증가하여 전력소모가 커지는 문제점을 보이고 있다.", "</p><p>본 연구에서는 4K UHD 영상에 대한 H.264/AVC 움직임보상을 실시간 처리하기 위해 \\( 4 \\times 4 \\) 블록 병렬 보간 필터 구조와 2D 캐쉬 버퍼 구조를 제안한다.", "제안하는 \\( 4 \\times 4 \\) 블록 병렬 보간 필터는 \\( 4 \\times 1 \\) 라인단위가 아닌 \\( 4 \\times 4 \\) 블록단위로 보간 화소를 생성할 수 있도록 부화소를 동시에 보간하는 평면 보간 연산구조로 설계하였다.", "평면 보간 연산구조는 수평 및 수직 \\( 1 / 2 \\) 부화소를 생성하는 \\(1\\) 단 평면 FIR 필터, 대각선 \\( 1 / 2 \\) 부화소를 생성하는 \\(2\\) 단 평면 FIR 필터, 그리고 마지막 \\( 1 / 4 \\) 부화소를 생성하는 \\(3\\) 단 평면 Bilinear 필터의 \\(3\\) 단 파이프라인 구조로 연산처리성능을 향상시켰다.", "그리고 \\( 4 \\times 4 \\) 블록단위 보간 연산 구조에서 요구되는 참조 화소를 실시간으로 공급하기 위해 2D 캐쉬 버퍼 구조로 설계했고, 움직임 벡터에 따른 중복적인 참조메모리 검색을 최소화하기 위해 검색 영역 간 재사용 기법을 사용하였다.", "</p><p>본 논문의 구성은 Ⅱ장에서 H.264/AVC 움직임보상의 \\( 4 \\times 4 \\) 블록 병렬 보간 연산 알고리즘을 설명하고, Ⅲ장에서는 제안하는 \\( 4 \\times 4 \\) 블록 병렬 보간 움직임보상기 아키텍처에 대해 설계한다.", "Ⅳ장에서는 새로운 아키텍쳐의 성능을 다른 연구결과와 비교하며, 마지막으로 Ⅴ장에서는 결론을 맺는다.", "</p>Ⅴ <h1>II. H.264/AVC 움직임보상 연산의 4 x 4 블록 병렬 보간</h1><p>H.264/AVC 움직임보상은 움직임 벡터가 가리키는 블록의 참조 화소들을 참조프레임으로 부터 가져와 현재 영상을 복원한다.", "움직임보상의 보간 연산은 그림 1과 같이 \\( 1 / 2 \\) 부화소와 \\( 1 / 4 \\) 부화소 보간을 수행한다.", "수직 \\( 1 / 2 \\) 부화소 (h, m) 보간은 참조프레임의 정수화소 ({A, C, G, M, R, T}), {B, D, H, N, S, U}) 를 6-Tap FIR 필터 연산으로 생성한다.", "수평 \\( 1 / 2 \\) 부화소 (b, s) 보간은 참조프레임의 정수화소 ({E, F, G, H, I, J}, {K, L, M, N, P, Q}) 를 6 -Tap FIR 필터 연산을 통해 얻는다.", "대각선 \\( 1 / 2 \\) 부화소(j)의 경우 6 - Tap FIR 필터 연산으로 계산된 수평 \\( 1 / 2 \\) 부화소(aa, bb, b, s, gg, hh)또는 수직 \\( 1 / 2 \\) 부화소({cc, dd, h, m, ee, ff}) 를 6-Tap FIR 필터 연산하여 생성한다. \\", "( 1 / 4 \\) 부화소 보간은 외부 \\( 1 / 4 \\) 부화소(a, c, d, n, e, g, p, r)보간과 내부 \\( 1 / 4 \\) 부화소(f, i, k, q)보간으로 나뉜다.", "외부 \\( 1 / 4 \\) 부화소 보간은 정수화소와 수평 \\( 1 / 2 \\) 부화소간 또는 정수화소와 수직 \\( 1 / 2 \\) 부화소간 또는 수평 \\( 1 / 2 \\) 부화소와 수직 \\( 1 / 2 \\) 부화소간 bilinear연산으로 생성한다.", "반면 내부 \\( 1 / 4 \\) 부화소 보간은 수평 및 수직 \\( 1 / 2 \\) 부화소와 대각선 \\( 1 / 2 \\) 부화소간 bilinear연산으로 생성한다.", "따라서 \\( 1 / 2 \\) 부화소 및 \\( 1 / 4 \\) 부화소 보간 연산은 그림 2 와 같은 데이터 종속성을 가진다.", "그러므로 보간 화소 \\(16\\) 개를 생성하기 위해서는 그림 2 의 순환 연산과정을 \\(16\\) 회 반복 수행해야 한다.", "</p><p>부화소 보간 연산 단위를 기존 \\(1\\) 개 정수화소(G)의 인접 부화소에서 \\( 1 \\times 4 \\) 라인 화소의 인접 부화소로 병렬 확장한 Separate 1-D FIR 보간 연산은 그림 3과 같이 나타난다.", "그림 3 (a)와 같이 수평 \\( 1 / 2 \\) 부화소 보간 과정에서는 \\( 1 \\times 4 \\) 개의 6-Tap FIR 필터가 입력된 \\( 1 \\times 9 \\) 정수화소를 공유, 참조하여 수평 \\( 1 / 2 \\) 부화소 \\( 1 \\times 4 \\) 개를 생성한다.", "그리고 그림 3 (b)와 같이 수직 \\( 1 / 2 \\) 부화소 보간 과정에서는 \\( 1 \\times 5 \\) 개의 6-Tap FIR 필터가 수평 \\( 1 / 2 \\) 부화소 보간에서 사용한 \\( 6 \\times 9 \\) 정수화소를 재사용하여 수직 \\( 1 / 2 \\) 부화소 \\( 1 \\times 5 \\) 개를 생성한다.", "그리고 그림 3 (c)와 같이 대각선 \\( 1 / 2 \\) 부화소 보간 과정에서는 \\( 1 \\times 4 \\) 개의 6-Tap FIR 필터가 수직 \\( 1 / 2 \\) 부화소 보간에서 생성한 \\( 6 \\times 4 \\) 개의 \\( 1 / 2 \\) 부화소를 재사용하여 대각선 \\( 1 / 2 \\) 부화소 \\( 1 \\times 4 \\) 개를 생성한다.", "마지막으로 그림 3 (d)와 같이 \\( 1 / 4 \\) 부화소 보간은 \\( 5 \\times 5 \\) 개의 참조화소와 앞서 구한 수평·수직·대각선 \\( 1 / 2 \\) 부화소를 Bilinear 필터 연산하여 \\( 4 \\times 4 \\) 개의 \\( 1 / 4 \\) 부화소를 생성한다.", "따라서 그림 4 와 같이 \\( 4 \\times 4 \\) 블록 보간 화소를 구하기 위해서는 \\( 1 \\times 9 \\) 정수화소를 \\(9\\) 회에 걸쳐 참조해야 하고, 수평 \\( 1 / 2 \\) 부화소 보간 연산을 \\(9\\) 번을 수행하며, 수직, 대각선 \\( 1 / 2 \\) 부화소 보간 연산을 각 \\(4\\) 회, \\( 1 / 4 \\) 부화소 보간 연산은 \\(1\\) 회 수행해야 한다.", "</p><p>제안하는 움직임보상은 부화소 보간 연산 단위를 \\( 4 \\times 4 \\) 블록화소 단위로 병렬 확장하여 연산처리성능을 높이고 보간 연산 과정에서 사용되는 참조화소들을 공유하여 메모리 검 색량을 줄이고자 하였다.", "그림 5 와 같이 \\( 4 \\times 4 \\) 블록 병렬 보간 연산 연산과정은 수평.수직 \\( 1 / 2 \\) 부화소 보간, 대각선 \\( 1 / 2 \\) 부화소 보간, \\( 1 / 4 \\) 부화소 보간으로 \\(3\\)단계로 구성된다.", "먼저 수평.수직 \\( 1 / 2 \\) 부화소 보간 연산은 \\( 9 \\times 9 \\) 개의 참조화소를 공유한다. \\", "( 9 \\times 9 \\) 개의 참조화소를 \\( 4 \\times 9 \\) 개의 6-Tap FIR 필터 연산하여 \\( 4 \\times 9 \\) 개의 수평 \\( 1 / 2 \\) 부화소를 구하고, \\( 9 \\times 9 \\) 개의 참조화소 중 \\( 5 \\times 9 \\) 개의 참조화소를 \\( 5 \\times 4 \\) 개의 6-Tap-FIR 필터 연산하여 \\( 5 \\times 4 \\) 개의 수직 \\( 1 / 2 \\) 부화소를 구한다.", "대각선 \\( 1 / 2 \\) 부화소 보간에는 \\( 4 \\times 9 \\) 개의 수평 \\( 1 / 2 \\) 부화소를 \\( 4 \\times 4 \\) 개의 6 - Tap FIR 필터 연산하여 \\( 4 \\times 4 \\) 개의 대각선 \\( 1 / 2 \\) 부화소를 구한다. \\", "( 1 / 4 \\) 부화소 보간은 Separate 1-D FIR 보간 연산과 마찬가지로 \\( 5 \\times 5 \\) 개의 참조화소와 앞서 구한 수평.수직.대각선 \\( 1 / 2 \\) 부화소를 Bilinear 필터 연산하여 \\( 4 \\times 4 \\) 개의 \\( 1 / 4 \\) 부화소를 생성한다.", "그림 6 는 \\( 1 / 2 \\) 부화소 및 \\( 1 / 4 \\) 부화소 보간 연산의 \\( 4 \\times 4 \\) 블록 병렬화된 연산과정을 보인다.", "부화소 보간 연산 단위를 \\( 4 \\times 4 \\) 블록단위로 확장시키면 보간 연산을 위한 참조화소들의 공유가 가능하며, 기존 \\( 1 / 2 \\) 부화소 및 \\( 1 / 4 \\) 부화소 보간 연산 과정이 반복되던 것을 \\(1\\) 회로 줄여 연산처리 성능이 향상시킬 수 있다.", "</p><p>본 연구에서는 보간 연산의 라인단위의 병렬화뿐만 아니라, 블록단위의 병렬처리를 할 수 있는 \\( 4 \\times 4 \\) 블록크기의 병렬 보간 연산인 \\( 4 \\times 4 \\) 블록 병렬보간 필터를 제안한다.", "실제로 매크로블록 단위에 대해 표 1은 H.264의 가변 블록을 지원할 수 있는 규격의 참조화소의 입력량, 입력횟수 및 보간 연산의 연산기 개수, 연산횟수, 매크로블록당 처리량과 처리성능 비율을 병렬화 적용되지 않은 경우(표준안)과 적용된 경우(Sep. 1-D, 4×4블록)에 대해서 비교 분석하였다. \\", "( 4 \\times 4 \\) 블록 병렬보간 필터는 모든 부화소 보간 연산을 \\(1\\) 회로 처리하여서 매크로 블록에서 단지 \\(1,408\\) 의 연산량을 필요로 한다.", "이는 표준안의 연산결과의 공유가 없을 때보다 처리성능 비율이 \\(2.91\\)이나 개선하였으며, Separated 1-D FIR필터보다 \\(1.74\\)이상 처리성능향상 효과를 보였다.", "</p> <h2>3. 4 X 4 블록 병렬연산 보간 연산기</h2><p>\\( 4 \\times 4 \\) 블록 병렬연산 보간 연산기는 2D 캐쉬 버퍼로부터 보간 연산을 위해 필요한 \\( 9 \\times 9 \\) 개의 참조화소를 입력받아 \\( 4 \\times 4 \\) 예측 블록을 생성한다.", "그림 14 는 \\(3\\) 단 파이프 라인으로 동작하는 \\( 4 \\times 4 \\) 블록 병렬연산 보간 연산기의 구조를 보여준다.", "각 단계의 입출력을 살펴보면 평면형태의 부화소가 생성됨을 알 수 있다.", "첫 번째 단계에서 \\( 9 \\times 9 \\) 정수화소를 입력받아 \\( 4 \\times 9 \\) 개의 수평 \\( 1 / 2 \\) 부화소와 \\( 4 \\times 5 \\) 개의 수직 \\( 1 / 2 \\) 부화소를 동시에 생성한다.", "두 번째 단계에서 첫 번째 단계에서 생성한 \\( 4 \\times 9 \\) 개의 수평 \\( 1 / 2 \\) 부화소를 입력받아 \\( 4 \\times 4 \\) 개의 대각선 \\( 1 / 2 \\) 부화소를 생성한다.", "마지막으로 세 번째 단계에서 앞 서 생성한 \\( 1 / 2 \\) 화소들과 정수화소들을 입력받아 \\( 4 \\times 4 \\) 개의 \\( 1 / 4 \\) 화소들을 생성한다.", "그리고 마지막으로 \\( 4 \\times 4 \\) 개의 정수화소, 수평방향 \\( 1 / 2 \\) 화소, 대각선 방향 \\( 1 / 2 \\) 화소, 수직방향 \\( 1 / 2 \\) 화소 및 \\( 1 / 4 \\) 화소들 중 하나를 선택하여 \\( 4 \\times 4 \\) 의 예측 블록을 생성한다.", "</p><p>각 단계에서의 연산기 구조를 살펴보면 그림 15 와 같다.", "1 단 평면 FIR 필터는 수평·수직 \\( 1 / 2 \\) 부화소를 동시에 생성할 수 있도록 수평 6 Tap FIR 필터 \\(36\\) 개를 \\( 4 \\times 9 \\) 어레이 형태로 구성하고 수직 6 Tap FIR 필터 \\(20\\)개를 \\( 5 \\times 4 \\) 어레이 형태로 배치하였다. \\", "(1\\) 단 평면 FIR 필터는 \\( 9 \\times 9 \\) 개의 참조화소를 수평방향 \\( 1 / 2 \\) 보간 연산하여 \\( 4 \\times 9 \\) 개의 수평 방향 \\( 1 / 2 \\) 화소를 생성하고, \\( 9 \\times 9 \\) 개의 참조화소 중 \\( 5 \\times 9 \\) 개의 참조화소를 수직방향 \\( 1 / 2 \\) 보간 연산으로 \\( 5 \\times 4 \\)개의 수직 방향 \\( 1 / 2 \\) 화소를 생성한다.", "대각선 \\( 1 / 2 \\) 부화소 각 단계에서의 연산기 구조를 살펴보면 그림 15 와 같다.", "1 단 평면 FIR 필터는 수평·수직 \\( 1 / 2 \\) 부화소를 동시에 생성할 수 있도록 수평 6 Tap FIR 필터 \\(36\\) 개를 \\( 4 \\times 9 \\) 어레이 형태로 구성하고 수직 6 Tap FIR 필터 \\(20\\)개를 \\( 5 \\times 4 \\) 어레이 형태로 배치하였다. \\", "(1\\)단 평면 FIR 필터는 \\( 9 \\times 9 \\) 개의 참조화소를 수평방향 \\( 1 / 2 \\) 보간 연산하여 \\( 4 \\times 9 \\) 개의 수평 방향 \\( 1 / 2 \\) 화소를 생성하고, \\( 9 \\times 9 \\) 개의 참조화소 중 \\( 5 \\times 9 \\) 개의 참조화소를 수직방향 \\( 1 / 2 \\) 보간 연산으로 \\( 5 \\times 4 \\)개의 수직 방향 \\( 1 / 2 \\) 화소를 생성한다.", "대각선 \\( 1 / 2 \\) 부화소를 생성하는 \\(2\\)단 평면 FIR 필터는 수직 6 Tap FIR 필터 \\(16\\) 개를 \\( 4 \\times 4 \\) 어레이로 구성되었다. \\", "(1\\) 단 평면 FIR 필터로 부터 \\( 4 \\times 9 \\) 개의 수평방향 \\( 1 / 2 \\) 화소를 입력받아 수직방향으로 \\( 1 / 2 \\) 보간 연산을 수행하여 대각선방향의 \\( 1 / 2 \\) 화소 \\( 4 \\times 4 \\) 개를 생성한다.", "마지막 \\(3\\)단 평면 Bilinear 필터는 \\( 4 \\times 4 \\) 어레이 구조로 Bilinear 필터 \\(16\\) 개를 구성하여 앞 서 생성한 \\( 1 / 2 \\) 화소들과 정수화소들을 입력받아 \\( 1 / 4 \\) 화소들을 생성하도록 설계하였다.", "</p> <h1>V.", "결 론</h1><p>본 연구에서는 H.264 \\( 4 \\times 4 \\) 블록 병렬 움직임보상기를 제안하여 \\( 4 \\mathrm{~K}\\) UHD 영상을 실시간 처리하는데 주파수를 낮추고 전력소모를 줄이고자 하였다.", "연산처리성능을 향상시키고자 보간 연산을 \\( 4 \\times 4 \\) 블록단위로 병렬화하여 매 사이클 마다 \\( 4 \\times 4 \\) 블록 보간 화소를 생성하며 \\( 4 \\times 4 \\) 블록단위 보간 연산구조에서 요구되는 참조 화소를 공급하기 위해 2D 캐쉬 버퍼를 제안하였고, 외부메모리에 대한 검색을 줄이고자 검색영역 간 재사용 기법을 사용 하였다.", "제안된 \\( 4 \\times 4 \\) 블록 병렬 보간 움직임보상기 구조를 \\(0.13um\\)공정에서 시뮬레이션한 결과, 게이트 수는 \\( 161 \\mathrm{~K} \\) 게이트이며, 동작주퐈수는 \\( 150 \\mathrm{MHz} \\) 이다.", "이 같은 결과는 기존 연구들에 비해 \\( 1.4 \\) 배의 면적이 증가하였으나, 연산처리성능은 \\( 7.6 \\) 배 향상되어 \\( 4 \\mathrm{~K}) UHD 영상을 \\( 72 \\mathrm{fps} \\) 로 실시간 처리함을 보였다.", "</p> <h1>III.", "4X4 블록 병렬 보간 움직임보상기 아키텍처</h1><h2>1. 움직임보상기 아키텍처 설계</h2><p>제안된 \\( 4 \\times 4 \\) 블록 병렬 움직임보상기는 그림 7 와 같이 2D 캐쉬 버퍼와 \\( 4 \\times 4 \\) 블록 병렬 보간 필터로 구성된다.", "2D 캐쉬 버퍼는 \\( 4 \\times 4 \\) 블록단위 보간 연산에 필요한 참조 화소( \\( 9 \\times 9 \\) 화소)를 공급하는 버퍼이며, \\( 4 \\times 4 \\) 블록 병렬 보간 필터는 수평·수직·대각선 \\( 1 / 2 \\) 부화소와 \\( 1 / 4 \\) 부화소를 생성하는 연산기이다.", "2D 캐쉬 버퍼는 움직임 벡터에 따른 중복적인 참조메모리 검색을 최소화하기 위하여 검색영역 간 재사용 기법을 사용한다.", "검색영역 간재사용 기법은 이웃한 수평·수직 검색영역 간 중첩되는 부분을 재사용하기 위한 방법으로 외부메모리에 대한 중복검색을 \\(1\\) 회로 감소시킬 수 있다.", "또한 2D 캐쉬 버퍼는 \\( 4 \\times 4 \\) 블록단위 보간 연산에 사용되는 참조 화소( \\( 9 \\times 9 \\) 화소)를 공급하기 위해 병렬 출력이 가능한 메모리 어레이 구조로 설계되었다.", "2D 캐쉬 버퍼와 \\( 4 \\times 4 \\) 블록 병렬 보간 필터는 필요한 \\( 9 \\times 9 \\) 개의 참조데이터 \\( 1: 1 \\)로 연결되어 \\( 4 \\times 4 \\) 블록 병렬 움직임보상기를 구성한다. \\", "( 4 \\times 4 \\) 블록 병렬 보간 필터는 수평·수직.대각선 \\( 1 / 2 \\) 부화소와 \\( 1 / 4 \\) 부화소를 평면형태로 생성하기 위해 \\(3\\) 단 평면 보간 연산 파이프라인 구조를 갖는다. \\", "(1\\)단계에서는 수평·수직 \\( 1 / 2 \\) 부화소 보간을 위해 \\(56\\) 개의 FIR 필터가, \\(2\\)단계에서 대각선 \\( 1 / 2 \\) 부화소 보간을 위해 \\(16\\) 개의 FIR 필터가, \\(3\\)단계에서는 \\( 1 / 4 \\) 부화소 보간을 위해 \\(16\\) 개의 Bilinear 필터가 평면 형태로 할당되어 파이프라인 동작으로 처리성능을 높이고자 하였다.", "</p><h2>2. 2D 캐쉬 버퍼</h2><p>2D 캐쉬 버퍼는 \\( 4 \\times 4 \\) 블록단위 보간 연산에 필요한 참조 화소( \\( 9 \\times 9 \\) 화소)를 공급하는 버퍼이며, 움직임 벡터에 따른 중복적인 참조메모리 검색을 최소화하기 위하여 검색영역 간 재사용 기법을 사용한다.", "검색영역 간 재사용 기법은 외부메모리에 대한 검색량을 줄이기 위해 현재의 검색영역과 이웃한 수평.수직의 검색영역과 중첩되는 부분을 미리 저장하여 다음 검색영역에서 재사용하는 방법이다.", "그림 8 에서 참조 프레임의 크기는 Height와 Width로 표현되며, 검색영역의 한 면의 크기는 M으로, 매크로블록의 한 면의 크기는 N으로 나타내었다.", "먼저 수평으로 인접한 검색영역 #1과 #2의 경우 검색영역 #1의 좌측 \\((\\mathrm{M}-\\mathrm{N}) \\times \\mathrm{N}\\) 를 재사용하고 검색영역 #2 의 우측 \\( \\mathrm{N} \\times \\mathrm{M} \\) 을 외부메모리에서 검색하게 되면 외부 메모리 검색량을 줄일 수 있다.", "또한 검색 영역 #5는 수직으로 인접한 검색영역 #4의 \\( \\mathrm{M} \\times(\\mathrm{M}-\\mathrm{N}) \\) 를 재사용하고 부족한 하단의 \\( \\mathrm{M} \\times \\mathrm{N} \\) 영역이 요구되지만 이미 검색영역 #3에서 검색영역 #5에 필요한 \\( (\\mathrm{M}-\\mathrm{N}) \\times \\mathrm{N} \\) 이 재사용 가능하여 \\( \\mathrm{M} \\times \\mathrm{N} \\) 보다 훨씬 적은 \\( \\mathrm{N} \\times \\mathrm{N} \\) 의 외부메모리 검색으로 검색을 줄일수 있다.", "따라서 검색영역 간 재사용 기법을 사용하기 위해 2D 캐쉬 버퍼에 \"Width \\( \\times(\\mathrm{M}+\\mathrm{N}) \\) \" 크기의 참조 데이터를 저장하고, 매크로 블록에 따라 검색영역이 이동할 때마다 \\( \\mathrm{N} \\times \\mathrm{N} \\) 만큼의 참조 데이터를 외부메모리로부터 2D 캐쉬 버퍼로 이동하면 외부 메모리의 검색을 최소로 줄일 수 있다.", "</p><p>2D 캐쉬 버퍼는 매크로블록에 따라 검색영역이 이동할 때마다 매크로블록 \\( (16 \\times 16) \\) 크기의 데이터를 저장하고, \\( 4 \\times 4 \\) 블록단위 보간 연산을 위해 \\( 9 \\times 9 \\) 화소 크기의 데이터를 출력한다.", "움직임", "보상은 매크로블록단위로 수행되지만 가변블록크기를 지원하기 용이하도록 최소블록인 \\( 4 \\times 4 \\) 블록 단위로 나누어 처리된다. \\", "( 4 \\times 4 \\) 블록 단위의 움직임 보상은 \\( 9 \\times 9 \\) 개의 참조화소를 2D 캐쉬 버퍼에 \\(16\\) 회 요구하기 때문에 \\(1\\) 회 저장되는 매크로블록단위가 아닌 그림 9 (a)와 같이 참조 프레임을 \\( 9 \\times 9 \\) 정수화소 단위로 분할하고 그림 9 (b)와 같이 \\( 9 \\times 9 \\) 개의 메모리 어레이에 구성하여 저장하였다.", "이에 따라 보간 연산에 필요한 \\( 9 \\times 9 \\) 개의 참조화소를 동시에 검색하기에 효과적인 구조를 갖는다.", "그러나 2D 캐쉬 버퍼는 매크로블록 단위로 저장된 외부 메모리의 메모리 사상과 적합하지 않아 최소 \\(4\\) 개의 쓰기 주소를 갖는다.", "</p><p>2D 캐쉬 버퍼는 움직임벡터에 따라 보간 연산에 필요한 \\( 9 \\times 9 \\) 정수화소를 \\( 4 \\times 4 \\) 블록 병렬 보간 필터에 공급한다.", "그림 10 과 같이 움직임벡터에 따라 2D 캐쉬 버퍼 읽기 주소는 4가지 주소형태(1)-81개 모두 동일주소, (2)-좌우분할 주소, (3)-상하분할 주소, (4)-4분할 주소)를 갖는다.", "2D 캐쉬 버퍼 읽기 주소가 모두 동일주소일 경우에는 2D 캐쉬 버퍼의 출력되는 화소와 보간 연산에 입력되는 화소 간 정렬이 맞지만, 2D 캐쉬 버퍼 읽기 주소가 분할주소를 갖는 경우에는 2D 캐쉬 버퍼의 출력되는 화소와 보간 연산에 입력되는 화소 간 정렬이 어긋난다.", "그림 11 (a)에서와 같이 \\(4\\) 분할 주소를 갖는 경우에는 그림 11 (b)와 같이 \\( 9 \\times 9 \\) 어레이 메모리에 데이터를 요청하고 그림 11 (c)와 같이 정렬된 데이터가 2D 캐쉬 버퍼에 출력된다.", "따라서 \\(4\\) 분할주소를 갖는 경우 2D 캐쉬 버퍼는 그림 11 (d)와 같이 데이터를 재정렬해야 하는 과정이 필요하며, 그림 12 와 같이 2D 캐쉬 버퍼는 움직임벡터에 따라 보간 연산에 필요한 \\( 9 \\times 9 \\) 정수화소를 출력하는 2D 메모리 어레이와 \\( 9 \\times 9 \\) 정수화소를 재정렬하는 양방향 순환버퍼로 구성된다.", "</p><p>움직임벡터에 따라 보간 연산에 필요한 \\( 9 \\times 9 \\) 정수화소를 출력하기 위해 2D 메모리 어레이는 매크로블록 숫자와 움직임벡터 (x, y) 를 이용하여 2D 메모리 어레이의 읽기 주소를 생성한다.", "매크로블록 숫자와 움직임벡터 (x, y) 에 따라 2D 메모리 어레이의 읽기 주소는 \\(4\\) 가지 주소 형태를 가지며 경우에 맞춰 2D 메모리 어레이의 각 메모리에 읽기주소가 공급된다.", "양방향 순환 버퍼는 2D 메모리 어레이의 주소가 분할 주소를 갖는 경우 \\( 9 \\times 9 \\) 개의 참조화소를 재정렬하여 보간 필터에 전달한다.", "그림 13 은 양방향 순환버퍼의 동작을 나타내고 있다.", "2D 메모리 어레이의 읽기주소가 좌우분할주소를 갖는 경우에는 2D 메모리 어레이의 데이터를 가로방향으로 정렬하고, 상하 분할주소를 갖는 경우에는 2D 메모리 어레이의 데이터를 세로방향으로 정렬하고, \\(4\\) 분할주소를 갖는 경우에는 2D 메모리 어레이의 데이터를 대각선 방향으로 정렬시켜 보간 연산기가 요구하는 형태로 참조화소들을 재정렬 한다.", "</p> <h1>IV.", "실험 및 분석</h1><p>제안된 \\( 4 \\times 4 \\) 블록 병렬 움직임보상기를 \\(0.13um\\) 공정에서 시뮬레이션하여 표 2 에 기존 연구와 비교하였다.", "먼저 메모리 대역폭을 매크로블록당 검색 사이클과 메모리 크기로 비교해보면 연구 [7]는 인접한 서브 블록 간에 입력된 참조화소의 일부를 연산기내에 레지스터를 저장함으로써 다음 서브블록의 데이터 입력 지연시간을 줄였다.", "연구 [4]는 인접한 매크로블록 \\(2\\) 개간의 참조 화소 영역을 통합하는 MB level unification으로 인해 \\(2\\mathrm{KBytes}\\) 크기의 메모리를 갖는다.", "연구 [9]는 연구 [4]를 확장시켜 인접한 매크로블록 \\(3\\)개를 통합하여 참조영역에 대한 \\( 36 \\mathrm{KBytes} \\) 의 메모리 크기를 가져 검색 사이클을 \\(105\\) 회로 줄인 반면, 제안하는 2D 캐쉬 버퍼는 수평/수직 검색영역 모두를 저장해 \\( 234 \\mathrm{Kbytes} \\) 의 메모리 크기를 요구하여 연구 [9] 보다 약 \\( 6.5 \\) 배 더 큰 메모리를 사용함으로써 면적이 증가되었다.", "그러나 2D 캐쉬 버퍼는 모든 참조 화소에 대해 한번에 검색이 가능하고 \\( 9 \\times 9 \\) 메모리 어레이 구조를 적용하여 대역폭을 \\(9\\) 배로 증가시켜 검색 사이클 수가 \\( 15.2 \\% \\) 로 감소되므로 짧은 검색 사이클과 높은 대역폭을 제공할 수 있다.", "</p><p>또한 보간 연산기의 병렬성을 FIR 필터의 개수로 비교해보면 기존 Separated 1-D FIR 필터구조는 1-D FIR 필터구조의 임계경로를 줄였으나 움직임벡터에 따라 임계경로가 가변적이여서 두 연구 모두 Full-HD로 처리성능이 제한된다.", "연구 [9]는 기존 Separated 1-D FIR 필터구조를 사용하면서 병렬화를 \\(2\\) 배로 늘려 \\(24\\) 개의 FIR 필터로 구성되어 매크로블록당 \\(123\\) 사이클이 소요되는 반면, 제안하는 구조는 \\(72\\) 개의 FIR 필터를 사용하여 \\(16\\) 사이클로 처리성능을 가지며 논문 [9]의 비해 \\(7.6\\) 배 높은 연산처리성능(Throughput)을 보이고 있다.", "또한 연구 [9]와의 면적을 게이트 수로 비교해 본 결과, FIR 필터 크기와 관련된 보간 연산기의 크기는 기존 연구 대비 \\( 2.6 \\) 배 커졌으며, 움직임보상기의 크기는 \\( 1.4 \\) 배 커진 결과이다.", "이 같은 결과는 보간 연산기가 움직임", "보상 내에서의 크기에 영향이 크지 않음을 보이는 결과이다.", "마지막으로 움직임보상기의 처리성능을 비교해 면, 기존 연구 [9] 는4K UHD 동영상을 \\(30\\mathrm{fps}\\)로 실시간 처리하기 위해 \\( 200 \\mathrm{MHz} \\) 라는 높은 주파수를 요구하는 반해, 제안하는 \\( 4 \\times 4 \\) 블록 병렬 보간 움직임보상기는 \\( 4 \\mathrm{~K}\\) UHD동영상을 \\( 72 \\mathrm{fps} \\) 로 실시간 처리하는데 \\( 150 \\mathrm{MHz} \\) 라는 낮은 주파수를 요구한다.", "따라서 제안된 \\( 4 \\times 4 \\) 블록 병렬 움직임보상기는 \\( 4 \\mathrm{~K} \\) UHD 영상을 실시간 처리함은 물론, 동작주파수 또한 낮아 전력소모를 줄일 수 있다.", "</p><table border><caption>표 2. 기존 움직임보상 성능비교</caption><tbody><tr><td colspan=2>아키텍처</td><td>1-D[4]</td><td>separate 1-D[7]</td><td>separate 1-D[9]</td><td>4x4 블록 (Proposed)</td></tr><tr><td colspan=2>메모리 접근 기법</td><td>MB level unification</td><td>Horizontal -switch approach</td><td>MB-row level unification</td><td>Search areal stripe reuse</td></tr><tr><td colspan=2>메모리크기 (KBytes)</td><td>2</td><td>n/a</td><td>36</td><td>234</td></tr><tr><td colspan=2>매크로블록당 검색 사이클수</td><td>n/a</td><td>391.8</td><td>105</td><td>16</td></tr><tr><td rowspan=2>보간 연산기</td><td>개수</td><td>1</td><td>1</td><td>2</td><td>1</td></tr><tr><td>구성</td><td>4 FIR</td><td>4 H FIR/ 9 V FIR</td><td>4 H FIR/ 8 V FIR</td><td>36 H FIR/ 20 V FIR/ 16 D FIR</td></tr><tr><td colspan=2>매크로블록당 클럭 사이클수</td><td>304</td><td>560</td><td>123</td><td>16</td></tr><tr><td colspan=2>공정(um)</td><td>0.18</td><td>0.18</td><td>0.13</td><td>0.13</td></tr><tr><td rowspan=2 colspan=2>면적 (gates) 보간 연산기 움직임", "보상기</td><td>13,027</td><td>20,686</td><td>14,960</td><td>77,748</td></tr><tr><td>32,000</td><td>43,000</td><td>117,77</td><td>161,435</td></tr><tr><td colspan=2>동작주파수 (Mz)</td><td>100</td><td>100</td><td>200</td><td>150</td></tr><tr><td colspan=2>처리해상도</td><td>1920x1088</td><td>1920x1088</td><td>3840x2160</td><td>3840x2160</td></tr><tr><td colspan=2>실시간 복호화 성능</td><td>FHD @30fps</td><td>FHD @30fps</td><td>4K UHD @30fps</td><td>4K UHD @72fps</td></tr></tbody></table>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "\\(4\\mathrm{K}\\) UHD급 H.\\(264\\)/AVC 복호화기를 위한 \\(4 \\times 4\\) 블록 병렬 보간 움직임보상기 아키텍처 설계", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-13e1d13c-527a-43ba-8510-97046bfb694c", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2013", "doc_author": [ "이경호", "공진흥" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
402	<h1>III. 수조실험 및 통신채널 특성</h1><p>잔향음 우세 환경에서 채널 특성에 따른 통신성능을 확인하기 위해 \( 5 \times 5 \times 5 \mathrm{~m}^{3} \) 수조에서 실험을 수행하였다. 실험 당시 측정한 음속은 \( 1453 \mathrm{~m} / \mathrm{s} \)로 모든 수심에 대해 일정하였다. 무지향성 송신기(ITC-1007, GAVIAL), 수신기(TC-4014, RESON)는 다른 지연확산 특성을 갖는 두 가지 환경에서 서로 다른 수심에 설치하였다. set 1의 경우 송신기와 수신기간 수평거리 \(R\)은 \( 4 \mathrm{~m} \), 송신기 수심 \( h_{s} \) 및 수신기 수심 \( h_{r} \) 은 \( 1 \mathrm{~m} \)였기, set 2의 경우 송신기와 수신기간 수평거리는 \( 4 \mathrm{~m} \), 송신기 수심 및 수신기 수심은 \(4 \mathrm{m} \)에 설치하였다. 실험 중 수면의 움직임과 송·수신기 간의 상대적인 이동이 없이 고정된 상태였고 수조 내의 소음환경은 매우 조용한 환경 (\( \mathrm{SNR} \approx 65 \mathrm{~dB} \))으로 다중경로 지연시간 특성만을 이용하여 통신성능과의 상관관계를 분석하였다.</p><p>송신신호는 탐침신호와 Binary Phase-Shift Keying(BPSK) 변조방식의 통신신호로 구성되었다. 통신신호는 길이 \( 4 \mathrm{~s} \), 중심주파수 \( 15 \mathrm{kHz} \)이며 정보전달을 위한 \( 3.2 \mathrm{~s}\)(\(1000 \mathrm{sym} / \mathrm{s} \)의 경우 \( 3200 \mathrm{symbols} \))의 데이터 시퀀스와 잔여 ISI 제거와 기저대역 채널 추정을 위한 \( 0.8 \mathrm{~s}\)(\(1000 \mathrm{sym} / \mathrm{s} \) 경우 \( 800 \mathrm{symbols} \)) 훈련시퀀스로 구성된다. 신호는 수조 내 통신채널의 지연시간과 통신성능 간의 상관관계를 확인하기 위해 Table 1과 같이 총 15가지 심볼 전송속도로 설계되었고, 저주파수 통과필터에 의한 ISI의 영향을 최소화하기 위해 롤 오프인자 0.5인 제곱근 상승 코사인 필터를 사용하였다.</p><p>탐침신호는 길이 \( 50 \mathrm{~ms} \)의 선형 주파수 변조(Linear Frequency Modulation, LFM)로 통신 대역폭과 동일한 주파수 범위로 설계하였고 정합 필터링으로부터 도출된 채널 응답을 통해 통신신호를 동기화하였다. Fig. 3은 \( 9 \mathrm{kHz} \sim 21 \mathrm{kHz} \) LFM 신호 정합필터링 결과를 이용하여 도출한 set 별 채널 응답으로 처음에 도달된 경로의 에너지로 정규화하였고 수조 내에서 음파가 수면, 바닥 및 벽면 등에 다중 반사함에 따라 강한 잔향음이 발생하였다. 통신신호가 밀집한 다중경로를 통해 전달되면서 두 set 모두 다중경로 에너지가 \(\mathrm{dB}\) 스케일에서 선형적으로 감소하는 경향을 보이며 유사한 잔향시간을 보였다. 또한 처음으로 수신되는 채널의 에너지가 가장 센 set 1과 달리 set 2의 경우 처음 도달한 경로보다 약 \( 5 \mathrm{~ms} \) 이후에 바닥 및 벽면에 다중반사되어 수신된 것으로 추정되는 경로들이 중첩되어 더 강한 에너지의 음파가 수신되었고, 최대 초과 지연은 set 1이 set 2보다 길게 나타났다.</p><p>Fig. 4는 set 1에서 \( 100 \mathrm{sym} / \mathrm{s}\), \(400 \mathrm{sym} / \mathrm{s}\), \(1000 \mathrm{sym} / \mathrm{s} \), \( 4000 \mathrm{sym} / \mathrm{s} \)에 해당하는 통신신호의 훈련 시퀀스와 통신 시퀀스를 이용하여 추정한 기저대역 채널이다. \( 100 \mathrm{sym} / \mathrm{s} \)의 경우 \( 10 \mathrm{~ms} \) 의 상대적으로긴 심볼 시간에 의해 한 심볼 시간에 큰 에너지가 집중되어 있으며 \( 4000 \mathrm{sym} / \mathrm{s} \)의 경우 약 \( 20 \mathrm{~ms} \)까지의 심볼 시간에서 다중경로 에너지가 지연확산을 가지며 100개 이상의 심볼에 걸쳐 분산되어 있는 것을 확인할 수 있다.</p><p>Fig. 5는 앞서 추정한 기저대역 채널의 평균값을 이용하여 도출한 심볼 전송속도에 따른 Signal Inter-ference-plus-Noise Ratio(SINR), RMS 지연확산 및 최대 초과 지연이다. SINR은 다중경로의 주 에너지 대비 나머지 다중경로 에너지와 소음의 합에 대한 비율로 정의된다. 앞서 기저대역 채널에서 확인한 것과 같이 심볼 전송속도가 높아질수록 다중경로가 여러 심볼에 걸쳐 수신되기 때문에 우세 경로 에너지에 비해 나머지 다중경로에 너지가 커져 SINR이 감소하는 경향을 보였으며 본 환경에서는 set 1의 경우 심볼 선송속도 \( 320 \mathrm{sym} / \mathrm{s} \)에서, set 2의 겅우 \( 400 \mathrm{sym} / \mathrm{s} \)에서 0 에 가까운 값이 도출되었다. 또한 한 set 내에서 심볼 전송속도에 따라 다른 지연확산 특성을 보였다. set 1의경우 RMS 지연확산 평균값은 \( 6.7 \mathrm{~ms} \), 최대 초과 지연 핑균값은 \( 32.9 \mathrm{~ms} \)이고 set 2의 경우 RMS 지연확산 평균값은 \( 6.0 \mathrm{~ms} \), 최대 초과 지연 평균값은 \( 29.7 \mathrm{~ms} \) 로 set 1이 set 2보다 긴 다중경로 지연시간을 갖는 것으로 확인되었다.</p> <h1>I. 서 론</h1><p>천해에서의 음향통신신호는 경계면 반사 및 산란에 의해 다중경로를 통해 전달되며, 공기 중 전파통신에 이용되는 전자기파속도 (\( \sim 30 \text{만} \mathrm{km} / \mathrm{s} \))에 비해 낮은 음파 속도 (\( \sim 1.5 \mathrm{~km} / \mathrm{s} \))로 인해 긴 지연시간을 가지기 때문에 수중음향 통신채널은 대역제한 및 잔향 특성을 나타낸다. 뿐만 아니라 해양환경 변동과 해수면의 이동 및 송·수신기의 상대적인 움직임은 시간에 따른 다중경로 변화를 야기하여 채널 상관시간을 작게 만든다. 이러한 특성은 수중 음향통신에서 신호의 왜곡을 발생시켜 성능저하를 야기하기 때문에 통신 시스템을 설치하고자 하는 해양환경에서의 채널 특성을 분석하는 것은 매우 중요하다.</p><p>다중경로 지연확산과 관련하여 Root Mean Squared(RMS) 지연확산, \( E_{l} \) 및 \( E_{q} \)등 통신성능을 예측할 수 있는 다양한 파라미터가 연구되어 왔다. Son etal.은 채널 세기 임펄스 응답 함수의 정규화 누적 에너지를 이용하여 한 심볼 시간내의 에너지값을 \( E_{l} \)으로 정의하고 통신성능과의 상관관계를 규명하였다. Kimet al.은 Son et al.의 \( E_{l} \)을 착안하여 q-함수누적 크기의 한 심볼 시간 내의 크기 값을 \( E_{q} \)로 정의하고 통신성능과 비교하여 시역전 통신성능을 예측할 수있는 파라미터로써 제시하였다. 본 논문에서는 잔향음이 우세한 환경에서의 다중경로 지연시간 특성을 이용하여 심볼 전송속도를 결정할 수 있는 파라미터인 Symbol interval to Delay spread Ratio in reverberant environment (\( \mathrm{SDR}_{rev} \))를 정의하고 실험을 통해 통신성능과의 상관성을 검증하였다.</p><p>본 논문의 구성은 아래와 같다. Ⅱ장에서는 다중경로의 지연확산 특성과 통신성능 도출에 이용한 수동 시역전 통신 기법에 대해 설명한다. Ⅲ장에서는 실험환경과 송신신호 및 채널 특성 분석 결과에 대해 설명한다. Ⅳ장에서는 4가지 통신 복조 기법과 실험 환경에서 심볼 전송속도에 따른 통신성능 및 본 논문에서 정의한 파라미터와의 상관성 분석결과를 제시하며 Ⅴ장에서는 요약 및 결론을 맺는다.</p> <h1>IV. 실험 결과</h1><p>본 논문에서는 수동 시역전 기법과 등화기 및 위상 추적 방법의 조합으로 4가지 통신 복조 기법을 통해 심볼 전송속도별 통신성능을 Bit Error Rate(BER)과 출력 SNR로써 도출하였다. 첫번째 기법(case 1)으로 ISI를 제거하기 위해 결정 궤환 등화기를 이용하였고 두 번째 기법(case 2)으로 미세 위상 오프셋을 보상하기 위해 결정 궤환 위상 고정루프를 적용한 후 결정 궤환 등화기를 통해 잔여 ISI를 제거하였다. 세번째 기법(case 3)으로 수동 시역전 기법을 통해 ISI의 영향을 감소시킨후 결정 궤환 등화기로 잔여 ISI를 제거하였으며 네번째 기법(case 4)은 수동 시역전 후 결정 궤환 위상 고정 루프를 이용하여 위상 변동 보상, 결정 궤환 등화기로 잔여 ISI를 제거하였다. 결정 궤환 등화기의 앞먹임 탭 길이는 각 신호의 훈련 시퀀스를 이용하여 추정된 기저대역 채널의 최대 초과 지연에 상응하는 값으로 설정하고 되먹임 탭 길이는 앞먹임 탭 길이의 절반으로 설정하였다. 결정 궤환 등화기의 적응 알고리즘은 망각인자 0.99의 Recursive Least Square(RLS)를 사용하였다.</p><p>Fig. 6은 심볼 전송속도에 따른 통신성능 도출 결과이다(BER 성능은 0인 경우 그래프에서 표현되지 않음). set 1의 경우 case의 \( 700 \mathrm{sym} / \mathrm{s}\), \(900 \mathrm{sym} / \mathrm{s} \)을 제외한 \( 1000 \mathrm{sym} / \mathrm{s} \) 이하의 모든 복조 기법에 따른 BER이 내부분 error free이기나 0.01 이하의 성능을 보였으나 \( 1600 \mathrm{sym} / \mathrm{s} \) 이상의 심볼 전송속도에서는 BER성능이 0.2 이상인 복조 기법이 존재하면서 현저하게 나빠지는 것을 확인하였다. set 2의 경우는 set 1과 달리 \( 1600 \mathrm{sym} / \mathrm{s} \) 이하의 모든 복조 기법에 따른 BER이 0.001 이하의 성능을 보였고 \( 2000 \mathrm{sym} / \mathrm{s} \) 이상의 심볼 전송속도에서 0.4 이상의 BER 성능을 보이는 복조 기법이 존재하였다.</p><p>위에서 언급하였듯이 일정 심볼 전송속도 이상에서는 급격히 통신성능이 저하되는 현상이 나타났으며 따라서 심볼 전송속도와 수조환경 하에서 발생된 다중경로 지연시간과의 상관관계를 조사하였다. 즉 잔향음 우세환경에서의 통신성능을 평가할 수 있는 지표로써 \( \mathrm{SDR}_\mathrm{rev} \) 정의하고 심볼 시간 \( T_{s} \)와 RMS 지연시간의 비율인 \( w T_{s} / \sigma_{\tau} \)로 계산하였다(여기서 \(w\))는 가중치함수로 본 논문에서는 \( \mathrm{SDR}_{\mathrm{rev}} \) 기준값을 1로 변환하기 위해 10을 사용하였음).</p><p>Fig. 7은 4가지 복조기법에 의한 통신성능과 \( \mathrm{SDR}_\mathrm{rev} \) 과의 상관관계이다(BER 성능은 0인 경우 그래프에서 표현되지 않음). 분석 결과 \( \mathrm{SDR}_\mathrm{rev} \) 이 증가함에 따라 BER과 출력 SNR 성능이 높아지며, 약 1의 \( \mathrm{SDR}_\mathrm{rev} \) 을 기준으로 그 이하에서 BER 성능이 급격히 낮아졌고 대부분의 복조 기법에 의한 출력 SNR이 \( 10 \mathrm{~dB} \)이하의 값을 보였다. 본 실험환경에서의 \( \mathrm{SDR}_{\mathrm{rev}} \)기준값 (\( \mathrm{SDR}_{\mathrm{rev}} \approx 1 \))에 대해 RMS 지연확산 핑균값 ( set1 : \(6.7 \mathrm{ms} \), set 2: \(6.0 \mathrm{~ms} \) )을 이용한 set 별 기준 심볼 전송속도 \( \left(R_{s}-1 / T_{s}\right) \)는 set 1의 경우 약 \( 1493 \mathrm{sym} / \mathrm{s} \), set 2 약 \( 1666 \mathrm{sym} / \mathrm{s} \)로 계산된다. 따라서 기준 심볼 전송속도보다 큰 통신신호가 전송된다면 우수한 통신성능을 기대할 수 없을 것으로 판단된다. Fig. 8은 set 별 기준 심볼 전송속도 부근에서 case 4 복조 기법을 통해 도출된 통신 성상도로 (a) ~ (c)는 set 1, (d) ~ (f)는 set 2의 결과이다. 본 결과에서도 확인할 수 있듯이 \(1600 \mathrm{sym} / \mathrm{s} \) 에서 set 1의 경우 계산된 기준 심볼 전송속도보다 크기 때문에 0.298의 BER, \( -1.4 \mathrm{~dB} \)의 출력 SNR 성능을 보였고 set 2의 경우에는 기준 심볼 전송속도보다 작기 때문에 error free의 BER과 \( 9.0 \mathrm{~dB} \)의 출력 SNR 성능을 보였다. 또한 기준 심볼 전송속도보다 커질수록 통신성능이 급격히 나빠지는 것을 확인할 수 있다. 본 연구에서는 BPSK의 변조방식에 대한 성능만을 확인하였으므로 \( \mathrm{SDR}_{\mathrm{rev}} \approx 1 \)이라는 기준을 다른 변조방식에 적용하기에는 추가적인 연구가 필요하며 본 논문의 실험환경과 같이 잔향음 우세 환경에서 기준 \( \mathrm{SDR}_{\mathrm{rev}} \)을 계산 가능하다면 통신 가능 심볼 전송속도를 예측할 수 있을 것이다.</p> <h1>V. 요약 및 결론</h1><p>본 논문에서는 잔향음 우세 환경에서의 채널특성과 통신성능을 분석하기 위해 \( 5 \times 5 \times 5 \mathrm{~m}^{3} \) 수조에서 중심주파수 \( 15 \mathrm{kHz} \)의 음향 통신실험을 수행하였다. 실험환경은 지연확산이 상이한 2가지 set 이며 set 1의 경우 RMS 지연확산 평균값 \( 6.7 \mathrm{~ms} \), 최대 초과 지연 평균값 \( 32.9 \mathrm{~ms} \)이고 set 2의 경우 RMS 지연 확산 평균값 \( 6.0 \mathrm{~ms} \), 최대 초과 지연 평균값 \( 29.7 \mathrm{~ms} \)의 특성을 보였다. 위의 환경에서 4가지 통신 복조 기법을 이용하여 \( 100 \mathrm{sym} / \mathrm{s} \)부터 \( 8000 \mathrm{sym} / \mathrm{s} \)까지의 심볼 전송속도에 따른 BER 및 출력 SNR 성능을 확인한 결과 set에 따라 통신성능이 급격히 나빠지는 심볼 전송 속도구간이 나타났다. 본 논문에서 제시하는 잔향음 우세 환경에서의 통신성능 예측 파라미터인 \( \mathrm{SDR}_{\mathrm{rev}}\)과 비교하였을 때 \( \mathrm{SDR}_{\mathrm{rev}}<1 \) 에서 BER 성능이 크게 저하되는 복조 기법이 존재하였다. \( \mathrm{SDR}_{\mathrm{rev}}\) 기준값을 통해 계산한 set별 최대 심볼 전송속도는 set 1의 경우 약 \( 1493 \mathrm{sym} / \mathrm{s} \), set 2의 경우 약 \( 1666 \mathrm{sym} / \mathrm{s} \)로 통신 성상도를 통해 최대 심볼 전송속도보다 커질 때 통신성능이 급격히 악화되는 것을 확인하였다.</p><p>본 논문에서 실험한 수조는 외부환경 조건을 컨트롤 할 수 있기 때문에 오직 다중경로 지연확산 특성과의 상관성을 확인할 수 있었고 도출된 결과는 매우 유의미하다고 판단된다. 추후 다양한 위상변조 방식에 대한 추가 실험을 통해 그에 대한 기준 값을 분석할 계획이다. 또한 음파가 수면, 바닥 및 벽면 등에 다중 반사함에 따라 밀집한 다중경로를 통해 전달되는 수조 환경에서의 분석결과로써 제시한 \( \mathrm{SDR}_{\mathrm{rev}}\) 기준값을 실제 해양에 적용가능할지 추후 연구가 필요하다.</p> <h1>초 록</h1><p>천해에서의 음파는 긴지연시간을 가지는 다중경로를 통해 전달되며 이러한 특성은 통신에서 Inter-Symbol Interference(ISI)을 야기하기 때문에 성능을 악화시킨다. 본 논문에서는 잔향음 우세 환경에서의 통신성능을 분석하고 다중경로 지연시간과의 상관관계를 파악하기 위해 \( 5 \times 5 \times 5 \mathrm{~m}^{3} \) 수조에서 다양한 심볼전송속도 \( (100 \mathrm{sym} / \mathrm{s} \operatorname{to} 8000 \mathrm{sym} / \mathrm{s} \) )를 갖는 Binary Phase-Shift Keying(BPSK) 신호를 이용하여 실험을 수행하였다. 제어가능한 수조환경에서의 음향 채널은 수조 내 경계면 및 벽면에서의 다중반사로 인해 밀집한 다중경로 특성을 가지며 약 \( 40 \mathrm{~ms} \) 이하의 최대초과 지연과 \( 8 \mathrm{~ms} \) 이하의 Root Mean Squared(RMS) 지연확산을 보였다. 본 논문에서는 4가지 통신복조기법을 이용하여 Bit Error Rate(BER) 성능과 출력 Signal-to-Noise Ratio(SNR) 성능을 분석하며 잔향음 우세 환경에서의 심볼시간과 RMS 지연확산의 비율인 Symbol interval to Delay spread Ratio in reverberant environment(SDRrev)을 정의하여 통신성능이 보장될 수 있는 기준 심볼 전송속도를 제시한다.</p> <h1>II. 이 론</h1><h2>2.1 다중경로 지연확산 특성</h2><p>천해에서의 음향 통신채널은 경계면에 의한 반사와 산란, 음속의 수직적 차이에 의한 굴절 등 긴 지연시간을 갖는 다중경로를 통하여 전달되며 지연확산정도에 따라 통신 가능한 주파수 범위가 결정된다. 본논문에서는 채널의 지연확산정도와 통신성능간의 상관관계를 파악하기 위해 통신신호의 최소 자승법으로 추정된 기저대역 채널의 지연확산 특성을 RMS 지연확산 \( \sigma_{\tau} \)로써 분석하였다. RMS 지연확산은 정규화된 채널 세기 \( h_{k}^{2} \)와 지연시간 \( \tau_{k} \)의 함수로 Eq. (1)과 같이 표현 가능하다.</p><p>\( \sigma_{\tau}=\sqrt{\tau^{2}-\vec{\tau}^{2}}, \bar{\tau}-\frac{\Sigma_{k} h_{k}^{2} \tau_{k}}{\nu_{k} h_{k}^{2}}, \overline{\tau^{2}}-\frac{\nu_{k} h_{k}^{2} \tau_{k}^{2}}{\nu_{k} h_{k}^{2}} \).<caption>(1)</caption></p><p>다중경로 지연확산 특성을 정확히 분석하기 위해 잡음레벨 이상의 다중경로 에너지 중 채널 세기를 최댓값 기준으로 \( -20 \mathrm{~dB} \)이상인 에너지만을 사용하였고 이때 가장 마지막에 도달한 채널의 지연시간 \( \tau_{j} \)와 첫 번째 도달 채널의 지연시간 \( \tau_{1} \)과의 차이를 이용하여 최대 초과 지연 \( \tau_{m} \)을 계산하였다. 통신채널을 보상하기 위한 등화기의 탭 계수는 채널의 최대 초과 지연 값에 상응하는 탭 길이를 이용하여 설계되었다.</p><p>\( \tau_{m}=\tau_{j}-\tau_{1} \)<caption>(2)</caption></p><p>상관 대역폭 \( B_{c} \)은 RMS 지연확산의 역수로써 통신신호의 왜곡이 발생하지 않는 주파수 범위로 표현된다 \( \left(B_{c} \approx 1 / \sigma_{\tau}\right) \). 통신신호의 대역폭이 상관 대역폭보다 크게 되면 상관 대역폭에 포함되지 않는 주파수대역에서 주파수 선택적 페이딩이 발생하며, 신호의 주파수 변형을 일으켜 결국 시간 영역에서의 신호 변형을 야기하게 된다. 따라서 통신 시스템을 디자인하는데 있어 수중채널의 상관 대역폭을 추정하는 것은 중요하다고 볼 수 있다. 본 논문에서는 잔향음이 우세한 환경에서 RMS 지연확산의 역수와 심볼 전송속도의 역수인 심볼 시간과의 비율을 이용하여 통신성능과의 상관관계를 확인하였다.</p><h2>2.2 수동 시역전 기법</h2><p>다중경로의 긴지연시간은 수중통신에서 Inter-Symbol Interference(ISI)를 야기하여 성능을 악화시키는 요인이 된다. 본 논문에서는 다중경로 지연확산에 의한 ISI를 줄이기 위해 수동 시역전 기법을 적용하였다. 수동 시역전 기법은 배열수신기에 수신된 신호와 시간 역전시킨 채널을 콘볼루션 후 합함으로써 시·공간 집속에 의한 ISI 감소 및 Signal-to-Noise Ratio(SNR) 증가효과를 가져 통신성능 향상을 기대할 수 있다. 본 논문에서 사용한 단일 수신기를 이용한 수동 시역전 과정은 다음 Eq. (3)으로 표현 가능하다.</p><p>\( \bar{s}(t)=r(t)^{} h(-t) \) \( =s(t) \left[h(t)^{} h(-t)\right] \) \( =s(t)^{} q(t) \)<caption>(3)</caption></p><p>여기서 \( s(t) \)와 \( \bar{s}(t) \)는 송신기에서 전송한 정보신호와 시역전 처리되어 도출된 정보신호, \( r(t) \)와 \( h(t) \)는 수신기로부터 수신된 통신신호와 채널 임펄스응답, \( q(t) \)는 채널 임펄스 응답의 자기상관 값이고 \(*\) 는 컨볼루션의 연산자이다. 시역전 처리에 이용되는 채널 정보는 통신신호의 훈련시퀀스를 통해 추정되었다.</p><p>본 논문에서는 시역전 통신에 단일 수신기를 이용하였기 때문에 배열수신기에 비해 SNR 향상 효과는 작았다. 또한 시간 집속 시 q-함수의 주 에너지에 대한 잔여 부엽 성분이 존재함에 따라 이를 제거하기 위해 결정 궤환 등화기(Decision Feedback Equalizer, DFE)를 이용하였다. 본 실험 환경에서는 수면의 변동과 송·수신기의 상대적 이동이 없어 도플러가 존재하지 않았으나 송·수신 시스템 특성과 한 심볼내에 한 가지 이상의 다중경로가 동시에 수신되면서 발생하는 미세 도플러 오프셋을 보상하기 위해 결정 궤환 위상 고정 루프(Decision Feedback Phase Locked Loop, DFPLL)을 적용하였다. 본 논문에서는 통신신호 복조를 위해 수동 시역전 기법과 DFPLL의 적용 유무에 따라 4가지 복조 기법을 이용하였으며 자세한 내용은 IV장에서 설명한다.</p>	공학, 공업일반, 토목공학, 환경공학	[ "<h1>III.", "수조실험 및 통신채널 특성</h1><p>잔향음 우세 환경에서 채널 특성에 따른 통신성능을 확인하기 위해 \\( 5 \\times 5 \\times 5 \\mathrm{~m}^{3} \\) 수조에서 실험을 수행하였다.", "실험 당시 측정한 음속은 \\( 1453 \\mathrm{~m} / \\mathrm{s} \\)로 모든 수심에 대해 일정하였다.", "무지향성 송신기(ITC-1007, GAVIAL), 수신기(TC-4014, RESON)는 다른 지연확산 특성을 갖는 두 가지 환경에서 서로 다른 수심에 설치하였다.", "set 1의 경우 송신기와 수신기간 수평거리 \\(R\\)은 \\( 4 \\mathrm{~m} \\), 송신기 수심 \\( h_{s} \\) 및 수신기 수심 \\( h_{r} \\) 은 \\( 1 \\mathrm{~m} \\)였기, set 2의 경우 송신기와 수신기간 수평거리는 \\( 4 \\mathrm{~m} \\), 송신기 수심 및 수신기 수심은 \\(4 \\mathrm{m} \\)에 설치하였다.", "실험 중 수면의 움직임과 송·수신기 간의 상대적인 이동이 없이 고정된 상태였고 수조 내의 소음환경은 매우 조용한 환경 (\\( \\mathrm{SNR} \\approx 65 \\mathrm{~dB} \\))으로 다중경로 지연시간 특성만을 이용하여 통신성능과의 상관관계를 분석하였다.", "</p><p>송신신호는 탐침신호와 Binary Phase-Shift Keying(BPSK) 변조방식의 통신신호로 구성되었다.", "통신신호는 길이 \\( 4 \\mathrm{~s} \\), 중심주파수 \\( 15 \\mathrm{kHz} \\)이며 정보전달을 위한 \\( 3.2 \\mathrm{~s}\\)(\\(1000 \\mathrm{sym} / \\mathrm{s} \\)의 경우 \\( 3200 \\mathrm{symbols} \\))의 데이터 시퀀스와 잔여 ISI 제거와 기저대역 채널 추정을 위한 \\( 0.8 \\mathrm{~s}\\)(\\(1000 \\mathrm{sym} / \\mathrm{s} \\) 경우 \\( 800 \\mathrm{symbols} \\)) 훈련시퀀스로 구성된다.", "신호는 수조 내 통신채널의 지연시간과 통신성능 간의 상관관계를 확인하기 위해 Table 1과 같이 총 15가지 심볼 전송속도로 설계되었고, 저주파수 통과필터에 의한 ISI의 영향을 최소화하기 위해 롤 오프인자 0.5인 제곱근 상승 코사인 필터를 사용하였다.", "</p><p>탐침신호는 길이 \\( 50 \\mathrm{~ms} \\)의 선형 주파수 변조(Linear Frequency Modulation, LFM)로 통신 대역폭과 동일한 주파수 범위로 설계하였고 정합 필터링으로부터 도출된 채널 응답을 통해 통신신호를 동기화하였다.", "Fig.", "3은 \\( 9 \\mathrm{kHz} \\sim 21 \\mathrm{kHz} \\) LFM 신호 정합필터링 결과를 이용하여 도출한 set 별 채널 응답으로 처음에 도달된 경로의 에너지로 정규화하였고 수조 내에서 음파가 수면, 바닥 및 벽면 등에 다중 반사함에 따라 강한 잔향음이 발생하였다.", "통신신호가 밀집한 다중경로를 통해 전달되면서 두 set 모두 다중경로 에너지가 \\(\\mathrm{dB}\\) 스케일에서 선형적으로 감소하는 경향을 보이며 유사한 잔향시간을 보였다.", "또한 처음으로 수신되는 채널의 에너지가 가장 센 set 1과 달리 set 2의 경우 처음 도달한 경로보다 약 \\( 5 \\mathrm{~ms} \\) 이후에 바닥 및 벽면에 다중반사되어 수신된 것으로 추정되는 경로들이 중첩되어 더 강한 에너지의 음파가 수신되었고, 최대 초과 지연은 set 1이 set 2보다 길게 나타났다.", "</p><p>Fig.", "4는 set 1에서 \\( 100 \\mathrm{sym} / \\mathrm{s}\\), \\(400 \\mathrm{sym} / \\mathrm{s}\\), \\(1000 \\mathrm{sym} / \\mathrm{s} \\), \\( 4000 \\mathrm{sym} / \\mathrm{s} \\)에 해당하는 통신신호의 훈련 시퀀스와 통신 시퀀스를 이용하여 추정한 기저대역 채널이다. \\", "( 100 \\mathrm{sym} / \\mathrm{s} \\)의 경우 \\( 10 \\mathrm{~ms} \\) 의 상대적으로긴 심볼 시간에 의해 한 심볼 시간에 큰 에너지가 집중되어 있으며 \\( 4000 \\mathrm{sym} / \\mathrm{s} \\)의 경우 약 \\( 20 \\mathrm{~ms} \\)까지의 심볼 시간에서 다중경로 에너지가 지연확산을 가지며 100개 이상의 심볼에 걸쳐 분산되어 있는 것을 확인할 수 있다.", "</p><p>Fig.", "5는 앞서 추정한 기저대역 채널의 평균값을 이용하여 도출한 심볼 전송속도에 따른 Signal Inter-ference-plus-Noise Ratio(SINR), RMS 지연확산 및 최대 초과 지연이다.", "SINR은 다중경로의 주 에너지 대비 나머지 다중경로 에너지와 소음의 합에 대한 비율로 정의된다.", "앞서 기저대역 채널에서 확인한 것과 같이 심볼 전송속도가 높아질수록 다중경로가 여러 심볼에 걸쳐 수신되기 때문에 우세 경로 에너지에 비해 나머지 다중경로에 너지가 커져 SINR이 감소하는 경향을 보였으며 본 환경에서는 set 1의 경우 심볼 선송속도 \\( 320 \\mathrm{sym} / \\mathrm{s} \\)에서, set 2의 겅우 \\( 400 \\mathrm{sym} / \\mathrm{s} \\)에서 0 에 가까운 값이 도출되었다.", "또한 한 set 내에서 심볼 전송속도에 따라 다른 지연확산 특성을 보였다.", "set 1의경우 RMS 지연확산 평균값은 \\( 6.7 \\mathrm{~ms} \\), 최대 초과 지연 핑균값은 \\( 32.9 \\mathrm{~ms} \\)이고 set 2의 경우 RMS 지연확산 평균값은 \\( 6.0 \\mathrm{~ms} \\), 최대 초과 지연 평균값은 \\( 29.7 \\mathrm{~ms} \\) 로 set 1이 set 2보다 긴 다중경로 지연시간을 갖는 것으로 확인되었다.", "</p> <h1>I.", "서 론</h1><p>천해에서의 음향통신신호는 경계면 반사 및 산란에 의해 다중경로를 통해 전달되며, 공기 중 전파통신에 이용되는 전자기파속도 (\\( \\sim 30 \\text{만} \\mathrm{km} / \\mathrm{s} \\))에 비해 낮은 음파 속도 (\\( \\sim 1.5 \\mathrm{~km} / \\mathrm{s} \\))로 인해 긴 지연시간을 가지기 때문에 수중음향 통신채널은 대역제한 및 잔향 특성을 나타낸다.", "뿐만 아니라 해양환경 변동과 해수면의 이동 및 송·수신기의 상대적인 움직임은 시간에 따른 다중경로 변화를 야기하여 채널 상관시간을 작게 만든다.", "이러한 특성은 수중 음향통신에서 신호의 왜곡을 발생시켜 성능저하를 야기하기 때문에 통신 시스템을 설치하고자 하는 해양환경에서의 채널 특성을 분석하는 것은 매우 중요하다.", "</p><p>다중경로 지연확산과 관련하여 Root Mean Squared(RMS) 지연확산, \\( E_{l} \\) 및 \\( E_{q} \\)등 통신성능을 예측할 수 있는 다양한 파라미터가 연구되어 왔다.", "Son etal.은 채널 세기 임펄스 응답 함수의 정규화 누적 에너지를 이용하여 한 심볼 시간내의 에너지값을 \\( E_{l} \\)으로 정의하고 통신성능과의 상관관계를 규명하였다.", "Kimet al.은 Son et al.의 \\( E_{l} \\)을 착안하여 q-함수누적 크기의 한 심볼 시간 내의 크기 값을 \\( E_{q} \\)로 정의하고 통신성능과 비교하여 시역전 통신성능을 예측할 수있는 파라미터로써 제시하였다.", "본 논문에서는 잔향음이 우세한 환경에서의 다중경로 지연시간 특성을 이용하여 심볼 전송속도를 결정할 수 있는 파라미터인 Symbol interval to Delay spread Ratio in reverberant environment (\\( \\mathrm{SDR}_{rev} \\))를 정의하고 실험을 통해 통신성능과의 상관성을 검증하였다.", "</p><p>본 논문의 구성은 아래와 같다.", "Ⅱ장에서는 다중경로의 지연확산 특성과 통신성능 도출에 이용한 수동 시역전 통신 기법에 대해 설명한다.", "Ⅲ장에서는 실험환경과 송신신호 및 채널 특성 분석 결과에 대해 설명한다.", "Ⅳ장에서는 4가지 통신 복조 기법과 실험 환경에서 심볼 전송속도에 따른 통신성능 및 본 논문에서 정의한 파라미터와의 상관성 분석결과를 제시하며 Ⅴ장에서는 요약 및 결론을 맺는다.", "</p> <h1>IV.", "실험 결과</h1><p>본 논문에서는 수동 시역전 기법과 등화기 및 위상 추적 방법의 조합으로 4가지 통신 복조 기법을 통해 심볼 전송속도별 통신성능을 Bit Error Rate(BER)과 출력 SNR로써 도출하였다.", "첫번째 기법(case 1)으로 ISI를 제거하기 위해 결정 궤환 등화기를 이용하였고 두 번째 기법(case 2)으로 미세 위상 오프셋을 보상하기 위해 결정 궤환 위상 고정루프를 적용한 후 결정 궤환 등화기를 통해 잔여 ISI를 제거하였다.", "세번째 기법(case 3)으로 수동 시역전 기법을 통해 ISI의 영향을 감소시킨후 결정 궤환 등화기로 잔여 ISI를 제거하였으며 네번째 기법(case 4)은 수동 시역전 후 결정 궤환 위상 고정 루프를 이용하여 위상 변동 보상, 결정 궤환 등화기로 잔여 ISI를 제거하였다.", "결정 궤환 등화기의 앞먹임", "탭 길이는 각 신호의 훈련 시퀀스를 이용하여 추정된 기저대역 채널의 최대 초과 지연에 상응하는 값으로 설정하고 되먹임 탭 길이는 앞먹임", "탭 길이의 절반으로 설정하였다.", "결정 궤환 등화기의 적응 알고리즘은 망각인자 0.99의 Recursive Least Square(RLS)를 사용하였다.", "</p><p>Fig.", "6은 심볼 전송속도에 따른 통신성능 도출 결과이다(BER 성능은 0인 경우 그래프에서 표현되지 않음).", "set 1의 경우 case의 \\( 700 \\mathrm{sym} / \\mathrm{s}\\), \\(900 \\mathrm{sym} / \\mathrm{s} \\)을 제외한 \\( 1000 \\mathrm{sym} / \\mathrm{s} \\) 이하의 모든 복조 기법에 따른 BER이 내부분 error free이기나 0.01 이하의 성능을 보였으나 \\( 1600 \\mathrm{sym} / \\mathrm{s} \\) 이상의 심볼 전송속도에서는 BER성능이 0.2 이상인 복조 기법이 존재하면서 현저하게 나빠지는 것을 확인하였다.", "set 2의 경우는 set 1과 달리 \\( 1600 \\mathrm{sym} / \\mathrm{s} \\) 이하의 모든 복조 기법에 따른 BER이 0.001 이하의 성능을 보였고 \\( 2000 \\mathrm{sym} / \\mathrm{s} \\) 이상의 심볼 전송속도에서 0.4 이상의 BER 성능을 보이는 복조 기법이 존재하였다.", "</p><p>위에서 언급하였듯이 일정 심볼 전송속도 이상에서는 급격히 통신성능이 저하되는 현상이 나타났으며 따라서 심볼 전송속도와 수조환경 하에서 발생된 다중경로 지연시간과의 상관관계를 조사하였다.", "즉 잔향음 우세환경에서의 통신성능을 평가할 수 있는 지표로써 \\( \\mathrm{SDR}_\\mathrm{rev} \\) 정의하고 심볼 시간 \\( T_{s} \\)와 RMS 지연시간의 비율인 \\( w T_{s} / \\sigma_{\\tau} \\)로 계산하였다", "(여기서 \\(w\\))는 가중치함수로 본 논문에서는 \\( \\mathrm{SDR}_{\\mathrm{rev}} \\) 기준값을 1로 변환하기 위해 10을 사용하였음).", "</p><p>Fig.", "7은 4가지 복조기법에 의한 통신성능과 \\( \\mathrm{SDR}_\\mathrm{rev} \\) 과의 상관관계이다(BER 성능은 0인 경우 그래프에서 표현되지 않음).", "분석 결과 \\( \\mathrm{SDR}_\\mathrm{rev} \\) 이 증가함에 따라 BER과 출력 SNR 성능이 높아지며, 약 1의 \\( \\mathrm{SDR}_\\mathrm{rev} \\) 을 기준으로 그 이하에서 BER 성능이 급격히 낮아졌고 대부분의 복조 기법에 의한 출력 SNR이 \\( 10 \\mathrm{~dB} \\)이하의 값을 보였다.", "본 실험환경에서의 \\( \\mathrm{SDR}_{\\mathrm{rev}} \\)기준값 (\\( \\mathrm{SDR}_{\\mathrm{rev}} \\approx 1 \\))에 대해 RMS 지연확산 핑균값 ( set1 : \\(6.7 \\mathrm{ms} \\), set 2: \\(6.0 \\mathrm{~ms} \\) )을 이용한 set 별 기준 심볼 전송속도 \\( \\left(R_{s}-1 / T_{s}\\right) \\)는 set 1의 경우 약 \\( 1493 \\mathrm{sym} / \\mathrm{s} \\), set 2 약 \\( 1666 \\mathrm{sym} / \\mathrm{s} \\)로 계산된다.", "따라서 기준 심볼 전송속도보다 큰 통신신호가 전송된다면 우수한 통신성능을 기대할 수 없을 것으로 판단된다.", "Fig.", "8은 set 별 기준 심볼 전송속도 부근에서 case 4 복조 기법을 통해 도출된 통신 성상도로 (a) ~ (c)는 set 1, (d) ~ (f)는 set 2의 결과이다.", "본 결과에서도 확인할 수 있듯이 \\(1600 \\mathrm{sym} / \\mathrm{s} \\) 에서 set 1의 경우 계산된 기준 심볼 전송속도보다 크기 때문에 0.298의 BER, \\( -1.4 \\mathrm{~dB} \\)의 출력 SNR 성능을 보였고 set 2의 경우에는 기준 심볼 전송속도보다 작기 때문에 error free의 BER과 \\( 9.0 \\mathrm{~dB} \\)의 출력 SNR 성능을 보였다.", "또한 기준 심볼 전송속도보다 커질수록 통신성능이 급격히 나빠지는 것을 확인할 수 있다.", "본 연구에서는 BPSK의 변조방식에 대한 성능만을 확인하였으므로 \\( \\mathrm{SDR}_{\\mathrm{rev}} \\approx 1 \\)이라는 기준을 다른 변조방식에 적용하기에는 추가적인 연구가 필요하며 본 논문의 실험환경과 같이 잔향음 우세 환경에서 기준 \\( \\mathrm{SDR}_{\\mathrm{rev}} \\)을 계산 가능하다면 통신 가능 심볼 전송속도를 예측할 수 있을 것이다.", "</p> <h1>V.", "요약 및 결론</h1><p>본 논문에서는 잔향음 우세 환경에서의 채널특성과 통신성능을 분석하기 위해 \\( 5 \\times 5 \\times 5 \\mathrm{~m}^{3} \\) 수조에서 중심주파수 \\( 15 \\mathrm{kHz} \\)의 음향 통신실험을 수행하였다.", "실험환경은 지연확산이 상이한 2가지 set 이며 set 1의 경우 RMS 지연확산 평균값 \\( 6.7 \\mathrm{~ms} \\), 최대 초과 지연 평균값 \\( 32.9 \\mathrm{~ms} \\)이고 set 2의 경우 RMS 지연 확산 평균값 \\( 6.0 \\mathrm{~ms} \\), 최대 초과 지연 평균값 \\( 29.7 \\mathrm{~ms} \\)의 특성을 보였다.", "위의 환경에서 4가지 통신 복조 기법을 이용하여 \\( 100 \\mathrm{sym} / \\mathrm{s} \\)부터 \\( 8000 \\mathrm{sym} / \\mathrm{s} \\)까지의 심볼 전송속도에 따른 BER 및 출력 SNR 성능을 확인한 결과 set에 따라 통신성능이 급격히 나빠지는 심볼 전송 속도구간이 나타났다.", "본 논문에서 제시하는 잔향음 우세 환경에서의 통신성능 예측 파라미터인 \\( \\mathrm{SDR}_{\\mathrm{rev}}\\)과 비교하였을 때 \\( \\mathrm{SDR}_{\\mathrm{rev}}<1 \\) 에서 BER 성능이 크게 저하되는 복조 기법이 존재하였다. \\", "( \\mathrm{SDR}_{\\mathrm{rev}}\\) 기준값을 통해 계산한 set별 최대 심볼 전송속도는 set 1의 경우 약 \\( 1493 \\mathrm{sym} / \\mathrm{s} \\), set 2의 경우 약 \\( 1666 \\mathrm{sym} / \\mathrm{s} \\)로 통신 성상도를 통해 최대 심볼 전송속도보다 커질 때 통신성능이 급격히 악화되는 것을 확인하였다.", "</p><p>본 논문에서 실험한 수조는 외부환경 조건을 컨트롤 할 수 있기 때문에 오직 다중경로 지연확산 특성과의 상관성을 확인할 수 있었고 도출된 결과는 매우 유의미하다고 판단된다.", "추후 다양한 위상변조 방식에 대한 추가 실험을 통해 그에 대한 기준 값을 분석할 계획이다.", "또한 음파가 수면, 바닥 및 벽면 등에 다중 반사함에 따라 밀집한 다중경로를 통해 전달되는 수조 환경에서의 분석결과로써 제시한 \\( \\mathrm{SDR}_{\\mathrm{rev}}\\) 기준값을 실제 해양에 적용가능할지 추후 연구가 필요하다.", "</p> <h1>초 록</h1><p>천해에서의 음파는 긴지연시간을 가지는 다중경로를 통해 전달되며 이러한 특성은 통신에서 Inter-Symbol Interference(ISI)을 야기하기 때문에 성능을 악화시킨다.", "본 논문에서는 잔향음 우세 환경에서의 통신성능을 분석하고 다중경로 지연시간과의 상관관계를 파악하기 위해 \\( 5 \\times 5 \\times 5 \\mathrm{~m}^{3} \\) 수조에서 다양한 심볼전송속도 \\( (100 \\mathrm{sym} / \\mathrm{s} \\operatorname{to} 8000 \\mathrm{sym} / \\mathrm{s} \\) )를 갖는 Binary Phase-Shift Keying(BPSK) 신호를 이용하여 실험을 수행하였다.", "제어가능한 수조환경에서의 음향 채널은 수조 내 경계면 및 벽면에서의 다중반사로 인해 밀집한 다중경로 특성을 가지며 약 \\( 40 \\mathrm{~ms} \\) 이하의 최대초과 지연과 \\( 8 \\mathrm{~ms} \\) 이하의 Root Mean Squared(RMS) 지연확산을 보였다.", "본 논문에서는 4가지 통신복조기법을 이용하여 Bit Error Rate(BER) 성능과 출력 Signal-to-Noise Ratio(SNR) 성능을 분석하며 잔향음 우세 환경에서의 심볼시간과 RMS 지연확산의 비율인 Symbol interval to Delay spread Ratio in reverberant environment(SDRrev)을 정의하여 통신성능이 보장될 수 있는 기준 심볼 전송속도를 제시한다.", "</p> <h1>II.", "이 론</h1><h2>2.1 다중경로 지연확산 특성</h2><p>천해에서의 음향 통신채널은 경계면에 의한 반사와 산란, 음속의 수직적 차이에 의한 굴절 등 긴 지연시간을 갖는 다중경로를 통하여 전달되며 지연확산정도에 따라 통신 가능한 주파수 범위가 결정된다.", "본논문에서는 채널의 지연확산정도와 통신성능간의 상관관계를 파악하기 위해 통신신호의 최소 자승법으로 추정된 기저대역 채널의 지연확산 특성을 RMS 지연확산 \\( \\sigma_{\\tau} \\)로써 분석하였다.", "RMS 지연확산은 정규화된 채널 세기 \\( h_{k}^{2} \\)와 지연시간 \\( \\tau_{k} \\)의 함수로 Eq.", "(1)과 같이 표현 가능하다.", "</p><p>\\( \\sigma_{\\tau}=\\sqrt{\\tau^{2}-\\vec{\\tau}^{2}}, \\bar{\\tau}-\\frac{\\Sigma_{k} h_{k}^{2} \\tau_{k}}{\\nu_{k} h_{k}^{2}}, \\overline{\\tau^{2}}-\\frac{\\nu_{k} h_{k}^{2} \\tau_{k}^{2}}{\\nu_{k} h_{k}^{2}} \\).", "<caption>(1)</caption></p><p>다중경로 지연확산 특성을 정확히 분석하기 위해 잡음레벨 이상의 다중경로 에너지 중 채널 세기를 최댓값 기준으로 \\( -20 \\mathrm{~dB} \\)이상인 에너지만을 사용하였고 이때 가장 마지막에 도달한 채널의 지연시간 \\( \\tau_{j} \\)와 첫 번째 도달 채널의 지연시간 \\( \\tau_{1} \\)과의 차이를 이용하여 최대 초과 지연 \\( \\tau_{m} \\)을 계산하였다.", "통신채널을 보상하기 위한 등화기의 탭 계수는 채널의 최대 초과 지연 값에 상응하는 탭 길이를 이용하여 설계되었다.", "</p><p>\\( \\tau_{m}=\\tau_{j}-\\tau_{1} \\)<caption>(2)</caption></p><p>상관 대역폭 \\( B_{c} \\)은 RMS 지연확산의 역수로써 통신신호의 왜곡이 발생하지 않는 주파수 범위로 표현된다 \\( \\left(B_{c} \\approx 1 / \\sigma_{\\tau}\\right) \\).", "통신신호의 대역폭이 상관 대역폭보다 크게 되면 상관 대역폭에 포함되지 않는 주파수대역에서 주파수 선택적 페이딩이 발생하며, 신호의 주파수 변형을 일으켜 결국 시간 영역에서의 신호 변형을 야기하게 된다.", "따라서 통신 시스템을 디자인하는데 있어 수중채널의 상관 대역폭을 추정하는 것은 중요하다고 볼 수 있다.", "본 논문에서는 잔향음이 우세한 환경에서 RMS 지연확산의 역수와 심볼 전송속도의 역수인 심볼 시간과의 비율을 이용하여 통신성능과의 상관관계를 확인하였다.", "</p><h2>2.2 수동 시역전 기법</h2><p>다중경로의 긴지연시간은 수중통신에서 Inter-Symbol Interference(ISI)를 야기하여 성능을 악화시키는 요인이 된다.", "본 논문에서는 다중경로 지연확산에 의한 ISI를 줄이기 위해 수동 시역전 기법을 적용하였다.", "수동 시역전 기법은 배열수신기에 수신된 신호와 시간 역전시킨 채널을 콘볼루션 후 합함으로써 시·공간 집속에 의한 ISI 감소 및 Signal-to-Noise Ratio(SNR) 증가효과를 가져 통신성능 향상을 기대할 수 있다.", "본 논문에서 사용한 단일 수신기를 이용한 수동 시역전 과정은 다음 Eq.", "(3)으로 표현 가능하다.", "</p><p>\\( \\bar{s}(t)=r(t)^{} h(-t) \\) \\( =s(t) \\left[h(t)^{} h(-t)\\right] \\) \\( =s(t)^{} q(t) \\)<caption>(3)</caption></p><p>여기서 \\( s(t) \\)와 \\( \\bar{s}(t) \\)는 송신기에서 전송한 정보신호와 시역전 처리되어 도출된 정보신호, \\( r(t) \\)와 \\( h(t) \\)는 수신기로부터 수신된 통신신호와 채널 임펄스응답, \\( q(t) \\)는 채널 임펄스 응답의 자기상관 값이고 \\(*\\) 는 컨볼루션의 연산자이다.", "시역전 처리에 이용되는 채널 정보는 통신신호의 훈련시퀀스를 통해 추정되었다.", "</p><p>본 논문에서는 시역전 통신에 단일 수신기를 이용하였기 때문에 배열수신기에 비해 SNR 향상 효과는 작았다.", "또한 시간 집속 시 q-함수의 주 에너지에 대한 잔여 부엽 성분이 존재함에 따라 이를 제거하기 위해 결정 궤환 등화기(Decision Feedback Equalizer, DFE)를 이용하였다.", "본 실험 환경에서는 수면의 변동과 송·수신기의 상대적 이동이 없어 도플러가 존재하지 않았으나 송·수신 시스템 특성과 한 심볼내에 한 가지 이상의 다중경로가 동시에 수신되면서 발생하는 미세 도플러 오프셋을 보상하기 위해 결정 궤환 위상 고정 루프(Decision Feedback Phase Locked Loop, DFPLL)을 적용하였다.", "본 논문에서는 통신신호 복조를 위해 수동 시역전 기법과 DFPLL의 적용 유무에 따라 4가지 복조 기법을 이용하였으며 자세한 내용은 IV장에서 설명한다.", "</p>" ]	{ "doc_category": { "KDC": "530.2405", "DDC": "620.2" }, "doc_title": { "kor": "잔향음 우세 수조 환경에서의 수중음향 통신성능 분석", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-15db7b54-22c3-4779-a836-c27b81b83876", "doc_number": { "ISSN": "1225-4428", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2022", "doc_author": [ "최강훈", "황인성", "이상국", "최지웅" ], "doc_publisher": "한국음향학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
403	<h1>요 약</h1><p>NAND Multi-level cell Flash memory는 한 셀에 여러 \(\mathrm{bit}\)의 정보롤 저장하는 방법으로, 용량 집적도를 더욱 높일수 있는 기술로 각광 받고 있다. 하지만 한 셀당 레벨 수롤 올릴 경우, 셀간 간섭 등 여러 물리적 이유들로 인혜 오류가 발생하며, 이 주된 오류 방향은 unidirectional 함이 알려져 있다. 기존에는 오류 정정 부호(ECC)등을 이용하여 이를 해결하려 했지만, 우리는 셀간 간섭으로 인한 오류에 포커스를 맞추어, 이 영향을 예측하고 줄여서 오류를 보정하는 새로운 알고리즘들은 제안한다. 이 알고리즘은 기존 오류정정부호 기법들과 별도의 단계로 동시에 적용할 수 있기에 에러 정정능력 향상에 효과적이다. 제안된 알고리즘들을 시뮬레이션을 통하여 성능을 비교하고 효율적인 앝고리즘이 무엇인지 알아본다.</p> <h3>나. Simulation Results : MRCCC</h3><p>그림 12의 그래프에서 1번 읽는 것은 Original, 2번 읽는 건 CCC 알고리즘을 뜻한다. 3번 이상 읽는 것이 MRCCC인데 3번 읽으면 성능향상이 두드러지는데 4번 이상부터는 크게 성능 향상이 두드러지지는 않는다. 너무 세부적으로 나누면 다른 에러를 잡으면서 새로운 에러를 놓치는 경우가 발생할 수도 있고, Careful cell threshold와 Interference threshold의 최적화 문제가 발생할 수 있다.</p><h3>다. Simulation Results : DCR</h3><p>그림 13의 실험은 한 셀당 8 level이 있어서 \(3\mathrm{bit}\)을 저장할 수 있는 모델로 수행했으며 DCR Optimal 방식은 완벽하게 데이터의 원래 개수를 맞추는 read voltage를 찾았을 때의 결과로, 알고리즘 성능 비교에 사용한다. Iteration 0은 초기 read voltage로 ARV algorithm을 사용하고, 더 이상의 처리 과정이 없는 방법이기 때문에 ARV algorithm과 성능이 같다.</p><p>Iteration 수가 많아실수록 성능이 optimal DCR에 가까운 성능을 보이며, 3번의 iteration만 가지고도 optimal DCR과 거의 비슷한 성능을 보였다. Table을 사용하여 DCR을 하는 것도 비교적 좋은 error probability를 보였으며, iteration을 1번 하는 것 보다는 약간 좋은 성능을 보인다. Iteration을 한번 하는 것은 일정한 간격으로 한번만 옮겨봐서 ARV algorithm만 썼을 때 보다 정확한 count에 가까운지 확인해 보는 것인데, table을 사용하는 방법은 잘못 복조된 cell의 수에 따라서 옮기는 read voltage를 변동시키기 때문이라 생각된다. DCR 알고리즘을 사용하면 MLC 모델 parameter에 따라 결과가 다르지만 위 실험에서는 에러율이 약 \( 10^{-3} \)만큼 주는 효과가 있음을 그래프에서 확인할 수 있다.</p><h1>Ⅳ. 결 론</h1><p>MLC 플래시 메모리에서 셀간 간섭의 영향을 많이 줄일 수 있다면, 한 셀당 저장 데이터를 늘릴 수 있기 때문에 큰 집적밀도 향상을 기대할 수 있다. 제안된 신호 처리 방식 알고리즘 등이 간섭의 영향을 줄일 수 있음을 확인할 수 있으며, CCC와 DCR 등의 새로운 알고리즘을 통해 간섭제거 기법을 사용하지 않을 때보다 에러율을 모델에 따라 약 \( 10^{-3} \)정도 낮추는 효과가 있음을 확인할 수 있다. 기존의 오류 정정 부호 기법과 병행하면 더 적은 오버헤드로 더 좋은 에러 정정 성능을 기대할 수 있다.</p> <h1>Ⅱ. 본 론</h1><h2>1. 셀간 간섭 및 모델링</h2><h3>가. 셀간 간섭 (Cell to cell interfernece)</h3><p>Multi-level cell (MLC)에서 \(V_{\text {th }} \) Shift로 인한 에러에는 다양한 원인들이 있다. 이웃 셀 간 간섭(Cell to cell Interference), 셀 누출(Cell Leakage), 온도, \( V_{\text {pgm, }}, V_{\text {pass }} \) 방해 \( \left(V_{\text {pgm, }}, V_{\text {pass }}\right. \) Disturbance) 등이 이러한 오류를 일으킨다. 이중 이웃 셀 간 간섭은 영향도 크고 어느 정도 모델링이 가능한 에러이기 때문에, 이로 인한 에러를 줄이는 것을 주요 목표로 한다.</p><p>이웃 셀 간 간섭은 주변 셀의 data가 바뀌면서 Voltage가 변하는데, 이러한 이웃의 영향으로 셀의 Voltage 받기 때문에 발생한다. 이때 \( V_{\text {th }} \) Shift는 Voltage가 증가하는 방향으로만 일어나게 된다. 이웃 셀간 간섭은 결국 Programming operation에서 일어난다.</p><p>셀간 간섭의 영향은 실측이나 이론적 계산값의 접근을 통해 모델링 할 수 있다. 실제로는 두 셀간의 거리, Program의 순서와 방법, 한 셀당 level 수, 주변 셀의 진압의 변화 등 다양한 요소에 따라 달라진다. 주변 셀에 기록되는 데이터의 종류에 따라 전압 변화량이 달라지고 이에 따라 셀간 간섭의 양이 의존한다.</p><h3>나. Distribution Model</h3><p>실제 물리적으로 구현되는 플래시 메모리의 간섭 문제를 이론적으로 분석하고 해결하기 위해서는 간섭에 대한 모델링 뿐 아니라 셀이 가지는 레벨별 voltage의 모델링이 필요하다. distribution 모델에 따라서 여러 알고리즘의 결과값들이 크게 영향을 받으며 실제 모델과 더 가깝고 정교한 모델링이 기초가 되어야 신뢰도 높은 전산 결과값이 나온다.</p><p>특정 level을 가지는 데이터를 셀에 저장하기 위해서는 level에 맞는 voltage를 셀 내에 기록하지만 물리적인 이유로 인하여 그 전압 값을 정확히 기록하지 못하고 약간씩 오차가 발생하게 된다. voltage를 기록하는 시도는 셀별로 모두 독립적이며 오차 역시 독립적이므로 이를 Gaussian Model로 나타낼 수 있다. 그림 3은 일반적인 Gaussian curve를 나타낸 것이다. 그러나 실제 플래시 메모리의 voltage distribution과 정확히 같지는 않으며 이를 보완하기 위해 다른 추가 보정사항들이 필요하다.</p> <h2>2. 셀간 간섭 제거 알고리즘</h2><p>기존에는 셀간 간섭으로 인해 발생한 오류는 전통적인 오류 정정 부호의 적용이나 또는 Flash memory에 효율적이 되도록 변형된 오류 정정 부호로 해결을 시도했다. 하지만 MLC에서는 한 셀당 레벨수가 많아짐에 따라 오류가 발생이 증가하고 필요한 오류정정부호 공간이 늘어나므로, MLC 오류의 특성을 이용한 새로운 에러 정정 방법을 시도할 수 있다. 셀간 간섭의 원리를 파악하고 이를 이용하여 보다 근본적인 해결을 시도하는 새로운 알고리즘들을 제안한다. 다음 셀간 간섭 제거 알고리즘들은 플래시 메모리에서 데이터 입출력을 담당하는 메모리 컨트롤러단에서 소프트웨어적으로 처리하는 알고리즘들이므로 하드웨어적인 추가 구성 없이 적용 가능하므로 실용적이다. 다만 기법에 따라서 한 번의 데이터 읽기를 위해서 두 번 이상 읽거나 컨트롤러의 데이터 처리 등의 오버헤드와 이로 인한 읽기 속도 저하는 존재하지만, 한 번의 추가 Read에 필요한 물리적 시간은 현재 메모리 컨트롤러의 처리 속도로 용인 가능한 수준으로 알려져 있으며, 오류 정정 능력 항상와 속도가 서로 상충관계에 있음을 알 수 있다.</p><h3>가. Adaptive Reading Voltage (ARV)</h3><p>대부분의 셀은 이웃 간 간섭의 영향을 받는다. 개별 셀별로 그 영향의 크기는 모두 다르겠지만, 이 간섭을 평균내서 이용한다면 어느 정도 에러가 보정되리라 기대할 수 있다.</p><p>예를 들면, 전체 셀이 받는 이웃 간 간섭을 평균낸 값(Average interference voltage)을 \( a \)라 하고 셀을 읽을 때 level을 구별하는 원래 값을 Vread라 할 때, Vread대신 Vread \( +a \)값을 이용하여 데이터를 판별한다면, 이웃 간 간섭이 Vread를 넘어서 에러가 예상되던 일부 셀들이 원래 데이터로 판별될 수 있을 것이다. 이때 \( a \)의 값은 전체 이웃 간 간섭의 영향을 평균낸 값이므로 무작위 데이터를 가정한다면 거의 일정하리라 기대할 수 있다. 따라서 실제 구현 시에는 처음에 \( a \)값을 미리 측정 또는 계산한 이후, 고정된 상수값으로 사용할 수 있으므로 복잡한 알고리즘이 불필요하며 쉽게 적용이 가능하다.</p> <h3>나. Careful Cell Compensation (CCC)</h3><p>간섭의 영향을 알 수 있다면, 그 만큼의 영향을 상쇄시켜 계산하면 되지만, 실제로는 특정 셀이 현재 가지고 있는 정확한 Voltage를 알기가 어렵다는 문제가 있다. 이를 보완하기 위해서 셀의 voltage를 대략적으로만 추정하여 간섭으로 인해 에러가 났을 가능성이 높은 셀만 추려낸 후, 이웃 간 간섭을 비교하여 영향이 클 경우에는 데이터가 에러 났을 가능성이 높다고 판단하여 보정 해줄 수 있다.</p><p>이웃 간 간섭으로 인해 에러가 났을 가능성이 높은 셀을 'Careful Cell'이라 정의하는데, 이웃 간 간섭의 영향은 셀의 voltage를 높이는 방향성을 가지고 있으므로, 간섭의 영향을 크게 받은 셀은 이로 인해 원래 Vread threshold를 넘겼을 가능성이 높다. 즉 Vread threshold 근처의 Voltage를 가지는 셀을 추려내서 이를 'Careful cell'로 분류한다. 이때 Vread threshold를 어느 정도 넘은 셀을 추려내야 하는지를 정해야하는데 이 값을 'Careful cell threshold voltage'라 정의한다. 이를 추려내는 방법은 Vread로 셀을 한번 읽고 'Vread+Careful cell threshold voltage'값으로 한 번 더 읽어서 만약 판별한 데이터값이 다를 경우에는 'Careful cell' 구간에 있음을 확인할 수 있다. 만약 'Careful cell'이라는 판단을 했다면, 이 cell에 대해서만 Interference 검사를 한다. 이미 careful cell 판별을 위해 주변 데이터값을 읽어 놓았기 때문에 이를 이용해서 이웃 간 간섭의 크기를 계산할 수 있다. 이 간섭의 크기가 일정한 수치를 넘으면 간섭으로 인해 에러가 발생했을 거라 기대할 수 있는데 이를 결정하는 threshold를 'Interference threshold voltage'라 정의한다. 만약 이웃 간 간섭의 크기가 Interference threshold voltage를 넘었다면 이 셀은 이웃 간 간섭의 크기로 인해 에러가 발생했다고 가정하고 이미 판별된 데이터값은 정정한다. (예를 들면 그림에시 C로 판별되어있지만 Careful cell이고 이웃간간섭이 커서 애초에 B라는 데이터였지만 간섭으로 인해 C로 옮겨간 것이라 생각되므로 다시 B로 정정한다) 이때 Vread threshold voltage와 Interference threshold voltage를 정하는 방법은 임의로 정하거나 간단한 계산으로 정하는 방법도 있지만, 좋은 성능을 위해서 시뮬레이션으로 최적화된 값을 구할 수도 있을 것이다. CCC 알고리즘을 사용하기 위해서는 기존과 달리 한 셀을 두 번 읽어야 하기 때문에 추가 지연 시간을 요구하지만 매모리 컨트롤러에서 용인 가능한 지연시간이다.</p><p>Careful Cell Compensation Algorithm을 정리하면 표 1과 같다.</p><table border><caption>표 1. Careful Cell Compensation 알고리즘 설명</caption><tbody><tr><td colspan=2>Careful Cell Compensation (CCC) Algorithm</td></tr><tr><td>1</td><td>Vread와 Vread+Careful cell threshold voltage의 값으로 한 셀을 두 번에 걸쳐서 읽는다.</td></tr><tr><td>1-1</td><td>두 번 읽은 데이터값이 다른다면 (Careful cell이라면) 2번으로,</td></tr><tr><td>2</td><td>그 셀의 주변 데이터를 이용해 이웃간 간섭의 크기를 구한다.</td></tr><tr><td>2-1</td><td>이웃간 간섭의 크기가 Interference threshold voltage보다 크다면 3번으로</td></tr><tr><td>3</td><td>원래 데이터값을 한 level 낮춘 값으로 바꾸어 에러를 정정한다.</td></tr></tbody></table>	전기공학, 통신공학, 전자공학	[ "<h1>요 약</h1><p>NAND Multi-level cell Flash memory는 한 셀에 여러 \\(\\mathrm{bit}\\)의 정보롤 저장하는 방법으로, 용량 집적도를 더욱 높일수 있는 기술로 각광 받고 있다.", "하지만 한 셀당 레벨 수롤 올릴 경우, 셀간 간섭 등 여러 물리적 이유들로 인혜 오류가 발생하며, 이 주된 오류 방향은 unidirectional 함이 알려져 있다.", "기존에는 오류 정정 부호(ECC)등을 이용하여 이를 해결하려 했지만, 우리는 셀간 간섭으로 인한 오류에 포커스를 맞추어, 이 영향을 예측하고 줄여서 오류를 보정하는 새로운 알고리즘들은 제안한다.", "이 알고리즘은 기존 오류정정부호 기법들과 별도의 단계로 동시에 적용할 수 있기에 에러 정정능력 향상에 효과적이다.", "제안된 알고리즘들을 시뮬레이션을 통하여 성능을 비교하고 효율적인 앝고리즘이 무엇인지 알아본다.", "</p> <h3>나.", "Simulation Results : MRCCC</h3><p>그림 12의 그래프에서 1번 읽는 것은 Original, 2번 읽는 건 CCC 알고리즘을 뜻한다.", "3번 이상 읽는 것이 MRCCC인데 3번 읽으면 성능향상이 두드러지는데 4번 이상부터는 크게 성능 향상이 두드러지지는 않는다.", "너무 세부적으로 나누면 다른 에러를 잡으면서 새로운 에러를 놓치는 경우가 발생할 수도 있고, Careful cell threshold와 Interference threshold의 최적화 문제가 발생할 수 있다.", "</p><h3>다.", "Simulation Results : DCR</h3><p>그림 13의 실험은 한 셀당 8 level이 있어서 \\(3\\mathrm{bit}\\)을 저장할 수 있는 모델로 수행했으며 DCR Optimal 방식은 완벽하게 데이터의 원래 개수를 맞추는 read voltage를 찾았을 때의 결과로, 알고리즘 성능 비교에 사용한다.", "Iteration 0은 초기 read voltage로 ARV algorithm을 사용하고, 더 이상의 처리 과정이 없는 방법이기 때문에 ARV algorithm과 성능이 같다.", "</p><p>Iteration 수가 많아실수록 성능이 optimal DCR에 가까운 성능을 보이며, 3번의 iteration만 가지고도 optimal DCR과 거의 비슷한 성능을 보였다.", "Table을 사용하여 DCR을 하는 것도 비교적 좋은 error probability를 보였으며, iteration을 1번 하는 것 보다는 약간 좋은 성능을 보인다.", "Iteration을 한번 하는 것은 일정한 간격으로 한번만 옮겨봐서 ARV algorithm만 썼을 때 보다 정확한 count에 가까운지 확인해 보는 것인데, table을 사용하는 방법은 잘못 복조된 cell의 수에 따라서 옮기는 read voltage를 변동시키기 때문이라 생각된다.", "DCR 알고리즘을 사용하면 MLC 모델 parameter에 따라 결과가 다르지만 위 실험에서는 에러율이 약 \\( 10^{-3} \\)만큼 주는 효과가 있음을 그래프에서 확인할 수 있다.", "</p><h1>Ⅳ. 결 론</h1><p>MLC 플래시 메모리에서 셀간 간섭의 영향을 많이 줄일 수 있다면, 한 셀당 저장 데이터를 늘릴 수 있기 때문에 큰 집적밀도 향상을 기대할 수 있다.", "제안된 신호 처리 방식 알고리즘 등이 간섭의 영향을 줄일 수 있음을 확인할 수 있으며, CCC와 DCR 등의 새로운 알고리즘을 통해 간섭제거 기법을 사용하지 않을 때보다 에러율을 모델에 따라 약 \\( 10^{-3} \\)정도 낮추는 효과가 있음을 확인할 수 있다.", "기존의 오류 정정 부호 기법과 병행하면 더 적은 오버헤드로 더 좋은 에러 정정 성능을 기대할 수 있다.", "</p> <h1>Ⅱ. 본 론</h1><h2>1. 셀간 간섭 및 모델링</h2><h3>가.", "셀간 간섭 (Cell to cell interfernece)</h3><p>Multi-level cell (MLC)에서 \\(V_{\\text {th }} \\) Shift로 인한 에러에는 다양한 원인들이 있다.", "이웃 셀 간 간섭(Cell to cell Interference), 셀 누출(Cell Leakage), 온도, \\( V_{\\text {pgm, }}, V_{\\text {pass }} \\) 방해 \\( \\left(V_{\\text {pgm, }}, V_{\\text {pass }}\\right. \\) Disturbance)", "등이 이러한 오류를 일으킨다.", "이중 이웃 셀 간 간섭은 영향도 크고 어느 정도 모델링이 가능한 에러이기 때문에, 이로 인한 에러를 줄이는 것을 주요 목표로 한다.", "</p><p>이웃 셀 간 간섭은 주변 셀의 data가 바뀌면서 Voltage가 변하는데, 이러한 이웃의 영향으로 셀의 Voltage 받기 때문에 발생한다.", "이때 \\( V_{\\text {th }} \\) Shift는 Voltage가 증가하는 방향으로만 일어나게 된다.", "이웃 셀간 간섭은 결국 Programming operation에서 일어난다.", "</p><p>셀간 간섭의 영향은 실측이나 이론적 계산값의 접근을 통해 모델링 할 수 있다.", "실제로는 두 셀간의 거리, Program의 순서와 방법, 한 셀당 level 수, 주변 셀의 진압의 변화 등 다양한 요소에 따라 달라진다.", "주변 셀에 기록되는 데이터의 종류에 따라 전압 변화량이 달라지고 이에 따라 셀간 간섭의 양이 의존한다.", "</p><h3>나.", "Distribution Model</h3><p>실제 물리적으로 구현되는 플래시 메모리의 간섭 문제를 이론적으로 분석하고 해결하기 위해서는 간섭에 대한 모델링 뿐 아니라 셀이 가지는 레벨별 voltage의 모델링이 필요하다.", "distribution 모델에 따라서 여러 알고리즘의 결과값들이 크게 영향을 받으며 실제 모델과 더 가깝고 정교한 모델링이 기초가 되어야 신뢰도 높은 전산 결과값이 나온다.", "</p><p>특정 level을 가지는 데이터를 셀에 저장하기 위해서는 level에 맞는 voltage를 셀 내에 기록하지만 물리적인 이유로 인하여 그 전압 값을 정확히 기록하지 못하고 약간씩 오차가 발생하게 된다.", "voltage를 기록하는 시도는 셀별로 모두 독립적이며 오차 역시 독립적이므로 이를 Gaussian Model로 나타낼 수 있다.", "그림 3은 일반적인 Gaussian curve를 나타낸 것이다.", "그러나 실제 플래시 메모리의 voltage distribution과 정확히 같지는 않으며 이를 보완하기 위해 다른 추가 보정사항들이 필요하다.", "</p> <h2>2. 셀간 간섭 제거 알고리즘</h2><p>기존에는 셀간 간섭으로 인해 발생한 오류는 전통적인 오류 정정 부호의 적용이나 또는 Flash memory에 효율적이 되도록 변형된 오류 정정 부호로 해결을 시도했다.", "하지만 MLC에서는 한 셀당 레벨수가 많아짐에 따라 오류가 발생이 증가하고 필요한 오류정정부호 공간이 늘어나므로, MLC 오류의 특성을 이용한 새로운 에러 정정 방법을 시도할 수 있다.", "셀간 간섭의 원리를 파악하고 이를 이용하여 보다 근본적인 해결을 시도하는 새로운 알고리즘들을 제안한다.", "다음 셀간 간섭 제거 알고리즘들은 플래시 메모리에서 데이터 입출력을 담당하는 메모리 컨트롤러단에서 소프트웨어적으로 처리하는 알고리즘들이므로 하드웨어적인 추가 구성 없이 적용 가능하므로 실용적이다.", "다만 기법에 따라서 한 번의 데이터 읽기를 위해서 두 번 이상 읽거나 컨트롤러의 데이터 처리 등의 오버헤드와 이로 인한 읽기 속도 저하는 존재하지만, 한 번의 추가 Read에 필요한 물리적 시간은 현재 메모리 컨트롤러의 처리 속도로 용인 가능한 수준으로 알려져 있으며, 오류 정정 능력 항상와 속도가 서로 상충관계에 있음을 알 수 있다.", "</p><h3>가.", "Adaptive Reading Voltage (ARV)</h3><p>대부분의 셀은 이웃 간 간섭의 영향을 받는다.", "개별 셀별로 그 영향의 크기는 모두 다르겠지만, 이 간섭을 평균내서 이용한다면 어느 정도 에러가 보정되리라 기대할 수 있다.", "</p><p>예를 들면, 전체 셀이 받는 이웃 간 간섭을 평균낸 값(Average interference voltage)을 \\( a \\)라 하고 셀을 읽을 때 level을 구별하는 원래 값을 Vread라 할 때, Vread대신 Vread \\( +a \\)값을 이용하여 데이터를 판별한다면, 이웃 간 간섭이 Vread를 넘어서 에러가 예상되던 일부 셀들이 원래 데이터로 판별될 수 있을 것이다.", "이때 \\( a \\)의 값은 전체 이웃 간 간섭의 영향을 평균낸 값이므로 무작위 데이터를 가정한다면 거의 일정하리라 기대할 수 있다.", "따라서 실제 구현 시에는 처음에 \\( a \\)값을 미리 측정 또는 계산한 이후, 고정된 상수값으로 사용할 수 있으므로 복잡한 알고리즘이 불필요하며 쉽게 적용이 가능하다.", "</p> <h3>나.", "Careful Cell Compensation (CCC)</h3><p>간섭의 영향을 알 수 있다면, 그 만큼의 영향을 상쇄시켜 계산하면 되지만, 실제로는 특정 셀이 현재 가지고 있는 정확한 Voltage를 알기가 어렵다는 문제가 있다.", "이를 보완하기 위해서 셀의 voltage를 대략적으로만 추정하여 간섭으로 인해 에러가 났을 가능성이 높은 셀만 추려낸 후, 이웃 간 간섭을 비교하여 영향이 클 경우에는 데이터가 에러 났을 가능성이 높다고 판단하여 보정 해줄 수 있다.", "</p><p>이웃 간 간섭으로 인해 에러가 났을 가능성이 높은 셀을 'Careful Cell'이라 정의하는데, 이웃 간 간섭의 영향은 셀의 voltage를 높이는 방향성을 가지고 있으므로, 간섭의 영향을 크게 받은 셀은 이로 인해 원래 Vread threshold를 넘겼을 가능성이 높다.", "즉 Vread threshold 근처의 Voltage를 가지는 셀을 추려내서 이를 'Careful cell'로 분류한다.", "이때 Vread threshold를 어느 정도 넘은 셀을 추려내야 하는지를 정해야하는데 이 값을 'Careful cell threshold voltage'라 정의한다.", "이를 추려내는 방법은 Vread로 셀을 한번 읽고 'Vread+Careful cell threshold voltage'값으로 한 번 더 읽어서 만약 판별한 데이터값이 다를 경우에는 'Careful cell' 구간에 있음을 확인할 수 있다.", "만약 'Careful cell'이라는 판단을 했다면, 이 cell에 대해서만 Interference 검사를 한다.", "이미 careful cell 판별을 위해 주변 데이터값을 읽어 놓았기 때문에 이를 이용해서 이웃 간 간섭의 크기를 계산할 수 있다.", "이 간섭의 크기가 일정한 수치를 넘으면 간섭으로 인해 에러가 발생했을 거라 기대할 수 있는데 이를 결정하는 threshold를 'Interference threshold voltage'라 정의한다.", "만약 이웃 간 간섭의 크기가 Interference threshold voltage를 넘었다면 이 셀은 이웃 간 간섭의 크기로 인해 에러가 발생했다고 가정하고 이미 판별된 데이터값은 정정한다.", "(예를 들면 그림에시 C로 판별되어있지만 Careful cell이고 이웃간간섭이 커서 애초에 B라는 데이터였지만 간섭으로 인해 C로 옮겨간 것이라 생각되므로 다시 B로 정정한다) 이때 Vread threshold voltage와 Interference threshold voltage를 정하는 방법은 임의로 정하거나 간단한 계산으로 정하는 방법도 있지만, 좋은 성능을 위해서 시뮬레이션으로 최적화된 값을 구할 수도 있을 것이다.", "CCC 알고리즘을 사용하기 위해서는 기존과 달리 한 셀을 두 번 읽어야 하기 때문에 추가 지연 시간을 요구하지만 매모리 컨트롤러에서 용인 가능한 지연시간이다.", "</p><p>Careful Cell Compensation Algorithm을 정리하면 표 1과 같다.", "</p><table border><caption>표 1. Careful Cell Compensation 알고리즘 설명</caption><tbody><tr><td colspan=2>Careful Cell Compensation (CCC) Algorithm</td></tr><tr><td>1</td><td>Vread와 Vread+Careful cell threshold voltage의 값으로 한 셀을 두 번에 걸쳐서 읽는다.", "</td></tr><tr><td>1-1</td><td>두 번 읽은 데이터값이 다른다면 (Careful cell이라면) 2번으로,</td></tr><tr><td>2</td><td>그 셀의 주변 데이터를 이용해 이웃간 간섭의 크기를 구한다.", "</td></tr><tr><td>2-1</td><td>이웃간 간섭의 크기가 Interference threshold voltage보다 크다면 3번으로</td></tr><tr><td>3</td><td>원래 데이터값을 한 level 낮춘 값으로 바꾸어 에러를 정정한다.", "</td></tr></tbody></table>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "MLC 플래시 메모리에서의 셀간 간섭 제거 알고리즘", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1aa022d3-646c-4359-8e0d-c364932d2e7e", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2010", "doc_author": [ "전명운", "김경철", "신범주", "이정우" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
404	<h2>2. 시스템 기능 및 동작</h2> <p>AMI 시스템의 전체 구조는 그림 1과 같이 ‘가’, ‘나’, ‘다’로 이루어져 있다. 홈 게이트웨이 기반 AMI 기능 모듈은 ‘가’로 구성되고, 미터 데이터 관리 시스템은 ‘나’로 구성되며 전력 응용 모듈은 ‘다’로 구성하였다. 본 절에서는 그림 1의 각 구성 요소들에 대하여 구체적인 기능 및 동작에 대하여 설명한다.</p> <h3>가. 홈 게이트웨이 기반 AMI 기능 모듈</h3> <p>일반적인 홈 게이트웨이는 가정 내에 스마트가전을 관리하기 위한 통신 인프라로서 각 가전을 통합 관리하는 기능을 제공한다. AMI 기능이 동작하기 위한 홈 게이트웨이는 기존 홈 게이트웨이에 전력관리를 위한 보안 서비스 모듈 등을 추가하여 기존 서비스 모듈과 연동한다. 이러한 접근 방법은 앞에서 언급한 것과 같이AMI를 위한 독립적인 모듈을 필요로 하지 않으므로 최소의 변환을 통하여 원하는 목적을 이룰 수 있었다.</p> <p>그림 2는 본 논문에서 제안하는 홈 게이트웨이에 AMI 기능을 추가, 확장한 시스템의 구조를 나타내며 그 중 AMI를 위해 추가되는 모듈은 크게 다음과 같으며 이들의 기능에 대하여 설명한다.</p> <h4>(1) 에너지 홈 대리자(Energy Home Agent)</h4> <p>에너지 홈 대리자(EHA)는 기존 홈 네트워크 대리자의 가전 정보에 에너지 정보를 추가하고 관리한다. 기존 홈 네트워크는 각 가전의 동작 및 특성만을 저장하고 관리하였으나 제안 시스템은 기존 정보에 가전의 에너지 분류 정보, 에너지 가격 정보, 에너지 제어 정보를 추가하여 관리한다.</p> <h4>(2) 에너지 데이터 대리자(Energy Data Agent)</h4> <p>에너지 데이터 관리자(EDM)는 데이터 핸들러로부터 수신되는 데이터에 시간정보를 추가하여 홈 데이터베이스에 저장하고 동시에 미터 데이터 관리 시스템에 송신한다. 그리고 저장된 정보들은 홈 게이트웨이 내부의 다른 서비스 모듈들에게 제공 하거나 외부 인터페이스를 통해 외부 관리 시스템에 제공된다.</p> <h4>(3) 에너지 부하 관리자(Energy Load Manager)</h4> <p>에너지 부하 관리자(ELM)는 에너지 소비 제어 기능을 담당하는 서비스 모듈로서 서비스 레벨에 따라 가전을 분류하고 관리한다. ELM은 에너지 부하 제어 정보를 기반으로 정해진 레벨에 따라 미리 지정된 스마트 가전을 제어한다. 본 시스템의 ELM는 표 1을 기준으로 홈 게이트웨이에 등록된 가전의 목록과 명령어 목록을 검색하여 제어 테이블을 생성 관리한다.</p> <table border><caption>표 1. 에너지 부하 제어 서비스 그룹</caption> <tbody><tr><td>서비스 그룹</td><td>서비스 그룹 내용</td><td>제어 가전 목록</td><td>비고</td></tr><tr><td>Level 0</td><td>제어 불가/불허</td><td>네트워크 장비, 전화 등</td><td></td></tr><tr><td>Level 1</td><td>경고 후 제어 가능 장비</td><td>TV, 컴퓨터, 다리미, 세탁기 등</td><td>경고 후 전원 차단</td></tr><tr><td>Level 2</td><td>자동 제어 장비</td><td>냉장고, 에어컨 등</td><td>전원소비를 조정 할수 있는 장비</td></tr><tr><td>Level 3</td><td>자동 전원 차단</td><td>현관 등, 스프링 쿨러 등</td><td></td></tr></tbody></table> <h4>(4) 이벤트 처리자(Event Handler)</h4> <p>이벤트 처리자 EH는 홈 네트워크의 상태를 감시하고 장애 발생하는 경우 이벤트를 처리하거나 각 모듈로부터 등록된 이벤트를 감시한다. EH는 각 이벤트 발생에 따라 에너지 부하 관리자, 에너지 데이터 관리자, 에너지 홈 대리자를 호출한다.</p> <h4>(5) Url, XML 파서 및 생성기</h4> <p>이 모듈은 에너지 정보 교환을 위한 Url과 XML 데이터를 생성하고 분석한다. 본 논문에서 제안한 시스템은 REST의 Url를 이용하여 데이터를 호출하고 삽입하며 데이터의 형태는 XML 메시지 형식으로 데이터를 교환한다. 그리고 데이터 구조는 홈 게이트웨이와 미터 데이터 관리 시스템간의 전력량 정보 교환을 위해 IEC 61970 에 근거하여 XML로 구성한다.</p> <h4>(6) REST 서비스 모듈</h4> <p>REST 서비스 모듈은 HTTP의 GET, PUT, PUSH, DELETE 명령어를 이용하여 XML 형식으로 데이터를 미터 데이터 관리 시스템에 전송한다. 또한 데이터 관리 시스템으로부터는 XML 형태로 에너지 가격 정보 및 제어 정보를 수신 받는다. 제안 시스템에서는 데이터의 요청 및 전송을 위해서는 C#의 HttpWebRequest 클래스를 사용하고 REST 서비스의 제공은 .NET Framework의 WCF를 사용하였다. WCF를 사용한 웹 서비스는 호스팅에 웹 서버가 필요 없는 이점이 있다. 하나의 예로서 다음 명령은 홈 게이트웨이에서 미터 데이터 관리 시스템에 전력 데이터를 전송하기 위한 PUT 명령이다.</p> <p>http://localhost:8080/Service/put?user={USER}&pass={PASS}</p> <p>미터 데이터 관리 시스템은 인증되지 않은 홈 게이트웨이의 침입을 방지하기 위해 위와 같이 USER ID와 PASS를 비교, 검사한다.</p> <h4>(7) 암호 모듈</h4> <p>보안 모듈은 기존 홈 게이트웨이에 전력관리 및 보안 서비스 모듈을 추가하여 기존 홈 네트워크 서비스 모듈과 연동한다. 이는 지능형 전력망에 저장된 에너지 사용 정보에 대하여 사이버 공격으로부터 위협 가능성을 줄이기 위한 것이다. 본 시스템에서 사용 하는 보안 알고리즘은 대칭적 블록 암호화 방식인 AES 알고리즘을 사용하여 보안 오버헤드가 있기는 하지만 안정성과 신뢰성을 유지하였다. 보안 알고리즘의 데이터 블록은 128 비트이고, 암호 키는 128, 192 혹은 256비트 중에서 선택할 수 있도록 하였다.</p> <h2>4. 미터 데이터 관리 시스템</h2> <p>미터 데이터 관리 시스템은 확장 홈 게이트웨이가 송신한 에너지 소비 정보를 II장에서 설계한 알고리즘에 따라 저장한다. 이 시스템은 홈 게이트웨이의 데이터를 수신하기 위해 REST(representational state transfer)웹서비스를 제공하며 다수의 홈 게이트웨이를 지원하기 위한 멀티 쓰레드 구조로 설계 구현 하였다. 또한 이 시스템은 전력 응용 모듈에서 확장 홈 게이트웨이의 설정 값 등을 제어하기 위해 Command 테이블을 주기적으로 감시하는 백그라운드 쓰레드를 가지고 있다. Command 테이블에 추가된 명령은 미터 데이터 관리 시스템에 의해 XML(Extensible Markup Language)형식의 데이터로 변환 되어 해당 홈 게이트웨이가 데이터 송신시 응답 형식으로 송신된다. 제안된 시스템은 이 일련의 동작을 통해 공급자에게 수용가 전력 소비 부하 제어 기능을 제공한다.</p> <h2>5. 전력 응용 모듈</h2> <p>전력 응용 모듈은 확장 홈네트워크 기반의 AMI 시스템으로 실시간 에너지 소비 정보와 통계 그리고 경고 이벤트 감시 기능을 제공한다.</p> <p>실시간 에너지 소비 정보는 수용가들의 실시간 에너지 전력 소비 정보를 제공하기 위해서 최근 수신된 데이터 검색 기능과 미터별 최근 데이터 검색 기능, 미터 데이터 검색 기능 등을 제공한다. 이 모듈은 등록된 모든 미터의 가장 최근 Current Value, Previous Value, 데이터 소비량, 수신 시간 등을 확인 할 수 있다.</p> <p>에너지 소비 통계 기능은 특정 미터의 월별, 일별 전력 소비량을 표와 그래프로 표시한다. 이 모듈은 특정 날짜 또는 특정 월의 전력 소비량을 확인함으로서 수용가의 년/월간 전력 소비 추이를 추적 할 수 있는 기반을 제공한다. 또한 이 모듈은 장애 모니터링 기능, 최근 장애 검색 기능, 수용가 별 장애 검색 기능을 제공한다. 따라서 이 모듈은 최근 발생한 수용가의 장애를 확인할 수 있으며 장애 이력 테이블을 제공하여 장애 별로 처리 이력을 관리 할 수 있는 기능을 제공한다.</p> <h2>6. 구현 시스템 결과 분석</h2> <p>본 논문에서 설계한 시스템을 실험하기 위한 시스템의 동작 흐름의 설명은 다음과 같다. 확장 홈 네트워크 시뮬레이터는 저장된 프로파일에 따라 정의된 가전 기기의 동작을 제어하고 일정 주기 (본 실험에서는 10 분)로 그 전력 소비랑을 전송한다.</p> <p>홈 게이트웨이는 수신된 전력 소비량을 부하기준과 비교하여 기준 이상의 부하발생시 가전 기기 동작 제어 명령을 확장 홈 네트워크 시뮬레이터에 전송하며 REST웹 서비스를 사용하여 미터 데이터 관리 시스템에 전송한다. 미터 데이터 관리 시스템은 홈 게이트웨이로부터 수신된 전력 소비량 데이터를 체계적으로 데이터베이스에 저장한다.</p> <p>표 4 는 실험을 통한 가전 종류별 전력 소비량 통계 측정치이다. 홈 네트워크에 의해 제어되는 가전기기는 세척기, 오디오, 현관등, 실내등, 컴퓨터, 에어콘, 전자레인지, TV, 공기정화기, 가습기, 냉장고이며 그 동작은 동작 프로파일을 기반으로 그룹별로 동일하게 동작한다. 전력 사용 형태에 따라 가전기기들은 3 개의 그룹으로 분류하여 관리 하도록 하였다. 이는 사용 형태가 다른 것에 따라서 제어하는 방법 등이 달라질 수 있기 때문이다. 그리고 이러한 방법이 전체를 효과적으로 관리할 수 있을 것이다. Not Define은 스마트 그리드를 위한 네트워크 장비로 전원이 꺼져서는 안 된다. 그룹 1은 그룹 2,3 을 포함하며 사용자가 제어가 가능한 장치로서 제어에 필요한 필수 장치를 제외한 모든 장치이다. 그리고 그룹 2 는 그룹 3 을 포함하며 사용자가 전원소비가 조정이 가능한 확인 요청을 설정한 장치이다. 그룹 3은 자동으로 꺼져도 사용자가 불편함이 없는 장치로서 사용자의 확인이 필요하지 않은 장치들로 구성된다.</p> <table border><caption>표 4. 서비스 그룹 별 전력 소비량 예</caption> <tbody><tr><td>SERVICE 그룹</td><td>전력 소비 합계</td><td>시간별 최대 전력소비</td><td>일별 최대 전력 소비</td></tr><tr><td>Not Define</td><td>183.82</td><td>3.25</td><td>28</td></tr><tr><td>그룹 3</td><td>167.31</td><td>3.12</td><td>27</td></tr><tr><td>그룹 2</td><td>163.42</td><td>3.02</td><td>26</td></tr><tr><td>그룹 1</td><td>112.52</td><td>1.89</td><td>18</td></tr></tbody></table> <p>홈 게이트웨이는 전력소비가 홈 게이트웨이에 설정된 시간별 최대 전력 소비의 임계치에 도달하면 설정된 서비스 그룹을 기준으로 해당 그룹의 가전 기기를 제어하도록 하였다. 따라서 시간별 최대 전력 소비가 자동 감소된다. 제안된 시스템은 표 4에서 보면 그룹 3의 시간 별 전력소비량과 그룹 1의 일별 전력 소비량 합들의 결과를 비교 했다. 그림 7은 전력 모니터링 모듈에서 제공하는 그룹3과 그룹1의 일별 전력 소비량의 합을 나타내는 그래프이다.</p> <p>그 결과 제안된 시스템은 제어를 하지 않았을 경우보다 전력소비가 시간당 \( 4 \sim 42 \% \) 정도 줄어들었다. 따라서 제안된 시스템이 에너지 서비스 그룹을 기반으로 에너지를 보다 효율적으로 관리함을 알 수 있다. 또한 시간 별 최대 전럭 소비를 줄이는 것을 알 수 있었으며 서비스 그룹에 따라서 다르게 나타나는 것도 볼 수 있었다.</p> <h3>나. 미터 데이터 관리 시스템</h3> <p>미터 데이터 관리 시스템(MDMM)은 홈 게이트웨이가 송신하는 REST의 요청 정보로 부터 미터 데이터를 해석하고 시간, 가격 정보, 부가 제어 신호를 XML 형식으로 작성하여 응답한다. 수신된 정보는 미리 정의된 형식으로 일반화되어 데이터관리 모듈에 전달된다.MDMM은 미터 데이터를 기반으로 이전에 저장된 데이터와 비교하여 데이터를 체계적으로 저장하고 미터상태 정보를 기반으로 미터기 장애 이벤트를 생성한다. 또한 MDMM은 가격 정보를 변경하기 위한 인터페이스와 수용가의 부하 제어 신호를 생성하기 위한 인터페이스를 제공한다. MDMM은 홈 게이트웨이와 같이 REST 서비스 모듈, URL, XML 파서/생성기, 데이터베이스 연결 관리 모듈, 미터 데이터 처리 모듈 등으로 구성된다.</p> <h4>(1) 데이터베이스 연결 관리 모듈</h4> <p>데이터베이스 연결 관리 모듈은 빈번한 데이터를 신속하게 데이터베이스에 저장하기 위해서 연결 관리 객체를 미리 일정한 수만큼 생성 한 후 재사용하는 커넥션 풀을 사용한다. 커넥션 풀은 다른 데이터베이스를 지원하기 위해서는 AbstractDatabase를 상속받아 구현하면 상위 클래스 수정 없이 쉽게 구현 할 수 있다.</p> <h4>(2) 미터 데이터 처리 모듈</h4> <p>미터 데이터 처리 모듈은 수신된 미터 데이터를 데이터베이스에 저장한다. MDMM은 데이터의 확인과 보정을 위해 특정 홈 게이트웨이로부터 일정 시간 동안 누적된 미터 데이터를 가져와 갱신하는 기능을 제공한다.</p> <table border><caption>표 2. 미터 데이터 처리 파라미터</caption> <tbody><tr><td>Parameter</td><td>설명</td></tr><tr><td>\( M p_{i} \)</td><td>측정된 누적 전력량</td></tr><tr><td>\( M t_{i} \)</td><td>\(i\)번째 전력값이 기록 될 때의 시간</td></tr><tr><td>\( M D_{i} \)</td><td>\( \left(M p_{i}, M t_{i}\right): \) Meter data의 전력값</td></tr><tr><td>\(Cph\)</td><td>\( \sum_{i=1}^{6}\left(M D_{i}-M D_{i}-1\right) \)</td></tr><tr><td>\(Cpd\)</td><td>\( \sum_{d=1}^{n=24} \sum_{i=1}^{6}\left(M p_{i}-M p_{i}-1\right) \)</td></tr><tr><td>\(Cpm\)</td><td>\( \sum_{k=1}^{m=30} \sum_{j=1}^{n=24} \sum_{i=1}^{6}\left(M p_{i}-M p_{i}-1\right) \)</td></tr></tbody></table> <p>그리고 MDMM은 측정된 변동에 따라 데이터를 각각 다른 방법으로 갱신해야 하며 처리를 위하여 호출되는 API의 동작을 간략히 그림 3과 같이 표현할 수 있다.</p> <p>또한 미터 데이터의 처리 과정에서 중요한 파라미터를 표 2와 같이 표현 할 수 있다. 미터 데이터의 전력값은 측정된 누적 전력값과 전력값이 기록될 때의 시간을 조합으로 나타내었다. 미터 데이터 처리 모듈은 미터 데이터의 전력값을 받아서 데이터베이스에 저장하여 구간별로 소비 전력을 계산할 수 있다. \(Cph\)는 10 분을 주기 시간별 소비 전력이고, \(Cpd\)는 일별 소비 전력, \(Cpm\)은 월별 소비 전력을 나타낸다.</p> <h3>다. 전력 응용 모듈</h3> <p>전력 응용 모듈은 전력 공급자에게 수용가의 에너지 소비 추이 정보를 제공하는 모듈이나. 또한 이 모듈은 본 논문에서 제안한 시스템의 공급자 측면에서의 효용성을 증명하기 위한 모듈이다. 공급자는 정산과 운영의 두 가지 측면에서 스마트그리드를 필요로 한다. 구현 시스템은 미터 데이터 관리시스템에 의하여 구성된 데이터베이스를 기반으로 수용가의 에너지 소비 데이터를 효과적으로 제공한다. 또한 실시간 에너지 사용 감시, 에너지 소비 분석, 장애 이벤트 감시 기능 등을 제공한다. 이러한 모듈은 새로운 서비스가 필요한 경우 모듈 별로 추가할 수 있도록 구성하였다.</p>	전기공학, 통신공학, 전자공학	[ "<h2>2. 시스템 기능 및 동작</h2> <p>AMI 시스템의 전체 구조는 그림 1과 같이 ‘가’, ‘나’, ‘다’로 이루어져 있다.", "홈 게이트웨이 기반 AMI 기능 모듈은 ‘가’로 구성되고, 미터 데이터 관리 시스템은 ‘나’로 구성되며 전력 응용 모듈은 ‘다’로 구성하였다.", "본 절에서는 그림 1의 각 구성 요소들에 대하여 구체적인 기능 및 동작에 대하여 설명한다.", "</p> <h3>가.", "홈 게이트웨이 기반 AMI 기능 모듈</h3> <p>일반적인 홈 게이트웨이는 가정 내에 스마트가전을 관리하기 위한 통신 인프라로서 각 가전을 통합 관리하는 기능을 제공한다.", "AMI 기능이 동작하기 위한 홈 게이트웨이는 기존 홈 게이트웨이에 전력관리를 위한 보안 서비스 모듈 등을 추가하여 기존 서비스 모듈과 연동한다.", "이러한 접근 방법은 앞에서 언급한 것과 같이AMI를 위한 독립적인 모듈을 필요로 하지 않으므로 최소의 변환을 통하여 원하는 목적을 이룰 수 있었다.", "</p> <p>그림 2는 본 논문에서 제안하는 홈 게이트웨이에 AMI 기능을 추가, 확장한 시스템의 구조를 나타내며 그 중 AMI를 위해 추가되는 모듈은 크게 다음과 같으며 이들의 기능에 대하여 설명한다.", "</p> <h4>(1) 에너지 홈 대리자(Energy Home Agent)</h4> <p>에너지 홈 대리자(EHA)는 기존 홈 네트워크 대리자의 가전 정보에 에너지 정보를 추가하고 관리한다.", "기존 홈 네트워크는 각 가전의 동작 및 특성만을 저장하고 관리하였으나 제안 시스템은 기존 정보에 가전의 에너지 분류 정보, 에너지 가격 정보, 에너지 제어 정보를 추가하여 관리한다.", "</p> <h4>(2) 에너지 데이터 대리자(Energy Data Agent)</h4> <p>에너지 데이터 관리자(EDM)는 데이터 핸들러로부터 수신되는 데이터에 시간정보를 추가하여 홈 데이터베이스에 저장하고 동시에 미터 데이터 관리 시스템에 송신한다.", "그리고 저장된 정보들은 홈 게이트웨이 내부의 다른 서비스 모듈들에게 제공 하거나 외부 인터페이스를 통해 외부 관리 시스템에 제공된다.", "</p> <h4>(3) 에너지 부하 관리자(Energy Load Manager)</h4> <p>에너지 부하 관리자(ELM)는 에너지 소비 제어 기능을 담당하는 서비스 모듈로서 서비스 레벨에 따라 가전을 분류하고 관리한다.", "ELM은 에너지 부하 제어 정보를 기반으로 정해진 레벨에 따라 미리 지정된 스마트 가전을 제어한다.", "본 시스템의 ELM는 표 1을 기준으로 홈 게이트웨이에 등록된 가전의 목록과 명령어 목록을 검색하여 제어 테이블을 생성 관리한다.", "</p> <table border><caption>표 1. 에너지 부하 제어 서비스 그룹</caption> <tbody><tr><td>서비스 그룹</td><td>서비스 그룹 내용</td><td>제어 가전 목록</td><td>비고</td></tr><tr><td>Level 0</td><td>제어 불가/불허</td><td>네트워크 장비, 전화 등</td><td></td></tr><tr><td>Level 1</td><td>경고 후 제어 가능 장비</td><td>TV, 컴퓨터, 다리미, 세탁기 등</td><td>경고 후 전원 차단</td></tr><tr><td>Level 2</td><td>자동 제어 장비</td><td>냉장고, 에어컨 등</td><td>전원소비를 조정 할수 있는 장비</td></tr><tr><td>Level 3</td><td>자동 전원 차단</td><td>현관 등, 스프링 쿨러 등</td><td></td></tr></tbody></table> <h4>(4) 이벤트 처리자(Event Handler)</h4> <p>이벤트 처리자 EH는 홈 네트워크의 상태를 감시하고 장애 발생하는 경우 이벤트를 처리하거나 각 모듈로부터 등록된 이벤트를 감시한다.", "EH는 각 이벤트 발생에 따라 에너지 부하 관리자, 에너지 데이터 관리자, 에너지 홈 대리자를 호출한다.", "</p> <h4>(5) Url, XML 파서 및 생성기</h4> <p>이 모듈은 에너지 정보 교환을 위한 Url과 XML 데이터를 생성하고 분석한다.", "본 논문에서 제안한 시스템은 REST의 Url를 이용하여 데이터를 호출하고 삽입하며 데이터의 형태는 XML 메시지 형식으로 데이터를 교환한다.", "그리고 데이터 구조는 홈 게이트웨이와 미터 데이터 관리 시스템간의 전력량 정보 교환을 위해 IEC 61970 에 근거하여 XML로 구성한다.", "</p> <h4>(6) REST 서비스 모듈</h4> <p>REST 서비스 모듈은 HTTP의 GET, PUT, PUSH, DELETE 명령어를 이용하여 XML 형식으로 데이터를 미터 데이터 관리 시스템에 전송한다.", "또한 데이터 관리 시스템으로부터는 XML 형태로 에너지 가격 정보 및 제어 정보를 수신 받는다.", "제안 시스템에서는 데이터의 요청 및 전송을 위해서는 C#의 HttpWebRequest 클래스를 사용하고 REST 서비스의 제공은 .NET Framework의 WCF를 사용하였다.", "WCF를 사용한 웹 서비스는 호스팅에 웹 서버가 필요 없는 이점이 있다.", "하나의 예로서 다음 명령은 홈 게이트웨이에서 미터 데이터 관리 시스템에 전력 데이터를 전송하기 위한 PUT 명령이다.", "</p> <p>http://localhost:8080/Service/put?user={USER}&pass={PASS}</p> <p>미터 데이터 관리 시스템은 인증되지 않은 홈 게이트웨이의 침입을 방지하기 위해 위와 같이 USER ID와 PASS를 비교, 검사한다.", "</p> <h4>(7) 암호 모듈</h4> <p>보안 모듈은 기존 홈 게이트웨이에 전력관리 및 보안 서비스 모듈을 추가하여 기존 홈 네트워크 서비스 모듈과 연동한다.", "이는 지능형 전력망에 저장된 에너지 사용 정보에 대하여 사이버 공격으로부터 위협 가능성을 줄이기 위한 것이다.", "본 시스템에서 사용 하는 보안 알고리즘은 대칭적 블록 암호화 방식인 AES 알고리즘을 사용하여 보안 오버헤드가 있기는 하지만 안정성과 신뢰성을 유지하였다.", "보안 알고리즘의 데이터 블록은 128 비트이고, 암호 키는 128, 192 혹은 256비트 중에서 선택할 수 있도록 하였다.", "</p> <h2>4. 미터 데이터 관리 시스템</h2> <p>미터 데이터 관리 시스템은 확장 홈 게이트웨이가 송신한 에너지 소비 정보를 II장에서 설계한 알고리즘에 따라 저장한다.", "이 시스템은 홈 게이트웨이의 데이터를 수신하기 위해 REST(representational state transfer)웹서비스를 제공하며 다수의 홈 게이트웨이를 지원하기 위한 멀티 쓰레드 구조로 설계 구현 하였다.", "또한 이 시스템은 전력 응용 모듈에서 확장 홈 게이트웨이의 설정 값 등을 제어하기 위해 Command 테이블을 주기적으로 감시하는 백그라운드 쓰레드를 가지고 있다.", "Command 테이블에 추가된 명령은 미터 데이터 관리 시스템에 의해 XML(Extensible Markup Language)형식의 데이터로 변환 되어 해당 홈 게이트웨이가 데이터 송신시 응답 형식으로 송신된다.", "제안된 시스템은 이 일련의 동작을 통해 공급자에게 수용가 전력 소비 부하 제어 기능을 제공한다.", "</p> <h2>5. 전력 응용 모듈</h2> <p>전력 응용 모듈은 확장 홈네트워크 기반의 AMI 시스템으로 실시간 에너지 소비 정보와 통계 그리고 경고 이벤트 감시 기능을 제공한다.", "</p> <p>실시간 에너지 소비 정보는 수용가들의 실시간 에너지 전력 소비 정보를 제공하기 위해서 최근 수신된 데이터 검색 기능과 미터별 최근 데이터 검색 기능, 미터 데이터 검색 기능 등을 제공한다.", "이 모듈은 등록된 모든 미터의 가장 최근 Current Value, Previous Value, 데이터 소비량, 수신 시간 등을 확인 할 수 있다.", "</p> <p>에너지 소비 통계 기능은 특정 미터의 월별, 일별 전력 소비량을 표와 그래프로 표시한다.", "이 모듈은 특정 날짜 또는 특정 월의 전력 소비량을 확인함으로서 수용가의 년/월간 전력 소비 추이를 추적 할 수 있는 기반을 제공한다.", "또한 이 모듈은 장애 모니터링 기능, 최근 장애 검색 기능, 수용가 별 장애 검색 기능을 제공한다.", "따라서 이 모듈은 최근 발생한 수용가의 장애를 확인할 수 있으며 장애 이력 테이블을 제공하여 장애 별로 처리 이력을 관리 할 수 있는 기능을 제공한다.", "</p> <h2>6. 구현 시스템 결과 분석</h2> <p>본 논문에서 설계한 시스템을 실험하기 위한 시스템의 동작 흐름의 설명은 다음과 같다.", "확장 홈 네트워크 시뮬레이터는 저장된 프로파일에 따라 정의된 가전 기기의 동작을 제어하고 일정 주기 (본 실험에서는 10 분)로 그 전력 소비랑을 전송한다.", "</p> <p>홈 게이트웨이는 수신된 전력 소비량을 부하기준과 비교하여 기준 이상의 부하발생시 가전 기기 동작 제어 명령을 확장 홈 네트워크 시뮬레이터에 전송하며 REST웹 서비스를 사용하여 미터 데이터 관리 시스템에 전송한다.", "미터 데이터 관리 시스템은 홈 게이트웨이로부터 수신된 전력 소비량 데이터를 체계적으로 데이터베이스에 저장한다.", "</p> <p>표 4 는 실험을 통한 가전 종류별 전력 소비량 통계 측정치이다.", "홈 네트워크에 의해 제어되는 가전기기는 세척기, 오디오, 현관등, 실내등, 컴퓨터, 에어콘, 전자레인지, TV, 공기정화기, 가습기, 냉장고이며 그 동작은 동작 프로파일을 기반으로 그룹별로 동일하게 동작한다.", "전력 사용 형태에 따라 가전기기들은 3 개의 그룹으로 분류하여 관리 하도록 하였다.", "이는 사용 형태가 다른 것에 따라서 제어하는 방법 등이 달라질 수 있기 때문이다.", "그리고 이러한 방법이 전체를 효과적으로 관리할 수 있을 것이다.", "Not Define은 스마트 그리드를 위한 네트워크 장비로 전원이 꺼져서는 안 된다.", "그룹 1은 그룹 2,3 을 포함하며 사용자가 제어가 가능한 장치로서 제어에 필요한 필수 장치를 제외한 모든 장치이다.", "그리고 그룹 2 는 그룹 3 을 포함하며 사용자가 전원소비가 조정이 가능한 확인 요청을 설정한 장치이다.", "그룹 3은 자동으로 꺼져도 사용자가 불편함이 없는 장치로서 사용자의 확인이 필요하지 않은 장치들로 구성된다.", "</p> <table border><caption>표 4. 서비스 그룹 별 전력 소비량 예</caption> <tbody><tr><td>SERVICE 그룹</td><td>전력 소비 합계</td><td>시간별 최대 전력소비</td><td>일별 최대 전력 소비</td></tr><tr><td>Not Define</td><td>183.82</td><td>3.25</td><td>28</td></tr><tr><td>그룹 3</td><td>167.31</td><td>3.12</td><td>27</td></tr><tr><td>그룹 2</td><td>163.42</td><td>3.02</td><td>26</td></tr><tr><td>그룹 1</td><td>112.52</td><td>1.89</td><td>18</td></tr></tbody></table> <p>홈 게이트웨이는 전력소비가 홈 게이트웨이에 설정된 시간별 최대 전력 소비의 임계치에 도달하면 설정된 서비스 그룹을 기준으로 해당 그룹의 가전 기기를 제어하도록 하였다.", "따라서 시간별 최대 전력 소비가 자동 감소된다.", "제안된 시스템은 표 4에서 보면 그룹 3의 시간 별 전력소비량과 그룹 1의 일별 전력 소비량 합들의 결과를 비교 했다.", "그림 7은 전력 모니터링 모듈에서 제공하는 그룹3과 그룹1의 일별 전력 소비량의 합을 나타내는 그래프이다.", "</p> <p>그 결과 제안된 시스템은 제어를 하지 않았을 경우보다 전력소비가 시간당 \\( 4 \\sim 42 \\% \\) 정도 줄어들었다.", "따라서 제안된 시스템이 에너지 서비스 그룹을 기반으로 에너지를 보다 효율적으로 관리함을 알 수 있다.", "또한 시간 별 최대 전럭 소비를 줄이는 것을 알 수 있었으며 서비스 그룹에 따라서 다르게 나타나는 것도 볼 수 있었다.", "</p> <h3>나.", "미터 데이터 관리 시스템</h3> <p>미터 데이터 관리 시스템(MDMM)은 홈 게이트웨이가 송신하는 REST의 요청 정보로 부터 미터 데이터를 해석하고 시간, 가격 정보, 부가 제어 신호를 XML 형식으로 작성하여 응답한다.", "수신된 정보는 미리 정의된 형식으로 일반화되어 데이터관리 모듈에 전달된다.", "MDMM은 미터 데이터를 기반으로 이전에 저장된 데이터와 비교하여 데이터를 체계적으로 저장하고 미터상태 정보를 기반으로 미터기 장애 이벤트를 생성한다.", "또한 MDMM은 가격 정보를 변경하기 위한 인터페이스와 수용가의 부하 제어 신호를 생성하기 위한 인터페이스를 제공한다.", "MDMM은 홈 게이트웨이와 같이 REST 서비스 모듈, URL, XML 파서/생성기, 데이터베이스 연결 관리 모듈, 미터 데이터 처리 모듈 등으로 구성된다.", "</p> <h4>(1) 데이터베이스 연결 관리 모듈</h4> <p>데이터베이스 연결 관리 모듈은 빈번한 데이터를 신속하게 데이터베이스에 저장하기 위해서 연결 관리 객체를 미리 일정한 수만큼 생성 한 후 재사용하는 커넥션 풀을 사용한다.", "커넥션 풀은 다른 데이터베이스를 지원하기 위해서는 AbstractDatabase를 상속받아 구현하면 상위 클래스 수정 없이 쉽게 구현 할 수 있다.", "</p> <h4>(2) 미터 데이터 처리 모듈</h4> <p>미터 데이터 처리 모듈은 수신된 미터 데이터를 데이터베이스에 저장한다.", "MDMM은 데이터의 확인과 보정을 위해 특정 홈 게이트웨이로부터 일정 시간 동안 누적된 미터 데이터를 가져와 갱신하는 기능을 제공한다.", "</p> <table border><caption>표 2. 미터 데이터 처리 파라미터</caption> <tbody><tr><td>Parameter</td><td>설명</td></tr><tr><td>\\( M p_{i} \\)</td><td>측정된 누적 전력량</td></tr><tr><td>\\( M t_{i} \\)</td><td>\\(i\\)번째 전력값이 기록 될 때의 시간</td></tr><tr><td>\\( M D_{i} \\)</td><td>\\( \\left(M p_{i}, M t_{i}\\right): \\) Meter data의 전력값</td></tr><tr><td>\\(Cph\\)</td><td>\\( \\sum_{i=1}^{6}\\left(M D_{i}-M D_{i}-1\\right) \\)</td></tr><tr><td>\\(Cpd\\)</td><td>\\( \\sum_{d=1}^{n=24} \\sum_{i=1}^{6}\\left(M p_{i}-M p_{i}-1\\right) \\)</td></tr><tr><td>\\(Cpm\\)</td><td>\\( \\sum_{k=1}^{m=30} \\sum_{j=1}^{n=24} \\sum_{i=1}^{6}\\left(M p_{i}-M p_{i}-1\\right) \\)</td></tr></tbody></table> <p>그리고 MDMM은 측정된 변동에 따라 데이터를 각각 다른 방법으로 갱신해야 하며 처리를 위하여 호출되는 API의 동작을 간략히 그림 3과 같이 표현할 수 있다.", "</p> <p>또한 미터 데이터의 처리 과정에서 중요한 파라미터를 표 2와 같이 표현 할 수 있다.", "미터 데이터의 전력값은 측정된 누적 전력값과 전력값이 기록될 때의 시간을 조합으로 나타내었다.", "미터 데이터 처리 모듈은 미터 데이터의 전력값을 받아서 데이터베이스에 저장하여 구간별로 소비 전력을 계산할 수 있다. \\", "(Cph\\)는 10 분을 주기 시간별 소비 전력이고, \\(Cpd\\)는 일별 소비 전력, \\(Cpm\\)은 월별 소비 전력을 나타낸다.", "</p> <h3>다.", "전력 응용 모듈</h3> <p>전력 응용 모듈은 전력 공급자에게 수용가의 에너지 소비 추이 정보를 제공하는 모듈이나.", "또한 이 모듈은 본 논문에서 제안한 시스템의 공급자 측면에서의 효용성을 증명하기 위한 모듈이다.", "공급자는 정산과 운영의 두 가지 측면에서 스마트그리드를 필요로 한다.", "구현 시스템은 미터 데이터 관리시스템에 의하여 구성된 데이터베이스를 기반으로 수용가의 에너지 소비 데이터를 효과적으로 제공한다.", "또한 실시간 에너지 사용 감시, 에너지 소비 분석, 장애 이벤트 감시 기능 등을 제공한다.", "이러한 모듈은 새로운 서비스가 필요한 경우 모듈 별로 추가할 수 있도록 구성하였다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "스마트 그리드를 위한 확장 홈 네트워크 기반의 AMI 시스템 설계", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1971eca7-875b-41bb-904a-73d2838ed076", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2012", "doc_author": [ "황유진", "이광휘" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
405	<h1>Ⅲ. 제안한 버퍼 관리 알고리즘</h1><p>본 논문에서는 다양한 종류의 데이터를 갖는 WBAN의 특성과 버퍼의 혼잡정도를 고려하여 시스템의 성능을 향상시키기 위한 버퍼 관리 알고리즘을 제안한다. WBAN 데이터는 지연 시간에 민감하고 서비스의 종류 에 따라 데이터의 우선순위가 다른 특성을 가지므로 이것을 효율적으로 관리해야 사용자에게 고품질의 서비스를 제공할 수 있다. 따라서, 이러한 특성과 네트워크의 혼잡 상황을 고려하여 데이터의 제거 확률을 다르게 적용함으로써 네트워크의 성능과 서비스의 품질을 개선한 알고리즘을 제안한다.</p><p>제안한 알고리즘은 허브의 버퍼에 데이터가 도착할 때마다 평균 버퍼 크기 \( Q_{a v g} \) 를 계산하고, 미리 정해진 \( t h_{\min } \) (최소 임계값) 및 \( t h_{\max } \) (최대 임계값)와 비교한다. 만약, \( Q_{a v g} \) 이 \( t h_{\min } \) 보다 작다면 비혼잡 상황으로 저장 공간이 충분하다고 판단하여 입력되는 모든 데이터를 저장한다. 하지만 \( Q_{a v g} \) 값이 두 임계값 사이에 해당되면 혼잡 상황으로 판단하고 \( Q_{a v g} \) 의 변화량을 고려하여 버퍼 안의 데이터를 제거한다. \( Q_{a v g} \) 는 현재 버퍼의 평균 크기로, 식(1)의 EWM (Exponential Weighted Moving Average)을 이용하며, 데이터가 도착할 때마다 계산한 값을 네트워크 혼잡 제어에 적용한다. 여기서, \( W_{q} \) 는 현재의 버퍼 크기가 \( Q_{a v g} \) 에 미치는 영향을 결정하는 가중치이고, \( Q_{s i z e} \) 는 현재 버퍼의 크기를 나타낸다. \( Q_{a v g} \) 의 변화량은 \( Q_{v a r} \) 로 나타내고, 식 (2)를 이용하여 계산한다. \( Q_{a v g-p r e} \) 는 이전의 평균 버퍼 크기를 의미한다. \( Q_{a v g} \) 의 변화량 \( Q_{v a r} \) 이 음의 값이거나 0이면, 현재 네트워크의 혼잡 상태가 이전보다 개선되었다고 판단하고, WBAN의 데이터 중 수신 받은 데이터의 지연 시간이 허용 가능한 지연 시간보다 큰 데이터를 버퍼에서 제거한다. 허용 가능한 지연 시간은 표 3의 WBAN 응용 서비스별 요구사항을 기반으로 선정한다. 반면, \( Q_{v a r} \) 이 양의 값인 경우 허브의 버퍼가 이전보다 혼잡해진 것이므로 WBAN 데이터의 종류를 고려하여 데이터를 제거한다. 데이터의 중요도가 높을 수록 제거확률을 낮게 선정하여, 우선순위가 높은 데이터를 보호하는 것이다. 또한, 데이터 제거는 먼저 들어 온 데이터를 먼저 처리하기 위하여 버퍼의 뒤쪽부터 제거한다.</p><p>\( Q_{\text {avg }}=\left(1-W_{q}\right) Q_{\text {avg }}+W_{q} \times Q_{s i z e} \)<caption>(1)</caption></p><p>\( Q_{\text {var }}=Q_{\text {avg }}-Q_{\text {avg-pre }} \)<caption>(2)</caption></p><p>식 (3)은 데이터의 제거 확률을 계산하는 방법으로, \( P_{b} \) 는 \( t h_{\min } \) 에서 \( t h_{\max } \) 까지 선형적으로 증가하고, \( P_{\max } \) 는 확률 \( P_{b} \) 의 최대값을 정하기 위한 임의의 상수이다. 그리고 \( t h_{\min } \) 과 \( t h_{\max } \) 은 각각 버퍼의 최소 임계값, 최대 임계값이다. 식 (4)는 실제로 이용되는 데이터 제거 확률로, 확률 \( P_{b} \) 에 count를 고려하여 계산한 최종 데이터 제거 확률이다. count는 버퍼에 데이터가 들어올 때마다 증가하고, 데이터가 제거되면 초기화된다. count 값이 크면 확률값이 커지고, 허브 버퍼에 혼잡상황이 발생한 경우 \( Q_{a v g} \) 에 따라 확률 \( P_{a} \) 를 적용하여 데이터를 제거한다.</p><p>\( P_{b}=P_{\max } \frac{\left(Q_{a v g}-t h_{\min }\right)}{\left(t h_{\max }-t h_{\min }\right)} \)<caption>(3)</caption></p><p>\( P_{a}=\frac{P_{b}}{1-\operatorname{coun} t \times P_{b}} \)<caption>(4)</caption></p><p>식 (5)는 WBAN의 서비스 유형에 따라 적용한 \( t h_{\max } \)로써, 식 (3)에 적용하여 사용한다. 이 식은 \( t h_{\min } \) 과 \( D_{\text {prio }} \) 를 이용하여 \( t h_{\max } \) 를 설정한 것으로, 우선순위가 높을수록 작은 값으로 선정하여 데이터 제거 확률을 낮추는 것이다. 여기서, \( D_{p r i o} \) 는 WBAN의 데이터 종류에 따라 우선순위를 반영하기 위한 상수 값으로, 표 1 의 WBAN 응용 서비스의 우선순위를 참고하여 비의료 데이터, 의료 데이터, 응급 의료 데이터로 분류하여 선정한다. 응급 의료 데이터가 우선순위가 가장 높기 때문에 \( D_{\text {prio }} \) 값이 가장 작고, 우선순위가 가장 낮은 비의료 데이터의 \( D_{\text {prio }} \) 값이 가장 크다. 따라서, 응급 의료 데이터가 가장 작은 \( t h_{\max } \) 를 갖게 되어 가장 낮은 데이터 제거 확률이 적용되고, 비의료 데이터는 가장 큰 \( t h_{\mathrm{max}} \)가 적용되어 가장 높은 데이터 제거 확률을 갖는다.</p><p>\( t h_{\max }=t h_{\min } \times D_{\text {prio }} \)<caption>(5)</caption></p> <h1>요 약</h1><p>Wireless Body Area Network(WBAN)은 인체를 중심으로 다양한 의료 센서나 기기들을 연결하는 네트워크 표준으로써, 데이터의 전송률, 우선순위, 지연 시간등의 요구사항을 만족해야 한다. 본 논문에서는 네트위크의 상황에 따라 WBAN 데이터의 우선순위와 전송 지연 시간을 고려하여 WBAN 서비스의 성능을 향상할 수 있는 알고리즘을 제안한다. 이 알고리즘은 허브의 버퍼가 이전보다 혼잡해지면 데이터의 우선순위에 따라 데이터 제거 확률을 직용하여 데이터를 처리하고, 버퍼가 이전보다 원활해지면 데이터의 지연 시간을 고려하여 서비스한다. 기존 알고리즘과의 비교를 통해 제안한 알고리즘이 의료 데이터의 손실률을 낮추고 데이터의 지연 시간을 줄여 WBAN 시비스의 품질이 향상된 것을 확인할 수 있었다</p> <h1>Ⅱ. 관련 연구</h1><p>이 장에서는 IEEE 802.15.6 표준 응용 서비스의 특성과 제안한 알고리즘과의 성능평가를 위해 사용한 ARED, WRED 알고리즘에 대해 설명한다.</p><h2>2.1. IEEE 802.15.6 표준 응용 서비스의 특징</h2><p>IEEE 802.15 .6 표준은 응용 서비스의 종류에 따라 의료용과 비의료용으로 나뉘며, 의료용 응용 서비스의 전송을 주목적으로 하고 비의료 응용 서비스까지 동시에 지원할 수 있어야 한다. 의료용 응용 서비스는 주기성을 가지고 저속의 데이터를 발생하며, wakeup과 sleep을 반복하여 에너지 효율성을 높인다. 그중에서도 실시간 서비스를 제공하거나 서비스의 품질을 보장해야 하는 응급 의료 데이터의 경우 짧은 전송 지연이 요구된다. 반면, 동영상, 음성과 같은 비의료용 응용 서비스는 고속의 event-driven방식으로 버스트(burst)데이터가 발생하는 특성이 있으며, QoS 보장을 요구하거나 실시간 서비스를 제공해야 하는 서비스의 경우 짧은 전송 지연이 요구된다. 여기서 버스트 데이터는 데이터율이 아주 짧은 시간동안 급변하는 데이터를 말한다.</p><p>표 1은 IEEE 802.15.6 표준 응용 서비스의 우선순위를 나타낸 것이다. 응용 서비스의 특징을 고려하여 non-medical services, mixed medical and non-medical services, general health services, highest priority medical services로 나누어 정의한 것으로, 값이 클수록 서비스의 우선순위가 높다. 이것은 WBAN 서비스의 광범위한 응용 범위를 보여주며, 높은 우선순위를 갖는 서비스가 먼저 처리될 수 있게 한다.</p><table border><caption>표 1. IEEE 802.15.6 표준 응용 서비스의 우선순위</caption><tbody><tr><td>Priority</td><td>WBAN services</td></tr><tr><td>o</td><td>Non-medical services</td></tr><tr><td>1</td><td>Mixed medical and non-medical services</td></tr><tr><td>2</td><td>General health services</td></tr><tr><td>3</td><td>Highest priority medical services</td></tr></tbody></table><p>표 2 는 IEEE 802.15.6 데이터 종류에 따른 우선순위를 나타낸 것으로, IEEE 802.15 .6 표준 응용 서비스를 8개의 데이터 종류로 나누고 우선순위를 정의하였다. 우선순위 7~ 5는 의료 데이터, 우선순위 4 ~ 0은 비의료 데이터로 분류하며, 숫자가 클수록 우선순위가 높고 전송지연에 민감한 데이터이다. 우선순위 7 데이터는 가장 높은 우선순위를 가지며, 응급 의료 데이터나 체내에 이식되어 동작하는 디바이스에서 발생하는 데이터를 정의한다. 응급한 상황에 발생하는 데이터이므로 버스트하게 트래픽이 발생하게 된다. 노드 고장이나 생명과 관련된 응급한 데이터이기 때문에 가장 눞은 우선순위를 가지며 데이터의 전송 보장이 중요하다. 우선순위 6과 5의 데이터는 의료데이터를 정의하고 있으며, 그 중 우선순위 6의 데이터는 우선순위가 높은 의료 데이터이며, 우선순위 5의 데이터는 일반 의료용 데이터를 정의한다. 또한 우선순위 6과 5의 데이터는 주로 생체신호를 감지하기 위한 데이터이기 때문에 대부분 주기적인 특성을 갖는다. 우선순위 4 이하의 데이터들은 비의료용으로써 일반 사용자 디바이스에서 사용하는 영상, 음성 등의 데이터들을 정의한다. 이러한 일반데이터는 주기적인 데이터와 간헐적인 데이터들이 모두 존재하는 특성이 있다.</p><table border><caption>표 2. IEEE 802.15.6 표준 데이터 종류에 따른 우선순위</caption><tbody><tr><td>User Priority</td><td>Traffic designation</td></tr><tr><td>0</td><td>Background (BK)</td></tr><tr><td>1</td><td>Best effort (BE)</td></tr><tr><td>2</td><td>Excellent effort (EE)</td></tr><tr><td>3</td><td>Video (VI)</td></tr><tr><td>4</td><td>Voice (VO)</td></tr><tr><td>5</td><td>Medical data or network control</td></tr><tr><td>6</td><td>High-priority medical data or network control</td></tr><tr><td>7</td><td>Emergency or medical implant event report</td></tr></tbody></table><p>표 3은 WBAN 응용 서비스별 요구사항을 나타낸다. 의료용 서비스에서 연속적인 데이터를 실시간으로 전송해야 하는 심전도(ECG)와 뇌파도(EEG)서비스는 낮은 데이터 전송률을 요구하고, 근전도(EMG)서비스는 가장 높은 데이터 전송률을 요구한다. 가장 낮은 데이터 전송률을 요구하는 혈당치 측정의 경우 단순한 수치 데이터만을 전송하기 때문에 \( 1 \mathrm{Kbps} \) 이하의 짧은 전송률을 요구한다. 또한 의료용 서비스는 서비스의 품질을 보장하기 위하여 최대 \( 250 \mathrm{~ms} \) 의 지연 시간을 만족해야 한다. 반면, 비디오/의료 영상은 의료용 서비스에 비해 높은 데이터 전송률과 낮은 지연 시간을 요구하며, 음성 서비스는 데이터 전송률과 지연 시간이 가장 낮은 것을 알 수 있다. 이처럼 WBAN의 응용 서비스에서 발생되 는 다양한 데이터의 특징을 고려하여 성능을 향상시키는 연구가 필요하다.</p><table border><caption>표 3. WBAN 응용 서비스별 요구사항</caption><tbody><tr><td>응용 서비스</td><td>목표 전송률</td><td>지연 시간</td></tr><tr><td>심전도(ECG)서비스</td><td>\(<192\mathrm{Kbps}\)</td><td>\(<250\mathrm{ms}\)</td></tr><tr><td>뇌파도(EEG)서비스</td><td>\(<86.4\mathrm{Kbps}\)</td><td>\(<250\mathrm{ms}\)</td></tr><tr><td>근전도(EMG)서비스</td><td>\(<1.536\mathrm{Mbps}\)</td><td>\(<250\mathrm{ms}\)</td></tr><tr><td>혈당치 측정 서비스</td><td>\(<1\mathrm{Kbps}\)</td><td>\(<250\mathrm{ms}\)</td></tr><tr><td>비디오/의료 영상</td><td>\(<10\mathrm{Mbps}\)</td><td>\(<100\mathrm{ms}\)</td></tr><tr><td>음성 서비스</td><td>\(50\sim100\mathrm{Kbps}\)</td><td>\(<10\mathrm{ms}\)</td></tr></tbody></table><h2>2.2. ARED 알고리즘</h2><p>ARE 알고리즘은 버퍼내의 평균 버퍼 크기를 일정하게 유지하기 위해 허브의 트래픽 부하에 따라 데이터 제거 확률을 능동적으로 변화시키는 것이다. 이 알고리즘은 평균 버퍼 크기와 버퍼에서 데이터가 제거되는 확률을 예측하여 평균 버퍼 크기를 안정화하고 네트워크의 상황에 맞게 데이터 제거 확률을 변화시킨다. 이 알고리즘은 여러 트래픽 상황에 맞게 데이터 제거 확률을 변화시켜 평균 버퍼 크기를 안정화하는 것으로, 일정한 버퍼 크기의 목표값에 평균 버퍼 크기를 유지시켜 전체 성능을 향상시킨다. 또한, 순간적으로 발생하는 혼잡상황에 유연하게 대처할 수 있다. 하지만, 혼잡이 지속되면 실시간 트래픽에 대한 적응성이 떨어져 성능이 저하된다.</p><h2>2.3. WRED 알고리즘</h2><p>WRED 알고리즘은 데이터의 우선순위에 따라 데이터의 제거 확률을 다르게 적용하여 처리하는 것이다. 버퍼가 혼잡상황일 경우 데이터는 우선순위에 따라 적용된 제거 확률에 의해 버퍼에서 제거된다. 이때, 우선 순위가 낮은 데이터는 최소 임계값 \( t h_{\min } \) 과 최대 임계값 \( t h_{\max } \) 를 작은 값이 되도록 하여 데이터 제거 확률을 높이고, 우선순위가 높은 데이터는 큰 \( t h_{\min } \) 과 \( t h_{\max } \) 를 갖도록 하여 데이터 제거 확률을 낮추는 것이다. 따라서, 네트워크의 혼잡 상황을 원활하게 하고 우선순위가 높은 데이터를 보호하여 전체 성능을 향상시킬 수 있다. 하지만 데이터의 우선순위는 데이터 제거에만 영향을 주고, 스케줄링에는 영향을 미치지 않기때문에 높은 우선순위의 데이터가 낮은 우선순위의 데이터보다 늦게 처리되어 성능저하가 발생하는 단점이 있다.</p> <h1>Ⅳ. 성능 분석 및 평가</h1><p>이 장에서는 제안한 알고리즘의 성능을 평가하기 위한 실험 환경을 정의하고, 제안한 알고리즘과 기존 알고리즘의 데이터 손실률 및 평균 전송 지연 시간을 비교 및 분석하여 기술한다.</p><h2>4.1 실험환경</h2><p>제안한 알고리즘의 성능을 평가하기 위해 NS-2(Network Simulator-2)를 이용하여 시뮬레이션 환경을 구성하였다. 허브로 3개의 노드에서 발생한 데이터가 전달되는 상황을 가정하였으며, 허브는 노드를 관리하는 코디네이터 역할을 한다. 그리고 3개의 노드는 각각 응급 의료 데이터, 일반 의료 데이터, 비의료 데이터를 전송한다. 데이터의 전송은 WBAN 데이터의 우선순위를 고려하여 응급 의료 데이터, 일반 의료 데이터, 그리고 비의료 데이터를 각각 \( 1.0: 0.6: 0.2 \) 의 비율로 구성하였다. 네트워크가 혼잡한 상황에서 응급한 데이터의 효율적인 처리를 보여주기 위하여 높은 우선순위의 데이터 비율을 높게 구성하였다. 응급 의료 데이터는 event-driven 방식으로 발생하고 비주기적인 특성을 가지며, 환자의 응급한 상황이나 급박한 상태 변화 시 발생하므로 이러한 특성을 반영하기 위해 버스트 트래픽을 사용하였다. 이 데이터는 체내에 이식되어 동작하는 디바이스에서 발생하거나, 노드의 고장이나 생명과 관련된 응급한 상황에서 나타난다. 일반 의료 데이 터는 주로 생체 신호를 감지하므로 주기적인 특성이 있다. 따라서 CBR(Constant Bit Rate) 트래픽을 사용하였다. 그리고 영상, 음성 등과 같은 비의료 데이터는 비주기적인 특성이 있으므로 버스트 트래픽을 사용하였다. 여기서, 버스트 트래픽은 데이터율이 아주 짧은 시간동안 급변하는 것이고, CBR 트래픽은 데이터율이 변하지 않는 것을 의미한다. 성능평가를 위해 RED 알고리즘과 WRED 알고리즘, 그리고 제안한 알고리즘의 데이터 손실륜과 평균 전송 지연 시간을 비교 및 분석하였다. ARED 알고리즘은 네트위크의 혼잡이 지속될 경우 높은 우순선위의 데이터가 손실되어 성능이 저하되고, WRED 알고리즘은 데이터의 우선순위를 고려하여 데이터를 제거하지만 높은 우선순위의 데이터가 낮은 우선순위의 데이터보다 늦게 처리될 수 있다. 제안한 알고리즘은 이러한 단점들을 보완하였으므로 두 알고리즘을 비교 대상을 선정하였다.</p><p>표 4 는 시뮬레이션에서 사용한 파라미터 값을 나타낸다. Queue size는 허브에서 최대로 수용할 수 있는 버퍼의 크기를 의미하고, \( t h_{\min } \) 은 제거 확률을 결정하는 버퍼의 최소 임계값을 나타낸다. \( t h_{\max } \) 는 데이터 제거 확률을 결정하는 버퍼의 최대 임계값이며, \( P_{\max } \) 는 데이터 제거를 결정하는 최대 확률값을 나타낸다. 그리고 \( W_{q}\) 는 버퍼의 크기 변화가 얼마나 빨리 평균 버퍼 크기에 반영되는가를 결정하는 파라미터이다.</p><h2>4.2 성능 평가</h2><p>그림 3은 각 알고리즘의 데이터 손실률을 비교한 것이다. 데이터 손실률은 수신량을 송신량으로 나눈 값으로, 1 에 가까울수록 데이터의 손실률이 적은 것을 나타낸다. 여기서, NMD는 비의료 데이터, MD는 의료 데이터, UMD는 응급 의료 데이터를 의미한다. ARED 알고리즘은 버퍼의 혼잡 상황 정도를 고려하여 데이터를 제거하지만, 데이터의 특성을 고려하지 않기 때문에 응급 의료 데이터의 손실률이 다른 알고리즘보다 큰 것을 알 수 있다. 따라서 WBAN의 사용자에게 만족스런 서비스를 제공할 수 없다. WRED 알고리즘은 데이터의 우선 순위에 따라 데이터의 제거 확률을 다르게 적용하여 차별적으로 처리하므로 ARED 알고리즘보다 응급 의료 데이터의 손실률이 적다. 하지만 우선순위가 높은 데이터가 우선순위가 낮은 데이터보다 늦게 처리될 수 있고, 중요한 데이터의 손실이 발생하므로 제안한 알고리즘보다 응급 의료 데이터의 손실률이 큰 것을 알 수 있다. Proposed 알고리즘은 버퍼의 흔잡 상황과 데이터의 우선순위 및 지연 시간을 고려하여 서비스하므로, 우선 순위가 높고 전송 지연에 민감한 응급 의료 데이터의 손실률이 가장 적다. 비록 비의료 데이터의 손실률이 다른 알고리즘보다 많지만 WBAN의 성능에 직접적인 영향을 주는 응급 의료 데이터의 손실을 최소화함으로써 WBAN 서비스의 품질을 향상시키는 것을 알 수 있다. 또한 버퍼의 혼잡상황을 고려한 데이터 처리로 더 많은 응급 의료 데이터를 처리하였다.</p><p>표 5 는 각 알고리즘의 평균 데이터 전송 지연 시간을 나타낸다. 여기서, NMD는 비의료 데이터, MD는 의료 데이터, 그리고 UMD는 응급 의료 데이터를 의미한다. 단위는 \( \mathrm{ms} \) 이고, 숫자가 클수록 데이터가 많이 지연된 것이다. ARED 알고리즘은 데이터의 지연 시간을 고려 하지 않고 버퍼의 혼잡 상황만을 고려하여 데이터를 제거하므로 응급 의료 데이터의 평균 전송 지연 시간이 다른 알고리즘보다 긴 것을 알 수 있다. 또한, 버퍼가 혼잡해지면 실시간으로 처리해야하는 데이터가 제거되거나, 우선순위가 낮은 데이터보다 늦게 서비스되어 긴 지연 시간을 갖는다. 데이터의 지연 시간에 민감한 응급 의료 데이터는 사용자에게 빠른 서비스를 제공해야 한다. 따라서 응급 의료 데이터의 신속한 처리가 중요하다. WRED 알고리즘은 데이터의 우선순위에 따라 데이터 제거 확률을 다르게 적용하여 데이터를 처리하므로 응급 의료 데이터의 지연 시간이 의료 데이터와 비의료 데이터보다 짧은 것을 알 수 있다. 하지만, 네트워크의 혼잡 상황을 고려하지 않으므로 지연 시간에 민감한 응급 의료 데이터가 네트워크의 혼잡으로 지체될 경우 사용자에게 빠른 서비스를 제공할 수 없다. Proposed 알고리즘은 네트워크가 혼잡 상황인 경우 데이터의 지연 시간과 우선순위를 고려하여 데이터를 처리하므로 다른 알고리즘보다 평균 데이터 전송 지연 시간이 전체적으로 낮은 것을 알 수 있다. 특히, 응급 의료 데이터의 우선순위가 다른 데이터보다 높기 때문에 가장 먼저 서비스되어 지연 시간이 가장 짧은 것을 알 수 있다. 그러므로 제안한 알고리즘이 응급 의료 데이터의 지연 시간을 감소시켜 신속하게 처리함으로써 사용자에게 가장 빠른 서비스를 제공하고, WBAN의 성능을 향상시킨 것을 알 수 있다.</p> <h1>Ⅴ. 결 론</h1><p>본 논문에서는 네트워크의 혼잡 상황에 따라 WBAN의 데이터 지연 시간과 우선순위를 고려하여 네트워크의 성능을 향상시키는 알고리즘을 제안하였다. 버퍼가 비혼잡 상황이면 데이터를 버퍼에 저장하고, 버퍼의 혼잡 상황이 이전보다 원활해지면 데이터의 지연 시간을 고려하여 데이터를 처리한다. 반면, 버퍼의 상태가 이전보다 혼잡해지면 데이터의 중요도에 따라 데이터 제거 확률을 다르게 적용하여 처리한다. 이 알고리즘은 네트 워커의 혼잡 상황과 WBAN 데이터의 특성을 이용하여 데이터를 버퍼에서 제거함으로써, 제한된 버퍼를 효율적으로 사용하고 중요한 데이터를 보호한다. 또한 데이터의 전송 지연 시간을 감소시킴으로써 WBAN의 성능을 향상시킨다. 제안한 알고리즘의 성능평가를 위해 NS-2를 사용하였으며, 각 노드에서 보낸 데이터는 ARED, WRED, Proposed 알고리즘이 적용된 허브의 버퍼에서 데이터를 처리하고, 각 알고리즘의 데이터 손실률과 데이터의 평균 전송 지연 시간을 비교하였다. ARED 알고리즘은 버퍼의 혼잡 상황을 고려하지만 데이터의 중요도를 고려하지 않기 때문에 Proposed 알고리즘보다 응급 의료 데이터의 제거율이 높아 사용자에게 만족스런 서비스를 보장하지 않는다. 그리고 WRED 알고리즘은 데이터의 중요도만을 고려하여 데이터를 처리하므로 네트워크의 혼잡이 지속될 경우 의료 데이터의 수신율을 낮추어 네트워크의 성능을 보장하지 못한다. 따라서 Proposed 알고리즘이 버퍼의 혼잡 상황과 WBAN 데이터의 특성을 고려하여 응급 의료 데이터의 제거율을 낮추어, 다른 알고리즘보다 의료 데이터의 수신율을 높임으로써 WBAN 서비스의 성능이 향상된 것 을 알 수 있다. 또한 데이터의 평균 전송 지연 시간이 다른 알고리즘보다 전반적으로 감소하였고, 특히 응급 의료 데이터가 가장 빠르게 서비스되었다.</p> <h1>Ⅰ. 서 론</h1><p>최근 건강에 대한 관심이 증대와 노령화 인구의 증가 추세로 인하여 양질의 의료 서비스 제공이 보다 중요시 되면서 u-Healthcare 서비스를 지원하기 위한 Wireless Body Area Network(WBAN) 기술이 활발하게 연구되고 있다. WBAN은 인체를 중심으로 \( 3 \mathrm{~m} \) 범위 안에 존재하는 인체 외부에 위치한 장치들간의 무선 통신 기술 을 말한다. 이에 대한 중요성이 대두되면서 IEEE 802.15.6 Working group은 IG(Interest Group), SG(Study Group)을 거쳐 2007년 11월부터 WBAN의 PHY(physical)와 MAC(Medium Access Control)계층의 표준화를 위하여 IEEE 802.15.6 TG(Task Group)6을 구성하였으며, 2012년 3월 IEEE 802.15.6 표준을 제정하였다. IEEE 802.15 .6 표준에서는 용도에 따라 의료용 서비스와 비의료용 서비스로 정의하며, 두 서비스를 동시에 제공할 수 있어야 한다. 의료용 서비스는 다양한 의료용 센서를 이용하여 신체 내외에서 통신이 가능한 서비스를 의미한다. 의료용 서비스의 데이터는 저속의 주기적인 데이터가 발생하는 특징이 있으며, 환자의 응급 상태나 급박한 상태 변화에 대해 에러 없이 실시간 응답을 필요로 한다. 비의료용 서비스는 인체를 중심으로 다양한 멀티미디어 장치들의 무선 연결에 이용되어 생체 데이터 수집용이나 웨어러블(wearable) 컴퓨터용으로 사용된다. 데이터 전송은 event-driven 방식으로씨 대량의 데이터가 간헐적으로 발생하는 특징이 있다. 이러한 다양한 특징의 서비스를 갖는 WBAN 대부분의 트래픽은 데이터가 집중되는 허브로 전달되므로 네트워크의 혼잡 발생 가능성이 높다. 또한, 네트워크 혼잡으로 인하여 데이터 손실이 발생한 경우, 사용자에게 만족스런 서비스를 보장해주지 못하게 된다. 따라서 WBAN 데이터의 신뢰성 및 성능을 향상시키기 위한 연구가 필요하다.</p><p>이러한 상황을 제어하기 위하여 허브의 입장에서 서비스의 특성을 고려한 다양한 버퍼 관리 알고리즘들이 연구되어 왔다. 가장 기본적인 데이터 제어를 위한 버퍼 관리 방법은 Drop tail 방식으로, 구현이 간단하지만 네트위크의 혼잡을 가중시키고 서비스 지연을 유발한다. 또한 모든 플로우의 데이터가 제거되기 때문에 혼잡을 일으키지 않은 플로우는 다른 플로우에 의해 데이터를 손실하여 불공평하게 처리되는 단점이 있다. 이러한 문제점을 해결하기 위한 AQM(Active Qucue Management)이 발달되었고, 버퍼 관리를 대표하는 RED(Random Early Detection) 알고리즘이 제안되었다. 이 알고리즘은 버퍼에 들어오는 데이터를 버퍼의 혼잡 정도에 따라 확률적으로 제거하는 것으로, 버퍼의 혼잡상황 발생 시 정해진 확률에 의해 버퍼에서 데이터를 제거한다. 따라서 네트워크의 혼잡과 버퍼 지연을 완화하고, Drop tail 방식보다는 좋은 성능을 갖는다. 하지만 고정된 파라미터 사용으로 네트워크 상황에 적절하게 대응하지 못하며, 데이터를 무작위로 제거하기 때문에 전체 네트워크 성능이 저하되는 단점이 있다. 이러한 문제를 해결하기 위해 RED 알고리즘을 변형 또는 보완한 알고리즘인 WRED(Weighted RED), ARED(Aapted RED), ARIO(Adaptive RED with In and Out), BLUE,CHOKe, Raddady ct al.'s RED, ERED(Effective RED) 그리고 등이 제안되었다.</p><p>본 논문에서는 WBAN 응용 서비스가 지연 시간과 데이터 손실에 민감하고 다양한 데이터를 갖는 특성을 고려하여 제한된 버퍼를 효율적으로 사용함으로써 네트워크의 성능을 향상시키는 알고리즘을 제안한다. 이 알고리즘은 버퍼가 비혼잡 상황이면 입력되는 데이터를 모두 저장하고, 버퍼가 혼잡상황인 경우 혼잡정도를 파악하여 데이터를 처리한다. 버퍼의 상태가 이전보다 원활해지면 데이터의 지연 시간과 허용 지연 시간을 비교하여 데이터를 처리하고, 버펴의 상태가 이전보다 혼잡해지면 데이터의 우선순위에 따라 데이터 제거 확률을 다르게 적용하여 처리한다. 이것은 제한된 큐를 효율적으로 사용하여 중요한 데이터를 보호함으로써 WBAN 서비스의 품질을 향상시키기 위한 것이다. 제안한 알고리즘의 성능 평가를 위해 NS-2 (Network Simulator-2)를 이용하였으며, 허브에 ARED, WRED, 그리고 제안한 알고리즘을 적용하여 데이터 손실률과 데이터의 평균 전송 지연 시간을 비교하였다. 비교결과 본 논문에서 제안한 알고리즘이 다른 알고리즘보다 데이터의 전송 지연 시간을 줄이고, 중요한 데이터의 손실률을 낮추어 성능이 향상된 것을 알 수 있었다.</p><p>본 논문은 다음과 같이 구성되었다. Ⅱ장에서는 IEEE 802.15.6 표준 응용 서비스의 특징과 기존에 제안된 버퍼 관리 알고리즘을 소개하고 Ⅲ장에서는 본 논문에서 제안한 버퍼 관리 알고리즘을 설명한다. Ⅳ장에서는 실험을 통해 제안한 알고리즘의 성능을 분석 및 평가하고, Ⅴ 장의 결론으로 본 논문을 마무리한다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅲ. 제안한 버퍼 관리 알고리즘</h1><p>본 논문에서는 다양한 종류의 데이터를 갖는 WBAN의 특성과 버퍼의 혼잡정도를 고려하여 시스템의 성능을 향상시키기 위한 버퍼 관리 알고리즘을 제안한다.", "WBAN 데이터는 지연 시간에 민감하고 서비스의 종류 에 따라 데이터의 우선순위가 다른 특성을 가지므로 이것을 효율적으로 관리해야 사용자에게 고품질의 서비스를 제공할 수 있다.", "따라서, 이러한 특성과 네트워크의 혼잡 상황을 고려하여 데이터의 제거 확률을 다르게 적용함으로써 네트워크의 성능과 서비스의 품질을 개선한 알고리즘을 제안한다.", "</p><p>제안한 알고리즘은 허브의 버퍼에 데이터가 도착할 때마다 평균 버퍼 크기 \\( Q_{a v g} \\) 를 계산하고, 미리 정해진 \\( t h_{\\min } \\) (최소 임계값) 및 \\( t h_{\\max } \\) (최대 임계값)와 비교한다.", "만약, \\( Q_{a v g} \\) 이 \\( t h_{\\min } \\) 보다 작다면 비혼잡 상황으로 저장 공간이 충분하다고 판단하여 입력되는 모든 데이터를 저장한다.", "하지만 \\( Q_{a v g} \\) 값이 두 임계값 사이에 해당되면 혼잡 상황으로 판단하고 \\( Q_{a v g} \\) 의 변화량을 고려하여 버퍼 안의 데이터를 제거한다. \\", "( Q_{a v g} \\) 는 현재 버퍼의 평균 크기로, 식(1)의 EWM (Exponential Weighted Moving Average)을 이용하며, 데이터가 도착할 때마다 계산한 값을 네트워크 혼잡 제어에 적용한다.", "여기서, \\( W_{q} \\) 는 현재의 버퍼 크기가 \\( Q_{a v g} \\) 에 미치는 영향을 결정하는 가중치이고, \\( Q_{s i z e} \\) 는 현재 버퍼의 크기를 나타낸다. \\", "( Q_{a v g} \\) 의 변화량은 \\( Q_{v a r} \\) 로 나타내고, 식 (2)를 이용하여 계산한다. \\", "( Q_{a v g-p r e} \\) 는 이전의 평균 버퍼 크기를 의미한다. \\", "( Q_{a v g} \\) 의 변화량 \\( Q_{v a r} \\) 이 음의 값이거나 0이면, 현재 네트워크의 혼잡 상태가 이전보다 개선되었다고 판단하고, WBAN의 데이터 중 수신 받은 데이터의 지연 시간이 허용 가능한 지연 시간보다 큰 데이터를 버퍼에서 제거한다.", "허용 가능한 지연 시간은 표 3의 WBAN 응용 서비스별 요구사항을 기반으로 선정한다.", "반면, \\( Q_{v a r} \\) 이 양의 값인 경우 허브의 버퍼가 이전보다 혼잡해진 것이므로 WBAN 데이터의 종류를 고려하여 데이터를 제거한다.", "데이터의 중요도가 높을 수록 제거확률을 낮게 선정하여, 우선순위가 높은 데이터를 보호하는 것이다.", "또한, 데이터 제거는 먼저 들어 온 데이터를 먼저 처리하기 위하여 버퍼의 뒤쪽부터 제거한다.", "</p><p>\\( Q_{\\text {avg }}=\\left(1-W_{q}\\right) Q_{\\text {avg }}+W_{q} \\times Q_{s i z e} \\)<caption>(1)</caption></p><p>\\( Q_{\\text {var }}=Q_{\\text {avg }}-Q_{\\text {avg-pre }} \\)<caption>(2)</caption></p><p>식 (3)은 데이터의 제거 확률을 계산하는 방법으로, \\( P_{b} \\) 는 \\( t h_{\\min } \\) 에서 \\( t h_{\\max } \\) 까지 선형적으로 증가하고, \\( P_{\\max } \\) 는 확률 \\( P_{b} \\) 의 최대값을 정하기 위한 임의의 상수이다.", "그리고 \\( t h_{\\min } \\) 과 \\( t h_{\\max } \\) 은 각각 버퍼의 최소 임계값, 최대 임계값이다.", "식 (4)는 실제로 이용되는 데이터 제거 확률로, 확률 \\( P_{b} \\) 에 count를 고려하여 계산한 최종 데이터 제거 확률이다.", "count는 버퍼에 데이터가 들어올 때마다 증가하고, 데이터가 제거되면 초기화된다.", "count 값이 크면 확률값이 커지고, 허브 버퍼에 혼잡상황이 발생한 경우 \\( Q_{a v g} \\) 에 따라 확률 \\( P_{a} \\) 를 적용하여 데이터를 제거한다.", "</p><p>\\( P_{b}=P_{\\max } \\frac{\\left(Q_{a v g}-t h_{\\min }\\right)}{\\left(t h_{\\max }-t h_{\\min }\\right)} \\)<caption>(3)</caption></p><p>\\( P_{a}=\\frac{P_{b}}{1-\\operatorname{coun} t \\times P_{b}} \\)<caption>(4)</caption></p><p>식 (5)는 WBAN의 서비스 유형에 따라 적용한 \\( t h_{\\max } \\)로써, 식 (3)에 적용하여 사용한다.", "이 식은 \\( t h_{\\min } \\) 과 \\( D_{\\text {prio }} \\) 를 이용하여 \\( t h_{\\max } \\) 를 설정한 것으로, 우선순위가 높을수록 작은 값으로 선정하여 데이터 제거 확률을 낮추는 것이다.", "여기서, \\( D_{p r i o} \\) 는 WBAN의 데이터 종류에 따라 우선순위를 반영하기 위한 상수 값으로, 표 1 의 WBAN 응용 서비스의 우선순위를 참고하여 비의료 데이터, 의료 데이터, 응급 의료 데이터로 분류하여 선정한다.", "응급 의료 데이터가 우선순위가 가장 높기 때문에 \\( D_{\\text {prio }} \\) 값이 가장 작고, 우선순위가 가장 낮은 비의료 데이터의 \\( D_{\\text {prio }} \\) 값이 가장 크다.", "따라서, 응급 의료 데이터가 가장 작은 \\( t h_{\\max } \\) 를 갖게 되어 가장 낮은 데이터 제거 확률이 적용되고, 비의료 데이터는 가장 큰 \\( t h_{\\mathrm{max}} \\)가 적용되어 가장 높은 데이터 제거 확률을 갖는다.", "</p><p>\\( t h_{\\max }=t h_{\\min } \\times D_{\\text {prio }} \\)<caption>(5)</caption></p> <h1>요 약</h1><p>Wireless Body Area Network(WBAN)은 인체를 중심으로 다양한 의료 센서나 기기들을 연결하는 네트워크 표준으로써, 데이터의 전송률, 우선순위, 지연 시간등의 요구사항을 만족해야 한다.", "본 논문에서는 네트위크의 상황에 따라 WBAN 데이터의 우선순위와 전송 지연 시간을 고려하여 WBAN 서비스의 성능을 향상할 수 있는 알고리즘을 제안한다.", "이 알고리즘은 허브의 버퍼가 이전보다 혼잡해지면 데이터의 우선순위에 따라 데이터 제거 확률을 직용하여 데이터를 처리하고, 버퍼가 이전보다 원활해지면 데이터의 지연 시간을 고려하여 서비스한다.", "기존 알고리즘과의 비교를 통해 제안한 알고리즘이 의료 데이터의 손실률을 낮추고 데이터의 지연 시간을 줄여 WBAN 시비스의 품질이 향상된 것을 확인할 수 있었다", "</p> <h1>Ⅱ. 관련 연구</h1><p>이 장에서는 IEEE 802.15.6 표준 응용 서비스의 특성과 제안한 알고리즘과의 성능평가를 위해 사용한 ARED, WRED 알고리즘에 대해 설명한다.", "</p><h2>2.1. IEEE 802.15.6 표준 응용 서비스의 특징</h2><p>IEEE 802.15 .6 표준은 응용 서비스의 종류에 따라 의료용과 비의료용으로 나뉘며, 의료용 응용 서비스의 전송을 주목적으로 하고 비의료 응용 서비스까지 동시에 지원할 수 있어야 한다.", "의료용 응용 서비스는 주기성을 가지고 저속의 데이터를 발생하며, wakeup과 sleep을 반복하여 에너지 효율성을 높인다.", "그중에서도 실시간 서비스를 제공하거나 서비스의 품질을 보장해야 하는 응급 의료 데이터의 경우 짧은 전송 지연이 요구된다.", "반면, 동영상, 음성과 같은 비의료용 응용 서비스는 고속의 event-driven방식으로 버스트(burst)데이터가 발생하는 특성이 있으며, QoS 보장을 요구하거나 실시간 서비스를 제공해야 하는 서비스의 경우 짧은 전송 지연이 요구된다.", "여기서 버스트 데이터는 데이터율이 아주 짧은 시간동안 급변하는 데이터를 말한다.", "</p><p>표 1은 IEEE 802.15.6 표준 응용 서비스의 우선순위를 나타낸 것이다.", "응용 서비스의 특징을 고려하여 non-medical services, mixed medical and non-medical services, general health services, highest priority medical services로 나누어 정의한 것으로, 값이 클수록 서비스의 우선순위가 높다.", "이것은 WBAN 서비스의 광범위한 응용 범위를 보여주며, 높은 우선순위를 갖는 서비스가 먼저 처리될 수 있게 한다.", "</p><table border><caption>표 1. IEEE 802.15.6 표준 응용 서비스의 우선순위</caption><tbody><tr><td>Priority</td><td>WBAN services</td></tr><tr><td>o</td><td>Non-medical services</td></tr><tr><td>1</td><td>Mixed medical and non-medical services</td></tr><tr><td>2</td><td>General health services</td></tr><tr><td>3</td><td>Highest priority medical services</td></tr></tbody></table><p>표 2 는 IEEE 802.15.6 데이터 종류에 따른 우선순위를 나타낸 것으로, IEEE 802.15 .6 표준 응용 서비스를 8개의 데이터 종류로 나누고 우선순위를 정의하였다.", "우선순위 7~ 5는 의료 데이터, 우선순위 4 ~ 0은 비의료 데이터로 분류하며, 숫자가 클수록 우선순위가 높고 전송지연에 민감한 데이터이다.", "우선순위 7 데이터는 가장 높은 우선순위를 가지며, 응급 의료 데이터나 체내에 이식되어 동작하는 디바이스에서 발생하는 데이터를 정의한다.", "응급한 상황에 발생하는 데이터이므로 버스트하게 트래픽이 발생하게 된다.", "노드 고장이나 생명과 관련된 응급한 데이터이기 때문에 가장 눞은 우선순위를 가지며 데이터의 전송 보장이 중요하다.", "우선순위 6과 5의 데이터는 의료데이터를 정의하고 있으며, 그 중 우선순위 6의 데이터는 우선순위가 높은 의료 데이터이며, 우선순위 5의 데이터는 일반 의료용 데이터를 정의한다.", "또한 우선순위 6과 5의 데이터는 주로 생체신호를 감지하기 위한 데이터이기 때문에 대부분 주기적인 특성을 갖는다.", "우선순위 4 이하의 데이터들은 비의료용으로써 일반 사용자 디바이스에서 사용하는 영상, 음성 등의 데이터들을 정의한다.", "이러한 일반데이터는 주기적인 데이터와 간헐적인 데이터들이 모두 존재하는 특성이 있다.", "</p><table border><caption>표 2. IEEE 802.15.6 표준 데이터 종류에 따른 우선순위</caption><tbody><tr><td>User Priority</td><td>Traffic designation</td></tr><tr><td>0</td><td>Background (BK)</td></tr><tr><td>1</td><td>Best effort (BE)</td></tr><tr><td>2</td><td>Excellent effort (EE)</td></tr><tr><td>3</td><td>Video (VI)</td></tr><tr><td>4</td><td>Voice (VO)</td></tr><tr><td>5</td><td>Medical data or network control</td></tr><tr><td>6</td><td>High-priority medical data or network control</td></tr><tr><td>7</td><td>Emergency or medical implant event report</td></tr></tbody></table><p>표 3은 WBAN 응용 서비스별 요구사항을 나타낸다.", "의료용 서비스에서 연속적인 데이터를 실시간으로 전송해야 하는 심전도(ECG)와 뇌파도(EEG)서비스는 낮은 데이터 전송률을 요구하고, 근전도(EMG)서비스는 가장 높은 데이터 전송률을 요구한다.", "가장 낮은 데이터 전송률을 요구하는 혈당치 측정의 경우 단순한 수치 데이터만을 전송하기 때문에 \\( 1 \\mathrm{Kbps} \\) 이하의 짧은 전송률을 요구한다.", "또한 의료용 서비스는 서비스의 품질을 보장하기 위하여 최대 \\( 250 \\mathrm{~ms} \\) 의 지연 시간을 만족해야 한다.", "반면, 비디오/의료 영상은 의료용 서비스에 비해 높은 데이터 전송률과 낮은 지연 시간을 요구하며, 음성 서비스는 데이터 전송률과 지연 시간이 가장 낮은 것을 알 수 있다.", "이처럼 WBAN의 응용 서비스에서 발생되 는 다양한 데이터의 특징을 고려하여 성능을 향상시키는 연구가 필요하다.", "</p><table border><caption>표 3. WBAN 응용 서비스별 요구사항</caption><tbody><tr><td>응용 서비스</td><td>목표 전송률</td><td>지연 시간</td></tr><tr><td>심전도(ECG)서비스</td><td>\\(<192\\mathrm{Kbps}\\)</td><td>\\(<250\\mathrm{ms}\\)</td></tr><tr><td>뇌파도(EEG)서비스</td><td>\\(<86.4\\mathrm{Kbps}\\)</td><td>\\(<250\\mathrm{ms}\\)</td></tr><tr><td>근전도(EMG)서비스</td><td>\\(<1.536\\mathrm{Mbps}\\)</td><td>\\(<250\\mathrm{ms}\\)</td></tr><tr><td>혈당치 측정 서비스</td><td>\\(<1\\mathrm{Kbps}\\)</td><td>\\(<250\\mathrm{ms}\\)</td></tr><tr><td>비디오/의료 영상</td><td>\\(<10\\mathrm{Mbps}\\)</td><td>\\(<100\\mathrm{ms}\\)</td></tr><tr><td>음성 서비스</td><td>\\(50\\sim100\\mathrm{Kbps}\\)</td><td>\\(<10\\mathrm{ms}\\)</td></tr></tbody></table><h2>2.2. ARED 알고리즘</h2><p>ARE 알고리즘은 버퍼내의 평균 버퍼 크기를 일정하게 유지하기 위해 허브의 트래픽 부하에 따라 데이터 제거 확률을 능동적으로 변화시키는 것이다.", "이 알고리즘은 평균 버퍼 크기와 버퍼에서 데이터가 제거되는 확률을 예측하여 평균 버퍼 크기를 안정화하고 네트워크의 상황에 맞게 데이터 제거 확률을 변화시킨다.", "이 알고리즘은 여러 트래픽 상황에 맞게 데이터 제거 확률을 변화시켜 평균 버퍼 크기를 안정화하는 것으로, 일정한 버퍼 크기의 목표값에 평균 버퍼 크기를 유지시켜 전체 성능을 향상시킨다.", "또한, 순간적으로 발생하는 혼잡상황에 유연하게 대처할 수 있다.", "하지만, 혼잡이 지속되면 실시간 트래픽에 대한 적응성이 떨어져 성능이 저하된다.", "</p><h2>2.3. WRED 알고리즘</h2><p>WRED 알고리즘은 데이터의 우선순위에 따라 데이터의 제거 확률을 다르게 적용하여 처리하는 것이다.", "버퍼가 혼잡상황일 경우 데이터는 우선순위에 따라 적용된 제거 확률에 의해 버퍼에서 제거된다.", "이때, 우선 순위가 낮은 데이터는 최소 임계값 \\( t h_{\\min } \\) 과 최대 임계값 \\( t h_{\\max } \\) 를 작은 값이 되도록 하여 데이터 제거 확률을 높이고, 우선순위가 높은 데이터는 큰 \\( t h_{\\min } \\) 과 \\( t h_{\\max } \\) 를 갖도록 하여 데이터 제거 확률을 낮추는 것이다.", "따라서, 네트워크의 혼잡 상황을 원활하게 하고 우선순위가 높은 데이터를 보호하여 전체 성능을 향상시킬 수 있다.", "하지만 데이터의 우선순위는 데이터 제거에만 영향을 주고, 스케줄링에는 영향을 미치지 않기때문에 높은 우선순위의 데이터가 낮은 우선순위의 데이터보다 늦게 처리되어 성능저하가 발생하는 단점이 있다.", "</p> <h1>Ⅳ. 성능 분석 및 평가</h1><p>이 장에서는 제안한 알고리즘의 성능을 평가하기 위한 실험 환경을 정의하고, 제안한 알고리즘과 기존 알고리즘의 데이터 손실률 및 평균 전송 지연 시간을 비교 및 분석하여 기술한다.", "</p><h2>4.1 실험환경</h2><p>제안한 알고리즘의 성능을 평가하기 위해 NS-2(Network Simulator-2)를 이용하여 시뮬레이션 환경을 구성하였다.", "허브로 3개의 노드에서 발생한 데이터가 전달되는 상황을 가정하였으며, 허브는 노드를 관리하는 코디네이터 역할을 한다.", "그리고 3개의 노드는 각각 응급 의료 데이터, 일반 의료 데이터, 비의료 데이터를 전송한다.", "데이터의 전송은 WBAN 데이터의 우선순위를 고려하여 응급 의료 데이터, 일반 의료 데이터, 그리고 비의료 데이터를 각각 \\( 1.0: 0.6: 0.2 \\) 의 비율로 구성하였다.", "네트워크가 혼잡한 상황에서 응급한 데이터의 효율적인 처리를 보여주기 위하여 높은 우선순위의 데이터 비율을 높게 구성하였다.", "응급 의료 데이터는 event-driven 방식으로 발생하고 비주기적인 특성을 가지며, 환자의 응급한 상황이나 급박한 상태 변화 시 발생하므로 이러한 특성을 반영하기 위해 버스트 트래픽을 사용하였다.", "이 데이터는 체내에 이식되어 동작하는 디바이스에서 발생하거나, 노드의 고장이나 생명과 관련된 응급한 상황에서 나타난다.", "일반 의료 데이 터는 주로 생체 신호를 감지하므로 주기적인 특성이 있다.", "따라서 CBR(Constant Bit Rate) 트래픽을 사용하였다.", "그리고 영상, 음성 등과 같은 비의료 데이터는 비주기적인 특성이 있으므로 버스트 트래픽을 사용하였다.", "여기서, 버스트 트래픽은 데이터율이 아주 짧은 시간동안 급변하는 것이고, CBR 트래픽은 데이터율이 변하지 않는 것을 의미한다.", "성능평가를 위해 RED 알고리즘과 WRED 알고리즘, 그리고 제안한 알고리즘의 데이터 손실륜과 평균 전송 지연 시간을 비교 및 분석하였다.", "ARED 알고리즘은 네트위크의 혼잡이 지속될 경우 높은 우순선위의 데이터가 손실되어 성능이 저하되고, WRED 알고리즘은 데이터의 우선순위를 고려하여 데이터를 제거하지만 높은 우선순위의 데이터가 낮은 우선순위의 데이터보다 늦게 처리될 수 있다.", "제안한 알고리즘은 이러한 단점들을 보완하였으므로 두 알고리즘을 비교 대상을 선정하였다.", "</p><p>표 4 는 시뮬레이션에서 사용한 파라미터 값을 나타낸다.", "Queue size는 허브에서 최대로 수용할 수 있는 버퍼의 크기를 의미하고, \\( t h_{\\min } \\) 은 제거 확률을 결정하는 버퍼의 최소 임계값을 나타낸다. \\", "( t h_{\\max } \\) 는 데이터 제거 확률을 결정하는 버퍼의 최대 임계값이며, \\( P_{\\max } \\) 는 데이터 제거를 결정하는 최대 확률값을 나타낸다.", "그리고 \\( W_{q}\\) 는 버퍼의 크기 변화가 얼마나 빨리 평균 버퍼 크기에 반영되는가를 결정하는 파라미터이다.", "</p><h2>4.2 성능 평가</h2><p>그림 3은 각 알고리즘의 데이터 손실률을 비교한 것이다.", "데이터 손실률은 수신량을 송신량으로 나눈 값으로, 1 에 가까울수록 데이터의 손실률이 적은 것을 나타낸다.", "여기서, NMD는 비의료 데이터, MD는 의료 데이터, UMD는 응급 의료 데이터를 의미한다.", "ARED 알고리즘은 버퍼의 혼잡 상황 정도를 고려하여 데이터를 제거하지만, 데이터의 특성을 고려하지 않기 때문에 응급 의료 데이터의 손실률이 다른 알고리즘보다 큰 것을 알 수 있다.", "따라서 WBAN의 사용자에게 만족스런 서비스를 제공할 수 없다.", "WRED 알고리즘은 데이터의 우선 순위에 따라 데이터의 제거 확률을 다르게 적용하여 차별적으로 처리하므로 ARED 알고리즘보다 응급 의료 데이터의 손실률이 적다.", "하지만 우선순위가 높은 데이터가 우선순위가 낮은 데이터보다 늦게 처리될 수 있고, 중요한 데이터의 손실이 발생하므로 제안한 알고리즘보다 응급 의료 데이터의 손실률이 큰 것을 알 수 있다.", "Proposed 알고리즘은 버퍼의 흔잡 상황과 데이터의 우선순위 및 지연 시간을 고려하여 서비스하므로, 우선 순위가 높고 전송 지연에 민감한 응급 의료 데이터의 손실률이 가장 적다.", "비록 비의료 데이터의 손실률이 다른 알고리즘보다 많지만 WBAN의 성능에 직접적인 영향을 주는 응급 의료 데이터의 손실을 최소화함으로써 WBAN 서비스의 품질을 향상시키는 것을 알 수 있다.", "또한 버퍼의 혼잡상황을 고려한 데이터 처리로 더 많은 응급 의료 데이터를 처리하였다.", "</p><p>표 5 는 각 알고리즘의 평균 데이터 전송 지연 시간을 나타낸다.", "여기서, NMD는 비의료 데이터, MD는 의료 데이터, 그리고 UMD는 응급 의료 데이터를 의미한다.", "단위는 \\( \\mathrm{ms} \\) 이고, 숫자가 클수록 데이터가 많이 지연된 것이다.", "ARED 알고리즘은 데이터의 지연 시간을 고려 하지 않고 버퍼의 혼잡 상황만을 고려하여 데이터를 제거하므로 응급 의료 데이터의 평균 전송 지연 시간이 다른 알고리즘보다 긴 것을 알 수 있다.", "또한, 버퍼가 혼잡해지면 실시간으로 처리해야하는 데이터가 제거되거나, 우선순위가 낮은 데이터보다 늦게 서비스되어 긴 지연 시간을 갖는다.", "데이터의 지연 시간에 민감한 응급 의료 데이터는 사용자에게 빠른 서비스를 제공해야 한다.", "따라서 응급 의료 데이터의 신속한 처리가 중요하다.", "WRED 알고리즘은 데이터의 우선순위에 따라 데이터 제거 확률을 다르게 적용하여 데이터를 처리하므로 응급 의료 데이터의 지연 시간이 의료 데이터와 비의료 데이터보다 짧은 것을 알 수 있다.", "하지만, 네트워크의 혼잡 상황을 고려하지 않으므로 지연 시간에 민감한 응급 의료 데이터가 네트워크의 혼잡으로 지체될 경우 사용자에게 빠른 서비스를 제공할 수 없다.", "Proposed 알고리즘은 네트워크가 혼잡 상황인 경우 데이터의 지연 시간과 우선순위를 고려하여 데이터를 처리하므로 다른 알고리즘보다 평균 데이터 전송 지연 시간이 전체적으로 낮은 것을 알 수 있다.", "특히, 응급 의료 데이터의 우선순위가 다른 데이터보다 높기 때문에 가장 먼저 서비스되어 지연 시간이 가장 짧은 것을 알 수 있다.", "그러므로 제안한 알고리즘이 응급 의료 데이터의 지연 시간을 감소시켜 신속하게 처리함으로써 사용자에게 가장 빠른 서비스를 제공하고, WBAN의 성능을 향상시킨 것을 알 수 있다.", "</p> <h1>Ⅴ. 결 론</h1><p>본 논문에서는 네트워크의 혼잡 상황에 따라 WBAN의 데이터 지연 시간과 우선순위를 고려하여 네트워크의 성능을 향상시키는 알고리즘을 제안하였다.", "버퍼가 비혼잡 상황이면 데이터를 버퍼에 저장하고, 버퍼의 혼잡 상황이 이전보다 원활해지면 데이터의 지연 시간을 고려하여 데이터를 처리한다.", "반면, 버퍼의 상태가 이전보다 혼잡해지면 데이터의 중요도에 따라 데이터 제거 확률을 다르게 적용하여 처리한다.", "이 알고리즘은 네트 워커의 혼잡 상황과 WBAN 데이터의 특성을 이용하여 데이터를 버퍼에서 제거함으로써, 제한된 버퍼를 효율적으로 사용하고 중요한 데이터를 보호한다.", "또한 데이터의 전송 지연 시간을 감소시킴으로써 WBAN의 성능을 향상시킨다.", "제안한 알고리즘의 성능평가를 위해 NS-2를 사용하였으며, 각 노드에서 보낸 데이터는 ARED, WRED, Proposed 알고리즘이 적용된 허브의 버퍼에서 데이터를 처리하고, 각 알고리즘의 데이터 손실률과 데이터의 평균 전송 지연 시간을 비교하였다.", "ARED 알고리즘은 버퍼의 혼잡 상황을 고려하지만 데이터의 중요도를 고려하지 않기 때문에 Proposed 알고리즘보다 응급 의료 데이터의 제거율이 높아 사용자에게 만족스런 서비스를 보장하지 않는다.", "그리고 WRED 알고리즘은 데이터의 중요도만을 고려하여 데이터를 처리하므로 네트워크의 혼잡이 지속될 경우 의료 데이터의 수신율을 낮추어 네트워크의 성능을 보장하지 못한다.", "따라서 Proposed 알고리즘이 버퍼의 혼잡 상황과 WBAN 데이터의 특성을 고려하여 응급 의료 데이터의 제거율을 낮추어, 다른 알고리즘보다 의료 데이터의 수신율을 높임으로써 WBAN 서비스의 성능이 향상된 것 을 알 수 있다.", "또한 데이터의 평균 전송 지연 시간이 다른 알고리즘보다 전반적으로 감소하였고, 특히 응급 의료 데이터가 가장 빠르게 서비스되었다.", "</p> <h1>Ⅰ. 서 론</h1><p>최근 건강에 대한 관심이 증대와 노령화 인구의 증가 추세로 인하여 양질의 의료 서비스 제공이 보다 중요시 되면서 u-Healthcare 서비스를 지원하기 위한 Wireless Body Area Network(WBAN) 기술이 활발하게 연구되고 있다.", "WBAN은 인체를 중심으로 \\( 3 \\mathrm{~m} \\) 범위 안에 존재하는 인체 외부에 위치한 장치들간의 무선 통신 기술 을 말한다.", "이에 대한 중요성이 대두되면서 IEEE 802.15.6 Working group은 IG(Interest Group), SG(Study Group)을 거쳐 2007년 11월부터 WBAN의 PHY(physical)와 MAC(Medium Access Control)계층의 표준화를 위하여 IEEE 802.15.6 TG(Task Group)6을 구성하였으며, 2012년 3월 IEEE 802.15.6 표준을 제정하였다.", "IEEE 802.15 .6 표준에서는 용도에 따라 의료용 서비스와 비의료용 서비스로 정의하며, 두 서비스를 동시에 제공할 수 있어야 한다.", "의료용 서비스는 다양한 의료용 센서를 이용하여 신체 내외에서 통신이 가능한 서비스를 의미한다.", "의료용 서비스의 데이터는 저속의 주기적인 데이터가 발생하는 특징이 있으며, 환자의 응급 상태나 급박한 상태 변화에 대해 에러 없이 실시간 응답을 필요로 한다.", "비의료용 서비스는 인체를 중심으로 다양한 멀티미디어 장치들의 무선 연결에 이용되어 생체 데이터 수집용이나 웨어러블(wearable) 컴퓨터용으로 사용된다.", "데이터 전송은 event-driven 방식으로씨 대량의 데이터가 간헐적으로 발생하는 특징이 있다.", "이러한 다양한 특징의 서비스를 갖는 WBAN 대부분의 트래픽은 데이터가 집중되는 허브로 전달되므로 네트워크의 혼잡 발생 가능성이 높다.", "또한, 네트워크 혼잡으로 인하여 데이터 손실이 발생한 경우, 사용자에게 만족스런 서비스를 보장해주지 못하게 된다.", "따라서 WBAN 데이터의 신뢰성 및 성능을 향상시키기 위한 연구가 필요하다.", "</p><p>이러한 상황을 제어하기 위하여 허브의 입장에서 서비스의 특성을 고려한 다양한 버퍼 관리 알고리즘들이 연구되어 왔다.", "가장 기본적인 데이터 제어를 위한 버퍼 관리 방법은 Drop tail 방식으로, 구현이 간단하지만 네트위크의 혼잡을 가중시키고 서비스 지연을 유발한다.", "또한 모든 플로우의 데이터가 제거되기 때문에 혼잡을 일으키지 않은 플로우는 다른 플로우에 의해 데이터를 손실하여 불공평하게 처리되는 단점이 있다.", "이러한 문제점을 해결하기 위한 AQM(Active Qucue Management)이 발달되었고, 버퍼 관리를 대표하는 RED(Random Early Detection) 알고리즘이 제안되었다.", "이 알고리즘은 버퍼에 들어오는 데이터를 버퍼의 혼잡 정도에 따라 확률적으로 제거하는 것으로, 버퍼의 혼잡상황 발생 시 정해진 확률에 의해 버퍼에서 데이터를 제거한다.", "따라서 네트워크의 혼잡과 버퍼 지연을 완화하고, Drop tail 방식보다는 좋은 성능을 갖는다.", "하지만 고정된 파라미터 사용으로 네트워크 상황에 적절하게 대응하지 못하며, 데이터를 무작위로 제거하기 때문에 전체 네트워크 성능이 저하되는 단점이 있다.", "이러한 문제를 해결하기 위해 RED 알고리즘을 변형 또는 보완한 알고리즘인 WRED(Weighted RED), ARED(Aapted RED), ARIO(Adaptive RED with In and Out), BLUE,CHOKe, Raddady ct al.'s RED, ERED(Effective RED) 그리고 등이 제안되었다.", "</p><p>본 논문에서는 WBAN 응용 서비스가 지연 시간과 데이터 손실에 민감하고 다양한 데이터를 갖는 특성을 고려하여 제한된 버퍼를 효율적으로 사용함으로써 네트워크의 성능을 향상시키는 알고리즘을 제안한다.", "이 알고리즘은 버퍼가 비혼잡 상황이면 입력되는 데이터를 모두 저장하고, 버퍼가 혼잡상황인 경우 혼잡정도를 파악하여 데이터를 처리한다.", "버퍼의 상태가 이전보다 원활해지면 데이터의 지연 시간과 허용 지연 시간을 비교하여 데이터를 처리하고, 버펴의 상태가 이전보다 혼잡해지면 데이터의 우선순위에 따라 데이터 제거 확률을 다르게 적용하여 처리한다.", "이것은 제한된 큐를 효율적으로 사용하여 중요한 데이터를 보호함으로써 WBAN 서비스의 품질을 향상시키기 위한 것이다.", "제안한 알고리즘의 성능 평가를 위해 NS-2 (Network Simulator-2)를 이용하였으며, 허브에 ARED, WRED, 그리고 제안한 알고리즘을 적용하여 데이터 손실률과 데이터의 평균 전송 지연 시간을 비교하였다.", "비교결과 본 논문에서 제안한 알고리즘이 다른 알고리즘보다 데이터의 전송 지연 시간을 줄이고, 중요한 데이터의 손실률을 낮추어 성능이 향상된 것을 알 수 있었다.", "</p><p>본 논문은 다음과 같이 구성되었다.", "Ⅱ장에서는 IEEE 802.15.6 표준 응용 서비스의 특징과 기존에 제안된 버퍼 관리 알고리즘을 소개하고 Ⅲ장에서는 본 논문에서 제안한 버퍼 관리 알고리즘을 설명한다.", "Ⅳ장에서는 실험을 통해 제안한 알고리즘의 성능을 분석 및 평가하고, Ⅴ 장의 결론으로 본 논문을 마무리한다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "WBAN 환경에서 성능향상을 위한 버퍼 관리 알고리즘", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-18e0fb3c-1b9d-40dd-b7b4-b1ca59b05e0c", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2015", "doc_author": [ "김지원", "김강희", "이창호", "최상방" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
406	<h1>Ⅰ. 서 론</h1><p>차세대 무선 이동 통신은 고속 데이터 전송에 대한 요구가 급격히 중가함에 따라 이를 충족시키기 위한 방안으로 AMC, OFDM(Orthogonal Frequency Division Multiplexing), MIMO(Multiple Input Multiple Output) 및 H-ARQ(Hybrid-Automatic Repeat Request) 등 여러 가지 기술들이 도입될 예정이다.</p><p>AMC기법은 채널 상태에 따라 변조 및 코딩율을 변화시켜 전송률의 향상을 얻고자 하는 기법이며, 현재 Wibro(Wireless Broadband Internet), HSDPA(High Speed Downlink Packet Access)등 여러 고속 무선 통신에 채택되었고, 지속적인 기술 개발을 통해 향후에 도입될 많은 무선 통신 규격에도 표준으로 채택될 예정이다. D-STTD기법은 기존 STTD기법을 전송률 측면에서 보완한 기법으로 많은 무선 통신 규격에서 논의되고 있는 기법이다. 본 논문에서는 AMC기법을 적용한 D-STTD 통신 시스템을 제안하고, 그에 대한 모의실험 결과를 분석할 것이며, 그 내용은 다음과 같이 구성되어 있다. Ⅱ장에서는 AMC기법 및 D-STTD기법의 구조와 특성을 살펴본다. Ⅲ장에서는 AMC기법을 적용한 D-STTD 통신 시스템을 제안하고, 그 구조 및 특성을 설명한다. Ⅳ장에서는 모의실험을 통해 제안한 시스템의 성능을 분석하고 검증한다. 마지막으로 Ⅴ장에서 결론을 맺는다.</p> <p>그림 4는 Rayleigh Flat Fading 채널에서 고정 MCS 레벨에 대한 D-STTD \( 4 \times 2 \) 통신 시스템의 전송률 성능을 나타낸다. Ⅲ장에서 언급하였던 것처럼 MCS 레벨 1(QPSK, 터보 코드 \( 1/3 \))이 적용된 경우 SNR이 약 \( 2 \mathrm{~dB} \) 이상일 경우에 프레임 손실 없이 데이터가 수신되지만, MCS 레벨 4(64QAM, 터보 코드 \( 1 / 2) \) 를 적용된 경우에는 SNR이 약 \( 18 \mathrm{~dB} \) 이상일 경우부터 프레임이 손실되지 않고 전송되는 것을 볼 수 있다. 즉, AMC기법을 적용하지 않고 특정 채널 코딩율과 특정 변조방식 각각 하나씩만을 선택해야 한다고 가정하면 MCS 레벨 3이나 4의 경우에 해당하는 코딩율이나 변조방식은 낮은 SNR구간에서 프레임 에러 확률이 매우 높아 처음부터 적용을 배제시킬 수밖에 없다는 뜻이다.</p><p>그림 5는 Rayleigh Flat Fading 채널에서 AMC기법을 적용한 D-STTD \( 4 \times 2 \) 통신 시스템의 MCS 레벨 선택 확률을 전체 확률 1로 환산하여 나타낸 것이다. SNR이 낮을 경우 전송률이 낮은 MCS 레벨을 선택하고, 반대로 SNR이 높아져서 채널환경이 양호해질수록 보다 높은 MCS 레벨을 선택하는 확률이 높아지는 경향을 볼 수 있다.</p><p>그림 6은 Rayleigh Flat Fading 채널에서 각 통신 시스템의 전송률 성능을 나타낸다. AMC기법만 적용된 기존 통신 시스템의 경우 가장 낮은 전송률을 보였으며, AMC기법이 적용된 STTD \( 2 \times 1 \) 통신 시스템은 송신 다이버시티 효과로 인해 평균 전송률은 조금 향상되었으나 최대 전송률은 AMC기법만 적용된 기존의 통신 시스템과 동일한 것을 볼 수 있다. AMC기법이 적용된 STTD \( 2 \times 2 \) 통신 시스템은 송신 다이버시티 효과에 수신 다이버시티 효과까지 더해져 전 SNR구간에서 평균 전송률이 향상되었다.</p><p>AMC기법을 적용한 D-STTD \(4 \times 2 \) 통신 시스템은 기존의 AMC기법만 적용된 통신 시스템이나 AMC기법이 적용된 STTD 통신 시스템에 비해 최대 전송률이 2배 높아졌음을 확인할 수 있는데, 이는 Ⅱ장 2절에서 언급한 D-STTD기법의 멀티플렉싱 이득에 기인한 결과이다.</p><p>뿐만 아니라 그림 4와 그림 6의 비교를 통해 AMC기법의 적용 없이 고정된 코드율과 변조 방식을 적용한 D-STTD \( 4 \times 2 \) 통신 시스템보다 AMC기법을 적용한 D-STTD \(4 \times 2 \) 통신 시스템이 전 \( \mathrm{SNR} \) 구간에서 고른 전송률 성능을 나타낸다는 것을 볼 수 있다.</p><p>AMC기법을 적용한 D-STTD \( 4 \times 4 \) 통신 시스템의 경우 AMC기법을 적용한 D-STTD \( 4 \times 2 \) 통신 시스템에 수신 다이버시티의 효과가 더해져 평균 전송률이 증가하였다.</p> <h1>Ⅴ. 결 론</h1><p>본 논문에서는 AMC기법을 적용한 D-STTD 통신 시스템을 제안하고, 그에 대한 구조 및 특성에 대해 살펴본 후, 성능을 비교 분석 하였다. 모의실험 결과 기존의 AMC 통신 시스템, AMC기법이 적용된 STTD 통신 시스템에 비해 제안한 시스템이 대부분의 SNR구간에서 전송률의 향상을 보였으며, 최대 전송률은 2배 높은 결과를 나타냈다. 뿐만 아니라 AMC기법의 효과로 인해 하나의 코딩율과 하나의 변조 방식을 택하였을 때에 비해 전 SNR구간에서 고른 전송률을 보였다.</p><p>향후 연구 과제로 비대칭 변조 기술, 안테나 셔플링 및 여러 검출 기법들을 AMC기법이 적용된 D-STTD 통신 시스템에 접목시켜 전 SNR구간에서 전송률과 전송품질을 확보할 수 있는 방안을 찾는 것을 고려할 수 있을 것이다.</p> <h1>요 약</h1><p>본 논문에서는 AMC(Adaptive Modulation and Coding)기법을 적용한 D-STTD(Double-Space Time Transmit Diversity) 통신 시스템을 제안하고, 모의실험을 통해 그 성능을 분석한다. AMC기법은 채널 응답의 정보룰 바탕으로 적절한 채널 코딩율과 변조 기법을 선택하여 신호를 전송하는 기법으로 에러율과 전송률의 적절한 조화를 이끌어내어 전체 시스템의 전송률과 전송품질의 향상율 가져온다. D-STTD기법은 기존의 STTD(Space Time Transmit Diversity)기법을 전송률 측면에서 보완한 기법으로 STTD기법에 비해 약 2배의 전송률 향상을 가져온다. 모의실험 결과, SNR(Signal to Noise Ratio)이 좋아질수록 높은 MCS(Modulation and Coding Scheme)레벨을 선택하는 확률이 높아지는 것을 볼 수 있었으며, AMC기법을 적용한 D-STTD 통신 시스템은 AMC 기법을 적용하지 않은 D-STTD 통신 시스템에 비해 전 SNR구간에서 고른 전송륜 분포를 나타냈다. 또한 AMC기법을 적용한 D-STTD 통신 시스템은 기존 AMC 통신 시스템, 혹은 AMC기법이 적용된 STTD 통신 시스템보다 2배 높은 최대 전송률올 나타내었다.</p> <h1>Ⅱ. AMC기법 및 D-STTD기법의 개요</h1><h2>1. AMC기법의 개요</h2><p>무선 이동 통신 환경은 그 특성상 채널 상태의 변화가 송 \( \cdot \) 수신 전반에 미치는 영향이 매우 크다. 따라서 채널 상태 변화에 의한 악영향을 보완해주기 위해 전송 파라미터를 변화시키는 과정이 존재하는데 이를 링크 적응화(Link Adaptation)라고 한다. AMC기법은 이러한 링크 적응화의 한 가지 종류이며, 그 구조는 그림 1 과 같다. 일반적인 무선 통신 환경에서 데이터는 채널 코딩, 인터리빙 및 변조 과정을 거쳐 전송된다. 채널을 통과하여 수신된 신호는 SNR을 기준으로 채널상태를 추정하는 과정을 거친 후 송신단의 역과정을 거쳐 원래 데이터로 복원된다. 이 때 추정된 채널 정보는 다시 송신단으로 보내지게 되며, 송신단은 이 정보를 기반으로 MCS레벨을 결정하여 채널 코딩, 인터리빙 및 변조 방식을 채널 상태에 적합하도록 변화시켜 전송을 수행하게 된다.</p><p>이처럼 AMC기법은 채널 상태에 따른 MCS레벨 선택을 통해 에러율과 전송률 성능의 적절한 조화를 이끌어내어 전체 시스템의 전송률과 전송품질의 향상을 도모한다.</p><h2>2. D-STTD기법의 개요</h2><p>D-STTD기법은 MIMO기법의 한 가지 종류로 Alamouti가 제안한 STTD기법을 확장한 형태이다. 기존 STTD기법이 다이버시티 이득만을 얻을 수 있었던 것에 비해 D-STTD기법의 경우 다이버시티 이득뿐만 아니라 멀티플렉싱 이득도 함께 얻을 수 있게 되므로 매우 효과적인 MIMO기법이라고 할 수 있으며, 전체적인 전송 패턴은 그림 2와 같다.</p><p>다음은 D-STTD기법의 수신 신호를 간단한 행렬 형태의 연산으로 나타낸 것이다.</p><p>\[ \left[\begin{array}{c} r_{1} \\ r_{2}^{} \\ r_{3} \\ r_{4}^{} \end{array}\right]=\left[\begin{array}{cccc} h_{11} & h_{12} & h_{13} & h_{14} \\ h_{12}^{} & -h_{11}^{} & h_{14}^{} & -h_{13}^{} \\ h_{21} & h_{22} & h_{23} & h_{24} \\ h_{22}^{} & -h_{21}^{} & h_{24}^{} & -h_{23}^{} \end{array}\right]\left[\begin{array}{l} s_{1} \\ s_{2} \\ s_{3} \\ s_{4} \end{array}\right]+\left[\begin{array}{l} n_{1} \\ n_{2}^{} \\ n_{3} \\ n_{4}^{} \end{array}\right] \]<caption>(1)</caption></p><p>여기서 \( r \) 은 수신 신호를 나타내며, \( h, s, n \) 은 각각 채널 응답, 송신 신호, 잡음을 나타낸다. 채널 응답의 경우 \( h_{i j} \) 의 형태로 표기되어 있는데, 이는 \( j \) 번째 송신 안테나와 \( i \) 번째 수신 안테나 사이의 채널 응답을 뜻하며, 이 각각의 채널 응답들은 i.i.d.(independent and identically distributed)이고, 평균이 0인 복소 가우시안 분포를 따른다. 잡음 \( n \) 은 평균이 0 , 분산이 \( \sigma^{2} I \) 인 AWGN(Additive White Gaussian Noise)이다.</p><p>식 (1)과 그림 2로부터 D-STTD기법은 두 타임 슬롯 동안 4개의 심벌이 전송되는 것을 확인할 수 있는데, 이는 STTD기법의 2배에 해당하는 전송률이며 이를 멀티플렉싱 이득이라고 한다.</p> <h1>Ⅲ. AMC기법을 적용한 D-STTD 통신 시스템</h1><p>기존의 D-STTD 통신 시스템의 경우 채널 응답의 상태 변화에 관계없이 일정한 채널 코딩율과 변조 기법을 사용하기 때문에 어느 정도의 SNR이 확보되지 않는 환경일 경우 낮은 채널 코딩율과 낮은 변조 기법을 고정적으로 선택하여 사용할 수밖에 없는 한계를 가지고 있다.</p><p>하지만 AMC기법을 적용한 D-STTD 통신 시스템은 SNR정보에 기반을 둔 MCS 레벨 선택을 통해 채널 코딩율과 변조 기법을 채널 응답 상태의 변화에 따라 유동적으로 적용시키게 되므로 어떠한 SNR상태에서도 가장 효율적인 전송률을 확보할 수 있게 된다.</p><p>그림 3은 AMC기법을 적용한 D-STTD 통신 시스템의 전체 구조도이다. Ⅱ장 2절에서 설명한 D-STTD기법에 AMC기법을 적용하여 전체 통신 시스템의 구조가 완성됨을 볼 수 있다. 처음 생성된 데이터는 MCS 레벨 선택기에 의해 선택된 채널 코딩, 인터리빙 과정을 거친 후에 MCS 레벨 선택기가 선택한 변조 기법을 따라 변조 과정을 거치게 된다. 변조 과정까지 마친 신호는 D-STTD 인코더를 통해 적절히 인코딩되어 전송되며, 채널을 통과한 신호는 수신단에서 D-STTD 디코더를 거쳐 원래 신호의 추정값으로 변환된다. 이 후의 과정은 송신단의 역과정이며, 이를 통해 원래 신호로 복원된다.</p><h1>Ⅳ. 모의실험 결과 분석</h1><p>이 장에서는 기존의 시스템과 AMC기법을 적용한 D-STTD 통신 시스템의 전송률을 비교 및 분석한다. 모의실험에 사용된 MCS 레벨 선택 기준 및 모의실험 파라미터는 표 1과 2에 나타내었으며, 이는 HSDPA 및 3G LTE(Long Term Evolution)의 표준안을 근거로 적절히 구성한 것이다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅰ. 서 론</h1><p>차세대 무선 이동 통신은 고속 데이터 전송에 대한 요구가 급격히 중가함에 따라 이를 충족시키기 위한 방안으로 AMC, OFDM(Orthogonal Frequency Division Multiplexing), MIMO(Multiple Input Multiple Output) 및 H-ARQ(Hybrid-Automatic Repeat Request) 등 여러 가지 기술들이 도입될 예정이다.", "</p><p>AMC기법은 채널 상태에 따라 변조 및 코딩율을 변화시켜 전송률의 향상을 얻고자 하는 기법이며, 현재 Wibro(Wireless Broadband Internet), HSDPA(High Speed Downlink Packet Access)등 여러 고속 무선 통신에 채택되었고, 지속적인 기술 개발을 통해 향후에 도입될 많은 무선 통신 규격에도 표준으로 채택될 예정이다.", "D-STTD기법은 기존 STTD기법을 전송률 측면에서 보완한 기법으로 많은 무선 통신 규격에서 논의되고 있는 기법이다.", "본 논문에서는 AMC기법을 적용한 D-STTD 통신 시스템을 제안하고, 그에 대한 모의실험 결과를 분석할 것이며, 그 내용은 다음과 같이 구성되어 있다.", "Ⅱ장에서는 AMC기법 및 D-STTD기법의 구조와 특성을 살펴본다.", "Ⅲ장에서는 AMC기법을 적용한 D-STTD 통신 시스템을 제안하고, 그 구조 및 특성을 설명한다.", "Ⅳ장에서는 모의실험을 통해 제안한 시스템의 성능을 분석하고 검증한다.", "마지막으로 Ⅴ장에서 결론을 맺는다.", "</p> <p>그림 4는 Rayleigh Flat Fading 채널에서 고정 MCS 레벨에 대한 D-STTD \\( 4 \\times 2 \\) 통신 시스템의 전송률 성능을 나타낸다.", "Ⅲ장에서 언급하였던 것처럼 MCS 레벨 1(QPSK, 터보 코드 \\( 1/3 \\))이 적용된 경우 SNR이 약 \\( 2 \\mathrm{~dB} \\) 이상일 경우에 프레임 손실 없이 데이터가 수신되지만, MCS 레벨 4(64QAM, 터보 코드 \\( 1 / 2) \\) 를 적용된 경우에는 SNR이 약 \\( 18 \\mathrm{~dB} \\) 이상일 경우부터 프레임이 손실되지 않고 전송되는 것을 볼 수 있다.", "즉, AMC기법을 적용하지 않고 특정 채널 코딩율과 특정 변조방식 각각 하나씩만을 선택해야 한다고 가정하면 MCS 레벨 3이나 4의 경우에 해당하는 코딩율이나 변조방식은 낮은 SNR구간에서 프레임 에러 확률이 매우 높아 처음부터 적용을 배제시킬 수밖에 없다는 뜻이다.", "</p><p>그림 5는 Rayleigh Flat Fading 채널에서 AMC기법을 적용한 D-STTD \\( 4 \\times 2 \\) 통신 시스템의 MCS 레벨 선택 확률을 전체 확률 1로 환산하여 나타낸 것이다.", "SNR이 낮을 경우 전송률이 낮은 MCS 레벨을 선택하고, 반대로 SNR이 높아져서 채널환경이 양호해질수록 보다 높은 MCS 레벨을 선택하는 확률이 높아지는 경향을 볼 수 있다.", "</p><p>그림 6은 Rayleigh Flat Fading 채널에서 각 통신 시스템의 전송률 성능을 나타낸다.", "AMC기법만 적용된 기존 통신 시스템의 경우 가장 낮은 전송률을 보였으며, AMC기법이 적용된 STTD \\( 2 \\times 1 \\) 통신 시스템은 송신 다이버시티 효과로 인해 평균 전송률은 조금 향상되었으나 최대 전송률은 AMC기법만 적용된 기존의 통신 시스템과 동일한 것을 볼 수 있다.", "AMC기법이 적용된 STTD \\( 2 \\times 2 \\) 통신 시스템은 송신 다이버시티 효과에 수신 다이버시티 효과까지 더해져 전 SNR구간에서 평균 전송률이 향상되었다.", "</p><p>AMC기법을 적용한 D-STTD \\(4 \\times 2 \\) 통신 시스템은 기존의 AMC기법만 적용된 통신 시스템이나 AMC기법이 적용된 STTD 통신 시스템에 비해 최대 전송률이 2배 높아졌음을 확인할 수 있는데, 이는 Ⅱ장 2절에서 언급한 D-STTD기법의 멀티플렉싱 이득에 기인한 결과이다.", "</p><p>뿐만 아니라 그림 4와 그림 6의 비교를 통해 AMC기법의 적용 없이 고정된 코드율과 변조 방식을 적용한 D-STTD \\( 4 \\times 2 \\) 통신 시스템보다 AMC기법을 적용한 D-STTD \\(4 \\times 2 \\) 통신 시스템이 전 \\( \\mathrm{SNR} \\) 구간에서 고른 전송률 성능을 나타낸다는 것을 볼 수 있다.", "</p><p>AMC기법을 적용한 D-STTD \\( 4 \\times 4 \\) 통신 시스템의 경우 AMC기법을 적용한 D-STTD \\( 4 \\times 2 \\) 통신 시스템에 수신 다이버시티의 효과가 더해져 평균 전송률이 증가하였다.", "</p> <h1>Ⅴ. 결 론</h1><p>본 논문에서는 AMC기법을 적용한 D-STTD 통신 시스템을 제안하고, 그에 대한 구조 및 특성에 대해 살펴본 후, 성능을 비교 분석 하였다.", "모의실험 결과 기존의 AMC 통신 시스템, AMC기법이 적용된 STTD 통신 시스템에 비해 제안한 시스템이 대부분의 SNR구간에서 전송률의 향상을 보였으며, 최대 전송률은 2배 높은 결과를 나타냈다.", "뿐만 아니라 AMC기법의 효과로 인해 하나의 코딩율과 하나의 변조 방식을 택하였을 때에 비해 전 SNR구간에서 고른 전송률을 보였다.", "</p><p>향후 연구 과제로 비대칭 변조 기술, 안테나 셔플링 및 여러 검출 기법들을 AMC기법이 적용된 D-STTD 통신 시스템에 접목시켜 전 SNR구간에서 전송률과 전송품질을 확보할 수 있는 방안을 찾는 것을 고려할 수 있을 것이다.", "</p> <h1>요 약</h1><p>본 논문에서는 AMC(Adaptive Modulation and Coding)기법을 적용한 D-STTD(Double-Space Time Transmit Diversity) 통신 시스템을 제안하고, 모의실험을 통해 그 성능을 분석한다.", "AMC기법은 채널 응답의 정보룰 바탕으로 적절한 채널 코딩율과 변조 기법을 선택하여 신호를 전송하는 기법으로 에러율과 전송률의 적절한 조화를 이끌어내어 전체 시스템의 전송률과 전송품질의 향상율 가져온다.", "D-STTD기법은 기존의 STTD(Space Time Transmit Diversity)기법을 전송률 측면에서 보완한 기법으로 STTD기법에 비해 약 2배의 전송률 향상을 가져온다.", "모의실험 결과, SNR(Signal to Noise Ratio)이 좋아질수록 높은 MCS(Modulation and Coding Scheme)레벨을 선택하는 확률이 높아지는 것을 볼 수 있었으며, AMC기법을 적용한 D-STTD 통신 시스템은 AMC 기법을 적용하지 않은 D-STTD 통신 시스템에 비해 전 SNR구간에서 고른 전송륜 분포를 나타냈다.", "또한 AMC기법을 적용한 D-STTD 통신 시스템은 기존 AMC 통신 시스템, 혹은 AMC기법이 적용된 STTD 통신 시스템보다 2배 높은 최대 전송률올 나타내었다.", "</p> <h1>Ⅱ. AMC기법 및 D-STTD기법의 개요</h1><h2>1. AMC기법의 개요</h2><p>무선 이동 통신 환경은 그 특성상 채널 상태의 변화가 송 \\( \\cdot \\) 수신 전반에 미치는 영향이 매우 크다.", "따라서 채널 상태 변화에 의한 악영향을 보완해주기 위해 전송 파라미터를 변화시키는 과정이 존재하는데 이를 링크 적응화(Link Adaptation)라고 한다.", "AMC기법은 이러한 링크 적응화의 한 가지 종류이며, 그 구조는 그림 1 과 같다.", "일반적인 무선 통신 환경에서 데이터는 채널 코딩, 인터리빙 및 변조 과정을 거쳐 전송된다.", "채널을 통과하여 수신된 신호는 SNR을 기준으로 채널상태를 추정하는 과정을 거친 후 송신단의 역과정을 거쳐 원래 데이터로 복원된다.", "이 때 추정된 채널 정보는 다시 송신단으로 보내지게 되며, 송신단은 이 정보를 기반으로 MCS레벨을 결정하여 채널 코딩, 인터리빙 및 변조 방식을 채널 상태에 적합하도록 변화시켜 전송을 수행하게 된다.", "</p><p>이처럼 AMC기법은 채널 상태에 따른 MCS레벨 선택을 통해 에러율과 전송률 성능의 적절한 조화를 이끌어내어 전체 시스템의 전송률과 전송품질의 향상을 도모한다.", "</p><h2>2. D-STTD기법의 개요</h2><p>D-STTD기법은 MIMO기법의 한 가지 종류로 Alamouti가 제안한 STTD기법을 확장한 형태이다.", "기존 STTD기법이 다이버시티 이득만을 얻을 수 있었던 것에 비해 D-STTD기법의 경우 다이버시티 이득뿐만 아니라 멀티플렉싱 이득도 함께 얻을 수 있게 되므로 매우 효과적인 MIMO기법이라고 할 수 있으며, 전체적인 전송 패턴은 그림 2와 같다.", "</p><p>다음은 D-STTD기법의 수신 신호를 간단한 행렬 형태의 연산으로 나타낸 것이다.", "</p><p>\\[ \\left[\\begin{array}{c} r_{1} \\\\ r_{2}^{} \\\\ r_{3} \\\\ r_{4}^{} \\end{array}\\right]=\\left[\\begin{array}{cccc} h_{11} & h_{12} & h_{13} & h_{14} \\\\ h_{12}^{} & -h_{11}^{} & h_{14}^{} & -h_{13}^{} \\\\ h_{21} & h_{22} & h_{23} & h_{24} \\\\ h_{22}^{} & -h_{21}^{} & h_{24}^{} & -h_{23}^{} \\end{array}\\right]\\left[\\begin{array}{l} s_{1} \\\\ s_{2} \\\\ s_{3} \\\\ s_{4} \\end{array}\\right]+\\left[\\begin{array}{l} n_{1} \\\\ n_{2}^{} \\\\ n_{3} \\\\ n_{4}^{} \\end{array}\\right] \\]<caption>(1)</caption></p><p>여기서 \\( r \\) 은 수신 신호를 나타내며, \\( h, s, n \\) 은 각각 채널 응답, 송신 신호, 잡음을 나타낸다.", "채널 응답의 경우 \\( h_{i j} \\) 의 형태로 표기되어 있는데, 이는 \\( j \\) 번째 송신 안테나와 \\( i \\) 번째 수신 안테나 사이의 채널 응답을 뜻하며, 이 각각의 채널 응답들은 i.i.d.(independent and identically distributed)이고, 평균이 0인 복소 가우시안 분포를 따른다.", "잡음 \\( n \\) 은 평균이 0 , 분산이 \\( \\sigma^{2} I \\) 인 AWGN(Additive White Gaussian Noise)이다.", "</p><p>식 (1)과 그림 2로부터 D-STTD기법은 두 타임 슬롯 동안 4개의 심벌이 전송되는 것을 확인할 수 있는데, 이는 STTD기법의 2배에 해당하는 전송률이며 이를 멀티플렉싱 이득이라고 한다.", "</p> <h1>Ⅲ. AMC기법을 적용한 D-STTD 통신 시스템</h1><p>기존의 D-STTD 통신 시스템의 경우 채널 응답의 상태 변화에 관계없이 일정한 채널 코딩율과 변조 기법을 사용하기 때문에 어느 정도의 SNR이 확보되지 않는 환경일 경우 낮은 채널 코딩율과 낮은 변조 기법을 고정적으로 선택하여 사용할 수밖에 없는 한계를 가지고 있다.", "</p><p>하지만 AMC기법을 적용한 D-STTD 통신 시스템은 SNR정보에 기반을 둔 MCS 레벨 선택을 통해 채널 코딩율과 변조 기법을 채널 응답 상태의 변화에 따라 유동적으로 적용시키게 되므로 어떠한 SNR상태에서도 가장 효율적인 전송률을 확보할 수 있게 된다.", "</p><p>그림 3은 AMC기법을 적용한 D-STTD 통신 시스템의 전체 구조도이다.", "Ⅱ장 2절에서 설명한 D-STTD기법에 AMC기법을 적용하여 전체 통신 시스템의 구조가 완성됨을 볼 수 있다.", "처음 생성된 데이터는 MCS 레벨 선택기에 의해 선택된 채널 코딩, 인터리빙 과정을 거친 후에 MCS 레벨 선택기가 선택한 변조 기법을 따라 변조 과정을 거치게 된다.", "변조 과정까지 마친 신호는 D-STTD 인코더를 통해 적절히 인코딩되어 전송되며, 채널을 통과한 신호는 수신단에서 D-STTD 디코더를 거쳐 원래 신호의 추정값으로 변환된다.", "이 후의 과정은 송신단의 역과정이며, 이를 통해 원래 신호로 복원된다.", "</p><h1>Ⅳ. 모의실험 결과 분석</h1><p>이 장에서는 기존의 시스템과 AMC기법을 적용한 D-STTD 통신 시스템의 전송률을 비교 및 분석한다.", "모의실험에 사용된 MCS 레벨 선택 기준 및 모의실험 파라미터는 표 1과 2에 나타내었으며, 이는 HSDPA 및 3G LTE(Long Term Evolution)의 표준안을 근거로 적절히 구성한 것이다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "AMC기법을 적용한 D-STTD 통신 시스템의 성능 분석", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-19dd3b2f-8710-467c-82be-dce933985500", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2008", "doc_author": [ "이정환", "윤길상", "유철우", "황인태" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
407	<h1>IV. 실험 결과</h1> <p>제안하는 알고리즘의 성능을 분석하기 위하여 JM 11.0에 사용된 비트율 제어 알고리즘과 성능을 비교하였다. 각 알고리즘은 H.264 베이스라인 프로파일을 기반으로 구현되었다. 본 실험에서는 첫 프레임만 I-표레임으로 코딩하고 나머지 프레임은 P-프레임 타입으로 코딩하였다. 자세한 실험 조건은 표 1 과 같다. 실험에 사용된 영상 시퀀스는 Carphone, Mother \& Daughter (MD), Foreman 시퀀스이다. 세 시퀀스 모두 QCIF 영상 포맷 \( (176 \times 144) \) 이고 프레임 레이트는 \( 30 \mathrm{fps} \) 이다.</p> <p>그림 5는 Carphone 영상을 제안된 알고리즘으로 압축했을 때 목표 버퍼 레벨과 실제 버퍼 레벨을 보여준다. 그림 1의 JM 알고리즘과 비교했을 때 제안하는 알고리즘이 목표 버퍼 레벨에 맞게 영상을 압축하고 있음을 알 수 있다. 제안하는 알고리즘에서는 각 프레임에 할당된 비트량에 맞게 각 매크로볼록의 QP 값을 조정하기 때문에 JM 알고리즘에 비해 정확한 양의 압축 데이터를 얻을 수 있다.</p> <p>그림 6은 Carphone 영상에 제안된 알고리즘을 적용했을 때 30번째 프레임의 매크로블록에 따른 QP 값과 잔여 비트량의 변화를 보여준다. 그림 6 (a)와 J M 알고리즘의 결과인 그림 4(a)를 비교했을 때 제안하는 알고리즘은 매크로불록의 QP 값이 일정하게 유지되다가 60번째 매크로블록에서 작은 값을 가지고 다시 80번째 매크로블록부터 일정한 값으로 유지되는 것을 볼 수 있다. 이것은 30번째 프레임의 경우 가운데 부분의 MAD 값이 다른 매크로블록에 비해 상대적으로 큰 값을 가지기 때문이다. 잔여 비트량의 경우 제안하는 알고리즘은 식(8)에 의해 결정되는 목표 잔여 비트량을 고려하여 QP 값을 조절하기 때문에 그림 6 (b)와 같이 한 프레임에 할당된 비트량이 전체 매크로블록에 적절하게 배분 되는 것을 볼 수 있다.</p> <p>그림 7은 Carphone 영상을 압축했을 때의 목표 비트량과 결과 비트량을 비교한 것이다. 제안하는 알고리즘은 매크로블록 레이어 비트율 제어 알고리즘이기 때문에 JM에서 사용하는 프레임 레이어 비트율 제어 알고리즘을 그대로 사용하여 목표 비트량은 결정하였다. JM 알고리즘에 비해 제안하는 알고리즘이 목표 비트량에 맞게 결과 비트량을 발생시키는 것을 볼 수 있다.</p> <table border><caption>표 2. 제안된 알고리즘의 성능 비교</caption> <tbody><tr><td>영상</td><td>알고리즘</td><td>전송률</td><td>PSNR</td><td>\( \triangle B u f f \)</td></tr><tr><td rowspan="4">Carphone</td><td>Proposed</td><td>\( 32 \mathrm{kbps} \)</td><td>31.47</td><td>23.01</td></tr><tr><td>JM 11.0</td><td>\( 32 \mathrm{kbps} \)</td><td>31.24</td><td>387.86</td></tr><tr><td>Proposed</td><td>\( 64 \mathrm{kbps} \)</td><td>34.84</td><td>76.28</td></tr><tr><td>JM 11.0</td><td>\( 64 \mathrm{kbps} \)</td><td>34.65</td><td>388.66</td></tr><tr><td rowspan="4">Foreman</td><td>Proposed</td><td>\( 32 \mathrm{kbps} \)</td><td>29.64</td><td>83.34</td></tr><tr><td>JM 11.0</td><td>\( 32 \mathrm{kbps} \)</td><td>29.53</td><td>331.07</td></tr><tr><td>Proposed</td><td>\( 64 \mathrm{kbps} \)</td><td>33.09</td><td>156.12</td></tr><tr><td>JM 11.0</td><td>\( 64 \mathrm{kbps} \)</td><td>33.03</td><td>473.62</td></tr><tr><td rowspan="4">MD</td><td>Proposed</td><td>\( 32 \mathrm{kbps} \)</td><td>36.16</td><td>77.81</td></tr><tr><td>JM 11.0</td><td>\( 32 \mathrm{kbps} \)</td><td>35.95</td><td>493.40</td></tr><tr><td>Proposed</td><td>\( 64 \mathrm{kbps} \)</td><td>39.03</td><td>127.20</td></tr><tr><td>JM 11.0</td><td>\( 64 \mathrm{kbps} \)</td><td>39.00</td><td>853.24</td></tr></tbody></table> <p>표 2 는 세 가지 영상 시퀀스에 대해서 제안하는 알고리즘과 JM 알고리즘을 적용했을 때의 성능을 보여준다. 여기서 \( \Delta B u f f \) 는 목표 비트량과 실제 발생한 결과 비트량의 차이를 평균한 값이다. 매크로블록 레이어 비트율 제어의 가장 큰 목적은 프레임 레이어에서 설정한 목표 비트량에 맞게 결과 비트량이 발생하게 하는 것이다. 기존 알고리즘과 비교했을 때 제안하는 알고리즘이 영상 시퀀스와 전송률에 상관없이 목표 비트량과 비슷한 결과 비트량을 발생시키는 것을 알 수 있다. 동시에 제안하는 알고리즘이 영상 시퀀스와 전송률에 상관없이 PSNR을 약간 향상 시키는 것을 알 수 있다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>IV.", "실험 결과</h1> <p>제안하는 알고리즘의 성능을 분석하기 위하여 JM 11.0에 사용된 비트율 제어 알고리즘과 성능을 비교하였다.", "각 알고리즘은 H.264 베이스라인 프로파일을 기반으로 구현되었다.", "본 실험에서는 첫 프레임만 I-표레임으로 코딩하고 나머지 프레임은 P-프레임 타입으로 코딩하였다.", "자세한 실험 조건은 표 1 과 같다.", "실험에 사용된 영상 시퀀스는 Carphone, Mother \\& Daughter (MD), Foreman 시퀀스이다.", "세 시퀀스 모두 QCIF 영상 포맷 \\( (176 \\times 144) \\) 이고 프레임 레이트는 \\( 30 \\mathrm{fps} \\) 이다.", "</p> <p>그림 5는 Carphone 영상을 제안된 알고리즘으로 압축했을 때 목표 버퍼 레벨과 실제 버퍼 레벨을 보여준다.", "그림 1의 JM 알고리즘과 비교했을 때 제안하는 알고리즘이 목표 버퍼 레벨에 맞게 영상을 압축하고 있음을 알 수 있다.", "제안하는 알고리즘에서는 각 프레임에 할당된 비트량에 맞게 각 매크로볼록의 QP 값을 조정하기 때문에 JM 알고리즘에 비해 정확한 양의 압축 데이터를 얻을 수 있다.", "</p> <p>그림 6은 Carphone 영상에 제안된 알고리즘을 적용했을 때 30번째 프레임의 매크로블록에 따른 QP 값과 잔여 비트량의 변화를 보여준다.", "그림 6 (a)와 J M 알고리즘의 결과인 그림 4(a)를 비교했을 때 제안하는 알고리즘은 매크로불록의 QP 값이 일정하게 유지되다가 60번째 매크로블록에서 작은 값을 가지고 다시 80번째 매크로블록부터 일정한 값으로 유지되는 것을 볼 수 있다.", "이것은 30번째 프레임의 경우 가운데 부분의 MAD 값이 다른 매크로블록에 비해 상대적으로 큰 값을 가지기 때문이다.", "잔여 비트량의 경우 제안하는 알고리즘은 식(8)에 의해 결정되는 목표 잔여 비트량을 고려하여 QP 값을 조절하기 때문에 그림 6 (b)와 같이 한 프레임에 할당된 비트량이 전체 매크로블록에 적절하게 배분 되는 것을 볼 수 있다.", "</p> <p>그림 7은 Carphone 영상을 압축했을 때의 목표 비트량과 결과 비트량을 비교한 것이다.", "제안하는 알고리즘은 매크로블록 레이어 비트율 제어 알고리즘이기 때문에 JM에서 사용하는 프레임 레이어 비트율 제어 알고리즘을 그대로 사용하여 목표 비트량은 결정하였다.", "JM 알고리즘에 비해 제안하는 알고리즘이 목표 비트량에 맞게 결과 비트량을 발생시키는 것을 볼 수 있다.", "</p> <table border><caption>표 2. 제안된 알고리즘의 성능 비교</caption> <tbody><tr><td>영상</td><td>알고리즘</td><td>전송률</td><td>PSNR</td><td>\\( \\triangle B u f f \\)</td></tr><tr><td rowspan=\"4\">Carphone</td><td>Proposed</td><td>\\( 32 \\mathrm{kbps} \\)</td><td>31.47</td><td>23.01</td></tr><tr><td>JM 11.0</td><td>\\( 32 \\mathrm{kbps} \\)</td><td>31.24</td><td>387.86</td></tr><tr><td>Proposed</td><td>\\( 64 \\mathrm{kbps} \\)</td><td>34.84</td><td>76.28</td></tr><tr><td>JM 11.0</td><td>\\( 64 \\mathrm{kbps} \\)</td><td>34.65</td><td>388.66</td></tr><tr><td rowspan=\"4\">Foreman</td><td>Proposed</td><td>\\( 32 \\mathrm{kbps} \\)</td><td>29.64</td><td>83.34</td></tr><tr><td>JM 11.0</td><td>\\( 32 \\mathrm{kbps} \\)</td><td>29.53</td><td>331.07</td></tr><tr><td>Proposed</td><td>\\( 64 \\mathrm{kbps} \\)</td><td>33.09</td><td>156.12</td></tr><tr><td>JM 11.0</td><td>\\( 64 \\mathrm{kbps} \\)</td><td>33.03</td><td>473.62</td></tr><tr><td rowspan=\"4\">MD</td><td>Proposed</td><td>\\( 32 \\mathrm{kbps} \\)</td><td>36.16</td><td>77.81</td></tr><tr><td>JM 11.0</td><td>\\( 32 \\mathrm{kbps} \\)</td><td>35.95</td><td>493.40</td></tr><tr><td>Proposed</td><td>\\( 64 \\mathrm{kbps} \\)</td><td>39.03</td><td>127.20</td></tr><tr><td>JM 11.0</td><td>\\( 64 \\mathrm{kbps} \\)</td><td>39.00</td><td>853.24</td></tr></tbody></table> <p>표 2 는 세 가지 영상 시퀀스에 대해서 제안하는 알고리즘과 JM 알고리즘을 적용했을 때의 성능을 보여준다.", "여기서 \\( \\Delta B u f f \\) 는 목표 비트량과 실제 발생한 결과 비트량의 차이를 평균한 값이다.", "매크로블록 레이어 비트율 제어의 가장 큰 목적은 프레임 레이어에서 설정한 목표 비트량에 맞게 결과 비트량이 발생하게 하는 것이다.", "기존 알고리즘과 비교했을 때 제안하는 알고리즘이 영상 시퀀스와 전송률에 상관없이 목표 비트량과 비슷한 결과 비트량을 발생시키는 것을 알 수 있다.", "동시에 제안하는 알고리즘이 영상 시퀀스와 전송률에 상관없이 PSNR을 약간 향상 시키는 것을 알 수 있다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "저전송률 비디오 압출을 위한 모델 기반 매크로블록 레이어 비트율 제어", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1768b38a-6b12-478b-9832-d0a2f737cac2", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2009", "doc_author": [ "박상현" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
408	<p>나. 생성된 규칙의 수</p> <p>그림 5는 표 1의 초기데이터로 가중치를 정의했을 때와 가중치를 모두 1 로 정의했을 때 생성된 규칙의 수를 보이고 있다. 본 연구에서는 최소 지지도 값은 0.02 이상으로 설정했으며 최소 지지도 값에 따라 생성된 규칙의 수가 달라짐을 보여준다.</p> <table border><caption>표 2. 움직임 패턴과 근육 활성도의 생성된 규칙</caption> <tbody><tr><td>Generalized Rule Set</td><td>Min. Sup.</td></tr><tr><td>Maintaining \( (\mathrm{AL}) \Rightarrow \mathrm{RF}(40 \%) \)</td><td>0.021824</td></tr><tr><td>45 degrees (Level1, S3) \( \Rightarrow\ RF (40 \%), BF(40 \%) \)</td><td>0.023059</td></tr><tr><td>45 degrees (Level1, S3) \( \Rightarrow\ RF (40 \%), BF(40 \%), TEL(40 \%) \)</td><td>0.020929</td></tr><tr><td>45 degrees (Level1, S3) \( \Rightarrow\ RF (40 \%), BF(40 \%), TEL(40 \%), VL(40 \%) \)</td><td>0.020929</td></tr><tr><td>LR(Level, S3) \( \Rightarrow \) RF \( (40 \%), \operatorname{TEL}(40 \%), \mathrm{VL}(40 \%), \mathrm{VM}(40 \%) \)</td><td>0.020736</td></tr><tr><td>\( \mathrm{AP}( \) Level1, S3) \( \Rightarrow \mathrm{RF}(40 \%), \mathrm{TEL}(40 \%), \mathrm{VL}(40 \%), \mathrm{VM}(40 \%), \mathrm{Ga}(40 \%) \)</td><td>0.022879</td></tr><tr><td>\( -45 \) degrees (Level1, S3) \( \Rightarrow \) TEL(40\%), VL(40\%), Ga(40\%)</td><td>0.020875</td></tr><tr><td>45 degrees (Level2, S3) \( \Rightarrow \operatorname{TEL}(40 \%), \mathrm{VM}(40 \%), \mathrm{Ga}(40 \%), \mathrm{TA}(40 \%) \), \( \mathrm{SO}(40 \%) \)</td><td>0.020194</td></tr><tr><td></td><td></td></tr><tr><td>Maintaining \( (\mathrm{AL}) \Rightarrow \mathrm{BF}(40 \%), \mathrm{SO}(60 \%), \mathrm{GA}(80 \%) \)</td><td>0.021443</td></tr></tbody></table> <p>초기치를 1로 정의했을 때는 연관규칙 탐사의 결과와 동일하다고 할 수 있으며, 생성된 규칙의 수는 최소지지도 값이 증가함에 따라 감소하는 경향이다.</p> <p>다. 훈련 유형과 근 활성도 연관성</p> <p>그림 6은 피험자 전체의 훈련 결과에 대하여 어떤 움직임들이 주로 발생하였는가를 나타내며 각 움직임 유형에 따라 생성된 규칙의 수를 보여준다(최소 지지도 = 0.02). 그림 6 에서 보이는 바와 같이 AP 방향과 45도 방향의 움직임에 관해 생성된 규칙의 수가 다른 움직임 패턴의 수보다 많다는 것은 이 두 방향의 운동이 다른 운동에 비해 근육의 활성에 더 많이 기여했고, 이는 AP방향과 45도 방향으로 움직임은 다른 운동 유형보다 근육 활동 훈련에 더 효과적임을 의미한다.</p> <p>그림 7은 각 움직임 유형이 어떤 근육을 어느 정도로 활성화시켰는지를 보여주고 있다. 그래프를 보면, BF, RF, TLF, VL, VM, Ga, So는 AP와 45도 방향에서 더 많이 활동하게 나오며 이는 이 두 방향의 운동이 많은 종류의 근육 활성에 효과적임을 말하며 이는 그림 6의 결과와 일치한다. TA의 경우 다른 운동유형에 비해 45도 방향에서 더 많이 활동한다. 이 연구에서는 오른쪽 다리의 근육을 측정하였다. 오른쪽 다리의 BF, RF, TEL, VL, VM, Ga와 TA는 45도 방향에서보다 -45도 방향에서 더 활성화 되었다. 다른 움직임 패턴과 비교 해서, LR방향 움직임에서 근육 활성의 훈련을 위한 유의한 효과는 없었다. 이는 고안된 시스템의 특성상 불안정판에서 제시된 LR방향에서 움직임이 다른 움직임 패턴에서 이동이 용이하기 때문이다. 또한 BF 방향과 TA방향에 대한 자극 훈련이 상대적으로 적은데, 이는시스템에 의하여 제공되는 훈련 프로그램으로는 두 근육의 활성이 적게 일어나게 된다는 것이다. 따라서, 두 근육의 자극이 일어날 수 있는 재활훈련 유형을 새롭게 고안함으로써 모든 근육이 고루 발달하여야 할 것이다.</p> <p>그림 7과 같은 그래프의 결과를 한 개인의 재활 치료를 위한 피드백에 적용한다면, 개인의 일정 기간 동안의 재활 훈련이 어떤 근육을 얼마나 자극하였는가는 생성된 규칙 정보를 바탕으로 특정 근육의 활성정도를 해석하여 재활 훈련의 효율성을 판단할 수 있으며, 이는 곧 개인 맞춤형 훈련과 연관 지을 수 있다.</p> <p>그림 8은 서로 다른 방향에 대한 유지훈련운동(그림 4 e)의 결과로 발생된 규칙의 수를 보여준다. 서로 다른 방향으로 유지하는 훈련은 자세 제어 훈련에 있어서 매우 중요하다. 다른 방향과 비교해서, AR 방향의 생성규칙수가 높다는 것은 AR 방향은 유지 운동에 효과적임을 의미하며, 이때 많이 활성화 되는 근육은 RF, TEL, VL, TA와 So임을 알 수 있다.</p> <p>가중 연관 규칙에서는 중요도에 따라 가중치를 부여함으로 인해 중요도가 낮을 경우 빈발률이 높더라도 규칙으로 생성 되지 않을 수 있다. 또는 빈발률이 낮더라도 중요도가 높을 경우 규칙으로 생성될 것이다. 이는 가중 연관규칙의 특성이다. 그림 8에서 보는 바와 같이 P나 R, PL방향에서 BF, RF, TFL, VL과, P방향에서 VM, TA, GA, SO에서 규칙이 생성되지 않은 것은, 표1 에 제시된 초기 데이터 그룹에서 중요도가 낮은 그룹이 빈발한 수도 낮은 것이 그 이유이다. 즉 중요도가 낮은 그룹과 관련되는 아이템의 가중 연관 규칙 집합이 생성되지 않은 경우를 보이고 있다.</p>	전기공학, 통신공학, 전자공학	[ "<p>나.", "생성된 규칙의 수</p> <p>그림 5는 표 1의 초기데이터로 가중치를 정의했을 때와 가중치를 모두 1 로 정의했을 때 생성된 규칙의 수를 보이고 있다.", "본 연구에서는 최소 지지도 값은 0.02 이상으로 설정했으며 최소 지지도 값에 따라 생성된 규칙의 수가 달라짐을 보여준다.", "</p> <table border><caption>표 2. 움직임", "패턴과 근육 활성도의 생성된 규칙</caption> <tbody><tr><td>Generalized Rule Set</td><td>Min.", "Sup.", "</td></tr><tr><td>Maintaining \\( (\\mathrm{AL}) \\Rightarrow \\mathrm{RF}(40 \\%) \\)</td><td>0.021824</td></tr><tr><td>45 degrees (Level1, S3) \\( \\Rightarrow\\ RF (40 \\%), BF(40 \\%) \\)</td><td>0.023059</td></tr><tr><td>45 degrees (Level1, S3) \\( \\Rightarrow\\ RF (40 \\%), BF(40 \\%), TEL(40 \\%) \\)</td><td>0.020929</td></tr><tr><td>45 degrees (Level1, S3) \\( \\Rightarrow\\ RF (40 \\%), BF(40 \\%), TEL(40 \\%), VL(40 \\%) \\)</td><td>0.020929</td></tr><tr><td>LR(Level, S3) \\( \\Rightarrow \\) RF \\( (40 \\%), \\operatorname{TEL}(40 \\%), \\mathrm{VL}(40 \\%), \\mathrm{VM}(40 \\%) \\)</td><td>0.020736</td></tr><tr><td>\\( \\mathrm{AP}( \\) Level1, S3) \\( \\Rightarrow \\mathrm{RF}(40 \\%), \\mathrm{TEL}(40 \\%), \\mathrm{VL}(40 \\%), \\mathrm{VM}(40 \\%), \\mathrm{Ga}(40 \\%) \\)</td><td>0.022879</td></tr><tr><td>\\( -45 \\) degrees (Level1, S3) \\( \\Rightarrow \\) TEL(40\\%), VL(40\\%), Ga(40\\%)</td><td>0.020875</td></tr><tr><td>45 degrees (Level2, S3) \\( \\Rightarrow \\operatorname{TEL}(40 \\%), \\mathrm{VM}(40 \\%), \\mathrm{Ga}(40 \\%), \\mathrm{TA}(40 \\%) \\), \\( \\mathrm{SO}(40 \\%) \\)</td><td>0.020194</td></tr><tr><td></td><td></td></tr><tr><td>Maintaining \\( (\\mathrm{AL}) \\Rightarrow \\mathrm{BF}(40 \\%), \\mathrm{SO}(60 \\%), \\mathrm{GA}(80 \\%) \\)</td><td>0.021443</td></tr></tbody></table> <p>초기치를 1로 정의했을 때는 연관규칙 탐사의 결과와 동일하다고 할 수 있으며, 생성된 규칙의 수는 최소지지도 값이 증가함에 따라 감소하는 경향이다.", "</p> <p>다.", "훈련 유형과 근 활성도 연관성</p> <p>그림 6은 피험자 전체의 훈련 결과에 대하여 어떤 움직임들이 주로 발생하였는가를 나타내며 각 움직임 유형에 따라 생성된 규칙의 수를 보여준다(최소 지지도 = 0.02).", "그림 6 에서 보이는 바와 같이 AP 방향과 45도 방향의 움직임에 관해 생성된 규칙의 수가 다른 움직임 패턴의 수보다 많다는 것은 이 두 방향의 운동이 다른 운동에 비해 근육의 활성에 더 많이 기여했고, 이는 AP방향과 45도 방향으로 움직임은 다른 운동 유형보다 근육 활동 훈련에 더 효과적임을 의미한다.", "</p> <p>그림 7은 각 움직임 유형이 어떤 근육을 어느 정도로 활성화시켰는지를 보여주고 있다.", "그래프를 보면, BF, RF, TLF, VL, VM, Ga, So는 AP와 45도 방향에서 더 많이 활동하게 나오며 이는 이 두 방향의 운동이 많은 종류의 근육 활성에 효과적임을 말하며 이는 그림 6의 결과와 일치한다.", "TA의 경우 다른 운동유형에 비해 45도 방향에서 더 많이 활동한다.", "이 연구에서는 오른쪽 다리의 근육을 측정하였다.", "오른쪽 다리의 BF, RF, TEL, VL, VM, Ga와 TA는 45도 방향에서보다 -45도 방향에서 더 활성화 되었다.", "다른 움직임 패턴과 비교 해서, LR방향 움직임에서 근육 활성의 훈련을 위한 유의한 효과는 없었다.", "이는 고안된 시스템의 특성상 불안정판에서 제시된 LR방향에서 움직임이 다른 움직임 패턴에서 이동이 용이하기 때문이다.", "또한 BF 방향과 TA방향에 대한 자극 훈련이 상대적으로 적은데, 이는시스템에 의하여 제공되는 훈련 프로그램으로는 두 근육의 활성이 적게 일어나게 된다는 것이다.", "따라서, 두 근육의 자극이 일어날 수 있는 재활훈련 유형을 새롭게 고안함으로써 모든 근육이 고루 발달하여야 할 것이다.", "</p> <p>그림 7과 같은 그래프의 결과를 한 개인의 재활 치료를 위한 피드백에 적용한다면, 개인의 일정 기간 동안의 재활 훈련이 어떤 근육을 얼마나 자극하였는가는 생성된 규칙 정보를 바탕으로 특정 근육의 활성정도를 해석하여 재활 훈련의 효율성을 판단할 수 있으며, 이는 곧 개인 맞춤형 훈련과 연관 지을 수 있다.", "</p> <p>그림 8은 서로 다른 방향에 대한 유지훈련운동(그림 4 e)의 결과로 발생된 규칙의 수를 보여준다.", "서로 다른 방향으로 유지하는 훈련은 자세 제어 훈련에 있어서 매우 중요하다.", "다른 방향과 비교해서, AR 방향의 생성규칙수가 높다는 것은 AR 방향은 유지 운동에 효과적임을 의미하며, 이때 많이 활성화 되는 근육은 RF, TEL, VL, TA와 So임을 알 수 있다.", "</p> <p>가중 연관 규칙에서는 중요도에 따라 가중치를 부여함으로 인해 중요도가 낮을 경우 빈발률이 높더라도 규칙으로 생성 되지 않을 수 있다.", "또는 빈발률이 낮더라도 중요도가 높을 경우 규칙으로 생성될 것이다.", "이는 가중 연관규칙의 특성이다.", "그림 8에서 보는 바와 같이 P나 R, PL방향에서 BF, RF, TFL, VL과, P방향에서 VM, TA, GA, SO에서 규칙이 생성되지 않은 것은, 표1 에 제시된 초기 데이터 그룹에서 중요도가 낮은 그룹이 빈발한 수도 낮은 것이 그 이유이다.", "즉 중요도가 낮은 그룹과 관련되는 아이템의 가중 연관 규칙 집합이 생성되지 않은 경우를 보이고 있다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "가중연관규칙 탐사를 이용한 재활훈련운동과 근육 활성의 연관성 분석", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1faaf103-a8a4-464a-9ce0-485bdd5e7bb7", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2009", "doc_author": [ "이아름", "박용군", "권대규", "김정자" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
409	<h1>IV. 실험 방법</h1> <p>본 논문에서는 주파수 영역에서 음향학적 반향제거기(Acoustic Echo Suppression, AES)를 구성하기 위하여 GMM 를 통한 패턴인식 기반의 동시통화 검출 알고리즘을 제안하였다. 제안된 알고리즘은 고정된 문턱 값과 가부판단하는 hard decision 방식과 비교하기 위해 기존의 상호 상관계수를 이용한 알고리즘과 동시통화 검출 오류확률 (Double-talk Detection Error Probability, \( \left.P_{E}\right) \) 을 통해 비교 평가 되었다. \( P_{E} \) 는 false alarm과 missing 확률의 합으로 계산되어진다. GMM 은 주파수 영역에서 통계적 분포에 대한 분석을 통해 선별된 7개의 상호 상관계수를 특징 벡터로 사용하며 16 개 혼합성분으로 구성된다.학습과 테스트를 위한 데이터는 20 명의 화자로부터 \( 8\mathrm{kHz} 로 샘플링 된 문장을 수집하여 수행 되었다. 수집된 20 명의 화자 중 10 명의 화자는 원단 화자 신호로 사용하고 나머지 10 명은 근단 화자 신호로 사용하였으며 분류된 두 그룹의 신호를 무작위로 섞어서 동시통화 구간이 약 1 초 발생하는 52 분 길이의 문장을 생성하였다. 생성된 문장의 44 분은 학습 데이터로 8 분은 테스트 데이터로 사용하였다. 원단 화자 신호로 분류된 10 명의 화자에 대해서는 근단 화자 신호와 섞기 전에 실제 반사 환경을 모델링하기 위해 근단 화자 신호보다 \( 3.5 \mathrm{~dB} \) 작게함과 동시에 임펄스 응답 필터를 통과 시켰다. 임펄스 응답 필터의 모델링 환경은 반향 경로의 변화가 있는 경우와 없는 경우를 비교 평가하기 위해 표 1의 한 가지 반향 경로로만 이루어진 경우와 표 2의 6가지 반향 경로가 0.5초 마다 변하는 두 가지 경우로 설정 하였다.</p> <table border><caption>표 1. 임펄스 응답 모델링 환경 (단위 : \( m \) )</caption> <tbody><tr><td>공간 벡터</td><td>x</td><td>y</td><td>z</td></tr><tr><td>공간 크기</td><td>5</td><td>4</td><td>3</td></tr><tr><td>스피커 위치</td><td>0.5</td><td>2</td><td>1.5</td></tr><tr><td>마이크 위치</td><td>3.5</td><td>2</td><td>1</td></tr><tr><td>반사계수</td><td>0.3</td><td>0.3</td><td>0.3</td></tr></tbody></table> <p>표 3과 표 4 는 각각 반향 경로가 변하지 않는 경우와 변하는 경우의 5 가지 잡음 환경에서의 동시통화 검출 오 류 확률 결과를 보인다.</p> <p>실험 결과에서 확인할 수 있듯이 기존의 방식은 반향 경로의 변화에 따라 오류 확률이 증가되지만 GMM 기반 의 제안된 방식은 크게 영향 받지 않음을 확인 할 수 있다. 결론적으로 \( P_{E} \) 면에서 제안된 방식이 기존의 방법보다 모든 조건하에서 우수한 성능을 보임을 알 수 있다.</p> <table border><caption>표 3. \( P_{E} \) 수치비교 (단위 : \(\%\))</caption> <tbody><tr><td rowspan=2>Noise type</td><td rowspan=2>Method</td><td colspan=3>SNR (dB)</td></tr><tr><td>10</td><td>20</td><td>30</td></tr><tr><td>White noise</td><td>Previous GMM</td><td>33.43 20.13</td><td>29.72 18.94</td><td>29.50 18.63</td></tr><tr><td>Babble noise</td><td>Previous GMM</td><td>32.25 24.51</td><td>29.57 19188</td><td>29.48 18.52</td></tr><tr><td>Car noise</td><td>Previous GMM</td><td>29.49 19.91</td><td>29.34 18.75</td><td>29.37 18.62</td></tr><tr><td>office noise</td><td>Previous GMM</td><td>33.11 23.81</td><td>29.63 19.29</td><td>29.46 18.73</td></tr><tr><td>street noise</td><td>Previous GMM</td><td>30.22 22.65</td><td>29.54 18.98</td><td>29.49 18.71</td></tr></tbody></table> <table border><caption>표 4. \( P_{E} \) 수치비교 (단위 : \(\%\))</caption> <tbody><tr><td rowspan=2>Noise type</td><td rowspan=2>Method</td><td colspan=3>SNR (dB)</td></tr><tr><td>10</td><td>20</td><td>30</td></tr><tr><td>White noise</td><td>Previous GMM</td><td>38.49 20.12</td><td>33.60 18.94</td><td>31.53 18.63</td></tr><tr><td>Babble noise</td><td>Previous GMM</td><td>36.17 24.52</td><td>32.06 19188</td><td>30.19 18.52</td></tr><tr><td>Car noise</td><td>Previous GMM</td><td>30.01 19.91</td><td>29.93 18.75</td><td>29.98 18.62</td></tr><tr><td>office noise</td><td>Previous GMM</td><td>36.78 23.81</td><td>32.00 19.30</td><td>30.36 18.73</td></tr><tr><td>street noise</td><td>Previous GMM</td><td>33.81 22.65</td><td>30.89 18.98</td><td>3831 18.71</td></tr></tbody></table> <h1>V. 결 론</h1> <p>본 논문에서는 주파수 영역에서 잡음 환경과 반향경로 변화에 강인한 음향학적 반향억제 (Acoustic Echo Suppression, AES)기를 구성하기 위한 GMM 기반의 패턴 인식적 동시통화 검출 알고리즘을 제안하였다. 제안된 알 고리즘은 별도의 원단화자에 대한 VAD 없이, 원단 화자 신호만 존재 하는 구간, 동시통화 구간, 근단 화자 신호만 존재 하는 구간을 분류한다. 또한 검출 오류 확률 ( De - tection Error Probability)을 비교한 결과 기존의 고정된 문턱 값과 상호 상관계수를 비교하여 검출하는 hard decision방식은 잡음 환경과 반향경로 변화에 민감한 성능을 보였으나 제안된 알고리즘은 우수하면서도 강인한 성능을 보였다.</p>	공학, 공업일반, 토목공학, 환경공학	[ "<h1>IV.", "실험 방법</h1> <p>본 논문에서는 주파수 영역에서 음향학적 반향제거기(Acoustic Echo Suppression, AES)를 구성하기 위하여 GMM 를 통한 패턴인식 기반의 동시통화 검출 알고리즘을 제안하였다.", "제안된 알고리즘은 고정된 문턱 값과 가부판단하는 hard decision 방식과 비교하기 위해 기존의 상호 상관계수를 이용한 알고리즘과 동시통화 검출 오류확률 (Double-talk Detection Error Probability, \\( \\left.P_{E}\\right) \\) 을 통해 비교 평가 되었다. \\", "( P_{E} \\) 는 false alarm과 missing 확률의 합으로 계산되어진다.", "GMM 은 주파수 영역에서 통계적 분포에 대한 분석을 통해 선별된 7개의 상호 상관계수를 특징 벡터로 사용하며 16 개 혼합성분으로 구성된다.", "학습과 테스트를 위한 데이터는 20 명의 화자로부터 \\( 8\\mathrm{kHz} 로 샘플링 된 문장을 수집하여 수행 되었다.", "수집된 20 명의 화자 중 10 명의 화자는 원단 화자 신호로 사용하고 나머지 10 명은 근단 화자 신호로 사용하였으며 분류된 두 그룹의 신호를 무작위로 섞어서 동시통화 구간이 약 1 초 발생하는 52 분 길이의 문장을 생성하였다.", "생성된 문장의 44 분은 학습 데이터로 8 분은 테스트 데이터로 사용하였다.", "원단 화자 신호로 분류된 10 명의 화자에 대해서는 근단 화자 신호와 섞기 전에 실제 반사 환경을 모델링하기 위해 근단 화자 신호보다 \\( 3.5 \\mathrm{~dB} \\) 작게함과 동시에 임펄스 응답 필터를 통과 시켰다.", "임펄스 응답 필터의 모델링 환경은 반향 경로의 변화가 있는 경우와 없는 경우를 비교 평가하기 위해 표 1의 한 가지 반향 경로로만 이루어진 경우와 표 2의 6가지 반향 경로가 0.5초 마다 변하는 두 가지 경우로 설정 하였다.", "</p> <table border><caption>표 1. 임펄스 응답 모델링 환경 (단위 : \\( m \\) )</caption> <tbody><tr><td>공간 벡터</td><td>x</td><td>y</td><td>z</td></tr><tr><td>공간 크기</td><td>5</td><td>4</td><td>3</td></tr><tr><td>스피커 위치</td><td>0.5</td><td>2</td><td>1.5</td></tr><tr><td>마이크 위치</td><td>3.5</td><td>2</td><td>1</td></tr><tr><td>반사계수</td><td>0.3</td><td>0.3</td><td>0.3</td></tr></tbody></table> <p>표 3과 표 4 는 각각 반향 경로가 변하지 않는 경우와 변하는 경우의 5 가지 잡음 환경에서의 동시통화 검출 오 류 확률 결과를 보인다.", "</p> <p>실험 결과에서 확인할 수 있듯이 기존의 방식은 반향 경로의 변화에 따라 오류 확률이 증가되지만 GMM 기반 의 제안된 방식은 크게 영향 받지 않음을 확인 할 수 있다.", "결론적으로 \\( P_{E} \\) 면에서 제안된 방식이 기존의 방법보다 모든 조건하에서 우수한 성능을 보임을 알 수 있다.", "</p> <table border><caption>표 3. \\( P_{E} \\) 수치비교 (단위 : \\(\\%\\))</caption> <tbody><tr><td rowspan=2>Noise type</td><td rowspan=2>Method</td><td colspan=3>SNR (dB)</td></tr><tr><td>10</td><td>20</td><td>30</td></tr><tr><td>White noise</td><td>Previous GMM</td><td>33.43 20.13</td><td>29.72 18.94</td><td>29.50 18.63</td></tr><tr><td>Babble noise</td><td>Previous GMM</td><td>32.25 24.51</td><td>29.57 19188</td><td>29.48 18.52</td></tr><tr><td>Car noise</td><td>Previous GMM</td><td>29.49 19.91</td><td>29.34 18.75</td><td>29.37 18.62</td></tr><tr><td>office noise</td><td>Previous GMM</td><td>33.11 23.81</td><td>29.63 19.29</td><td>29.46 18.73</td></tr><tr><td>street noise</td><td>Previous GMM</td><td>30.22 22.65</td><td>29.54 18.98</td><td>29.49 18.71</td></tr></tbody></table> <table border><caption>표 4. \\( P_{E} \\) 수치비교 (단위 : \\(\\%\\))</caption> <tbody><tr><td rowspan=2>Noise type</td><td rowspan=2>Method</td><td colspan=3>SNR (dB)</td></tr><tr><td>10</td><td>20</td><td>30</td></tr><tr><td>White noise</td><td>Previous GMM</td><td>38.49 20.12</td><td>33.60 18.94</td><td>31.53 18.63</td></tr><tr><td>Babble noise</td><td>Previous GMM</td><td>36.17 24.52</td><td>32.06 19188</td><td>30.19 18.52</td></tr><tr><td>Car noise</td><td>Previous GMM</td><td>30.01 19.91</td><td>29.93 18.75</td><td>29.98 18.62</td></tr><tr><td>office noise</td><td>Previous GMM</td><td>36.78 23.81</td><td>32.00 19.30</td><td>30.36 18.73</td></tr><tr><td>street noise</td><td>Previous GMM</td><td>33.81 22.65</td><td>30.89 18.98</td><td>3831 18.71</td></tr></tbody></table> <h1>V.", "결 론</h1> <p>본 논문에서는 주파수 영역에서 잡음 환경과 반향경로 변화에 강인한 음향학적 반향억제 (Acoustic Echo Suppression, AES)기를 구성하기 위한 GMM 기반의 패턴 인식적 동시통화 검출 알고리즘을 제안하였다.", "제안된 알 고리즘은 별도의 원단화자에 대한 VAD 없이, 원단 화자 신호만 존재 하는 구간, 동시통화 구간, 근단 화자 신호만 존재 하는 구간을 분류한다.", "또한 검출 오류 확률 ( De - tection Error Probability)을 비교한 결과 기존의 고정된 문턱 값과 상호 상관계수를 비교하여 검출하는 hard decision방식은 잡음 환경과 반향경로 변화에 민감한 성능을 보였으나 제안된 알고리즘은 우수하면서도 강인한 성능을 보였다.", "</p>" ]	{ "doc_category": { "KDC": "530.2405", "DDC": "620.2" }, "doc_title": { "kor": "주파수 영역에서의 Gaussian Mixture Model 기반의 동시통화 검출 연구", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1bcf762f-2eaf-467c-899e-409f7b45fe66", "doc_number": { "ISSN": "1225-4428", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2009", "doc_author": [ "이규호", "장준혁" ], "doc_publisher": "한국음향학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
410	<table border><caption>표 3. Yale database B를 이용한 인식률 비교</caption> <tbody><tr><td rowspan=2>Method</td><td rowspan=2>Reduced Space</td><td colspan=3>Error Rate (\(\%\))</td></tr><tr><td>\( E_{min} \)</td><td>\( E_{max} \)</td><td>\( E_{ave} \)</td></tr><tr><td>PCA</td><td>70</td><td>51.22</td><td>67.01</td><td>57.17</td></tr><tr><td>PCA w/o 1st 3</td><td>70</td><td>30.00</td><td>43.68</td><td>34.86</td></tr><tr><td>Histagram equalization + PCA</td><td>70</td><td>33.68</td><td>57.19</td><td>41.72</td></tr><tr><td>Log transfom + PCA</td><td>70</td><td>47.02</td><td>67.72</td><td>55.51</td></tr><tr><td>FLD</td><td>9</td><td>22.10</td><td>44.38</td><td>31.71</td></tr><tr><td>Histogram equalization + FLD</td><td>9</td><td>5.26</td><td>32.11</td><td>14.18</td></tr><tr><td>Log transform + FLD</td><td>9</td><td>2.98</td><td>23.51</td><td>11.93</td></tr><tr><td>DCT + FLD w/o \(1^{st}\)</td><td>9</td><td>28.25</td><td>47.54</td><td>34.74</td></tr><tr><td>Log transform + DCT</td><td>w/o 1st 20</td><td>18.07</td><td>38.77</td><td>28.42</td></tr><tr><td>MCT + PCA</td><td>70</td><td>9.82</td><td>21.75</td><td>14.73</td></tr><tr><td>MCT + FLD</td><td>9</td><td>5.08</td><td>20.17</td><td>11.68</td></tr></tbody></table> <p>두 번째로 subset의 구분 없이 한 사람당 64장의 영상에서 7장의 영상을 임의로 추출하여 총 70장의 영상을 학습에 사용하고, 나머지 학습 영상과 겹치지 않는 570장의 영상을 테스트로 사용하여 실험하였다. 실험은 총 10번 수행되었으며 평균 에러율은 다음 식에 의해 계산되었다.</p> <p>\( E_{ave} = \frac {\sum\limits_{i=1}^{s} n_{mis}^{i}}{sn_{t}} \)<caption>(13)</caption></p> <p>여기서, \( \mathrm{s} \)는 시뮬레이션 실행 횟수를 나타내고 (본 논문에서는 10회), \( n_{m i s}^{i} \)은 각 실행 마다 잘못 인식한 경우의 횟수를 나타낸다. 또한 \( n_{t} \)는 충 테스트 영상의 개수를 의미한다. 표 3은 각 알고리즘별로 얼굴인식률을 나타내었다. 표 3을 보면 log transform + FLD와 VCT + FLD 알고리즘이 성능이 가장 높은 것을 확인할 수 있다. log transform + DCT의 경우 앞의 실험에서는 조명변화가 가장 심한 Subset 5에서도 좋은 인식 성능을 보였지만 임의로 추출한 영상을 이용하여 학습하고, 인식을 수행한 경우 histogram이나 log trnasform을 사용한 것보다도 성능이 낮은 것을 확인할 수 있다. MCT의 경우 PCA와 FLD 둘 다 좋은 인식성능을 나타내었다.</p> <p>두 번째로 조명변화 이외에 얼굴표정과 안경 등의 변화에 대한 인식률을 평가하기위해 Yale 데이터베이스를 사용하여 평가하였다. Yale 데이터베이스는 총 165장으로 구성되어 있고, 한 사람당 얼굴표정, 안경, 그리고 조명이 변화하는 영상 11장씩 15명에 대한 영상으로 이루어져 있다. 실험에서 사용한 Yale 데이터베이스는 얼굴의 위치를 정렬하지 않고, 영상의 얼굴부분만을 92\( \times \)112 크기로 잘라서 사용하였다. 실험은 한 사람당 5장의 영상 총 75장을 이용하여 학습하였고, 나머지 학습영상과 겹치지 않는 90장을 사용하여 테스트 하였다. 앞의 실험과 마찬가지로 총 10번의 시뮬레이션을 수행하였고, 그 평균을 구하였다.</p> <table border><caption>표 4. Yale database를 이용한 인식률 비교</caption> <tbody><tr><td rowspan=2>Method</td><td colspan=4>Error Rate (\(\%\))</td></tr><tr><td>Reduced Space</td><td>\(E_{min}\)</td><td>\(E_{max}\)</td><td>\(E_{ave}\)</td></tr><tr><td>PCA</td><td>75</td><td>23.33</td><td>32.22</td><td>28.77</td></tr><tr><td>PCA w/o 1st 3</td><td>75</td><td>23.33</td><td>32.22</td><td>29.00</td></tr><tr><td>FLD</td><td>14</td><td>10.00</td><td>17.77</td><td>13.56</td></tr><tr><td>MCT + PCA</td><td>75</td><td>14.44</td><td>28.88</td><td>20.00</td></tr><tr><td>MCT + FLD</td><td>14</td><td>7.77</td><td>18.88</td><td>12.55</td></tr></tbody></table> <p>표 4는 각 알고리즘별 인식률을 비교하였다. 표 4에서 볼 수 있듯이 PCA의 경우 조명변화가 두드러지지 않는 영상에서 상위 3개의 고유얼굴에 대한 특징을 제거하고 얼굴인식을 수행한 경우 얼굴인식률이 더 낮아진 것을 확인할 수 있다. 이는 조명변화가 있는 경우 상위 3개의 고유얼굴이 조명효과를 나타내는 특징을 표현하지만 조명변화가 없는 경우에는 얼굴을 구분하는 중요한 특징을 나타내기 때문이다. 제안한 알고리즘인 MCT + PCA의 경우 기존의 PCA보다 높은 인식률을 볼 수 있다. 또한 MCT + FLD도 기존의 FLD보다 높은 인식률을 나타내었다. 즉, 제안한 알고리즘이 얼굴을 구분하는 중요한 특징은 제거하지 않고, 조명에 대한 영향만을 제거하기 때문에 조명의 영향이 있는 환경에서 뿐만 아니라 조명변화가 없는 환경에서도 좋은 인식 성능을 나타내었다.</p> <h2>2. 프레임의 연관성을 고려한 얼굴인식</h2> <p>조명변화에 대한 영향과 프레임 사이의 연관성을 고려한 얼굴인식 시스템의 평가하기 위해 실제 환경에서 특정위치에 카메라를 설치하고 실험울 위한 대상들이 카메라에 입장하면서 퇴장할 때까지의 영상들을 취득하여 얼굴인식과정을 수행하였다. 다양한 소명환경에 따른 결과비교를 위해 카메라와 대상을 기준으로 \( -45^{\circ} \), \( 0^{\circ} \), \( 45^{\circ} \) 위치에 약 \( 300 \mathrm{lux} \)의 조명을 설치하고 각 조명에 따른 실험환경 세 가지와 조명을 설치하지 않은 보통의 형광등만 설치된 방안에서의 환경을 구성하여 각 조명환경에서 실험을 진행하였다. 그림 7은 네 가지 조명환경에서 획득한 얼굴영상의 예이다.</p> <p>얼굴검출은 MCT변환을 이용한 얼굴 검출 알고리즘을 사용하였다. 이때 얼굴 검색창의 크기는 22\( \times \)22의 크기를 사용하였고, 학습 얼굴영상도 22\( \times \)22영상을 사용하였다. 얼굴검출과 같은 방법으로 검출된 영역 내에서 좌, 우 눈 좌표를 검출하고 눈 좌표를 토대로 얼굴인식 과정에 사용될 영상으로 정규화 하였다. 얼굴인식 알고리즘으로는 PCA, FLD, 그리고 MCT + FLD방법을 사용하였고, 이때 학습 및 인식에 사용된 데이터들은 92\( \times \)112크기의 영상으로 좌, 우 눈 좌표를 각 (25, 23), (25, 68)에 정규화 하였다. 프레임의 연속성을 고려한 인식결과의 산출은 연속된 3개의 영상에서 식(10)의 \( Th-2 \)일경우를 만족하고, 연속된 세 개의 영상의 결과가 같을 경우 안정한 결과로 판단하여 인식결과를 출력하였다. \( Th \)의 값이나 연속된 같은 결과의 개수는 카메라의 fps (frame per second)나 사용 환경에 따라 적합한 수시가 바뀔 수 있으나 본 논문에서는 위와 같은 값을 사용하였다. 실험을 위해 실험에 참여한 인식 대상에게 얼굴인식 카메라의 위치를 인지시켜주고, 카메라를 응시하도록 지시하였다.</p> <p>그림 8, 9, 10은 매 프레임 마다 인식결과를 출력한 결과와 프레임사이의 연관성을 고려하여 인식결과를 출력한 결과를 나타낸 그래프이다. 그림 8의 경우 얼굴인식 방법으로 PCA를 사용하였고, 그림 9는 FLD, 그림 10은 MCT + FLD 알고리즘을 사용한 경우를 각각 나타낸다. 그림 8, 9, 10의 각 그래프에서 \( \mathrm{x} \)축은 영상의 프레임 번호이고, \( \mathrm{y} \)축의 1~9는 데이터 셋에 포함된 실험 대상에 대한 각 인덱스 번호를 나타낸다. 0은 출력결과가 없거나 얼굴이 검출되지 않은 상태를 나타낸다. 그래프에서 진한 색으로 나타난 부분은 1에서부터 9까지의 대상이 입장한순간부터 퇴장한 순간까지의 모든 프레임을 표시하였다. 테스트 결과 제안한 알고리즘을 사용하여 얼굴인식을 수행한 경우 매 프레임 인식결과를 출력하는 방법에 비해 객체를 오 인식 하는 비율이 상당히 줄어든 것을 확인할 수 있었다. 즉, 사람이 입장하고 퇴장하는 과정에 있어서 인식 결과 자체를 도출해내는 빈도수는 줄어들었지만 줄어든 인식 결과 중에서 개체를 오 인식하는 비율이 줄어들었다. 따라서 실제결과를 분석해 보면, 제대로 인식한 결과가 도출되는 경우가 대부분이고, 사람이 입장해서 퇴장할 때까지 신뢰 가능한 빈도의 인식 결과를 도출하기 때문에 실시간 얼굴인식에 있어서 해당 알고리즘이 보다 나은 성능을 나타낸다.</p> <h1>Ⅳ. 실험 조건 및 결과</h1> <p>본 논문에서는 제안한 조명변화에 강인한 MCT 기반의 얼굴인식 방법과 프레임의 연관성을 이용한 얼굴인식 시스템의 성능을 평가하기 위해 다음과 같은 실험을 진행하였다. 우선, 제안된 MCT기반의 얼굴인식 알고리즘의 조명에 대한 인식률을 평가하기 위해 기존의 데이터베이스를 이용하여 얼굴인식 성능을 평가하였다. 다음으로 조명변화에 대한 영향과 프레임 사이의 연관성을 모두 고려한 제안한 얼굴인식 시스템의 성능을 평가하기 위해 다양한 조명변화가 있는 실제 환경에서 인식 성능을 평가하였다.</p> <h2>1. 조명변화에 강인한 MCT 기반의 얼굴인식</h2> <p>조명변화에 대한 얼굴인식 성능을 평가하기 위해 본 논문에서는 2개의 데이터베이스를 이용하였다. 얼굴인식 알고리즘의 성능 평가 방법으로는 유클리안 거리를 이용해 가장 가까운 거리를 갖는 영상을 선택하는 방법을 사용하였다. 제안한 알고리즘의 성능과 다른 얼굴인식 알고리즘과의 성능을 비교하기 위하여 기존 외형기반 알고리즘인 PCA, FLD와 조명 변화를 극복하기 위해 사용되는 대표적인 방법인 histogram equalization, log 변환을 PCA와 FLD에 적용하여 인식률을 평가하였다. PCA의 경우 조명변화에 약하다는 단점을 극복하기 위해 제안되었던 가장 큰 고유값에 대응하는 3개의 고유얼굴을 제외한 나머지를 이용하여 얼굴인식을 수행하는 방법(PCA without 1st 3)도 함께 수행하였다. 또한 조명변화에 강인한 얼굴인식을 수행하기 위해 2006년 [2]에서 제안한 log 변환과 DCT를 결합한 방법과 2005년 [6]에서 제안한 DCT와 FLD를 결합한 방법도 함께 비교하였다.</p> <table border><caption>표 1. 조명 각도에 따라 5가지 그룹으로 나눈 실험영상의 기준표</caption> <tbody><tr><td>Subset</td><td>1</td><td>2</td><td>3</td><td>4</td><td>5</td></tr><tr><td>Lighting angle(\(^{ \circ} \))</td><td>0~12</td><td>13~25</td><td>26~50</td><td>51~77</td><td>>77</td></tr><tr><td>Number of images</td><td>70</td><td>120</td><td>120</td><td>140</td><td>190</td></tr></tbody></table> <p>첫 번째로 조명변화에 따른 얼굴 인식률에 대한 평가를 하기 위하여 조명변화가 다양한 Yale B 데이터베이스를 사용하였다. Yale B 데이터베이스는 총 640장으로 한 사람당 조명변화가 다른 영상 64장씩 10명의 영상으로 구성되어.</p> <p>표 1은 데이터베이스를 조명의 방향과 카메라의 축 사이의 각도에 따라 5가지로 분류한 기준을 나타낸다. 실험에서는 Yale B 데이터베이스의 영상을 얼굴만 나오도록 자르고, 눈의 위치를 정렬하였다. 자른 영상의 크기는 92\( \times \)112 이고, 눈의 위치는 오른쪽의 경우 (18,30), 왼쪽은 (74,30)로 정렬하였다.</p> <p>그림 6은 한 사람의 영상 64장을 조명의 방향을 기준으로 나눈 5가지 영상 그룹에 대한 예를 나타내었다. Yale B 데이터베이스를 이용한 실험은 크게 2가지로 실행되었다. 첫 번째 실험은 위 Subset 1을 학습 데이터로 사용하고, 나머지 subset 각각을 테스트 영상으로 사용하여 조명 방향에 따른 얼굴인식 성능을 평가하였다.</p> <table border><caption>표 2. subset 1을 이용하여 학습한 경우 조명의 방향에 따른 인식률 비교</caption> <tbody><tr><td rowspan=2>Method</td><td rowspan=2>Reduced Space</td><td colspan=4>Error Rate (\(\%\))</td></tr><tr><td>Subset 2</td><td>Subset 3</td><td>Subset 4</td><td>Subset 5</td></tr><tr><td>PCA</td><td>70</td><td>8.33</td><td>53.33</td><td>80.71</td><td>88.42</td></tr><tr><td>PCA w/o 1st 3</td><td>70</td><td>4.16</td><td>20.00</td><td>66.42</td><td>88.31</td></tr><tr><td>Histogram equalization + PCA</td><td>70</td><td>0.00</td><td>16.66</td><td>65.71</td><td>54.73</td></tr><tr><td>Log transform + PCA</td><td>70</td><td>5.00</td><td>46.66</td><td>72.14</td><td>85.79</td></tr><tr><td>FLD</td><td>9</td><td>0.83</td><td>6.66</td><td>71.42</td><td>90.00</td></tr><tr><td>Histogram equalization + FLD</td><td>9</td><td>0.00</td><td>5.83</td><td>50.72</td><td>55.26</td></tr><tr><td>Log transfom + FLD</td><td>9</td><td>0.83</td><td>10.00</td><td>53.57</td><td>78.42</td></tr><tr><td>DCT + FID w/o \(1^{st~3}\)</td><td>9</td><td>1.66</td><td>13.33</td><td>73.57</td><td>90.00</td></tr><tr><td>Log transform + DCT</td><td>w/o 1st 20</td><td>0.00</td><td>2.50</td><td>23.57</td><td>26.84</td></tr><tr><td>MCT + PCA</td><td>70</td><td>0.83</td><td>2.50</td><td>17.14</td><td>28.94</td></tr><tr><td>MCT + FLD</td><td>9</td><td>0.00</td><td>4.16</td><td>29.28</td><td>39.47</td></tr></tbody></table> <p>표 2는 각 알고리즘별로 조명 방향에 따른 인식률을 나타내었다. 표 2를 보면 PCA의 경우 상위 주성분 3개를 제거하고 얼굴인식을 하는 것이 조명변화에 더 강인한 것을 확인할 수 있다. 그리고 PCA를 기반으로 한 알고리즘들 중에서 histogram equalization이나 log 변환을 이용하여 조명효과를 제거한 것 보다 MCT를 이용한 경우가 얼굴인식률이 더 높은 것을 볼 수 있다. Logarithm domain에서 DCT를 수행한 후 상위 20개의 DCT 계수를 제거한 알고리즘의의 경우 subset 2와 subset 5에서 MCT + PCA보다 최대 \( 2 \% \) 정도 높은 인식률을 가졌고, Subset 4에서는 MCT + PCA 보다 \( 6\% \) 정도 낮은 인식률을 가졌다. 또한, FLD를 기반으로 한 알고리즘 중에서도 MCT + FLD가 histogram equalization 이나 log 변환을 이용한 경우보다 우수한 얼굴인식 성능을 나타내었다. 즉, MCT를 기반으로 지역적 구조 특징을 추출하여 PCA나 FLD률 수행하는 제안한 방법을 이용하는 것이 조명 변화가 심한 환경에서도 강인하게 얼굴인식을 수행하는 것을 확인할 수 있다.</p>	전기공학, 통신공학, 전자공학	[ "<table border><caption>표 3. Yale database B를 이용한 인식률 비교</caption> <tbody><tr><td rowspan=2>Method</td><td rowspan=2>Reduced Space</td><td colspan=3>Error Rate (\\(\\%\\))</td></tr><tr><td>\\( E_{min} \\)</td><td>\\( E_{max} \\)</td><td>\\( E_{ave} \\)</td></tr><tr><td>PCA</td><td>70</td><td>51.22</td><td>67.01</td><td>57.17</td></tr><tr><td>PCA w/o 1st 3</td><td>70</td><td>30.00</td><td>43.68</td><td>34.86</td></tr><tr><td>Histagram equalization + PCA</td><td>70</td><td>33.68</td><td>57.19</td><td>41.72</td></tr><tr><td>Log transfom + PCA</td><td>70</td><td>47.02</td><td>67.72</td><td>55.51</td></tr><tr><td>FLD</td><td>9</td><td>22.10</td><td>44.38</td><td>31.71</td></tr><tr><td>Histogram equalization + FLD</td><td>9</td><td>5.26</td><td>32.11</td><td>14.18</td></tr><tr><td>Log transform + FLD</td><td>9</td><td>2.98</td><td>23.51</td><td>11.93</td></tr><tr><td>DCT + FLD w/o \\(1^{st}\\)</td><td>9</td><td>28.25</td><td>47.54</td><td>34.74</td></tr><tr><td>Log transform + DCT</td><td>w/o 1st 20</td><td>18.07</td><td>38.77</td><td>28.42</td></tr><tr><td>MCT + PCA</td><td>70</td><td>9.82</td><td>21.75</td><td>14.73</td></tr><tr><td>MCT + FLD</td><td>9</td><td>5.08</td><td>20.17</td><td>11.68</td></tr></tbody></table> <p>두 번째로 subset의 구분 없이 한 사람당 64장의 영상에서 7장의 영상을 임의로 추출하여 총 70장의 영상을 학습에 사용하고, 나머지 학습 영상과 겹치지 않는 570장의 영상을 테스트로 사용하여 실험하였다.", "실험은 총 10번 수행되었으며 평균 에러율은 다음 식에 의해 계산되었다.", "</p> <p>\\( E_{ave} = \\frac {\\sum\\limits_{i=1}^{s} n_{mis}^{i}}{sn_{t}} \\)<caption>(13)</caption></p> <p>여기서, \\( \\mathrm{s} \\)는 시뮬레이션 실행 횟수를 나타내고 (본 논문에서는 10회), \\( n_{m i s}^{i} \\)은 각 실행 마다 잘못 인식한 경우의 횟수를 나타낸다.", "또한 \\( n_{t} \\)는 충 테스트 영상의 개수를 의미한다.", "표 3은 각 알고리즘별로 얼굴인식률을 나타내었다.", "표 3을 보면 log transform + FLD와 VCT + FLD 알고리즘이 성능이 가장 높은 것을 확인할 수 있다.", "log transform + DCT의 경우 앞의 실험에서는 조명변화가 가장 심한 Subset 5에서도 좋은 인식 성능을 보였지만 임의로 추출한 영상을 이용하여 학습하고, 인식을 수행한 경우 histogram이나 log trnasform을 사용한 것보다도 성능이 낮은 것을 확인할 수 있다.", "MCT의 경우 PCA와 FLD 둘 다 좋은 인식성능을 나타내었다.", "</p> <p>두 번째로 조명변화 이외에 얼굴표정과 안경 등의 변화에 대한 인식률을 평가하기위해 Yale 데이터베이스를 사용하여 평가하였다.", "Yale 데이터베이스는 총 165장으로 구성되어 있고, 한 사람당 얼굴표정, 안경, 그리고 조명이 변화하는 영상 11장씩 15명에 대한 영상으로 이루어져 있다.", "실험에서 사용한 Yale 데이터베이스는 얼굴의 위치를 정렬하지 않고, 영상의 얼굴부분만을 92\\( \\times \\)112 크기로 잘라서 사용하였다.", "실험은 한 사람당 5장의 영상 총 75장을 이용하여 학습하였고, 나머지 학습영상과 겹치지 않는 90장을 사용하여 테스트 하였다.", "앞의 실험과 마찬가지로 총 10번의 시뮬레이션을 수행하였고, 그 평균을 구하였다.", "</p> <table border><caption>표 4. Yale database를 이용한 인식률 비교</caption> <tbody><tr><td rowspan=2>Method</td><td colspan=4>Error Rate (\\(\\%\\))</td></tr><tr><td>Reduced Space</td><td>\\(E_{min}\\)</td><td>\\(E_{max}\\)</td><td>\\(E_{ave}\\)</td></tr><tr><td>PCA</td><td>75</td><td>23.33</td><td>32.22</td><td>28.77</td></tr><tr><td>PCA w/o 1st 3</td><td>75</td><td>23.33</td><td>32.22</td><td>29.00</td></tr><tr><td>FLD</td><td>14</td><td>10.00</td><td>17.77</td><td>13.56</td></tr><tr><td>MCT + PCA</td><td>75</td><td>14.44</td><td>28.88</td><td>20.00</td></tr><tr><td>MCT + FLD</td><td>14</td><td>7.77</td><td>18.88</td><td>12.55</td></tr></tbody></table> <p>표 4는 각 알고리즘별 인식률을 비교하였다.", "표 4에서 볼 수 있듯이 PCA의 경우 조명변화가 두드러지지 않는 영상에서 상위 3개의 고유얼굴에 대한 특징을 제거하고 얼굴인식을 수행한 경우 얼굴인식률이 더 낮아진 것을 확인할 수 있다.", "이는 조명변화가 있는 경우 상위 3개의 고유얼굴이 조명효과를 나타내는 특징을 표현하지만 조명변화가 없는 경우에는 얼굴을 구분하는 중요한 특징을 나타내기 때문이다.", "제안한 알고리즘인 MCT + PCA의 경우 기존의 PCA보다 높은 인식률을 볼 수 있다.", "또한 MCT + FLD도 기존의 FLD보다 높은 인식률을 나타내었다.", "즉, 제안한 알고리즘이 얼굴을 구분하는 중요한 특징은 제거하지 않고, 조명에 대한 영향만을 제거하기 때문에 조명의 영향이 있는 환경에서 뿐만 아니라 조명변화가 없는 환경에서도 좋은 인식 성능을 나타내었다.", "</p> <h2>2. 프레임의 연관성을 고려한 얼굴인식</h2> <p>조명변화에 대한 영향과 프레임 사이의 연관성을 고려한 얼굴인식 시스템의 평가하기 위해 실제 환경에서 특정위치에 카메라를 설치하고 실험울 위한 대상들이 카메라에 입장하면서 퇴장할 때까지의 영상들을 취득하여 얼굴인식과정을 수행하였다.", "다양한 소명환경에 따른 결과비교를 위해 카메라와 대상을 기준으로 \\( -45^{\\circ} \\), \\( 0^{\\circ} \\), \\( 45^{\\circ} \\) 위치에 약 \\( 300 \\mathrm{lux} \\)의 조명을 설치하고 각 조명에 따른 실험환경 세 가지와 조명을 설치하지 않은 보통의 형광등만 설치된 방안에서의 환경을 구성하여 각 조명환경에서 실험을 진행하였다.", "그림 7은 네 가지 조명환경에서 획득한 얼굴영상의 예이다.", "</p> <p>얼굴검출은 MCT변환을 이용한 얼굴 검출 알고리즘을 사용하였다.", "이때 얼굴 검색창의 크기는 22\\( \\times \\)22의 크기를 사용하였고, 학습 얼굴영상도 22\\( \\times \\)22영상을 사용하였다.", "얼굴검출과 같은 방법으로 검출된 영역 내에서 좌, 우 눈 좌표를 검출하고 눈 좌표를 토대로 얼굴인식 과정에 사용될 영상으로 정규화 하였다.", "얼굴인식 알고리즘으로는 PCA, FLD, 그리고 MCT + FLD방법을 사용하였고, 이때 학습 및 인식에 사용된 데이터들은 92\\( \\times \\)112크기의 영상으로 좌, 우 눈 좌표를 각 (25, 23), (25, 68)에 정규화 하였다.", "프레임의 연속성을 고려한 인식결과의 산출은 연속된 3개의 영상에서 식(10)의 \\( Th-2 \\)일경우를 만족하고, 연속된 세 개의 영상의 결과가 같을 경우 안정한 결과로 판단하여 인식결과를 출력하였다. \\", "( Th \\)의 값이나 연속된 같은 결과의 개수는 카메라의 fps (frame per second)나 사용 환경에 따라 적합한 수시가 바뀔 수 있으나 본 논문에서는 위와 같은 값을 사용하였다.", "실험을 위해 실험에 참여한 인식 대상에게 얼굴인식 카메라의 위치를 인지시켜주고, 카메라를 응시하도록 지시하였다.", "</p> <p>그림 8, 9, 10은 매 프레임 마다 인식결과를 출력한 결과와 프레임사이의 연관성을 고려하여 인식결과를 출력한 결과를 나타낸 그래프이다.", "그림 8의 경우 얼굴인식 방법으로 PCA를 사용하였고, 그림 9는 FLD, 그림 10은 MCT + FLD 알고리즘을 사용한 경우를 각각 나타낸다.", "그림 8, 9, 10의 각 그래프에서 \\( \\mathrm{x} \\)축은 영상의 프레임 번호이고, \\( \\mathrm{y} \\)축의 1~9는 데이터 셋에 포함된 실험 대상에 대한 각 인덱스 번호를 나타낸다.", "0은 출력결과가 없거나 얼굴이 검출되지 않은 상태를 나타낸다.", "그래프에서 진한 색으로 나타난 부분은 1에서부터 9까지의 대상이 입장한순간부터 퇴장한 순간까지의 모든 프레임을 표시하였다.", "테스트 결과 제안한 알고리즘을 사용하여 얼굴인식을 수행한 경우 매 프레임 인식결과를 출력하는 방법에 비해 객체를 오 인식 하는 비율이 상당히 줄어든 것을 확인할 수 있었다.", "즉, 사람이 입장하고 퇴장하는 과정에 있어서 인식 결과 자체를 도출해내는 빈도수는 줄어들었지만 줄어든 인식 결과 중에서 개체를 오 인식하는 비율이 줄어들었다.", "따라서 실제결과를 분석해 보면, 제대로 인식한 결과가 도출되는 경우가 대부분이고, 사람이 입장해서 퇴장할 때까지 신뢰 가능한 빈도의 인식 결과를 도출하기 때문에 실시간 얼굴인식에 있어서 해당 알고리즘이 보다 나은 성능을 나타낸다.", "</p> <h1>Ⅳ. 실험 조건 및 결과</h1> <p>본 논문에서는 제안한 조명변화에 강인한 MCT 기반의 얼굴인식 방법과 프레임의 연관성을 이용한 얼굴인식 시스템의 성능을 평가하기 위해 다음과 같은 실험을 진행하였다.", "우선, 제안된 MCT기반의 얼굴인식 알고리즘의 조명에 대한 인식률을 평가하기 위해 기존의 데이터베이스를 이용하여 얼굴인식 성능을 평가하였다.", "다음으로 조명변화에 대한 영향과 프레임 사이의 연관성을 모두 고려한 제안한 얼굴인식 시스템의 성능을 평가하기 위해 다양한 조명변화가 있는 실제 환경에서 인식 성능을 평가하였다.", "</p> <h2>1. 조명변화에 강인한 MCT 기반의 얼굴인식</h2> <p>조명변화에 대한 얼굴인식 성능을 평가하기 위해 본 논문에서는 2개의 데이터베이스를 이용하였다.", "얼굴인식 알고리즘의 성능 평가 방법으로는 유클리안 거리를 이용해 가장 가까운 거리를 갖는 영상을 선택하는 방법을 사용하였다.", "제안한 알고리즘의 성능과 다른 얼굴인식 알고리즘과의 성능을 비교하기 위하여 기존 외형기반 알고리즘인 PCA, FLD와 조명 변화를 극복하기 위해 사용되는 대표적인 방법인 histogram equalization, log 변환을 PCA와 FLD에 적용하여 인식률을 평가하였다.", "PCA의 경우 조명변화에 약하다는 단점을 극복하기 위해 제안되었던 가장 큰 고유값에 대응하는 3개의 고유얼굴을 제외한 나머지를 이용하여 얼굴인식을 수행하는 방법(PCA without 1st 3)도 함께 수행하였다.", "또한 조명변화에 강인한 얼굴인식을 수행하기 위해 2006년 [2]에서 제안한 log 변환과 DCT를 결합한 방법과 2005년 [6]에서 제안한 DCT와 FLD를 결합한 방법도 함께 비교하였다.", "</p> <table border><caption>표 1. 조명 각도에 따라 5가지 그룹으로 나눈 실험영상의 기준표</caption> <tbody><tr><td>Subset</td><td>1</td><td>2</td><td>3</td><td>4</td><td>5</td></tr><tr><td>Lighting angle(\\(^{ \\circ} \\))</td><td>0~12</td><td>13~25</td><td>26~50</td><td>51~77</td><td>>77</td></tr><tr><td>Number of images</td><td>70</td><td>120</td><td>120</td><td>140</td><td>190</td></tr></tbody></table> <p>첫 번째로 조명변화에 따른 얼굴 인식률에 대한 평가를 하기 위하여 조명변화가 다양한 Yale B 데이터베이스를 사용하였다.", "Yale B 데이터베이스는 총 640장으로 한 사람당 조명변화가 다른 영상 64장씩 10명의 영상으로 구성되어.", "</p> <p>표 1은 데이터베이스를 조명의 방향과 카메라의 축 사이의 각도에 따라 5가지로 분류한 기준을 나타낸다.", "실험에서는 Yale B 데이터베이스의 영상을 얼굴만 나오도록 자르고, 눈의 위치를 정렬하였다.", "자른 영상의 크기는 92\\( \\times \\)112 이고, 눈의 위치는 오른쪽의 경우 (18,30), 왼쪽은 (74,30)로 정렬하였다.", "</p> <p>그림 6은 한 사람의 영상 64장을 조명의 방향을 기준으로 나눈 5가지 영상 그룹에 대한 예를 나타내었다.", "Yale B 데이터베이스를 이용한 실험은 크게 2가지로 실행되었다.", "첫 번째 실험은 위 Subset 1을 학습 데이터로 사용하고, 나머지 subset 각각을 테스트 영상으로 사용하여 조명 방향에 따른 얼굴인식 성능을 평가하였다.", "</p> <table border><caption>표 2. subset 1을 이용하여 학습한 경우 조명의 방향에 따른 인식률 비교</caption> <tbody><tr><td rowspan=2>Method</td><td rowspan=2>Reduced Space</td><td colspan=4>Error Rate (\\(\\%\\))</td></tr><tr><td>Subset 2</td><td>Subset 3</td><td>Subset 4</td><td>Subset 5</td></tr><tr><td>PCA</td><td>70</td><td>8.33</td><td>53.33</td><td>80.71</td><td>88.42</td></tr><tr><td>PCA w/o 1st 3</td><td>70</td><td>4.16</td><td>20.00</td><td>66.42</td><td>88.31</td></tr><tr><td>Histogram equalization + PCA</td><td>70</td><td>0.00</td><td>16.66</td><td>65.71</td><td>54.73</td></tr><tr><td>Log transform + PCA</td><td>70</td><td>5.00</td><td>46.66</td><td>72.14</td><td>85.79</td></tr><tr><td>FLD</td><td>9</td><td>0.83</td><td>6.66</td><td>71.42</td><td>90.00</td></tr><tr><td>Histogram equalization + FLD</td><td>9</td><td>0.00</td><td>5.83</td><td>50.72</td><td>55.26</td></tr><tr><td>Log transfom + FLD</td><td>9</td><td>0.83</td><td>10.00</td><td>53.57</td><td>78.42</td></tr><tr><td>DCT + FID w/o \\(1^{st~3}\\)</td><td>9</td><td>1.66</td><td>13.33</td><td>73.57</td><td>90.00</td></tr><tr><td>Log transform + DCT</td><td>w/o 1st 20</td><td>0.00</td><td>2.50</td><td>23.57</td><td>26.84</td></tr><tr><td>MCT + PCA</td><td>70</td><td>0.83</td><td>2.50</td><td>17.14</td><td>28.94</td></tr><tr><td>MCT + FLD</td><td>9</td><td>0.00</td><td>4.16</td><td>29.28</td><td>39.47</td></tr></tbody></table> <p>표 2는 각 알고리즘별로 조명 방향에 따른 인식률을 나타내었다.", "표 2를 보면 PCA의 경우 상위 주성분 3개를 제거하고 얼굴인식을 하는 것이 조명변화에 더 강인한 것을 확인할 수 있다.", "그리고 PCA를 기반으로 한 알고리즘들 중에서 histogram equalization이나 log 변환을 이용하여 조명효과를 제거한 것 보다 MCT를 이용한 경우가 얼굴인식률이 더 높은 것을 볼 수 있다.", "Logarithm domain에서 DCT를 수행한 후 상위 20개의 DCT 계수를 제거한 알고리즘의의 경우 subset 2와 subset 5에서 MCT + PCA보다 최대 \\( 2 \\% \\) 정도 높은 인식률을 가졌고, Subset 4에서는 MCT + PCA 보다 \\( 6\\% \\) 정도 낮은 인식률을 가졌다.", "또한, FLD를 기반으로 한 알고리즘 중에서도 MCT + FLD가 histogram equalization 이나 log 변환을 이용한 경우보다 우수한 얼굴인식 성능을 나타내었다.", "즉, MCT를 기반으로 지역적 구조 특징을 추출하여 PCA나 FLD률 수행하는 제안한 방법을 이용하는 것이 조명 변화가 심한 환경에서도 강인하게 얼굴인식을 수행하는 것을 확인할 수 있다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "조명변화에 강인한 MCT와 프레임 연관성 기반 실시간 얼굴인식 시스템", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-18315630-ac02-4c03-8ccd-c20e4d430ea3", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2008", "doc_author": [ "조광신", "박수경", "심동규", "이수연" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
411	<h1>III. 성능 평가</h1><p>본 논문에서는 제안된 MFCC 특징 파라미터를 이용 한 GMM 기반의 음성, 혼합 신호 분류 성능을 평가하기 위하여 우선 음성과 혼합 신호의 가장 적합한 가우시안 혼합 모델을 찾는 실험을 하였다. 인간의 귀의 비선형적 특성을 이용한 MFCC 특징 파라미터를 사용함으로써 적합한 가우시안 혼합 모델을 찾게 되며 MFCC에서는 DCT를 수행한 후 멜 스케일 부 밴드 에너지의 평균값인 13 번째 켑스트럼 원소까지 특징으로 포함 한다. 제안하는 신호 분류에서는 각 프레임 별로 신호 분류 결과를 내지 않고, 연속된 프레임들의 통계적 특징에 대해서 분류기를 구성하게 된다.</p><p>실험에는 Mono 채널이며 16 bits/sample, \( 16 \mathrm{kHz} \) 로 샘플링된 입력 신호를 사용하고, 1024샘플을 한 프레임으로 사용하여 두 단계로 거쳐 실험이 진행된다. 첫 번째 단계에서는 음성과 혼합신호의 최적의 GMM을 찾기 위해 실시되었다. 음성 신호와 혼합 신호를 EM알고리즘을 기반으로 GMM 모델을 구현하였다. 두 번째 단계로는 훈련된 GMM을 가지고 음성과 혼합 신호를 분류 한다. 버퍼에 저장된 13 개의 MFCC계수는 GMM 의 특징벡터로 사용되며, 입력 신호 분류는 각 프레임을 가지고 처리한다.</p><p>성능 평가에서 실험을 위하여 40 개의 음원을 사용하여 35개는 GMM훈련을 위해 사용되었고 나머지 5개는 분류 테스트를 위해 사용하였다.</p><p>표 2에서는 USAC의 신호 분류기와 제안하는 신호 분류기의 결과를 비교하여 성능을 나타내었다. 표 2 의 혼합 신호1에서와 같이 혼합 신호를 입력 신호로 사용 하였을 때 USAC은 \( 61.6 \% \) 만이 TCX를 모드를 선택하여 혼합 신호로 판단하였지만, 제안한 알고리즘에서는 모든 프레임을 혼합 신호로 판단하였다. 또한, 영어 남성의 음성 신호 역시 USAC에서 \( 81 \% \) 만이 ACELP 모드를 선택한 음성 신호로 판단하였지만 제안하는 알고리즘에서는 모든 프레임을 음성 신호로 판단하였다.</p><p>또한 혼합 신호 2 에서의 모드 선텍도 \( 13.8 \% \) 의 오류를 가지는 반면 제안된 알고리즘의 오류는 \( 2.8 \% \) 로 모드 선택을 더 정확하게 하는 것을 알 수 있다.</p><table border><caption>표 2. USAC과 제안된 알고리즘의 신호 분류 성능</caption><tbody><tr><td>Test file</td><td>방법</td><td>분류 에러</td></tr><tr><td rowspan = 2>영어(남성)</td><td>USAC</td><td>\( 19 \% \)</td></tr><tr><td>Proposed</td><td>\( 0 \% \)</td></tr><tr><td rowspan = 2>영어(여성)</td><td>USAC</td><td>\( 18 \% \)</td></tr><tr><td>Proposed</td><td>\( 0 \% \)</td></tr><tr><td rowspan = 2>한국어(남성)</td><td>USAC</td><td>\( 22 \% \)</td></tr><tr><td>Proposed</td><td>\( 1 \% \)</td></tr><tr><td rowspan = 2>한국어(여성)</td><td>USAC</td><td>\( 19 \% \)</td></tr><tr><td>Proposed</td><td>\( 0 \% \)</td></tr><tr><td rowspan = 2>혼합 신호 1</td><td>USAC</td><td>\( 38.4 \% \)</td></tr><tr><td>Proposed</td><td>\( 0 \% \)</td></tr><tr><td rowspan = 2>혼합 신호 2</td><td>USAC</td><td>\( 13.8 \% \)</td></tr><tr><td>Proposed</td><td>\( 2.8 \% \)</td></tr><tr><td rowspan = 2>혼합 신호 3</td><td>USAC</td><td>\( 33.9 \% \)</td></tr><tr><td>Proposed</td><td>\( 3.4 \% \)</td></tr></tbody></table> <table border><caption>표 3. USAC과 제안된 알고리즘 PESQ값</caption> <tbody><tr><td></td><td colspan=2>PESQ</td></tr><tr><td rowspan = 2>영어(남성)</td><td>Proposed</td><td>3.8105</td></tr><tr><td>USAC</td><td>3.6728</td></tr><tr><td rowspan = 2>영어(여성)1</td><td>Proposed</td><td>3.5047</td></tr><tr><td>USAC</td><td>3.3204</td></tr><tr><td rowspan = 2>영어(여성)2</td><td>Proposed</td><td>3.0421</td></tr><tr><td>USAC</td><td>2.8152</td></tr><tr><td rowspan = 2>한국어(남성)</td><td>Proposed</td><td>3.9795</td></tr><tr><td>USAC</td><td>3.6054</td></tr><tr><td rowspan = 2>한국어(여성)</td><td>Proposed</td><td>3.7348</td></tr><tr><td>USAC</td><td>3.5819</td></tr><tr><td rowspan = 2>혼합 신호1</td><td>Proposed</td><td>3.1821</td></tr><tr><td>USAC</td><td>2.7321</td></tr><tr><td rowspan = 2>혼합 신호2</td><td>Proposed</td><td>2.9385</td></tr><tr><td>USAC</td><td>2.6822</td></tr><tr><td rowspan = 2>혼합 신호3</td><td>Proposed</td><td>2.6497</td></tr><tr><td>USAC</td><td>2.4835</td></tr></tbody></table> <p>또한 기존 USAC에서는 Closeloop AbS 방식을 사용 함으로써 Inverse transform까지 포함되어있어 주파수 와 시간의 변환으로 연산량이 상당이 많은 알고리즘이다. 하지만 제안하는 알고리즘에서는 MFCC 의 특징파라미터를 구하기 위한 FFT의 \( \mathrm{n}(\log n) \) 의 연산량과 GMM의 음성과 혼합신호를 판별하는 우도함수에서 약 \(0.04 \mathrm{wmops}\)연산량이 발생하며 Inverse transform을 포 함하지 않기 때문에 기존의 USAC보다 적은 연산량이 사용된다는 것을 알 수 있었다.</p> <p>실험과 같은 올바른 모드 선택이 음질의 어떠한 영향을 미치는지를 알아보기 위해 객관적 음질평가인 ITU-T 표준안으로 제정된 PESQ(Perceptual Evaluation of Speech Quality)척도를 이용하여 모드의 선택의 중요성을 표 3에 나타내었다.</p> <p>표 3 에서는 기존 USAC 의 신호 분류와 제안된 알고리즘의 신호 분류에 따른 PESQ값을 나타낸다.</p> <p>제안된 알고리즘의 PESQ값은 USAC에 비해 혼합 신호에서 평균 0.3정도 높게 나타났고, 음성 신호에서는 평균 0.2 정도의 음질 차이를 보였다. 또한 그림 5~ 7 에서는 USAC의 신호 분류기와 제안하는 신호 분류기를 사용하였을 때의 결과를 비교하여 나타내었다. 그림 5의 (a)는 혼합 신호를 나타내고, (b)는 기존 USAC의 신호 분류기를 통해 음성신호로 잘못 판단하여 ACELP 모드로 잘못 부호화 되었을 때의 결과 이다. 그림 5의 (c)는 우리가 제안하는 신호 분류기를 통해 혼합신호로 판단하여 TCX 모드로 부호화 되었을 때의 결과 이다. 그림 5의 (b)와 (c)에서 보듯이, 원신호의 피치 성분이 제안하는 신호 분류기를 사용하였을 때 기존의 USAC보다 더 잘 나타나는 것을 알 수 있다.</p> <p>그림 6 역시 혼합 신호를 기존의 USAC과 제안하는 알고리즘의 신호 분류 방법으로 각각 적용해 보았을 때 제안하는 알고리즘이 기존의 USAC보다 원 신호와 더 유사하다는 것을 알 수 있다. 그림 7의 (a)는 음성 신호를 나타내었고, (b)는 기존 USAC의 신호 분류기를 통해서 혼합신호로 잘못 판단하여 TCX 모드로 잘못 부호화 되었을 때의 결과이다. 그림 7의 (c)는 제안하는 신호 분류기를 통해 음성신호를 판단하여 ACELP 모드 로 부호화 되었을 때의 결과이다.</p> <p>그림 7의 (b)에서 볼 수 있듯이, 음성신호의 묵음 구간 에서 노이즈가 발생하여, 음질에 안 좋은 영향을 미 치는 것을 알 수 있었다. 그와 다르게 제안하는 분류기인 (c)에서는 묵음 구간에서도 노이즈가 적게 발생 하여 원 신호와 유사한 결과를 나타내는 것을 볼 수있다.</p> <p>이처럼 신호를 분류함에 있어서 모드 선택이 원 신호와의 오류를 줄여줄 뿐 아니라 음질과도 영향을 주는 것을 알 수 있고, 올바른 모드 선택의 중요함을 알 수 있다.</p> <h1>II. MFCC 특징 파라미터를 이용한 GMM기반의 신호분류</h1> <h2>1. USAC의 신호 분류</h2> <p>USAC은 선택적으로 입력 신호의 특성에 따라 입력 신호가 음성이면 AMR-WB+ 방식기반의 선형 예측 도메인 코더가 선택되며, 입력신호가 오디오 신호인 경우에는 HE-AAC V2방식을 기반으로 하는 주파수 도메인 코더가 선택 된다 .</p> <p>그 후 선형 예측 영역 부호화코더의 경우 한 번 더 스위칭 하게 되어 Closed-loop AbS구조를 이용하여 MDCT를 기반으로 하는 TCX(Transform Coded eXcitation)모드와 ACELP (Algebraic Code Excited Linear Predictor)모드로 분류된다. 그림 1 에서는 간략 한 USAC의 신호 분류방법을 나타내며, 표 1 에서는 USAC에서의 신호 특징에 따른 3가지 압축 방법을 보여준다.</p> <p>그림 1 과 표 1 에서와 같이 입력된 신호가 처음 오디오 신호로 판단되는 신호는 FD(Frequency Domain)모드로 음성 신호 및 혼합신호로 판단되는 신호는TD (Time Domain) 모드로 음성과 오디오 신호로 처음 분류 된 후에 음성 신호로 판단되어 TD 모드로 분류된신호를 또 다시 완전한 음성인 경우는 ACELP 모드로 혼합 신호인 경우는 TCX 모드로 분류 되는 것을 알 수 있고, 다음과 같은 신호 분류는 전반적인 품질을 보장하기 위해서 매우 중요한 부분이 된다.</p> <table border><caption>표 1. USAC Core Code의 3가지 압축 방법</caption> <tbody><tr><td>명칭</td><td>특징</td><td>주요대상신호</td></tr><tr><td>AAC</td><td>MDCT 기반의 변환 부호화, 새 로운 무손실 부호화 방법사용</td><td>고 전송률 오디오 신호</td></tr><tr><td>ACELP</td><td>LPC 기반으로 시간영역에서 부호화, 기존 AMR-WB 의 ACELP모듈과 동일</td><td>음성 신호</td></tr><tr><td>TCX</td><td>LPC Residual 신호에 대해 MDCT 기반의 변환 부호화, Noise Fill사용</td><td>혼합 신호 및 저 전송률 오디오 신호</td></tr></tbody></table> <h2>2. MFCC를 이용한 GMM 최적 파라미터 추출</h2> <h3>가. Mel Frequency Cepstral Coefficients</h3> <p>음성인식에 쓰이는 특징 값으로 LPC(Linear Prediction Coefficients)나 LPS(Liner Prediction Spectrum) 등과 같은 많은 방법이 존재하지만 주파수 를 피치로 이용하였을 때 잡음의 영향을 덜 받고 효과적인 것으로 나타났다 . 그 중 MFCC 는 음성 인식에 널리 쓰이는 유효한 특징 값으로 스펙트럼 기반을 특징으로 하며 인간의 귀가 가지는 비선형적인 주파수 특성 을 이용한다.</p> <p>그림 2 의 블록다이어그램은 MFCC를 추출하는 과정을 나타넨다. 입력 신호를 윈도우를 씌워서 프레임 단위로 나눈 후에 FFT(Fast Fourier Transform)을 이용하여 주파수 영역으로 변환하게 된다. 그 후 주파수 대역을 여러 개의 필터 뱅크로 나누고 각 뱅크에서의 에너지를 구한다.</p> <p>\( X\left(n, w_{k}\right)=\sum_{m=-\infty}^{\infty} x[m] w[n-m] e^{-j w_{k} m} \), \( w_{k}=\frac{2 \pi}{N} k \)<caption>(1)</caption></p> <p>식 (1)에서 나타내는 주파수로 변환된 \( X\left(n, w_{k}\right) \) 의 크기는 필터 시퀀스의 주파수 응답에 의해 가중화되고 이런 필터 시퀀스는 저주파수( \( 1000 \mathrm{~Hz} \) 이하 \( ) \) 에서는 중심주파수와 대역폭이 선형적이지만 고주파수 \( (1000 \mathrm{~Hz} \) 이상 \( ) \)로 갈수록 로그 스케일로 증가하는 특성을 가지고 있다. 이것은 인간의 귀가 가지는 비선형적인 특성으로저주파 영역의 신호에서는 민감한 반면 고주파로 갈수록 민감하지 않은 특성을 적용한 것이다</p> <p>이런 특성을 가지고 있는 멜 스케일(mel-scale) 필터 뱅크를 그림 3에서 보여주고 있다. 식 (2)를 이용해서 멜 스케일을 계산하며 중심주파수는 멜 스케일로 존재 하게 된다. 각 필터의 대역폭 역시 식 (3)의 critical bandwidth에 의해 결정된다.</p> <p>\( \operatorname{Mel}(f)=2595 \times \log _{10}\left(1+\frac{f}{700}\right) \)<caption>(2)</caption></p> <p>\( B W=\left\{\begin{array}{ll}1000, & f<1000 \\ 25+75\left[1+1.4\left(\frac{f}{1000}\right)^{2}\right]^{0.69}, & f>1000\end{array}\right. \)<caption>(3)</caption></p> <p>\( \mathrm{Mel} \) 스케일 필터 뱅크의 \( l \) 번째 필터의 주파수 응답 을 \( R_{l}\left(w_{k}\right) \) 라고 하면 \( \mathrm{n} \) 번 째 음성 프레임에 대한 Mel 에너지는 식 (4)로 표현 할 수 있다. \( L_{l}, H_{l} \) 는 \( l \) 번째 필터에서 0이 아닌 주파수 영 역의 상한, 하한 값을 의미한다.</p> <p>\( E_{m e l}(n, l)=\frac{1}{A_{l}} \sum_{k=L_{l}}^{H_{l}}\left\|R_{l\left(w_{k}\right)} X\left(n, w_{k}\right)\right\|^{2} \)<caption>(4)</caption></p> <p>\( A_{l}=\sum_{k=L_{l}}^{H_{l}}\left\|R_{l}\left(w_{k}\right)\right\|^{2} \)<caption>(5)</caption></p> <p>식 (5)는 다양한 대역폭을 갖는 필터들의 균일한 스펙트럼을 위한 정규화 과정이다. 따라서 Mel 에너지를 DCT (Discrete Cosine Transformation)를 적용을 통하여 멜 스케일 에너지를 무상관된 \( \mathrm{M} \) 차의 차수로 변환할 수 있다. 식 (6)을 이용하여 R개의 필터로 구성된 필터 뱅크 중 \( \mathrm{n} \) 번째 음성 프레임에 대한 \( \mathrm{m} \) 번째 계수를 계산하게 된다.</p> <p>\( C_{\text {mel }}[n, m]=\frac{1}{R} \sum_{l=0}^{R-1} \log \left\{E_{\text {mel }}(n, l)\right\} \cos \left(\frac{2 \pi}{R} l m\right) \)<caption>(6)</caption></p>	전기공학, 통신공학, 전자공학	[ "<h1>III.", "성능 평가</h1><p>본 논문에서는 제안된 MFCC 특징 파라미터를 이용 한 GMM 기반의 음성, 혼합 신호 분류 성능을 평가하기 위하여 우선 음성과 혼합 신호의 가장 적합한 가우시안 혼합 모델을 찾는 실험을 하였다.", "인간의 귀의 비선형적 특성을 이용한 MFCC 특징 파라미터를 사용함으로써 적합한 가우시안 혼합 모델을 찾게 되며 MFCC에서는 DCT를 수행한 후 멜 스케일 부 밴드 에너지의 평균값인 13 번째 켑스트럼 원소까지 특징으로 포함 한다.", "제안하는 신호 분류에서는 각 프레임 별로 신호 분류 결과를 내지 않고, 연속된 프레임들의 통계적 특징에 대해서 분류기를 구성하게 된다.", "</p><p>실험에는 Mono 채널이며 16 bits/sample, \\( 16 \\mathrm{kHz} \\) 로 샘플링된 입력 신호를 사용하고, 1024샘플을 한 프레임으로 사용하여 두 단계로 거쳐 실험이 진행된다.", "첫 번째 단계에서는 음성과 혼합신호의 최적의 GMM을 찾기 위해 실시되었다.", "음성 신호와 혼합 신호를 EM알고리즘을 기반으로 GMM 모델을 구현하였다.", "두 번째 단계로는 훈련된 GMM을 가지고 음성과 혼합 신호를 분류 한다.", "버퍼에 저장된 13 개의 MFCC계수는 GMM 의 특징벡터로 사용되며, 입력 신호 분류는 각 프레임을 가지고 처리한다.", "</p><p>성능 평가에서 실험을 위하여 40 개의 음원을 사용하여 35개는 GMM훈련을 위해 사용되었고 나머지 5개는 분류 테스트를 위해 사용하였다.", "</p><p>표 2에서는 USAC의 신호 분류기와 제안하는 신호 분류기의 결과를 비교하여 성능을 나타내었다.", "표 2 의 혼합 신호1에서와 같이 혼합 신호를 입력 신호로 사용 하였을 때 USAC은 \\( 61.6 \\% \\) 만이 TCX를 모드를 선택하여 혼합 신호로 판단하였지만, 제안한 알고리즘에서는 모든 프레임을 혼합 신호로 판단하였다.", "또한, 영어 남성의 음성 신호 역시 USAC에서 \\( 81 \\% \\) 만이 ACELP 모드를 선택한 음성 신호로 판단하였지만 제안하는 알고리즘에서는 모든 프레임을 음성 신호로 판단하였다.", "</p><p>또한 혼합 신호 2 에서의 모드 선텍도 \\( 13.8 \\% \\) 의 오류를 가지는 반면 제안된 알고리즘의 오류는 \\( 2.8 \\% \\) 로 모드 선택을 더 정확하게 하는 것을 알 수 있다.", "</p><table border><caption>표 2. USAC과 제안된 알고리즘의 신호 분류 성능</caption><tbody><tr><td>Test file</td><td>방법</td><td>분류 에러</td></tr><tr><td rowspan = 2>영어(남성)</td><td>USAC</td><td>\\( 19 \\% \\)</td></tr><tr><td>Proposed</td><td>\\( 0 \\% \\)</td></tr><tr><td rowspan = 2>영어(여성)</td><td>USAC</td><td>\\( 18 \\% \\)</td></tr><tr><td>Proposed</td><td>\\( 0 \\% \\)</td></tr><tr><td rowspan = 2>한국어(남성)</td><td>USAC</td><td>\\( 22 \\% \\)</td></tr><tr><td>Proposed</td><td>\\( 1 \\% \\)</td></tr><tr><td rowspan = 2>한국어(여성)</td><td>USAC</td><td>\\( 19 \\% \\)</td></tr><tr><td>Proposed</td><td>\\( 0 \\% \\)</td></tr><tr><td rowspan = 2>혼합 신호 1</td><td>USAC</td><td>\\( 38.4 \\% \\)</td></tr><tr><td>Proposed</td><td>\\( 0 \\% \\)</td></tr><tr><td rowspan = 2>혼합 신호 2</td><td>USAC</td><td>\\( 13.8 \\% \\)</td></tr><tr><td>Proposed</td><td>\\( 2.8 \\% \\)</td></tr><tr><td rowspan = 2>혼합 신호 3</td><td>USAC</td><td>\\( 33.9 \\% \\)</td></tr><tr><td>Proposed</td><td>\\( 3.4 \\% \\)</td></tr></tbody></table> <table border><caption>표 3. USAC과 제안된 알고리즘 PESQ값</caption> <tbody><tr><td></td><td colspan=2>PESQ</td></tr><tr><td rowspan = 2>영어(남성)</td><td>Proposed</td><td>3.8105</td></tr><tr><td>USAC</td><td>3.6728</td></tr><tr><td rowspan = 2>영어(여성)1</td><td>Proposed</td><td>3.5047</td></tr><tr><td>USAC</td><td>3.3204</td></tr><tr><td rowspan = 2>영어(여성)2</td><td>Proposed</td><td>3.0421</td></tr><tr><td>USAC</td><td>2.8152</td></tr><tr><td rowspan = 2>한국어(남성)</td><td>Proposed</td><td>3.9795</td></tr><tr><td>USAC</td><td>3.6054</td></tr><tr><td rowspan = 2>한국어(여성)</td><td>Proposed</td><td>3.7348</td></tr><tr><td>USAC</td><td>3.5819</td></tr><tr><td rowspan = 2>혼합 신호1</td><td>Proposed</td><td>3.1821</td></tr><tr><td>USAC</td><td>2.7321</td></tr><tr><td rowspan = 2>혼합 신호2</td><td>Proposed</td><td>2.9385</td></tr><tr><td>USAC</td><td>2.6822</td></tr><tr><td rowspan = 2>혼합 신호3</td><td>Proposed</td><td>2.6497</td></tr><tr><td>USAC</td><td>2.4835</td></tr></tbody></table> <p>또한 기존 USAC에서는 Closeloop AbS 방식을 사용 함으로써 Inverse transform까지 포함되어있어 주파수 와 시간의 변환으로 연산량이 상당이 많은 알고리즘이다.", "하지만 제안하는 알고리즘에서는 MFCC 의 특징파라미터를 구하기 위한 FFT의 \\( \\mathrm{n}(\\log n) \\) 의 연산량과 GMM의 음성과 혼합신호를 판별하는 우도함수에서 약 \\(0.04 \\mathrm{wmops}\\)연산량이 발생하며 Inverse transform을 포 함하지 않기 때문에 기존의 USAC보다 적은 연산량이 사용된다는 것을 알 수 있었다.", "</p> <p>실험과 같은 올바른 모드 선택이 음질의 어떠한 영향을 미치는지를 알아보기 위해 객관적 음질평가인 ITU-T 표준안으로 제정된 PESQ(Perceptual Evaluation of Speech Quality)척도를 이용하여 모드의 선택의 중요성을 표 3에 나타내었다.", "</p> <p>표 3 에서는 기존 USAC 의 신호 분류와 제안된 알고리즘의 신호 분류에 따른 PESQ값을 나타낸다.", "</p> <p>제안된 알고리즘의 PESQ값은 USAC에 비해 혼합 신호에서 평균 0.3정도 높게 나타났고, 음성 신호에서는 평균 0.2 정도의 음질 차이를 보였다.", "또한 그림 5~ 7 에서는 USAC의 신호 분류기와 제안하는 신호 분류기를 사용하였을 때의 결과를 비교하여 나타내었다.", "그림 5의 (a)는 혼합 신호를 나타내고, (b)는 기존 USAC의 신호 분류기를 통해 음성신호로 잘못 판단하여 ACELP 모드로 잘못 부호화 되었을 때의 결과 이다.", "그림 5의 (c)는 우리가 제안하는 신호 분류기를 통해 혼합신호로 판단하여 TCX 모드로 부호화 되었을 때의 결과 이다.", "그림 5의 (b)와 (c)에서 보듯이, 원신호의 피치 성분이 제안하는 신호 분류기를 사용하였을 때 기존의 USAC보다 더 잘 나타나는 것을 알 수 있다.", "</p> <p>그림 6 역시 혼합 신호를 기존의 USAC과 제안하는 알고리즘의 신호 분류 방법으로 각각 적용해 보았을 때 제안하는 알고리즘이 기존의 USAC보다 원 신호와 더 유사하다는 것을 알 수 있다.", "그림 7의 (a)는 음성 신호를 나타내었고, (b)는 기존 USAC의 신호 분류기를 통해서 혼합신호로 잘못 판단하여 TCX 모드로 잘못 부호화 되었을 때의 결과이다.", "그림 7의 (c)는 제안하는 신호 분류기를 통해 음성신호를 판단하여 ACELP 모드 로 부호화 되었을 때의 결과이다.", "</p> <p>그림 7의 (b)에서 볼 수 있듯이, 음성신호의 묵음 구간 에서 노이즈가 발생하여, 음질에 안 좋은 영향을 미 치는 것을 알 수 있었다.", "그와 다르게 제안하는 분류기인 (c)에서는 묵음 구간에서도 노이즈가 적게 발생 하여 원 신호와 유사한 결과를 나타내는 것을 볼 수있다.", "</p> <p>이처럼 신호를 분류함에 있어서 모드 선택이 원 신호와의 오류를 줄여줄 뿐 아니라 음질과도 영향을 주는 것을 알 수 있고, 올바른 모드 선택의 중요함을 알 수 있다.", "</p> <h1>II.", "MFCC 특징 파라미터를 이용한 GMM기반의 신호분류</h1> <h2>1. USAC의 신호 분류</h2> <p>USAC은 선택적으로 입력 신호의 특성에 따라 입력 신호가 음성이면 AMR-WB+ 방식기반의 선형 예측 도메인 코더가 선택되며, 입력신호가 오디오 신호인 경우에는 HE-AAC V2방식을 기반으로 하는 주파수 도메인 코더가 선택 된다 .", "</p> <p>그 후 선형 예측 영역 부호화코더의 경우 한 번 더 스위칭 하게 되어 Closed-loop AbS구조를 이용하여 MDCT를 기반으로 하는 TCX(Transform Coded eXcitation)모드와 ACELP (Algebraic Code Excited Linear Predictor)모드로 분류된다.", "그림 1 에서는 간략 한 USAC의 신호 분류방법을 나타내며, 표 1 에서는 USAC에서의 신호 특징에 따른 3가지 압축 방법을 보여준다.", "</p> <p>그림 1 과 표 1 에서와 같이 입력된 신호가 처음 오디오 신호로 판단되는 신호는 FD(Frequency Domain)모드로 음성 신호 및 혼합신호로 판단되는 신호는TD (Time Domain) 모드로 음성과 오디오 신호로 처음 분류 된 후에 음성 신호로 판단되어 TD 모드로 분류된신호를 또 다시 완전한 음성인 경우는 ACELP 모드로 혼합 신호인 경우는 TCX 모드로 분류 되는 것을 알 수 있고, 다음과 같은 신호 분류는 전반적인 품질을 보장하기 위해서 매우 중요한 부분이 된다.", "</p> <table border><caption>표 1. USAC Core Code의 3가지 압축 방법</caption> <tbody><tr><td>명칭</td><td>특징</td><td>주요대상신호</td></tr><tr><td>AAC</td><td>MDCT 기반의 변환 부호화, 새 로운 무손실 부호화 방법사용</td><td>고 전송률 오디오 신호</td></tr><tr><td>ACELP</td><td>LPC 기반으로 시간영역에서 부호화, 기존 AMR-WB 의 ACELP모듈과 동일</td><td>음성 신호</td></tr><tr><td>TCX</td><td>LPC Residual 신호에 대해 MDCT 기반의 변환 부호화, Noise Fill사용</td><td>혼합 신호 및 저 전송률 오디오 신호</td></tr></tbody></table> <h2>2. MFCC를 이용한 GMM 최적 파라미터 추출</h2> <h3>가.", "Mel Frequency Cepstral Coefficients</h3> <p>음성인식에 쓰이는 특징 값으로 LPC(Linear Prediction Coefficients)나 LPS(Liner Prediction Spectrum) 등과 같은 많은 방법이 존재하지만 주파수 를 피치로 이용하였을 때 잡음의 영향을 덜 받고 효과적인 것으로 나타났다 .", "그 중 MFCC 는 음성 인식에 널리 쓰이는 유효한 특징 값으로 스펙트럼 기반을 특징으로 하며 인간의 귀가 가지는 비선형적인 주파수 특성 을 이용한다.", "</p> <p>그림 2 의 블록다이어그램은 MFCC를 추출하는 과정을 나타넨다.", "입력 신호를 윈도우를 씌워서 프레임 단위로 나눈 후에 FFT(Fast Fourier Transform)을 이용하여 주파수 영역으로 변환하게 된다.", "그 후 주파수 대역을 여러 개의 필터 뱅크로 나누고 각 뱅크에서의 에너지를 구한다.", "</p> <p>\\( X\\left(n, w_{k}\\right)=\\sum_{m=-\\infty}^{\\infty} x[m] w[n-m] e^{-j w_{k} m} \\), \\( w_{k}=\\frac{2 \\pi}{N} k \\)<caption>(1)</caption></p> <p>식 (1)에서 나타내는 주파수로 변환된 \\( X\\left(n, w_{k}\\right) \\) 의 크기는 필터 시퀀스의 주파수 응답에 의해 가중화되고 이런 필터 시퀀스는 저주파수( \\( 1000 \\mathrm{~Hz} \\) 이하 \\( ) \\) 에서는 중심주파수와 대역폭이 선형적이지만 고주파수 \\( (1000 \\mathrm{~Hz} \\) 이상 \\( ) \\)로 갈수록 로그 스케일로 증가하는 특성을 가지고 있다.", "이것은 인간의 귀가 가지는 비선형적인 특성으로저주파 영역의 신호에서는 민감한 반면 고주파로 갈수록 민감하지 않은 특성을 적용한 것이다</p> <p>이런 특성을 가지고 있는 멜 스케일(mel-scale) 필터 뱅크를 그림 3에서 보여주고 있다.", "식 (2)를 이용해서 멜 스케일을 계산하며 중심주파수는 멜 스케일로 존재 하게 된다.", "각 필터의 대역폭 역시 식 (3)의 critical bandwidth에 의해 결정된다.", "</p> <p>\\( \\operatorname{Mel}(f)=2595 \\times \\log _{10}\\left(1+\\frac{f}{700}\\right) \\)<caption>(2)</caption></p> <p>\\( B W=\\left\\{\\begin{array}{ll}1000, & f<1000 \\\\ 25+75\\left[1+1.4\\left(\\frac{f}{1000}\\right)^{2}\\right]^{0.69}, & f>1000\\end{array}\\right. \\)", "<caption>(3)</caption></p> <p>\\( \\mathrm{Mel} \\) 스케일 필터 뱅크의 \\( l \\) 번째 필터의 주파수 응답 을 \\( R_{l}\\left(w_{k}\\right) \\) 라고 하면 \\( \\mathrm{n} \\) 번 째 음성 프레임에 대한 Mel 에너지는 식 (4)로 표현 할 수 있다. \\", "( L_{l}, H_{l} \\) 는 \\( l \\) 번째 필터에서 0이 아닌 주파수 영 역의 상한, 하한 값을 의미한다.", "</p> <p>\\( E_{m e l}(n, l)=\\frac{1}{A_{l}} \\sum_{k=L_{l}}^{H_{l}}\\left\|R_{l\\left(w_{k}\\right)} X\\left(n, w_{k}\\right)\\right\|^{2} \\)<caption>(4)</caption></p> <p>\\( A_{l}=\\sum_{k=L_{l}}^{H_{l}}\\left\|R_{l}\\left(w_{k}\\right)\\right\|^{2} \\)<caption>(5)</caption></p> <p>식 (5)는 다양한 대역폭을 갖는 필터들의 균일한 스펙트럼을 위한 정규화 과정이다.", "따라서 Mel 에너지를 DCT (Discrete Cosine Transformation)를 적용을 통하여 멜 스케일 에너지를 무상관된 \\( \\mathrm{M} \\) 차의 차수로 변환할 수 있다.", "식 (6)을 이용하여 R개의 필터로 구성된 필터 뱅크 중 \\( \\mathrm{n} \\) 번째 음성 프레임에 대한 \\( \\mathrm{m} \\) 번째 계수를 계산하게 된다.", "</p> <p>\\( C_{\\text {mel }}[n, m]=\\frac{1}{R} \\sum_{l=0}^{R-1} \\log \\left\\{E_{\\text {mel }}(n, l)\\right\\} \\cos \\left(\\frac{2 \\pi}{R} l m\\right) \\)<caption>(6)</caption></p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "MFCC를 이용한 GMM 기반의 음성/혼합 신호 분류", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1d619310-8b77-4c83-9418-2ecf5ec02cf5", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2013", "doc_author": [ "김지은", "이인성" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
412	<p>다. 양선형 보간기</p><p>이 블록에서는 편위교정 계산부를 통해 구해진 정수부 좌표 \( \left(x i_{n}, y i_{n}\right) \) 주위 4개 화소\( \left(N W_{n}, N E_{n}, S W_{n}, S E_{n}\right) \)와 소수부 좌표 \( \left(x f_{n}, y f_{n}\right) \)를 이용해 양선형 보간을 구현하며 여기서 계산되어지는 \( B I_{n} \)이 본 논문에서 구현하는 하드웨어의 최종 출력 값이 된다. 위의 식(16)를 하드웨어로 구현한 블록도는 그림 10과 같다.</p><p>\( B I_{n}=\left[\begin{array}{ll}1-x f_{n} & x f_{n}\end{array}\right]\left[\begin{array}{cc}N W_{n} & N E_{n} \\ S W_{n} & S E_{n}\end{array}\right]\left[\begin{array}{c}1-y f_{n} \\ y f_{n}\end{array}\right] \)<caption>(16)</caption></p><h1>III․ 실 험</h1><p>실험에 사용되는 영상은 \(640 \times 480\)의 계조 (Gray Scale) 영상이며 실험 결과는 Matlab Toolbox의 편위교정 기능을 수행 시 출력되는 결과와 VHDL 시뮬레이션에서 출력되는 결과의 차이 값을 비교하였다. VHDL 시뮬레이션 과정에서 얻을 수 있는 주요 인터페이스 신호 값을 그림 11에 나타내었다.</p><p>연산의 정밀도는 아래와 같이 3가지로 구분하여 설계와 실험을 실시하였다.</p><ol><li>단정밀도 부동소수점 연산 사용</li><li>배정밀도 부동소수점 연산 사용</li><li>배정밀도 부동소수점 연산 사용, 양선형 보간부에만 단정밀도 부동소수점 연산 사용.</li></ol><p>양선형 보간부에 단정밀도 부동소수점 연산을 사용하여 실험을 진행한 이유는 편위교정에 사용되는 연산에 비해 보간은 상대적으로 정밀도에 덜 민감한 특성을 지니기 때문이다.</p><p>PSNR, SSIM을 활용해 두 영상의 차이를 계산한 결과는 표 3과 같다.</p><p>그림 12와 표 3에서 볼 수 있듯이 본 논문에서 구현한 하드웨어 구조는 소프트웨어와 동일한 결과를 출력할 수 있으며, 정밀도를 낮춰 하드웨어 자원을 적게 소모하면서도 매우 높은 정밀도를 가짐을 알 수 있다. 배정밀도 부동소수점 연산을 사용 시 Matlab 수행 결과와 동일한 결과를 도출함을 알 수 있고 보간부 단정밀도 연산을 사용할 경우 \( 103.03 \mathrm{dB} \)의 PSNR을 가져서 눈으로 보기에 차이를 발견할 수 없음을 알 수 있다.</p><p>개발된 VHDL코드를 Xilinx사의 Vertex-5 xc5vlx330-1ff1760모델에 매핑(Device mapping)을 시도하였으며 최고 동작속도 \( 100.291 \mathrm{MHz} \)로 동작함을 확인하였다. 그림 13에 개발된 스테레오 매칭 FPGA 장치의 사진을 나타내었다.</p><p>표 4는 여러 정밀도를 가지는 하드웨어 구조를 FPGA에 매핑 시컸을 때 사용되는 하드웨어 자원을 나타내었다. 단정밀도로 구현 시 FPGA의 \( 17 \% \) 정도의 자원만을 사용하며 배정밀도로 구현 시 \( 36 \% \) 정도의 자원을 사용함을 알 수 있다.</p><table border><caption>FPGA(Xilinx Virtex5 LX330) 논리합성 결과</caption><tbody><tr><td>Logic Utilization</td><td>Avilable</td><td>단정밀도 부동소수점 연산</td><td>배정밀도 부동소수점 연산</td><td>배정밀도 부동소수점 연산 (보간부 단정밀도 부동소수점 연산)</td></tr><tr><td>Slice Registers</td><td>207,360</td><td>34,872 \((16\%)\)</td><td>123,444 \((59\%)\)</td><td>107,443 \((51\%)\)</td></tr><tr><td>Slice LUTs</td><td>207,360</td><td>23,111 \((11\%)\)</td><td>94,060 \((45\%)\)</td><td>80,738 \((38\%)\)</td></tr><tr><td>Occupied Slices</td><td>51,840</td><td>10,390 \((20\%)\)</td><td>35,226 \((67\%)\)</td><td>30,762 \((59\%)\)</td></tr><tr><td>Bonded IOBs</td><td>1,200</td><td>24 \((2\%)\)</td><td>24 \((2\%)\)</td><td>24 \((2\%)\)</td></tr><tr><td>Memory Used</td><td>10,368</td><td>2,772 \((26\%)\)</td><td>2,808 \((26\%)\)</td><td>2,808 \((26\%)\)</td></tr><tr><td>DSP48E</td><td>192</td><td>50 \((26\%)\)</td><td>75 \((39\%)\)</td><td>73 \((38\%)\)</td></tr></tbody></table><p>그림 12(a)의 영상을 이용하여 편위교정을 수행하기 전 원 영상들과 편위교정을 수행한 후의 영상들을, 그림 13의 스테레오 매칭 FPGA 장치를 통해 얻은 결과를 그림 14에 나타내었다. 편위교정 후의 영상을 이용한 깊이 추정 결과가 월등히 정확함을 확인할 수 있다. 스테레오 매칭 알고리즘은 DP 기법을 FPGA 동작 가능하도록 M. Jin, T. Maruyama가 제안한 Simple Tree DP 알고리즘을 사용하였다.</p> <h1>II. 본 론</h1><h2>1. Caltech의 Matlab Toolbox</h2><p>현재 가장 널리 사용되고 있는 편위교정 표준 SW는 California Institute of Technology(Caltech)에서 개발되어 Matlab Toolbox로 제공되고 있는 캘리브레이션(Calibration), 편위교정(Rectification) 프로그램을 들수 있으며 공개된 SW 중에서는 현재 최고의 성능을 제공하고 있다. 카메라를 이용하여 피사체의 3차원 거리정보를 추출하는 경우 같은 제품의 카메라를 사용하더라도 카메라 내부의 기하학적 구조로 인해 카메라 별로 서로 다른 왜곡(distortion)이 발생하게 된다. 이러한 내부 왜곡과 두 대의 카메라가 위치한 3차원 상의 좌표차이로 인해서 두 대의 카메라를 이용해서 피사체의 거리를 측정할 경우 스테레오 매칭 단계 이전에 카메라 캘리브레이션, 편위교정 단계를 필요로 한다.</p><p>캘리브레이션 과정은 오프라인으로 이루어지는데 설치된 두 대의 카메라의 초점거리(Focal length), 주점(Principal point), 비대칭 계수(Skew coefficient), 왜곡(Distortion) 등을 파악하여 내부변수(Intrinsicparameter)를 생성하고, 두 카메라 간의 상대적인 회전(Rotation)과 이동거리(Translation)를 계산하여 외부변수(Extrinsic parameter)를 생성한다.</p><p>편위교정 과정은 Heikkilä 와 Silven의 알고리즘을 기반으로 하여 실시간으로 이루어지는데 실제적인 스테레오 매칭 이전에 이루어지는 사전 단계로써 사용된다. 즉 캘리브레션 과정에서 생성된 변수들을 이용해 편위교정을 수행하게 되며 월드 좌표(world coordinate)상의 같은 점들은 두 개의 카메라 영상에서 같은 스캔 라인에 에피폴라 라인이 생성되도록 영상의 수직수차를 실시간으로 제거한 후 스테레오 매칭부에게 제공하게 된다.</p><h3>가. 캘리브레이션(Calibration)</h3><p>캘리브레이션 과정에서 생성되는 내부변수는 핀홀카메라 모델을 통해 설명이 가능하다. 초점거리는 렌즈의 중심과 이미지 센서와의 거리를 의미하며 픽셀 단위를 사용한다, 표 1에서 초점거리를 하나의 값이 아닌 2개의 값으로 구분한 이유는 이미지 센서의 물리적인 셀 간격이 가로 방향과 세로 방향이 다를 수 있음을 모델링하기 위함이다. 주점은 카메라 렌즈의 광학축이 이미지 센서와 만나는 점의 영상좌표로서 영상의 기하학적 중심을 의미하며 픽셀 단위를 사용한다. 비대칭계수는 이미지 센서의 셀 배열(cell array)이 기울어진 정도를 의미한다. 최근의 카메라는 이러한 비대칭 에러가 거의 없기 때문에 일반적인 카메라 모델에서는 비대칭계수를 거의 고려하지 않는다. 왜곡은 광선이 렌즈를 통해 굴절되면서 발생하는 반경수차(radial distortion)와 광선이 광축의 중심에서 이탈하면서 발생하는 접선수차(tangential distortion)로 나눌 수 있다.</p><p>캘리브레이션 과정에서 생성된 내부 변수는 표1 과 같으며 왼쪽과 오른쪽 카메라에서 각각 독립적으로 생성된다. 각각의 매개변수 \( F c, C c, Alpha_c, K c \)는 카메라의 내부적인 요소인 초점거리, 주점, 비대칭계수와 반경수차와 접선수차를 포함한 왜곡을 의미한다.</p><table border><caption>표 1. 내부 변수</caption><tbody><tr><td>parameter</td><td>Description</td></tr><tr><td>\(Fc=(Fc_{1}, Fc_{2})\)</td><td>\(2 \times1\) vector, Focal length</td></tr><tr><td>\(Cc=(Cc_{1}, Cc_{2})\)</td><td>\(2 \times1\) vector, Principal point</td></tr><tr><td>\(Alpah\_c\)</td><td>Scalar, Skew coefficient</td></tr><tr><td>\(Kc=(Kc_{1}, ... , Kc_{5})\)</td><td>\(5 \times1\) vector, Distortion</td></tr></tbody></table>	전기공학, 통신공학, 전자공학	[ "<p>다.", "양선형 보간기</p><p>이 블록에서는 편위교정 계산부를 통해 구해진 정수부 좌표 \\( \\left(x i_{n}, y i_{n}\\right) \\) 주위 4개 화소\\( \\left(N W_{n}, N E_{n}, S W_{n}, S E_{n}\\right) \\)와 소수부 좌표 \\( \\left(x f_{n}, y f_{n}\\right) \\)를 이용해 양선형 보간을 구현하며 여기서 계산되어지는 \\( B I_{n} \\)이 본 논문에서 구현하는 하드웨어의 최종 출력 값이 된다.", "위의 식(16)를 하드웨어로 구현한 블록도는 그림 10과 같다.", "</p><p>\\( B I_{n}=\\left[\\begin{array}{ll}1-x f_{n} & x f_{n}\\end{array}\\right]\\left[\\begin{array}{cc}N W_{n} & N E_{n} \\\\ S W_{n} & S E_{n}\\end{array}\\right]\\left[\\begin{array}{c}1-y f_{n} \\\\ y f_{n}\\end{array}\\right] \\)<caption>(16)</caption></p><h1>III․ 실 험</h1><p>실험에 사용되는 영상은 \\(640 \\times 480\\)의 계조 (Gray Scale) 영상이며 실험 결과는 Matlab Toolbox의 편위교정 기능을 수행 시 출력되는 결과와 VHDL 시뮬레이션에서 출력되는 결과의 차이 값을 비교하였다.", "VHDL 시뮬레이션 과정에서 얻을 수 있는 주요 인터페이스 신호 값을 그림 11에 나타내었다.", "</p><p>연산의 정밀도는 아래와 같이 3가지로 구분하여 설계와 실험을 실시하였다.", "</p><ol><li>단정밀도 부동소수점 연산 사용</li><li>배정밀도 부동소수점 연산 사용</li><li>배정밀도 부동소수점 연산 사용, 양선형 보간부에만 단정밀도 부동소수점 연산 사용.", "</li></ol><p>양선형 보간부에 단정밀도 부동소수점 연산을 사용하여 실험을 진행한 이유는 편위교정에 사용되는 연산에 비해 보간은 상대적으로 정밀도에 덜 민감한 특성을 지니기 때문이다.", "</p><p>PSNR, SSIM을 활용해 두 영상의 차이를 계산한 결과는 표 3과 같다.", "</p><p>그림 12와 표 3에서 볼 수 있듯이 본 논문에서 구현한 하드웨어 구조는 소프트웨어와 동일한 결과를 출력할 수 있으며, 정밀도를 낮춰 하드웨어 자원을 적게 소모하면서도 매우 높은 정밀도를 가짐을 알 수 있다.", "배정밀도 부동소수점 연산을 사용 시 Matlab 수행 결과와 동일한 결과를 도출함을 알 수 있고 보간부 단정밀도 연산을 사용할 경우 \\( 103.03 \\mathrm{dB} \\)의 PSNR을 가져서 눈으로 보기에 차이를 발견할 수 없음을 알 수 있다.", "</p><p>개발된 VHDL코드를 Xilinx사의 Vertex-5 xc5vlx330-1ff1760모델에 매핑(Device mapping)을 시도하였으며 최고 동작속도 \\( 100.291 \\mathrm{MHz} \\)로 동작함을 확인하였다.", "그림 13에 개발된 스테레오 매칭 FPGA 장치의 사진을 나타내었다.", "</p><p>표 4는 여러 정밀도를 가지는 하드웨어 구조를 FPGA에 매핑 시컸을 때 사용되는 하드웨어 자원을 나타내었다.", "단정밀도로 구현 시 FPGA의 \\( 17 \\% \\) 정도의 자원만을 사용하며 배정밀도로 구현 시 \\( 36 \\% \\) 정도의 자원을 사용함을 알 수 있다.", "</p><table border><caption>FPGA(Xilinx Virtex5 LX330) 논리합성 결과</caption><tbody><tr><td>Logic Utilization</td><td>Avilable</td><td>단정밀도 부동소수점 연산</td><td>배정밀도 부동소수점 연산</td><td>배정밀도 부동소수점 연산 (보간부 단정밀도 부동소수점 연산)</td></tr><tr><td>Slice Registers</td><td>207,360</td><td>34,872 \\((16\\%)\\)</td><td>123,444 \\((59\\%)\\)</td><td>107,443 \\((51\\%)\\)</td></tr><tr><td>Slice LUTs</td><td>207,360</td><td>23,111 \\((11\\%)\\)</td><td>94,060 \\((45\\%)\\)</td><td>80,738 \\((38\\%)\\)</td></tr><tr><td>Occupied Slices</td><td>51,840</td><td>10,390 \\((20\\%)\\)</td><td>35,226 \\((67\\%)\\)</td><td>30,762 \\((59\\%)\\)</td></tr><tr><td>Bonded IOBs</td><td>1,200</td><td>24 \\((2\\%)\\)</td><td>24 \\((2\\%)\\)</td><td>24 \\((2\\%)\\)</td></tr><tr><td>Memory Used</td><td>10,368</td><td>2,772 \\((26\\%)\\)</td><td>2,808 \\((26\\%)\\)</td><td>2,808 \\((26\\%)\\)</td></tr><tr><td>DSP48E</td><td>192</td><td>50 \\((26\\%)\\)</td><td>75 \\((39\\%)\\)</td><td>73 \\((38\\%)\\)</td></tr></tbody></table><p>그림 12(a)의 영상을 이용하여 편위교정을 수행하기 전 원 영상들과 편위교정을 수행한 후의 영상들을, 그림 13의 스테레오 매칭 FPGA 장치를 통해 얻은 결과를 그림 14에 나타내었다.", "편위교정 후의 영상을 이용한 깊이 추정 결과가 월등히 정확함을 확인할 수 있다.", "스테레오 매칭 알고리즘은 DP 기법을 FPGA 동작 가능하도록 M.", "Jin, T.", "Maruyama가 제안한 Simple Tree DP 알고리즘을 사용하였다.", "</p> <h1>II.", "본 론</h1><h2>1. Caltech의 Matlab Toolbox</h2><p>현재 가장 널리 사용되고 있는 편위교정 표준 SW는 California Institute of Technology(Caltech)에서 개발되어 Matlab Toolbox로 제공되고 있는 캘리브레이션(Calibration), 편위교정(Rectification) 프로그램을 들수 있으며 공개된 SW 중에서는 현재 최고의 성능을 제공하고 있다.", "카메라를 이용하여 피사체의 3차원 거리정보를 추출하는 경우 같은 제품의 카메라를 사용하더라도 카메라 내부의 기하학적 구조로 인해 카메라 별로 서로 다른 왜곡(distortion)이 발생하게 된다.", "이러한 내부 왜곡과 두 대의 카메라가 위치한 3차원 상의 좌표차이로 인해서 두 대의 카메라를 이용해서 피사체의 거리를 측정할 경우 스테레오 매칭 단계 이전에 카메라 캘리브레이션, 편위교정 단계를 필요로 한다.", "</p><p>캘리브레이션 과정은 오프라인으로 이루어지는데 설치된 두 대의 카메라의 초점거리(Focal length), 주점(Principal point), 비대칭 계수(Skew coefficient), 왜곡(Distortion) 등을 파악하여 내부변수(Intrinsicparameter)를 생성하고, 두 카메라 간의 상대적인 회전(Rotation)과 이동거리(Translation)를 계산하여 외부변수(Extrinsic parameter)를 생성한다.", "</p><p>편위교정 과정은 Heikkilä 와 Silven의 알고리즘을 기반으로 하여 실시간으로 이루어지는데 실제적인 스테레오 매칭 이전에 이루어지는 사전 단계로써 사용된다.", "즉 캘리브레션 과정에서 생성된 변수들을 이용해 편위교정을 수행하게 되며 월드 좌표(world coordinate)상의 같은 점들은 두 개의 카메라 영상에서 같은 스캔 라인에 에피폴라 라인이 생성되도록 영상의 수직수차를 실시간으로 제거한 후 스테레오 매칭부에게 제공하게 된다.", "</p><h3>가.", "캘리브레이션(Calibration)</h3><p>캘리브레이션 과정에서 생성되는 내부변수는 핀홀카메라 모델을 통해 설명이 가능하다.", "초점거리는 렌즈의 중심과 이미지 센서와의 거리를 의미하며 픽셀 단위를 사용한다, 표 1에서 초점거리를 하나의 값이 아닌 2개의 값으로 구분한 이유는 이미지 센서의 물리적인 셀 간격이 가로 방향과 세로 방향이 다를 수 있음을 모델링하기 위함이다.", "주점은 카메라 렌즈의 광학축이 이미지 센서와 만나는 점의 영상좌표로서 영상의 기하학적 중심을 의미하며 픽셀 단위를 사용한다.", "비대칭계수는 이미지 센서의 셀 배열(cell array)이 기울어진 정도를 의미한다.", "최근의 카메라는 이러한 비대칭 에러가 거의 없기 때문에 일반적인 카메라 모델에서는 비대칭계수를 거의 고려하지 않는다.", "왜곡은 광선이 렌즈를 통해 굴절되면서 발생하는 반경수차(radial distortion)와 광선이 광축의 중심에서 이탈하면서 발생하는 접선수차(tangential distortion)로 나눌 수 있다.", "</p><p>캘리브레이션 과정에서 생성된 내부 변수는 표1 과 같으며 왼쪽과 오른쪽 카메라에서 각각 독립적으로 생성된다.", "각각의 매개변수 \\( F c, C c, Alpha_c, K c \\)는 카메라의 내부적인 요소인 초점거리, 주점, 비대칭계수와 반경수차와 접선수차를 포함한 왜곡을 의미한다.", "</p><table border><caption>표 1. 내부 변수</caption><tbody><tr><td>parameter</td><td>Description</td></tr><tr><td>\\(Fc=(Fc_{1}, Fc_{2})\\)</td><td>\\(2 \\times1\\) vector, Focal length</td></tr><tr><td>\\(Cc=(Cc_{1}, Cc_{2})\\)</td><td>\\(2 \\times1\\) vector, Principal point</td></tr><tr><td>\\(Alpah\\_c\\)</td><td>Scalar, Skew coefficient</td></tr><tr><td>\\(Kc=(Kc_{1}, ...", ", Kc_{5})\\)</td><td>\\(5 \\times1\\) vector, Distortion</td></tr></tbody></table>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "부동 소수점 연산을 이용한 실시간 영상 편위교정 FPGA 하드웨어 구조 설계", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1c104cba-dfa7-4e22-812d-c275e434d13b", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2014", "doc_author": [ "한동일", "최재훈", "신호철" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
413	<p>본 논문의 구성은 다음과 같다. II장에서는 관련연구로서 RFID 시스템과 RFID 상호 인증 프로토콜에 필요한 보안 요구사항에 대하여 기술하고, III장에서는 LAK-RFID 상호 인증 프로토콜에 대하여 간단하게 재검토한다. IV장에서는 제안한 2 -라운드 \( \mathrm { RFID } \) 상호 인증 프로토콜인 TRMA 프로토콜에 대해 기술하고, \( \mathrm { V } \) 장에서는 보안성 분석, \( \mathrm { VI } \) 장에서는 효율성 분석에 대해 각각 토의한다. 마지막 VII장에서는 본 논문의 결론을 맺는다.</p> <h1>VI. 효율성 분석</h1> <p>본 장에서는 제안한 TRMA 프로토콜의 효율성을 분석한다. 표 2는 제안한 TRMA 프로토콜과 LAK 프로토콜의 효율성을 비교 및 분석한 표이다.</p> <table border><caption>표 2. 효율성 분석</caption> <tbody><tr><td rowspan=2></td><td colspan=3>LAK 프로토콜</td><td colspan=3>제안한 TRMA 프로토콜</td></tr><tr><td>DB</td><td>리더</td><td>태그</td><td>DB</td><td>리더</td><td>태그</td></tr><tr><td>해쉬 연산</td><td>n + 2</td><td>0</td><td>3</td><td>n</td><td>1</td><td>2</td></tr><tr><td>XOR 연산</td><td>2n + 2</td><td>0</td><td>4</td><td>0</td><td>1</td><td>1</td></tr><tr><td>랜덤 값</td><td>0</td><td>1</td><td>1</td><td>0</td><td>1</td><td>1</td></tr><tr><td>통신 라운드 수</td><td colspan=3>5</td><td colspan=3>4</td></tr></tbody></table> <h3>(1) 스푸핑 공격</h3> <p>공격자가 정당한 태그로 위장하여 리더에게서 인증에 필요한 정보를 획득하고, 정당한 리더나 태그로 인증 받는 공격을 의미한다.</p> <h3>(2) 재전송 공격</h3> <p>스푸핑 공격의 일종으로 이전에 태그와 리더 사이의 전송된 메시지를 재전송함으로써 공격자가 태그를 위조한다.</p> <h3>(3) 상호 인증</h3> <p>클라이언트와 서버 둘 다 같은 프로토콜 내에서 서로 인증되는 것을 의미한다.</p> <h3>(4) 정보 누출</h3> <p>개체에 부착된 태그의 비밀 정보를 어떤 공격자에 의해 해독될 수 있는 것을 말한다.</p> <h2>3. 용어 정의</h2> <p>본 논문에서 사용할 용어들의 표기법 및 정의는 표 1과 같다.</p> <table border><caption>표 1 용어 정의</caption> <tbody><tr><td rowspan = 3>기호</td><td rowspan=3>의미</td></tr><tr></tr><tr></tr><tr><td>T</td><td>RFID 태그</td></tr><tr><td>R</td><td>RFID 리더</td></tr><tr><td>DB</td><td>백-엔드 데이터베이스(Back-End Database)</td></tr><tr><td>query</td><td>태그의 응답을 요청하는 리더의 요청</td></tr><tr><td>k</td><td>태그 T의 현재 비밀 값</td></tr><tr><td>klast</td><td>태그 T의 이전 비밀 키</td></tr><tr><td>K</td><td>DB 내의 태그 T에 대한 현재 비밀 값의 필드</td></tr><tr><td>Klast</td><td>DB 내의 태그 T에 대한 이전 비밀 값의 필드</td></tr><tr><td>TID</td><td>태그 T의 아이디 값</td></tr><tr><td>RID</td><td>리더 R의 아이디 값</td></tr><tr><td>TIDS</td><td>DB 내의 태그 T에 대한 식별 필드</td></tr><tr><td>Ddta</td><td>DB 내의 태그 T에 대한 제품 정보 필드</td></tr><tr><td>\(h ( \cdot) \)</td><td>안전한 일방향 해쉬 함수(Secure One-Way Hash Function)</td></tr><tr><td>PRNG</td><td>의사난수생성기(PSeudo Random Number Generator)</td></tr><tr><td>\(N_R \)</td><td>리더가 생성한 난수</td></tr><tr><td>\(N_T \)</td><td>태그가 생성한 난수</td></tr><tr><td>\( \oplus \)</td><td>배타적 논리합(XOR; eXcusive OR) 연산</td></tr><tr><td>\( \parallel \)</td><td>연접(Concatenation) 연산</td></tr></tbody></table>	전기공학, 통신공학, 전자공학	[ "<p>본 논문의 구성은 다음과 같다.", "II장에서는 관련연구로서 RFID 시스템과 RFID 상호 인증 프로토콜에 필요한 보안 요구사항에 대하여 기술하고, III장에서는 LAK-RFID 상호 인증 프로토콜에 대하여 간단하게 재검토한다.", "IV장에서는 제안한 2 -라운드 \\( \\mathrm { RFID } \\) 상호 인증 프로토콜인 TRMA 프로토콜에 대해 기술하고, \\( \\mathrm { V } \\) 장에서는 보안성 분석, \\( \\mathrm { VI } \\) 장에서는 효율성 분석에 대해 각각 토의한다.", "마지막 VII장에서는 본 논문의 결론을 맺는다.", "</p> <h1>VI.", "효율성 분석</h1> <p>본 장에서는 제안한 TRMA 프로토콜의 효율성을 분석한다.", "표 2는 제안한 TRMA 프로토콜과 LAK 프로토콜의 효율성을 비교 및 분석한 표이다.", "</p> <table border><caption>표 2. 효율성 분석</caption> <tbody><tr><td rowspan=2></td><td colspan=3>LAK 프로토콜</td><td colspan=3>제안한 TRMA 프로토콜</td></tr><tr><td>DB</td><td>리더</td><td>태그</td><td>DB</td><td>리더</td><td>태그</td></tr><tr><td>해쉬 연산</td><td>n + 2</td><td>0</td><td>3</td><td>n</td><td>1</td><td>2</td></tr><tr><td>XOR 연산</td><td>2n + 2</td><td>0</td><td>4</td><td>0</td><td>1</td><td>1</td></tr><tr><td>랜덤 값</td><td>0</td><td>1</td><td>1</td><td>0</td><td>1</td><td>1</td></tr><tr><td>통신 라운드 수</td><td colspan=3>5</td><td colspan=3>4</td></tr></tbody></table> <h3>(1) 스푸핑 공격</h3> <p>공격자가 정당한 태그로 위장하여 리더에게서 인증에 필요한 정보를 획득하고, 정당한 리더나 태그로 인증 받는 공격을 의미한다.", "</p> <h3>(2) 재전송 공격</h3> <p>스푸핑 공격의 일종으로 이전에 태그와 리더 사이의 전송된 메시지를 재전송함으로써 공격자가 태그를 위조한다.", "</p> <h3>(3) 상호 인증</h3> <p>클라이언트와 서버 둘 다 같은 프로토콜 내에서 서로 인증되는 것을 의미한다.", "</p> <h3>(4) 정보 누출</h3> <p>개체에 부착된 태그의 비밀 정보를 어떤 공격자에 의해 해독될 수 있는 것을 말한다.", "</p> <h2>3. 용어 정의</h2> <p>본 논문에서 사용할 용어들의 표기법 및 정의는 표 1과 같다.", "</p> <table border><caption>표 1 용어 정의</caption> <tbody><tr><td rowspan = 3>기호</td><td rowspan=3>의미</td></tr><tr></tr><tr></tr><tr><td>T</td><td>RFID 태그</td></tr><tr><td>R</td><td>RFID 리더</td></tr><tr><td>DB</td><td>백-엔드 데이터베이스(Back-End Database)</td></tr><tr><td>query</td><td>태그의 응답을 요청하는 리더의 요청</td></tr><tr><td>k</td><td>태그 T의 현재 비밀 값</td></tr><tr><td>klast</td><td>태그 T의 이전 비밀 키</td></tr><tr><td>K</td><td>DB 내의 태그 T에 대한 현재 비밀 값의 필드</td></tr><tr><td>Klast</td><td>DB 내의 태그 T에 대한 이전 비밀 값의 필드</td></tr><tr><td>TID</td><td>태그 T의 아이디 값</td></tr><tr><td>RID</td><td>리더 R의 아이디 값</td></tr><tr><td>TIDS</td><td>DB 내의 태그 T에 대한 식별 필드</td></tr><tr><td>Ddta</td><td>DB 내의 태그 T에 대한 제품 정보 필드</td></tr><tr><td>\\(h ( \\cdot) \\)</td><td>안전한 일방향 해쉬 함수(Secure One-Way Hash Function)</td></tr><tr><td>PRNG</td><td>의사난수생성기(PSeudo Random Number Generator)</td></tr><tr><td>\\(N_R \\)</td><td>리더가 생성한 난수</td></tr><tr><td>\\(N_T \\)</td><td>태그가 생성한 난수</td></tr><tr><td>\\( \\oplus \\)</td><td>배타적 논리합(XOR; eXcusive OR) 연산</td></tr><tr><td>\\( \\parallel \\)</td><td>연접(Concatenation) 연산</td></tr></tbody></table>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "TRAM: 2-라운드 RFID 상호 인증 프로토콜", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1a7d5d5a-4bf7-4767-be25-92914b866341", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2009", "doc_author": [ "안해순", "부기동", "윤은준", "남인길" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
414	<h1>Ⅱ. 적응 소음 소거</h1><p>적응 소음 소거 알고리즘을 적용하기 위한 스마트 ANC 헤드셋의 구성도를 Fig. 3에서 보여준다. Fig. 3에서 \(V\)는 청취하고자 하는 음신호, \(D(z)\)은 스피커의 전달함수, \(M(z)\)은 마이크로폰의 전달함수, \(I(z)\)은 스피커 보정을 위한 이퀄라이저 전달함수, \(W(z)\)은 적응 필터의 전달함수를 각각 가리킨다. 가산기에서 V로부터 적응 필터 출력, \(Y\)가 감산된 후에, 헤드셋의 스피커에 의해 음으로 출력되면, 외부로부터 유입된 소음, \(N\)이 더해져서 마이크로폰 1로 수집된다. 여기서 편의상 아날로그와 디지털 사이의 AD-DA 변환기는 생략하였다. 헤드셋 외부에 도출된 기준 마이크로폰2에 의해 수집되는 외부 소음, \(N\)은 이퀄라이저를 거친 후 적응 필터에 입력되고, 마이크로폰 1에서 수집된 신호 E는 적응 필터의 필터 계수를 능동적으로 변화시키는데 사용된다. \(E\)는 \((VD-YD+N')M\)으로 요약되며, 본 적응 소음 제거 알고리즘의 목표는 \(YD\)가 \(N\)에 수렴토록 적응 필터의 계수가 시간에 따라 적응적으로 변화되도록 하는데 있다.</p> <h1>초록</h1><p>본 논문은 보청기의 피드백 제거 알고리즘을 실시간으로 실현한 내용을 다루었다. 기존의 시간 영역에서의 최소 평균 자승 기법을 주파수 영역으로 변환하여 처리함으로써 계산상의 부하를 최소화하였다. 적응 필터 알고리즘의 확인은 Matlab(Matrix laboratory) 기반으로 수행하였고, 이를 CSR 8675 블루투스 DSP IC(Digital Signal Processor Integrated Circuit) 칩 펌웨어로 실현하고 검증해보였다. 스마트폰으로의 원격 무선 제어 기능이 포함된 스마트 보청기는 사용자 접근 편의성이 강화된다.</p> <h1>Ⅳ. 주파수 영역 NLMS</h1><p>NLMS시간 영역에서의 연산은 매 \( k \) 샘플링 시간 정수마다 FIR 필터, \( W_{k} \) 의 \(L\)차 계수를 업데이트하여야 하기 때문에 많은 시간 소모로 CPU(Central Process Unit) 부하가 많이 걸리는 문제점이 있었다. 특히 \(L\)차수가 증가하면 계산량이 급격하게 증가하여 실시간 신호 처리를 어렵게 하고 연산 결과의 수렴에도 부정적이었다.</p><p>Pohilg에 의해 \( W_{k} \)의 \(L\)차 계수를 단일 \( k \)단위가 아닌 블록 단위로 계산토록 하는 블록 단위 최소평균자승법으로 실시간 처리 문제가 다소 해결되었고, 이어서 Shynk에 의해 시간 영역에서의 최소평균자승법을 주파수 영역에서 처리함으로써 Pohilg에 의해 제안된 블록 단위의 최소평균자승법 연산 처리속도를 높아질 수 있었다.</p><p>Fig. 4는 주파수 영역에서의 NLMS 알고리즘의 전체적인 연산 흐름도를 보여준다. Fig. 3을 참고하면, 헤드셋 외부의 소음, \(N\)을 마이크로폰2로 수집하고, 헤드셋 내부까지 침습된 외부소음, \(N^{\prime}\)은 마이크로폰 1으로 수집된다. \(k\)는 현재의 시간 정수이고 \(k\)부터 \(k+N-1\)개까지 \(N\)개의 샘플링된 데이터들로 각각의 블록 데이터군이 생성된다. 마이크로폰 1으로 수집된 소음 데이터는 \(N^{\prime}\)\((k: k+N-1)\)의 블록을 생성하고, 마이로폰2로 수집된 소음데이터는 \(X(k: k+N-1)\)의 블록을 생성한다. 청취하고 자 하는 음원 신호들로부터 \(V(k: k+N-1)\)의 블록이 생성되고, 스피커 출력음과 \(N^{\prime}\)소음의 중첩음을 마이크로폰 1으로 수집하여 \(E(k:k+N-1)\)의 에러신호 블록을 생성한다. 스피커 출력음과 \(N^{\prime}\) 소음의 중첩음이 실제로 청취되는 최종출력음이며, 스피커 출력음에는 원래 청취하려던 원음과\(Y(k: k+N-1)\)가 중첩되어 있으며, 최소평균자승법에 의해 \(Y(k: k+N-1)\)는 \(N^{\prime}\)\((k: k+N-1)\)과 상호 상쇄되어 최종 청취음은 원음, \(V\)에 근사화된다. Fig. 4는 Shynk가 제안한 주파수 영역 적응 필터(Frequency DomainAdaptive Filtering, FDAF)의 Overlap-Save(중첩-저장) 알고리즘을 외부 소음 제거용 스마트 헤드셋의 용도에 맞춰 수정하였으며, \( \boldsymbol{\mu} \) 수렴상수가 블록 시간 단위로 업데이트되도록 하였다. FFT(Fast Fourier Transformation)는 고속 프리에변환을 iFFT(inverse Fast Fourier Transformation)는 고속프리에역변환을 가리키며, iFFT 결과는 실수로, FFT 결과는 복소수로 저장되며, 연산처리 하였다. 그러므로 X,Y,V, E는 모두 실수값이며, 주파수 영역에서의 곱셈은 시간 영역에서의 컨볼류션을 반영한다. 본 연구에서는 \(L = 20, N = 64\)를 사용하였다.	공학, 공업일반, 토목공학, 환경공학	[ "<h1>Ⅱ. 적응 소음 소거</h1><p>적응 소음 소거 알고리즘을 적용하기 위한 스마트 ANC 헤드셋의 구성도를 Fig.", "3에서 보여준다.", "Fig.", "3에서 \\(V\\)는 청취하고자 하는 음신호, \\(D(z)\\)은 스피커의 전달함수, \\(M(z)\\)은 마이크로폰의 전달함수, \\(I(z)\\)은 스피커 보정을 위한 이퀄라이저 전달함수, \\(W(z)\\)은 적응 필터의 전달함수를 각각 가리킨다.", "가산기에서 V로부터 적응 필터 출력, \\(Y\\)가 감산된 후에, 헤드셋의 스피커에 의해 음으로 출력되면, 외부로부터 유입된 소음, \\(N\\)이 더해져서 마이크로폰 1로 수집된다.", "여기서 편의상 아날로그와 디지털 사이의 AD-DA 변환기는 생략하였다.", "헤드셋 외부에 도출된 기준 마이크로폰2에 의해 수집되는 외부 소음, \\(N\\)은 이퀄라이저를 거친 후 적응 필터에 입력되고, 마이크로폰 1에서 수집된 신호 E는 적응 필터의 필터 계수를 능동적으로 변화시키는데 사용된다. \\", "(E\\)는 \\((VD-YD+N')M\\)으로 요약되며, 본 적응 소음 제거 알고리즘의 목표는 \\(YD\\)가 \\(N\\)에 수렴토록 적응 필터의 계수가 시간에 따라 적응적으로 변화되도록 하는데 있다.", "</p> <h1>초록</h1><p>본 논문은 보청기의 피드백 제거 알고리즘을 실시간으로 실현한 내용을 다루었다.", "기존의 시간 영역에서의 최소 평균 자승 기법을 주파수 영역으로 변환하여 처리함으로써 계산상의 부하를 최소화하였다.", "적응 필터 알고리즘의 확인은 Matlab(Matrix laboratory) 기반으로 수행하였고, 이를 CSR 8675 블루투스 DSP IC(Digital Signal Processor Integrated Circuit) 칩 펌웨어로 실현하고 검증해보였다.", "스마트폰으로의 원격 무선 제어 기능이 포함된 스마트 보청기는 사용자 접근 편의성이 강화된다.", "</p> <h1>Ⅳ. 주파수 영역 NLMS</h1><p>NLMS시간 영역에서의 연산은 매 \\( k \\) 샘플링 시간 정수마다 FIR 필터, \\( W_{k} \\) 의 \\(L\\)차 계수를 업데이트하여야 하기 때문에 많은 시간 소모로 CPU(Central Process Unit) 부하가 많이 걸리는 문제점이 있었다.", "특히 \\(L\\)차수가 증가하면 계산량이 급격하게 증가하여 실시간 신호 처리를 어렵게 하고 연산 결과의 수렴에도 부정적이었다.", "</p><p>Pohilg에 의해 \\( W_{k} \\)의 \\(L\\)차 계수를 단일 \\( k \\)단위가 아닌 블록 단위로 계산토록 하는 블록 단위 최소평균자승법으로 실시간 처리 문제가 다소 해결되었고, 이어서 Shynk에 의해 시간 영역에서의 최소평균자승법을 주파수 영역에서 처리함으로써 Pohilg에 의해 제안된 블록 단위의 최소평균자승법 연산 처리속도를 높아질 수 있었다.", "</p><p>Fig.", "4는 주파수 영역에서의 NLMS 알고리즘의 전체적인 연산 흐름도를 보여준다.", "Fig.", "3을 참고하면, 헤드셋 외부의 소음, \\(N\\)을 마이크로폰2로 수집하고, 헤드셋 내부까지 침습된 외부소음, \\(N^{\\prime}\\)은 마이크로폰 1으로 수집된다. \\", "(k\\)는 현재의 시간 정수이고 \\(k\\)부터 \\(k+N-1\\)개까지 \\(N\\)개의 샘플링된 데이터들로 각각의 블록 데이터군이 생성된다.", "마이크로폰 1으로 수집된 소음 데이터는 \\(N^{\\prime}\\)\\((k: k+N-1)\\)의 블록을 생성하고, 마이로폰2로 수집된 소음데이터는 \\(X(k: k+N-1)\\)의 블록을 생성한다.", "청취하고 자 하는 음원 신호들로부터 \\(V(k: k+N-1)\\)의 블록이 생성되고, 스피커 출력음과 \\(N^{\\prime}\\)소음의 중첩음을 마이크로폰 1으로 수집하여 \\(E(k:k+N-1)\\)의 에러신호 블록을 생성한다.", "스피커 출력음과 \\(N^{\\prime}\\) 소음의 중첩음이 실제로 청취되는 최종출력음이며, 스피커 출력음에는 원래 청취하려던 원음과\\(Y(k: k+N-1)\\)가 중첩되어 있으며, 최소평균자승법에 의해 \\(Y(k: k+N-1)\\)는 \\(N^{\\prime}\\)\\((k: k+N-1)\\)과 상호 상쇄되어 최종 청취음은 원음, \\(V\\)에 근사화된다.", "Fig.", "4는 Shynk가 제안한 주파수 영역 적응 필터(Frequency DomainAdaptive Filtering, FDAF)의 Overlap-Save(중첩-저장) 알고리즘을 외부 소음 제거용 스마트 헤드셋의 용도에 맞춰 수정하였으며, \\( \\boldsymbol{\\mu} \\) 수렴상수가 블록 시간 단위로 업데이트되도록 하였다.", "FFT(Fast Fourier Transformation)는 고속 프리에변환을 iFFT(inverse Fast Fourier Transformation)는 고속프리에역변환을 가리키며, iFFT 결과는 실수로, FFT 결과는 복소수로 저장되며, 연산처리 하였다.", "그러므로 X,Y,V, E는 모두 실수값이며, 주파수 영역에서의 곱셈은 시간 영역에서의 컨볼류션을 반영한다.", "본 연구에서는 \\(L = 20, N = 64\\)를 사용하였다." ]	{ "doc_category": { "KDC": "530.2405", "DDC": "620.2" }, "doc_title": { "kor": "주파수 대역에서의 피드백 제거 알고리즘의 보청기 응용", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1e88a977-7034-40d1-aeb3-fe53fe6dcee6", "doc_number": { "ISSN": "1225-4428", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2016", "doc_author": [ "장순석" ], "doc_publisher": "한국음향학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
415	<h1>I. 서 론</h1><p>프레임율 증가 변환 방법 (frame rate up conversion)은 동영상에서 프레임들 사이에 추가적인 프레임을 삽입하여 기즌 동영상보다 높은 프레임율을 갖도록 하는 기술이다. 이러한 프레임율 증가 변환 방법은 주로 다른 프레임율을 갖는 디스플레이 포맷 간 변환을 위해 쓰이거나, 비디오 부호화에서 시간적 중복성을 제거함으로써 비디오의 비트율을 줄이기 위해서 사용된다. 최근에 평판 TV들 중 가장 많이 사용되는 LCD (liquid crystal display) TV에서는 동영상 재생시 모션 블러 (motion blur)라는 단점이 발생하게 된다. 이를 해결하기 위한 방법으로 스캐닝 백라이트 방법이나 블랙 데이터 삽입 방법 등이 존재하는데 이들 방법은 영상의 휘도를 감소시킨다. 이에 반해 프레임율 증가 변환 방법은 휘도 저하 없이 모션 블러를 해결할 수 있다. 구체적으로 프레임율 증가 변환 방법을 통해서 기존의 LCD TV 프레임율인 \( 60 \mathrm{~Hz} \)를 \( 120 \mathrm{~Hz} \) 또는 240\( \mathrm{Hz} \)로 증가시킨다. 이를 통해서 같은 시간 동안 더 많은 영상을 보여줌으로써 모션 블러를 해결한다.</p><p>이러한 프레임율 증가 변환 방법은 크게 움직임 추정 방법 (motion estimation)과 움직임 보상 보간 방법(motion compensated interpolation)으로 이루어진다. 움직임 추정 방법은 연속적인 프레임들 사이에서 물체의 움직임 정도를 계산하여 움직임의 변화에 해당되는 움직임 벡터 (motion vector)를 얻는 과정이고, 움직임 보상 보간 방법은 움직임 추정 방법을 통해서 얻은 움직임 벡터를 가지고 기존의 프레임들 사이에 보간을 위한 새로운 프레임을 만든다.</p><p>움직임 추정 방법에는 여러 가지 방법들이 존재하지만 실제 구현의 편리성 때문에 블록 매칭 방법(block matching algorithm)이 일반적으로 많이 사용된다 . 하지만 이 방법의 경우 보간 프레임 생성 시에 중첩된 영역이나 홀과 같은 문제점을 갖게 된다. 이러한 문제를 해결하기 위해서 여러 방법이 제안되었지만 이들 방법들은 높은 계산량을 필요로 한다. 이러한 계산량 증가 없이 중첩된 영역 및 홀의 발생을 근본적으로 해결한 방법으로 양방향 움직임 추정 방법 (bidirectional motion estimation)이 제안되었다. 이 방법의 경우 보간 프레임의 블록을 축으로 하여 이 전 프레임의 블록과 현재 프레임의 블록간의 대칭성을 이용하여 움직임 벡터를 직접 추정한다. 따라서 기존의 블록 매칭 방법에서 발생한 중첩된 영역 및 홀에 대한 문제의 해결이 가능하다.</p><p>하지만 움직임 벡터를 추정할 때 물체의 움직임에 의해서가 아닌 한 프레임 내에서의 유사한 특성을 갖는 정지된 물체들이 보간 프레임을 기준으로 시간적으로 대칭성을 가질 경우 양방향 움직임 추정 방법은 정지된 물체가 움직임을 갖는 것으로 잘못된 움직임 벡터를 추정하게 된다. 본 논문에서는 이러한 문제를 해결하기 위하여 삼중 프레임 기반 양방향 움직임 추정 방법을 제안한다. 이 방법은 기존의 양방향 추정 방법과 달리 움직임 벡터 추정을 위해서 \( \mathrm{n}-1 \) 번째 프레임 (이전 프레임)과 \( \mathrm{n} \) 번째 프레임 (현재 프레임)의 블록들을 사용할 뿐만 아니라 \( \mathrm{n}-2 \) 번째 프레임의 블록 또한 사용한다. 제안한 방법은 이렇게 한 개의 프레임에 대한 정보를 추가하여 기존의 방법보다 추정의 정확도를 크게 향상시켰다.</p><p>앞에서 언급한 바와 같이 움직임 추정 방법을 통해서 움직임 벡터를 추정했을 때 해당 벡터들 중에 잘못 추정된 경우도 발생하게 된다. 이러한 잘못 추정된 움직임 벡터는 움직임 보상 보간 방법을 통해서 생성된 보간 프레임에서 블록화 현상을 발생시킨다. 따라서 이를 해결하기 위해서 움직임 벡터 평탄화 방법이 필요하게 된다. 제안한 프레임율 증가 변환 방법에서는 이를 위해서 시공간 특성을 고려한 움직임 벡터 평탄화 방법을 제안한다. 이 방법은 공간적으로 인접한 움직임 벡터들 뿐만 아니라 시간적으로 동일한 위치에서의 움직임 벡터들을 또한 고려하여 적응적으로 평탄화 과정을 수행한다.</p><p>본 논문의 구성은 다음과 같다. II장에서는 제안한 프레임율 증가 변환 방법에 대해서 설명할 것이며, III 장에서는 실험 결과에 대해서 살펴보도록 하겠다. 마지 막으로 IV장에서는 결론을 도출하였다.</p> <h1>IV. 결 론</h1><p>본 논문에서는 기존의 프레임율 증가 변환 방법의 성능을 향상시키기 위한 새로운 방법들을 제안하였다. 첫 번째로 기존의 양방향 움직임 추정 방법보다 한 프레임 정보를 더 고려한 삼중 프레임 기반의 양방향 움직임 추정 방법을 사용하였다. 이를 통해서 기존의 양방향 추정 방법에서 발생한 잘못된 움직임 추정을 해결할 수 있었다. 두 번째로 시공간 특성을 고려한 움직임 벡터 평탄화 방법을 사용하여 아웃라이어를 제거하여 블록화 현상을 크게 줄일 수 있었다. 실험 결과 주관적 평가에서 제안한 방법은 기존의 방법보다 화질 측면에서 상당한 향상이 있음을 확인할 수 있었다. 또한 객관적 평가에서도 제안한 프레임율 증가 변환 방법은 기존의 방법들에 비해 평균 PSNR에 있어서 최대 \( 4.337 \mathrm{~dB} \)만큼 높은 것을 확인할 수 있었고, 평균 SSIM에 있어서 최대 0.089 만큼 높은 것을 확인할 수 있었다.</p> <h1>II. 제안한 전체 프레임율 증가 변환 방법</h1><p>제안한 프레임율 증가 변환 방법의 블록 다이어그램은 그림 1 과 같이 구성된다. 우선 RGB 신호로 이루어진 입력 프레임 이미지를 YCbCr 신호로 색 공간 변환을 시킨다. 이 중 휘도 정보를 갖는 \( \mathrm{Y} \)신호만이 움직임 추정 블록으로 입력된다. 이렇게 입력된 신호는 제안한 삼중 프레임 기반의 양방향 움직임 추정 방법을 사용하여 움직임 벡터를 출력하게 된다. 해당 움직임 벡터들은 시공간 특성을 고려한 움직임 벡터 평탄화 방법을 통해 잘못 추정된 움직임 벡터를 교정하게 된다. 이렇게 교정된 최종 움직임 벡터를 가지고 중첩 블록 기반의 움직임 보상 방법 (overlapped block motion compensation)을 통해 최종 보간 프레임을 생성하게 된다.</p><h2>1. 삼중 프레임 양방향 움직임 추정 방법</h2><p>기존의 양방향 움직임 추정 방법의 경우 보간 프레임의 블록을 기준으로 하여 이전 프레임과 현재 프레임의 블록 간에 대칭성을 이용해서 움직임 벡터를 찾게 된다. 구체적으로 이전 프레임의 블록과 현재 프레임의 블록 간 정합도의 비교를 위해서 아래와 같은 양 방향 절대 차의 합 (sum of bidirectional absolute difference)을 사용하게 된다.</p><p>\( S B A D(d x, d y)= \)</p><p>\( \sum_{x \in B_{x}} \sum_{y \in B_{y}}\left\|f_{n-1}(x-d x, y-d y)-f_{n}(x+d x, y+d y)\right\| \)<caption>(1)</caption></p><p>여기서 \( f_{n-1} \)과 \( f_{n} \)은 각각 이전 프레임과 현재 프레임을 나타내며, \( B_{x} \)와 \( B_{y} \)는 각각 블록의 \( \mathrm{x} \) 축 위치와 \( \mathrm{y} \) 축 위치를 나타낸다. \( (d x, d y) \)는 움직임 벡터의 후보를 나타낸다. 이렇게 수식 (1)을 통해서 탐색 영역 (search window)내의 모든 후보 블록들에 대한 양 방향 절대 차의 합을 계산한 후에 가장 작은 값을 갖는 위치를 최종 움직임 벡터로 정하게 된다. 하지만 기존의 양방향 움직임 추정 방법은 보간 프레임의 블록을 기준으로 단순히 대칭성만을 이용하여 움직임 벡터를 추정하게 된다. 따라서 한 프레임 내의 동일한 특성을 갖는 물체가 시간 축으로 대칭성을 갖는 경우 잘못된 움직임 벡터를 추정하게 된다.</p><p>제안한 방법은 이러한 문제를 해결하기 위해서 그림 2에서와 같이 \( \mathrm{n}-1 \)번째 프레임과 \( \mathrm{n} \)번째 프레임뿐만 아니라 \( \mathrm{n}-2 \)번째 프레임을 추가적으로 고려하여 움직임벡터 추정의 정확도를 향상시켰다. 구체적으로 그림 3에서와 같이 \( \mathrm{n}-1 \)번째 프레임과 \( \mathrm{n} \)번째 프레임에서 물 체의 움직임 궤적을 \( \mathrm{n}-2 \)번째 프레임으로 확장시킬 경우 만일 물체가 실제로 움직임을 갖는다면 \( \mathrm{n}-2 \)번째 프 레임에서도 해당 물체가 같은 궤적 내에 존재할 것이다. 하지만 물체가 움직임을 갖지 않는다면 그림 3의 (b)에서와 같이 해당 궤적 내에 물체가 존재하지 않을 것이다. 제안한 방법에서는 또한 움직임 추정의 정확도 향상을 위해서 그림 2에서와 같이 기존 블록보다 큰 크기를 갖는 중첩 블록을 사용하여 블록 간 정합도를 계산한다. 제안한 방법은 이러한 특성들을 이용하여 수식 (2)와 같이 확장된 양방향 절대 차의 합 (sum of extended bidirectional absolute difference)을 사용하여 움직임 벡터를 계산하게 된다.</p><p>\( \operatorname{SEBAD}(d x, d y)=\sum_{x \in O B_{y} y \in O_{y}}\left[\lambda P_{1}+(1-\lambda) P_{2}\right] \)</p><p>\( P_{1}=\left\|f_{n-2}(x-3 d x, y-3 d y)-f_{n-1}(x-d x, y-d y)\right\| \) \( P_{2}=\left\|f_{n-1}(x-d x, y-d y)-f_{n}(x+d x, y+d y)\right\| \)<caption>(2)</caption></p><p>여기서 \( f_{n-2} \)는 \( \mathrm{n}-2 \)번째 프레임을 나타내며, \( O B_{x} \)와 \( O B_{y} \)는 각각 중첩 블록의 \( \mathrm{x} \)축 위치와 \( \mathrm{y} \)축 위치를 나타낸다. \( \lambda \)는 \( P_{1} \)과 \( P_{2} \)의 정합도에 대한 가중치를 나타낸다. \( \lambda \)는 실험을 통해서 가장 높은 성능을 보여준 값인 0.3으로 설정하였다. 제안한 방법에서는 이렇게 수식 (2)를 가지고 탐색 영역에서 모든 후보 블록들의 확장된 양 방향 절대 차의 합을 계산하여 최소값을 갖는 위치를 최종 움직임 벡터로 정하게 된다.</p><h2>2. 시공간 특성을 고려한 움직임 벡터 평탄화 방법</h2><p>앞에서 추정한 움직임 벡터는 대부분의 경우 정확하지만 잘못 추정된 벡터가 존재할 수 있다. 이러한 벡터를 아웃라이어 (outlier)라 하며 이를 제거하는 방법으로 움직임 벡터 평탄화 방법이 사용된다. 제안한 방법은 이를 위해서 그림 4 에서와 같이 공간적으로 인접한 움직임 벡터와 시간적으로 동일한 위치에 있는 이전 움직임 벡터를 고려하여 교정된 움직임 벡터를 구한다. 구체적으로 제안한 방법은 먼저 현재의 움직임 벡터가 정확한지를 계산한다. 이를 위해서 수식 (3)과 같은 산을 수행하게 된다.</p><p>\( M=\frac{1}{10} \sum_{i=1}^{10} v_{i} \)</p><p>\( D_{c m v}=\left\|M-v_{1}\right\| \)</p><p>\( D_{n m v}=\frac{1}{9} \sum_{i=2}^{10}\left\|M-v_{i}\right\| \)<caption>(3)</caption></p><p>여기서 \( M \)은 현재 움직임 벡터와 시공간적으로 인접한 움직임 벡터들에 대한 평균값을 나타낸다. \( D_{a n v} \)는 앞에서 계산한 평균값과 현재의 움직임 벡터에 대한 절대 차이를 나타내며, \( D_{n m v} \)는 평균값과 인접한 움직임 벡터와의 절대 차들에 대한 합의 평균을 나타낸다. 이 수식을 통해서 만일 \( D_{c m v} \)가 \( D_{n m v} \)보다 작다면 현재의 움직임 벡터를 유지한다. 하지만 그렇지 않은 경우는 현재의 움직임 벡터가 아웃라이어라고 판단한 후 현재의 움직임 벡터와 인접한 움직임 벡터들의 중간값 (median value)을 교정된 움직임 벡터로 선택한다.</p> <h1>III. 실험 결과</h1><p>제안한 프레임율 증가 변환 방법을 평가하기 위해 주관적 평가 및 객관적 평가 두 가지 방법을 사용하였다. 두 가지 평가 방법 모두를 가지고 제안한 움직임 추정 방법과 전체 프레임율 증가 변환 방법을 각각 기존의 방법들과 비교하였다. 주관적 평가에서는 제안한 방법과 기촌의 방법들로 각각 생성한 보간 프레임 이미지들을 제시하여 이들에 대한 화질을 비교 분석하였다. 객관적 평가에서는 영상 처리 분야에서 일반적으로 많이 사용되는 PSNR (peak signal to noise ratio)와 인간 의 시각 특성을 더욱 반영한 SSIM (structural similarity)을 사용하여 비교 분석하였다. 실험에서 사용된 모든 움직임 추정 방법의 블록 크기는 \( 8 \times 8 \)픽셀이고 탐색 영역 상수로는 16픽셀을 사용하였다. 테스트 영상으로는 일반적으로 사용되는 Foreman, Stefan, Mobile, Mother and Daughter이며 각 영상의 크기는 \( 352 \times 288 \)을 갖는다.</p><h2>1. 주관적 평가</h2><p>주관적 평가에서는 전체 프레임율 증가 변환 방법에서 가장 중요한 블록인 움직임 추정 방법의 성능을 평가하였다. 이를 위해서 제안한 삼중 프레임 기반의 양 방향 움직임 추정 방법과 기존의 양방향 움직임 추정 방법을 비교하였다. 그림 5 와 6 에서 왼쪽 이미지는 각각 Foreman 영상과 Mother and Daughter 영상에 대한 보간 프레임 이미지를 보여주며, 오른쪽 이미지는 각 블록들에 대한 움직임 벡터들의 집합인 움직임 벡터 필드 (motion vector field)를 나타낸다. 우선 그림 5 (a)에서 기존의 양방향 움직임 추정 방법의 경우 피부나 배경 이미지들에서 유사한 특성을 갖기 때문에 보간 프레임을 기준으로 시간적으로 대칭성을 가지게 된다. 이러한 이유 때문에 잘못된 움직임 벡터를 추정하게 된다. 하지만 제안한 방법은 그림 5 (b)에서 볼 수 있듯이 추가적인 프레임의 블록 및 중첩 블록 정보를 통해서 움직임 벡터 추정의 정확도를 향상시켰다. 따라서 제안한 방법은 기존의 방법에서 보간 프레임 생성 시 발생한 블록화 현상을 크게 줄일 수 있었다.</p><p>다음으로 그림 6 (a)에서는 Mother and Daughter 영상에 대한 기존 방법의 결과를 보여준다. 그림에서 볼 수 있듯이 기존의 방법은 유사한 특성을 갖는 이미지에서 잘못된 움직임 벡터 추정을 한다. 하지만 제안한 방법은 그림 6 (b)에서 볼 수 있듯이 움직임 벡터 추정의 정확도를 높여 블록화 현상을 크게 줄였다.</p><h2>2. 객관적 평가</h2><p>객관적 평가에서는 크게 두 가지 실험을 하였다. 첫 번째로 제안한 삼중 프레임 기반의 양방향 움직임과 기존의 양방향 움직임 추정 방법을 비교하였다. 두 번째로 제안한 프레임율 증가 변환 방법과 기존의 방법들간의 성능을 비교하였다. 기존의 방법으로 MWCI(modified weighted correlation index) 방법과 MS (microsoft research asia) 방법을 비교 방법으로 사용하였다. 실험을 위해 각 테스트 영상의 연속적인 프레임들을 선택한 후 홀수 프레임들은 제거하고 짝수 프레임들로부터 새로운 홀수 프레임들을 만들었다. 그리고 난 후 기존의 홀수 프레임들과 새롭게 생성한 홀수 프 레임들 사이에 PSNR과 SSIM을 계산하였다. 첫 번째로 움직임 추정에 대한 제안한 방법과 기존 방법의 비교 결과 그림 7에서와 같이 제안한 방법이 모 든 테스트 영상에서 전반적으로 PSNR이 높은 것을 확 인 할 수 있었다. 구체적으로 제안한 삼중 프레임 기반 의 양방향 움직임 추정 방법은 기존 방법 대비 테스트 영상에 대해 평균 PSNR이 최대 \( 2.126 \mathrm{~dB} \)만큼 큰 것을 확인할 수 있었다.</p><p>두 번째로 프레임율 증가 변환 방법에 대해 제안한 방법과 기존의 방법의 성능 비교 결과를 알아보았다. 먼저 그림 8에서와 같이 제안한 방법의 경우 기존의 MWCI 방법과 MS 방법에 비해 화질이 전반적으로 높은 것을 확인할 수 있었다. 구체적으로 표 1 에서 알 수 있듯이 제안한 프레임율 증가 변환 방법이 MWCI 방법 대비 평균 PSNR이 최대 \( 4.337 \mathrm{~dB} \)만큼 높은 것을 확인 할 수 있었고, MS 방법 대비 최대 \( 1.255 \mathrm{~dB} \)만큼 높은 것을 확인할 수 있었다. 인간의 시각적 특성을 고려한 SSIM의 비교 결과 표 2 에서와 같이 제안한 방법은 MWCI 방법 대비 0.089만큼 높은 것을 확인할 수 있었으며, MS 방법 대비 0.03만큼 높은 것을 확인할 수 있었다. 다음으로 계산 시간에 대한 비교 실험을 수행하였다. 1개의 보간 프레임을 생성하는데 소요되는 평균 계산 시간에 대한 비교 결과 제안한 방법은 MWCI 방법 대비 10.297초, MS 방법 대비 0.626초를 감소시킬 수 있었다.</p><p>제안한 방법의 경우 \( \mathrm{n}-2 \) 번째 프레임, \( \mathrm{n}-1 \) 번째 프레임, \( \mathrm{n} \) 번째 프레임 총 3개의 프레임을 사용하였다. 만일 \( \mathrm{n}+1 \) 번째 프레임을 추가할 경우 표 1과 2에서 볼 수 있듯이 화질 향상은 거의 없는 것을 알 수 있다. 하지만 평균 계산 시간의 경우 표 3에서 볼 수 있듯이 0.763초만큼 증가하는 것을 알 수 있다. 따라서 3개의 프레임 사용으로 충분한 성능을 나타낼 수 있음을 확인할 수 있었다.</p> <h1>요약</h1><p>본 논문에서는 효과적인 프레임율 증가 변환을 위한 새로운 방법을 제안하였다. 첫 번째로 제안한 삼중 프래임 기반의 양방향 움직임 추정 방법은 기존의 양방향 움직임 추정 방법에서 발생한 문제점인 유사한 특성을 갖는 이미지에서의 잘못된 움직임 추정을 해결하여 보간 프레임 생성 시 발생한 블록화 현상을 크게 줄일 수 있었다. 두 번째로 제안한 움직임 벡터 평탄화 방법은 시공간적으로 인접한 움직임 벡터들을 고려하여 블록화 현상의 원인이 되는 아웃라이어를 제거할 수 있었다. 실험 결과 제안한 프레임율 증가 변환 방법은 기존의 방법들과 비교했을 때 평균 PSNR이 최대 \( 4.337 \mathrm{~dB} \)만큼 높은 것을 확인할 수 있었고, 평균 SSIM은 최대 0.089만큼 높은 겻을 확인할 수 있었다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>I.", "서 론</h1><p>프레임율 증가 변환 방법 (frame rate up conversion)은 동영상에서 프레임들 사이에 추가적인 프레임을 삽입하여 기즌 동영상보다 높은 프레임율을 갖도록 하는 기술이다.", "이러한 프레임율 증가 변환 방법은 주로 다른 프레임율을 갖는 디스플레이 포맷 간 변환을 위해 쓰이거나, 비디오 부호화에서 시간적 중복성을 제거함으로써 비디오의 비트율을 줄이기 위해서 사용된다.", "최근에 평판 TV들 중 가장 많이 사용되는 LCD (liquid crystal display) TV에서는 동영상 재생시 모션 블러 (motion blur)라는 단점이 발생하게 된다.", "이를 해결하기 위한 방법으로 스캐닝 백라이트 방법이나 블랙 데이터 삽입 방법 등이 존재하는데 이들 방법은 영상의 휘도를 감소시킨다.", "이에 반해 프레임율 증가 변환 방법은 휘도 저하 없이 모션 블러를 해결할 수 있다.", "구체적으로 프레임율 증가 변환 방법을 통해서 기존의 LCD TV 프레임율인 \\( 60 \\mathrm{~Hz} \\)를 \\( 120 \\mathrm{~Hz} \\) 또는 240\\( \\mathrm{Hz} \\)로 증가시킨다.", "이를 통해서 같은 시간 동안 더 많은 영상을 보여줌으로써 모션 블러를 해결한다.", "</p><p>이러한 프레임율 증가 변환 방법은 크게 움직임", "추정 방법 (motion estimation)과 움직임 보상 보간 방법(motion compensated interpolation)으로 이루어진다.", "움직임", "추정 방법은 연속적인 프레임들 사이에서 물체의 움직임 정도를 계산하여 움직임의 변화에 해당되는 움직임 벡터 (motion vector)를 얻는 과정이고, 움직임 보상 보간 방법은 움직임", "추정 방법을 통해서 얻은 움직임 벡터를 가지고 기존의 프레임들 사이에 보간을 위한 새로운 프레임을 만든다.", "</p><p>움직임 추정 방법에는 여러 가지 방법들이 존재하지만 실제 구현의 편리성 때문에 블록 매칭 방법(block matching algorithm)이 일반적으로 많이 사용된다 .", "하지만 이 방법의 경우 보간 프레임 생성 시에 중첩된 영역이나 홀과 같은 문제점을 갖게 된다.", "이러한 문제를 해결하기 위해서 여러 방법이 제안되었지만 이들 방법들은 높은 계산량을 필요로 한다.", "이러한 계산량 증가 없이 중첩된 영역 및 홀의 발생을 근본적으로 해결한 방법으로 양방향 움직임", "추정 방법 (bidirectional motion estimation)이 제안되었다.", "이 방법의 경우 보간 프레임의 블록을 축으로 하여 이 전 프레임의 블록과 현재 프레임의 블록간의 대칭성을 이용하여 움직임", "벡터를 직접 추정한다.", "따라서 기존의 블록 매칭 방법에서 발생한 중첩된 영역 및 홀에 대한 문제의 해결이 가능하다.", "</p><p>하지만 움직임", "벡터를 추정할 때 물체의 움직임에 의해서가 아닌 한 프레임 내에서의 유사한 특성을 갖는 정지된 물체들이 보간 프레임을 기준으로 시간적으로 대칭성을 가질 경우 양방향 움직임", "추정 방법은 정지된 물체가 움직임을 갖는 것으로 잘못된 움직임 벡터를 추정하게 된다.", "본 논문에서는 이러한 문제를 해결하기 위하여 삼중 프레임 기반 양방향 움직임", "추정 방법을 제안한다.", "이 방법은 기존의 양방향 추정 방법과 달리 움직임", "벡터 추정을 위해서 \\( \\mathrm{n}-1 \\) 번째 프레임 (이전 프레임)과 \\( \\mathrm{n} \\) 번째 프레임 (현재 프레임)의 블록들을 사용할 뿐만 아니라 \\( \\mathrm{n}-2 \\) 번째 프레임의 블록 또한 사용한다.", "제안한 방법은 이렇게 한 개의 프레임에 대한 정보를 추가하여 기존의 방법보다 추정의 정확도를 크게 향상시켰다.", "</p><p>앞에서 언급한 바와 같이 움직임", "추정 방법을 통해서 움직임", "벡터를 추정했을 때 해당 벡터들 중에 잘못 추정된 경우도 발생하게 된다.", "이러한 잘못 추정된 움직임 벡터는 움직임 보상 보간 방법을 통해서 생성된 보간 프레임에서 블록화 현상을 발생시킨다.", "따라서 이를 해결하기 위해서 움직임", "벡터 평탄화 방법이 필요하게 된다.", "제안한 프레임율 증가 변환 방법에서는 이를 위해서 시공간 특성을 고려한 움직임 벡터 평탄화 방법을 제안한다.", "이 방법은 공간적으로 인접한 움직임 벡터들 뿐만 아니라 시간적으로 동일한 위치에서의 움직임 벡터들을 또한 고려하여 적응적으로 평탄화 과정을 수행한다.", "</p><p>본 논문의 구성은 다음과 같다.", "II장에서는 제안한 프레임율 증가 변환 방법에 대해서 설명할 것이며, III 장에서는 실험 결과에 대해서 살펴보도록 하겠다.", "마지 막으로 IV장에서는 결론을 도출하였다.", "</p> <h1>IV.", "결 론</h1><p>본 논문에서는 기존의 프레임율 증가 변환 방법의 성능을 향상시키기 위한 새로운 방법들을 제안하였다.", "첫 번째로 기존의 양방향 움직임", "추정 방법보다 한 프레임 정보를 더 고려한 삼중 프레임 기반의 양방향 움직임", "추정 방법을 사용하였다.", "이를 통해서 기존의 양방향 추정 방법에서 발생한 잘못된 움직임 추정을 해결할 수 있었다.", "두 번째로 시공간 특성을 고려한 움직임 벡터 평탄화 방법을 사용하여 아웃라이어를 제거하여 블록화 현상을 크게 줄일 수 있었다.", "실험 결과 주관적 평가에서 제안한 방법은 기존의 방법보다 화질 측면에서 상당한 향상이 있음을 확인할 수 있었다.", "또한 객관적 평가에서도 제안한 프레임율 증가 변환 방법은 기존의 방법들에 비해 평균 PSNR에 있어서 최대 \\( 4.337 \\mathrm{~dB} \\)만큼 높은 것을 확인할 수 있었고, 평균 SSIM에 있어서 최대 0.089 만큼 높은 것을 확인할 수 있었다.", "</p> <h1>II.", "제안한 전체 프레임율 증가 변환 방법</h1><p>제안한 프레임율 증가 변환 방법의 블록 다이어그램은 그림 1 과 같이 구성된다.", "우선 RGB 신호로 이루어진 입력 프레임 이미지를 YCbCr 신호로 색 공간 변환을 시킨다.", "이 중 휘도 정보를 갖는 \\( \\mathrm{Y} \\)신호만이 움직임", "추정 블록으로 입력된다.", "이렇게 입력된 신호는 제안한 삼중 프레임 기반의 양방향 움직임", "추정 방법을 사용하여 움직임", "벡터를 출력하게 된다.", "해당 움직임 벡터들은 시공간 특성을 고려한 움직임 벡터 평탄화 방법을 통해 잘못 추정된 움직임 벡터를 교정하게 된다.", "이렇게 교정된 최종 움직임 벡터를 가지고 중첩 블록 기반의 움직임 보상 방법 (overlapped block motion compensation)을 통해 최종 보간 프레임을 생성하게 된다.", "</p><h2>1. 삼중 프레임 양방향 움직임", "추정 방법</h2><p>기존의 양방향 움직임", "추정 방법의 경우 보간 프레임의 블록을 기준으로 하여 이전 프레임과 현재 프레임의 블록 간에 대칭성을 이용해서 움직임", "벡터를 찾게 된다.", "구체적으로 이전 프레임의 블록과 현재 프레임의 블록 간 정합도의 비교를 위해서 아래와 같은 양 방향 절대 차의 합 (sum of bidirectional absolute difference)을 사용하게 된다.", "</p><p>\\( S B A D(d x, d y)= \\)</p><p>\\( \\sum_{x \\in B_{x}} \\sum_{y \\in B_{y}}\\left\|f_{n-1}(x-d x, y-d y)-f_{n}(x+d x, y+d y)\\right\| \\)<caption>(1)</caption></p><p>여기서 \\( f_{n-1} \\)과 \\( f_{n} \\)은 각각 이전 프레임과 현재 프레임을 나타내며, \\( B_{x} \\)와 \\( B_{y} \\)는 각각 블록의 \\( \\mathrm{x} \\) 축 위치와 \\( \\mathrm{y} \\) 축 위치를 나타낸다. \\", "( (d x, d y) \\)는 움직임 벡터의 후보를 나타낸다.", "이렇게 수식 (1)을 통해서 탐색 영역 (search window)내의 모든 후보 블록들에 대한 양 방향 절대 차의 합을 계산한 후에 가장 작은 값을 갖는 위치를 최종 움직임 벡터로 정하게 된다.", "하지만 기존의 양방향 움직임", "추정 방법은 보간 프레임의 블록을 기준으로 단순히 대칭성만을 이용하여 움직임", "벡터를 추정하게 된다.", "따라서 한 프레임 내의 동일한 특성을 갖는 물체가 시간 축으로 대칭성을 갖는 경우 잘못된 움직임 벡터를 추정하게 된다.", "</p><p>제안한 방법은 이러한 문제를 해결하기 위해서 그림 2에서와 같이 \\( \\mathrm{n}-1 \\)번째 프레임과 \\( \\mathrm{n} \\)번째 프레임뿐만 아니라 \\( \\mathrm{n}-2 \\)번째 프레임을 추가적으로 고려하여 움직임벡터 추정의 정확도를 향상시켰다.", "구체적으로 그림 3에서와 같이 \\( \\mathrm{n}-1 \\)번째 프레임과 \\( \\mathrm{n} \\)번째 프레임에서 물 체의 움직임 궤적을 \\( \\mathrm{n}-2 \\)번째 프레임으로 확장시킬 경우 만일 물체가 실제로 움직임을 갖는다면 \\( \\mathrm{n}-2 \\)번째 프 레임에서도 해당 물체가 같은 궤적 내에 존재할 것이다.", "하지만 물체가 움직임을 갖지 않는다면 그림 3의 (b)에서와 같이 해당 궤적 내에 물체가 존재하지 않을 것이다.", "제안한 방법에서는 또한 움직임", "추정의 정확도 향상을 위해서 그림 2에서와 같이 기존 블록보다 큰 크기를 갖는 중첩 블록을 사용하여 블록 간 정합도를 계산한다.", "제안한 방법은 이러한 특성들을 이용하여 수식 (2)와 같이 확장된 양방향 절대 차의 합 (sum of extended bidirectional absolute difference)을 사용하여 움직임", "벡터를 계산하게 된다.", "</p><p>\\( \\operatorname{SEBAD}(d x, d y)=\\sum_{x \\in O B_{y} y \\in O_{y}}\\left[\\lambda P_{1}+(1-\\lambda) P_{2}\\right] \\)</p><p>\\( P_{1}=\\left\|f_{n-2}(x-3 d x, y-3 d y)-f_{n-1}(x-d x, y-d y)\\right\| \\) \\( P_{2}=\\left\|f_{n-1}(x-d x, y-d y)-f_{n}(x+d x, y+d y)\\right\| \\)<caption>(2)</caption></p><p>여기서 \\( f_{n-2} \\)는 \\( \\mathrm{n}-2 \\)번째 프레임을 나타내며, \\( O B_{x} \\)와 \\( O B_{y} \\)는 각각 중첩 블록의 \\( \\mathrm{x} \\)축 위치와 \\( \\mathrm{y} \\)축 위치를 나타낸다. \\", "( \\lambda \\)는 \\( P_{1} \\)과 \\( P_{2} \\)의 정합도에 대한 가중치를 나타낸다. \\", "( \\lambda \\)는 실험을 통해서 가장 높은 성능을 보여준 값인 0.3으로 설정하였다.", "제안한 방법에서는 이렇게 수식 (2)를 가지고 탐색 영역에서 모든 후보 블록들의 확장된 양 방향 절대 차의 합을 계산하여 최소값을 갖는 위치를 최종 움직임 벡터로 정하게 된다.", "</p><h2>2. 시공간 특성을 고려한 움직임 벡터 평탄화 방법</h2><p>앞에서 추정한 움직임 벡터는 대부분의 경우 정확하지만 잘못 추정된 벡터가 존재할 수 있다.", "이러한 벡터를 아웃라이어 (outlier)라 하며 이를 제거하는 방법으로 움직임", "벡터 평탄화 방법이 사용된다.", "제안한 방법은 이를 위해서 그림 4 에서와 같이 공간적으로 인접한 움직임 벡터와 시간적으로 동일한 위치에 있는 이전 움직임 벡터를 고려하여 교정된 움직임 벡터를 구한다.", "구체적으로 제안한 방법은 먼저 현재의 움직임 벡터가 정확한지를 계산한다.", "이를 위해서 수식 (3)과 같은 산을 수행하게 된다.", "</p><p>\\( M=\\frac{1}{10} \\sum_{i=1}^{10} v_{i} \\)</p><p>\\( D_{c m v}=\\left\|M-v_{1}\\right\| \\)</p><p>\\( D_{n m v}=\\frac{1}{9} \\sum_{i=2}^{10}\\left\|M-v_{i}\\right\| \\)<caption>(3)</caption></p><p>여기서 \\( M \\)은 현재 움직임", "벡터와 시공간적으로 인접한 움직임 벡터들에 대한 평균값을 나타낸다. \\", "( D_{a n v} \\)는 앞에서 계산한 평균값과 현재의 움직임 벡터에 대한 절대 차이를 나타내며, \\( D_{n m v} \\)는 평균값과 인접한 움직임 벡터와의 절대 차들에 대한 합의 평균을 나타낸다.", "이 수식을 통해서 만일 \\( D_{c m v} \\)가 \\( D_{n m v} \\)보다 작다면 현재의 움직임 벡터를 유지한다.", "하지만 그렇지 않은 경우는 현재의 움직임 벡터가 아웃라이어라고 판단한 후 현재의 움직임 벡터와 인접한 움직임 벡터들의 중간값 (median value)을 교정된 움직임 벡터로 선택한다.", "</p> <h1>III.", "실험 결과</h1><p>제안한 프레임율 증가 변환 방법을 평가하기 위해 주관적 평가 및 객관적 평가 두 가지 방법을 사용하였다.", "두 가지 평가 방법 모두를 가지고 제안한 움직임 추정 방법과 전체 프레임율 증가 변환 방법을 각각 기존의 방법들과 비교하였다.", "주관적 평가에서는 제안한 방법과 기촌의 방법들로 각각 생성한 보간 프레임 이미지들을 제시하여 이들에 대한 화질을 비교 분석하였다.", "객관적 평가에서는 영상 처리 분야에서 일반적으로 많이 사용되는 PSNR (peak signal to noise ratio)와 인간 의 시각 특성을 더욱 반영한 SSIM (structural similarity)을 사용하여 비교 분석하였다.", "실험에서 사용된 모든 움직임 추정 방법의 블록 크기는 \\( 8 \\times 8 \\)픽셀이고 탐색 영역 상수로는 16픽셀을 사용하였다.", "테스트 영상으로는 일반적으로 사용되는 Foreman, Stefan, Mobile, Mother and Daughter이며 각 영상의 크기는 \\( 352 \\times 288 \\)을 갖는다.", "</p><h2>1. 주관적 평가</h2><p>주관적 평가에서는 전체 프레임율 증가 변환 방법에서 가장 중요한 블록인 움직임 추정 방법의 성능을 평가하였다.", "이를 위해서 제안한 삼중 프레임 기반의 양 방향 움직임", "추정 방법과 기존의 양방향 움직임", "추정 방법을 비교하였다.", "그림 5 와 6 에서 왼쪽 이미지는 각각 Foreman 영상과 Mother and Daughter 영상에 대한 보간 프레임 이미지를 보여주며, 오른쪽 이미지는 각 블록들에 대한 움직임 벡터들의 집합인 움직임 벡터 필드 (motion vector field)를 나타낸다.", "우선 그림 5 (a)에서 기존의 양방향 움직임", "추정 방법의 경우 피부나 배경 이미지들에서 유사한 특성을 갖기 때문에 보간 프레임을 기준으로 시간적으로 대칭성을 가지게 된다.", "이러한 이유 때문에 잘못된 움직임 벡터를 추정하게 된다.", "하지만 제안한 방법은 그림 5 (b)에서 볼 수 있듯이 추가적인 프레임의 블록 및 중첩 블록 정보를 통해서 움직임", "벡터 추정의 정확도를 향상시켰다.", "따라서 제안한 방법은 기존의 방법에서 보간 프레임 생성 시 발생한 블록화 현상을 크게 줄일 수 있었다.", "</p><p>다음으로 그림 6 (a)에서는 Mother and Daughter 영상에 대한 기존 방법의 결과를 보여준다.", "그림에서 볼 수 있듯이 기존의 방법은 유사한 특성을 갖는 이미지에서 잘못된 움직임 벡터 추정을 한다.", "하지만 제안한 방법은 그림 6 (b)에서 볼 수 있듯이 움직임", "벡터 추정의 정확도를 높여 블록화 현상을 크게 줄였다.", "</p><h2>2. 객관적 평가</h2><p>객관적 평가에서는 크게 두 가지 실험을 하였다.", "첫 번째로 제안한 삼중 프레임 기반의 양방향 움직임과 기존의 양방향 움직임", "추정 방법을 비교하였다.", "두 번째로 제안한 프레임율 증가 변환 방법과 기존의 방법들간의 성능을 비교하였다.", "기존의 방법으로 MWCI(modified weighted correlation index) 방법과 MS (microsoft research asia) 방법을 비교 방법으로 사용하였다.", "실험을 위해 각 테스트 영상의 연속적인 프레임들을 선택한 후 홀수 프레임들은 제거하고 짝수 프레임들로부터 새로운 홀수 프레임들을 만들었다.", "그리고 난 후 기존의 홀수 프레임들과 새롭게 생성한 홀수 프 레임들 사이에 PSNR과 SSIM을 계산하였다.", "첫 번째로 움직임", "추정에 대한 제안한 방법과 기존 방법의 비교 결과 그림 7에서와 같이 제안한 방법이 모 든 테스트 영상에서 전반적으로 PSNR이 높은 것을 확 인 할 수 있었다.", "구체적으로 제안한 삼중 프레임 기반 의 양방향 움직임", "추정 방법은 기존 방법 대비 테스트 영상에 대해 평균 PSNR이 최대 \\( 2.126 \\mathrm{~dB} \\)만큼 큰 것을 확인할 수 있었다.", "</p><p>두 번째로 프레임율 증가 변환 방법에 대해 제안한 방법과 기존의 방법의 성능 비교 결과를 알아보았다.", "먼저 그림 8에서와 같이 제안한 방법의 경우 기존의 MWCI 방법과 MS 방법에 비해 화질이 전반적으로 높은 것을 확인할 수 있었다.", "구체적으로 표 1 에서 알 수 있듯이 제안한 프레임율 증가 변환 방법이 MWCI 방법 대비 평균 PSNR이 최대 \\( 4.337 \\mathrm{~dB} \\)만큼 높은 것을 확인 할 수 있었고, MS 방법 대비 최대 \\( 1.255 \\mathrm{~dB} \\)만큼 높은 것을 확인할 수 있었다.", "인간의 시각적 특성을 고려한 SSIM의 비교 결과 표 2 에서와 같이 제안한 방법은 MWCI 방법 대비 0.089만큼 높은 것을 확인할 수 있었으며, MS 방법 대비 0.03만큼 높은 것을 확인할 수 있었다.", "다음으로 계산 시간에 대한 비교 실험을 수행하였다.", "1개의 보간 프레임을 생성하는데 소요되는 평균 계산 시간에 대한 비교 결과 제안한 방법은 MWCI 방법 대비 10.297초, MS 방법 대비 0.626초를 감소시킬 수 있었다.", "</p><p>제안한 방법의 경우 \\( \\mathrm{n}-2 \\) 번째 프레임, \\( \\mathrm{n}-1 \\) 번째 프레임, \\( \\mathrm{n} \\) 번째 프레임 총 3개의 프레임을 사용하였다.", "만일 \\( \\mathrm{n}+1 \\) 번째 프레임을 추가할 경우 표 1과 2에서 볼 수 있듯이 화질 향상은 거의 없는 것을 알 수 있다.", "하지만 평균 계산 시간의 경우 표 3에서 볼 수 있듯이 0.763초만큼 증가하는 것을 알 수 있다.", "따라서 3개의 프레임 사용으로 충분한 성능을 나타낼 수 있음을 확인할 수 있었다.", "</p> <h1>요약</h1><p>본 논문에서는 효과적인 프레임율 증가 변환을 위한 새로운 방법을 제안하였다.", "첫 번째로 제안한 삼중 프래임", "기반의 양방향 움직임", "추정 방법은 기존의 양방향 움직임", "추정 방법에서 발생한 문제점인 유사한 특성을 갖는 이미지에서의 잘못된 움직임 추정을 해결하여 보간 프레임 생성 시 발생한 블록화 현상을 크게 줄일 수 있었다.", "두 번째로 제안한 움직임 벡터 평탄화 방법은 시공간적으로 인접한 움직임 벡터들을 고려하여 블록화 현상의 원인이 되는 아웃라이어를 제거할 수 있었다.", "실험 결과 제안한 프레임율 증가 변환 방법은 기존의 방법들과 비교했을 때 평균 PSNR이 최대 \\( 4.337 \\mathrm{~dB} \\)만큼 높은 것을 확인할 수 있었고, 평균 SSIM은 최대 0.089만큼 높은 겻을 확인할 수 있었다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "삼중 프레임 기반의 양방향 움직임 추정을 사용한 프레임율 증가 변환 방법", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-17a002a3-7cd2-4006-9218-13e90c12e56e", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2010", "doc_author": [ "강석주", "김영환" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
416	<h1>Ⅲ. 실험 및 결과</h1><p>본 연구에서 제안한 연속 가압방식과 시작점 검출 알고리즘의 성능을 확인하기 위해 60대 남자 피험자 30명을 선별하였다. 피험자의 오른손 관 부위 맥파 신호를 연속 가압방식으로 측정하고 제안한 시작점 검출 알고리즘과 기존의 접선 교점 방법을 비교 분석 하였다. 하지만 앞서 살펴본 대로 접선 교점 방법을 그대로 연속가압방식으로 측정한 맥파 신호에 적용하기에는 제약이 있다. 그렇기 때문에 맥파 미분신호에서 피크를 찾고 각 피크 사이의 구간에서 최저점을 검출한 후 시작점을 검출하는 방법으로 접선 교점 방법을 일부 수정하였다. 이 때 각 맥파 시작점들의 시간 간격이 \(270\sim1500\mathrm{ms}\)안에 포함되지 않는 점은 삭제하였으며 이렇게 수정된 기존 알고리즘의 순서도를 그림 9에 나타내었다.</p><p>기존 알고리즘과 새롭게 제안된 알고리즘의 검출 성능을 비교하기 위해 식(1)과 식(2)와 같이 정확도(accuracy)와 민감도(sensitivity)를 계산하였다. 이는 신호의 특징점 검출에 대한 성능을 비교해 볼 수 있는 방법이며 본 논문에서는 여러 특징점 중 시작점 검출 성능에 대해 비교하였다.</p><p>정확도 : \( (1-(\mathrm{M}+\mathrm{FD}) /(\mathrm{TD}+\mathrm{FD})) \times 100 \)<caption>(1)</caption></p><p>민감도 : \( \mathrm{TD} /(\mathrm{TD}+\mathrm{FD}) \times 100 \)<caption>(2)</caption></p><p>여기서 TD(true detection)는 시작점을 정상적으로 검출한 경우, FD(false detection)는 시작점이 아님에도 검출한 경우, \( \mathrm{M}(\mathrm{missing}) \) 은 시작점을 검출하지 못한 경우를 나타낸다. TD, FD와 M의 판단은 육안 판별을 기준으로 하였다.</p><p>피험자 30명의 맥파 신호를 기존 알고리즘을 사용하여 분석한 결과를 표 1에 나타냈다. 이때 분석범위는 제안된 알고리즘의 분석 범위와 동일하게 분석 제외구간을 설정하였다. 분석 결과 시작점이 아님에도 검출한 경우가 34개, 시작점을 검출하지 못한 경우가 30개였고 정확도는 \(94.88\%\), 민감도는 \(97.13\%\)로 나타났다.</p><table border><caption>표 1. 연속 가압방식으로 측정한 맥파 신호의 특징점 검출을 위한 기존 알고리즘 성능</caption><tbody><tr><td>피험자파</td><td>rp(개)</td><td>FD(개)</td><td>M(개)</td><td>정확도(\(\%\))</td><td>민감도(\(\%\))</td></tr><tr><td>1</td><td>48</td><td>3</td><td>2</td><td>90.2</td><td>94.12</td></tr><tr><td>2</td><td>48</td><td>0</td><td>2</td><td>95.83</td><td>100</td></tr><tr><td>3</td><td>24</td><td>1</td><td>1</td><td>92</td><td>96</td></tr><tr><td>4</td><td>51</td><td>3</td><td>3</td><td>88.89</td><td>94.44</td></tr><tr><td>5</td><td>22</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>6</td><td>31</td><td>0</td><td>2</td><td>93.55</td><td>100</td></tr><tr><td>7</td><td>39</td><td>2</td><td>0</td><td>95.12</td><td>95.12</td></tr><tr><td>8</td><td>61</td><td>1</td><td>3</td><td>93.55</td><td>98.39</td></tr><tr><td>9</td><td>51</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>10</td><td>39</td><td>0</td><td>1</td><td>97.44</td><td>100</td></tr><tr><td>11</td><td>51</td><td>1</td><td>8</td><td>82.69</td><td>98.08</td></tr><tr><td>12</td><td>24</td><td>3</td><td>1</td><td>85.19</td><td>88.89</td></tr><tr><td>13</td><td>67</td><td>1</td><td>0</td><td>98.53</td><td>98.53</td></tr><tr><td>14</td><td>26</td><td>1</td><td>0</td><td>96.3</td><td>96.3</td></tr><tr><td>15</td><td>33</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>16</td><td>40</td><td>1</td><td>0</td><td>97.56</td><td>97.56</td></tr><tr><td>17</td><td>37</td><td>2</td><td>0</td><td>94.87</td><td>94.87</td></tr><tr><td>18</td><td>15</td><td>1</td><td>0</td><td>93.75</td><td>93.75</td></tr><tr><td>19</td><td>27</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>20</td><td>51</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>21</td><td>46</td><td>1</td><td>1</td><td>95.75</td><td>97.87</td></tr><tr><td>22</td><td>68</td><td>0</td><td>1</td><td>98.53</td><td>100</td></tr><tr><td>23</td><td>63</td><td>2</td><td>0</td><td>96.92</td><td>96.92</td></tr><tr><td>24</td><td>43</td><td>2</td><td>0</td><td>95.56</td><td>95.56</td></tr><tr><td>25</td><td>36</td><td>3</td><td>1</td><td>89.74</td><td>92.31</td></tr><tr><td>26</td><td>69</td><td>1</td><td>0</td><td>98.57</td><td>98.57</td></tr><tr><td>27</td><td>49</td><td>0</td><td>1</td><td>97.96</td><td>100</td></tr><tr><td>28</td><td>35</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>29</td><td>35</td><td>0</td><td>3</td><td>91.43</td><td>100</td></tr><tr><td>30</td><td>32</td><td>5</td><td>0</td><td>86.49</td><td>86.49</td></tr><tr><td>합계</td><td>1261</td><td>34</td><td>30</td><td colspan=2></td></tr><tr><td>평균</td><td colspan=3></td><td>94.88</td><td>97.13</td></tr></tbody></table><p>다음으로 본 논문에서 제안한 알고리즘을 사용하여 분석한 결과를 표 2에 나타냈다. 시작점이 아님에도 검출한 경우는 6개, 시작점을 검출하지 못한 경우는 1개로 나타났는데 이는 기존 알고리즘에 비해 각각 \(82.35\%\)와 \(96.67\%\) 향상된 수치이다. 또한 제안된 알고리즘의 정확도는 \(99.46\%\), 민감도는 \(99.51\%\)로 나타났으며 이는 기존 알고리즘에 비해 각각 \(4.82\%\)와 \(2.46\%\) 향상된 수치이다.</p><table border><caption>표 2. 연속 가압방식으로 측정한 맥파 신호의 특징점검출을 위한 제안된 알고리즘 성능</caption><tbody><tr><td>피험자파</td><td>rp(개)</td><td>FD(개)</td><td>M(개)</td><td>정확도(\(\%\))</td><td>민감도(\(\%\))</td></tr><tr><td>1</td><td>50</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>2</td><td>50</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>3</td><td>25</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>4</td><td>54</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>5</td><td>22</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>6</td><td>33</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>7</td><td>39</td><td>1</td><td>0</td><td>97.5</td><td>97.5</td></tr><tr><td>8</td><td>63</td><td>1</td><td>1</td><td>96.88</td><td>98.44</td></tr><tr><td>9</td><td>51</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>10</td><td>40</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>1</td><td>59</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>12</td><td>25</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>13</td><td>67</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>14</td><td>26</td><td>1</td><td>0</td><td>96.3</td><td>96.3</td></tr><tr><td>15</td><td>33</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>16</td><td>40</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>17</td><td>37</td><td>1</td><td>0</td><td>97.37</td><td>97.37</td></tr><tr><td>18</td><td>15</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>19</td><td>27</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>20</td><td>51</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>21</td><td>47</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>22</td><td>69</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>23</td><td>63</td><td>1</td><td>0</td><td>98.44</td><td>98.44</td></tr><tr><td>24</td><td>43</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>25</td><td>37</td><td>1</td><td>0</td><td>97.37</td><td>97.37</td></tr><tr><td>26</td><td>69</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>27</td><td>50</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>28</td><td>35</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>29</td><td>38</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>30</td><td>32</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>합계</td><td>1290</td><td>6</td><td>1</td><td colspan=2></td></tr><tr><td>평균</td><td colspan=3></td><td>99.46</td><td>99.51</td></tr></tbody></table><p>그림 10에 29번째 피험자에 대한 검출 결과를 그래프로 나타내었다. 기존 알고리즘을 사용한 경우 신호의 처음과 끝 부분에서 시작점을 검출하지 못하였다. 반면 제안된 알고리즘을 사용한 경우 모든 맥파의 시작점을 올바르게 검출하는 것을 확인할 수 있다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅲ. 실험 및 결과</h1><p>본 연구에서 제안한 연속 가압방식과 시작점 검출 알고리즘의 성능을 확인하기 위해 60대 남자 피험자 30명을 선별하였다.", "피험자의 오른손 관 부위 맥파 신호를 연속 가압방식으로 측정하고 제안한 시작점 검출 알고리즘과 기존의 접선 교점 방법을 비교 분석 하였다.", "하지만 앞서 살펴본 대로 접선 교점 방법을 그대로 연속가압방식으로 측정한 맥파 신호에 적용하기에는 제약이 있다.", "그렇기 때문에 맥파 미분신호에서 피크를 찾고 각 피크 사이의 구간에서 최저점을 검출한 후 시작점을 검출하는 방법으로 접선 교점 방법을 일부 수정하였다.", "이 때 각 맥파 시작점들의 시간 간격이 \\(270\\sim1500\\mathrm{ms}\\)안에 포함되지 않는 점은 삭제하였으며 이렇게 수정된 기존 알고리즘의 순서도를 그림 9에 나타내었다.", "</p><p>기존 알고리즘과 새롭게 제안된 알고리즘의 검출 성능을 비교하기 위해 식(1)과 식(2)와 같이 정확도(accuracy)와 민감도(sensitivity)를 계산하였다.", "이는 신호의 특징점 검출에 대한 성능을 비교해 볼 수 있는 방법이며 본 논문에서는 여러 특징점 중 시작점 검출 성능에 대해 비교하였다.", "</p><p>정확도 : \\( (1-(\\mathrm{M}+\\mathrm{FD}) /(\\mathrm{TD}+\\mathrm{FD})) \\times 100 \\)<caption>(1)</caption></p><p>민감도 : \\( \\mathrm{TD} /(\\mathrm{TD}+\\mathrm{FD}) \\times 100 \\)<caption>(2)</caption></p><p>여기서 TD(true detection)는 시작점을 정상적으로 검출한 경우, FD(false detection)는 시작점이 아님에도 검출한 경우, \\( \\mathrm{M}(\\mathrm{missing}) \\) 은 시작점을 검출하지 못한 경우를 나타낸다.", "TD, FD와 M의 판단은 육안 판별을 기준으로 하였다.", "</p><p>피험자 30명의 맥파 신호를 기존 알고리즘을 사용하여 분석한 결과를 표 1에 나타냈다.", "이때 분석범위는 제안된 알고리즘의 분석 범위와 동일하게 분석 제외구간을 설정하였다.", "분석 결과 시작점이 아님에도 검출한 경우가 34개, 시작점을 검출하지 못한 경우가 30개였고 정확도는 \\(94.88\\%\\), 민감도는 \\(97.13\\%\\)로 나타났다.", "</p><table border><caption>표 1. 연속 가압방식으로 측정한 맥파 신호의 특징점 검출을 위한 기존 알고리즘 성능</caption><tbody><tr><td>피험자파</td><td>rp(개)</td><td>FD(개)</td><td>M(개)</td><td>정확도(\\(\\%\\))</td><td>민감도(\\(\\%\\))</td></tr><tr><td>1</td><td>48</td><td>3</td><td>2</td><td>90.2</td><td>94.12</td></tr><tr><td>2</td><td>48</td><td>0</td><td>2</td><td>95.83</td><td>100</td></tr><tr><td>3</td><td>24</td><td>1</td><td>1</td><td>92</td><td>96</td></tr><tr><td>4</td><td>51</td><td>3</td><td>3</td><td>88.89</td><td>94.44</td></tr><tr><td>5</td><td>22</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>6</td><td>31</td><td>0</td><td>2</td><td>93.55</td><td>100</td></tr><tr><td>7</td><td>39</td><td>2</td><td>0</td><td>95.12</td><td>95.12</td></tr><tr><td>8</td><td>61</td><td>1</td><td>3</td><td>93.55</td><td>98.39</td></tr><tr><td>9</td><td>51</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>10</td><td>39</td><td>0</td><td>1</td><td>97.44</td><td>100</td></tr><tr><td>11</td><td>51</td><td>1</td><td>8</td><td>82.69</td><td>98.08</td></tr><tr><td>12</td><td>24</td><td>3</td><td>1</td><td>85.19</td><td>88.89</td></tr><tr><td>13</td><td>67</td><td>1</td><td>0</td><td>98.53</td><td>98.53</td></tr><tr><td>14</td><td>26</td><td>1</td><td>0</td><td>96.3</td><td>96.3</td></tr><tr><td>15</td><td>33</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>16</td><td>40</td><td>1</td><td>0</td><td>97.56</td><td>97.56</td></tr><tr><td>17</td><td>37</td><td>2</td><td>0</td><td>94.87</td><td>94.87</td></tr><tr><td>18</td><td>15</td><td>1</td><td>0</td><td>93.75</td><td>93.75</td></tr><tr><td>19</td><td>27</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>20</td><td>51</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>21</td><td>46</td><td>1</td><td>1</td><td>95.75</td><td>97.87</td></tr><tr><td>22</td><td>68</td><td>0</td><td>1</td><td>98.53</td><td>100</td></tr><tr><td>23</td><td>63</td><td>2</td><td>0</td><td>96.92</td><td>96.92</td></tr><tr><td>24</td><td>43</td><td>2</td><td>0</td><td>95.56</td><td>95.56</td></tr><tr><td>25</td><td>36</td><td>3</td><td>1</td><td>89.74</td><td>92.31</td></tr><tr><td>26</td><td>69</td><td>1</td><td>0</td><td>98.57</td><td>98.57</td></tr><tr><td>27</td><td>49</td><td>0</td><td>1</td><td>97.96</td><td>100</td></tr><tr><td>28</td><td>35</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>29</td><td>35</td><td>0</td><td>3</td><td>91.43</td><td>100</td></tr><tr><td>30</td><td>32</td><td>5</td><td>0</td><td>86.49</td><td>86.49</td></tr><tr><td>합계</td><td>1261</td><td>34</td><td>30</td><td colspan=2></td></tr><tr><td>평균</td><td colspan=3></td><td>94.88</td><td>97.13</td></tr></tbody></table><p>다음으로 본 논문에서 제안한 알고리즘을 사용하여 분석한 결과를 표 2에 나타냈다.", "시작점이 아님에도 검출한 경우는 6개, 시작점을 검출하지 못한 경우는 1개로 나타났는데 이는 기존 알고리즘에 비해 각각 \\(82.35\\%\\)와 \\(96.67\\%\\) 향상된 수치이다.", "또한 제안된 알고리즘의 정확도는 \\(99.46\\%\\), 민감도는 \\(99.51\\%\\)로 나타났으며 이는 기존 알고리즘에 비해 각각 \\(4.82\\%\\)와 \\(2.46\\%\\) 향상된 수치이다.", "</p><table border><caption>표 2. 연속 가압방식으로 측정한 맥파 신호의 특징점검출을 위한 제안된 알고리즘 성능</caption><tbody><tr><td>피험자파</td><td>rp(개)</td><td>FD(개)</td><td>M(개)</td><td>정확도(\\(\\%\\))</td><td>민감도(\\(\\%\\))</td></tr><tr><td>1</td><td>50</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>2</td><td>50</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>3</td><td>25</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>4</td><td>54</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>5</td><td>22</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>6</td><td>33</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>7</td><td>39</td><td>1</td><td>0</td><td>97.5</td><td>97.5</td></tr><tr><td>8</td><td>63</td><td>1</td><td>1</td><td>96.88</td><td>98.44</td></tr><tr><td>9</td><td>51</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>10</td><td>40</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>1</td><td>59</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>12</td><td>25</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>13</td><td>67</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>14</td><td>26</td><td>1</td><td>0</td><td>96.3</td><td>96.3</td></tr><tr><td>15</td><td>33</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>16</td><td>40</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>17</td><td>37</td><td>1</td><td>0</td><td>97.37</td><td>97.37</td></tr><tr><td>18</td><td>15</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>19</td><td>27</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>20</td><td>51</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>21</td><td>47</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>22</td><td>69</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>23</td><td>63</td><td>1</td><td>0</td><td>98.44</td><td>98.44</td></tr><tr><td>24</td><td>43</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>25</td><td>37</td><td>1</td><td>0</td><td>97.37</td><td>97.37</td></tr><tr><td>26</td><td>69</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>27</td><td>50</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>28</td><td>35</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>29</td><td>38</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>30</td><td>32</td><td>0</td><td>0</td><td>100</td><td>100</td></tr><tr><td>합계</td><td>1290</td><td>6</td><td>1</td><td colspan=2></td></tr><tr><td>평균</td><td colspan=3></td><td>99.46</td><td>99.51</td></tr></tbody></table><p>그림 10에 29번째 피험자에 대한 검출 결과를 그래프로 나타내었다.", "기존 알고리즘을 사용한 경우 신호의 처음과 끝 부분에서 시작점을 검출하지 못하였다.", "반면 제안된 알고리즘을 사용한 경우 모든 맥파의 시작점을 올바르게 검출하는 것을 확인할 수 있다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "연속 가압방식의 맥파 측정방법을 위한 시작점 검출 알고리즘 개발", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1c332a68-192d-4434-b3ef-c2cb207baac7", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2012", "doc_author": [ "배장한", "전영주", "김종열", "김재욱" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
417	<h1>Ⅳ. 성능 분석</h1> <p>본 장에서는 제안된 방법의 성능을 BARQ 방법과 시뮬레이션을 통해 비교 분석한다. 시뮬레이션에서 사용된 파라미터는 표 1에 나열하였다. IEEE 802.11 무선랜 표준에서는 모든 수신 단말에게 멀티캐스트 서비스를 제공하기 위해 가장 낮은 전송 속도로 멀티캐스트 데이터 패킷을 전송하도록 되어있다. 그러나 여기에서는 데이터 전송 속도가 \( 54 \mathrm{Mbps} \), 제어 패킷의 전송 속도가 \( 6 \mathrm{Mbps} \) 인 IEEE 802.11a 네트워크 환경에서 시뮬레이션을 수헹하였다. 시뮬레이션에서 유니캐스트 전송은 없고 AP만 멀티캐스트 전송을 수행하는 토폴로지를 고려하였다. 따라서 시뮬레이션에서 충돌은 발생하지 않는다. 또한 수신 단말간 데이터 패킷 에러는 독립적이라고 가정하였고 제어 패킷의 에러 율은 데이터 패킷 에러 율의 \( 20 \% \) 라고 가정하였다.</p> <table border><caption>표 1. 시뮬레이션 파라미터</caption> <tbody></tr><tr><td>Parameter</td><td>Value</td></tr><tr><td>Data Bit Rate</td><td>\( 54 \mathrm{Mbps} \)</td></tr><tr><td>Control Bit Rate</td><td>\( 6 \mathrm{Mbps} \)</td></tr><tr><td>Slot Time</td><td>\(9 \mathrm{us}\)</td></tr><tr><td>SIFS</td><td>\(16 \mathrm{us}\)</td></tr><tr><td>Propagation Delay</td><td>\(1 \mathrm{us}\)</td></tr><tr><td>CRC</td><td>4 Octets</td></tr><tr><td>PHY PLCP Preamble Length</td><td>\(16 \mathrm{us}\)</td></tr><tr><td>PHY PLCP Header Length</td><td>5 Octets</td></tr><tr><td>Block Size</td><td>20 Packets</td></tr><tr><td>Packet Size</td><td>1500 Octets</td></tr><tr><td>CWmin</td><td>31</td></tr></tbody></table> <p>그림 5와 6은 데이터 패킷 에러 율에 따른 성능을 보여준다. 수신 단말 수는 10이다. 그림 5에서 두 가지 방법 모두 다 효율은 데이터 패킷 에러 율이 증가함에 따라 감소한다. 제안된 PTRM 방법에서는 데이터 패킷 에러 율이 증가할수록 수신 단말은 더 많은 패킷에 대해 손실될 것이고 블락을 복구하기 위해 더 많은 패킷이 필요하기 때문에 감소한다. BARQ 방법에서는 에러가 발생한 패킷을 재전송하기 때문에 성능이 낮아진다. 그러나 수신 단말간 독립적인 손실에 대해서는 해결하지 못하기 때문에 제안된 방법에 비해 더 많은 패킷을 전송하게 되어 효율이 급격하게 낮아지는 것을 알수있다. 제안된 방법은 수신 단말간 독립적인 손실 문제를 FEC를 통해 해결하였다. 그림에서 데이터 패킷 에러 율이 0일 때는 FEC 동작 여부와 상관없이 순수동작 원리에 따른 성능 차이를 보여준다. 제안된 PTRM 방법은 여러 개의 데이터 패킷을 전송한 후에 한 번의 피드백을 필요로 하지만 BARQ 방법은 전송된 모든 패킷에 대해 피드백을 필요로 하므로 성능이 좋지 않다.</p> <p>그림 6은 데이터 패킷 에러 율에 따른 지연을 보여준다. 두 방법 모두 데이터 패킷 에러 율이 증가함에 따라 지연이 증가한다. PTRM 방법은 각 수신 단말의 채널 상태에 따라 전송해야 할 패킷 수를 계산하고 이에 따라 패킷을 전송한다. 그리고나서 피드백 요청을 한다. 따라서 증가하는 지연 값은 크지 않다. 그러나 BARQ 방법은 매 패킷에 대해 피드백을 요청할 뿐만 아니라 한 패킷에 대해서도 여러 번의 재전송을 수행한다. 즉, 여러 수신 단말 중 한 단말이라도 에러로 수신하게 되면 백오프 윈도우 값을 두 배로 증가시키고 경쟁 과정을 수행한 후에 데이터 패킷을 재전송한다. 따라서 에러 율이 증가함에 따라 지연은 가파르게 상승한다.</p> <p>그림 7과 8은 수신 단말 수에 따른 성능을 보여준다. 데이터 패킷 에러 율은 0.1이다. 그림에서 두 가지 방법 모두 다 수신 단말 수가 증가함에 따라 성능이 감소한다. BARQ 방법에서는 수신 단말 수가 증가함에 따라 데이터 패킷에 포함되는 타임 유닛 할당을 위한 필드의 크기가 증가하게 되고 또한 피드백 시간도 증가하게되어 성능이 떨어진다. PTRM 방법에서는 각 수신 단말이 ACK 패킷을 전송하기 위한 피드백 시간이 증가하게 되어 성능이 낮아진다. 그러나 수신 단말 수에 상관없이 제안된 PTRM 방법은 BARQ 방법보다 항상 좋은 성능을 갖는다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅳ. 성능 분석</h1> <p>본 장에서는 제안된 방법의 성능을 BARQ 방법과 시뮬레이션을 통해 비교 분석한다.", "시뮬레이션에서 사용된 파라미터는 표 1에 나열하였다.", "IEEE 802.11 무선랜 표준에서는 모든 수신 단말에게 멀티캐스트 서비스를 제공하기 위해 가장 낮은 전송 속도로 멀티캐스트 데이터 패킷을 전송하도록 되어있다.", "그러나 여기에서는 데이터 전송 속도가 \\( 54 \\mathrm{Mbps} \\), 제어 패킷의 전송 속도가 \\( 6 \\mathrm{Mbps} \\) 인 IEEE 802.11a 네트워크 환경에서 시뮬레이션을 수헹하였다.", "시뮬레이션에서 유니캐스트 전송은 없고 AP만 멀티캐스트 전송을 수행하는 토폴로지를 고려하였다.", "따라서 시뮬레이션에서 충돌은 발생하지 않는다.", "또한 수신 단말간 데이터 패킷 에러는 독립적이라고 가정하였고 제어 패킷의 에러 율은 데이터 패킷 에러 율의 \\( 20 \\% \\) 라고 가정하였다.", "</p> <table border><caption>표 1. 시뮬레이션 파라미터</caption> <tbody></tr><tr><td>Parameter</td><td>Value</td></tr><tr><td>Data Bit Rate</td><td>\\( 54 \\mathrm{Mbps} \\)</td></tr><tr><td>Control Bit Rate</td><td>\\( 6 \\mathrm{Mbps} \\)</td></tr><tr><td>Slot Time</td><td>\\(9 \\mathrm{us}\\)</td></tr><tr><td>SIFS</td><td>\\(16 \\mathrm{us}\\)</td></tr><tr><td>Propagation Delay</td><td>\\(1 \\mathrm{us}\\)</td></tr><tr><td>CRC</td><td>4 Octets</td></tr><tr><td>PHY PLCP Preamble Length</td><td>\\(16 \\mathrm{us}\\)</td></tr><tr><td>PHY PLCP Header Length</td><td>5 Octets</td></tr><tr><td>Block Size</td><td>20 Packets</td></tr><tr><td>Packet Size</td><td>1500 Octets</td></tr><tr><td>CWmin</td><td>31</td></tr></tbody></table> <p>그림 5와 6은 데이터 패킷 에러 율에 따른 성능을 보여준다.", "수신 단말 수는 10이다.", "그림 5에서 두 가지 방법 모두 다 효율은 데이터 패킷 에러 율이 증가함에 따라 감소한다.", "제안된 PTRM 방법에서는 데이터 패킷 에러 율이 증가할수록 수신 단말은 더 많은 패킷에 대해 손실될 것이고 블락을 복구하기 위해 더 많은 패킷이 필요하기 때문에 감소한다.", "BARQ 방법에서는 에러가 발생한 패킷을 재전송하기 때문에 성능이 낮아진다.", "그러나 수신 단말간 독립적인 손실에 대해서는 해결하지 못하기 때문에 제안된 방법에 비해 더 많은 패킷을 전송하게 되어 효율이 급격하게 낮아지는 것을 알수있다.", "제안된 방법은 수신 단말간 독립적인 손실 문제를 FEC를 통해 해결하였다.", "그림에서 데이터 패킷 에러 율이 0일 때는 FEC 동작 여부와 상관없이 순수동작 원리에 따른 성능 차이를 보여준다.", "제안된 PTRM 방법은 여러 개의 데이터 패킷을 전송한 후에 한 번의 피드백을 필요로 하지만 BARQ 방법은 전송된 모든 패킷에 대해 피드백을 필요로 하므로 성능이 좋지 않다.", "</p> <p>그림 6은 데이터 패킷 에러 율에 따른 지연을 보여준다.", "두 방법 모두 데이터 패킷 에러 율이 증가함에 따라 지연이 증가한다.", "PTRM 방법은 각 수신 단말의 채널 상태에 따라 전송해야 할 패킷 수를 계산하고 이에 따라 패킷을 전송한다.", "그리고나서 피드백 요청을 한다.", "따라서 증가하는 지연 값은 크지 않다.", "그러나 BARQ 방법은 매 패킷에 대해 피드백을 요청할 뿐만 아니라 한 패킷에 대해서도 여러 번의 재전송을 수행한다.", "즉, 여러 수신 단말 중 한 단말이라도 에러로 수신하게 되면 백오프 윈도우 값을 두 배로 증가시키고 경쟁 과정을 수행한 후에 데이터 패킷을 재전송한다.", "따라서 에러 율이 증가함에 따라 지연은 가파르게 상승한다.", "</p> <p>그림 7과 8은 수신 단말 수에 따른 성능을 보여준다.", "데이터 패킷 에러 율은 0.1이다.", "그림에서 두 가지 방법 모두 다 수신 단말 수가 증가함에 따라 성능이 감소한다.", "BARQ 방법에서는 수신 단말 수가 증가함에 따라 데이터 패킷에 포함되는 타임 유닛 할당을 위한 필드의 크기가 증가하게 되고 또한 피드백 시간도 증가하게되어 성능이 떨어진다.", "PTRM 방법에서는 각 수신 단말이 ACK 패킷을 전송하기 위한 피드백 시간이 증가하게 되어 성능이 낮아진다.", "그러나 수신 단말 수에 상관없이 제안된 PTRM 방법은 BARQ 방법보다 항상 좋은 성능을 갖는다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "무선 랜에서 신뢰성 있는 멀티캐스트를 위한 능동적 전송 기반의 성능 향상 방법", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1d38f6dc-04ea-4ef3-ae3e-eee7b0cedf5e", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2011", "doc_author": [ "김선명", "김시관" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
418	<h1>I. 서 론</h1><p>사용자가 현재 위치한 공간이 아닌 임의의 다른 공간에 있는 깃처럼 느끼도록 하기 위하여 HMD(HeadMounted Display) 등으로 몰입감이 높은 장면을 생성하는 텔레프레즌스(tele-presence) 기술은 컴퓨터공학분야에서 중요한 연구주제이다. 이를 구현하기 위해 사용자에게 가상의 공간을 제공하고 카메라 추적기술을 활용하는 혼합현실(mixed reality) 등의 연구가 진행되었다 . 특히 증강현실(augmented reality)을 바탕으로 시각 및 촉각을 결합하여 사용자가 위치한 공간의 제약성을 극복하는 연구도 활발하게 제안되었다. 사용자 머리 자세(pose)가 변화함에 따라 먼 거리에 있는 펜-틸트 카메라 등을 직접 제어하여 원격 장면을 생성하는 경우에는 자세 지연(latency) 등의 문제가 발생한다. 이러한 지연 문제는 피드백되는 영상의 헤상도보다 사용자가 느끼는 실제감에 더 많은 영향을 주며, 이를 헤결하기 위헤 파노라믹(panoramic) 또는 전방향(omni-directional) 카메라를 사용하는 시스템이 제안되었다. 그러나 대부분의 연구에서 사용자 자세의 움직임을 추정하기 위해서 자기식(magnetic), 중력식(inertial) 등의 별도 센서를 HMD에 탑재헤야 하는 불편함이 있다. 따라서 HMD에 장착된 카메라에 의해 입 력된 영상을 해석헤서 사용자의 자세를 추정하는 마커기반의 ARToolkit이 주로 적용되었다 . ARToolkit은 가상의 공간을 구성하는 과정이 매우 간단하고 인식성 dl 우수하ek는 장점이 있는 반면에 실제 3 차원 공간에서 마커에 대한 카메라 방향에 따라 정확도가 일정하지않으며, 다수의 면에 위치한 마커들을 해석하는 과정에서도 오차가 발생하는 단점이 있다.</p><p>텔레프레즌스 시스템은 사용자의 시선 변화에 따라 왜곡이 없는 장면을 실시간에 생성해야 한다. 이를 위해 디스플레이 빛 이미징 시스템을 포함한 HMD장비 를 개발하기나 전방향 카메라 등으로부터 얻어지는 파노라마 영상을 기하학적인 변환 과정을 기쳐 디스플레이 하는 연구가 활발하게 제안되었다 . 특히 자동차 에 탑재된 전방향 카메라로부터 사용자가 원하는 장면을 생성하기 위헤 웹 브라우저 상에서 마우스를 이용하거나 HMD 에 자이로 센서를 장착하는 방법도 개발되었 다. 그러나 HMD 이외에 별도의 센서가 필요하며, 로봇의 이동에 대한 명령을 생성할 수 없다. 또한 모바일로봇에 장착된 단일 카메라에 의한 입력 영상을 대상으 로 블럭 매칭 또는 SIFT(scale invariant feature transform) 방법을 적용하여 파노라마 영상을 생성한 다음, HMD에 장착된 카메라의 시선 방향에 따라 로봇 이 동일 지점을 향하는 네트워크 기반 비전 시스템이 제안되었다. 그러나 로봇과 사용자가 동일한 공간에 위치해야 하며, SIFT 등의 방법은 실시간에 구현하기 어렵다는 단점이 존재한다.</p><p>본 논문에서는 마커들이 위치한 평면상에 존재하는 호모그래피(homography) 관계로부터 사용자의 자세를 실시간에 추정하며, 카메라 추적 과정을 안정적으로 구현하기 위해 확장 칼만(extended kalman) 필터를 적용한다. 또한 사용자의 자세 및 움직임 정보를 이용해 전방향 카메라를 탑재한 모바일 로봇의 실제 이동 명령을 생성하며, 이를 통해 사용자가 실제 로봇이 위치한 장소에 있는 것처럼 느끼고 로봇을 조작하는 시스템을 개발하였다. 또한 구좌표계로 표현된 전방향 영상 시퀀스를 임의의 구에 매핑한 다음, 사용자의 시점과 시선방향에 따라 로봇이 실제 공간을 이동하면서 새로운 장면을 생성하는 렌더링 시스템을 제안하였다. 그림 1은 제안된 텔레프레즌스 시스템의 구성도이다.</p> <h1>요 약</h1><p>텔레프레즌스(tele-presence)와 원격조정(tele-operation) 기술은 멀리 떨어진 사용자에게 몰입감이 높은(immersive) 장면이나 모바일 로봇 등의 제어 환경을 제공한다. 본 논문에서는 호모그래피(homography) 정보 기반의 카메라 추적기술을 이용한 텔레프레즌스 시스템이 제안된다. 먼저 카메라가 탑재된 HMD(head mounted display)를 착용한 사용자의 머리 움직임을 카메라 추적기술로 분석한다. 그리고 전방향(omni-directional) 카메라를 장차한 로봇으로부터 입력되는 파노라마 영상에서 사용자의 시야(ficld of view)에 해당하는 장면을 생성하여 HMD를 통해디스플레이한다. 사용자의 움직임을 추정하는 과정에서 3 차원 평면으로 구성된 공간의 호모그래피 정보를 이용하며, 실제로 측정된 3차원 데이터를 기준으로 마커기반의 ARToolkit 을 이용하는 방법과 호모그래피 기반 방법의 정확도를 각각 비교하었다.</p><p>Keywords: Tele-presence, mobile robot, HMD, omni-directional camera, homography</p> <p>마커가 부착된 평면에 대한 호모그래피를 계산하여 카메라의 움직임 정보를 계산한다. 즉, 3 차원 좌표값을 알고 있는 마커의 각 특징점과 이에 대응되는 영상 내의 픽셀로부터 카메라의 회전 및 이동 정보를 얻을 수 있다. 또한 한 평면에 여러 마커가 입력되면, 추적되는 특징점과 3 차원 정보를 선형 방정식으로 구성하고 DLT(Direct Linear Transform) 방법을 적용한다. DLT는 영상에서 검출된 특징점과 실제 세계에 존재하는 3차원 점들과의 대응 관계를 통해 카메라의 사영 행렬을 계산하는 방법으로 최소 6 개 이상의 대응점이 필요하다. 대응 관계를 단일 행렬로 구성하고 SVD(singular value decomposition)를 수행한 다음, 분해된 고유 (eigen) 벡터 행렬 중 최소 고유값에 대응되는 벡터로서 사영 행렬을 추정한다.</p><p>사용자의 자세 변화에 따라 한 평면에서 인접한 다른 평면의 마커가 입력되는 경우에는 ARToolKit으로부터 추정된 카메라 움직임에 불연속적인 오차가 발생한다. 본 논문에서는 두 평면상에 위치한 각 마커를 구성하는 4 개의 특징점 위치를 기준으로 해당 마커의 면적을 계산하고 추정된 각각의 카메라 정보에 대한 상대적인 가중치를 이용한 평균값을 구한다. 평면상에 존재하는 호모그레피 기반의 카메라 해석방법에서 카메라를 정면으로 마주하는 평면의 마커로부터 얻어진 정보가 상대적으로 기울어진 면의 마커로부터 계산된 결과 보다는 정확하다. 일반적으로 한 평면에 고르게 대응점이 분포하는 경우에 정확한 호모그래프가 계산되기 때문이다. 따라서 각 면에서 검출된 마커의 개수와 각 마커의 면적을 고려하여 각 면으로부터 얻어진 카메라 정보에 상대적인 가중치를 부여한다.</p><p>또한 각 마커에 대해 카메라 정보를 계산하지 않고 동일 평면에 존재하는 다수의 마커 특징점으로부터 호모그래피를 추정하는 방법의 상대적인 정확성을 제시하였다. 즉, 다수 평면에 여러 마커가 존재하는 경우에 카메라 움직임 정보를 안정적으로 추정하는 방법을 제안하고 각각의 성능을 비교한다. 최종 단계에서 확장형 칼만 필터를 적용하여 안정적으로 카메라 파라미터를 추적한다.</p><p>동시에 3개의 평면이 카메라에 입력되면, 사용자의 비선형적인 움직임 특성을 고려하기 위해 LM(Levenberg-Marquadt) 알고리즘을 이용한다. 번들 조 정(bundle adjustment)은 움직임 정보를 여러 프레임동안 누적하여 조정하는 방식으로 3 차원 점 \( X \) 와 이를 영상내 투영한 좌표 \( x \) 에 대한 카메라 투영 행렬 \( P \) 를 포함한 함수 \( f(P, X) \) 로 구성한다. 그리고 실제 점 \( x \) 와의 차이를 오차함수로 식 (5)와 같이 정의하고 이를 최소화한다 . 본 논문에서는 번들 조정을 실시간에 적용하기 위해서 누적 조건을 검사하여 키 프레임을 해석하는 지역(local) 번들 조정을 사용한다.</p><p>\( \min _{P_{i}, X_{j}} \sum_{i=1}^{\mathrm{M}} \sum_{j=1}^{\mathrm{N}}\left\\|x_{i j}-f\left(P, X_{j}\right)\right\\| \)<caption>(5)</caption></p><p>모바일 로봇에 탐재된 전방향 카메라로부터 실시간에 파노라마 영상이 입력되며, 임의의 구면의 환경맵으로 매핑된다. 카메라 추적을 통해 얻어진 사용자의 움 직임에 따라 파노라마 영상 내에 해당 영역이 선택되며, 대각선 방향으로 45도에 해당하는 텔레프레즌스 장면이 HMD) 에 실시간으로 디스플레이된다.</p> <h1>Ⅲ. 실 험</h1><p>구현된 텔레프레즌스 시스템은 (구)다사로봇의 모바일 로봇 플랫폼 TETRA-DS에 전방향 영상을 취득하는 Pointgrey耏의 Ladybug 2를 장착하였으며 컴퓨팅 장비는 HP xw4600 워그스테이션, 그리고 사용자에게 장면을 피드백하기 위해 eMagin榇의 Z-800 HMD로 각각 구성하였다. 사용자의 움직임에 따른 장면을 생성하는 가상현실 공간을 구현하기 위해 HMD에 장착된 카메라의 회전 및 이동 파라미터를 정확하게 추정해야 한다. 구현된 카메라 추정 방법의 정확도를 분석하기 위해 3 차원 계측장비인 WorldViz社의 PPT X4를 이용하였으며, 실제 장비 제원(specification)은 \( 3 \times 3 \times 3 \mathrm{~m} \) 공간 내에서 \( 0.5 \mathrm{~cm} \) 이내의 오차범위에서 측정 정확도를 가진다.</p><p>제안된 방법의 정확도를 검증하기 위해 3 개의 면으로 이루어진 임의의 공간을 설치하고 각 면에 마커를 부착하였다. 해당 공간에서 카메라를 비교적 자유롭게 이동하면서 750 프레임을 동영상으로 촬영했으며, 이 궤적은 PPT X4 장비에 의해 실시간에 저장되어 비교과정에서의 기준 데이터로 활용된다. 구성된 실험환경 에서 입력된 시퀀스 영상과 실제 카메라 궤적을 그림 3에 나타내었다.</p><p>ARToolkit은 마커를 검출하고 해당 마커로부터 상대적인 카메라 정보를 계산하며, 여러 개의 마커가 존재하는 경우에는 본 논문에서는 각각의 마커로부터 얻어진 카메라 정보를 평균하였다. 그림 3 (a)와 같이 마커를 구성하는 대응점이 한 평면에 고르게 분포하는 경우에는 정확한 호모그래프가 계산되지만, 그림 3 (b), (c)와 같이 입력 영상에 두 평면이 존재하는 경우에는 기울어진 면의 마커로부터 일부 부정확한 카메라 정보가 추정될 수 있다. 이를 고려하기 위해 검출된 각 마커의 면적을 계산하고 이를 해당 마커로부터 ARToolkit을 이용해 해석된 카메라 정보의 선형적 가중치로 활용한다. 즉, 더 큰 면적을 가지는 마커에 의해 얻어진 카메 라 정보를 보다 신뢰하는 방식으로 구현하였다.</p><p>얻어진 실험결과를 그림 4a 에 나타내었으며,ARToolKit에 의해 각 마커마다 얻어지는 카메라 정보 해당 마커의 면적을 고려해도 정확도면에서 성능이 크게 개선되지 않음을 확인하였다.</p><p>전체 시퀀스에 대해 각 방법의 평균 오차값을 표 1 에서 비교하였다. 텔레프레즌스를 구현하는 과정에서 사용자의 움직임에 따라 자연스럽고 지연이 없는 영상을 생성해야 하며, 실제 적용되는 공간의 범위가 확장되기 때문에 카메라 정보의 추정 성능은 매우 중요하다. 대상 공간에 존재하는 마커를 인식하고 각 마커의 면적 등을 계산하는 과정, 해당 마커가 위치한 동일 평면의 호모그래피를 계산하는 과정, 그리고 카메라 파라미터 를 추정하는 DLT 연산 과정에서 평균 \(3.2\), \( 0.08 \), \( 0.014 \times 10-3 \) 초가 각각 소요된다.</p><p>임의 실험공간의 마커와 카메라에 대한 추정된 위치 및 자세를 그림 5 (a)에 나타내었으며, 해석된 마커의 기준축 및 HMD에 생성되는 가상 장면, 그리고 다른 공간에 위치한 모바일 로봇으로부터 취득되고 있는 정방향 영상을 (b)에 보였다. 그림 6은 실제 전시 공간에 구현된 시스템이며, 사용자 외에도 다른 관람자들을 위 해 HMD 영상을 (b)와 같이 외부로도 디스플레이한다.</p> <h1>Ⅳ. 결 론</h1><p>본 논문에서는 호모그래피 기반의 카메라 추적 기술을 이용한 텔레프레즌스 시스템이 개발되었다. 기존 HMD 장비에서 필요로 하는 다양한 추가 센싱 장치를 사용하지 않으면서도 사용자 시선과 머리의 이동 정보등을 실시간에 해석할 수 있다. 또한 카메라 추적에 널리 사용되는 ARToolKit 라이브러리와 호모그래피 기반 의 카메라 추적 방법 등을 각각 비교하였으며, 이를 통해 동일 평면에 존재하는 다수의 마커를 동시에 고려하는 방법이 가장 안정적인 결과를 얻음을 확인하였다. 그리고 실제 공간에서 다수의 관람객이 참여하는 인터렉티브 전시에 제안된 시스템을 활용 및 발표하였다. 이후 연구에서는 마커가 없는 자연 실내 공간에서 특징 점 추출 및 추적 시스템을 결합할 예정이다.</p> <h1>Ⅱ. 본 론</h1><p>본 논문에서는 별도의 센서를 이용하지 않고 HMD 에 부착된 카메라로부터 입력된 영상으로부터 사용자의 움직임과 자세 등을 추정하는 카메라 추적기술을 구현한다. 동일 평면 위에 존재하는 사각형 마커의 인식 및 카메라 추적 등에 다양하게 활용되는 마커기반의 ARToolKit이 오픈소스로 제공되고 있지만, 카메라 추적 성능이 시선 방향에 따라 정확도가 일정하지 않는 등의 여러 문제점이 제기되었다 . 본 논문에서는 임의의 공간에서 안정적으로 카메라 파라미터를 추정하기 위해 평면상에 존재하는 마커를 구성하는 각 특징점으로부터 호모그래피를 구하고 이를 분해하여 카메라의 외부(extrinsic) 파라미터를 추정하는 방법을 적용한다 여기서 각 평면상의 마커를 해석하는 방법들을 고려하였으며, 실험을 통해 상대직으로 안정직인 카메라 추적 방법을 제안한다.</p><p>크기를 알고 있는 마커를 3 차원 평면 \( \left(X_{m}, Y_{m}, Z_{m}\right) \) 에 위치시키고, 임의의 지점 \( \left(X_{c}, Y_{c}, Z_{c}\right) \) 상에 존재하는 카메라의 기하적 관계 및 좌표계 설정을 그림 2와 식 (1) 에 나타내었다. 여기에서 카메라의 이동 및 회전은 동차(homogeneous) 좌표계에서 \( t_{3 \times 1} \) 과 \( r_{3 \times 3} \) 으로 각각 표현되며, 마커 좌표계로부터 카메라간의 기하변환 관계를 \( T_{C M} \) 으로 정리하였다.</p><p>\( \left[\begin{array}{c}X_{C} \\ Y_{C} \\ Z_{C} \\ 1\end{array}\right]=\left[\begin{array}{cccc}r_{11} & r_{12} & r_{13} & t_{1} \\ r_{21} & r_{22} & r_{23} & t_{2} \\ r_{31} & r_{32} & r_{33} & t_{3} \\ 0 & 0 & 0 & 1\end{array}\right]\left[\begin{array}{c}X_{M} \\ Y_{M} \\ Z_{M} \\ 1\end{array}\right] \) \( =\left[\begin{array}{cccc}r_{3 \times 3} & & t_{3 \times 1} \\ 0 & 0 & 0 & 1\end{array}\right]\left[\begin{array}{c}X_{M} \\ Y_{M} \\ Z_{M} \\ 1\end{array}\right]=T_{C M}\left[\begin{array}{c}X_{M} \\ Y_{M} \\ Z_{M} \\ 1\end{array}\right] \)<caption>(1)</caption></p><p>\( \left[\begin{array}{c}x \\ y \\ 1\end{array}\right]=\left[\begin{array}{ccc}f_{x} & s & u \\ 0 & f_{y} & v \\ 0 & 0 & 1\end{array}\right]\left[\begin{array}{cccc}r_{11} & r_{12} & r_{13} & t_{1} \\ r_{21} & r_{22} & r_{23} & t_{2} \\ r_{31} & r_{32} & r_{33} & t_{3} \\ 0 & 0 & 0 & 1\end{array}\right]\left[\begin{array}{c}X_{M} \\ Y_{M} \\ 0 \\ 1\end{array}\right]= \)\( K\left[\begin{array}{lll}r_{11} & r_{12} & t_{1} \\ r_{21} & r_{22} & t_{2} \\ r_{31} & r_{32} & t_{3}\end{array}\right]\left[\begin{array}{c}X_{M} \\ Y_{M} \\ 1\end{array}\right] \)</p><p>여기서 \( \left[\begin{array}{lll}h_{11} & h_{12} & h_{13} \\ h_{21} & h_{22} & h_{23} \\ h_{31} & h_{32} & h_{33}\end{array}\right]=\left[\begin{array}{lll}r_{11} & r_{12} & t_{1} \\ r_{21} & r_{22} & t_{2} \\ r_{31} & r_{32} & t_{3}\end{array}\right] \)<caption>(2)</caption></p><p>3 차원 공간상에서 \( Z \) 축을 0으로 가정한 평면 위의 마커 중점 \( \left(X_{M}, Y_{M}, 0\right) \) 이 2 차원 영상의 한 픽셀 \( (x, y) \) 로 사영(projection)되는 과정을 식 (2)에 나타내었으며, 여기에는 초점거리 \( f \), 기울어짐(skew) \( s \), 영상의 중심점 \( (u, v) \) 등을 포함한 카메라 내부(intrinsic) 파라미터 \( \mathrm{K} \) 가 포함되었다.</p><p>카메라 내부 파라미터를 사전에 보정한 경우, 영상 내의 한 픽셀과 실제 3 차원 공간상의 한 점은 \( 3 \times 3 \) 행렬로 구성된 호모그래피 \( \mathrm{H} \) 가 성립한다. 식 (2)에서 \( \mathrm{r}_{1} \) 과 \( \mathrm{r}_{2} \) 는 \( x \) 축과 \( y \) 축의 회전 변환값, \( \mathrm{t} \) 는 이동변환값이며, 식 (3)을 이용해 카메라의 움직임 정보를 구한다. 여기서 \( \mathrm{K} \) 는 정칙행렬로서 역행렬이 존재하며, \( \mathrm{r}_{3} \) 는 회전행렬의 직교 성질을 이용해 \( \mathrm{r}_{1} \) 과 \( \mathrm{r}_{2} \) 의 외적(cross product)으로 계산된다. 또한 \( \lambda \) 는 행렬의 크기 인자(scale factor)이며 식 (4)로 계산된다.</p><p>\( \mathbf{r}_{1}=\lambda \mathrm{K}^{-1} \mathrm{~h}_{1}, \quad \mathbf{r}_{2}=\lambda \mathrm{K}^{-1} \mathrm{~h}_{2}, \quad \mathbf{r}_{3}=\mathbf{r}_{1} \times \mathbf{r}_{2}, \quad \mathbf{t}=\lambda \mathrm{A}^{-1} \mathrm{~h}_{3} \)<caption>(3)</caption></p><p>\( \lambda=1 /\left\\|\mathrm{K}^{-1} \mathrm{~h}_{1}\right\\|=1 /\left\\|\mathrm{K}^{-1} \mathrm{~h}_{2}\right\\| \)<caption>(4)</caption></p>	전기공학, 통신공학, 전자공학	[ "<h1>I.", "서 론</h1><p>사용자가 현재 위치한 공간이 아닌 임의의 다른 공간에 있는 깃처럼 느끼도록 하기 위하여 HMD(HeadMounted Display) 등으로 몰입감이 높은 장면을 생성하는 텔레프레즌스(tele-presence) 기술은 컴퓨터공학분야에서 중요한 연구주제이다.", "이를 구현하기 위해 사용자에게 가상의 공간을 제공하고 카메라 추적기술을 활용하는 혼합현실(mixed reality) 등의 연구가 진행되었다 .", "특히 증강현실(augmented reality)을 바탕으로 시각 및 촉각을 결합하여 사용자가 위치한 공간의 제약성을 극복하는 연구도 활발하게 제안되었다.", "사용자 머리 자세(pose)가 변화함에 따라 먼 거리에 있는 펜-틸트 카메라 등을 직접 제어하여 원격 장면을 생성하는 경우에는 자세 지연(latency) 등의 문제가 발생한다.", "이러한 지연 문제는 피드백되는 영상의 헤상도보다 사용자가 느끼는 실제감에 더 많은 영향을 주며, 이를 헤결하기 위헤 파노라믹(panoramic) 또는 전방향(omni-directional) 카메라를 사용하는 시스템이 제안되었다.", "그러나 대부분의 연구에서 사용자 자세의 움직임을 추정하기 위해서 자기식(magnetic), 중력식(inertial) 등의 별도 센서를 HMD에 탑재헤야 하는 불편함이 있다.", "따라서 HMD에 장착된 카메라에 의해 입 력된 영상을 해석헤서 사용자의 자세를 추정하는 마커기반의 ARToolkit이 주로 적용되었다 .", "ARToolkit은 가상의 공간을 구성하는 과정이 매우 간단하고 인식성 dl 우수하ek는 장점이 있는 반면에 실제 3 차원 공간에서 마커에 대한 카메라 방향에 따라 정확도가 일정하지않으며, 다수의 면에 위치한 마커들을 해석하는 과정에서도 오차가 발생하는 단점이 있다.", "</p><p>텔레프레즌스 시스템은 사용자의 시선 변화에 따라 왜곡이 없는 장면을 실시간에 생성해야 한다.", "이를 위해 디스플레이 빛 이미징 시스템을 포함한 HMD장비 를 개발하기나 전방향 카메라 등으로부터 얻어지는 파노라마 영상을 기하학적인 변환 과정을 기쳐 디스플레이 하는 연구가 활발하게 제안되었다 .", "특히 자동차 에 탑재된 전방향 카메라로부터 사용자가 원하는 장면을 생성하기 위헤 웹 브라우저 상에서 마우스를 이용하거나 HMD 에 자이로 센서를 장착하는 방법도 개발되었 다.", "그러나 HMD 이외에 별도의 센서가 필요하며, 로봇의 이동에 대한 명령을 생성할 수 없다.", "또한 모바일로봇에 장착된 단일 카메라에 의한 입력 영상을 대상으 로 블럭 매칭 또는 SIFT(scale invariant feature transform) 방법을 적용하여 파노라마 영상을 생성한 다음, HMD에 장착된 카메라의 시선 방향에 따라 로봇 이 동일 지점을 향하는 네트워크 기반 비전 시스템이 제안되었다.", "그러나 로봇과 사용자가 동일한 공간에 위치해야 하며, SIFT 등의 방법은 실시간에 구현하기 어렵다는 단점이 존재한다.", "</p><p>본 논문에서는 마커들이 위치한 평면상에 존재하는 호모그래피(homography) 관계로부터 사용자의 자세를 실시간에 추정하며, 카메라 추적 과정을 안정적으로 구현하기 위해 확장 칼만(extended kalman) 필터를 적용한다.", "또한 사용자의 자세 및 움직임 정보를 이용해 전방향 카메라를 탑재한 모바일 로봇의 실제 이동 명령을 생성하며, 이를 통해 사용자가 실제 로봇이 위치한 장소에 있는 것처럼 느끼고 로봇을 조작하는 시스템을 개발하였다.", "또한 구좌표계로 표현된 전방향 영상 시퀀스를 임의의 구에 매핑한 다음, 사용자의 시점과 시선방향에 따라 로봇이 실제 공간을 이동하면서 새로운 장면을 생성하는 렌더링 시스템을 제안하였다.", "그림 1은 제안된 텔레프레즌스 시스템의 구성도이다.", "</p> <h1>요 약</h1><p>텔레프레즌스(tele-presence)와 원격조정(tele-operation) 기술은 멀리 떨어진 사용자에게 몰입감이 높은(immersive) 장면이나 모바일 로봇 등의 제어 환경을 제공한다.", "본 논문에서는 호모그래피(homography) 정보 기반의 카메라 추적기술을 이용한 텔레프레즌스 시스템이 제안된다.", "먼저 카메라가 탑재된 HMD(head mounted display)를 착용한 사용자의 머리 움직임을 카메라 추적기술로 분석한다.", "그리고 전방향(omni-directional) 카메라를 장차한 로봇으로부터 입력되는 파노라마 영상에서 사용자의 시야(ficld of view)에 해당하는 장면을 생성하여 HMD를 통해디스플레이한다.", "사용자의 움직임을 추정하는 과정에서 3 차원 평면으로 구성된 공간의 호모그래피 정보를 이용하며, 실제로 측정된 3차원 데이터를 기준으로 마커기반의 ARToolkit 을 이용하는 방법과 호모그래피 기반 방법의 정확도를 각각 비교하었다.", "</p><p>Keywords: Tele-presence, mobile robot, HMD, omni-directional camera, homography</p> <p>마커가 부착된 평면에 대한 호모그래피를 계산하여 카메라의 움직임 정보를 계산한다.", "즉, 3 차원 좌표값을 알고 있는 마커의 각 특징점과 이에 대응되는 영상 내의 픽셀로부터 카메라의 회전 및 이동 정보를 얻을 수 있다.", "또한 한 평면에 여러 마커가 입력되면, 추적되는 특징점과 3 차원 정보를 선형 방정식으로 구성하고 DLT(Direct Linear Transform) 방법을 적용한다.", "DLT는 영상에서 검출된 특징점과 실제 세계에 존재하는 3차원 점들과의 대응 관계를 통해 카메라의 사영 행렬을 계산하는 방법으로 최소 6 개 이상의 대응점이 필요하다.", "대응 관계를 단일 행렬로 구성하고 SVD(singular value decomposition)를 수행한 다음, 분해된 고유 (eigen) 벡터 행렬 중 최소 고유값에 대응되는 벡터로서 사영 행렬을 추정한다.", "</p><p>사용자의 자세 변화에 따라 한 평면에서 인접한 다른 평면의 마커가 입력되는 경우에는 ARToolKit으로부터 추정된 카메라 움직임에 불연속적인 오차가 발생한다.", "본 논문에서는 두 평면상에 위치한 각 마커를 구성하는 4 개의 특징점 위치를 기준으로 해당 마커의 면적을 계산하고 추정된 각각의 카메라 정보에 대한 상대적인 가중치를 이용한 평균값을 구한다.", "평면상에 존재하는 호모그레피 기반의 카메라 해석방법에서 카메라를 정면으로 마주하는 평면의 마커로부터 얻어진 정보가 상대적으로 기울어진 면의 마커로부터 계산된 결과 보다는 정확하다.", "일반적으로 한 평면에 고르게 대응점이 분포하는 경우에 정확한 호모그래프가 계산되기 때문이다.", "따라서 각 면에서 검출된 마커의 개수와 각 마커의 면적을 고려하여 각 면으로부터 얻어진 카메라 정보에 상대적인 가중치를 부여한다.", "</p><p>또한 각 마커에 대해 카메라 정보를 계산하지 않고 동일 평면에 존재하는 다수의 마커 특징점으로부터 호모그래피를 추정하는 방법의 상대적인 정확성을 제시하였다.", "즉, 다수 평면에 여러 마커가 존재하는 경우에 카메라 움직임 정보를 안정적으로 추정하는 방법을 제안하고 각각의 성능을 비교한다.", "최종 단계에서 확장형 칼만 필터를 적용하여 안정적으로 카메라 파라미터를 추적한다.", "</p><p>동시에 3개의 평면이 카메라에 입력되면, 사용자의 비선형적인 움직임 특성을 고려하기 위해 LM(Levenberg-Marquadt) 알고리즘을 이용한다.", "번들 조 정(bundle adjustment)은 움직임 정보를 여러 프레임동안 누적하여 조정하는 방식으로 3 차원 점 \\( X \\) 와 이를 영상내 투영한 좌표 \\( x \\) 에 대한 카메라 투영 행렬 \\( P \\) 를 포함한 함수 \\( f(P, X) \\) 로 구성한다.", "그리고 실제 점 \\( x \\) 와의 차이를 오차함수로 식 (5)와 같이 정의하고 이를 최소화한다 .", "본 논문에서는 번들 조정을 실시간에 적용하기 위해서 누적 조건을 검사하여 키 프레임을 해석하는 지역(local) 번들 조정을 사용한다.", "</p><p>\\( \\min _{P_{i}, X_{j}} \\sum_{i=1}^{\\mathrm{M}} \\sum_{j=1}^{\\mathrm{N}}\\left\\\|x_{i j}-f\\left(P, X_{j}\\right)\\right\\\| \\)<caption>(5)</caption></p><p>모바일 로봇에 탐재된 전방향 카메라로부터 실시간에 파노라마 영상이 입력되며, 임의의 구면의 환경맵으로 매핑된다. 카메라 추적을 통해 얻어진 사용자의 움 직임에 따라 파노라마 영상 내에 해당 영역이 선택되며, 대각선 방향으로 45도에 해당하는 텔레프레즌스 장면이 HMD)", "에 실시간으로 디스플레이된다.", "</p> <h1>Ⅲ. 실 험</h1><p>구현된 텔레프레즌스 시스템은 (구)다사로봇의 모바일 로봇 플랫폼 TETRA-DS에 전방향 영상을 취득하는 Pointgrey耏의 Ladybug 2를 장착하였으며 컴퓨팅 장비는 HP xw4600 워그스테이션, 그리고 사용자에게 장면을 피드백하기 위해 eMagin榇의 Z-800 HMD로 각각 구성하였다.", "사용자의 움직임에 따른 장면을 생성하는 가상현실 공간을 구현하기 위해 HMD에 장착된 카메라의 회전 및 이동 파라미터를 정확하게 추정해야 한다.", "구현된 카메라 추정 방법의 정확도를 분석하기 위해 3 차원 계측장비인 WorldViz社의 PPT X4를 이용하였으며, 실제 장비 제원(specification)은 \\( 3 \\times 3 \\times 3 \\mathrm{~m} \\) 공간 내에서 \\( 0.5 \\mathrm{~cm} \\) 이내의 오차범위에서 측정 정확도를 가진다.", "</p><p>제안된 방법의 정확도를 검증하기 위해 3 개의 면으로 이루어진 임의의 공간을 설치하고 각 면에 마커를 부착하였다.", "해당 공간에서 카메라를 비교적 자유롭게 이동하면서 750 프레임을 동영상으로 촬영했으며, 이 궤적은 PPT X4 장비에 의해 실시간에 저장되어 비교과정에서의 기준 데이터로 활용된다.", "구성된 실험환경 에서 입력된 시퀀스 영상과 실제 카메라 궤적을 그림 3에 나타내었다.", "</p><p>ARToolkit은 마커를 검출하고 해당 마커로부터 상대적인 카메라 정보를 계산하며, 여러 개의 마커가 존재하는 경우에는 본 논문에서는 각각의 마커로부터 얻어진 카메라 정보를 평균하였다.", "그림 3 (a)와 같이 마커를 구성하는 대응점이 한 평면에 고르게 분포하는 경우에는 정확한 호모그래프가 계산되지만, 그림 3 (b), (c)와 같이 입력 영상에 두 평면이 존재하는 경우에는 기울어진 면의 마커로부터 일부 부정확한 카메라 정보가 추정될 수 있다.", "이를 고려하기 위해 검출된 각 마커의 면적을 계산하고 이를 해당 마커로부터 ARToolkit을 이용해 해석된 카메라 정보의 선형적 가중치로 활용한다.", "즉, 더 큰 면적을 가지는 마커에 의해 얻어진 카메 라 정보를 보다 신뢰하는 방식으로 구현하였다.", "</p><p>얻어진 실험결과를 그림 4a 에 나타내었으며,ARToolKit에 의해 각 마커마다 얻어지는 카메라 정보 해당 마커의 면적을 고려해도 정확도면에서 성능이 크게 개선되지 않음을 확인하였다.", "</p><p>전체 시퀀스에 대해 각 방법의 평균 오차값을 표 1 에서 비교하였다.", "텔레프레즌스를 구현하는 과정에서 사용자의 움직임에 따라 자연스럽고 지연이 없는 영상을 생성해야 하며, 실제 적용되는 공간의 범위가 확장되기 때문에 카메라 정보의 추정 성능은 매우 중요하다.", "대상 공간에 존재하는 마커를 인식하고 각 마커의 면적 등을 계산하는 과정, 해당 마커가 위치한 동일 평면의 호모그래피를 계산하는 과정, 그리고 카메라 파라미터 를 추정하는 DLT 연산 과정에서 평균 \\(3.2\\), \\( 0.08 \\), \\( 0.014 \\times 10-3 \\) 초가 각각 소요된다.", "</p><p>임의 실험공간의 마커와 카메라에 대한 추정된 위치 및 자세를 그림 5 (a)에 나타내었으며, 해석된 마커의 기준축 및 HMD에 생성되는 가상 장면, 그리고 다른 공간에 위치한 모바일 로봇으로부터 취득되고 있는 정방향 영상을 (b)에 보였다.", "그림 6은 실제 전시 공간에 구현된 시스템이며, 사용자 외에도 다른 관람자들을 위 해 HMD 영상을 (b)와 같이 외부로도 디스플레이한다.", "</p> <h1>Ⅳ. 결 론</h1><p>본 논문에서는 호모그래피 기반의 카메라 추적 기술을 이용한 텔레프레즌스 시스템이 개발되었다.", "기존 HMD 장비에서 필요로 하는 다양한 추가 센싱 장치를 사용하지 않으면서도 사용자 시선과 머리의 이동 정보등을 실시간에 해석할 수 있다.", "또한 카메라 추적에 널리 사용되는 ARToolKit 라이브러리와 호모그래피 기반 의 카메라 추적 방법 등을 각각 비교하였으며, 이를 통해 동일 평면에 존재하는 다수의 마커를 동시에 고려하는 방법이 가장 안정적인 결과를 얻음을 확인하였다.", "그리고 실제 공간에서 다수의 관람객이 참여하는 인터렉티브 전시에 제안된 시스템을 활용 및 발표하였다.", "이후 연구에서는 마커가 없는 자연 실내 공간에서 특징 점 추출 및 추적 시스템을 결합할 예정이다.", "</p> <h1>Ⅱ. 본 론</h1><p>본 논문에서는 별도의 센서를 이용하지 않고 HMD 에 부착된 카메라로부터 입력된 영상으로부터 사용자의 움직임과 자세 등을 추정하는 카메라 추적기술을 구현한다.", "동일 평면 위에 존재하는 사각형 마커의 인식 및 카메라 추적 등에 다양하게 활용되는 마커기반의 ARToolKit이 오픈소스로 제공되고 있지만, 카메라 추적 성능이 시선 방향에 따라 정확도가 일정하지 않는 등의 여러 문제점이 제기되었다 .", "본 논문에서는 임의의 공간에서 안정적으로 카메라 파라미터를 추정하기 위해 평면상에 존재하는 마커를 구성하는 각 특징점으로부터 호모그래피를 구하고 이를 분해하여 카메라의 외부(extrinsic) 파라미터를 추정하는 방법을 적용한다", "여기서 각 평면상의 마커를 해석하는 방법들을 고려하였으며, 실험을 통해 상대직으로 안정직인 카메라 추적 방법을 제안한다.", "</p><p>크기를 알고 있는 마커를 3 차원 평면 \\( \\left(X_{m}, Y_{m}, Z_{m}\\right) \\) 에 위치시키고, 임의의 지점 \\( \\left(X_{c}, Y_{c}, Z_{c}\\right) \\) 상에 존재하는 카메라의 기하적 관계 및 좌표계 설정을 그림 2와 식 (1) 에 나타내었다.", "여기에서 카메라의 이동 및 회전은 동차(homogeneous) 좌표계에서 \\( t_{3 \\times 1} \\) 과 \\( r_{3 \\times 3} \\) 으로 각각 표현되며, 마커 좌표계로부터 카메라간의 기하변환 관계를 \\( T_{C M} \\) 으로 정리하였다.", "</p><p>\\( \\left[\\begin{array}{c}X_{C} \\\\ Y_{C} \\\\ Z_{C} \\\\ 1\\end{array}\\right]=\\left[\\begin{array}{cccc}r_{11} & r_{12} & r_{13} & t_{1} \\\\ r_{21} & r_{22} & r_{23} & t_{2} \\\\ r_{31} & r_{32} & r_{33} & t_{3} \\\\ 0 & 0 & 0 & 1\\end{array}\\right]\\left[\\begin{array}{c}X_{M} \\\\ Y_{M} \\\\ Z_{M} \\\\ 1\\end{array}\\right] \\) \\( =\\left[\\begin{array}{cccc}r_{3 \\times 3} & & t_{3 \\times 1} \\\\ 0 & 0 & 0 & 1\\end{array}\\right]\\left[\\begin{array}{c}X_{M} \\\\ Y_{M} \\\\ Z_{M} \\\\ 1\\end{array}\\right]=T_{C M}\\left[\\begin{array}{c}X_{M} \\\\ Y_{M} \\\\ Z_{M} \\\\ 1\\end{array}\\right] \\)<caption>(1)</caption></p><p>\\( \\left[\\begin{array}{c}x \\\\ y \\\\ 1\\end{array}\\right]=\\left[\\begin{array}{ccc}f_{x} & s & u \\\\ 0 & f_{y} & v \\\\ 0 & 0 & 1\\end{array}\\right]\\left[\\begin{array}{cccc}r_{11} & r_{12} & r_{13} & t_{1} \\\\ r_{21} & r_{22} & r_{23} & t_{2} \\\\ r_{31} & r_{32} & r_{33} & t_{3} \\\\ 0 & 0 & 0 & 1\\end{array}\\right]\\left[\\begin{array}{c}X_{M} \\\\ Y_{M} \\\\ 0 \\\\ 1\\end{array}\\right]= \\)\\( K\\left[\\begin{array}{lll}r_{11} & r_{12} & t_{1} \\\\ r_{21} & r_{22} & t_{2} \\\\ r_{31} & r_{32} & t_{3}\\end{array}\\right]\\left[\\begin{array}{c}X_{M} \\\\ Y_{M} \\\\ 1\\end{array}\\right] \\)</p><p>여기서 \\( \\left[\\begin{array}{lll}h_{11} & h_{12} & h_{13} \\\\ h_{21} & h_{22} & h_{23} \\\\ h_{31} & h_{32} & h_{33}\\end{array}\\right]=\\left[\\begin{array}{lll}r_{11} & r_{12} & t_{1} \\\\ r_{21} & r_{22} & t_{2} \\\\ r_{31} & r_{32} & t_{3}\\end{array}\\right] \\)<caption>(2)</caption></p><p>3 차원 공간상에서 \\( Z \\) 축을 0으로 가정한 평면 위의 마커 중점 \\( \\left(X_{M}, Y_{M}, 0\\right) \\) 이 2 차원 영상의 한 픽셀 \\( (x, y) \\) 로 사영(projection)되는 과정을 식 (2)에 나타내었으며, 여기에는 초점거리 \\( f \\), 기울어짐", "(skew) \\( s \\), 영상의 중심점 \\( (u, v) \\) 등을 포함한 카메라 내부(intrinsic) 파라미터 \\( \\mathrm{K} \\) 가 포함되었다.", "</p><p>카메라 내부 파라미터를 사전에 보정한 경우, 영상 내의 한 픽셀과 실제 3 차원 공간상의 한 점은 \\( 3 \\times 3 \\) 행렬로 구성된 호모그래피 \\( \\mathrm{H} \\) 가 성립한다.", "식 (2)에서 \\( \\mathrm{r}_{1} \\) 과 \\( \\mathrm{r}_{2} \\) 는 \\( x \\) 축과 \\( y \\) 축의 회전 변환값, \\( \\mathrm{t} \\) 는 이동변환값이며, 식 (3)을 이용해 카메라의 움직임 정보를 구한다.", "여기서 \\( \\mathrm{K} \\) 는 정칙행렬로서 역행렬이 존재하며, \\( \\mathrm{r}_{3} \\) 는 회전행렬의 직교 성질을 이용해 \\( \\mathrm{r}_{1} \\) 과 \\( \\mathrm{r}_{2} \\) 의 외적(cross product)으로 계산된다.", "또한 \\( \\lambda \\) 는 행렬의 크기 인자(scale factor)이며 식 (4)로 계산된다.", "</p><p>\\( \\mathbf{r}_{1}=\\lambda \\mathrm{K}^{-1} \\mathrm{~h}_{1}, \\quad \\mathbf{r}_{2}=\\lambda \\mathrm{K}^{-1} \\mathrm{~h}_{2}, \\quad \\mathbf{r}_{3}=\\mathbf{r}_{1} \\times \\mathbf{r}_{2}, \\quad \\mathbf{t}=\\lambda \\mathrm{A}^{-1} \\mathrm{~h}_{3} \\)<caption>(3)</caption></p><p>\\( \\lambda=1 /\\left\\\|\\mathrm{K}^{-1} \\mathrm{~h}_{1}\\right\\\|=1 /\\left\\\|\\mathrm{K}^{-1} \\mathrm{~h}_{2}\\right\\\| \\)<caption>(4)</caption></p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "호모그래피기반의 카메라 추적기술을 이용한 텔레프레즌스 시스템", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1b499542-2676-43d7-bd8d-701158f8387d", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2012", "doc_author": [ "김태협", "최윤석", "남보담", "홍현기" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
419	<h1>Ⅲ. 시뮬레이션</h1> <p>본 연구에시는 채널 노이즈로 AWGN만 고려한 경우와 AWGN과 common mode noise를 함께 고려한 경우, 두 가지 경우에 대해서 2D-boundary decision, 3D-boundary decision 방식을 통한 BER 성능을 비교하고자 시뮬레이션을 수행하였다. 가시광 통신에서 R, G, B가 받는 노이즈의 영향은 채널환경에 따라 색상별로 서로 다를 수 있다. 예를 들어, 주변 노이즈 광원에 붉은색이 많을 경우 Green, Blue에 비해 Red의 노이즈 신호가 더 많이 수신될 것이다. 이와 같은 이유로 본 시뮬레이션에서는 R, G, B 각각에 대해 서로 다른 AWGN을 고려한다. Common mode noise는 AWGN과 별개로 노이즈에 white광이 섞여 있어서 광원의 intensity에 동일한 크기의 노이즈가 섞였을 때를 가정한 것이다. 따라서 common mode noise는 R, G, B 에 동일한 값의 노이즈가 더해진다. AWGN은 MATLAB 7.6.0 awgn() 함수를 이용하여 구현하였고, common mode noise의 세기는 평균 심벌 intensity의 \( -10 \mathrm{dB} \)로 가정하였다. 본 시뮬레이션에서는 4개의 심벌을 사용하여 데이터를 전송하고, 4개의 심벌을 사용하는 CCM(Color Code Modulation)을 4 CCM이라고 명한다. 표 1은 시뮬레이션에 사용된 4CCM에서의 x, y 좌표값과 Y값을 나타낸다. 본 논문에서 신호의 파워는 심벌의 intensity로 가정하였고, 동일한 실험조건을 2D-boundary decision과 3D-boundary decision의 평균 intensity를 같게 하였다.</p> <table border><caption>표 1. 2차원 xy 좌표와 3차원 xy 좌표, Y값</caption> <tbody><tr><td></td><td colspan=2>2차원</td><td colspan=3>3차원</td></tr><tr><td>symbol</td><td>x</td><td>y</td><td>x</td><td>y</td><td>Y</td></tr><tr><td>00</td><td>0.688</td><td>0.248</td><td>0.671</td><td>0.251</td><td>2.3</td></tr><tr><td>01</td><td>0.27</td><td>0.692</td><td>0.274</td><td>0.684</td><td>4.5</td></tr><tr><td>10</td><td>0.1666</td><td>0.0089</td><td>0.1664</td><td>0.0087</td><td>0.06</td></tr><tr><td>11</td><td>0.3333</td><td>0.3333</td><td>0.3333</td><td>0.3333</td><td>5.6</td></tr></tbody></table> <p>본 시뮬레이션에서 적용된 송수신 과정은 그림 7과 같다. 2D-boundary decision의 경우에 입력된 데이터열은 색채 공간내의 x, y 2차원 좌표로 매핑되고 3D-boundary decision의 경우에 x, y, Y 3차원 좌표로 매핑된다. 매핑된 심벌은 좌표에 해당하는 R, G, B 값으로 변환되어 LED를 통해 전송된다. 수신된 R, G, B 값은 각각 2차원 x, y 좌표와 3차원 x, y, Y 좌표값으로 변환된다.</p> <p>그림 8은 AWGN 채널 환겅에서 2D-boundary decision과 3D-boundary decision을 적용하였을 때의 BER 성능을 비교한 그래프이다. 3D-boundary decision을 적용하였을 경우에 2D-boundary decision 보다 BER 성능이 우월한 것을 볼 수 있다. BER이 \( 10^{-3} \)일 때 SNR 관점에서 3차원 4CCM이 2차원 4CCM에 비해 약 \( 2 \mathrm{dB} \) 가량 이득이 있다.</p> <p>그림 9는 채널노이즈로 AWGN과 common mode noise를 함께 고려했을 경우 2D-boundary decision과 3D-boundary decision의 BER 성능을 비교한 그래프이다. BER이 \( 10^{-3} \) 일 때 AWGN만의 채널 환경에 비해 2D-boundary decision은 약 \( 1 \mathrm{dB} \)가, 3D-boundary decision은 약 \( 0.5 \mathrm{dB} \)가 더 요구되는 것을 볼 수 있다.</p> <p>그림 8과 그림 9의 결과를 통해, Y값에 해당하는 한개의 차원을 추가함으로써 색채공간을 이용한 가시광 통신에서 BER 성능을 향상 시킬 수 있음을 확인할 수 있다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅲ. 시뮬레이션</h1> <p>본 연구에시는 채널 노이즈로 AWGN만 고려한 경우와 AWGN과 common mode noise를 함께 고려한 경우, 두 가지 경우에 대해서 2D-boundary decision, 3D-boundary decision 방식을 통한 BER 성능을 비교하고자 시뮬레이션을 수행하였다.", "가시광 통신에서 R, G, B가 받는 노이즈의 영향은 채널환경에 따라 색상별로 서로 다를 수 있다.", "예를 들어, 주변 노이즈 광원에 붉은색이 많을 경우 Green, Blue에 비해 Red의 노이즈 신호가 더 많이 수신될 것이다.", "이와 같은 이유로 본 시뮬레이션에서는 R, G, B 각각에 대해 서로 다른 AWGN을 고려한다.", "Common mode noise는 AWGN과 별개로 노이즈에 white광이 섞여 있어서 광원의 intensity에 동일한 크기의 노이즈가 섞였을 때를 가정한 것이다.", "따라서 common mode noise는 R, G, B 에 동일한 값의 노이즈가 더해진다.", "AWGN은 MATLAB 7.6.0 awgn() 함수를 이용하여 구현하였고, common mode noise의 세기는 평균 심벌 intensity의 \\( -10 \\mathrm{dB} \\)로 가정하였다.", "본 시뮬레이션에서는 4개의 심벌을 사용하여 데이터를 전송하고, 4개의 심벌을 사용하는 CCM(Color Code Modulation)을 4 CCM이라고 명한다.", "표 1은 시뮬레이션에 사용된 4CCM에서의 x, y 좌표값과 Y값을 나타낸다.", "본 논문에서 신호의 파워는 심벌의 intensity로 가정하였고, 동일한 실험조건을 2D-boundary decision과 3D-boundary decision의 평균 intensity를 같게 하였다.", "</p> <table border><caption>표 1. 2차원 xy 좌표와 3차원 xy 좌표, Y값</caption> <tbody><tr><td></td><td colspan=2>2차원</td><td colspan=3>3차원</td></tr><tr><td>symbol</td><td>x</td><td>y</td><td>x</td><td>y</td><td>Y</td></tr><tr><td>00</td><td>0.688</td><td>0.248</td><td>0.671</td><td>0.251</td><td>2.3</td></tr><tr><td>01</td><td>0.27</td><td>0.692</td><td>0.274</td><td>0.684</td><td>4.5</td></tr><tr><td>10</td><td>0.1666</td><td>0.0089</td><td>0.1664</td><td>0.0087</td><td>0.06</td></tr><tr><td>11</td><td>0.3333</td><td>0.3333</td><td>0.3333</td><td>0.3333</td><td>5.6</td></tr></tbody></table> <p>본 시뮬레이션에서 적용된 송수신 과정은 그림 7과 같다.", "2D-boundary decision의 경우에 입력된 데이터열은 색채 공간내의 x, y 2차원 좌표로 매핑되고 3D-boundary decision의 경우에 x, y, Y 3차원 좌표로 매핑된다.", "매핑된 심벌은 좌표에 해당하는 R, G, B 값으로 변환되어 LED를 통해 전송된다.", "수신된 R, G, B 값은 각각 2차원 x, y 좌표와 3차원 x, y, Y 좌표값으로 변환된다.", "</p> <p>그림 8은 AWGN 채널 환겅에서 2D-boundary decision과 3D-boundary decision을 적용하였을 때의 BER 성능을 비교한 그래프이다.", "3D-boundary decision을 적용하였을 경우에 2D-boundary decision 보다 BER 성능이 우월한 것을 볼 수 있다.", "BER이 \\( 10^{-3} \\)일 때 SNR 관점에서 3차원 4CCM이 2차원 4CCM에 비해 약 \\( 2 \\mathrm{dB} \\) 가량 이득이 있다.", "</p> <p>그림 9는 채널노이즈로 AWGN과 common mode noise를 함께 고려했을 경우 2D-boundary decision과 3D-boundary decision의 BER 성능을 비교한 그래프이다.", "BER이 \\( 10^{-3} \\) 일 때 AWGN만의 채널 환경에 비해 2D-boundary decision은 약 \\( 1 \\mathrm{dB} \\)가, 3D-boundary decision은 약 \\( 0.5 \\mathrm{dB} \\)가 더 요구되는 것을 볼 수 있다.", "</p> <p>그림 8과 그림 9의 결과를 통해, Y값에 해당하는 한개의 차원을 추가함으로써 색채공간을 이용한 가시광 통신에서 BER 성능을 향상 시킬 수 있음을 확인할 수 있다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "\\(3\\)차원 색채 공간 기반의 가시광 통신 변조기법 성능개선 연구", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1d881a52-0af6-41c8-b5b2-a49d3c451169", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2010", "doc_author": [ "이경근", "윤기방", "박영일", "김기두" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
420	<h1>요 약</h1><p>본 논문에서는 웨이브렛 영역의 BDIP(block difference of inverse probabilities)와 BVLC(block variance of local correlation coefficients) 특징, 그리고 WPCA(whitened principal component analysis) 분류기를 이용한 질감 분류 방법을 제안한다. 제안된 방법에서는 먼저 질의 영상에 웨이브렛 변환을 적용한다. 그런 다음 웨이브렛 영역의 각 부대역에 BDIP와 BVLC 연산자를 적용한다. 이어서 각 BDIP, BVLC 부대역에 대하여 전역 통계치를 계산하고 그 결과들을 벡터화하여 특징 벡터로 사용한다. 분류 단계에서는 얼굴 인식에 주로 사용되는 WPCA를 분류기로 하여 질의 특징 벡터와 가장 유사한 학습 특징 벡터를 찾는다. 실험 결과 제안된 방법은 3가지의 실험 질감 영상 DB에 대하여 낮은 특징 벡터 차원으로 매우 우수한 질감 분류 성능을 보여준다.</p> <h2>3. Gabor 특징</h2><p>2차원 Gabor 필터에서는 다음과 같이 표현되는 가우시안 함수를 복소 지수 함수로 변조한 함수를 모 함수로 사용한다.</p><p>\[g(x, y)=\frac{1}{2 \pi \sigma_{x} \sigma_{y}} \exp \left[-\frac{1}{2}\left(\frac{x^{2}}{\sigma_{x}^{2}}+\frac{y^{2}}{\sigma_{y}^{2}}\right)+2 \pi j W x\right] \]<caption>(3)</caption></p><p>여기서 \( \sigma_{x} \) 와 \( \sigma_{y} \) 는 가우시안 함수의 표준편차를 나타내며 모 함수의 주파수 대역을 정하는 상수로 사용된다. 그리고 \( W \)는 변조 주파수를 나타내며 모 함수의 중심 주파수를 정하는 상수로 사용된다. Gabor 필터는 다음과 같이 (3)식의 모 함수 \( g(x, y) \) 를 스케일링하고 회전하여 얻어진다.</p><p>\[ g_{m, n}(x, y)=a^{-2 m} g\left(x^{\prime}, y^{\prime}\right) \]<caption>(4)</caption></p><p>여기서 \( a\)\((a>1) \) 는 스케일링을 위한 상수를 나타내고, \( m\)\((m=0, \cdots, M-1) \) 은 스케일 인덱스를 나타낸다. 그리고 \( x^{\prime}=a^{-m}\left(x \cos \theta_{n}+y \sin \theta_{n}\right)\), \(y^{\prime}=a^{-m} \left(-x \sin \theta_{n}+y \cos \theta_{n}\right)\), \( \theta_{n}=n \pi / N \) 이다. 이때 \( n (n=0, \cdots, N-1) \) 은 회전 인덱스를 나타낸다. (3)식과 (4)식에서 보면 Gabor 필터 \( g_{m, n}(x, y) \) 의 주파수 대역은 가우시안 함수의 표준편차 \( \sigma_{x} \) 와 \( \sigma_{y} \), 그리고 스케일 인자 \( m \) 에 의하여 결정되고, 중심 주파수는 변조 주파수 \( W \)에 의하여 결정되며, 방향성은 회전 인자 \( n \) 에 의하여 결정된다는 것을 알 수 있다. 영상 \( I \) 에 대한 Gabor 변환은 (4)식의 Gabor 필터 \( g_{m, n}(x, y) \) 를 \( I \) 에 적용하여 얻어지며, Gabor 특징은 Gabor 변환 영상 \( G I=\left\{G^{(m, n)}, m=0, \cdots, M-1, n=0, \cdots, N-1\right\} \) 에 크기 연산자(magnitude operator)를 적용하여 얻은 영상 \( G \) 로부터 추출된다.</p><h2>4. LBP 특징</h2><p>영상 \( I \) 에 대한 LBP를 표현하기 위하여 \( I \) 의 화소 \( p=(x, y) \) 에서의 밝기 값을 \( I_{p} \) 로 하고, 화소 \( p \) 를 중심으로 거리가 \( r \) 인 \( N \) 개의 이웃 화소 \( q_{n}^{r}, n=0, \cdots, N-1 \) 의 밝기 값을 \( I_{q_{n}^{r}} \)로 하자. 그러면 영상 \( I \) 의 LBP는 다음과 같이 표현된다.</p><p>\[ L B P_{r, N}=\sum_{n=0}^{N-1} u\left(I_{q_{n}^{r}}-I_{p}\right) 2^{n} \]<caption>(5)</caption></p><p>여기서 \( u(\cdot) \) 는 다음과 같이 주어지는 이진 연산자를 나타낸다.</p><p>\[ u(x)=\left\{\begin{array}{ll}1, & x \geq 0 \\ 0, & x<0\end{array}\right. \]<caption>(6)</caption></p><p>(5)식과 (6)식에서 보면 \( L B P_{r, N} \) 은 중심 화소에서 거리가 \( r \) 인 이웃 화소의 밝기 값이 중심 화소의 밝기 값보다 크면 1로 정하고 작으면 0으로 정한 다음 그 값들을 이웃 화소의 위치에 따라 \( N \) 비트 내의 각 비트에 입력하여 얻어진다는 것을 알 수 있다. 이는 \( L B P_{r, N} \) 내의 인접 비트 간에 1 / 0 천이 횟수가 많으면 밝기 변화가 큰 영역이라는 것을 의미한다.</p><p>[11]에서는 (5)식의 \( L B P_{r, N} \) 을 회전 불변(rotation invariant) 특성을 갖도록 하기 위하여 다음과 같이 주어지는 \( L B P_{r, N}^{r i u2} \) 로 변형하였다.</p><p>\[ L B P_{r, N}^{r i u2}=\left\{\begin{array}{cl}\sum_{n=0}^{N-1} u\left(I_{q_{n}^{r}}-I_{p}\right), & \text { if } Y\left(L B P_{r, N}\right) \leq 2 \\ N+1, & \text { otherwise }\end{array}\right. \]<caption>(7)</caption></p><p>여기서 \( Y\left(L B P_{r, N}\right) \) 은 다음과 같이 주어진다.</p><p>\[ Y\left(L B P_{r, N}\right)=\sum_{n=1}^{N}\left\|u\left(I_{q_{(n \operatorname{mod} N)}^{r}}-I_{p}\right)-u\left(I_{q_{n-1}^{r}}-I_{p}\right)\right\| \]<caption>(8)</caption></p><p>(8)식에서 보면 \( Y\left(L B P_{r, N}\right) \) 은 \( L B P_{r, N} \) 의 LSB에서부터 MSB까지 인접한 비트 간에 1 / 0 천이 횟수와 MSB와 LSB 간 1 / 0 천이 횟수를 합한 것을 나타내며 그 값이 큰 경우에는 \( p \) 화소는 밝기 변화가 큰 영역이라는 것을 의미한다는 것을 알 수 있다. 그리고 (7)식에서 보면 \( L B P_{r, N}^{r i u 2} \) 는 \( Y\left(L B P_{r, N}\right) \) 즉, \( L B P_{r, N} \) 내의 인접한 비트 간의 총 1 / 0 천이 횟수가 2 이하인 경우에는 \( L B P_{r, N} \) 내에서 1의 개수로 주어지고, 3 이상인 경우에는 \( L B P_{r, N} \) 의 전체 비트 수보다 1이 더 큰 값으로 주어진다. 이는 \( L B P_{r, N}^{r i u2} \) 는 중심 화소를 주변으로 이웃한 화소들이 인접 화소간의 밝기 변화가 적은 경우에는 균일한 밝기 분포를 갖는 것으로 보고 그 밝기 변화의 정도와 관련된 수를 가지고 밝기 변화가 큰 경우에는 균일하지 못한 밝기 분포를 갖는 것으로 보고 특정한 상수 값을 가진다는 것을 알 수 있다. [11]에서는 \( L B P_{r, N}^{riu 2} \) 의 히스토그램을 LBP 특징으로 사용하였다.</p> <h1>Ⅱ. 질감 분류와 특징 추출</h1><h2>1. 질감 분류</h2><p>그림 1은 기존의 질감 분류의 블록도를 보여준다. 편의상 학습(training)을 위한 영상 DB에는 \( K \) 개의 클래스(class)를 가지면서 각 클래스별로는 \( J \) 개의 영상이 포함된 것으로 하자. 먼저 학습 단계에서는 영상 DB에 저장되어 있는 각 영상 \( I_{k, j}\), \(k=1, \cdots, K\), \(j=1, \cdots, J \) 로부터 특징을 추출한 다음 이들로부터 특징 벡터 \( \mathrm{f}_{k, j} \) 를 생성한다. 기존의 학습에서는 주로 특징 벡터 \( \mathrm{f}_{k, j} \)를 평균하여 각 클래스에 대한 대표 특징 벡터 집합 \( \left\{\overline{\mathrm{f}}_{k} \mid k=1, \cdots, K\right\} \) 를 얻는다. 그리고 필요하다면 특징 벡터에 대한 공분산 행렬 집합 \( \left\{\mathrm{C}_{k} \mid k=1, \cdots, K\right\} \) 를 계산하고 통계치를 특징 DB에 저장한다. 시험(test) 단계에서는 질감 분류를 위한 질의 영상 \( I \) 가 들어오면 이로부터 특징 벡터 \( \mathrm{f} \) 를 추출하고 분류기에서 다음과 같이 DB에 저장되어 있는 특징 벡터 \( \left\{\overline{\mathrm{f}}_{k} \mid k=1, \cdots, K\right\} \) 중에서 \( \mathrm{f} \) 와 가장 유사한 벡터 \( \overline{\mathrm{f}}_{c} \) 를 찾아 그 인덱스(index) \( c \) 를 출력한다.</p><p>\[ c=\arg \min_{ \substack{k \in\{1, \cdots, K\}}} d\left(\mathrm{f}, \overline{\mathrm{f}}_{k}\right) \]<caption>(1)</caption></p><p>여기서 \( d(\cdot) \) 는 두 벡터간의 거리(distance) 또는 판별함수(discriminant function)를 나타낸다. 이때 \( c \) 는 분류된 질감의 클래스 인덱스가 된다. 그리고 계산된 공분산 행렬 \( \mathrm{C}_{k} \) 는 (1)식의 거리 \( d(\cdot) \) 의 측정에 사용될 수가 있다.</p><h2>2. GLCP와 Haralick 특징</h2><p>밝기 값이 각각 \( i \) 와 \( j \) 이면서 거리가 \( r \) 이고 각도가 \( \theta \) 인 임의의 두 화소 간의 결합 확률 질량 함수(joint probability mass function ) 를 \( P(i, j ; r, \theta) \) 라 하자. 그러면 GLCP는 결합 확률 질량 함수의 추정치 \( \hat{P}(i, j ; r, \theta) \) 를 일컬으며, GLCM(GLC matrices)라고도 한다. 평균 GLCM \(\hat{P}(i, j) \) 는 다음과 같이 추정된 결합 확률 질랑 함수 \( \hat{P}(i, j ; r, \theta) \) 를 모든 가능한 \( (r, \theta) \) 에 대하여 평균하여 얻어진다.</p><p>\[ \hat{P}(i, j)=<\hat{P}(i, j ; r, \theta)>_{(r, \theta)} \]<caption>(2)</caption></p><p>여기서 \(<\cdot>\) 은 평균 연산자를 나타낸다. Haralick 등은 GLCP로부터 얻게 되는 엔트로피, 분산, 모멘트, 상관 계수 등의 28가지 질감 특징을 제안하였다.</p> <h1>Ⅲ. 제안된 질감 분류</h1><p>그림 2 는 제안된 질감 분류의 블록도를 보여준다. 먼저 질의 영상 I가 들어오면 I에 대한 웨이브렛 변환을 수행하여 웨이브렛 영상 WI를 얻는다. 이어서 WI에 BDIP와 BVLC 연산자를 적용하여 WI와 WV 영상을 얻고, 이들로부터 전역 통계치를 계산하여 그 결과를 각각 특징 벡터 \( \mathrm{f}_{W D} \) 와 \( \mathrm{f}_{W V} \) 로 만든다. 이들 특징 벡터 \( \mathrm{f}_{W D}, \mathrm{f}_{W V} \) 들은 벡터 융합을 거처 최종 특징 벡터 \( \mathrm{f} \) 를 생성한다. 분류기에서는 특징 DB에 저장되어 있는 대표 특징 벡터 \( \left\{\overline{\mathrm{f}}_{k} \mid k=1, \cdots, K\right\} \) 중에서 \( \mathrm{f} \) 와 가장 유사한 벡터 \( \overline{\mathrm{f}}_{c} \) 를 찾아 그 인덱스 \( c \) 를 출력한다.</p><h2>1. 웨이브렛 영역의 BDIP와 BVLC</h2><p>영상 I 에 대한 웨이브렛 변환에서는 그림 3 과 같이 I 에 1 차원 저대역 필터(LPF)와 고대역 필터(HPF)를 수평, 수직 방향으로 분리적으로 적용하여 평활 부대역 LL과 3개의 상세 부대역 LH, HL, HH로 분해한다. 이들 부대역들은 다운 샘플링(downsampling)되어 첫 번째 스케일에서의 4개의 부대역 \( \left\{W^{(1, L L)}, W^{(1, L H)},W^{(1, H L)}, W^{(1, H H)}\right\} \) 를 얻는다. \( W^{(1, L L)} \) 은 다시 같은 방법으로 두 번째 스케일에서의 4개의 부대역 \( \left\{W^{(2, L L)}, W^{(2, L H)}, W^{(2, H L)}, W^{(2, H H)}\right\} \) 로 분해된다. 이러한 과정을 \( L \) 번째 스케일까지 적용하여 웨이브렛 영상 \( W I=\left\{W^{(L, L L)}\right.,\left\{W^{(l, b)}\right\}, l=1, \cdots, L, b \in \{L H, H L, H H \}\} \) 를 얻는다.</p><p>웨이브렛 변환된 \( l \) 번째 스케일에서의 \( b \) 부대역의 화소 \( p \) 에서의 BDIP \(\bar{g}_{p}^{(l, b)} \) 는 다음과 같이 정의된다.</p><p>\[ \begin{aligned} \bar{g}_{p}^{(l, b)} &=\frac{<\widehat{W}_{p}^{(l, b)}-W_{q}^{(l, b)}>_{q \in R_{p}}}{\widehat{W}_{p}^{(l, L L)}}, \\ l &=1, \cdots, L, \quad b \in\{L L, L H, H L, H H\} \end{aligned} \]<caption>(17)</caption></p><p>여기서 \( \widehat{W}_{p}^{(l, b)} \) 는 \( l \) 번째 스케일 \( b \) 부대역에서 화소 \( p \) 를 중심으로 하는 창 \( R \) 내에서의 최대값을 나타낸다. 그리고 \( W^{(l, b)} \) 의 화소 \( p \) 에서의 BVLC \(\operatorname{dev}\left(\rho_{p}^{(l, b)}\right) \) 는 다음과 같이 정의된다.</p><p>\[ \begin{aligned} &\operatorname{dev}\left(\rho_{p, d}^{(l, b)}\right)=\max_{\substack{d \in O}} \rho_{p, d}^{(l, b)}-\min_{\substack{d \in O}} \rho_{p, d}^{(l, b)}, \\ &l=1, \cdots, L, \quad b \in \{L L, L H, H L, H H\} \end{aligned} \]<caption>(18)</caption></p><p>여기서 \( \rho_{p, d}^{(l, b)} \) 는 다음과 같이 정의되는 \( W^{(l, b)} \) 의 화소 \( p \) 에서의 방향 \( d \) 에 따른 국부 상관 계수를 나타낸다.</p><p>\[ \begin{aligned} &\rho_{p, d}^{(l, b)}=\frac{< W_{q+d}^{(l, b)} W_{q}^{(l, b)}>_{q \in R_{p}}-\bar{W}_{p+d}^{(l, b)} \bar{W}_{p}^{(l, b)}}{\sqrt{\operatorname{var}\left(W_{p+d}^{(l, b)}\right) \operatorname{var}\left(W_{p}^{(l, b)}\right)}}, \\ &d \in O \end{aligned}\]<caption>(19)</caption></p><p>여기서 \( \bar{W}_{p}^{(l, b)} \) 와 \( \operatorname{var}\left(W_{p}^{(l, b)}\right) \) 는 \( l \) 번째 스케일 \( b \) 부대역에서 화소 \( p \) 에 대한 국부 평균과 분산을 각각 나타내고, \( \bar{W}_{p-d}^{(l, b)} \) 와 \( \operatorname{var}\left(W_{p+d}^{(l, b)}\right) \) 는 화소 \( p+d \) 에 대한 국부 평균과 분산을 각각 나타낸다. 한편 [14]에서는 \( \rho_{p, d}^{(l, b)} \) 을 계산할 때 (19)식과 달리 [13]에서 영상 검색을 위하여 계산량 감소를 고려하여 정의한 절대차의 평균(mean absolute difference)을 이용하였다. 반면에 (19)식은 공간 영역에서의 정의 식을 웨이브렛 영역에 그대로 적용한 것이다.</p> <h1>Ⅳ. 실험 결과 및 검토</h1><p>본 논문에서 제안된 질감 분류의 성능을 평가하기 위하여 Vistex 앨범과 Brodatz 앨범으로부터 3가지 실험 질감 영상 DB를 구축하고 시뮬레이션을 수행하였다. 그림 4에서는 Vistex 앨범과 Bradatz 앨범에서 DB 구축에 사용된 영상의 샘플을 보여준다. 첫 번째 질감 영상 DB는 \( 512 \times 512 \) 의 크기를 갖는 30장의 Vistex 영상을 모영상(mother image)로 하여 각 모영상을 겹침이 없는 64장의 \( 64 \times 64 \) 크기의 영상으로 분할하여 얻었다. 이 경우 클래스의 수는 30이 되고 각 클래스 내의 64장의 영상 중에서 절반인 32장은 학습 영상으로 나머지 32장은 질의 영상으로 사용하였다. 이 DB는 [8]에서 사용한 DB와 동일한 것이 된다. 편의상 이 영상 DB를 VS1이라 한다. 두 번째 영상 DB는 \( 512 \times 512 \) 의 크기를 갖는 40장의 Brodatz 영상을 모영상로 하여 역시 각 모영상을 겹침이 없는 64장의 \( 64 \times 64 \) 크기의 영상으로 나누어 얻었으며 학습 영상과 질의 영상으로 각각 32장씩 사용하였다. 이때 40개의 클래스 인덱스는 [10]에서와 같도록 하였다. 이 영상 DB는 편의상 BR2라 한다. BR3라 하기로 하는 세 번째 DB는 \( 640 \times 640 \) 크기의 112장의 Brodatz 영상을 모영상로 하여 각 모영상을 겹침이 없는 25장의 \( 128 \times 128 \) 크기의 영상으로 나누어 얻었으며 각 클래스 내의 홀수번의 13장은 학습 영상으로 나머지 짝수번의 12장은 질의 영상으로 각각 사용하였다.</p><p>실험에서는 제안된 질감 분류 방법을 Haralick의 특징, Gabor 특징, 그리고 LBP 특징에 의한 방법들과 성능 비교를 하였다. 실험에서 사용된 Haralick 특징은 거리가 \( r=1,2 \) 이고 각도는 \( \theta=0,45,90,135^{\circ} \) 인 GLCP를 이용한 결합 엔트로피, 합의 분산, 합의 엔트로피, 차의 평균, 차의 분산, 차의 엔트로피, 차의 역 모멘트, 상관의 측정 정보의 8가지이다.</p><p>Gabor 필터를 위한 (3)식과 (4)식의 상수는 \( \sigma_{x}=0.9809\), \(\sigma_{y}=1.2873\), \( W=0.4\), \( a=2.8284\), \(M=3\), \(N=4 \) 로 하였다. 그리고 LBP를 위한 거리 \( r \) 과 이웃 화소의 개수 \( N \) 의 쌍은 \( (r, N) \in\{(1,8),(2,8)\} \) 로 하였다. 이때 \( r \) 은 Chebyshev 거리를 사용하였다. 웨이브렛 변환은 Haar 필터를 사용하여 다운 샘플링을 하지 않으면서 첫 번째 스케일까지 수행하였다 \( (L=1) \). 웨이브렛 변환을 수행할 때 영상 경계에서는 기 대칭(odd symmetry)을 사용하였다. 또한 BDIP와 BVLC 계산에서 사용되는 국부 창의 크기는 \( 3 \times 3 \) 으로 하였다. 따라서 (20)식의 \( b \) 는 \( b=1 \) 이 된다. BDIP와 BVLC의 안정화를 위한 역치 \( \delta_{G} \) 와 \( \delta_{C} \) 는 실험적으로 \( \delta_{G}=2 \) 와 \( \delta_{C}=10^{-3} \) 으로 정하였다. WPCA에서의 고유치에 대한 역치 \( \delta \) 는 모든 학습 영상에 대한 고유치를 내림차순으로 정렬한 다음 하위 \( \varepsilon \% \) 를 역치화 할 수 있는 값으로 결정하였다. 질감 분류의 평가 척도로는 질의 영상의 수에 대한 정확하게 인식된 영상의 수의 비를 나타내는 평균 분류율(ACR: averaged classification rate)을 사용하였다.</p><p>표 1 은 VS1과 BR2 영상 DB에 대하여 Haralick의 특징, Gabor 특징, LBP 특징, 그리고 제안된 BDIP와 BVLC 특징에 의한 질감 분류의 ACR 성능을 보여준다. 이때 분류기로는 [14]에서 사용된 안정화된 Bayesian 분류기를 사용하였고, 이 분류기의 공분산에 대한 역치는 WPCA에서 고유치에 대한 역치 \( \delta \) 를 구하는 것과 같은 방식으로 결정하였으며 \( \delta \) 를 위한 \( \varepsilon \) 은 \( \varepsilon=8 \) 로 선택하였다. 표 1 에서 보면 VS1에 대하여 Haralick의 특징에 의한 질감 분류는 \( 93.9 \% \) 의 ACR 성능을 보이고, Gabor 특징과 LBP 특징에 의한 방법들은 각각 \( 90.0 \% \) 와 \( 89.5 \% \) 의 성능을 보인다. 반면에 제안된 방법은 \( 98.3 \% \) 의 성능을 보여 Haralick 특징 보다는 성능이 \( 4.4 \% \) 우수하고, Gabor 특징과 LBP 특징에 비해서는 성능이 각각 \( 8.3 \% \) 와 \( 8.8 \% \) 우수하다는 것을 알 수 있다. BR2에 대하여는 제안된 방법이 \( 99.8 \% \) 의 ACR 성능을 보여 \( 97.8 \% \) 를 보인 Haralick 특징 보다는 \( 2.0 \% \) 의 성능이 우수하고, \( 98.9 \% \) 의 성능을 보인 Gabor 특징 보다는 \( 0.9 \% \), 그리고 \( 98.4 \% \) 의 성능을 보인 LBP 특징 보다는 \( 1.4 \% \) 의 성능이 우세함을 보인다. BR3에 대한 결과는 안정화된 Bayesian 분류기를 사용하는 경우에 클래스의 수는 많고 클래스별 학습 영상의 수가 작음에 따른 공분산 행렬의 특이성(singularity)에 의한 성능 저하가 발생하여 표 1 에서 제외하였다.</p><table border><caption>표 1. 안정화된 Bayesian 분류기를 사용한 경우의 실험 DB에 대한 특징별 ACR 결과 [\(\%\)]</caption><tbody><tr><td>feature \(\backslash\) DB</td><td>VS1</td><td>BR2</td><td>Feature dimension</td></tr><tr><td>Haralick</td><td>93.9</td><td>97.8</td><td>8</td></tr><tr><td>Gabor</td><td>90.0</td><td>98.9</td><td>24</td></tr><tr><td>LBP</td><td>89.5</td><td>98.4</td><td>20</td></tr><tr><td>Proposed</td><td>98.3</td><td>99.8</td><td>16</td></tr></tbody></table> <h2>2. 특징 벡터의 생성</h2><p>특징 벡터 \( \mathrm{f}_{W D} \) 를 생성하기 위해서는 먼저 웨이브렛 영역의 BDIP 영상 WD의 \( l \) 번째 스케일 \( b \) 부대역 \( W D^{(l, b)} \) 로부터 전역 평균 \( \mu_{W D^{(l, b)}} \) 와 전역 표준 편차 \( \sigma_{W D^{(l, b)}} \) 를 계산하고 그 결과를 다음과 같이 벡터화하여 \( \mathrm{f}_{W D^{(l,b)}} \) 를 얻는다.</p><p>\[ \mathrm{f}_{W D^{(l,b)}}=\left[\mu_{W D^{(l,b)}}, \sigma_{W D^{(l,b)}}\right] \]<caption>(20)</caption></p><p>그리고는 다음과 같이 모든 \( l \) 과 \( b \) 에 대하여 얻어지는 벡터를 모아서 \( \mathrm{f}_{W D} \) 를 생성한다.</p><p>\[ \mathrm{f}_{W D}=\left[\mathrm{f}_{W D^{(l, b)}} \mid l=1, \cdots, L, b \in\{L L, L H, H L, H H\}\right] \]<caption>(21)</caption></p><p>같은 방법으로 특징 벡터 \( \mathrm{f}_{W V} \) 도 WV 영상의 \( l \) 번째 스케일 \( b \) 부대역 \( W V^{(l, b)} \) 로부터 전역 평균 \( \mu_{W V^{(l, b)}} \) 와 전역 표준편차 \( \sigma_{W V^{(l, b)}} \) 를 계산하여 그 결과를 \( \mathrm{f}_{W V^{(l, b)}} \) 로 벡터화하고 모든 \( l \) 과 \( b \) 에 대하여 얻어지는 \( \mathrm{f}_{W V^{(l,b)}} \) 벡터를 모아서 생성된다. 이때 BVLC 계산은 다음의 8방향에 대하여 수행한다.</p><p>\[ O=\{(u, v) \mid u, v \in\{-b, 0, b\}, \quad(u, v) \neq(0,0)\} \]<caption>(22)</caption></p><p>특징 벡터 \( \mathrm{f}_{W D} \) 와 \( \mathrm{f}_{W V} \) 는 다음과 같이 모아져서 융합된 특징 벡터 \( f \) 를 얻는다.</p><p>\[ \mathrm{f}=\left[\mathrm{f}_{W D}, \mathrm{f}_{W V}\right] \]<caption>(23)</caption></p><h2>3. WPCA를 이용한 분류기</h2><p>WPCA는 PCA 과정과 화이트닝(whitening) 과정으로 구성된다. 편의상 학습과정에서 구한 \( k \) 번째 클래스의 특징 벡터의 평균 벡터와 공분산 행렬을 각각 \( \overline{\mathrm{f}}_{k} \) 와 \( \mathrm{C}_{k} \) 로 표시하고, 내림차순으로 정렬된 \( \mathrm{C}_{k} \) 의 고유치와 고유 벡터를 각각 \( \left\{\lambda_{k, i} \mid i=1, \cdots, U\right\} \) 와 \( \left\{\phi_{k, i} \mid i=1, \cdots, U\right\} \) 로 표시하자. 그러면 \( \overline{\mathrm{f}}_{k} \) 에 대한 WPCA는 다음과 같이 표현된다.</p><p>\[ \overline{\mathrm{y}}_{k}=\widetilde{\Lambda}_{k}^{-1 / 2} \Phi_{k}^{T} \overline{\mathrm{f}}_{k} \]<caption>(24)</caption></p><p>여기서 \( \Phi_{k} \) 는 다음과 같이 주어지는 고유 벡터 행렬을 나타낸다.</p><p>\[ \Phi_{k}=\left[\phi_{k, 1}, \phi_{k, 2}, \cdots, \phi_{k, U}\right] \]<caption>(25)</caption></p><p>그리고 (24)식의 \( \tilde{\Lambda}_{k} \) 는 다음과 같이 안정화된 화이트닝을 위하여 고유치 \( \lambda_{k, i} \) 를 \( \tilde{\lambda}_{k, i}=\max \left(\lambda_{k, i} \delta\right) \) 로 클리핑한 다음 대각화하여 얻어지는 행렬을 나타낸다.</p><p>\[ \widetilde{\Lambda}_{k}=\operatorname{diag}\left[\tilde{\lambda}_{k, 1}, \tilde{\lambda}_{k, 2}, \cdots, \tilde{\lambda}_{k, V}, \delta, \cdots, \delta\right] \]<caption>(26)</caption></p><p>한편 얼굴 인식에 사용되는 WPCA는 모든 클래스로부터 하나의 공분산 행렬을 구하고, 고유 벡터는 주어진 역치보다 큰 값을 가지는 고유치에 해당하는 것들만을 사용한다. 반면에 본 논문에서 사용하는 WPCA는 (24)-(26)식에서 보는 바와 같이 공분산 행렬을 각 클래스 별로 구하고 모든 고유 벡터를 사용한다.</p><p>본 논문에서 사용하는 WPCA를 이용한 분류기에서 질의 영상 I의 특징 벡터 \( \mathrm{f} \) 와 \( k \) 번째 클래스의 평균 벡터 \( \overline{\mathrm{f}}_{k} \) 의 거리는 \( \mathrm{f} \) 의 WPCA \( \mathrm{y}\) 와 \( \overline{\mathrm{f}}_{k} \) 의 WPCA \( \overline{\mathrm{y}}_{k} \) 에 대한 Euclidean 거리로서 다음과 같이 표현된다.</p><p>\[ d\left(\mathrm{f}, \overline{\mathrm{f}}_{k}\right)=\left\\|\mathrm{y}-\overline{\mathrm{y}}_{k}\right\\|^{2} \]<caption>(27)</caption></p><p>여기서 \( \mathrm{y} \) 는 다음과 같이 주어진다.</p><p>\[ \mathrm{y}=\widetilde{\Lambda}_{k}^{-1 / 2} \Phi_{k}^{T} \mathrm{f} \]<caption>(28)</caption></p><p>그리고 (27)식의 \( \\|\cdot\\| \) 는 벡터의 크기를 나타낸다.</p> <h1>Ⅴ. 결 론</h1><p>본 논문에서는 웨이브렛 영역의 BDIP와 BVLC 특징과 WPCA 분류기를 사용하는 질감 분류 방법을 제안하였다. 제안된 방법에서 BDIP 특징은 질감의 국부적인 밝기 변화를 표현하고 BVLC 특징은 질감의 평활성을 표현한다. 그리고 WPCA 분류기는 영상의 클래스의 수는 많고 학습 영상의 수는 적은 경우에도 특이성에 의한 성능 저하가 없이 안정된 분류를 한다. 실험 결과 제안된 방법은 Vistex 앨범과 Brodatz 앨범으로부터 구축된 3가지의 실험 영상 DB에 대하여 \( 97.1 \% \sim 99.9 \% \) 의 ACR 성능을 보여 Haralick 특징, Gabor 특징, 그리고 LBP 특징에 의한 방법들보다 각각 \( 4.3 \% \sim 9.7 \%\), \(0.3 \% \sim 6.6 \%\), \(0.8 \% \sim 6.0 \% \) 의 성능 우수를 보여주었다. 또한 WPCA 분류기를 사용함으로써 기존의 안정화된 Bayesian 분류기를 사용하는 경우에 비하여 성능이 향상됨을 확인하였다.</p> <h1>Ⅰ. 서 론</h1><p>질감 분류는 영상 검색, 영상 분할, 형태 인식, 그리고 컴퓨터 비젼 등의 분야에서 매우 중요한 역할을 차지하는 영상 처리 기법 중 하나이다. 특징 추출은 질감 분류에서 가장 핵심적인 과정 중의 하나로서 지금까지 여러 가지 방법들이 제안되어 왔다. 이들 특징 추출 방법은 주로 공간 영역에서 경사 연산자(gradient operator), MRF(Markov random field) 모델, 또는 GLCP(gray-level co-occurrence probability) 등을 이용한다. GLCP는 양자화된 중심 화소와 이웃 화소간의 결합 확률(joint probability)로 정의되며, 양자화 과정 그리고 중심 화소와 이웃 화소간의 거리와 방향에 따라 다양한 GLCP가 계산될 수 있다. GLCP로 추출되는 질감 특징으로는 엔트로피, 분산, 모멘트, 상관 계수 등이 있다.</p><p>공간 영역에서 질감 특징을 추출하는 방법 외에 근래에는 다해상도 기법으로서 Gabor 변환 또는 웨이브렛 변환에 기반한 질감 특징 추출 방법들이 제안되었다. Gabor 변환은 방향성과 주파수 선택성을 가지는 필터로 수행되며 영상에서 국부적인 특정 주파수 성분과 방향성 정보를 효과적으로 표현할 수 있다. 하지만 Gabor 변환은 비직교(nonorthogonal) 변환이어서 추출된 질감 특징 사이에 상관성(correlation)이 다소 존재할 수 있다. [5]에서는 Gabor 변환과 GLCP를 이용하여 추출한 질감 특징의 융합(fusion)에 의한 질감 분류 방법을 제안한 바 있다.</p><p>웨이브렛 변환은 직교 변환으로서 공간 영역 영상을 대역폭이 제한된 공간 영역의 부대역들로 분해하며 각 부대역은 영상의 평활화 정보 또는 방향성 상세 정보를 포함한다. 웨이브렛 변환을 이용한 질감 추출 방법 중에서 Chang과 Kuo가 제안한 방법에서는 나무 구조(tree-structured) 웨이브렛 변환 영역에서의 에너지를 이용하였고, Wouwer 등은 웨이브렛 프레임 변환 영역에서의 히스토그램과 GLCP를 이용하였다. 그리고 Selvan과 Ramakrishnan은 피라미드 구조(pyramid-structured) 웨이브렛 변환 영역에서 SVD(singular value decomposition)를 이용하여 특징을 추출하였으며, Wang과 Yong은 웨이브렛 패킷 변환 영역에서 선형 회기(linear regression)를 이용하였다.</p><p>Gabor 변환과 웨이브렛 변환을 이용한 특징 추출 이외에도 다해상도 해석에 의한 특징 추출로서 Ojala 등이 제안한 LBP(local binary patterns)가 있다. LBP에서는 중심 화소와 중심 화소로부터 동일한 거리를 갖는 이웃 화소들 간의 밝기 값을 비교하여 크고 작음을 판정한 다음 이러한 밝기 값의 크고 작음이 인접한 이웃 화소 간에 천이되는 개수를 구하여 그 히스토그램을 특징으로 정한다. 이때 중심 화소와 이웃 화소간의 거리를 여러 개를 사용하여 다해상도 해석이 되도록 한다.</p><p>한편, [12]에서는 영상 검색을 위한 질감 특징 추출 연산자로 BDIP(block difference of inverse probabilities) 연산자와 BVLC(block variance of local correlation coefficients) 연산자를 제안하였다. BDIP 연산자는 국부 밝기 변화를 국부 최대치로 정규화한 비선형 경사 연산자로서 국부적인 밝기 변화를 잘 표현하는 것으로 알려저 있다. 그리고 BVLC 연산자는 국부 영역에서 방향에 따른 국부 상관을 국부 분산으로 정규화하여 얻어지는 국부 상관 계수들의 최대 편차를 얻는 연산자로서 질감의 평활성(smoothness)을 잘 표현하는 것으로 알려저 있다. [13]에서는 BDIP와 BVLC 연산자를 웨이브렛 영역에 적합하도록 변형 적용하여 영상 검색에서 성능 향상을 보였다. 이들 BDIP와 BVLC 연산자는 영상 검색뿐만 아니라 질감 분류와 얼굴 인식, ROI determination, 언어 인식에도 적용되어 우수한 성능을 보여주었다.</p><p>본 논문에서는 기존의 BDIP 연산자와 BVLC 연산자를 재해석하고 이들을 웨이브렛 영역에 적용한 질감 분류 방법을 제안한다. 제안된 방법에서는 질감 분류를 위한 질의 영상(query image)에 웨이브렛 변환을 수행한 다음 각 부대역에 BDIP와 BVLC 연산자를 적용하여 질감의 국부적인 밝기 변화와 평활성에 관련된 특징을 추출한다. 이어서 추출된 각 부대역별 특징의 전역 평균과 표준 편차를 구하고 이들을 질감 특징으로 사용한다. 분류기로는 얼굴 인식에 주로 사용되어 우수한 성능을 보인 것으로 알려진 WPCA를 사용한다. 실험에서는 제안된 방법의 성능을 기존의 질감 분류에서 많이 사용되는 Haralick 특징, Gabor 특징, 그리고 LBP 특징에 의한 방법들과 성능을 비교한다.</p> <p>표 2는 VS1, BR2, BR3 영상 DB에 대하여 5가지 특징에 의한 질감 분류의 ACR 성능을 보여준다. 이때 특징은 표 1에서 비교하였던 4가지 특징과 제안된 웨이브렛 영역에서의 BDIP와 BVLC 특징에서 비선형 밝기 경사와 국부 상관 계수의 국부 최대 편차를 선형 밝기 경사와 국부 상관 계수의 표준 편차로 대치하여 사용한 경우의 총 5가지 특징이다. 분류기로는 WPCA 분류기를 사용하였으며 이 분류기의 고유치에 대한 역치 \( \delta \) 를 위한 \( \varepsilon \) 은 \( \varepsilon=0.5 \) 로 선택하였다. 표 2 에서 보면 VS1에 대하여 Haralick 특징, Gabor 특징, LBP 특징은 각각 \( 89.3 \%, 94.1 \%, 93.0 \% \) 의 ACR 성능을 보인다. 제안된 방법은 \( 99.0 \% \) 의 성능을 보여 이들에 비하여 ACR 성능이 순서대로 \( 9.7 \%\), \(4.9 \%,\) \(6.0 \% \) 가 각각 우수함을 알 수 있다. BR2에 대하여는 Haralick 특징, Gabor 특징, LBP 특징, 그리고 제안된 방법이 각각 \( 95.6 \%, 99.6 \%, 99.1 \%, 99.9 \% \) 의 성능을 보인다. 이로부터 제안된 방법이 Haralick에는 \( 4.3 \% \), Gabor에는 \( 0.3 \% \), LBP에는 \( 0.8 \% \) 의 성능이 우수함을 알 수 있다. BR3의 경우에는 Haralick이 \( 88.2 \% \), Gabor가 \( 90.5 \%\), LBP가 \( 95.9 \% \), 제안된 방법이 \( 97.1 \% \) 의 ACR 성능을 보여 역시 제안된 방법이 이들 방법에 비하여 순서대로 \( 8.9 \%, 6.6 \%, 1.2 \% \) 의 성능 우수를 각각 보인다는 것을 알 수 있다. 표 2 의 결과들로부터 제안된 BDIP와 BVLC 특징과 WPCA 분류기에 의한 방법은 특징 벡터의 차원이 비교적 낮은 16이면서도 3가지 실험 영상 DB에 대하여 기존의 Haralick, Gabor, LBP 특징들에 의한 질감 분류 방법들에 비하여 각각 \( 4.3 \% \sim 9.7 \%\), \(0.3 \% \sim 6.6 \%\), \(0.8 \% \sim 6.0 \% \) 우수한 ACR 성능을 보임을 알 수 있다. 또한 표 2 에서 보면 제안된 방법에서 선형성 대신에 비선형성을 도입함으로써 해당 DB별로 성능이 각각 \( 0.6 \%, 0.1 \%, 1.1 \% \) 성능 향상이 있음을 확인할 수 있다.</p><p>표 1 과 표 2 에서 보면 WPCA 분류기를 사용하는 경우가 안정화된 Bayesian 분류기를 사용하는 경우에 비하여 VS1과 BR2에 대하여 Haralick 특징은 \( 4.6 \% \) 와 \( 2.2 \% \) 의 성능 저하를 보이지만, Gabor 특징은 \( 4.1 \% \) 와 \( 0.7 \% \) 의 성능 향상을, LBP 특징은 \( 3.5 \% \) 와 \( 0.7 \% \) 의 성능 향상을, 그리고 제안된 방법은 \( 0.7 \% \) 와 \( 0.1 \% \) 의 성능 향상을 보인다는 것을 알 수 있다. 또한 BR3에 대하여는 안정화된 Bayesian 분류기는 공분산 행렬이 특이해지는 경우가 발생하는 것에 반하여 WPCA 분류기는 안정된 성능을 나타냄을 알 수 있다. 이로부터 WPCA 분류기를 사용함에 따른 제안된 방법은 안정된 성능을 보여주는 것은 물론 안정화된 Bayesian 분류기를 사용하는 Gabor 특징과 LBP 특징에 의한 방법들에 비하여 성능 향상을 가져옴을 확인할 수 있다.</p><table border><caption>표 2. WPCA 분류기를 사용한 경우의 실험 DB에 대한 특징별 ACR 결과 \( [\%] \)</caption><tbody><tr><td>Feature \ DB</td><td>VS1</td><td>BR2</td><td>BR3</td><td>Feature dimension</td></tr><tr><td>Haralick</td><td>89.3</td><td>95.6</td><td>88.2</td><td>8</td></tr><tr><td>Gabor</td><td>94.1</td><td>99.6</td><td>90.5</td><td>24</td></tr><tr><td>LBP</td><td>93.0</td><td>99.1</td><td>95.9</td><td>20</td></tr><tr><td>LMLG+LSLC</td><td>98.4</td><td>99.8</td><td>96.0</td><td>16</td></tr><tr><td>Proposed</td><td>99.0</td><td>99.9</td><td>97.1</td><td>16</td></tr></tbody></table>	전기공학, 통신공학, 전자공학	[ "<h1>요 약</h1><p>본 논문에서는 웨이브렛 영역의 BDIP(block difference of inverse probabilities)와 BVLC(block variance of local correlation coefficients) 특징, 그리고 WPCA(whitened principal component analysis) 분류기를 이용한 질감 분류 방법을 제안한다.", "제안된 방법에서는 먼저 질의 영상에 웨이브렛 변환을 적용한다.", "그런 다음 웨이브렛 영역의 각 부대역에 BDIP와 BVLC 연산자를 적용한다.", "이어서 각 BDIP, BVLC 부대역에 대하여 전역 통계치를 계산하고 그 결과들을 벡터화하여 특징 벡터로 사용한다.", "분류 단계에서는 얼굴 인식에 주로 사용되는 WPCA를 분류기로 하여 질의 특징 벡터와 가장 유사한 학습 특징 벡터를 찾는다.", "실험 결과 제안된 방법은 3가지의 실험 질감 영상 DB에 대하여 낮은 특징 벡터 차원으로 매우 우수한 질감 분류 성능을 보여준다.", "</p> <h2>3. Gabor 특징</h2><p>2차원 Gabor 필터에서는 다음과 같이 표현되는 가우시안 함수를 복소 지수 함수로 변조한 함수를 모 함수로 사용한다.", "</p><p>\\[g(x, y)=\\frac{1}{2 \\pi \\sigma_{x} \\sigma_{y}} \\exp \\left[-\\frac{1}{2}\\left(\\frac{x^{2}}{\\sigma_{x}^{2}}+\\frac{y^{2}}{\\sigma_{y}^{2}}\\right)+2 \\pi j W x\\right] \\]<caption>(3)</caption></p><p>여기서 \\( \\sigma_{x} \\) 와 \\( \\sigma_{y} \\) 는 가우시안 함수의 표준편차를 나타내며 모 함수의 주파수 대역을 정하는 상수로 사용된다.", "그리고 \\( W \\)는 변조 주파수를 나타내며 모 함수의 중심 주파수를 정하는 상수로 사용된다.", "Gabor 필터는 다음과 같이 (3)식의 모 함수 \\( g(x, y) \\) 를 스케일링하고 회전하여 얻어진다.", "</p><p>\\[ g_{m, n}(x, y)=a^{-2 m} g\\left(x^{\\prime}, y^{\\prime}\\right) \\]<caption>(4)</caption></p><p>여기서 \\( a\\)\\((a>1) \\) 는 스케일링을 위한 상수를 나타내고, \\( m\\)\\((m=0, \\cdots, M-1) \\) 은 스케일 인덱스를 나타낸다.", "그리고 \\( x^{\\prime}=a^{-m}\\left(x \\cos \\theta_{n}+y \\sin \\theta_{n}\\right)\\), \\(y^{\\prime}=a^{-m} \\left(-x \\sin \\theta_{n}+y \\cos \\theta_{n}\\right)\\), \\( \\theta_{n}=n \\pi / N \\) 이다.", "이때 \\( n (n=0, \\cdots, N-1) \\) 은 회전 인덱스를 나타낸다.", "(3)식과 (4)식에서 보면 Gabor 필터 \\( g_{m, n}(x, y) \\) 의 주파수 대역은 가우시안 함수의 표준편차 \\( \\sigma_{x} \\) 와 \\( \\sigma_{y} \\), 그리고 스케일 인자 \\( m \\) 에 의하여 결정되고, 중심 주파수는 변조 주파수 \\( W \\)에 의하여 결정되며, 방향성은 회전 인자 \\( n \\) 에 의하여 결정된다는 것을 알 수 있다.", "영상 \\( I \\) 에 대한 Gabor 변환은 (4)식의 Gabor 필터 \\( g_{m, n}(x, y) \\) 를 \\( I \\) 에 적용하여 얻어지며, Gabor 특징은 Gabor 변환 영상 \\( G I=\\left\\{G^{(m, n)}, m=0, \\cdots, M-1, n=0, \\cdots, N-1\\right\\} \\) 에 크기 연산자(magnitude operator)를 적용하여 얻은 영상 \\( G \\) 로부터 추출된다.", "</p><h2>4. LBP 특징</h2><p>영상 \\( I \\) 에 대한 LBP를 표현하기 위하여 \\( I \\) 의 화소 \\( p=(x, y) \\) 에서의 밝기 값을 \\( I_{p} \\) 로 하고, 화소 \\( p \\) 를 중심으로 거리가 \\( r \\) 인 \\( N \\) 개의 이웃 화소 \\( q_{n}^{r}, n=0, \\cdots, N-1 \\) 의 밝기 값을 \\( I_{q_{n}^{r}} \\)로 하자.", "그러면 영상 \\( I \\) 의 LBP는 다음과 같이 표현된다.", "</p><p>\\[ L B P_{r, N}=\\sum_{n=0}^{N-1} u\\left(I_{q_{n}^{r}}-I_{p}\\right) 2^{n} \\]<caption>(5)</caption></p><p>여기서 \\( u(\\cdot) \\) 는 다음과 같이 주어지는 이진 연산자를 나타낸다.", "</p><p>\\[ u(x)=\\left\\{\\begin{array}{ll}1, & x \\geq 0 \\\\ 0, & x<0\\end{array}\\right. \\]", "<caption>(6)</caption></p><p>(5)식과 (6)식에서 보면 \\( L B P_{r, N} \\) 은 중심 화소에서 거리가 \\( r \\) 인 이웃 화소의 밝기 값이 중심 화소의 밝기 값보다 크면 1로 정하고 작으면 0으로 정한 다음 그 값들을 이웃 화소의 위치에 따라 \\( N \\) 비트 내의 각 비트에 입력하여 얻어진다는 것을 알 수 있다.", "이는 \\( L B P_{r, N} \\) 내의 인접 비트 간에 1 / 0 천이 횟수가 많으면 밝기 변화가 큰 영역이라는 것을 의미한다.", "</p><p>[11]에서는 (5)식의 \\( L B P_{r, N} \\) 을 회전 불변(rotation invariant) 특성을 갖도록 하기 위하여 다음과 같이 주어지는 \\( L B P_{r, N}^{r i u2} \\) 로 변형하였다.", "</p><p>\\[ L B P_{r, N}^{r i u2}=\\left\\{\\begin{array}{cl}\\sum_{n=0}^{N-1} u\\left(I_{q_{n}^{r}}-I_{p}\\right), & \\text { if } Y\\left(L B P_{r, N}\\right) \\leq 2 \\\\ N+1, & \\text { otherwise }\\end{array}\\right. \\]", "<caption>(7)</caption></p><p>여기서 \\( Y\\left(L B P_{r, N}\\right) \\) 은 다음과 같이 주어진다.", "</p><p>\\[ Y\\left(L B P_{r, N}\\right)=\\sum_{n=1}^{N}\\left\|u\\left(I_{q_{(n \\operatorname{mod} N)}^{r}}-I_{p}\\right)-u\\left(I_{q_{n-1}^{r}}-I_{p}\\right)\\right\| \\]<caption>(8)</caption></p><p>(8)식에서 보면 \\( Y\\left(L B P_{r, N}\\right) \\) 은 \\( L B P_{r, N} \\) 의 LSB에서부터 MSB까지 인접한 비트 간에 1 / 0 천이 횟수와 MSB와 LSB 간 1 / 0 천이 횟수를 합한 것을 나타내며 그 값이 큰 경우에는 \\( p \\) 화소는 밝기 변화가 큰 영역이라는 것을 의미한다는 것을 알 수 있다.", "그리고 (7)식에서 보면 \\( L B P_{r, N}^{r i u 2} \\) 는 \\( Y\\left(L B P_{r, N}\\right) \\) 즉, \\( L B P_{r, N} \\) 내의 인접한 비트 간의 총 1 / 0 천이 횟수가 2 이하인 경우에는 \\( L B P_{r, N} \\) 내에서 1의 개수로 주어지고, 3 이상인 경우에는 \\( L B P_{r, N} \\) 의 전체 비트 수보다 1이 더 큰 값으로 주어진다.", "이는 \\( L B P_{r, N}^{r i u2} \\) 는 중심 화소를 주변으로 이웃한 화소들이 인접 화소간의 밝기 변화가 적은 경우에는 균일한 밝기 분포를 갖는 것으로 보고 그 밝기 변화의 정도와 관련된 수를 가지고 밝기 변화가 큰 경우에는 균일하지 못한 밝기 분포를 갖는 것으로 보고 특정한 상수 값을 가진다는 것을 알 수 있다.", "[11]에서는 \\( L B P_{r, N}^{riu 2} \\) 의 히스토그램을 LBP 특징으로 사용하였다.", "</p> <h1>Ⅱ. 질감 분류와 특징 추출</h1><h2>1. 질감 분류</h2><p>그림 1은 기존의 질감 분류의 블록도를 보여준다.", "편의상 학습(training)을 위한 영상 DB에는 \\( K \\) 개의 클래스(class)를 가지면서 각 클래스별로는 \\( J \\) 개의 영상이 포함된 것으로 하자.", "먼저 학습 단계에서는 영상 DB에 저장되어 있는 각 영상 \\( I_{k, j}\\), \\(k=1, \\cdots, K\\), \\(j=1, \\cdots, J \\) 로부터 특징을 추출한 다음 이들로부터 특징 벡터 \\( \\mathrm{f}_{k, j} \\) 를 생성한다.", "기존의 학습에서는 주로 특징 벡터 \\( \\mathrm{f}_{k, j} \\)를 평균하여 각 클래스에 대한 대표 특징 벡터 집합 \\( \\left\\{\\overline{\\mathrm{f}}_{k} \\mid k=1, \\cdots, K\\right\\} \\) 를 얻는다.", "그리고 필요하다면 특징 벡터에 대한 공분산 행렬 집합 \\( \\left\\{\\mathrm{C}_{k} \\mid k=1, \\cdots, K\\right\\} \\) 를 계산하고 통계치를 특징 DB에 저장한다.", "시험(test) 단계에서는 질감 분류를 위한 질의 영상 \\( I \\) 가 들어오면 이로부터 특징 벡터 \\( \\mathrm{f} \\) 를 추출하고 분류기에서 다음과 같이 DB에 저장되어 있는 특징 벡터 \\( \\left\\{\\overline{\\mathrm{f}}_{k} \\mid k=1, \\cdots, K\\right\\} \\) 중에서 \\( \\mathrm{f} \\) 와 가장 유사한 벡터 \\( \\overline{\\mathrm{f}}_{c} \\) 를 찾아 그 인덱스(index) \\( c \\) 를 출력한다.", "</p><p>\\[ c=\\arg \\min_{ \\substack{k \\in\\{1, \\cdots, K\\}}} d\\left(\\mathrm{f}, \\overline{\\mathrm{f}}_{k}\\right) \\]<caption>(1)</caption></p><p>여기서 \\( d(\\cdot) \\) 는 두 벡터간의 거리(distance) 또는 판별함수(discriminant function)를 나타낸다.", "이때 \\( c \\) 는 분류된 질감의 클래스 인덱스가 된다.", "그리고 계산된 공분산 행렬 \\( \\mathrm{C}_{k} \\) 는 (1)식의 거리 \\( d(\\cdot) \\) 의 측정에 사용될 수가 있다.", "</p><h2>2. GLCP와 Haralick 특징</h2><p>밝기 값이 각각 \\( i \\) 와 \\( j \\) 이면서 거리가 \\( r \\) 이고 각도가 \\( \\theta \\) 인 임의의 두 화소 간의 결합 확률 질량 함수(joint probability mass function ) 를 \\( P(i, j ; r, \\theta) \\) 라 하자.", "그러면 GLCP는 결합 확률 질량 함수의 추정치 \\( \\hat{P}(i, j ; r, \\theta) \\) 를 일컬으며, GLCM(GLC matrices)라고도 한다.", "평균 GLCM \\(\\hat{P}(i, j) \\) 는 다음과 같이 추정된 결합 확률 질랑 함수 \\( \\hat{P}(i, j ; r, \\theta) \\) 를 모든 가능한 \\( (r, \\theta) \\) 에 대하여 평균하여 얻어진다.", "</p><p>\\[ \\hat{P}(i, j)=<\\hat{P}(i, j ; r, \\theta)>_{(r, \\theta)} \\]<caption>(2)</caption></p><p>여기서 \\(<\\cdot>\\) 은 평균 연산자를 나타낸다.", "Haralick 등은 GLCP로부터 얻게 되는 엔트로피, 분산, 모멘트, 상관 계수 등의 28가지 질감 특징을 제안하였다.", "</p> <h1>Ⅲ. 제안된 질감 분류</h1><p>그림 2 는 제안된 질감 분류의 블록도를 보여준다.", "먼저 질의 영상 I가 들어오면 I에 대한 웨이브렛 변환을 수행하여 웨이브렛 영상 WI를 얻는다.", "이어서 WI에 BDIP와 BVLC 연산자를 적용하여 WI와 WV 영상을 얻고, 이들로부터 전역 통계치를 계산하여 그 결과를 각각 특징 벡터 \\( \\mathrm{f}_{W D} \\) 와 \\( \\mathrm{f}_{W V} \\) 로 만든다.", "이들 특징 벡터 \\( \\mathrm{f}_{W D}, \\mathrm{f}_{W V} \\) 들은 벡터 융합을 거처 최종 특징 벡터 \\( \\mathrm{f} \\) 를 생성한다.", "분류기에서는 특징 DB에 저장되어 있는 대표 특징 벡터 \\( \\left\\{\\overline{\\mathrm{f}}_{k} \\mid k=1, \\cdots, K\\right\\} \\) 중에서 \\( \\mathrm{f} \\) 와 가장 유사한 벡터 \\( \\overline{\\mathrm{f}}_{c} \\) 를 찾아 그 인덱스 \\( c \\) 를 출력한다.", "</p><h2>1. 웨이브렛 영역의 BDIP와 BVLC</h2><p>영상 I 에 대한 웨이브렛 변환에서는 그림 3 과 같이 I 에 1 차원 저대역 필터(LPF)와 고대역 필터(HPF)를 수평, 수직 방향으로 분리적으로 적용하여 평활 부대역 LL과 3개의 상세 부대역 LH, HL, HH로 분해한다.", "이들 부대역들은 다운 샘플링(downsampling)되어 첫 번째 스케일에서의 4개의 부대역 \\( \\left\\{W^{(1, L L)}, W^{(1, L H)},W^{(1, H L)}, W^{(1, H H)}\\right\\} \\) 를 얻는다. \\", "( W^{(1, L L)} \\) 은 다시 같은 방법으로 두 번째 스케일에서의 4개의 부대역 \\( \\left\\{W^{(2, L L)}, W^{(2, L H)}, W^{(2, H L)}, W^{(2, H H)}\\right\\} \\) 로 분해된다.", "이러한 과정을 \\( L \\) 번째 스케일까지 적용하여 웨이브렛 영상 \\( W I=\\left\\{W^{(L, L L)}\\right.,\\left\\{W^{(l, b)}\\right\\}, l=1, \\cdots, L, b \\in \\{L H, H L, H H \\}\\} \\) 를 얻는다.", "</p><p>웨이브렛 변환된 \\( l \\) 번째 스케일에서의 \\( b \\) 부대역의 화소 \\( p \\) 에서의 BDIP \\(\\bar{g}_{p}^{(l, b)} \\) 는 다음과 같이 정의된다.", "</p><p>\\[ \\begin{aligned} \\bar{g}_{p}^{(l, b)} &=\\frac{<\\widehat{W}_{p}^{(l, b)}-W_{q}^{(l, b)}>_{q \\in R_{p}}}{\\widehat{W}_{p}^{(l, L L)}}, \\\\ l &=1, \\cdots, L, \\quad b \\in\\{L L, L H, H L, H H\\} \\end{aligned} \\]<caption>(17)</caption></p><p>여기서 \\( \\widehat{W}_{p}^{(l, b)} \\) 는 \\( l \\) 번째 스케일 \\( b \\) 부대역에서 화소 \\( p \\) 를 중심으로 하는 창 \\( R \\) 내에서의 최대값을 나타낸다.", "그리고 \\( W^{(l, b)} \\) 의 화소 \\( p \\) 에서의 BVLC \\(\\operatorname{dev}\\left(\\rho_{p}^{(l, b)}\\right) \\) 는 다음과 같이 정의된다.", "</p><p>\\[ \\begin{aligned} &\\operatorname{dev}\\left(\\rho_{p, d}^{(l, b)}\\right)=\\max_{\\substack{d \\in O}} \\rho_{p, d}^{(l, b)}-\\min_{\\substack{d \\in O}} \\rho_{p, d}^{(l, b)}, \\\\ &l=1, \\cdots, L, \\quad b \\in \\{L L, L H, H L, H H\\} \\end{aligned} \\]<caption>(18)</caption></p><p>여기서 \\( \\rho_{p, d}^{(l, b)} \\) 는 다음과 같이 정의되는 \\( W^{(l, b)} \\) 의 화소 \\( p \\) 에서의 방향 \\( d \\) 에 따른 국부 상관 계수를 나타낸다.", "</p><p>\\[ \\begin{aligned} &\\rho_{p, d}^{(l, b)}=\\frac{< W_{q+d}^{(l, b)} W_{q}^{(l, b)}>_{q \\in R_{p}}-\\bar{W}_{p+d}^{(l, b)} \\bar{W}_{p}^{(l, b)}}{\\sqrt{\\operatorname{var}\\left(W_{p+d}^{(l, b)}\\right) \\operatorname{var}\\left(W_{p}^{(l, b)}\\right)}}, \\\\ &d \\in O \\end{aligned}\\]<caption>(19)</caption></p><p>여기서 \\( \\bar{W}_{p}^{(l, b)} \\) 와 \\( \\operatorname{var}\\left(W_{p}^{(l, b)}\\right) \\) 는 \\( l \\) 번째 스케일 \\( b \\) 부대역에서 화소 \\( p \\) 에 대한 국부 평균과 분산을 각각 나타내고, \\( \\bar{W}_{p-d}^{(l, b)} \\) 와 \\( \\operatorname{var}\\left(W_{p+d}^{(l, b)}\\right) \\) 는 화소 \\( p+d \\) 에 대한 국부 평균과 분산을 각각 나타낸다.", "한편 [14]에서는 \\( \\rho_{p, d}^{(l, b)} \\) 을 계산할 때 (19)식과 달리 [13]에서 영상 검색을 위하여 계산량 감소를 고려하여 정의한 절대차의 평균(mean absolute difference)을 이용하였다.", "반면에 (19)식은 공간 영역에서의 정의 식을 웨이브렛 영역에 그대로 적용한 것이다.", "</p> <h1>Ⅳ. 실험 결과 및 검토</h1><p>본 논문에서 제안된 질감 분류의 성능을 평가하기 위하여 Vistex 앨범과 Brodatz 앨범으로부터 3가지 실험 질감 영상 DB를 구축하고 시뮬레이션을 수행하였다.", "그림 4에서는 Vistex 앨범과 Bradatz 앨범에서 DB 구축에 사용된 영상의 샘플을 보여준다.", "첫 번째 질감 영상 DB는 \\( 512 \\times 512 \\) 의 크기를 갖는 30장의 Vistex 영상을 모영상(mother image)로 하여 각 모영상을 겹침이 없는 64장의 \\( 64 \\times 64 \\) 크기의 영상으로 분할하여 얻었다.", "이 경우 클래스의 수는 30이 되고 각 클래스 내의 64장의 영상 중에서 절반인 32장은 학습 영상으로 나머지 32장은 질의 영상으로 사용하였다.", "이 DB는 [8]에서 사용한 DB와 동일한 것이 된다.", "편의상 이 영상 DB를 VS1이라 한다.", "두 번째 영상 DB는 \\( 512 \\times 512 \\) 의 크기를 갖는 40장의 Brodatz 영상을 모영상로 하여 역시 각 모영상을 겹침이 없는 64장의 \\( 64 \\times 64 \\) 크기의 영상으로 나누어 얻었으며 학습 영상과 질의 영상으로 각각 32장씩 사용하였다.", "이때 40개의 클래스 인덱스는 [10]에서와 같도록 하였다.", "이 영상 DB는 편의상 BR2라 한다.", "BR3라 하기로 하는 세 번째 DB는 \\( 640 \\times 640 \\) 크기의 112장의 Brodatz 영상을 모영상로 하여 각 모영상을 겹침이 없는 25장의 \\( 128 \\times 128 \\) 크기의 영상으로 나누어 얻었으며 각 클래스 내의 홀수번의 13장은 학습 영상으로 나머지 짝수번의 12장은 질의 영상으로 각각 사용하였다.", "</p><p>실험에서는 제안된 질감 분류 방법을 Haralick의 특징, Gabor 특징, 그리고 LBP 특징에 의한 방법들과 성능 비교를 하였다.", "실험에서 사용된 Haralick 특징은 거리가 \\( r=1,2 \\) 이고 각도는 \\( \\theta=0,45,90,135^{\\circ} \\) 인 GLCP를 이용한 결합 엔트로피, 합의 분산, 합의 엔트로피, 차의 평균, 차의 분산, 차의 엔트로피, 차의 역 모멘트, 상관의 측정 정보의 8가지이다.", "</p><p>Gabor 필터를 위한 (3)식과 (4)식의 상수는 \\( \\sigma_{x}=0.9809\\), \\(\\sigma_{y}=1.2873\\), \\( W=0.4\\), \\( a=2.8284\\), \\(M=3\\), \\(N=4 \\) 로 하였다.", "그리고 LBP를 위한 거리 \\( r \\) 과 이웃 화소의 개수 \\( N \\) 의 쌍은 \\( (r, N) \\in\\{(1,8),(2,8)\\} \\) 로 하였다.", "이때 \\( r \\) 은 Chebyshev 거리를 사용하였다.", "웨이브렛 변환은 Haar 필터를 사용하여 다운 샘플링을 하지 않으면서 첫 번째 스케일까지 수행하였다 \\", "( (L=1) \\).", "웨이브렛 변환을 수행할 때 영상 경계에서는 기 대칭(odd symmetry)을 사용하였다.", "또한 BDIP와 BVLC 계산에서 사용되는 국부 창의 크기는 \\( 3 \\times 3 \\) 으로 하였다.", "따라서 (20)식의 \\( b \\) 는 \\( b=1 \\) 이 된다.", "BDIP와 BVLC의 안정화를 위한 역치 \\( \\delta_{G} \\) 와 \\( \\delta_{C} \\) 는 실험적으로 \\( \\delta_{G}=2 \\) 와 \\( \\delta_{C}=10^{-3} \\) 으로 정하였다.", "WPCA에서의 고유치에 대한 역치 \\( \\delta \\) 는 모든 학습 영상에 대한 고유치를 내림차순으로 정렬한 다음 하위 \\( \\varepsilon \\% \\) 를 역치화 할 수 있는 값으로 결정하였다.", "질감 분류의 평가 척도로는 질의 영상의 수에 대한 정확하게 인식된 영상의 수의 비를 나타내는 평균 분류율(ACR: averaged classification rate)을 사용하였다.", "</p><p>표 1 은 VS1과 BR2 영상 DB에 대하여 Haralick의 특징, Gabor 특징, LBP 특징, 그리고 제안된 BDIP와 BVLC 특징에 의한 질감 분류의 ACR 성능을 보여준다.", "이때 분류기로는 [14]에서 사용된 안정화된 Bayesian 분류기를 사용하였고, 이 분류기의 공분산에 대한 역치는 WPCA에서 고유치에 대한 역치 \\( \\delta \\) 를 구하는 것과 같은 방식으로 결정하였으며 \\( \\delta \\) 를 위한 \\( \\varepsilon \\) 은 \\( \\varepsilon=8 \\) 로 선택하였다.", "표 1 에서 보면 VS1에 대하여 Haralick의 특징에 의한 질감 분류는 \\( 93.9 \\% \\) 의 ACR 성능을 보이고, Gabor 특징과 LBP 특징에 의한 방법들은 각각 \\( 90.0 \\% \\) 와 \\( 89.5 \\% \\) 의 성능을 보인다.", "반면에 제안된 방법은 \\( 98.3 \\% \\) 의 성능을 보여 Haralick 특징 보다는 성능이 \\( 4.4 \\% \\) 우수하고, Gabor 특징과 LBP 특징에 비해서는 성능이 각각 \\( 8.3 \\% \\) 와 \\( 8.8 \\% \\) 우수하다는 것을 알 수 있다.", "BR2에 대하여는 제안된 방법이 \\( 99.8 \\% \\) 의 ACR 성능을 보여 \\( 97.8 \\% \\) 를 보인 Haralick 특징 보다는 \\( 2.0 \\% \\) 의 성능이 우수하고, \\( 98.9 \\% \\) 의 성능을 보인 Gabor 특징 보다는 \\( 0.9 \\% \\), 그리고 \\( 98.4 \\% \\) 의 성능을 보인 LBP 특징 보다는 \\( 1.4 \\% \\) 의 성능이 우세함을 보인다.", "BR3에 대한 결과는 안정화된 Bayesian 분류기를 사용하는 경우에 클래스의 수는 많고 클래스별 학습 영상의 수가 작음에 따른 공분산 행렬의 특이성(singularity)에 의한 성능 저하가 발생하여 표 1 에서 제외하였다.", "</p><table border><caption>표 1. 안정화된 Bayesian 분류기를 사용한 경우의 실험 DB에 대한 특징별 ACR 결과 [\\(\\%\\)]</caption><tbody><tr><td>feature \\(\\backslash\\) DB</td><td>VS1</td><td>BR2</td><td>Feature dimension</td></tr><tr><td>Haralick</td><td>93.9</td><td>97.8</td><td>8</td></tr><tr><td>Gabor</td><td>90.0</td><td>98.9</td><td>24</td></tr><tr><td>LBP</td><td>89.5</td><td>98.4</td><td>20</td></tr><tr><td>Proposed</td><td>98.3</td><td>99.8</td><td>16</td></tr></tbody></table> <h2>2. 특징 벡터의 생성</h2><p>특징 벡터 \\( \\mathrm{f}_{W D} \\) 를 생성하기 위해서는 먼저 웨이브렛 영역의 BDIP 영상 WD의 \\( l \\) 번째 스케일 \\( b \\) 부대역 \\( W D^{(l, b)} \\) 로부터 전역 평균 \\( \\mu_{W D^{(l, b)}} \\) 와 전역 표준 편차 \\( \\sigma_{W D^{(l, b)}} \\) 를 계산하고 그 결과를 다음과 같이 벡터화하여 \\( \\mathrm{f}_{W D^{(l,b)}} \\) 를 얻는다.", "</p><p>\\[ \\mathrm{f}_{W D^{(l,b)}}=\\left[\\mu_{W D^{(l,b)}}, \\sigma_{W D^{(l,b)}}\\right] \\]<caption>(20)</caption></p><p>그리고는 다음과 같이 모든 \\( l \\) 과 \\( b \\) 에 대하여 얻어지는 벡터를 모아서 \\( \\mathrm{f}_{W D} \\) 를 생성한다.", "</p><p>\\[ \\mathrm{f}_{W D}=\\left[\\mathrm{f}_{W D^{(l, b)}} \\mid l=1, \\cdots, L, b \\in\\{L L, L H, H L, H H\\}\\right] \\]<caption>(21)</caption></p><p>같은 방법으로 특징 벡터 \\( \\mathrm{f}_{W V} \\) 도 WV 영상의 \\( l \\) 번째 스케일 \\( b \\) 부대역 \\( W V^{(l, b)} \\) 로부터 전역 평균 \\( \\mu_{W V^{(l, b)}} \\) 와 전역 표준편차 \\( \\sigma_{W V^{(l, b)}} \\) 를 계산하여 그 결과를 \\( \\mathrm{f}_{W V^{(l, b)}} \\) 로 벡터화하고 모든 \\( l \\) 과 \\( b \\) 에 대하여 얻어지는 \\( \\mathrm{f}_{W V^{(l,b)}} \\) 벡터를 모아서 생성된다.", "이때 BVLC 계산은 다음의 8방향에 대하여 수행한다.", "</p><p>\\[ O=\\{(u, v) \\mid u, v \\in\\{-b, 0, b\\}, \\quad(u, v) \\neq(0,0)\\} \\]<caption>(22)</caption></p><p>특징 벡터 \\( \\mathrm{f}_{W D} \\) 와 \\( \\mathrm{f}_{W V} \\) 는 다음과 같이 모아져서 융합된 특징 벡터 \\( f \\) 를 얻는다.", "</p><p>\\[ \\mathrm{f}=\\left[\\mathrm{f}_{W D}, \\mathrm{f}_{W V}\\right] \\]<caption>(23)</caption></p><h2>3. WPCA를 이용한 분류기</h2><p>WPCA는 PCA 과정과 화이트닝(whitening) 과정으로 구성된다.", "편의상 학습과정에서 구한 \\( k \\) 번째 클래스의 특징 벡터의 평균 벡터와 공분산 행렬을 각각 \\( \\overline{\\mathrm{f}}_{k} \\) 와 \\( \\mathrm{C}_{k} \\) 로 표시하고, 내림차순으로 정렬된 \\( \\mathrm{C}_{k} \\) 의 고유치와 고유 벡터를 각각 \\( \\left\\{\\lambda_{k, i} \\mid i=1, \\cdots, U\\right\\} \\) 와 \\( \\left\\{\\phi_{k, i} \\mid i=1, \\cdots, U\\right\\} \\) 로 표시하자.", "그러면 \\( \\overline{\\mathrm{f}}_{k} \\) 에 대한 WPCA는 다음과 같이 표현된다.", "</p><p>\\[ \\overline{\\mathrm{y}}_{k}=\\widetilde{\\Lambda}_{k}^{-1 / 2} \\Phi_{k}^{T} \\overline{\\mathrm{f}}_{k} \\]<caption>(24)</caption></p><p>여기서 \\( \\Phi_{k} \\) 는 다음과 같이 주어지는 고유 벡터 행렬을 나타낸다.", "</p><p>\\[ \\Phi_{k}=\\left[\\phi_{k, 1}, \\phi_{k, 2}, \\cdots, \\phi_{k, U}\\right] \\]<caption>(25)</caption></p><p>그리고 (24)식의 \\( \\tilde{\\Lambda}_{k} \\) 는 다음과 같이 안정화된 화이트닝을 위하여 고유치 \\( \\lambda_{k, i} \\) 를 \\( \\tilde{\\lambda}_{k, i}=\\max \\left(\\lambda_{k, i} \\delta\\right) \\) 로 클리핑한 다음 대각화하여 얻어지는 행렬을 나타낸다.", "</p><p>\\[ \\widetilde{\\Lambda}_{k}=\\operatorname{diag}\\left[\\tilde{\\lambda}_{k, 1}, \\tilde{\\lambda}_{k, 2}, \\cdots, \\tilde{\\lambda}_{k, V}, \\delta, \\cdots, \\delta\\right] \\]<caption>(26)</caption></p><p>한편 얼굴 인식에 사용되는 WPCA는 모든 클래스로부터 하나의 공분산 행렬을 구하고, 고유 벡터는 주어진 역치보다 큰 값을 가지는 고유치에 해당하는 것들만을 사용한다.", "반면에 본 논문에서 사용하는 WPCA는 (24)-(26)식에서 보는 바와 같이 공분산 행렬을 각 클래스 별로 구하고 모든 고유 벡터를 사용한다.", "</p><p>본 논문에서 사용하는 WPCA를 이용한 분류기에서 질의 영상 I의 특징 벡터 \\( \\mathrm{f} \\) 와 \\( k \\) 번째 클래스의 평균 벡터 \\( \\overline{\\mathrm{f}}_{k} \\) 의 거리는 \\( \\mathrm{f} \\) 의 WPCA \\( \\mathrm{y}\\) 와 \\( \\overline{\\mathrm{f}}_{k} \\) 의 WPCA \\( \\overline{\\mathrm{y}}_{k} \\) 에 대한 Euclidean 거리로서 다음과 같이 표현된다.", "</p><p>\\[ d\\left(\\mathrm{f}, \\overline{\\mathrm{f}}_{k}\\right)=\\left\\\|\\mathrm{y}-\\overline{\\mathrm{y}}_{k}\\right\\\|^{2} \\]<caption>(27)</caption></p><p>여기서 \\( \\mathrm{y} \\) 는 다음과 같이 주어진다.", "</p><p>\\[ \\mathrm{y}=\\widetilde{\\Lambda}_{k}^{-1 / 2} \\Phi_{k}^{T} \\mathrm{f} \\]<caption>(28)</caption></p><p>그리고 (27)식의 \\( \\\|\\cdot\\\| \\) 는 벡터의 크기를 나타낸다.", "</p> <h1>Ⅴ. 결 론</h1><p>본 논문에서는 웨이브렛 영역의 BDIP와 BVLC 특징과 WPCA 분류기를 사용하는 질감 분류 방법을 제안하였다.", "제안된 방법에서 BDIP 특징은 질감의 국부적인 밝기 변화를 표현하고 BVLC 특징은 질감의 평활성을 표현한다.", "그리고 WPCA 분류기는 영상의 클래스의 수는 많고 학습 영상의 수는 적은 경우에도 특이성에 의한 성능 저하가 없이 안정된 분류를 한다.", "실험 결과 제안된 방법은 Vistex 앨범과 Brodatz 앨범으로부터 구축된 3가지의 실험 영상 DB에 대하여 \\( 97.1 \\% \\sim 99.9 \\% \\) 의 ACR 성능을 보여 Haralick 특징, Gabor 특징, 그리고 LBP 특징에 의한 방법들보다 각각 \\( 4.3 \\% \\sim 9.7 \\%\\), \\(0.3 \\% \\sim 6.6 \\%\\), \\(0.8 \\% \\sim 6.0 \\% \\) 의 성능 우수를 보여주었다.", "또한 WPCA 분류기를 사용함으로써 기존의 안정화된 Bayesian 분류기를 사용하는 경우에 비하여 성능이 향상됨을 확인하였다.", "</p> <h1>Ⅰ. 서 론</h1><p>질감 분류는 영상 검색, 영상 분할, 형태 인식, 그리고 컴퓨터 비젼 등의 분야에서 매우 중요한 역할을 차지하는 영상 처리 기법 중 하나이다.", "특징 추출은 질감 분류에서 가장 핵심적인 과정 중의 하나로서 지금까지 여러 가지 방법들이 제안되어 왔다.", "이들 특징 추출 방법은 주로 공간 영역에서 경사 연산자(gradient operator), MRF(Markov random field) 모델, 또는 GLCP(gray-level co-occurrence probability) 등을 이용한다.", "GLCP는 양자화된 중심 화소와 이웃 화소간의 결합 확률(joint probability)로 정의되며, 양자화 과정 그리고 중심 화소와 이웃 화소간의 거리와 방향에 따라 다양한 GLCP가 계산될 수 있다.", "GLCP로 추출되는 질감 특징으로는 엔트로피, 분산, 모멘트, 상관 계수 등이 있다.", "</p><p>공간 영역에서 질감 특징을 추출하는 방법 외에 근래에는 다해상도 기법으로서 Gabor 변환 또는 웨이브렛 변환에 기반한 질감 특징 추출 방법들이 제안되었다.", "Gabor 변환은 방향성과 주파수 선택성을 가지는 필터로 수행되며 영상에서 국부적인 특정 주파수 성분과 방향성 정보를 효과적으로 표현할 수 있다.", "하지만 Gabor 변환은 비직교(nonorthogonal) 변환이어서 추출된 질감 특징 사이에 상관성(correlation)이 다소 존재할 수 있다.", "[5]에서는 Gabor 변환과 GLCP를 이용하여 추출한 질감 특징의 융합(fusion)에 의한 질감 분류 방법을 제안한 바 있다.", "</p><p>웨이브렛 변환은 직교 변환으로서 공간 영역 영상을 대역폭이 제한된 공간 영역의 부대역들로 분해하며 각 부대역은 영상의 평활화 정보 또는 방향성 상세 정보를 포함한다.", "웨이브렛 변환을 이용한 질감 추출 방법 중에서 Chang과 Kuo가 제안한 방법에서는 나무 구조(tree-structured) 웨이브렛 변환 영역에서의 에너지를 이용하였고, Wouwer 등은 웨이브렛 프레임 변환 영역에서의 히스토그램과 GLCP를 이용하였다.", "그리고 Selvan과 Ramakrishnan은 피라미드 구조(pyramid-structured) 웨이브렛 변환 영역에서 SVD(singular value decomposition)를 이용하여 특징을 추출하였으며, Wang과 Yong은 웨이브렛 패킷 변환 영역에서 선형 회기(linear regression)를 이용하였다.", "</p><p>Gabor 변환과 웨이브렛 변환을 이용한 특징 추출 이외에도 다해상도 해석에 의한 특징 추출로서 Ojala 등이 제안한 LBP(local binary patterns)가 있다.", "LBP에서는 중심 화소와 중심 화소로부터 동일한 거리를 갖는 이웃 화소들 간의 밝기 값을 비교하여 크고 작음을 판정한 다음 이러한 밝기 값의 크고 작음이 인접한 이웃 화소 간에 천이되는 개수를 구하여 그 히스토그램을 특징으로 정한다.", "이때 중심 화소와 이웃 화소간의 거리를 여러 개를 사용하여 다해상도 해석이 되도록 한다.", "</p><p>한편, [12]에서는 영상 검색을 위한 질감 특징 추출 연산자로 BDIP(block difference of inverse probabilities) 연산자와 BVLC(block variance of local correlation coefficients) 연산자를 제안하였다.", "BDIP 연산자는 국부 밝기 변화를 국부 최대치로 정규화한 비선형 경사 연산자로서 국부적인 밝기 변화를 잘 표현하는 것으로 알려저 있다.", "그리고 BVLC 연산자는 국부 영역에서 방향에 따른 국부 상관을 국부 분산으로 정규화하여 얻어지는 국부 상관 계수들의 최대 편차를 얻는 연산자로서 질감의 평활성(smoothness)을 잘 표현하는 것으로 알려저 있다.", "[13]에서는 BDIP와 BVLC 연산자를 웨이브렛 영역에 적합하도록 변형 적용하여 영상 검색에서 성능 향상을 보였다.", "이들 BDIP와 BVLC 연산자는 영상 검색뿐만 아니라 질감 분류와 얼굴 인식, ROI determination, 언어 인식에도 적용되어 우수한 성능을 보여주었다.", "</p><p>본 논문에서는 기존의 BDIP 연산자와 BVLC 연산자를 재해석하고 이들을 웨이브렛 영역에 적용한 질감 분류 방법을 제안한다.", "제안된 방법에서는 질감 분류를 위한 질의 영상(query image)에 웨이브렛 변환을 수행한 다음 각 부대역에 BDIP와 BVLC 연산자를 적용하여 질감의 국부적인 밝기 변화와 평활성에 관련된 특징을 추출한다.", "이어서 추출된 각 부대역별 특징의 전역 평균과 표준 편차를 구하고 이들을 질감 특징으로 사용한다.", "분류기로는 얼굴 인식에 주로 사용되어 우수한 성능을 보인 것으로 알려진 WPCA를 사용한다.", "실험에서는 제안된 방법의 성능을 기존의 질감 분류에서 많이 사용되는 Haralick 특징, Gabor 특징, 그리고 LBP 특징에 의한 방법들과 성능을 비교한다.", "</p> <p>표 2는 VS1, BR2, BR3 영상 DB에 대하여 5가지 특징에 의한 질감 분류의 ACR 성능을 보여준다.", "이때 특징은 표 1에서 비교하였던 4가지 특징과 제안된 웨이브렛 영역에서의 BDIP와 BVLC 특징에서 비선형 밝기 경사와 국부 상관 계수의 국부 최대 편차를 선형 밝기 경사와 국부 상관 계수의 표준 편차로 대치하여 사용한 경우의 총 5가지 특징이다.", "분류기로는 WPCA 분류기를 사용하였으며 이 분류기의 고유치에 대한 역치 \\( \\delta \\) 를 위한 \\( \\varepsilon \\) 은 \\( \\varepsilon=0.5 \\) 로 선택하였다.", "표 2 에서 보면 VS1에 대하여 Haralick 특징, Gabor 특징, LBP 특징은 각각 \\( 89.3 \\%, 94.1 \\%, 93.0 \\% \\) 의 ACR 성능을 보인다.", "제안된 방법은 \\( 99.0 \\% \\) 의 성능을 보여 이들에 비하여 ACR 성능이 순서대로 \\( 9.7 \\%\\), \\(4.9 \\%,\\) \\(6.0 \\% \\) 가 각각 우수함을 알 수 있다.", "BR2에 대하여는 Haralick 특징, Gabor 특징, LBP 특징, 그리고 제안된 방법이 각각 \\( 95.6 \\%, 99.6 \\%, 99.1 \\%, 99.9 \\% \\) 의 성능을 보인다.", "이로부터 제안된 방법이 Haralick에는 \\( 4.3 \\% \\), Gabor에는 \\( 0.3 \\% \\), LBP에는 \\( 0.8 \\% \\) 의 성능이 우수함을 알 수 있다.", "BR3의 경우에는 Haralick이 \\( 88.2 \\% \\), Gabor가 \\( 90.5 \\%\\), LBP가 \\( 95.9 \\% \\), 제안된 방법이 \\( 97.1 \\% \\) 의 ACR 성능을 보여 역시 제안된 방법이 이들 방법에 비하여 순서대로 \\( 8.9 \\%, 6.6 \\%, 1.2 \\% \\) 의 성능 우수를 각각 보인다는 것을 알 수 있다.", "표 2 의 결과들로부터 제안된 BDIP와 BVLC 특징과 WPCA 분류기에 의한 방법은 특징 벡터의 차원이 비교적 낮은 16이면서도 3가지 실험 영상 DB에 대하여 기존의 Haralick, Gabor, LBP 특징들에 의한 질감 분류 방법들에 비하여 각각 \\( 4.3 \\% \\sim 9.7 \\%\\), \\(0.3 \\% \\sim 6.6 \\%\\), \\(0.8 \\% \\sim 6.0 \\% \\) 우수한 ACR 성능을 보임을 알 수 있다.", "또한 표 2 에서 보면 제안된 방법에서 선형성 대신에 비선형성을 도입함으로써 해당 DB별로 성능이 각각 \\( 0.6 \\%, 0.1 \\%, 1.1 \\% \\) 성능 향상이 있음을 확인할 수 있다.", "</p><p>표 1 과 표 2 에서 보면 WPCA 분류기를 사용하는 경우가 안정화된 Bayesian 분류기를 사용하는 경우에 비하여 VS1과 BR2에 대하여 Haralick 특징은 \\( 4.6 \\% \\) 와 \\( 2.2 \\% \\) 의 성능 저하를 보이지만, Gabor 특징은 \\( 4.1 \\% \\) 와 \\( 0.7 \\% \\) 의 성능 향상을, LBP 특징은 \\( 3.5 \\% \\) 와 \\( 0.7 \\% \\) 의 성능 향상을, 그리고 제안된 방법은 \\( 0.7 \\% \\) 와 \\( 0.1 \\% \\) 의 성능 향상을 보인다는 것을 알 수 있다.", "또한 BR3에 대하여는 안정화된 Bayesian 분류기는 공분산 행렬이 특이해지는 경우가 발생하는 것에 반하여 WPCA 분류기는 안정된 성능을 나타냄을 알 수 있다.", "이로부터 WPCA 분류기를 사용함에 따른 제안된 방법은 안정된 성능을 보여주는 것은 물론 안정화된 Bayesian 분류기를 사용하는 Gabor 특징과 LBP 특징에 의한 방법들에 비하여 성능 향상을 가져옴을 확인할 수 있다.", "</p><table border><caption>표 2. WPCA 분류기를 사용한 경우의 실험 DB에 대한 특징별 ACR 결과 \\( [\\%] \\)</caption><tbody><tr><td>Feature \\ DB</td><td>VS1</td><td>BR2</td><td>BR3</td><td>Feature dimension</td></tr><tr><td>Haralick</td><td>89.3</td><td>95.6</td><td>88.2</td><td>8</td></tr><tr><td>Gabor</td><td>94.1</td><td>99.6</td><td>90.5</td><td>24</td></tr><tr><td>LBP</td><td>93.0</td><td>99.1</td><td>95.9</td><td>20</td></tr><tr><td>LMLG+LSLC</td><td>98.4</td><td>99.8</td><td>96.0</td><td>16</td></tr><tr><td>Proposed</td><td>99.0</td><td>99.9</td><td>97.1</td><td>16</td></tr></tbody></table>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "웨이브렛 영역의 BDIP 및 BVLC 특징과 WPCA 분류기를 이용한 질감 분류", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-180b69eb-c313-4e8b-ade1-54f898606028", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2012", "doc_author": [ "김남철", "김미혜", "소현주", "장익훈" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
421	<h1>Ⅲ. 실험 및 결과 고찰</h1> <p>서로 다른 자세를 취하고 있을 때와 다리의 가려짐이 발생했을 때에도 제안한 알고리즘이 올바르게 동작함을 보이기 위하여 그림 15와 같은 두 세트의 영상을 선정하여 결과를 확인하였다.</p> <p>그림 16은 각각의 영상에서 제안한 알고리즘으로 주요 관절을 검출한 결과와 획득한 관절 좌표를 이용하여 3차원 복원한 결과를 보여준다. 제안한 알고리즘은 도마뱀의 다리가 영상에 보이지 않는 경우에도 보이지 않는 다리를 제외한 나머지 다리를 왼쪽 앞발, 오른쪽 앞발, 왼쪽 뒷발, 오른쪽 뒷발로 올바르게 분류하는 것을 확인할 수 있다.</p> <p>표 1은 그림 16. (b)의 3차원 좌표들로부터 도마뱀의 네 다리의 길이를 구하여 실제 도마뱀의 측정값과 비교한 것이다. 이 때, 도마뱀의 왼쪽 부분이 오른쪽 부분보다 오차가 큰 것을 확인할 수 있는데 이는 실험 영상에서 카메라의 설치 위치가 수직 위가 아니라 약간 오른쪽으로 치우쳐졌기 때문이다. 이는 측정 시 카메라의 각도를 수직으로 세팅하거나 반대 쪽 측면을 촬영한 영상을 활용하여 해결할 수 있다.</p> <table border><caption>표 1. 도마뱀 각 다리 별 길이 비교</caption> <tbody><tr><td>측정부위</td><td>제안한 알고리즘(\(\mathrm{mm}\))</td><td>실제 측정치 (\(\mathrm{mm}\))</td><td>오차 (\(\mathrm{mm}\))</td></tr><tr><td>앞다리(좌)</td><td>7.4</td><td>10.2</td><td>2.8</td></tr><tr><td>앞다리(우)</td><td>10.3</td><td>9.9</td><td>0.4</td></tr><tr><td>뒷다리(좌)</td><td>12.2</td><td>10.4</td><td>1.8</td></tr><tr><td>뒷다리(우)</td><td>11.0</td><td>11.3</td><td>0.3</td></tr></tbody></table>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅲ. 실험 및 결과 고찰</h1> <p>서로 다른 자세를 취하고 있을 때와 다리의 가려짐이 발생했을 때에도 제안한 알고리즘이 올바르게 동작함을 보이기 위하여 그림 15와 같은 두 세트의 영상을 선정하여 결과를 확인하였다.", "</p> <p>그림 16은 각각의 영상에서 제안한 알고리즘으로 주요 관절을 검출한 결과와 획득한 관절 좌표를 이용하여 3차원 복원한 결과를 보여준다.", "제안한 알고리즘은 도마뱀의 다리가 영상에 보이지 않는 경우에도 보이지 않는 다리를 제외한 나머지 다리를 왼쪽 앞발, 오른쪽 앞발, 왼쪽 뒷발, 오른쪽 뒷발로 올바르게 분류하는 것을 확인할 수 있다.", "</p> <p>표 1은 그림 16. (b)의 3차원 좌표들로부터 도마뱀의 네 다리의 길이를 구하여 실제 도마뱀의 측정값과 비교한 것이다.", "이 때, 도마뱀의 왼쪽 부분이 오른쪽 부분보다 오차가 큰 것을 확인할 수 있는데 이는 실험 영상에서 카메라의 설치 위치가 수직 위가 아니라 약간 오른쪽으로 치우쳐졌기 때문이다.", "이는 측정 시 카메라의 각도를 수직으로 세팅하거나 반대 쪽 측면을 촬영한 영상을 활용하여 해결할 수 있다.", "</p> <table border><caption>표 1. 도마뱀 각 다리 별 길이 비교</caption> <tbody><tr><td>측정부위</td><td>제안한 알고리즘(\\(\\mathrm{mm}\\))</td><td>실제 측정치 (\\(\\mathrm{mm}\\))</td><td>오차 (\\(\\mathrm{mm}\\))</td></tr><tr><td>앞다리(좌)</td><td>7.4</td><td>10.2</td><td>2.8</td></tr><tr><td>앞다리(우)</td><td>10.3</td><td>9.9</td><td>0.4</td></tr><tr><td>뒷다리(좌)</td><td>12.2</td><td>10.4</td><td>1.8</td></tr><tr><td>뒷다리(우)</td><td>11.0</td><td>11.3</td><td>0.3</td></tr></tbody></table>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "소형 도마뱀 운동 분석을 위한 마커리스 모션 캡쳐 알고리즘", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1ed6d622-ec24-4670-a0a6-52c2e9b2fdf7", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2013", "doc_author": [ "김창회", "김태원", "신호철", "이흥호" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
422	<h2>3. E-Model(ITU-T G.107)</h2><p>ITU-T 표준 권고안 G.107에서는 음성 통화 품질 평가 기준인 E-Model에 대한 표준을 정의하고 있다. E-Modelo- ESTI TC STQ(Technical Committee for Speech Processing, Transmission & Quality Aspects) 에서 1993년 표준화하였고, ITU-T에서는 G.107로 승인 하였다. E-Model은 망을 설계하고자 하는 사람이 실제 망을 설치하기 전에 망의 품질을 계산식을 통해 추정하기 위한 설계 도구로서 개발되었다. E-Model은 망의 손실, 지연 등에 대하여 고려하고 있기 때문에 PSTN의 전화망뿐만 아니라 데이터 망의 음성 품질에 적용되고 있다. E-Model의 계산결과는 종합음성 전송 품질을 나타내는 R 값이라고 불리는 단일 값이 산출된다. E-Model을 계산하기 위해서는 신호대 잡음비를 품질의 정도라고 간주한 후 그 정도에서 음성 신호. 지연, 코덱 등이 품질에 미치는 손상 값을 차례로 차감해가는 형태이다. 일단 R값이 산출되면 추정 MOS값으로 변환 할 수 있다. E-Model 에서 R값을 산출하기 위한 식은 다음과 같다.</p><p>\( R=R_{0}-I_{s}-I_{d}-I_{e}+A \)<caption>(1)</caption></p><p>\( R_{0} \) 는 기준 신호대 잡음비로 회선잡음, 송수화 실내 경음, 가입자선 잡음에 의한 주관적 품질이다. \( I_{s} \) 는 음성신호와 동시에 발생되는 신호들에 의해 발생되는 품질 저하 요소들 합이며, \( I_{d} \) 는 지연시간에 의해 발생되는 품질저하 성분으로 송수신자의 에코, 절대 지연 등이 해당된다. \( I_{e} \) 는 네트워크 장치, 사용 코덱 등의 장비에 의해 발생되는 품질 저하 성분으로 낮은 비트율 부호화, 패킷, 셀 손실 등에 의해 결정된다. 그리고 \( A \) 는 모바일 통신 등의 편리성이 주관적 품질 만족도에 끼치는 영향을 보완하는 값이다.</p><p>위의 파라미터를 계산하기 위해 입력되는 대부분의 인자는 단말의 하드웨어적 특성이나 주변 환경 특성에 의하여 결정되는 것으로 실질적으로 통화 조건에 따라 변화되는 인자는 \( I_{d} \) 를 위한 입력 인자인 지연시간과 \( I_{e} \) 를 위한 입력 인자인 패킷 손실률뿐이다. 따라서 기존 E-Model은 다양한 영향 요소에 의한 품질 변화를 가늠하기 어렵다는 단점이 있다. 또한 특정 환경에서 지연시간, 패킷 손실률 등의 인자들을 얻어내기 위해서는 실제 네트워크상에서 측정이 필요하므로, 음성 품질을 미리 예측 할 수 없다는 한계가 있다.</p><p>또한 요즘 출시된 VoLTE 기반의 HD-보이스, 지음(知音)광대역 (\( 50^{\sim} 7,000 \mathrm{Hz} \)) 서비스로 기존 PSTN 의 협대역 (\( 300^{\sim} 3,400 \mathrm{Hz} \)) 대비 2.2배의 고음질 서비스를 제공하고 있다. 광대역 전송 품질에 모델로서 WB (WideBand) E-model을 ITU-T G.107.1 에서 제공하고 있지만 이는 G.107의 수정 버전으로 코덱과 단말의 이동성이 반영되지 않은 음성 대역만 광대역으로 확장한 기존 E-model과 비슷한 개념이다. 따라서 이러한 한계를 극복하기 위하여 본 논문에서는 E-Model을 기반으로 실제 네트워크에서의 단말, 사용자 및 네트워크 특성을 통해 지연시간과 패킷 손실율을 산출하고, VoLTE 의 이동성과 코덱정보를 이용하여 R값을 얻어 낼 수 있는 통합 E-Model을 제안하고 구현한다.</p> <h1>Ⅱ. VolP 서비스를 위한 음성 품질 평가 기술</h1><p>기존의 유선 전화망 서비스에서 사용하던 통화 품질 기술은 인터넷 환경 하에서도 코덱의 성능을 평가하기 위해 사용되고 있다. 음성 품질 평가 방법으로서 가장 일반적인 MOS가 사용되어 왔으며 품질은 1 에서 5 까지의 값으로 평가하였다. 그리나 MOS의 방법은 시험자의 주관적인 판단에 의존하게 됨으로써 정확성 및 공정성이 떨어지고 고비용의 문제가 있기 때문에 이를 개선하기 위해 시험자가 관여하지 않는 객관적인 음성이 품질 측정 방법이 선호되고 있다. 본 장에서는 일반적으로 널리 알려진 주관적 평가 방법인 MOS와 객관적인 평가 방법은 PESQ, E-Model에 관해 살펴본다.</p><h2>1. MOS(ITU-T P.800)</h2><p>MOS는 음성 코덱에 의해 음성 신호를 압축 과정과 네트워크 전송후에 수신된 음성 품질에 대해서 1점에서 5점까지 5단계로 나누어서 미리 선정된 청취자 집단에 의해 평가되어진다. 전송된 음성 품질에 대해서 청취자들은 대화형 의견 테스트, 청취 의견 테스트, 인터뷰 및 조사 테스트 등으로 주관적인 점수를 매기게 된다. MOS는 ITU에서 개발되었으며, ITU-T P.800에 정의되었다. MOS의 시험 방법은 실제 사람들이 느끼는 품질을 확인 할 수 있는 주관적인 평가 방법으로서 평가자 모집의 어려움과 평가 환경 등 현실적으로 적용하기 어려운 문제가 있다. 즉, 실험에 참여한 청취자들이 느끼는 음성 품질의 평균값을 주관적인 만족에 대한 느낌을 점수로 나타내기 때문에 실험자에 대한 주관적인 결과라 볼 수 있다. 또한 동일한 피실험자가 동일한 환경에서 동일한 테스트를 진행하여도 동일한 결과가 나온다는 보장을 하지 않기 때문에 여러 문제점을 가지고 있다.</p><h2>2. PESQ(ITU-T P.862)</h2><p>PESQ는 음성 품질에 대한 객관적인 평가 방법으로서 ITU-T 권고안 P.861/P.862에 정의되어 있는 표준 음질 측정 방법이다. PESQ는 원래의 신호와 원래 신호가 통신 시스템을 통과하여 나온 감쇄된 신호를 평가한다. 원래 음성과 감쇄된 음성을 입력했을 때, 양즉의 신호 특성 차이에서 음성의 품질을 측정하는 PSQM(Perceptual Speech Quality Measurement)을 바탕으로 하고 있으며, 패킷손실 등에 대응하기 위해 인지 모델을 개량한 객관적인 평가 방법으로 알려지고 있다. PESQ 값은 0.5 에서 4.5 사이에 위치하며, 일반적으로 1.0 에서 4.5사이의 값을 갖는다.</p><p>PESQ는 단 방향인 청취 음성 왜곡 및 잡음을 즉정할 수 있지만 loudness loss, 지연, 에코 등의 전송 품질은 반영하지 않고 있는 단점이 있다. 따라서 PESQ 값이 높더라도 양방향 대화형 품질인 통화 품질은 지연에 민감하기 때문에 지연을 고려하는 경우에는 통화 품질 자체는 낮을 수 있다.</p> <h1>Ⅲ. VolP와 VoLTE 측정을 위한 통합 E-Model</h1><h2>1. 개요</h2><p>본 논문에서 제안하는 VoIP 와 VoLTE 음성 품질 측정을 위한 통합 E -model의 구조는 그림 1 과 같다. 첫 번째 단계는 액세스 네트워크의 단발과 호 설정에 따라 VoIP 와 VoLTE를 구분한다. 두 번째 단계는 실제 네트워크 특성에 따라 패킷 손실률, 지연, 지터 값과 VoLTE 사용 상황에 맞는 E-model 파라미터를 계산한 다. 세 번째 단계는 계산된 값이 VoIP 인 경우 E-model 에 입력하고, VoLTE 경우 WB Emodel에 입력하여 R값을 언어낸다. 즉, 통합 E-model은 기존 E-model에 입력되는 패킷손실률과 지연, 지터 및 다른 파라미터를 실제 네트워크 상황과 VoLTE 단발과 같은 특성을 반영하는 모델이다.</p><h2>2. 액세스 네트워크의 모바일 VolP 식별</h2><p>단말이 액세스하는 네트워크와 발착신의 호 설정에 따라 VoIP 와 VoLTE 를 구분 할 수 있는데, 음질 측정을 위한 식별은 RTP (Real Time Protocol ) 페이로드 타입(Payload type) 또는 SIP 메시지의 SDP(Session Description Protocol) 의 코덱 정보를 보고 표 1 과 같이 구분하였다.</p><h2>3. 패킷 손실를 계산 알고리즘</h2><p>패킷손실률 (\(P_{p l}\))은 송신 단말에서 전송한 음성 패킷 중 수신 단말에 정상적으로 포착하지 못한 패킷의 비율을 의미하며, 수신된 RTCP(Real Time Control Protocol ) 의 전송구간에서 발생한 패킷 손실률 (\( P_{\text {fractionlost }} \))를 이용해서 계산한다.</p><p>\( P_{\text {lostrate }}=P_{\text {fractionlost }} \times 100 \)<caption>(2)</caption></p><p>만약 통화 시간이 짧아 RTCP가 수신되지 않은 경우 \( P_{p l} \) 을 측정할 수 없는 문제를 보완하기 위해 RTP를 활용하여 \( P_{\text {lostrate }} \) 을 계산한다. 전송한 패킷의 수를\( P_{\text {send }} \), 받은 패킷의 수를 \( P_{\text {recive }} \) 라고 할 때 네트워크 에서 손실된 패킷 수 \( P_{\text {lost }} \) 는 아래와 같다.</p><p>\( P_{\text {lost }}=P_{\text {send }}-P_{\text {recive }} \)<caption>(3)</caption></p><p>수신 패킷 중 지터버퍼지연 이후에 수신된 패킷 수를 \( P_{\text {discard }} \) 라고 하면 패킷 손실률 \( P_{\text {lostrate }} \) 아래와 같은 식으로 나타낼 수 있다.</p><p>\( P_{\text {lostrate }}=100 \times \frac{\left(P_{\text {lost }}+P_{\text {discard }}\right)}{P_{\text {send }}} \)<caption>(4)</caption></p> <h2>6. VoLTE를 위한 E-Model 파라미터 산출</h2><p>E-Model에서 많은 파라미터들이 권고값으로 제시되어 사용되고 있는데, 이로 인해 품질 즉정의 한계가 존재한다. 또한 VoLTE 서비스와 같은 광대역 코덱과 이 동성에 대한 파라미터가 정의되어 있지 않아 품질 측정이 어렵다. 따라서 이를 개선하고자 VoLTE 의 3GPP E-UTRAN Cell 정보를 이용하여 단말의 이동 여부를 판단하고 이를 품질측정 요소에 반영하였다. 그리고 체감 품질에 가까운 측정을 위해 아래의 파라미터를 망의 특성에 맞게 산출하였다.</p><h3>가. 통화 환경에 따른 잡음 \( \left(P_{s}, P_{r}\right) \)</h3><p>전화를 사용하는 환경(건물내, 자동차안, 운전중)에 따라 발생하는 실내 잡음으로써 단말의 위치와 이동여부에 따라 송신측에서 발생하는 잡음 \( \left(P_{s}\right) \)과 수신측에서 발생하는 잡음 \( \left(P_{r}\right) \)은 ITU-T P.800 참조하여 표 3과 같이 선택하도록 알고리즘을 적용한다.</p><table border><caption>표 3. 망과 사용 환경에 따른 \( P_{s}, P_{r} \)</caption><tbody><tr><td>망구분</td><td>사용환경</td><td>\( P_{s}, P_{r} \)</td></tr><tr><td>VoP</td><td>실내</td><td>35</td></tr><tr><td rowspan=3>VoLTE</td><td>실내</td><td>35</td></tr><tr><td>고정차량</td><td>35</td></tr><tr><td>이동차량</td><td>43.2</td></tr></tbody><table border><h3>나. 코덱에 의한 열화 \( \left(I_{e}\right) \) 와 패킷 손실 내성 \( \left(B_{p l}\right) \)</h3><p>패킷 손실율의 양호기준 \( \left(0.5 \%\right. \) 미만)에 따라 \( I_{e} \) 와 \( B_{p l} \)은 ITU-T G. 참조하여 표 4,5 과 같이 알고리즘 적용하였다.</p><table border><caption>표4. Narrowband 코덱을 위한 장비왜곡 \( \left(I_{e}\right) \) 와 패킷 손실 내성 \( \left(B_{p l}\right) \)<caption><tbody><tr><td>코덱 타입</td><td>패킷 사이즈</td><td>PLC 타입</td><td>\( I_{e} \)</td><td>\( B_{p l} \)</td></tr><tr><td>G.7231+VAD</td><td>\(30\mathrm{ms}\)</td><td>Native</td><td>15</td><td>16.1</td></tr><tr><td>G.729A+VAD</td><td>\(20\mathrm{ms}\)(2 fames)</td><td>Native</td><td>11</td><td>19.0</td></tr><tr><td>GSM-EFR</td><td>\(20\mathrm{ms}\)</td><td>Native</td><td>15</td><td>10.0</td></tr><tr><td>G.711</td><td>\(10\mathrm{ms}\)</td><td>None</td><td>0</td><td>4.3</td></tr><tr><td>G.711</td><td>\(10\mathrm{ms}\)</td><td>ITU-7 G.711</td><td>0</td><td>25.1</td></tr></tbody><table border><caption>표5. Wideband 코덱을 위한 장비왜곡 \( I_{e}, W_{b} \)</caption><tbody><tr><td>코덱타입</td><td>레퍼런스</td><td>Operating rate(kbit/s)</td><td>\[I_{e}, W_{b}\]value</td></tr><tr><td rowspan=3>ADPCM</td><td rowspan=3>ITU-T Rec.G.722</td><td>64</td><td>13</td></tr><tr><td>56</td><td>20</td></tr><tr><td>48</td><td>31</td></tr><tr><td rowspan=2>Modifies lappad transfom cading</td><td rowspan=2>ITU-R RecG.722.1</td><td>32</td><td>13</td></tr><tr><td>24</td><td>19</td></tr><tr><td rowspan=9>CELP</td><td rowspan=9>ITU-R Rec.G.722. 2</td><td>23.85</td><td>8</td></tr><tr><td>23.05</td><td>1</td></tr><tr><td>19.85</td><td>3</td></tr><tr><td>18.25</td><td>5</td></tr><tr><td>15.85</td><td>7</td></tr><tr><td>14.25</td><td>10</td></tr><tr><td>12.65</td><td>13</td></tr><tr><td>8.85</td><td>26</td></tr><tr><td>6.6</td><td>41</td></tr></tbody></table><h3>다. 이동성에 대한 보정 \( (A) \)</h3><p>호의 유형에 따라 추가 적용되는 \( A \) 는 이동성의 특성을 반영할 수 있는 파라미터로 ITU-T G.107 참고하여 표 6 과 같이 적용 망을 구분할 수 있다. VoIP의 경우 이동의 정도가 크지 않지만 VoLTE 의 경우는 휴대 단말의 특성상 이동이 기본이므로 3GPP E-UTRAN Cell ID 정보 변경 여부에 따라 표 7과 같이 알고리즘을 적용하였다.</p><table border><caption>표6. 통신 시스템별 이득값 \(A\) 과 적용 네트워크</caption><tbody><tr><td>통신 시스템 예</td><td>\(A\) 최대값</td><td>적용 망</td></tr><tr><td>유선)</td><td>0</td><td>VoIP /VoLTE</td></tr><tr><td>건물 내의 무선</td><td>5</td><td>VoLTE</td></tr><tr><td>차량 이동중의 무선</td><td>10</td><td>VoLTE</td></tr><tr><td>위성(다중 홉 연결)</td><td>20</td><td>-</td></tr></tbody></table> <h2>4. 지연 계산 알고리즘</h2><p>지연 (\(T_{\text {delay }}\)) 은 그림 2 와 같이 네트워크에 의한 지연 (\( T_{n e t}\)), 코덱의 인코딩/디코딩에 의한 지연 (\( T_{\text {codec }}\)), 지터 버퍼에 의한 지연 (\( T_{\text {jitterbuf }} \)) 등 여러 요소들에 의해 발생하고 있으며, 체감품질 측정을 위해 위의 3 가지 요소를 모두 반영하였고 수식은 아래와 같다.</p><p>\( T_{\text {delay }}=T_{\text {net }}+T_{\text {codec }}+T_{\text {jitter buf }} \)<caption>(5)</caption></p><p>\( T_{n e t} \) 는 그림 3 과 같이 사용자 IP 가 연속 변경되는 3개의 RTCP의 NTP(Network Time Protocol) 타임스탬프를 이용해 계산한다 .</p><p>사용자1이 사용자2에게 송신하는 시간을 \( N T P_{\mathrm{sr} 1} \), 사용자 2 는 사용자 1 로부터 패킷을 수신하고 \( D S L R_{1} \) 시간 경과 후 패킷을 사용자1에게 송신한다. 사용자1은 사용자2로부터 패킷 수신 후 다시 \( D S L R_{2} \) 만큼 시간이 경과한 다음 다른 패킷 송신을 하는데, 이때 송신한 시간이 \( N T P_{s r 2} \) 이다. 이때 DSLR(Delay since last SR)은 가장 최근 받은 SR 의 패킷으로부터 다음 패킷을 보낼 때까지의 지연으로 \( T_{n e t} \) 은 \( N T P_{\text {sr2 }} \) 에서 최초 송신시간과 절대시간을 뺀 값이 된다.</p><p>\( T_{n e t}=N T P_{s r 2}-N T P_{s r 1}-D S L R_{1}-D S L R_{2} \)<caption>(6)</caption></p><p>\( T_{\text {codec }} \) 는 ITU-T G.114 를 기준으로 아래 표와 같이 적용한다.</p><table border><caption>표 2. 코덱 지연 (\( T_{\text {codec }} \))</caption><tbody><tr><td>망구분</td><td>코덱</td><td>\( T_{\text {codec }} \)</td></tr><tr><td rowspan=3>VoIP</td><td>G711</td><td>025</td></tr><tr><td>G.723.1</td><td>67.5</td></tr><tr><td>G.729A</td><td>25</td></tr><tr><td rowspan=2>VoLTE</td><td>ANR</td><td>30</td></tr><tr><td>AMR-WB</td><td>30</td></tr></tbody></table><h2>5. 지터 계산 알고리즘</h2><p>지터 (\( J \)) 는 송신단말과 수신단말까지의 패킷에 대한 End-to-End 단방향 지연의 통계적 변이의 예측 값으로 패킷의 송신과 수신 시간차이로 계산된다.</p><p>그림 4는 송신 시각과 수신 시각을 이용하여 RTP의 데이터 패킷 포착 시간의 통계적 편차 지연 (\( D \)) 를 나타내는 것으로 수식은 다음과 같다 .</p><p>\( \begin{aligned} D(i, j) &=\left(R_{j}-R_{i}\right)-\left(S_{j}-S_{i}\right) \\ &=\left(R_{j}-S_{j}\right)-\left(R_{i}-S_{i}\right) \end{aligned} \)<caption>(7)</caption></p><p>이때 \( S_{i}\),\( S_{j} \) 는 각각 \( i \) 개째, \( j \) 개째 송신한 RTP 패킷의 타임스탬프이고, \( R_{i}\), \(R_{j} \) 는 각각 \( i \) 개째, \( j \) 개째 수신한 RTP 패킷의 타임스탬프이며, \( i \) 개째의 패킷과 \( j \) 개째의 패킷의 송신 간격과 수신 간격이 \( D(i, j) \) 이다. 그리고 도착한 지터 \( J \) 는 아래와 같이 정의 할 수 있다.</p><p>\( J=J+\left(\left\|D_{(i-1), i}\right\|-J\right) / 16 \)<caption>(8)</caption></p> <h1>Ⅳ. 구현 및 검증</h1><h2>1. 통합 E-model의 시험환경과 구현</h2><p>통합 E-model의 실험을 위해 그림 5 와 같이 VoIP, VoLTE시험망을 구성하였다. 그림과 같이 본 논문에서는 패킷 교환망에서 RTP, RTCP, SIP, SDP 프로토 콜 메시지를 수집하여, 액세스 단말, 패킷 손실률, 지연, 지터 및 VoIP, VoLTE용 E-model 파라미터를 적용해 R 값을 얻어 낸다.</p><p>시험을 위해 단말은 VoIP는 인터넷 전화를 VoLTE 는 삼성 갤럭시노트2와 LG 옵터머스G 를 사용하고, C언어와 MySQL 프로그램으로 제안 알고리즘을 적용한 통합 E-model을 구현하였다. 구현 결과는 그림 6과 같이 패킷 손실률, 지연, 지터, 코덱과 E-model에 의한 R값과 MOS 를 확인 가능하다.</p><h2>2. 통합 E- model의 검증</h2><p>구현된 모델의 적절성과 정확도를 검증하기 위해 확장된 E-model의 계산결과를 VoIP 는 VoiceChecker VoLTE 는 POLQA 와 시뮬레이선 결과를 서로 비교해놨다. 비교의 정확도를 높이기 위해 시뮬레이선 수행시 제안 모델과 VoiceChecker 및 POLQA에 동시에 호를 설정하였다. 또한 VoLTE에 대한 E-model의 파라미터 적설성 검증을 위해 단말의 셀 업데이트 정보를 활용하여 \( A \) 를 다양하게 적용하여 실험하였다.</p><p>먼저, 통합 E-model의 정확도와 음성 품질 수치의 유사성을 살펴보기 위한 VoIP 실험 결과는 그림 7과 같다. 그림과 같이 확장된 E-model에 의한 품질 수치 와 VoiceChecker에 의한 품질 수치의 편차는 \( 10 \% \) 이내다.</p><p>다음으로 VoLTE 단말의 이동 속도를 실내, 차량고정, 차량이동으로 변화시키면서 MOS값을 측정하였다. 측정 결과는 아래 그림 8,9,10과 같이 편차가 \( 10 \% \) 이내로 나타났으며, POLQA를 통한 시뮬레이션 결과와의 유사성을 확인 할 수 있다.</p> <h1>Ⅴ. 결 론</h1><p>본 논문에서는 기존의 E-model에서 자세히 고려되지 않았던 AMR-WB에 대한 요소를 개선하고, 실제 네트워크 특성이 반영된 시험 환경 구성과 구현 및 검출을 통하여 VoiceChecker, POLQA와 \( 10 \% \) 이내 품질 편차를 보임을 검증하였다. 통합 E-model의 입력 인자는 단말의 이동성과 환경을 반영하는 것으로 실제 무선망이 구축되기 전에 품질을 예측하는데 사용 할 수 있다. 또한 입력 인자를 단말의 고정과 이동, 음성과 코덱의 협대역과 광대역 구분으로 상세화함으로써 다양한 조건에서의 성능 에측을 할 수 있는 장점도 있다. 따라서 본모델 적용시 운용 환경에 따라 어느 정도의 품질을 제공할지 사전 예측하여 이에 맞게 망 설계에 활용 할 수 있을 것으로 판단된다. 또한 VoLTE 품질 측정을 위해 사용자 품질 지표를 정의함으로써 VoLTE 평가 지표 토대 마련에 활용 가능하다.</p><p>그러나 무선 환경의 특성 및 이동성에 대한 다양한 추가 변수를 반영하여 정확도 개선에 대한 연구와 버스트 에러를 반영를 품질에 반영할 수 있도록 추가 연구 가 진행되어야 하겠다.</p> <h1>요 약</h1><p>이동통신 서비스의 발달과 VoLTE 서비스 상용화 이후에 VoLTE 서비스의 품질에 대한 관심이 증가하고 있다. 이에 따라 본 논문에서는 VoIP 와 VoLTE 기반 음성 통신 시스템에서 품질에 영향을 미치는 요소를 계산하여 Wideband 코덱의 음성 품질 계산에 적용 할 수 있는 통합 E-model을 제안한다. 통합 E-model은 액세스 네트워크, 네트워크 특성, 단말의 사용 환경 및 이동성 등을 고려한 R 값을 계산하는 모델이다. 이에 따라 통합 E-model의 구조 및 알고리즘을 설명하고, VoLTE를 위한 최적 E-model 파라미터 적용 방안을 제안했다. 또한 시험을 위해 VoIP는 VoiceChecker와, VoLTE는 POLQA와 비교 검증을 함으로써 \( 10 \% \) 내의 편차를 보임을 확인했다. 제안된 모델을 이용하면 품질에 직접적인 영향을 주는 요소와 VoLTE 단말과 망환경에 따른 음성 품질을 계산 할 수 있으므로, 실제 무선 환경에서의 직접적인 측정 없이도 품질을 미리 예측 할 수 있는 장점이 있다.</p> <h1>I. 서 론</h1><p>2011년 LTE가 상용화가 되었고, 2012년 8월 VoLTE 서비스가 출시되었다. VoLTE는 Voice over Long Term Evolution의 줄임말로 LTE망에서 음성 데이터를 전송하는 것이다. 3G나 기존 음성 서비스와는 달리 넓은 주파수 대역과 광대역 코덱(AMR-WB: Adaptive Multi Rate-Wide Band )을 사용해 통화품질이 우수한 것이 특징이다. 이에 따라 사용자들은 광대역을 활용한 고품질 음성 서비스에 대한 관심과 기대가 매우 높다. 그리나 VoLTE 단말 역시 이동전화 단말로써 여전히 그 본질은 음성통화에 있으므로, 광대역 코덱의 선명한 통화 품질과 함께 PSTN과 같은 안정적인 음성 품질을 제공하는 것이 매우 중요하다.</p><p>VoIP는 이동성 유무에 따라 고정 VoIP와 모바일 VoIP로 분류될 수 있다. 유선전화와 같이 고성된 초고속 인터넷망을 통해 음성 통화 서비스가 제공되는 형태 가 고정 VoIP라면, WCDMA, LTE망을 통해 이동 전화와 같은 음성 통화 서비스가 제공되는 것이 모바일 VoIP이다. 모바일 VoIP 서비스는 VoIP 기술을 활용하여 무선 네트워크에서 음성 서비스를 제공하는 서비스다. 특히 기존의 서킷망이 아닌 무선 인터넷망과 같은 All-IP 기반의 패킷 망에서 음성 서비스를 제공하는 기술을 의미한다. 모바일 VoIP를 이루는 핵심 기술은 SIP( Session Initiated Protocol)로 인터넷 전화 서비스 제공에 이용되는 호 제어 프로토콜이다. 모바일 VoIP는 기존의 초고속 인터넷 망을 통해 제공되던 VoIP 서비스의 경제적인 장점에 패킷 망을 통한 이동성을 새롭게 추가함으로써 사용자에게 다양한 서비스를 제공한다. 그러나 경제성과 이동성의 장점과 함께 패킷 망을 통해 데이터 송수신을 한다는 점에서 패킷 손실, 음성 지연 및 착신 실패 등의 영향으로 고정 VoIP와는 달리 음성 통화품질이 저하될 수 있다. 또한 모바일 VoIP 서비스는 가입자 단에서 무선 엑세스와 단말기로 망이 구성되기 때문에 무선 인터넷 망을 통해 서비스된다는 측면 에서 무선 접속 기술의 특성상 유선망에 비해 음성 품질이 상당히 저하되게 된다. 그리고 기존 서킷 망 기반의 무선 음성 서비스를 제공하는 이동 통신 서비스와 달리 패킷 방식의 음성 서비스를 제공하는 모바일 VoIP 음성 통화 품질이 저조할 가능성이 높다.</p><p>이에 따라 음성 품질을 개선하기 위한 다양한 연구들이 진행되고 있는 데, 이들은 모두 VoIP 품질에 영향을 주는 여려 요소들을 수치화하여 그 특성을 정확하게 파악하는 것이 목적이다 . VoIP 음성 품질의 수치화를 위해 MOS(Mean Opinion Score) , PESQ(Perceptual Evaluation of Speech Quality), E-model등의 방법이 사용되어 왔다. 그리나 이러한 모델들은 실제로 통화를 수행하면서 주관적으로 평가하거나 여러 가지 요소들을 측정한 후 계산식에 의해 품질을 수치화하고, VoIP 서비스를 위해 개발된 모델로서 광대역의 고품질을 제공하는 VoLTE 음성 품질을 예측하는 데 한계가 있다. 따라서 VoLTE 측정을 위해 품질에 영향을 주는 요소들을 수치화하고 단발의 이동성과 고음질 대역과 같은 요소들을 반영한다면, 실제 VoLTE 이동 환경에 적합한 음성 품질 예측 결과를 언어 최적의 품질 제공이 가능하게 된다.</p><p>이에 따라 본 논문에서는 VoIP와 VoLTE 기반 음성통신 시스템에서 품질에 영향을 미치는 요소를 계산하고, 광대역 코덱의 음성 품질 계산에 적용할 수 있는 통합 E-model을 제안한다. 통합 E-model은 품질에 직접적인 영향을 주는 요소뿐 아니라 VoLTE 단말과 망 환경에 따른 요소들을 음성 품질 계산에 반영하므로, 실제 무선 환경에서의 직접적인 측정 없이도 품질을 미리 예측할 수 있다. 또한 국내외 모두 모바일 환경인 VoLTE 에서 음성 서비스를 제공하는데 있어 품질 평가 사례나 기준이 없는 실정이다. 이에 따라 통합 E-model은 VoLTE 음성 서비스를 제공하는 데 있어 사용자의 품질을 확인 할 수 있는 통화품질 지표를 제시함으로 VoLTE에 대한 평가 지표를 위한 기준 마련에 토대가 될 것이다.</p><p>본 논문의 구성은 다음과 같다. Ⅱ상에서는 VoIP 서비스를 위한 음성 품질 평가 기술을 소개하고. Ⅲ상에서는 통합 E-model의 구조와 품질 영향 요소 계산 알고리즘에 대하여 설명한다. 그리고 Ⅳ상에서 제안된 모델을 구현 및 검증하고, Ⅴ장의 결론으로 마무리를 짓는다.</p>	전기공학, 통신공학, 전자공학	[ "<h2>3. E-Model(ITU-T G.107)</h2><p>ITU-T 표준 권고안 G.107에서는 음성 통화 품질 평가 기준인 E-Model에 대한 표준을 정의하고 있다.", "E-Modelo- ESTI TC STQ(Technical Committee for Speech Processing, Transmission & Quality Aspects) 에서 1993년 표준화하였고, ITU-T에서는 G.107로 승인 하였다.", "E-Model은 망을 설계하고자 하는 사람이 실제 망을 설치하기 전에 망의 품질을 계산식을 통해 추정하기 위한 설계 도구로서 개발되었다.", "E-Model은 망의 손실, 지연 등에 대하여 고려하고 있기 때문에 PSTN의 전화망뿐만 아니라 데이터 망의 음성 품질에 적용되고 있다.", "E-Model의 계산결과는 종합음성 전송 품질을 나타내는 R 값이라고 불리는 단일 값이 산출된다.", "E-Model을 계산하기 위해서는 신호대 잡음비를 품질의 정도라고 간주한 후 그 정도에서 음성 신호.", "지연, 코덱 등이 품질에 미치는 손상 값을 차례로 차감해가는 형태이다.", "일단 R값이 산출되면 추정 MOS값으로 변환 할 수 있다.", "E-Model 에서 R값을 산출하기 위한 식은 다음과 같다.", "</p><p>\\( R=R_{0}-I_{s}-I_{d}-I_{e}+A \\)<caption>(1)</caption></p><p>\\( R_{0} \\) 는 기준 신호대 잡음비로 회선잡음, 송수화 실내 경음, 가입자선 잡음에 의한 주관적 품질이다. \\", "( I_{s} \\) 는 음성신호와 동시에 발생되는 신호들에 의해 발생되는 품질 저하 요소들 합이며, \\( I_{d} \\) 는 지연시간에 의해 발생되는 품질저하 성분으로 송수신자의 에코, 절대 지연 등이 해당된다. \\", "( I_{e} \\) 는 네트워크 장치, 사용 코덱 등의 장비에 의해 발생되는 품질 저하 성분으로 낮은 비트율 부호화, 패킷, 셀 손실 등에 의해 결정된다.", "그리고 \\( A \\) 는 모바일 통신 등의 편리성이 주관적 품질 만족도에 끼치는 영향을 보완하는 값이다.", "</p><p>위의 파라미터를 계산하기 위해 입력되는 대부분의 인자는 단말의 하드웨어적 특성이나 주변 환경 특성에 의하여 결정되는 것으로 실질적으로 통화 조건에 따라 변화되는 인자는 \\( I_{d} \\) 를 위한 입력 인자인 지연시간과 \\( I_{e} \\) 를 위한 입력 인자인 패킷 손실률뿐이다.", "따라서 기존 E-Model은 다양한 영향 요소에 의한 품질 변화를 가늠하기 어렵다는 단점이 있다.", "또한 특정 환경에서 지연시간, 패킷 손실률 등의 인자들을 얻어내기 위해서는 실제 네트워크상에서 측정이 필요하므로, 음성 품질을 미리 예측 할 수 없다는 한계가 있다.", "</p><p>또한 요즘 출시된 VoLTE 기반의 HD-보이스, 지음(知音)광대역 (\\( 50^{\\sim} 7,000 \\mathrm{Hz} \\)) 서비스로 기존 PSTN 의 협대역 (\\( 300^{\\sim} 3,400 \\mathrm{Hz} \\)) 대비 2.2배의 고음질 서비스를 제공하고 있다.", "광대역 전송 품질에 모델로서 WB (WideBand) E-model을 ITU-T G.107.1 에서 제공하고 있지만 이는 G.107의 수정 버전으로 코덱과 단말의 이동성이 반영되지 않은 음성 대역만 광대역으로 확장한 기존 E-model과 비슷한 개념이다.", "따라서 이러한 한계를 극복하기 위하여 본 논문에서는 E-Model을 기반으로 실제 네트워크에서의 단말, 사용자 및 네트워크 특성을 통해 지연시간과 패킷 손실율을 산출하고, VoLTE 의 이동성과 코덱정보를 이용하여 R값을 얻어 낼 수 있는 통합 E-Model을 제안하고 구현한다.", "</p> <h1>Ⅱ. VolP 서비스를 위한 음성 품질 평가 기술</h1><p>기존의 유선 전화망 서비스에서 사용하던 통화 품질 기술은 인터넷 환경 하에서도 코덱의 성능을 평가하기 위해 사용되고 있다.", "음성 품질 평가 방법으로서 가장 일반적인 MOS가 사용되어 왔으며 품질은 1 에서 5 까지의 값으로 평가하였다.", "그리나 MOS의 방법은 시험자의 주관적인 판단에 의존하게 됨으로써 정확성 및 공정성이 떨어지고 고비용의 문제가 있기 때문에 이를 개선하기 위해 시험자가 관여하지 않는 객관적인 음성이 품질 측정 방법이 선호되고 있다.", "본 장에서는 일반적으로 널리 알려진 주관적 평가 방법인 MOS와 객관적인 평가 방법은 PESQ, E-Model에 관해 살펴본다.", "</p><h2>1. MOS(ITU-T P.800)</h2><p>MOS는 음성 코덱에 의해 음성 신호를 압축 과정과 네트워크 전송후에 수신된 음성 품질에 대해서 1점에서 5점까지 5단계로 나누어서 미리 선정된 청취자 집단에 의해 평가되어진다.", "전송된 음성 품질에 대해서 청취자들은 대화형 의견 테스트, 청취 의견 테스트, 인터뷰 및 조사 테스트 등으로 주관적인 점수를 매기게 된다.", "MOS는 ITU에서 개발되었으며, ITU-T P.800에 정의되었다.", "MOS의 시험 방법은 실제 사람들이 느끼는 품질을 확인 할 수 있는 주관적인 평가 방법으로서 평가자 모집의 어려움과 평가 환경 등 현실적으로 적용하기 어려운 문제가 있다.", "즉, 실험에 참여한 청취자들이 느끼는 음성 품질의 평균값을 주관적인 만족에 대한 느낌을 점수로 나타내기 때문에 실험자에 대한 주관적인 결과라 볼 수 있다.", "또한 동일한 피실험자가 동일한 환경에서 동일한 테스트를 진행하여도 동일한 결과가 나온다는 보장을 하지 않기 때문에 여러 문제점을 가지고 있다.", "</p><h2>2. PESQ(ITU-T P.862)</h2><p>PESQ는 음성 품질에 대한 객관적인 평가 방법으로서 ITU-T 권고안 P.861/P.862에 정의되어 있는 표준 음질 측정 방법이다.", "PESQ는 원래의 신호와 원래 신호가 통신 시스템을 통과하여 나온 감쇄된 신호를 평가한다.", "원래 음성과 감쇄된 음성을 입력했을 때, 양즉의 신호 특성 차이에서 음성의 품질을 측정하는 PSQM(Perceptual Speech Quality Measurement)을 바탕으로 하고 있으며, 패킷손실 등에 대응하기 위해 인지 모델을 개량한 객관적인 평가 방법으로 알려지고 있다.", "PESQ 값은 0.5 에서 4.5 사이에 위치하며, 일반적으로 1.0 에서 4.5사이의 값을 갖는다.", "</p><p>PESQ는 단 방향인 청취 음성 왜곡 및 잡음을 즉정할 수 있지만 loudness loss, 지연, 에코 등의 전송 품질은 반영하지 않고 있는 단점이 있다.", "따라서 PESQ 값이 높더라도 양방향 대화형 품질인 통화 품질은 지연에 민감하기 때문에 지연을 고려하는 경우에는 통화 품질 자체는 낮을 수 있다.", "</p> <h1>Ⅲ. VolP와 VoLTE 측정을 위한 통합 E-Model</h1><h2>1. 개요</h2><p>본 논문에서 제안하는 VoIP 와 VoLTE 음성 품질 측정을 위한 통합 E -model의 구조는 그림 1 과 같다.", "첫 번째 단계는 액세스 네트워크의 단발과 호 설정에 따라 VoIP 와 VoLTE를 구분한다.", "두 번째 단계는 실제 네트워크 특성에 따라 패킷 손실률, 지연, 지터 값과 VoLTE 사용 상황에 맞는 E-model 파라미터를 계산한 다. 세 번째 단계는 계산된 값이 VoIP 인 경우 E-model 에 입력하고, VoLTE 경우 WB Emodel에 입력하여 R값을 언어낸다.", "즉, 통합 E-model은 기존 E-model에 입력되는 패킷손실률과 지연, 지터 및 다른 파라미터를 실제 네트워크 상황과 VoLTE 단발과 같은 특성을 반영하는 모델이다.", "</p><h2>2. 액세스 네트워크의 모바일 VolP 식별</h2><p>단말이 액세스하는 네트워크와 발착신의 호 설정에 따라 VoIP 와 VoLTE 를 구분 할 수 있는데, 음질 측정을 위한 식별은 RTP (Real Time Protocol ) 페이로드 타입(Payload type) 또는 SIP 메시지의 SDP(Session Description Protocol) 의 코덱 정보를 보고 표 1 과 같이 구분하였다.", "</p><h2>3. 패킷 손실를 계산 알고리즘</h2><p>패킷손실률 (\\(P_{p l}\\))은 송신 단말에서 전송한 음성 패킷 중 수신 단말에 정상적으로 포착하지 못한 패킷의 비율을 의미하며, 수신된 RTCP(Real Time Control Protocol ) 의 전송구간에서 발생한 패킷 손실률 (\\( P_{\\text {fractionlost }} \\))를 이용해서 계산한다.", "</p><p>\\( P_{\\text {lostrate }}=P_{\\text {fractionlost }} \\times 100 \\)<caption>(2)</caption></p><p>만약 통화 시간이 짧아 RTCP가 수신되지 않은 경우 \\( P_{p l} \\) 을 측정할 수 없는 문제를 보완하기 위해 RTP를 활용하여 \\( P_{\\text {lostrate }} \\) 을 계산한다.", "전송한 패킷의 수를\\( P_{\\text {send }} \\), 받은 패킷의 수를 \\( P_{\\text {recive }} \\) 라고 할 때 네트워크 에서 손실된 패킷 수 \\( P_{\\text {lost }} \\) 는 아래와 같다.", "</p><p>\\( P_{\\text {lost }}=P_{\\text {send }}-P_{\\text {recive }} \\)<caption>(3)</caption></p><p>수신 패킷 중 지터버퍼지연 이후에 수신된 패킷 수를 \\( P_{\\text {discard }} \\) 라고 하면 패킷 손실률 \\( P_{\\text {lostrate }} \\) 아래와 같은 식으로 나타낼 수 있다.", "</p><p>\\( P_{\\text {lostrate }}=100 \\times \\frac{\\left(P_{\\text {lost }}+P_{\\text {discard }}\\right)}{P_{\\text {send }}} \\)<caption>(4)</caption></p> <h2>6. VoLTE를 위한 E-Model 파라미터 산출</h2><p>E-Model에서 많은 파라미터들이 권고값으로 제시되어 사용되고 있는데, 이로 인해 품질 즉정의 한계가 존재한다.", "또한 VoLTE 서비스와 같은 광대역 코덱과 이 동성에 대한 파라미터가 정의되어 있지 않아 품질 측정이 어렵다.", "따라서 이를 개선하고자 VoLTE 의 3GPP E-UTRAN Cell 정보를 이용하여 단말의 이동 여부를 판단하고 이를 품질측정 요소에 반영하였다.", "그리고 체감 품질에 가까운 측정을 위해 아래의 파라미터를 망의 특성에 맞게 산출하였다.", "</p><h3>가.", "통화 환경에 따른 잡음 \\( \\left(P_{s}, P_{r}\\right) \\)</h3><p>전화를 사용하는 환경(건물내, 자동차안, 운전중)에 따라 발생하는 실내 잡음으로써 단말의 위치와 이동여부에 따라 송신측에서 발생하는 잡음 \\( \\left(P_{s}\\right) \\)과 수신측에서 발생하는 잡음 \\( \\left(P_{r}\\right) \\)은 ITU-T P.800 참조하여 표 3과 같이 선택하도록 알고리즘을 적용한다.", "</p><table border><caption>표 3. 망과 사용 환경에 따른 \\( P_{s}, P_{r} \\)</caption><tbody><tr><td>망구분</td><td>사용환경</td><td>\\( P_{s}, P_{r} \\)</td></tr><tr><td>VoP</td><td>실내</td><td>35</td></tr><tr><td rowspan=3>VoLTE</td><td>실내</td><td>35</td></tr><tr><td>고정차량</td><td>35</td></tr><tr><td>이동차량</td><td>43.2</td></tr></tbody><table border><h3>나.", "코덱에 의한 열화 \\( \\left(I_{e}\\right) \\) 와 패킷 손실 내성 \\( \\left(B_{p l}\\right) \\)</h3><p>패킷 손실율의 양호기준 \\( \\left(0.5 \\%\\right. \\)", "미만)에 따라 \\( I_{e} \\) 와 \\( B_{p l} \\)은 ITU-T G. 참조하여 표 4,5 과 같이 알고리즘 적용하였다.", "</p><table border><caption>표4. Narrowband 코덱을 위한 장비왜곡 \\( \\left(I_{e}\\right) \\) 와 패킷 손실 내성 \\( \\left(B_{p l}\\right) \\)<caption><tbody><tr><td>코덱 타입</td><td>패킷 사이즈</td><td>PLC 타입</td><td>\\( I_{e} \\)</td><td>\\( B_{p l} \\)</td></tr><tr><td>G.7231+VAD</td><td>\\(30\\mathrm{ms}\\)</td><td>Native</td><td>15</td><td>16.1</td></tr><tr><td>G.729A+VAD</td><td>\\(20\\mathrm{ms}\\)(2 fames)</td><td>Native</td><td>11</td><td>19.0</td></tr><tr><td>GSM-EFR</td><td>\\(20\\mathrm{ms}\\)</td><td>Native</td><td>15</td><td>10.0</td></tr><tr><td>G.711</td><td>\\(10\\mathrm{ms}\\)</td><td>None</td><td>0</td><td>4.3</td></tr><tr><td>G.711</td><td>\\(10\\mathrm{ms}\\)</td><td>ITU-7 G.711</td><td>0</td><td>25.1</td></tr></tbody><table border><caption>표5. Wideband 코덱을 위한 장비왜곡 \\( I_{e}, W_{b} \\)</caption><tbody><tr><td>코덱타입</td><td>레퍼런스</td><td>Operating rate(kbit/s)</td><td>\\[I_{e}, W_{b}\\]value</td></tr><tr><td rowspan=3>ADPCM</td><td rowspan=3>ITU-T Rec.G.722</td><td>64</td><td>13</td></tr><tr><td>56</td><td>20</td></tr><tr><td>48</td><td>31</td></tr><tr><td rowspan=2>Modifies lappad transfom cading</td><td rowspan=2>ITU-R RecG.722.1</td><td>32</td><td>13</td></tr><tr><td>24</td><td>19</td></tr><tr><td rowspan=9>CELP</td><td rowspan=9>ITU-R Rec.G.722. 2</td><td>23.85</td><td>8</td></tr><tr><td>23.05</td><td>1</td></tr><tr><td>19.85</td><td>3</td></tr><tr><td>18.25</td><td>5</td></tr><tr><td>15.85</td><td>7</td></tr><tr><td>14.25</td><td>10</td></tr><tr><td>12.65</td><td>13</td></tr><tr><td>8.85</td><td>26</td></tr><tr><td>6.6</td><td>41</td></tr></tbody></table><h3>다.", "이동성에 대한 보정 \\( (A) \\)</h3><p>호의 유형에 따라 추가 적용되는 \\( A \\) 는 이동성의 특성을 반영할 수 있는 파라미터로 ITU-T G.107 참고하여 표 6 과 같이 적용 망을 구분할 수 있다.", "VoIP의 경우 이동의 정도가 크지 않지만 VoLTE 의 경우는 휴대 단말의 특성상 이동이 기본이므로 3GPP E-UTRAN Cell ID 정보 변경 여부에 따라 표 7과 같이 알고리즘을 적용하였다.", "</p><table border><caption>표6. 통신 시스템별 이득값 \\(A\\) 과 적용 네트워크</caption><tbody><tr><td>통신 시스템 예</td><td>\\(A\\) 최대값</td><td>적용 망</td></tr><tr><td>유선)</td><td>0</td><td>VoIP /VoLTE</td></tr><tr><td>건물 내의 무선</td><td>5</td><td>VoLTE</td></tr><tr><td>차량 이동중의 무선</td><td>10</td><td>VoLTE</td></tr><tr><td>위성(다중 홉 연결)</td><td>20</td><td>-</td></tr></tbody></table> <h2>4. 지연 계산 알고리즘</h2><p>지연 (\\(T_{\\text {delay }}\\)) 은 그림 2 와 같이 네트워크에 의한 지연 (\\( T_{n e t}\\)), 코덱의 인코딩/디코딩에 의한 지연 (\\( T_{\\text {codec }}\\)), 지터 버퍼에 의한 지연 (\\( T_{\\text {jitterbuf }} \\)) 등 여러 요소들에 의해 발생하고 있으며, 체감품질 측정을 위해 위의 3 가지 요소를 모두 반영하였고 수식은 아래와 같다.", "</p><p>\\( T_{\\text {delay }}=T_{\\text {net }}+T_{\\text {codec }}+T_{\\text {jitter buf }} \\)<caption>(5)</caption></p><p>\\( T_{n e t} \\) 는 그림 3 과 같이 사용자 IP 가 연속 변경되는 3개의 RTCP의 NTP(Network Time Protocol) 타임스탬프를 이용해 계산한다 .", "</p><p>사용자1이 사용자2에게 송신하는 시간을 \\( N T P_{\\mathrm{sr} 1} \\), 사용자 2 는 사용자 1 로부터 패킷을 수신하고 \\( D S L R_{1} \\) 시간 경과 후 패킷을 사용자1에게 송신한다.", "사용자1은 사용자2로부터 패킷 수신 후 다시 \\( D S L R_{2} \\) 만큼 시간이 경과한 다음 다른 패킷 송신을 하는데, 이때 송신한 시간이 \\( N T P_{s r 2} \\) 이다.", "이때 DSLR(Delay since last SR)은 가장 최근 받은 SR 의 패킷으로부터 다음 패킷을 보낼 때까지의 지연으로 \\( T_{n e t} \\) 은 \\( N T P_{\\text {sr2 }} \\) 에서 최초 송신시간과 절대시간을 뺀 값이 된다.", "</p><p>\\( T_{n e t}=N T P_{s r 2}-N T P_{s r 1}-D S L R_{1}-D S L R_{2} \\)<caption>(6)</caption></p><p>\\( T_{\\text {codec }} \\) 는 ITU-T G.114 를 기준으로 아래 표와 같이 적용한다.", "</p><table border><caption>표 2. 코덱 지연 (\\( T_{\\text {codec }} \\))</caption><tbody><tr><td>망구분</td><td>코덱</td><td>\\( T_{\\text {codec }} \\)</td></tr><tr><td rowspan=3>VoIP</td><td>G711</td><td>025</td></tr><tr><td>G.723.1</td><td>67.5</td></tr><tr><td>G.729A</td><td>25</td></tr><tr><td rowspan=2>VoLTE</td><td>ANR</td><td>30</td></tr><tr><td>AMR-WB</td><td>30</td></tr></tbody></table><h2>5. 지터 계산 알고리즘</h2><p>지터 (\\( J \\)) 는 송신단말과 수신단말까지의 패킷에 대한 End-to-End 단방향 지연의 통계적 변이의 예측 값으로 패킷의 송신과 수신 시간차이로 계산된다.", "</p><p>그림 4는 송신 시각과 수신 시각을 이용하여 RTP의 데이터 패킷 포착 시간의 통계적 편차 지연 (\\( D \\)) 를 나타내는 것으로 수식은 다음과 같다 .", "</p><p>\\( \\begin{aligned} D(i, j) &=\\left(R_{j}-R_{i}\\right)-\\left(S_{j}-S_{i}\\right) \\\\ &=\\left(R_{j}-S_{j}\\right)-\\left(R_{i}-S_{i}\\right) \\end{aligned} \\)<caption>(7)</caption></p><p>이때 \\( S_{i}\\),\\( S_{j} \\) 는 각각 \\( i \\) 개째, \\( j \\) 개째 송신한 RTP 패킷의 타임스탬프이고, \\( R_{i}\\), \\(R_{j} \\) 는 각각 \\( i \\) 개째, \\( j \\) 개째 수신한 RTP 패킷의 타임스탬프이며, \\( i \\) 개째의 패킷과 \\( j \\) 개째의 패킷의 송신 간격과 수신 간격이 \\( D(i, j) \\) 이다.", "그리고 도착한 지터 \\( J \\) 는 아래와 같이 정의 할 수 있다.", "</p><p>\\( J=J+\\left(\\left\|D_{(i-1), i}\\right\|-J\\right) / 16 \\)<caption>(8)</caption></p> <h1>Ⅳ. 구현 및 검증</h1><h2>1. 통합 E-model의 시험환경과 구현</h2><p>통합 E-model의 실험을 위해 그림 5 와 같이 VoIP, VoLTE시험망을 구성하였다.", "그림과 같이 본 논문에서는 패킷 교환망에서 RTP, RTCP, SIP, SDP 프로토 콜 메시지를 수집하여, 액세스 단말, 패킷 손실률, 지연, 지터 및 VoIP, VoLTE용 E-model 파라미터를 적용해 R 값을 얻어 낸다.", "</p><p>시험을 위해 단말은 VoIP는 인터넷 전화를 VoLTE 는 삼성 갤럭시노트2와 LG 옵터머스G 를 사용하고, C언어와 MySQL 프로그램으로 제안 알고리즘을 적용한 통합 E-model을 구현하였다.", "구현 결과는 그림 6과 같이 패킷 손실률, 지연, 지터, 코덱과 E-model에 의한 R값과 MOS 를 확인 가능하다.", "</p><h2>2. 통합 E- model의 검증</h2><p>구현된 모델의 적절성과 정확도를 검증하기 위해 확장된 E-model의 계산결과를 VoIP 는 VoiceChecker VoLTE 는 POLQA 와 시뮬레이선 결과를 서로 비교해놨다.", "비교의 정확도를 높이기 위해 시뮬레이선 수행시 제안 모델과 VoiceChecker 및 POLQA에 동시에 호를 설정하였다.", "또한 VoLTE에 대한 E-model의 파라미터 적설성 검증을 위해 단말의 셀 업데이트 정보를 활용하여 \\( A \\) 를 다양하게 적용하여 실험하였다.", "</p><p>먼저, 통합 E-model의 정확도와 음성 품질 수치의 유사성을 살펴보기 위한 VoIP 실험 결과는 그림 7과 같다.", "그림과 같이 확장된 E-model에 의한 품질 수치 와 VoiceChecker에 의한 품질 수치의 편차는 \\( 10 \\% \\) 이내다.", "</p><p>다음으로 VoLTE 단말의 이동 속도를 실내, 차량고정, 차량이동으로 변화시키면서 MOS값을 측정하였다.", "측정 결과는 아래 그림 8,9,10과 같이 편차가 \\( 10 \\% \\) 이내로 나타났으며, POLQA를 통한 시뮬레이션 결과와의 유사성을 확인 할 수 있다.", "</p> <h1>Ⅴ. 결 론</h1><p>본 논문에서는 기존의 E-model에서 자세히 고려되지 않았던 AMR-WB에 대한 요소를 개선하고, 실제 네트워크 특성이 반영된 시험 환경 구성과 구현 및 검출을 통하여 VoiceChecker, POLQA와 \\( 10 \\% \\) 이내 품질 편차를 보임을 검증하였다.", "통합 E-model의 입력 인자는 단말의 이동성과 환경을 반영하는 것으로 실제 무선망이 구축되기 전에 품질을 예측하는데 사용 할 수 있다.", "또한 입력 인자를 단말의 고정과 이동, 음성과 코덱의 협대역과 광대역 구분으로 상세화함으로써 다양한 조건에서의 성능 에측을 할 수 있는 장점도 있다.", "따라서 본모델 적용시 운용 환경에 따라 어느 정도의 품질을 제공할지 사전 예측하여 이에 맞게 망 설계에 활용 할 수 있을 것으로 판단된다.", "또한 VoLTE 품질 측정을 위해 사용자 품질 지표를 정의함으로써 VoLTE 평가 지표 토대 마련에 활용 가능하다.", "</p><p>그러나 무선 환경의 특성 및 이동성에 대한 다양한 추가 변수를 반영하여 정확도 개선에 대한 연구와 버스트 에러를 반영를 품질에 반영할 수 있도록 추가 연구 가 진행되어야 하겠다.", "</p> <h1>요 약</h1><p>이동통신 서비스의 발달과 VoLTE 서비스 상용화 이후에 VoLTE 서비스의 품질에 대한 관심이 증가하고 있다.", "이에 따라 본 논문에서는 VoIP 와 VoLTE 기반 음성 통신 시스템에서 품질에 영향을 미치는 요소를 계산하여 Wideband 코덱의 음성 품질 계산에 적용 할 수 있는 통합 E-model을 제안한다.", "통합 E-model은 액세스 네트워크, 네트워크 특성, 단말의 사용 환경 및 이동성 등을 고려한 R 값을 계산하는 모델이다.", "이에 따라 통합 E-model의 구조 및 알고리즘을 설명하고, VoLTE를 위한 최적 E-model 파라미터 적용 방안을 제안했다.", "또한 시험을 위해 VoIP는 VoiceChecker와, VoLTE는 POLQA와 비교 검증을 함으로써 \\( 10 \\% \\) 내의 편차를 보임을 확인했다.", "제안된 모델을 이용하면 품질에 직접적인 영향을 주는 요소와 VoLTE 단말과 망환경에 따른 음성 품질을 계산 할 수 있으므로, 실제 무선 환경에서의 직접적인 측정 없이도 품질을 미리 예측 할 수 있는 장점이 있다.", "</p> <h1>I.", "서 론</h1><p>2011년 LTE가 상용화가 되었고, 2012년 8월 VoLTE 서비스가 출시되었다.", "VoLTE는 Voice over Long Term Evolution의 줄임말로 LTE망에서 음성 데이터를 전송하는 것이다.", "3G나 기존 음성 서비스와는 달리 넓은 주파수 대역과 광대역 코덱(AMR-WB: Adaptive Multi Rate-Wide Band )을 사용해 통화품질이 우수한 것이 특징이다.", "이에 따라 사용자들은 광대역을 활용한 고품질 음성 서비스에 대한 관심과 기대가 매우 높다.", "그리나 VoLTE 단말 역시 이동전화 단말로써 여전히 그 본질은 음성통화에 있으므로, 광대역 코덱의 선명한 통화 품질과 함께 PSTN과 같은 안정적인 음성 품질을 제공하는 것이 매우 중요하다.", "</p><p>VoIP는 이동성 유무에 따라 고정 VoIP와 모바일 VoIP로 분류될 수 있다.", "유선전화와 같이 고성된 초고속 인터넷망을 통해 음성 통화 서비스가 제공되는 형태 가 고정 VoIP라면, WCDMA, LTE망을 통해 이동 전화와 같은 음성 통화 서비스가 제공되는 것이 모바일 VoIP이다.", "모바일 VoIP 서비스는 VoIP 기술을 활용하여 무선 네트워크에서 음성 서비스를 제공하는 서비스다.", "특히 기존의 서킷망이 아닌 무선 인터넷망과 같은 All-IP 기반의 패킷 망에서 음성 서비스를 제공하는 기술을 의미한다.", "모바일 VoIP를 이루는 핵심 기술은 SIP( Session Initiated Protocol)로 인터넷 전화 서비스 제공에 이용되는 호 제어 프로토콜이다.", "모바일 VoIP는 기존의 초고속 인터넷 망을 통해 제공되던 VoIP 서비스의 경제적인 장점에 패킷 망을 통한 이동성을 새롭게 추가함으로써 사용자에게 다양한 서비스를 제공한다.", "그러나 경제성과 이동성의 장점과 함께 패킷 망을 통해 데이터 송수신을 한다는 점에서 패킷 손실, 음성 지연 및 착신 실패 등의 영향으로 고정 VoIP와는 달리 음성 통화품질이 저하될 수 있다.", "또한 모바일 VoIP 서비스는 가입자 단에서 무선 엑세스와 단말기로 망이 구성되기 때문에 무선 인터넷 망을 통해 서비스된다는 측면 에서 무선 접속 기술의 특성상 유선망에 비해 음성 품질이 상당히 저하되게 된다.", "그리고 기존 서킷 망 기반의 무선 음성 서비스를 제공하는 이동 통신 서비스와 달리 패킷 방식의 음성 서비스를 제공하는 모바일 VoIP 음성 통화 품질이 저조할 가능성이 높다.", "</p><p>이에 따라 음성 품질을 개선하기 위한 다양한 연구들이 진행되고 있는 데, 이들은 모두 VoIP 품질에 영향을 주는 여려 요소들을 수치화하여 그 특성을 정확하게 파악하는 것이 목적이다 .", "VoIP 음성 품질의 수치화를 위해 MOS(Mean Opinion Score) , PESQ(Perceptual Evaluation of Speech Quality), E-model등의 방법이 사용되어 왔다.", "그리나 이러한 모델들은 실제로 통화를 수행하면서 주관적으로 평가하거나 여러 가지 요소들을 측정한 후 계산식에 의해 품질을 수치화하고, VoIP 서비스를 위해 개발된 모델로서 광대역의 고품질을 제공하는 VoLTE 음성 품질을 예측하는 데 한계가 있다.", "따라서 VoLTE 측정을 위해 품질에 영향을 주는 요소들을 수치화하고 단발의 이동성과 고음질 대역과 같은 요소들을 반영한다면, 실제 VoLTE 이동 환경에 적합한 음성 품질 예측 결과를 언어 최적의 품질 제공이 가능하게 된다.", "</p><p>이에 따라 본 논문에서는 VoIP와 VoLTE 기반 음성통신 시스템에서 품질에 영향을 미치는 요소를 계산하고, 광대역 코덱의 음성 품질 계산에 적용할 수 있는 통합 E-model을 제안한다.", "통합 E-model은 품질에 직접적인 영향을 주는 요소뿐 아니라 VoLTE 단말과 망 환경에 따른 요소들을 음성 품질 계산에 반영하므로, 실제 무선 환경에서의 직접적인 측정 없이도 품질을 미리 예측할 수 있다.", "또한 국내외 모두 모바일 환경인 VoLTE 에서 음성 서비스를 제공하는데 있어 품질 평가 사례나 기준이 없는 실정이다.", "이에 따라 통합 E-model은 VoLTE 음성 서비스를 제공하는 데 있어 사용자의 품질을 확인 할 수 있는 통화품질 지표를 제시함으로 VoLTE에 대한 평가 지표를 위한 기준 마련에 토대가 될 것이다.", "</p><p>본 논문의 구성은 다음과 같다.", "Ⅱ상에서는 VoIP 서비스를 위한 음성 품질 평가 기술을 소개하고.", "Ⅲ상에서는 통합 E-model의 구조와 품질 영향 요소 계산 알고리즘에 대하여 설명한다.", "그리고 Ⅳ상에서 제안된 모델을 구현 및 검증하고, Ⅴ장의 결론으로 마무리를 짓는다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "VoIP와 VoLTE 음성 품질 측정을 위한 통합 E-model 구현", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1cdc624c-1a1e-40e1-9023-f670dc3ca392", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2013", "doc_author": [ "김복순", "백광현", "조기환" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
423	<h1>I. 서 론</h1><p>U-헬스케어는 정보통신기술과 의료기술을 접목하여 생체정보를 실시간으로 모니터링하고 병원 및 의사와 연결되어 시간과 공간에 구애받지 않고 언제 어디서나 건강을 관리하고 증진시키며 질병을 예방하고 관리하는 새로운 형태의 의료서비스이다. U-헬스케어는 초기 IT의 발전으로 등장한 전통적 헬스케어를 보건의료 소비자 중심으로 발전시킨 개념으로 집에서, 직장에서, 차안에서, 야외에서 장소에 관계없이 건강에 관련된 정보를 실시간 수집이 가능하며 지속적인 모니터링 및 진료가 가능하여 질병의 사후 치료가 아닌 건강상태 사전 관리및 예방이 가능하다는 장점이 있다 .</p><p>U-헬스케이 서비스는 환자의 신체 내외에 부착된 센서를 통하여 습득한 생체 정보를 무선으로 CCU(Central Control Unit) 또는 게이트웨이로 전송하는 통 합 환경을 기반으로 하고 있다. 또한 의료 정보의 보안유지를 위하여 별도의 식별 정보를 이용하여 인증을 받은 이용자만이 환자의 정보를 열람할 수 있다는 특징이 있다. 응급 환자가 발생하더라도 모니터링을 위한 별도의 장비가 준비되어야 하며 전달 정보에 대한 표준이 준비되어 있지 않기 때문에 사용된 장비별로 별도의 시 스템을 준비해야 하는 단점이 있다.U-헬스케어를 위한 모니터링 단말기기는 모바일, 홈 등 다양한 사용 환경과 연동되어 운영되어야 하며 사용자의 상시적인 활용 성을 제고해야 한다. 또한 위치 정보를 내장하여 응급상황이 발생하였을 때 환자의 소재 파악이 용이하도록 지원해야 한다.</p><p>본 논문에서는 환자의 생체 정보를 통합 관리하는 모니터링 시스템 외에 환자 및 의료진이 항시 휴대할 수 있는 스마트폰을 활용하여 환자의 생체 데이터를 실시간으로 모니터링 할 수 있고 환자 및 의료진의 요청에 실시간적으로 반응할 수 있는 서비스를 제공하기 위한 스마트폰에서 동작하는 의료용 애플리케이션을 설계 및 구현하였다. 스마트폰을 활용한 실시간 모니터링 서비스는 애플리케이션의 설치가 용이하고 환자의 생체 정보를 모니터링 하기 위한 최소한의 정보만을 이용하기 때문에 개인 정보 보안이 필수적인 병원 네트워크에 적합하며 와이파이, 3G,4G 등 다양한 통신환경을 지원하기 때문에 U-헬스케어를 위한 휴대용 단말기로서의 활용도가 크다고 할 수 있다.</p><p>본 논문의 구성은 다음과 같다. Ⅱ장에서는 U-헬스 케어를 위한 생체 정보 수집 환경에 대해 알아보며, Ⅲ장에서는 에플리케이션 동작을 위한 시스템 개발 환경 에 대해 알아보며, Ⅳ장에서는 애플리케이션 구현을 위한 미들웨어 및 의료용 프로토콜의 설계 및 구현에 대해서 알아본다. 마지막으로 Ⅴ장에서는 결론 및 향후 연구 과제로써 끝을 맺고자 한다.</p> <h1>Ⅳ. 결 론</h1><p>WLAN, WPAN 기술에 이어 최근에는 인체영역에서의 의료용/비의료용 통신을 위한 무선 기술인 WBAN 기술이 주목을 받고 있다. 본 논문에서는 환자의 생체 정보를 통합 관리하는 모니터링 시스템 외에 환자 및 의료진이 항시 휴대할 수 있는 스마트폰을 활용하여 환자의 생체 데이터를 실시간으로 모니터링 할 수 있고환자 및 의료진의 요청에 실시간적으로 반응할 수 있는 서비스를 제공하기 위한 스마트폰에서 동작하는 의료용 애플리케이션을 설계 및 구현하였다. 스마트폰을 활용한 실시간 모니터링 서비스는 애플리케이선의 설치가 용이하고 환자의 생체 정보를 모니터링 하기 위한 최소한의 정보만을 이용하기 때문에 개인 정보 보안이 필수적인 병원 네트워크에 적합하며 와이파이, 3G, 4G 등 다양한 동신환경을 지원한다.</p><p>본 논문에서 구현된 WBAN 게이트웨이와 의료용 메시지 포맷 및 스마트폰용 의료용 애플리케이션은 u-Healthcare 분야의 작은 부분으로써 향후 WBAN을 위한 MAC 프로토콜 및 건강 관리 모니터링 시스템과 웹서비스를 연동하여 다양한 환경 요소를 가지고 있는 실제적인 상황에서 적용하였을 때의 성능을 비교 평가 해 보는 것이 필요하다.</p> <h1>Ⅲ. 의료용 애플리케이션 설계 및 구현</h1><h2>1. 의료용 애플리케이션을 위한 네트워크 모델</h2><p>제안한 U-헬스케어를 위한 스마트폰에서 동작하는 의료용 애플리케이션 구현을 위한 네트워크 모델은 그림 5와 같다.</p><p>센서로부터 측정된 혈압, 혈당, ECG 와 같은 환자의 생체 정보는 WBAN 게이트웨이와 연결된 중앙 처리 장치(Central Control Unit)에게 TinyOS 메시지 형태로 전달된다. 생체 정보는 환자의 실시간 감지 데이터뿐만 아니라 환자와 의료진의 요청에 의해 송수신되는 on-demand 메시지를 포함한다. WBAN 게이트웨이에서 수신된 환자의 생체 정보는 XML(eXtensible Markup Language) 문서 형태로 변환되어 병원 네트워크에 연결된 데이터베이스 서버, U-헬스케어 모니터링 시스템, PDA 와 같은 모바일 단말기에 전달된다. 생체 정보가 활용되는 시스템 환경의 차이로 다양한 시스템 환경에서 정보를 공유할 수 있는 표준화된 문서인 XML 형태의 문서로 정보를 교환하며 이는 병원 내 의료 전문가간의 환자 정보 공유를 위한 의료 협업을 위한 자료로서 활용될 수 있다. 병원 내에 있는 환자 및 의료진분만 아니라 병원 외부에 있는 의료진 또한 스마트폰 기반의 의료용 에플리케이션을 통하여 실시간으로 환자의 생체 정보를 확인 할 수 있다. 스마트폰을 활용하면 와이파이와 3G 및 4G 를 통하여 환자의 정보를 확인할 수 있기 때문에 언제 어디서나 실시간으로 환자정보를 확인할 수 있고 또한 WBAN 게이트웨이로 특정한 메시지를 보내 특정한 환자의 정보와 함께 그동안 축적된 정보를 실시간으로 확인할 수 있다.</p><h2>2. WBAN 환경을 위한 의료용 메시지 구조</h2><p>제안한 의료용 애플리케이션을 지원하기 위해서 WBAN 환경에서 사용되는 메시지는 환자의 생체 정보를 정확하고 신속하게 전달하기 위한 목적으로 그림6 과 같이 세 가지 형태의 메시지로 구분하여 설계 하였다.</p><p>일반적인 상황에서 측정되는 환자의 생체 데이터로 주기적인 전송을 하게 되는 일반 메시지(normal message)와 응급 상황에 다른 메시지보다 우선적으로 처리되어야 하는 응급 메시지(emergency message), 셋째, 의료진의 요청에 따라 특정 환자의 정보를 처리하게 되는 on-demand 메시지로 구분하였다. 의료용 메시지의 구조는 그림6과 같다. TinyOS에서 사용되는 메시지 중 의료용 데이터는 40Byte의 크기를 가진다. 전송되는 패킷의 종류와 시퀀스, 패킷의 근원지와 목적지, 그리고 세 가지 형태의 메시지를 구분하기 위한 Medical Type Data와 센서로부터 측정된 환자의 생체 정보를 가지고 있는 Sensing Data로 구분된다. Medical Type Data 는 Query ID, Location, Energy, Emergency, Status로 구성된다. Query ID는 노드로부터 게이트웨이로 전송되는 경우와 의료진의 요청에 의해 게이트웨이로부터 노트로 전송되는 메시지를 구분하기 위한 목적으로 사용된다. Location, Energy는 환자의 위치와 노드의 잔여 에너지양을 확인하기 목적으로 사용된다. 응급 메시지는 다른 일반 메시지보다 가장 먼저 처리되어야하는 메시지이다. Emergency와 Status는 임계값 이상의 정보가 측정되었을 때 다른 정보보다 가장 먼저 의료진에게 전달되기 목적으로 사용된다. 또한 Status 의 경우 센서 노드에 연결된 센서의 이상 유무를 확인하기 위한 목적으로도 활용된다.</p><p>그림 7은 CCU 를 통하여 수집된 의료용 생체 정보를 WBAN 게이트웨이를 통해서 실시간으로 분석한 메시지이다. appType을 구분하여 ECG 모듈과 혈압 모듈을 구분하여 메시지 단위로 생체 정보를 파싱하여 모니터링하는 화면이다. 메시지는 바이너리(Binary) 형식으로 송수신하기 때문에 2 바이트 이상 크기를 가지는 필드를 송신할 때는 데이터에서 가장 낮은 자리 맨 오른쪽 비트인 LSB(Least Significant Bit)를 송신한다.</p><p>병원 네트워크에서 활용되는 WBAN 게이트웨이는 생체 정보의 무손실을 원하고 무선 및 유선망을 통한 정보의 송수신이 가능하도록 설계되어야 한다. WBAN 노드로부터 생체 정보를 받은 CCU 와 시리얼로 통신하는 WBAN 게이트웨이는 생체 정보를 분석하고 용도에 맞게 재가공하여 다른 장치로 전송하게 된다.</p> <h2>3. WBAN 메시지 프로토콜</h2><p>WBAN 게이트웨이, BNC, BN 및 스마트폰에서 통신을 위해 송수신 하는 프로토콜의 흐름도는 그림 8과 같다. 이벤트를 감지한 BN 으로부터 정보를 수집한 BNC 는 RS-232 와 같은 통신 장비를 통해서 WBAN 게이트 웨이로 전송하게 된다.</p><p>WBAN 게이트웨이는 수신된 정보를 데이터베이스에 저장하고 XML 로 변환하여 스마트폰에 전송하게 된다. 감지된 생체 정보는 WBAN 게이트웨이를 동하여 데이터베이스 서버에 저장되며 저장된 정보가 필요할 겅우 데이터베이스 서버에 접속하여 XML 형태로 변환하여 스마트폰으로 전송하게 된다. WBAN 게이트웨이, BNC, BN 및 스마트폰의 정보 송수신을 위한 메시지 프로토콜에 관련된 설명은 표 1 과 같다.</p><table border><caption>표\(1\). WBAN 메시지 프로토콜</caption><tbody><tr><td>프로토콜</td><td>설명</td></tr><tr><td>Coordinator Int. Req</td><td>WBAN 게이트웨이가 코디네이터에게 연결 및 통신의 시작을 요청하는 메시지</td></tr><tr><td>Coordinator Int.Res</td><td>코디네이터가 WBAN 게이트웨이에게 연결 후 통신의 시작을 알리는 응답 메시지</td></tr><tr><td>N/W Info. Req</td><td>코디네이터가 주위의 디바이스들에게 네트 워크 연결을 요청하는 메시지</td></tr><tr><td>N/W Info. Res</td><td>코디네이터로부터 메시지를 받은 주위 디바이스들이 네트워크를 구성하기 위해 응답하 는 메시지</td></tr><tr><td>RTC Info, Req</td><td>RTC 초기화를 위한 메시지</td></tr><tr><td>RTC Info. Req</td><td>RTC 정보를 전달하기 위한 메시지</td></tr><tr><td>Conf. Req</td><td>각 디바이스들을 설정하도록 알려주기 위한 메시지</td></tr><tr><td>Conf. Res</td><td>각 디바이스별 설정된 정보를 알려주기 위한 메시지</td></tr><tr><td>Health Check</td><td>주기적으로 코디네이터와 디바이스간의 연결 상태를 확인하기 위한 메시지</td></tr><tr><td>Event Message</td><td>디바이스가 수집한 생체 데이터를 주기적으 로 코디네이터에게 전송하기 위한 메시지</td></tr><tr><td>On-Demand Event Req</td><td>특정 디바이스에게 생체 정보를 요청하는 메시지</td></tr><tr><td>On-Demand Event Res</td><td>특정 디바이스로부터 측정된 생체 정보를 전달하는 메시지</td></tr></tbody></table><h2>4. WBAN 모니터링 환경</h2><p>그림 9 는 3G 네트워크를 통하여 안드로이드 기반의 스마트폰에서 ECG 생체 정보를 모니터링하는 화면이다. 센서 노드가 부착된 환자의 생체 정보는 CCU 를 통하여 WBAN 게이트웨이에 전달된다. 전달된 생체 정보는 WBAN 게이트웨이에서 직접 모니터링이 가능하며 실시간으로 네트워크에 연결되어 있는 데이터베이스 정보를 저장하는 DBMS(Database Management System)에 전달되어 저장된다. DBMS에 저장되어 있는 생체 정보는 인증된 디바이스에서 생체 정보 요청이 있을 경우 API 와 같은 별도의 변환 엔진을 통해 XML 형태의 정보로 변환되어 실시간으로 전달되게 된다. Wifi, 3G, 4G 와 같은 네트워크를 통하여 모바일 디바이스로 전달된 XML 형태의 생체 정보는 OpenGL과 같은 라이브러리를 통하여 실시간으로 그레프로 표현된다.</p><p>센서 노드가 부착된 환자의 생체 정보는 CCU 를 통하여 WBAN 게이트웨이에 전달된다. 전달된 생체 정보는 WBAN 게이트웨이에서 직접 모니터링이 가능하며 실시간으로 네트워크에 연결되어 있는 데이터베이스 정보를 저장하는 DBMS(Database Management System)에 전달되어 저장된다. DBMS 에 저장되어 있는 생체 정보는 인증된 디바이스에서 생체 정보 요청이 있을 경우 API와 같은 별도의 변환 엔진을 동해 XML 형태의 정보로 변환되어 실시간으로 전달되게 된다. Wifi, 3G, 4G와 같은 네트워크를 통하여 모바일 디바이스로 전달 된 XML 형태의 생체 정보는 OpenGL과 같은 라이브러리를 통하여 실시간으로 그래프로 표현된다.</p><p>그림 10 은 3G네트워크를 기반으로 WBAN 게이트 웨이를 통하여 변환되어 DBMS 에 저장되어 있는 측정된 최고 혈압, 최저 혈압 및 및 맥박 정보를 스마트폰에서 실시간으로 관찰하고 있는 화면이다.</p><p>그림 11은 3G 네트워크를 기반으로 WBAN 게이트 웨이를 통하여 변환되어 DBMS에 저장되어 있는 산소 포화도 및 심박수 정보를 스마트폰에서 실시간으로 관찰하고 있는 화면이다. 생체 정보가 표현되는 그래프 화면은 확대 및 축소가 가능하여 필요한 경우 화면을 확대하여 좀더 세밀한 정보를 확인할 수 있다.</p> <h1>Ⅰ. 요 약</h1><p>WBAN(Wireless Body Area Network) 기술은 인체 내부 및 외부에 부착한 디바이스들을 무선으로 연결하여 통신할 수있는 근거리 무선 통신 기술로서 IEEE 802.15.6 TG BAN을 중심으로 물리 계층, 데이터 링크 계층, 네트워크 계층 및 응용 계층 등에서 표준화가 진행되고 있다. WBAN 환경을 지원하기 위해서는 센서 노드 디바이스 뿐만 아니라 WBAN 미들웨어 및 WBAN 응용 서비스 등의 WBAN 핵심 기술의 개발이 필요하다. 본 논문에서는 3G, 4G, WiF를 통하여 환자의 생체 정보를 정확하고 신속하게 전달하기 위한 목적으로 WBAN 환경을 위한 의료용 메시지 구조를 실계하고 WBAN 게이트웨이 관리엔진을 통하여 BN으로부터 들어온 환자의 생체 정보를 스마트폰에서 확인할 수 있는 의료용 애플리케이션을 구현하였다.</p><p>Keywords: WBAN, Wireless Body Area Network, U-Healthcare, Gateway</p> <h1>Ⅱ. 관련 연구</h1><h2>1. U-헬스케어</h2><p>U-헬스케어는 정보통신과 보건의료를 연계하여 언제 어디서나 예방 및 진단, 치료와 사후 관리를 할 수 있는 총체적 보건의료 서비스 제공할 수 있는 유비쿼 터스 환경의 새로운 의료 서비스 및 솔루션을 의미한다. U-헬스케어는 유무선 네트워크를 기반으로 환자, 의료기관, 정부기관, 솔루션 개발 및 기기 업체 등의 유기적 연결을 통해 인간의 건강한 삶을 보장해 주기 위한 이상적 시스템으로 환자가 병원 안에서 뿐만 아니라, 병원 밖에서도 실시간으로 원격 자가 진단, 치료, 상담, 예약 등을 받을 수 있는 이상적인 환경을 말한다. 특히 유비쿼터스 사회로 진입하면서 의료계뿐만 아니라 일반 국민들도 U-헬스케어에 대한 관심이 높아지고 있어 향후 유비쿼터스 사회에서 산업의 중심축으로 성장될 것이다.</p><p>의료 정보 서비스가 안정성, 효율성 이용자 중심성, 적시성, 효과성, 균형성 등을 강조하며 발전하고 있으며 이에 따라 유비쿼터스 기반의 U- 헬스케어에 대한 연구가 활발히 진행되고 있다. U-헬스케어는 센싱, 모니터링, 분석, 피드백으로 구성된다. 센싱은 인체에서 발생하는 물리, 화학적 현상의 변화를 감지하는 것을 의미한다. 모니터링은 측정된 생체 정보를 1 차적으로 가공하는 것이다 분석은 장시간에 걸쳐 측정된 데이터로부터 건강 상태, 생활 패턴 등을 나타내는 새로운 건강 지표를 발굴하는 것이다. 피프백은 건강 상태의 변화를 사용자에게 경고하고 건강을 유지시켜줄 수 있는 조치를 취하는 것이다. 그림 1 은 U- 헬스케어의 핵심 구성 요소를 보여주고 있다.</p><h2>2. WBAN</h2><p>WBAN기술은 인체 내부와 외부에서 생체 신호를 측정하여 여러 장치를 통해 네트워크에 접속하는 것으로 기존의 헬스케어 서비스에 비하여 폭넓은 개념의 서 비스로 진정한 헬스케어 서비스를 제공할 수 있는 기술이다. WBAN은 사람을 중심으로 하나의 WBAN 코디네이터와 다수의 WBAN 장치들로 구성된다. WBAN 장치는 용도에 따라 신체에 착용 및 이식되어 생체정보를 취득하거나, 신체 주변의 엔터테인먼트 응용에 활용된다. 코디네이터는 이들 장치와 스타 토폴로지를 구성하여 양방향 통신 기능을 제공하며 이들 장치들을 관리하고 제어한다. 또한 코디네이터는 개인 휴대 단말기형태로 구현되어 사용자가 원하는 다양한 멀티미디어서비스를 제공하고 자신의 헬스정보를 취득, 분석, 관리하는 기능을 제공한다. WBAN 기술은 인체의 내부 및 외부 약 \( 3 \mathrm{~m} \) 이내에 부착되는 장치들을 무선 네트워크로 연결하여 단말기간의 통신을 제공하는 근거리 무선통신기술이다. 이러한 기술은 사람이 착용하는 옷이나 인체에 부착된 여러 장치들로 구성된 네트워크를 통해 사람의 몸을 중심으로 다양한 장치간의 데이터 결합이나 교환을 지원한다.</p><p>WBAN은 센서 노드의 위치에 따라 In-Body, On-Body, Out-Body로 구분할 수 있다. In-Body의 경우 인체 내에 이식되어 활용되는 이식형(Implant) 장치 가 있고, On-Body와 Out-Body의 경우 인체에 부착 하거나 착용 가능한 착용형(Wearable) 장치가 있다. 이식형 장치는 혈당센서, 무선내시경, 약물전달 캡슐 등이 있으며 인체의 전파 특성과 인체에 미칠 수 있는 영향 을 고려해 MICS(Medical Implanted Communication Service)를 위한 \( 402^{\sim} 405 mathrm{MHz} \) 대역의 주파수를 이용하도록 규정하고 있다. 착용형 장치는 ECG, EEG, EMG, SpO 2 등이 있으며 ISM(Industrial Scientific Medical) 주파수 대역을 통하여 데이터를 전송하게 된다.</p><p>WBAN 응용서비스는 혈당이나 심전도 등의 사람의 생체신호를 측정하여 무선으로 전송하거나 인체 내 장치들을 구동시키는 의료용(Medical)과 인체 주변에서 음성이나 영상 데이터를 전송하거나 엔터테인먼트를 제공하는 비의료용(Non-Medical)으로 구분할 수 있다. 그림 2는 WBAN 응용서비스 구조를 나타낸다.</p><h2>3. WBAN 게이트웨이</h2><p>게이트웨이(Gateway)는 서로 다른 통신규약을 사용하는 네트워크들을 상호 연결하기 위하여 자신의 통신규약을 상대방의 통신규약으로 전환해 주는 역할을 하여 서로 다른 기종의 네트워크를 연결시키는 장비이다. OSI 참조 모델의 모든 계층을 포함하여 동작하는 네트워크 장비로서 두 개의 완전히 다른 네트워크 사이의 데이터 형식을 변환하는 기능을 수행한다.</p><p>센서 네트워크 게이트웨이는 사용자가 원할 때 언제 어디서나 IP 네트워크를 통하여 센서 네트워크에 접속하여 센서 네트워크의 모니터링 및 관리 기능을 제공하기 위한 것으로, 센서 네트워크와 IP 네트워크와의 연동을 위해 사용된다. 센서 네트워크와 IP 네트워크와의 연동 모델은 그림 2-21과 같이 센서 네트워크 기술, 이종망 연동 지원 게이트웨이 시스템, 게이트웨이의 이종망 지원 프로토콜, 센서 네트워크 관리 서비스 기술로 구성되어 있다.</p><p>TTA 표준에서 정의하는 게이트웨이는 ZigBee, 6LowPAN, TinyOS 기반의 센서 네트워크를 IP 기반의 망과 연동해준다. 그림 4는 게이트웨이를 통한 연동 시나리오를 개괄적으로 보여준다. 그림 4에서 센서 네트워크는 싱크 노드를 통하여 게이트웨이에 연결된다고 가정한다. 6LowPAN 기반 센서 네트워크의 경우 IPv6 를 네트워크 계층 프로토콜로 사용하기 때문에 게이트 웨이는IPv6 를 IPv4 로 또는 IPv4 를 IPv6 로 변환해주는 기능을 제공해준다. ZigBee와 TinyOS 기반 센서 네트 워크의 경우, TCP/IP 인터넷 프로토콜 스택의 물리 계층부터 트랜스포트 계층까지 매핑이 되지 않기 때문에 게이트웨이는 센서 네트워크의 메시지를 역캡슐화(decapsulation)해서 응용 계층 데이터를 추출해낸 후 인터넷 프로토콜 스택을 통해 인터넷 상으로 전달될 수 있어야 한다. 따라서 ZigBee, TinyOS 기반의 센서 네트워크와 IP 기반의 네트워크를 연동해주기 위해 트랜스포트 계층 위에 APDAL (Application Protocol Data Adaptation Layer)이란 적응 계층을 정의한다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>I.", "서 론</h1><p>U-헬스케어는 정보통신기술과 의료기술을 접목하여 생체정보를 실시간으로 모니터링하고 병원 및 의사와 연결되어 시간과 공간에 구애받지 않고 언제 어디서나 건강을 관리하고 증진시키며 질병을 예방하고 관리하는 새로운 형태의 의료서비스이다.", "U-헬스케어는 초기 IT의 발전으로 등장한 전통적 헬스케어를 보건의료 소비자 중심으로 발전시킨 개념으로 집에서, 직장에서, 차안에서, 야외에서 장소에 관계없이 건강에 관련된 정보를 실시간 수집이 가능하며 지속적인 모니터링 및 진료가 가능하여 질병의 사후 치료가 아닌 건강상태 사전 관리및 예방이 가능하다는 장점이 있다 .", "</p><p>U-헬스케이 서비스는 환자의 신체 내외에 부착된 센서를 통하여 습득한 생체 정보를 무선으로 CCU(Central Control Unit) 또는 게이트웨이로 전송하는 통 합 환경을 기반으로 하고 있다.", "또한 의료 정보의 보안유지를 위하여 별도의 식별 정보를 이용하여 인증을 받은 이용자만이 환자의 정보를 열람할 수 있다는 특징이 있다.", "응급 환자가 발생하더라도 모니터링을 위한 별도의 장비가 준비되어야 하며 전달 정보에 대한 표준이 준비되어 있지 않기 때문에 사용된 장비별로 별도의 시 스템을 준비해야 하는 단점이 있다.", "U-헬스케어를 위한 모니터링 단말기기는 모바일, 홈 등 다양한 사용 환경과 연동되어 운영되어야 하며 사용자의 상시적인 활용 성을 제고해야 한다.", "또한 위치 정보를 내장하여 응급상황이 발생하였을 때 환자의 소재 파악이 용이하도록 지원해야 한다.", "</p><p>본 논문에서는 환자의 생체 정보를 통합 관리하는 모니터링 시스템 외에 환자 및 의료진이 항시 휴대할 수 있는 스마트폰을 활용하여 환자의 생체 데이터를 실시간으로 모니터링 할 수 있고 환자 및 의료진의 요청에 실시간적으로 반응할 수 있는 서비스를 제공하기 위한 스마트폰에서 동작하는 의료용 애플리케이션을 설계 및 구현하였다.", "스마트폰을 활용한 실시간 모니터링 서비스는 애플리케이션의 설치가 용이하고 환자의 생체 정보를 모니터링 하기 위한 최소한의 정보만을 이용하기 때문에 개인 정보 보안이 필수적인 병원 네트워크에 적합하며 와이파이, 3G,4G 등 다양한 통신환경을 지원하기 때문에 U-헬스케어를 위한 휴대용 단말기로서의 활용도가 크다고 할 수 있다.", "</p><p>본 논문의 구성은 다음과 같다.", "Ⅱ장에서는 U-헬스 케어를 위한 생체 정보 수집 환경에 대해 알아보며, Ⅲ장에서는 에플리케이션 동작을 위한 시스템 개발 환경 에 대해 알아보며, Ⅳ장에서는 애플리케이션 구현을 위한 미들웨어 및 의료용 프로토콜의 설계 및 구현에 대해서 알아본다.", "마지막으로 Ⅴ장에서는 결론 및 향후 연구 과제로써 끝을 맺고자 한다.", "</p> <h1>Ⅳ. 결 론</h1><p>WLAN, WPAN 기술에 이어 최근에는 인체영역에서의 의료용/비의료용 통신을 위한 무선 기술인 WBAN 기술이 주목을 받고 있다.", "본 논문에서는 환자의 생체 정보를 통합 관리하는 모니터링 시스템 외에 환자 및 의료진이 항시 휴대할 수 있는 스마트폰을 활용하여 환자의 생체 데이터를 실시간으로 모니터링 할 수 있고환자 및 의료진의 요청에 실시간적으로 반응할 수 있는 서비스를 제공하기 위한 스마트폰에서 동작하는 의료용 애플리케이션을 설계 및 구현하였다.", "스마트폰을 활용한 실시간 모니터링 서비스는 애플리케이선의 설치가 용이하고 환자의 생체 정보를 모니터링 하기 위한 최소한의 정보만을 이용하기 때문에 개인 정보 보안이 필수적인 병원 네트워크에 적합하며 와이파이, 3G, 4G 등 다양한 동신환경을 지원한다.", "</p><p>본 논문에서 구현된 WBAN 게이트웨이와 의료용 메시지 포맷 및 스마트폰용 의료용 애플리케이션은 u-Healthcare 분야의 작은 부분으로써 향후 WBAN을 위한 MAC 프로토콜 및 건강 관리 모니터링 시스템과 웹서비스를 연동하여 다양한 환경 요소를 가지고 있는 실제적인 상황에서 적용하였을 때의 성능을 비교 평가 해 보는 것이 필요하다.", "</p> <h1>Ⅲ. 의료용 애플리케이션 설계 및 구현</h1><h2>1. 의료용 애플리케이션을 위한 네트워크 모델</h2><p>제안한 U-헬스케어를 위한 스마트폰에서 동작하는 의료용 애플리케이션 구현을 위한 네트워크 모델은 그림 5와 같다.", "</p><p>센서로부터 측정된 혈압, 혈당, ECG 와 같은 환자의 생체 정보는 WBAN 게이트웨이와 연결된 중앙 처리 장치(Central Control Unit)에게 TinyOS 메시지 형태로 전달된다.", "생체 정보는 환자의 실시간 감지 데이터뿐만 아니라 환자와 의료진의 요청에 의해 송수신되는 on-demand 메시지를 포함한다.", "WBAN 게이트웨이에서 수신된 환자의 생체 정보는 XML(eXtensible Markup Language) 문서 형태로 변환되어 병원 네트워크에 연결된 데이터베이스 서버, U-헬스케어 모니터링 시스템, PDA 와 같은 모바일 단말기에 전달된다.", "생체 정보가 활용되는 시스템 환경의 차이로 다양한 시스템 환경에서 정보를 공유할 수 있는 표준화된 문서인 XML 형태의 문서로 정보를 교환하며 이는 병원 내 의료 전문가간의 환자 정보 공유를 위한 의료 협업을 위한 자료로서 활용될 수 있다.", "병원 내에 있는 환자 및 의료진분만 아니라 병원 외부에 있는 의료진 또한 스마트폰 기반의 의료용 에플리케이션을 통하여 실시간으로 환자의 생체 정보를 확인 할 수 있다.", "스마트폰을 활용하면 와이파이와 3G 및 4G 를 통하여 환자의 정보를 확인할 수 있기 때문에 언제 어디서나 실시간으로 환자정보를 확인할 수 있고 또한 WBAN 게이트웨이로 특정한 메시지를 보내 특정한 환자의 정보와 함께 그동안 축적된 정보를 실시간으로 확인할 수 있다.", "</p><h2>2. WBAN 환경을 위한 의료용 메시지 구조</h2><p>제안한 의료용 애플리케이션을 지원하기 위해서 WBAN 환경에서 사용되는 메시지는 환자의 생체 정보를 정확하고 신속하게 전달하기 위한 목적으로 그림6 과 같이 세 가지 형태의 메시지로 구분하여 설계 하였다.", "</p><p>일반적인 상황에서 측정되는 환자의 생체 데이터로 주기적인 전송을 하게 되는 일반 메시지(normal message)와 응급 상황에 다른 메시지보다 우선적으로 처리되어야 하는 응급 메시지(emergency message), 셋째, 의료진의 요청에 따라 특정 환자의 정보를 처리하게 되는 on-demand 메시지로 구분하였다.", "의료용 메시지의 구조는 그림6과 같다.", "TinyOS에서 사용되는 메시지 중 의료용 데이터는 40Byte의 크기를 가진다.", "전송되는 패킷의 종류와 시퀀스, 패킷의 근원지와 목적지, 그리고 세 가지 형태의 메시지를 구분하기 위한 Medical Type Data와 센서로부터 측정된 환자의 생체 정보를 가지고 있는 Sensing Data로 구분된다.", "Medical Type Data 는 Query ID, Location, Energy, Emergency, Status로 구성된다.", "Query ID는 노드로부터 게이트웨이로 전송되는 경우와 의료진의 요청에 의해 게이트웨이로부터 노트로 전송되는 메시지를 구분하기 위한 목적으로 사용된다.", "Location, Energy는 환자의 위치와 노드의 잔여 에너지양을 확인하기 목적으로 사용된다.", "응급 메시지는 다른 일반 메시지보다 가장 먼저 처리되어야하는 메시지이다.", "Emergency와 Status는 임계값 이상의 정보가 측정되었을 때 다른 정보보다 가장 먼저 의료진에게 전달되기 목적으로 사용된다.", "또한 Status 의 경우 센서 노드에 연결된 센서의 이상 유무를 확인하기 위한 목적으로도 활용된다.", "</p><p>그림 7은 CCU 를 통하여 수집된 의료용 생체 정보를 WBAN 게이트웨이를 통해서 실시간으로 분석한 메시지이다.", "appType을 구분하여 ECG 모듈과 혈압 모듈을 구분하여 메시지 단위로 생체 정보를 파싱하여 모니터링하는 화면이다.", "메시지는 바이너리(Binary) 형식으로 송수신하기 때문에 2 바이트 이상 크기를 가지는 필드를 송신할 때는 데이터에서 가장 낮은 자리 맨 오른쪽 비트인 LSB(Least Significant Bit)를 송신한다.", "</p><p>병원 네트워크에서 활용되는 WBAN 게이트웨이는 생체 정보의 무손실을 원하고 무선 및 유선망을 통한 정보의 송수신이 가능하도록 설계되어야 한다.", "WBAN 노드로부터 생체 정보를 받은 CCU 와 시리얼로 통신하는 WBAN 게이트웨이는 생체 정보를 분석하고 용도에 맞게 재가공하여 다른 장치로 전송하게 된다.", "</p> <h2>3. WBAN 메시지 프로토콜</h2><p>WBAN 게이트웨이, BNC, BN 및 스마트폰에서 통신을 위해 송수신 하는 프로토콜의 흐름도는 그림 8과 같다.", "이벤트를 감지한 BN 으로부터 정보를 수집한 BNC 는 RS-232 와 같은 통신 장비를 통해서 WBAN 게이트 웨이로 전송하게 된다.", "</p><p>WBAN 게이트웨이는 수신된 정보를 데이터베이스에 저장하고 XML 로 변환하여 스마트폰에 전송하게 된다.", "감지된 생체 정보는 WBAN 게이트웨이를 동하여 데이터베이스 서버에 저장되며 저장된 정보가 필요할 겅우 데이터베이스 서버에 접속하여 XML 형태로 변환하여 스마트폰으로 전송하게 된다.", "WBAN 게이트웨이, BNC, BN 및 스마트폰의 정보 송수신을 위한 메시지 프로토콜에 관련된 설명은 표 1 과 같다.", "</p><table border><caption>표\\(1\\).", "WBAN 메시지 프로토콜</caption><tbody><tr><td>프로토콜</td><td>설명</td></tr><tr><td>Coordinator Int.", "Req</td><td>WBAN 게이트웨이가 코디네이터에게 연결 및 통신의 시작을 요청하는 메시지</td></tr><tr><td>Coordinator Int.Res</td><td>코디네이터가 WBAN 게이트웨이에게 연결 후 통신의 시작을 알리는 응답 메시지</td></tr><tr><td>N/W Info.", "Req</td><td>코디네이터가 주위의 디바이스들에게 네트 워크 연결을 요청하는 메시지</td></tr><tr><td>N/W Info.", "Res</td><td>코디네이터로부터 메시지를 받은 주위 디바이스들이 네트워크를 구성하기 위해 응답하 는 메시지</td></tr><tr><td>RTC Info, Req</td><td>RTC 초기화를 위한 메시지</td></tr><tr><td>RTC Info.", "Req</td><td>RTC 정보를 전달하기 위한 메시지</td></tr><tr><td>Conf.", "Req</td><td>각 디바이스들을 설정하도록 알려주기 위한 메시지</td></tr><tr><td>Conf.", "Res</td><td>각 디바이스별 설정된 정보를 알려주기 위한 메시지</td></tr><tr><td>Health Check</td><td>주기적으로 코디네이터와 디바이스간의 연결 상태를 확인하기 위한 메시지</td></tr><tr><td>Event Message</td><td>디바이스가 수집한 생체 데이터를 주기적으 로 코디네이터에게 전송하기 위한 메시지</td></tr><tr><td>On-Demand Event Req</td><td>특정 디바이스에게 생체 정보를 요청하는 메시지</td></tr><tr><td>On-Demand Event Res</td><td>특정 디바이스로부터 측정된 생체 정보를 전달하는 메시지</td></tr></tbody></table><h2>4. WBAN 모니터링 환경</h2><p>그림 9 는 3G 네트워크를 통하여 안드로이드 기반의 스마트폰에서 ECG 생체 정보를 모니터링하는 화면이다.", "센서 노드가 부착된 환자의 생체 정보는 CCU 를 통하여 WBAN 게이트웨이에 전달된다.", "전달된 생체 정보는 WBAN 게이트웨이에서 직접 모니터링이 가능하며 실시간으로 네트워크에 연결되어 있는 데이터베이스 정보를 저장하는 DBMS(Database Management System)에 전달되어 저장된다.", "DBMS에 저장되어 있는 생체 정보는 인증된 디바이스에서 생체 정보 요청이 있을 경우 API 와 같은 별도의 변환 엔진을 통해 XML 형태의 정보로 변환되어 실시간으로 전달되게 된다.", "Wifi, 3G, 4G 와 같은 네트워크를 통하여 모바일 디바이스로 전달된 XML 형태의 생체 정보는 OpenGL과 같은 라이브러리를 통하여 실시간으로 그레프로 표현된다.", "</p><p>센서 노드가 부착된 환자의 생체 정보는 CCU 를 통하여 WBAN 게이트웨이에 전달된다.", "전달된 생체 정보는 WBAN 게이트웨이에서 직접 모니터링이 가능하며 실시간으로 네트워크에 연결되어 있는 데이터베이스 정보를 저장하는 DBMS(Database Management System)에 전달되어 저장된다.", "DBMS 에 저장되어 있는 생체 정보는 인증된 디바이스에서 생체 정보 요청이 있을 경우 API와 같은 별도의 변환 엔진을 동해 XML 형태의 정보로 변환되어 실시간으로 전달되게 된다.", "Wifi, 3G, 4G와 같은 네트워크를 통하여 모바일 디바이스로 전달 된 XML 형태의 생체 정보는 OpenGL과 같은 라이브러리를 통하여 실시간으로 그래프로 표현된다.", "</p><p>그림 10 은 3G네트워크를 기반으로 WBAN 게이트 웨이를 통하여 변환되어 DBMS 에 저장되어 있는 측정된 최고 혈압, 최저 혈압 및 및 맥박 정보를 스마트폰에서 실시간으로 관찰하고 있는 화면이다.", "</p><p>그림 11은 3G 네트워크를 기반으로 WBAN 게이트 웨이를 통하여 변환되어 DBMS에 저장되어 있는 산소 포화도 및 심박수 정보를 스마트폰에서 실시간으로 관찰하고 있는 화면이다.", "생체 정보가 표현되는 그래프 화면은 확대 및 축소가 가능하여 필요한 경우 화면을 확대하여 좀더 세밀한 정보를 확인할 수 있다.", "</p> <h1>Ⅰ. 요 약</h1><p>WBAN(Wireless Body Area Network) 기술은 인체 내부 및 외부에 부착한 디바이스들을 무선으로 연결하여 통신할 수있는 근거리 무선 통신 기술로서 IEEE 802.15.6 TG BAN을 중심으로 물리 계층, 데이터 링크 계층, 네트워크 계층 및 응용 계층 등에서 표준화가 진행되고 있다.", "WBAN 환경을 지원하기 위해서는 센서 노드 디바이스 뿐만 아니라 WBAN 미들웨어 및 WBAN 응용 서비스 등의 WBAN 핵심 기술의 개발이 필요하다.", "본 논문에서는 3G, 4G, WiF를 통하여 환자의 생체 정보를 정확하고 신속하게 전달하기 위한 목적으로 WBAN 환경을 위한 의료용 메시지 구조를 실계하고 WBAN 게이트웨이 관리엔진을 통하여 BN으로부터 들어온 환자의 생체 정보를 스마트폰에서 확인할 수 있는 의료용 애플리케이션을 구현하였다.", "</p><p>Keywords: WBAN, Wireless Body Area Network, U-Healthcare, Gateway</p> <h1>Ⅱ. 관련 연구</h1><h2>1. U-헬스케어</h2><p>U-헬스케어는 정보통신과 보건의료를 연계하여 언제 어디서나 예방 및 진단, 치료와 사후 관리를 할 수 있는 총체적 보건의료 서비스 제공할 수 있는 유비쿼 터스 환경의 새로운 의료 서비스 및 솔루션을 의미한다.", "U-헬스케어는 유무선 네트워크를 기반으로 환자, 의료기관, 정부기관, 솔루션 개발 및 기기 업체 등의 유기적 연결을 통해 인간의 건강한 삶을 보장해 주기 위한 이상적 시스템으로 환자가 병원 안에서 뿐만 아니라, 병원 밖에서도 실시간으로 원격 자가 진단, 치료, 상담, 예약 등을 받을 수 있는 이상적인 환경을 말한다.", "특히 유비쿼터스 사회로 진입하면서 의료계뿐만 아니라 일반 국민들도 U-헬스케어에 대한 관심이 높아지고 있어 향후 유비쿼터스 사회에서 산업의 중심축으로 성장될 것이다.", "</p><p>의료 정보 서비스가 안정성, 효율성 이용자 중심성, 적시성, 효과성, 균형성 등을 강조하며 발전하고 있으며 이에 따라 유비쿼터스 기반의 U- 헬스케어에 대한 연구가 활발히 진행되고 있다.", "U-헬스케어는 센싱, 모니터링, 분석, 피드백으로 구성된다.", "센싱은 인체에서 발생하는 물리, 화학적 현상의 변화를 감지하는 것을 의미한다.", "모니터링은 측정된 생체 정보를 1 차적으로 가공하는 것이다", "분석은 장시간에 걸쳐 측정된 데이터로부터 건강 상태, 생활 패턴 등을 나타내는 새로운 건강 지표를 발굴하는 것이다.", "피프백은 건강 상태의 변화를 사용자에게 경고하고 건강을 유지시켜줄 수 있는 조치를 취하는 것이다.", "그림 1 은 U- 헬스케어의 핵심 구성 요소를 보여주고 있다.", "</p><h2>2. WBAN</h2><p>WBAN기술은 인체 내부와 외부에서 생체 신호를 측정하여 여러 장치를 통해 네트워크에 접속하는 것으로 기존의 헬스케어 서비스에 비하여 폭넓은 개념의 서 비스로 진정한 헬스케어 서비스를 제공할 수 있는 기술이다.", "WBAN은 사람을 중심으로 하나의 WBAN 코디네이터와 다수의 WBAN 장치들로 구성된다.", "WBAN 장치는 용도에 따라 신체에 착용 및 이식되어 생체정보를 취득하거나, 신체 주변의 엔터테인먼트 응용에 활용된다.", "코디네이터는 이들 장치와 스타 토폴로지를 구성하여 양방향 통신 기능을 제공하며 이들 장치들을 관리하고 제어한다.", "또한 코디네이터는 개인 휴대 단말기형태로 구현되어 사용자가 원하는 다양한 멀티미디어서비스를 제공하고 자신의 헬스정보를 취득, 분석, 관리하는 기능을 제공한다.", "WBAN 기술은 인체의 내부 및 외부 약 \\( 3 \\mathrm{~m} \\) 이내에 부착되는 장치들을 무선 네트워크로 연결하여 단말기간의 통신을 제공하는 근거리 무선통신기술이다.", "이러한 기술은 사람이 착용하는 옷이나 인체에 부착된 여러 장치들로 구성된 네트워크를 통해 사람의 몸을 중심으로 다양한 장치간의 데이터 결합이나 교환을 지원한다.", "</p><p>WBAN은 센서 노드의 위치에 따라 In-Body, On-Body, Out-Body로 구분할 수 있다.", "In-Body의 경우 인체 내에 이식되어 활용되는 이식형(Implant) 장치 가 있고, On-Body와 Out-Body의 경우 인체에 부착 하거나 착용 가능한 착용형(Wearable) 장치가 있다.", "이식형 장치는 혈당센서, 무선내시경, 약물전달 캡슐 등이 있으며 인체의 전파 특성과 인체에 미칠 수 있는 영향 을 고려해 MICS(Medical Implanted Communication Service)를 위한 \\( 402^{\\sim} 405 mathrm{MHz} \\) 대역의 주파수를 이용하도록 규정하고 있다.", "착용형 장치는 ECG, EEG, EMG, SpO 2 등이 있으며 ISM(Industrial Scientific Medical) 주파수 대역을 통하여 데이터를 전송하게 된다.", "</p><p>WBAN 응용서비스는 혈당이나 심전도 등의 사람의 생체신호를 측정하여 무선으로 전송하거나 인체 내 장치들을 구동시키는 의료용(Medical)과 인체 주변에서 음성이나 영상 데이터를 전송하거나 엔터테인먼트를 제공하는 비의료용(Non-Medical)으로 구분할 수 있다.", "그림 2는 WBAN 응용서비스 구조를 나타낸다.", "</p><h2>3. WBAN 게이트웨이</h2><p>게이트웨이(Gateway)는 서로 다른 통신규약을 사용하는 네트워크들을 상호 연결하기 위하여 자신의 통신규약을 상대방의 통신규약으로 전환해 주는 역할을 하여 서로 다른 기종의 네트워크를 연결시키는 장비이다.", "OSI 참조 모델의 모든 계층을 포함하여 동작하는 네트워크 장비로서 두 개의 완전히 다른 네트워크 사이의 데이터 형식을 변환하는 기능을 수행한다.", "</p><p>센서 네트워크 게이트웨이는 사용자가 원할 때 언제 어디서나 IP 네트워크를 통하여 센서 네트워크에 접속하여 센서 네트워크의 모니터링 및 관리 기능을 제공하기 위한 것으로, 센서 네트워크와 IP 네트워크와의 연동을 위해 사용된다.", "센서 네트워크와 IP 네트워크와의 연동 모델은 그림 2-21과 같이 센서 네트워크 기술, 이종망 연동 지원 게이트웨이 시스템, 게이트웨이의 이종망 지원 프로토콜, 센서 네트워크 관리 서비스 기술로 구성되어 있다.", "</p><p>TTA 표준에서 정의하는 게이트웨이는 ZigBee, 6LowPAN, TinyOS 기반의 센서 네트워크를 IP 기반의 망과 연동해준다.", "그림 4는 게이트웨이를 통한 연동 시나리오를 개괄적으로 보여준다.", "그림 4에서 센서 네트워크는 싱크 노드를 통하여 게이트웨이에 연결된다고 가정한다.", "6LowPAN 기반 센서 네트워크의 경우 IPv6 를 네트워크 계층 프로토콜로 사용하기 때문에 게이트 웨이는IPv6 를 IPv4 로 또는 IPv4 를 IPv6 로 변환해주는 기능을 제공해준다.", "ZigBee와 TinyOS 기반 센서 네트 워크의 경우, TCP/IP 인터넷 프로토콜 스택의 물리 계층부터 트랜스포트 계층까지 매핑이 되지 않기 때문에 게이트웨이는 센서 네트워크의 메시지를 역캡슐화(decapsulation)해서 응용 계층 데이터를 추출해낸 후 인터넷 프로토콜 스택을 통해 인터넷 상으로 전달될 수 있어야 한다.", "따라서 ZigBee, TinyOS 기반의 센서 네트워크와 IP 기반의 네트워크를 연동해주기 위해 트랜스포트 계층 위에 APDAL (Application Protocol Data Adaptation Layer)이란 적응 계층을 정의한다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "모바일 디바이스 기반의 U-헬스케어 모니터링 시스템 구현", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1e0dc497-875a-4fbd-bd68-906a60635b8f", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2012", "doc_author": [ "박주희" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
424	<h1>Ⅳ. 시뮬레이션 및 결과</h1> <p>제안한 개선된 망동기화 알고리즘의 성능을 알아보기 위해 C 언어 기반의 GloMoSim 2.0.3 시뮬레이터를 이용해 시뮬레이션 하였다. 그림 2와 같이 같은 level로 RN의 중간에 IRN이 위치하는 경우와 그림 3과 같이 다른 level로 RN의 중간에 IRN이 위치하는 multiple reference node 환경에서, 기존의 수동적인 망 동기화 방법과 제안한 적극적인 망동기화 방법을 sensor node들의 누적된 error 값과 sensor network들을 동기화 하는 데 전체적으로 걸리는 시간(elapsed time)을 구하여 비교하였다. 시뮬레이션에 사용한 parameter들은 표1과 같다.</p> <p>그림 4에서 1번째 막대와 2번째 막대는 TSync 알고리즘이 기존의 TPSN보다 월등하다는 것을 보여준다. Wireless sensor network에서 TSync의 overhearing 특성을 이용하면, node-to-node로 synchronization하는 TPSN보다 좋은 망동기화 성능을 보여준다.</p> <p>그림 4의 2번째 막대와 3번째 막대는 TSync 알고리즘에서 single reference node를 사용한 경우와 multiple reference node를 사용하는 효용성을 비교한 것이다. Single reference node를 갖는 망에서는 synchronization error가 reference node에서 얼마나 큰 hop수로 떨어져 위치해 있는가가 error의 큰 변수로 작용하므로, multiple reference node의 사용은 전체적인 hop 수를 감소시켜, 전반적으로 더욱 좋은 synchronization error 특성을 나타낸다.</p> <p>그림 4의 3번째 막대와 4번째 막대는 그림 2와 같이 multiple reference node들로부터 같은 level 만큼 떨어진 곳에 Intermediate Reference Node (IRN)가 위치해 있어, 먼저 도착한 RN의 정보에 맞춰 제안한 방법으로 적극적으로 망을 동기화한 경우, RN0를 기준으로 hop 수(=level 값)에 따른 sensor node들의 누적된 synchronization error를 순수 TSync 방법과 비교한 결과 그래프이다. 소극적으로 자신만 동기화하고 끝내는 순수 TSync보다 reference node들을 적극적으로 synchronization 해가면서 망동기화를 계속하므로, 결과적으로 제안한 방법이 더 좋은 synchronization error 특성을 나타낸다.</p> <p>그림 5는 그림 3과 같이 multiple reference node들로부터 다른 level만큼 떨어진 곳에 IRN이 위치해 있고, 낮은 level 값 만큼 떨어져 있는 RN을 선호하여 먼 곳에 있는 RN을 제안한 알고리즘으로 적극적으로 동기화한 경우 순수 TSync 방법과 비교한 누적된 synchronization error 결과를 나타낸 것이다. 이 경우에도 전반적으로 sensor network의 reference node들을 적극적으로 synchroni- zation 해가면서 반복적인 망동기화를 해 나가므로, 결과적으로 제안한 방법이 기존의 방법보다 더 나은 error 특성을 보인다.</p> <table border><caption>표1. 시뮬레이션 파라미터</caption> <tbody><tr><td>Parameter</td><td>Value</td></tr><tr><td>Radio Frequency</td><td>\( 2.4 \mathrm{GHz} \)</td></tr><tr><td>Radio Bandwidth</td><td>\( 19.2 \mathrm{cbps} \)</td></tr><tr><td>Radio range</td><td>\( 20 \mathrm{m} \)</td></tr><tr><td>Tx power</td><td>\( 6.1 \mathrm{dbm} \)</td></tr><tr><td>Rx threhold</td><td>\( -60 \mathrm{dbm} \)</td></tr><tr><td>Antenna-gain</td><td>\( 0.0 \mathrm{db} \)</td></tr><tr><td>Frequency drift due to variations in temperature</td><td>\( 0.02 \mathrm{ms} \)</td></tr><tr><td>1 packet size</td><td>\( 192 \mathrm{bits} \)</td></tr></tbody></table> <p>표 2는 소극적 알고리즘인 TSync와 제안한 적극적 방법으로 망을 동기화 하는 경우, 망동기화에 전체적으로 소요되는 시간을 측정한 것이다. 제안한 적극적인 방법은 adjust_clock 패킷을 다른 reference node들에게 전달해야 하므로, 전체적인 망동기화 시간은 더 길어졌음을 볼 수 있다. 그러나 IRN 자신을 동기화 한 이후 clock_adjust 메시지를 보내는 동작은 다음 주기의 synchronization process를 개선하고자 하는 목적이므로, 이번 주기의 sensor node로서의 동작을 늦추게 하는 것은 아니다. 이렇게 길어진 망동기 소요 시간은 sensor node들의 보다 정확한 synchronization을 위해 trade-off로 치러야 하는 단점이라 하겠다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅳ. 시뮬레이션 및 결과</h1> <p>제안한 개선된 망동기화 알고리즘의 성능을 알아보기 위해 C 언어 기반의 GloMoSim 2.0.3 시뮬레이터를 이용해 시뮬레이션 하였다.", "그림 2와 같이 같은 level로 RN의 중간에 IRN이 위치하는 경우와 그림 3과 같이 다른 level로 RN의 중간에 IRN이 위치하는 multiple reference node 환경에서, 기존의 수동적인 망 동기화 방법과 제안한 적극적인 망동기화 방법을 sensor node들의 누적된 error 값과 sensor network들을 동기화 하는 데 전체적으로 걸리는 시간(elapsed time)을 구하여 비교하였다.", "시뮬레이션에 사용한 parameter들은 표1과 같다.", "</p> <p>그림 4에서 1번째 막대와 2번째 막대는 TSync 알고리즘이 기존의 TPSN보다 월등하다는 것을 보여준다.", "Wireless sensor network에서 TSync의 overhearing 특성을 이용하면, node-to-node로 synchronization하는 TPSN보다 좋은 망동기화 성능을 보여준다.", "</p> <p>그림 4의 2번째 막대와 3번째 막대는 TSync 알고리즘에서 single reference node를 사용한 경우와 multiple reference node를 사용하는 효용성을 비교한 것이다.", "Single reference node를 갖는 망에서는 synchronization error가 reference node에서 얼마나 큰 hop수로 떨어져 위치해 있는가가 error의 큰 변수로 작용하므로, multiple reference node의 사용은 전체적인 hop 수를 감소시켜, 전반적으로 더욱 좋은 synchronization error 특성을 나타낸다.", "</p> <p>그림 4의 3번째 막대와 4번째 막대는 그림 2와 같이 multiple reference node들로부터 같은 level 만큼 떨어진 곳에 Intermediate Reference Node (IRN)가 위치해 있어, 먼저 도착한 RN의 정보에 맞춰 제안한 방법으로 적극적으로 망을 동기화한 경우, RN0를 기준으로 hop 수(=level 값)에 따른 sensor node들의 누적된 synchronization error를 순수 TSync 방법과 비교한 결과 그래프이다.", "소극적으로 자신만 동기화하고 끝내는 순수 TSync보다 reference node들을 적극적으로 synchronization 해가면서 망동기화를 계속하므로, 결과적으로 제안한 방법이 더 좋은 synchronization error 특성을 나타낸다.", "</p> <p>그림 5는 그림 3과 같이 multiple reference node들로부터 다른 level만큼 떨어진 곳에 IRN이 위치해 있고, 낮은 level 값 만큼 떨어져 있는 RN을 선호하여 먼 곳에 있는 RN을 제안한 알고리즘으로 적극적으로 동기화한 경우 순수 TSync 방법과 비교한 누적된 synchronization error 결과를 나타낸 것이다.", "이 경우에도 전반적으로 sensor network의 reference node들을 적극적으로 synchroni- zation 해가면서 반복적인 망동기화를 해 나가므로, 결과적으로 제안한 방법이 기존의 방법보다 더 나은 error 특성을 보인다.", "</p> <table border><caption>표1. 시뮬레이션 파라미터</caption> <tbody><tr><td>Parameter</td><td>Value</td></tr><tr><td>Radio Frequency</td><td>\\( 2.4 \\mathrm{GHz} \\)</td></tr><tr><td>Radio Bandwidth</td><td>\\( 19.2 \\mathrm{cbps} \\)</td></tr><tr><td>Radio range</td><td>\\( 20 \\mathrm{m} \\)</td></tr><tr><td>Tx power</td><td>\\( 6.1 \\mathrm{dbm} \\)</td></tr><tr><td>Rx threhold</td><td>\\( -60 \\mathrm{dbm} \\)</td></tr><tr><td>Antenna-gain</td><td>\\( 0.0 \\mathrm{db} \\)</td></tr><tr><td>Frequency drift due to variations in temperature</td><td>\\( 0.02 \\mathrm{ms} \\)</td></tr><tr><td>1 packet size</td><td>\\( 192 \\mathrm{bits} \\)</td></tr></tbody></table> <p>표 2는 소극적 알고리즘인 TSync와 제안한 적극적 방법으로 망을 동기화 하는 경우, 망동기화에 전체적으로 소요되는 시간을 측정한 것이다.", "제안한 적극적인 방법은 adjust_clock 패킷을 다른 reference node들에게 전달해야 하므로, 전체적인 망동기화 시간은 더 길어졌음을 볼 수 있다.", "그러나 IRN 자신을 동기화 한 이후 clock_adjust 메시지를 보내는 동작은 다음 주기의 synchronization process를 개선하고자 하는 목적이므로, 이번 주기의 sensor node로서의 동작을 늦추게 하는 것은 아니다.", "이렇게 길어진 망동기 소요 시간은 sensor node들의 보다 정확한 synchronization을 위해 trade-off로 치러야 하는 단점이라 하겠다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "Sensor Network에서의 개선된 망동기화 알고리즘", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1757a937-50ea-45ad-a125-dfa6b41a2260", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2008", "doc_author": [ "장우혁", "권영미" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
425	<h1>Ⅳ. 성능 평가</h1> <h2>1. 실험 환경</h2> <p>본 논문에서는 제안한 가이드라인을 이용한 동적 손 동작 인식 방법의 성능을 평가하기 위해 OpenCV API를 이용하여 손동작 추출과 손동작 검출 알고리즘을 구현한다. 그리고 표 1의 시스템에서 표 2의 실험영상을 대상으로 프레임당 평균연산시간, 추적정확도, 검출정확도를 측정하고 그 결과를 분석한다. 또한 CPU점유율과 메모리 사용량을 측정하고, 그 결과를 분석한다.</p> <table border><caption>표1. 시스템 사양</caption> <tbody><tr><td></td><td>spec.</td></tr><tr><td>CPU</td><td>AMO Athlon \( 64X2 \) Dual Cone Proceessor 48000\(+\)</td></tr><tr><td>Memory</td><td>\( 2 \mathrm{GB} \)</td></tr><tr><td>OS</td><td>MS Windows XP Professional SP3</td></tr><tr><td>WebCAM</td><td>Looitech Communication STX (130만 화소)</td></tr></tbody></table> <h2>2. 실험 결과 및 분석</h2> <p>본 논문에서는 동영상을 프레임별로 분할한 이미지를 이용하여 가이드라인을 이용한 동적 손동작 인식 방법의 손 추적 모듈과 Optical Flow, CAM Shift의 성능을 평가한다. 가이드라인을 이용한 방법의 손 추적 모듈과 Optical Flow, CAM Shift의 프레임당 평균연산시간을 측정한 결과는 그림 7과 같다.</p> <p>그림 7을 살펴보면 가이드라인을 이용한 손동작 인식 방법의 손 추적 모듈의 프레임 당 평균연산시간이 Optical Flow, CAM Shift에 비해 \( 50 \% \) 정도 향상되었음을 볼 수 있다. 이것은 가이드라인을 이용한 방법의 손 추적 모듈이 프레임 전체가 아닌 손 영역만을 추적하기 때문이다. 또한 손 영역의 윈도우를 새로 계산할 필요가 없이 무게중심과 거리변환 함수를 스킨칼라에 적용하여 새로운 프레임의 손 영역을 적은 연산으로 찾을 수 있기 때문이다.</p> <p>손 추적 모듈에서 가장 중요한 부분은 추적 정확도이다. 가이드라인을 이용한 방법의 손 추적 모듈과 Optical Flow, CAM Shift의 추적 정확도를 측정한 결과는 그림 8과 같다.</p> <p>그림 8을 살펴보면 단순 배경인 Hand-1 Hand-3에서 추적 정확도가 비슷하다. 하지만 복잡한 배경인 Hand-4 Hand-6에서 가이드라인을 이용한 방법의 정확도가 높음올 볼 수 있다. 이러한 결과는 배경 복잡도를 줄이고 YCbCr 칼라공간을 사용했기 때문이다.</p> <p>복잡한 배경인 Hand-5, Hand-6에서는 Optical Flow방법이 제안하는 방법에 비해 추적 정확도가 높다. 그림 7을 보면 Optical Flow 방식은 프레임당 평균연산시간이 0.1초를 초과한다. 프레임당 평균연산시간이 0.1초를 초과하면 동영상으로 조합이 되었을 때 초당 10프레임 미만의 영상이 나오므로 실시간 추적에서는 사용하기 힘들다는 단점이 있다.</p> <p>가이드라인을 이용한 방법의 손 검출 모듈과 Template Matching 방법, HandVu 방법의 프레임당 평균연산시간을 측정한 결과는 그림 9와 같다.</p> <p>그림 9를 살펴보면 가이드라인을 이용한 방법의 손 검출 모듈의 프레임당 평균연산시간이 Template Matching 방법, HandVu 방법보다 우수함을 볼 수 있다.</p> <p>가이드라인을 이용한 방법의 손 검출 모듈과 Template Matching 방법, HandVu 방법의 추적 정확도를 측정한 결과는 그림 10과 같다.</p> <p>그림 10을 살펴보면 단순 배경인 Hand-1~Hand 3과 복잡한 배경인 Hand-4~Hand-6에서 HandVu 방법의 검출 정확도가 가장 우수함을 알 수 있다. 학습 예제를 이용하는 HandVu 방법은 학습 예제의 수에 비례하여 정확도가 증가하기 때문이다. 학습 예제를 이용하지 않는 가이드라인을 이용한 방법의 검출 정확도는 HandVu 방법에 비해 \( 10 \% \) 정도 낮다.</p> <p>손 추적 방법인 가이드라인을 이용한 방법의 손 추적모듈, Optical Flow 방법, CAM Shift 방법과 손 검출방법인 가이드라인을 이용한 방법의 손 검출 모듈,Template Matching 방법, HandVu 방법을 이용하여 표3 과 같이 9 가지 조합을 구성한다.</p> <p>가이드라인을 이용한 동적 손동작 인식에 소요되는 시간을 측정하기 위해 Start이미지를 시작으로 Stop 이미지까지 도달하는데 걸리는 시간을 측정한다. 따라서 동적 손동작 인식에 소요되는 시간(\( \mathrm{dt} \))은 식 4를 이용하여 구한다.</p> <p>\( d t=a t+h t+b t \)<caption>(4)</caption></p> <p>식 4에서 \( \mathrm{at} \)는 start 이미지 검출시간이고, \( \mathrm{ht} \)는 인식과정의 손 추적시간이다. 또한 \( \mathrm{bt} \)는 stop 이미지 검출시간이다.</p> <p>가이드라인을 이용한 동적 손동작 인식에 소요되는 시간을 측정한 결과는 그림 11과 같다. 그림 11을 살펴보면 CAM Shift 손동작 추척 방법과 가이드라인을 이용한 손동작 검출 방법을 적용한 P-4의 성능이 우수함을 볼 수 있나. 본 논문에서 제안한 손동작 추적 및 검출 알고리즘을 적용한 P-1~P-4,P-7 의 경우 적용하지 않은 P-6, P-8, P-9에 비해 성능이 우수함을 볼 수 있다.</p> <p>가이드라인을 이용한 동적 손동작 인식 방법의 CPU 점유율과 메모리 사용량을 분석한다. CPU 점유율은 VMWare 가상머신을 이용해 운영체제를 새로 설치하고, 필수 프로세스를 제외한 모든 프로세서를 종료한 후에 실험함으로써 정확한 값을 구하였다. 표 2의 손동작 추적 및 검출 방법을 조합한 P-1~P-9에 대한 CPU 점유율을 측정한 결과는 그림 12와 같다.</p> <p>그림 12를 살펴보면 손동작 추적 및 검출 방법으로 본 논문에서 제안한 가이드라인을 이용한 방법을 적용한 P-1의 CPU 점유율이 가장 낮음을 볼 수 있다.</p> <p>표 3의 손동작 추적 및 검출 방법을 조합한 P-1~P-9에대한 메모리 사용랑을 측정한 결과는 그림 13과 같다. 메모리 사용량은 프레임당 메모리 사용량을 측정하여 구한 평균 메모리 사용량이다. 그림 13을 살펴보면 손동작 추적 및 검출 방법으로 본 논문에서 제안한 가이드라인을 이용 한 방법을 적용한 P-1의 메모리 사용량이 가장 적음을 볼 수 있다.</p> <p>본 논문에서 제안하는 가이드라인을 이용한 손동작 인식 방법은 평균연산시간이 빠르고, CPU 점유율 및 메모리 사용량이 낮다. 따라서 시스템 부하가 높은 환경에 본 논문에서 제안하는 가이드라인을 이용한 손동작 인식 방법을 적용하면 효과적이다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅳ. 성능 평가</h1> <h2>1. 실험 환경</h2> <p>본 논문에서는 제안한 가이드라인을 이용한 동적 손 동작 인식 방법의 성능을 평가하기 위해 OpenCV API를 이용하여 손동작 추출과 손동작 검출 알고리즘을 구현한다.", "그리고 표 1의 시스템에서 표 2의 실험영상을 대상으로 프레임당 평균연산시간, 추적정확도, 검출정확도를 측정하고 그 결과를 분석한다.", "또한 CPU점유율과 메모리 사용량을 측정하고, 그 결과를 분석한다.", "</p> <table border><caption>표1. 시스템 사양</caption> <tbody><tr><td></td><td>spec.", "</td></tr><tr><td>CPU</td><td>AMO Athlon \\( 64X2 \\) Dual Cone Proceessor 48000\\(+\\)</td></tr><tr><td>Memory</td><td>\\( 2 \\mathrm{GB} \\)</td></tr><tr><td>OS</td><td>MS Windows XP Professional SP3</td></tr><tr><td>WebCAM</td><td>Looitech Communication STX (130만 화소)</td></tr></tbody></table> <h2>2. 실험 결과 및 분석</h2> <p>본 논문에서는 동영상을 프레임별로 분할한 이미지를 이용하여 가이드라인을 이용한 동적 손동작 인식 방법의 손 추적 모듈과 Optical Flow, CAM Shift의 성능을 평가한다.", "가이드라인을 이용한 방법의 손 추적 모듈과 Optical Flow, CAM Shift의 프레임당 평균연산시간을 측정한 결과는 그림 7과 같다.", "</p> <p>그림 7을 살펴보면 가이드라인을 이용한 손동작 인식 방법의 손 추적 모듈의 프레임 당 평균연산시간이 Optical Flow, CAM Shift에 비해 \\( 50 \\% \\) 정도 향상되었음을 볼 수 있다.", "이것은 가이드라인을 이용한 방법의 손 추적 모듈이 프레임 전체가 아닌 손 영역만을 추적하기 때문이다.", "또한 손 영역의 윈도우를 새로 계산할 필요가 없이 무게중심과 거리변환 함수를 스킨칼라에 적용하여 새로운 프레임의 손 영역을 적은 연산으로 찾을 수 있기 때문이다.", "</p> <p>손 추적 모듈에서 가장 중요한 부분은 추적 정확도이다.", "가이드라인을 이용한 방법의 손 추적 모듈과 Optical Flow, CAM Shift의 추적 정확도를 측정한 결과는 그림 8과 같다.", "</p> <p>그림 8을 살펴보면 단순 배경인 Hand-1 Hand-3에서 추적 정확도가 비슷하다.", "하지만 복잡한 배경인 Hand-4 Hand-6에서 가이드라인을 이용한 방법의 정확도가 높음올 볼 수 있다.", "이러한 결과는 배경 복잡도를 줄이고 YCbCr 칼라공간을 사용했기 때문이다.", "</p> <p>복잡한 배경인 Hand-5, Hand-6에서는 Optical Flow방법이 제안하는 방법에 비해 추적 정확도가 높다.", "그림 7을 보면 Optical Flow 방식은 프레임당 평균연산시간이 0.1초를 초과한다.", "프레임당 평균연산시간이 0.1초를 초과하면 동영상으로 조합이 되었을 때 초당 10프레임 미만의 영상이 나오므로 실시간 추적에서는 사용하기 힘들다는 단점이 있다.", "</p> <p>가이드라인을 이용한 방법의 손 검출 모듈과 Template Matching 방법, HandVu 방법의 프레임당 평균연산시간을 측정한 결과는 그림 9와 같다.", "</p> <p>그림 9를 살펴보면 가이드라인을 이용한 방법의 손 검출 모듈의 프레임당 평균연산시간이 Template Matching 방법, HandVu 방법보다 우수함을 볼 수 있다.", "</p> <p>가이드라인을 이용한 방법의 손 검출 모듈과 Template Matching 방법, HandVu 방법의 추적 정확도를 측정한 결과는 그림 10과 같다.", "</p> <p>그림 10을 살펴보면 단순 배경인 Hand-1~Hand 3과 복잡한 배경인 Hand-4~Hand-6에서 HandVu 방법의 검출 정확도가 가장 우수함을 알 수 있다.", "학습 예제를 이용하는 HandVu 방법은 학습 예제의 수에 비례하여 정확도가 증가하기 때문이다.", "학습 예제를 이용하지 않는 가이드라인을 이용한 방법의 검출 정확도는 HandVu 방법에 비해 \\( 10 \\% \\) 정도 낮다.", "</p> <p>손 추적 방법인 가이드라인을 이용한 방법의 손 추적모듈, Optical Flow 방법, CAM Shift 방법과 손 검출방법인 가이드라인을 이용한 방법의 손 검출 모듈,Template Matching 방법, HandVu 방법을 이용하여 표3 과 같이 9 가지 조합을 구성한다.", "</p> <p>가이드라인을 이용한 동적 손동작 인식에 소요되는 시간을 측정하기 위해 Start이미지를 시작으로 Stop 이미지까지 도달하는데 걸리는 시간을 측정한다.", "따라서 동적 손동작 인식에 소요되는 시간(\\( \\mathrm{dt} \\))은 식 4를 이용하여 구한다.", "</p> <p>\\( d t=a t+h t+b t \\)<caption>(4)</caption></p> <p>식 4에서 \\( \\mathrm{at} \\)는 start 이미지 검출시간이고, \\( \\mathrm{ht} \\)는 인식과정의 손 추적시간이다.", "또한 \\( \\mathrm{bt} \\)는 stop 이미지 검출시간이다.", "</p> <p>가이드라인을 이용한 동적 손동작 인식에 소요되는 시간을 측정한 결과는 그림 11과 같다.", "그림 11을 살펴보면 CAM Shift 손동작 추척 방법과 가이드라인을 이용한 손동작 검출 방법을 적용한 P-4의 성능이 우수함을 볼 수 있나.", "본 논문에서 제안한 손동작 추적 및 검출 알고리즘을 적용한 P-1~P-4,P-7 의 경우 적용하지 않은 P-6, P-8, P-9에 비해 성능이 우수함을 볼 수 있다.", "</p> <p>가이드라인을 이용한 동적 손동작 인식 방법의 CPU 점유율과 메모리 사용량을 분석한다.", "CPU 점유율은 VMWare 가상머신을 이용해 운영체제를 새로 설치하고, 필수 프로세스를 제외한 모든 프로세서를 종료한 후에 실험함으로써 정확한 값을 구하였다.", "표 2의 손동작 추적 및 검출 방법을 조합한 P-1~P-9에 대한 CPU 점유율을 측정한 결과는 그림 12와 같다.", "</p> <p>그림 12를 살펴보면 손동작 추적 및 검출 방법으로 본 논문에서 제안한 가이드라인을 이용한 방법을 적용한 P-1의 CPU 점유율이 가장 낮음을 볼 수 있다.", "</p> <p>표 3의 손동작 추적 및 검출 방법을 조합한 P-1~P-9에대한 메모리 사용랑을 측정한 결과는 그림 13과 같다.", "메모리 사용량은 프레임당 메모리 사용량을 측정하여 구한 평균 메모리 사용량이다.", "그림 13을 살펴보면 손동작 추적 및 검출 방법으로 본 논문에서 제안한 가이드라인을 이용 한 방법을 적용한 P-1의 메모리 사용량이 가장 적음을 볼 수 있다.", "</p> <p>본 논문에서 제안하는 가이드라인을 이용한 손동작 인식 방법은 평균연산시간이 빠르고, CPU 점유율 및 메모리 사용량이 낮다.", "따라서 시스템 부하가 높은 환경에 본 논문에서 제안하는 가이드라인을 이용한 손동작 인식 방법을 적용하면 효과적이다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "가이드라인을 이용한 동적 손동작 인식", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1f034150-4d71-4f4e-b4cf-641f32a1cd2f", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2010", "doc_author": [ "김건우", "이원주", "전창호" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
426	<h1>IV. 필터(Filter)의 중첩부분 처리</h1><p>입력 화소에 대하여 주위 화소들을 고려할 때, 각 방향으로 대칭되게 하기 위해서 필터의 크기는 홀수이다. 일반적으로 필터의 크기는 \( 3 \times 3 \) 이 가장 많이 사용되며, \( 5 \times 5 \) 또는 그 이상 크기의 필터도 종종 사용된다.</p><p>그림 3에서 대부분 필터는 상하, 좌우 또는 대각선 대칭을 가지며, 본 논문에서는 필터의 상하, 좌우 대칭에 대해서 중첩되는 부분을 그림 4의 방법을 사용하여 연산량을 줄였다.</p><p>그림 4에서 대칭을 가지는 3번째 열의 결과 값을 Buffer라는 공간에 저장을 하고, 다음 수행 때 중첩되는 1번째 열의 값을 Buffer에서 가져오는 방식으로 반복 연산을 수행한다.</p><p>수식 3에서 정의된 LUT를 상하 대칭 또는 좌우 대칭에 대해서 다음과 같이 정의한다.</p><p>\( \begin{aligned} \text { Out }_{(x, y)} &=\sum_{i=-1}^{1} L 1_{\left(I_{(x-1, y+i)}, F_{(0, i)}\right)} \\ &+\sum_{j=-1}^{1} L 2_{\left(I_{(x, y+j)}, F_{(1, j)}\right)} \\ &\left.+\sum_{k=-1}^{1} L 3_{\left(I_{(x+1, y+k)}, F_{(2, k)}\right)} \right) \end{aligned} \)<caption>(4)</caption></p><p>\( \begin{aligned} \operatorname{Out}_{(x, y)} &=\sum_{i=-1}^{1} L 1_{\left(I_{(x+i, y-1)}, F_{(i, 0)}\right)} \\ &+\sum_{j=-1}^{1} L 2_{\left(I_{(x+j, y)}, F_{(j, 1)}\right)} \\ &+\sum_{k=-1}^{1} L 3_{\left(I_{(x+k, y+1)}, F_{(k, 2)}\right)} \end{aligned} \)<caption>(5)</caption></p><p>위 수식에서 \( \mathrm{x}, \mathrm{y} \) 는 입력 영상의 좌표 값, \( \mathrm{Out} (\mathrm{x}, \mathrm{y}) \) 는 \( \mathrm{I}(\mathrm{x}, \mathrm{y}) \) 에 대한 결과 화소 값, \( \mathrm{I} \) 는 입력 영상의 화소 값, \( \mathrm{F} \) 는 \( 3 \times 3 \) 필터 값을 나타낸다.</p><p>수식 4는 좌우 대칭에 대하여 정의하며, L1, L2, L3 는 1열, 2열, 3열에 해당하는 2차원 LUT의 연산 결과를 나타낸다. 수식 5는 상하 대칭에 대하여 정의하며, L1, L2, L3는 1행, 2행, 3행에 해당하는 2차원 LUT의 연산 결과를 나타낸다. 최종적으로 L1, L2, L3의 합으로서 Out을 구하게 된다.</p> <h1>II. 컨벌루션(Convolution)</h1><p>컨벌루션 기법은 입력 영상의 각 화소에 대한 출력 화소 값을 구하기 위하여 입력 화소와 그 주위의 화소들의 값에 공간 필터 값을 곱한 다음 그 합을 구한다.</p><p>그림 1은 일반적인 컨벌루션 기법을 나타내고 있다. \( 3 \times 3 \) 필터 값과 입력 영상의 화소 값을 각각 곱한 다음 그 합을 구하면 Out에 해당하는 결과 값을 구할 수 있다.</p><p>일반적으로 \( 3 \times 3 \) 필터의 컨벌루션에서 입력 화소의 값을 각각 \( I_{(x-1, y-1),} I_{(x-1, x)} \cdots I_{(x+1, y+1)} \) 이라 할 때 다음과 같이 정의한다.</p><p>\( Out_{(x, y)}=\sum_{i=-1}^{1} \sum_{j=-1}^{1} I_{(x+i, y+j)} \times F_{(i, j)} \)<caption>(1)</caption></p><p>수식 1 에서 \( \mathrm{x}, \mathrm{y} \) 는 입력 영상의 좌표 값, \( \operatorname{Out}(\mathrm{x}, \mathrm{y}) \) 는 \( \mathrm{I}(\mathrm{x}, \mathrm{y}) \) 에 대한 결과 화소 값, \( \mathrm{I} \) 는 입력 영상의 화소 값, \( \mathrm{F} \) 는 \( 3 \times 3 \) 필터 값을 나타낸다.</p> <h1>V. 실험 및 결과</h1><p>본 논문의 실험에서 제안하는 방법의 성능 평가를 위하여 AMD 패넘II-X6 \( 1055 \mathrm{~T} \) Processor \(2.80 \mathrm{Ghz}\), \(4\mathrm{GB}\) RAM을 장착한 Windows 7기반의 PC와 ARM Cortex-A8 \(600\mathrm{Mhz}\), \(128\mathrm{KB}\) RAM, WinCE기반의 OMAP3530 임베디드 시스템에서 입력 영상의 크기와 필터의 크기에 따른 컨벌루션 연산 시간을 비교 분석하였다.</p><p>그림 5에서 필터의 과정의 초기화(initialize), 영상 입력(input image), 영상 확장(extend image), 컨벌루션(convolution), 출력 영상(output image)로 나눌 수 있다. 초기화 단계에서 필터의 크기와 값을 지정해주고, 필터를 이용하여 2차원 LUT를 만들게 된다. 영상 입력 단계에서 사용된 영상은 \( 256 \times 256 \), \( 512 \times 512 \), \( 950 \times 950 \) 크기를 가지는 Gray Lena영상을 사용하였다.</p><p>영상 확장 단계에서 입력 영상을 컨벌루션 할 수 있도록 필터의 크기에 따라서 입력 영상 크기를 확장한다. 확장된 부분은 0이나 255 또는 주위 화소와 비슷한 값으로 처리한다. 컨벌루션 단계에서 일반적인 컨벌루션 기법과 2차원 LUT를 사용한 컨벌루션 기법, 2차원 LUT와 ORB를 결합한 컨벌루션 기법을 적용하여 실험을 하였다.</p><p>그림 6에서 (a)는 입력영상, (b)는 Prewitt-Y필터를 이용한 에지검출에 대한 컨벌루션 결과 영상을 나타낸다.</p><p>그림 7에서 (a)와 (b)는 PC, 그림 8에서 (a)와 (b)는 임베디드 시스템에서 컨벌루션 연산 시간을 나타내고 있다.</p><p>그림 7, 8 에서 실험 결과는 2차원 LUT의 경우 PC와 임베디드 시스템 또는 필터의 크기에 따라 연산 시간 감소 폭의 차이가 크다. 하지만 본 논문에서 제안한 2차원 LUT와 ORB를 결합한 방법은 PC와 임베디드 시스템 모두 일반적인 컨벌루션 기법 보다 연산 시간이 \( 3 \times 3 \) 필터일 때 약 2 배, \( 5 \times 5 \) 필터일 때 약 1.5 배 향상된 결과를 확인할 수 있었다.</p> <h1>요 약</h1><p>컨벌루션 기법은 디지털 영상처리 분야에서 블러링(blurring), 샤프닝(sharpening), 에지 검출(edge detection), 잡음 제거(noise reduction)등 다양한 목적을 위해 사용되고 있으며, 상황에 따라 다양한 필터 마스크 값을 가지고 적용된다. 본 논문은 영상처리에서 다양하게 응용되는 컨벌루션 영상처리 기법을 2차원 Look-Up Table(LUT)와 필터의 중첩영역 버퍼링 기법을 통하여, 이의 영상처리 속도를 고속화하는 방법을 제안한다. 첫째, 사전에 필터의 마스크 값과 영상 화소 값의 곱셈 연산 결과값을 2차원 LUT에 저장하여, 연산에 대한 결과를 참고 하였다. 둘째, 대부분의 컨벌루션 필터가 가지는 필터 대칭성 특징에 의해 연산이 중복 수행되는 부분을 효율적으로 연산하기 위해, 중첩영역 처리 결과를 버펴 공간에 임시 저장하고, 다음 연산에서 사용할 때 버퍼의 값을 가져오는 방식으로 중첩 영역의 불필요한 반복 연산을 최소화한다. 제안하는 알고리즘은 실시간 처리를 필요로 하는 PC환경과 제한된 컴퓨팅 자원을 가지는 임베디드 시스템 환경에서 연산량을 최소화함으로써 기존 컨벌루션 알고리즘 보다 고속화된 성능 결과를 확인할 수 있었다.</p> <h1>I. 서 론</h1><p>영상과 컴퓨터를 이용하여 실시간 처리하는 기술은 얼굴의 인식, 신용카드, 신분증을 이용한 개인인증 시스템 및 로봇비젼, 휴먼 컴퓨터 인터페이스 등을 포함하는 다양한 자동화 시스템에서 유용하게 활용되고 있다.</p><p>실시간 시스템 또는 자동화 시스템에서 연산 시간 및 계산량은 중요한 요소 중에 하나이며, 특히 영상 신호는 일반적으로 2차원 이상의 신호이므로 데이터량과 연산량이 방대하여, 실시간 연산을 위해서는 고속의 필터 연산이 필수적이다.</p><p>대표적인 필터 연산인 컨벌루션 기법은 출력 영상의 새로운 화소 값을 결정하기 위해 해당 화소뿐만 아니라 그 주위의 화소들도 함께 고려하는 공간 영역 연산으로서 공간 영역에서 이웃 화소 값들의 가중치 합을 구하는 기법으로 수행된다.</p><p>컨벌루션 기법은 영상 블러링(blurring), 샤프닝(sharpening), 에지검출(edge detection), 잡음제거(noise reduction)등 디지털 영상처리 분야에서 그 목적과 여건에 따라 다양하게 쓰이며, 기법을 적용하는 방법은 모두 동일하고, 단지 필터(filter)의 값만 달라지게 된다.</p><p>영상처리에서 가장 많이 사용되는 연산 중의 하나인 필터 연산을 고속화 함으로써 특정한 알고리즘에 국한되지 않고, 앞에 언급한 블러링, 샤프닝, 에지검출, 잡음제거 등에서 영상처리 연산 시간을 줄이기 위해 다양하게 활용될 수 있다.</p><p>일반적인 필터 연산의 경우 필터의 크기는 \( 3 \times 3 \) 이 가장 많이 사용되며, \( 5 \times 5 \) 또는 그 이상 크기의 필터도 종종 사용된다. 대표적인 필터들의 경우, 대칭성이 중요한 특징이며, 가로, 세로 혹은 대각선 대칭되는 필터 계수를 가지게 된다. 그리고 컨벌루션 연산의 특징으로 필터의 크기에 비례한 다수의 곱셈 연산이 사용되며, 이러한 곱셈은 필터의 연산 시간을 증가시킨다.</p><p>본 논문에는 컨벌루션 연산처리의 고속화를 위해 필터 연산에서 곱셈 연산을 사용하지 않고, 대신 2차원 LUT를 이용하는 방법과 대칭에 따른 중첩부분의 결과값을 Buffer의 공간에 저장하고, 다음 중첩 부분에서 Buffer의 값을 사용하는 ORB(Overlap Region Buffering)을 사용하여 연산량을 줄였고, PC와 임베디드 환경에서 기존의 컨벌루션 기법의 연산 시간과 비교 하였을 때 \( 3 \times 3 \) 필터에서 약 2 배, \( 5 \times 5 \) 필터에서 1.5 배 향상된 결과를 확인할 수 있었다.</p><p>본 논문의 구성은 다음과 같다. 먼저 Ⅱ장에서 일반적인 컨벌루션 기법에 대해 설명하고, Ⅲ장에서는 필터를 이용하여 2 차원 LUT를 생성하는 방법과 2차원 LUT를 이용한 컨벌루션 기법을 설명한다. IV장에서는 대칭성을 가지는 필터의 종류와 중첩 부분을 처리하는 방법을 설명하고, V장에는 일반적인 컨벌루션 기법과 제안한 컨벌루션 기법을 PC환경과 임베디드 환경에서 실험한 결과를 설명한다. 마지막으로 VI장에서 결론을 맺는다.</p> <h1>III. 2차원 LUT(Look-up Table)</h1><p>LUT는 주어진 연산에 대해 미리 계산된 결과들의 집합을 말한다. LUT는 주어진 연산에 대한 결과를 계산하는 시간보다 더 빠르게 값을 취득해 갈 수 있도록 레퍼런스(reference)로 사용된다. LUT는 주로 실시간 데이터 취득, 실시간 임베디드 시스템에서 사용되는 방식이다.</p><p>그림 2 에서 2차원 LUT는 필터의 값과 0 ~ 255까지 밝기 값을 곱한 결과를 LUT에 저장한다. \( 3 \times 3 \) 필터이면 Filter Index는 0 ~ 8까지 9개의 행, \(8\mathrm{Bit}\) 영상이면, 0 ~ 255 값을 가지는 256개의 열을 가지는 2차원 LUT를 만들게 된다. LUT의 각 요소들을 \( \mathrm{L}(\mathrm{i}, \mathrm{j}) \) 라고 할 때 다음과 같이 정의한다.</p><p>\( L_{(i, j)}=\operatorname{Filter}(i) \times \operatorname{Pixel}(j) \)<caption>(2)</caption></p><p>수식 2에서 만들어진 LUT를 이용하여 수식 1에서 정의된 컨벌루션을 다음과 같이 정의한다.</p><p>\( Out_{(x, y)}=\sum_{i=-1}^{1} \sum_{j=-1}^{1} L_{\left(I_{(x+i, y+j)}, F_{(i, j)}\right)} \)<caption>(3)</caption></p><p>수식 3 에서 \( \mathrm{x}, \mathrm{y} \) 는 입력 영상의 좌표 값, \( \operatorname{Out}(\mathrm{x}, \mathrm{y}) \) 는 \( \mathrm{I}(\mathrm{x}, \mathrm{y}) \) 에 대한 결과 화소 값, \( \mathrm{L} \) 은 2차원 LUT의 참조 값, \( \mathrm{I} \) 는 입력 영상의 화소 값, \( \mathrm{F} \) 는 \( 3 \times 3 \) 필터 값을 나타낸다.</p> <h1>VI. 결 론</h1><p>본 논문은 컨벌루션 기법에서 2차원 LUT과 필터의 중첩부분 처리를 통하여 컨벌루션의 연산 속도를 개선하는 방법을 제안하였다. 제안한 방법을 PC와 임베디드 시스템에 적용시켜 일반적인 컨벌루션 보다 연산 속도가 향상되는 것을 확인 하였다.</p><p>향후 계획은 대각선 대칭에 대해서도 처리할 수 있는 방법을 연구하며, 제한된 자원을 가지는 임베디드 시스템에서 2 차원 LUT과 ORB를 이용한 실시간 얼굴인식 시스템을 개발하는 것이다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>IV.", "필터(Filter)의 중첩부분 처리</h1><p>입력 화소에 대하여 주위 화소들을 고려할 때, 각 방향으로 대칭되게 하기 위해서 필터의 크기는 홀수이다.", "일반적으로 필터의 크기는 \\( 3 \\times 3 \\) 이 가장 많이 사용되며, \\( 5 \\times 5 \\) 또는 그 이상 크기의 필터도 종종 사용된다.", "</p><p>그림 3에서 대부분 필터는 상하, 좌우 또는 대각선 대칭을 가지며, 본 논문에서는 필터의 상하, 좌우 대칭에 대해서 중첩되는 부분을 그림 4의 방법을 사용하여 연산량을 줄였다.", "</p><p>그림 4에서 대칭을 가지는 3번째 열의 결과 값을 Buffer라는 공간에 저장을 하고, 다음 수행 때 중첩되는 1번째 열의 값을 Buffer에서 가져오는 방식으로 반복 연산을 수행한다.", "</p><p>수식 3에서 정의된 LUT를 상하 대칭 또는 좌우 대칭에 대해서 다음과 같이 정의한다.", "</p><p>\\( \\begin{aligned} \\text { Out }_{(x, y)} &=\\sum_{i=-1}^{1} L 1_{\\left(I_{(x-1, y+i)}, F_{(0, i)}\\right)} \\\\ &+\\sum_{j=-1}^{1} L 2_{\\left(I_{(x, y+j)}, F_{(1, j)}\\right)} \\\\ &\\left.+\\", "sum_{k=-1}^{1} L 3_{\\left(I_{(x+1, y+k)}, F_{(2, k)}\\right)} \\right) \\end{aligned} \\)<caption>(4)</caption></p><p>\\( \\begin{aligned} \\operatorname{Out}_{(x, y)} &=\\sum_{i=-1}^{1} L 1_{\\left(I_{(x+i, y-1)}, F_{(i, 0)}\\right)} \\\\ &+\\sum_{j=-1}^{1} L 2_{\\left(I_{(x+j, y)}, F_{(j, 1)}\\right)} \\\\ &+\\sum_{k=-1}^{1} L 3_{\\left(I_{(x+k, y+1)}, F_{(k, 2)}\\right)} \\end{aligned} \\)<caption>(5)</caption></p><p>위 수식에서 \\( \\mathrm{x}, \\mathrm{y} \\) 는 입력 영상의 좌표 값, \\( \\mathrm{Out} (\\mathrm{x}, \\mathrm{y}) \\) 는 \\( \\mathrm{I}(\\mathrm{x}, \\mathrm{y}) \\) 에 대한 결과 화소 값, \\( \\mathrm{I} \\) 는 입력 영상의 화소 값, \\( \\mathrm{F} \\) 는 \\( 3 \\times 3 \\) 필터 값을 나타낸다.", "</p><p>수식 4는 좌우 대칭에 대하여 정의하며, L1, L2, L3 는 1열, 2열, 3열에 해당하는 2차원 LUT의 연산 결과를 나타낸다.", "수식 5는 상하 대칭에 대하여 정의하며, L1, L2, L3는 1행, 2행, 3행에 해당하는 2차원 LUT의 연산 결과를 나타낸다.", "최종적으로 L1, L2, L3의 합으로서 Out을 구하게 된다.", "</p> <h1>II.", "컨벌루션(Convolution)</h1><p>컨벌루션 기법은 입력 영상의 각 화소에 대한 출력 화소 값을 구하기 위하여 입력 화소와 그 주위의 화소들의 값에 공간 필터 값을 곱한 다음 그 합을 구한다.", "</p><p>그림 1은 일반적인 컨벌루션 기법을 나타내고 있다. \\", "( 3 \\times 3 \\) 필터 값과 입력 영상의 화소 값을 각각 곱한 다음 그 합을 구하면 Out에 해당하는 결과 값을 구할 수 있다.", "</p><p>일반적으로 \\( 3 \\times 3 \\) 필터의 컨벌루션에서 입력 화소의 값을 각각 \\( I_{(x-1, y-1),} I_{(x-1, x)} \\cdots I_{(x+1, y+1)} \\) 이라 할 때 다음과 같이 정의한다.", "</p><p>\\( Out_{(x, y)}=\\sum_{i=-1}^{1} \\sum_{j=-1}^{1} I_{(x+i, y+j)} \\times F_{(i, j)} \\)<caption>(1)</caption></p><p>수식 1 에서 \\( \\mathrm{x}, \\mathrm{y} \\) 는 입력 영상의 좌표 값, \\( \\operatorname{Out}(\\mathrm{x}, \\mathrm{y}) \\) 는 \\( \\mathrm{I}(\\mathrm{x}, \\mathrm{y}) \\) 에 대한 결과 화소 값, \\( \\mathrm{I} \\) 는 입력 영상의 화소 값, \\( \\mathrm{F} \\) 는 \\( 3 \\times 3 \\) 필터 값을 나타낸다.", "</p> <h1>V.", "실험 및 결과</h1><p>본 논문의 실험에서 제안하는 방법의 성능 평가를 위하여 AMD 패넘II-X6 \\( 1055 \\mathrm{~T} \\) Processor \\(2.80 \\mathrm{Ghz}\\), \\(4\\mathrm{GB}\\) RAM을 장착한 Windows 7기반의 PC와 ARM Cortex-A8 \\(600\\mathrm{Mhz}\\), \\(128\\mathrm{KB}\\) RAM, WinCE기반의 OMAP3530 임베디드 시스템에서 입력 영상의 크기와 필터의 크기에 따른 컨벌루션 연산 시간을 비교 분석하였다.", "</p><p>그림 5에서 필터의 과정의 초기화(initialize), 영상 입력(input image), 영상 확장(extend image), 컨벌루션(convolution), 출력 영상(output image)로 나눌 수 있다.", "초기화 단계에서 필터의 크기와 값을 지정해주고, 필터를 이용하여 2차원 LUT를 만들게 된다.", "영상 입력 단계에서 사용된 영상은 \\( 256 \\times 256 \\), \\( 512 \\times 512 \\), \\( 950 \\times 950 \\) 크기를 가지는 Gray Lena영상을 사용하였다.", "</p><p>영상 확장 단계에서 입력 영상을 컨벌루션 할 수 있도록 필터의 크기에 따라서 입력 영상 크기를 확장한다.", "확장된 부분은 0이나 255 또는 주위 화소와 비슷한 값으로 처리한다.", "컨벌루션 단계에서 일반적인 컨벌루션 기법과 2차원 LUT를 사용한 컨벌루션 기법, 2차원 LUT와 ORB를 결합한 컨벌루션 기법을 적용하여 실험을 하였다.", "</p><p>그림 6에서 (a)는 입력영상, (b)는 Prewitt-Y필터를 이용한 에지검출에 대한 컨벌루션 결과 영상을 나타낸다.", "</p><p>그림 7에서 (a)와 (b)는 PC, 그림 8에서 (a)와 (b)는 임베디드 시스템에서 컨벌루션 연산 시간을 나타내고 있다.", "</p><p>그림 7, 8 에서 실험 결과는 2차원 LUT의 경우 PC와 임베디드 시스템 또는 필터의 크기에 따라 연산 시간 감소 폭의 차이가 크다.", "하지만 본 논문에서 제안한 2차원 LUT와 ORB를 결합한 방법은 PC와 임베디드 시스템 모두 일반적인 컨벌루션 기법 보다 연산 시간이 \\( 3 \\times 3 \\) 필터일 때 약 2 배, \\( 5 \\times 5 \\) 필터일 때 약 1.5 배 향상된 결과를 확인할 수 있었다.", "</p> <h1>요 약</h1><p>컨벌루션 기법은 디지털 영상처리 분야에서 블러링(blurring), 샤프닝(sharpening), 에지 검출(edge detection), 잡음 제거(noise reduction)등 다양한 목적을 위해 사용되고 있으며, 상황에 따라 다양한 필터 마스크 값을 가지고 적용된다.", "본 논문은 영상처리에서 다양하게 응용되는 컨벌루션 영상처리 기법을 2차원 Look-Up Table(LUT)와 필터의 중첩영역 버퍼링 기법을 통하여, 이의 영상처리 속도를 고속화하는 방법을 제안한다.", "첫째, 사전에 필터의 마스크 값과 영상 화소 값의 곱셈 연산 결과값을 2차원 LUT에 저장하여, 연산에 대한 결과를 참고 하였다.", "둘째, 대부분의 컨벌루션 필터가 가지는 필터 대칭성 특징에 의해 연산이 중복 수행되는 부분을 효율적으로 연산하기 위해, 중첩영역 처리 결과를 버펴 공간에 임시 저장하고, 다음 연산에서 사용할 때 버퍼의 값을 가져오는 방식으로 중첩 영역의 불필요한 반복 연산을 최소화한다.", "제안하는 알고리즘은 실시간 처리를 필요로 하는 PC환경과 제한된 컴퓨팅 자원을 가지는 임베디드 시스템 환경에서 연산량을 최소화함으로써 기존 컨벌루션 알고리즘 보다 고속화된 성능 결과를 확인할 수 있었다.", "</p> <h1>I.", "서 론</h1><p>영상과 컴퓨터를 이용하여 실시간 처리하는 기술은 얼굴의 인식, 신용카드, 신분증을 이용한 개인인증 시스템 및 로봇비젼, 휴먼 컴퓨터 인터페이스 등을 포함하는 다양한 자동화 시스템에서 유용하게 활용되고 있다.", "</p><p>실시간 시스템 또는 자동화 시스템에서 연산 시간 및 계산량은 중요한 요소 중에 하나이며, 특히 영상 신호는 일반적으로 2차원 이상의 신호이므로 데이터량과 연산량이 방대하여, 실시간 연산을 위해서는 고속의 필터 연산이 필수적이다.", "</p><p>대표적인 필터 연산인 컨벌루션 기법은 출력 영상의 새로운 화소 값을 결정하기 위해 해당 화소뿐만 아니라 그 주위의 화소들도 함께 고려하는 공간 영역 연산으로서 공간 영역에서 이웃 화소 값들의 가중치 합을 구하는 기법으로 수행된다.", "</p><p>컨벌루션 기법은 영상 블러링(blurring), 샤프닝(sharpening), 에지검출(edge detection), 잡음제거(noise reduction)등 디지털 영상처리 분야에서 그 목적과 여건에 따라 다양하게 쓰이며, 기법을 적용하는 방법은 모두 동일하고, 단지 필터(filter)의 값만 달라지게 된다.", "</p><p>영상처리에서 가장 많이 사용되는 연산 중의 하나인 필터 연산을 고속화 함으로써 특정한 알고리즘에 국한되지 않고, 앞에 언급한 블러링, 샤프닝, 에지검출, 잡음제거 등에서 영상처리 연산 시간을 줄이기 위해 다양하게 활용될 수 있다.", "</p><p>일반적인 필터 연산의 경우 필터의 크기는 \\( 3 \\times 3 \\) 이 가장 많이 사용되며, \\( 5 \\times 5 \\) 또는 그 이상 크기의 필터도 종종 사용된다.", "대표적인 필터들의 경우, 대칭성이 중요한 특징이며, 가로, 세로 혹은 대각선 대칭되는 필터 계수를 가지게 된다.", "그리고 컨벌루션 연산의 특징으로 필터의 크기에 비례한 다수의 곱셈 연산이 사용되며, 이러한 곱셈은 필터의 연산 시간을 증가시킨다.", "</p><p>본 논문에는 컨벌루션 연산처리의 고속화를 위해 필터 연산에서 곱셈 연산을 사용하지 않고, 대신 2차원 LUT를 이용하는 방법과 대칭에 따른 중첩부분의 결과값을 Buffer의 공간에 저장하고, 다음 중첩 부분에서 Buffer의 값을 사용하는 ORB(Overlap Region Buffering)을 사용하여 연산량을 줄였고, PC와 임베디드 환경에서 기존의 컨벌루션 기법의 연산 시간과 비교 하였을 때 \\( 3 \\times 3 \\) 필터에서 약 2 배, \\( 5 \\times 5 \\) 필터에서 1.5 배 향상된 결과를 확인할 수 있었다.", "</p><p>본 논문의 구성은 다음과 같다.", "먼저 Ⅱ장에서 일반적인 컨벌루션 기법에 대해 설명하고, Ⅲ장에서는 필터를 이용하여 2 차원 LUT를 생성하는 방법과 2차원 LUT를 이용한 컨벌루션 기법을 설명한다.", "IV장에서는 대칭성을 가지는 필터의 종류와 중첩 부분을 처리하는 방법을 설명하고, V장에는 일반적인 컨벌루션 기법과 제안한 컨벌루션 기법을 PC환경과 임베디드 환경에서 실험한 결과를 설명한다.", "마지막으로 VI장에서 결론을 맺는다.", "</p> <h1>III.", "2차원 LUT(Look-up Table)</h1><p>LUT는 주어진 연산에 대해 미리 계산된 결과들의 집합을 말한다.", "LUT는 주어진 연산에 대한 결과를 계산하는 시간보다 더 빠르게 값을 취득해 갈 수 있도록 레퍼런스(reference)로 사용된다.", "LUT는 주로 실시간 데이터 취득, 실시간 임베디드 시스템에서 사용되는 방식이다.", "</p><p>그림 2 에서 2차원 LUT는 필터의 값과 0 ~ 255까지 밝기 값을 곱한 결과를 LUT에 저장한다. \\", "( 3 \\times 3 \\) 필터이면 Filter Index는 0 ~ 8까지 9개의 행, \\(8\\mathrm{Bit}\\) 영상이면, 0 ~ 255 값을 가지는 256개의 열을 가지는 2차원 LUT를 만들게 된다.", "LUT의 각 요소들을 \\( \\mathrm{L}(\\mathrm{i}, \\mathrm{j}) \\) 라고 할 때 다음과 같이 정의한다.", "</p><p>\\( L_{(i, j)}=\\operatorname{Filter}(i) \\times \\operatorname{Pixel}(j) \\)<caption>(2)</caption></p><p>수식 2에서 만들어진 LUT를 이용하여 수식 1에서 정의된 컨벌루션을 다음과 같이 정의한다.", "</p><p>\\( Out_{(x, y)}=\\sum_{i=-1}^{1} \\sum_{j=-1}^{1} L_{\\left(I_{(x+i, y+j)}, F_{(i, j)}\\right)} \\)<caption>(3)</caption></p><p>수식 3 에서 \\( \\mathrm{x}, \\mathrm{y} \\) 는 입력 영상의 좌표 값, \\( \\operatorname{Out}(\\mathrm{x}, \\mathrm{y}) \\) 는 \\( \\mathrm{I}(\\mathrm{x}, \\mathrm{y}) \\) 에 대한 결과 화소 값, \\( \\mathrm{L} \\) 은 2차원 LUT의 참조 값, \\( \\mathrm{I} \\) 는 입력 영상의 화소 값, \\( \\mathrm{F} \\) 는 \\( 3 \\times 3 \\) 필터 값을 나타낸다.", "</p> <h1>VI.", "결 론</h1><p>본 논문은 컨벌루션 기법에서 2차원 LUT과 필터의 중첩부분 처리를 통하여 컨벌루션의 연산 속도를 개선하는 방법을 제안하였다.", "제안한 방법을 PC와 임베디드 시스템에 적용시켜 일반적인 컨벌루션 보다 연산 속도가 향상되는 것을 확인 하였다.", "</p><p>향후 계획은 대각선 대칭에 대해서도 처리할 수 있는 방법을 연구하며, 제한된 자원을 가지는 임베디드 시스템에서 2 차원 LUT과 ORB를 이용한 실시간 얼굴인식 시스템을 개발하는 것이다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "Loop-Up Table과 필터 중첩영역 버퍼링 기법을 이용한 컨벌루션 영상처리 고속화", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1f2b515a-ea9a-4ac0-a49a-d50d5cea42a0", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2012", "doc_author": [ "김현우", "김민영" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
427	<h1>초 록</h1><p>본 논문은 수중 음향센서 데이터의 원거리 케이블 전송에 관한 연구 결과이다. LVDS(Low Voltage Differential Signaling) 전송 방식으로 설계된 데이터 송수신기의 케이블에 대한 원거리 전송 신호를 측정하고 지터특성을 분석하였다. 지터 특성을 저감하기 위하여, 원거리 전송에 따라 감쇠될 송신 신호를 역 보상하는 고역 강조(pre-emphasis) 기법을 적용하였으며, 전송 거리에 따라 송신 특성을 검증하였다.</p> <h1>Ⅲ. 원거리 데이터 전송 시스템 설계</h1><p>단일 드라이버 구동 방식에서의 주기 찌그러짐을 개선하기 위하여 출력 전압을 높인 병렬 드라이버 구동 방식과 감쇠 신호를 선보상하는 고역 강조 구동 방식을 센서 데이터 송수신기에 각각 적용하였다. LVDS 전송 방식에 따른 입력 신호, 회로 구성 및 출력 신호는 Fig. 8과 같이 구분된다.</p><p>단일 드라이버 구동 방식은 가장 일반적인 LVDS 구성으로 하나의 드라이버로 신호를 전송한다. 병렬 드라이버와 고역 강조 구동 방식은 출력 신호를 증폭하기 위해 송신부에만 LVDS 드라이버가 추가 적용되므로, 기존 송수신기 회로의 설계 변경을 최소화한다는 점에서 이점을 갖는다. 병렬 드라이버 구동 방식이 출력 신호의 전체 구간을 증폭하는 반면, 고역 강조 구동 방식은 케이블 특성에 의해 원거리 전송 후 감쇠될 고주파 성분을 고려하여 Fig. 8과 같이 일부 구간만 증폭한다. 고역 강조 구동 방식은 추가 드라이버의 출력단에 커패시터를 적용하거나, 드라이버의 출력을 제어하여 구현이 가능하다. 고역 강조 구동 방식을 커패시터로 구현할 경우, 부품 변경 없이는 강조 신호의 길이 조절이 어려우며 항상 고역 강조로 구동되는 단점을 지닌다. 이를 보완하기 위해 기존 회로의 FPGA를 활용하여 LVDS 드라이버의 출력을 디지털로 제어하였다. 디지털 제어 방식은 전송 거리에 따라 강조 신호의 길이 조절이 가능하므로 필요에 따라 단일 드라이버와 병렬 드라이버 및 고역 강조 구동 방식의 형태로 운용할 수 있다.</p><p>다채널의 수중 음향센서 운용 환경을 고려하여 제안하는 원거리 전송방식의 구성 예시는 Fig. 9와 같다.</p><p>센서 데이터 송수신기는 수중 음향센서와 일체형으로 구성된다. 각 센서는 통신 링크 단위로 상위의 센서 데이터 송수신기와 연동하며, 각 통신 그룹의 첫 번째 센서는 제어 명령을 수신하여 그룹 내 센서로 전달하고 센서들로부터 음향 데이터를 수신하여 상위의 송수신기로 원거리 전송한다. 제안된 원거리 전송 방식은 고역 강조를 전송 거리가 긴구간에서만 적용하고, 비교적 짧은 구간은 미적용하여 불필요한 전력의 소모와 신호간 간섭 영향을 최소화하였다.</p> <h1>Ⅳ. 시험 결과</h1><p>병렬 드라이버 구동 방식으로 신호를 전송하고, 케이블 전송 거리 \( 50 \mathrm{m}, 100 \mathrm{m} \)에 대한 수신 신호의 중첩파형을 Fig. 10과 11에 각각 나타내었다. 병렬 드라이버 구동 방식은 출력 신호의 증가를 통해 케이블 전송 거리 \( 50 \mathrm{m} \)에서 눈 열림 크기 \( 18.9 \mathrm{ns} \)를 확보하여 통신이 가능하였다. 반면, 케이블 전송 거리 \( 100 \mathrm{m} \)에서는 주기 찌그러짐 현상은 개선되었으나 신호간 간섭에 의한 지터 증가로 눈 열림 크기가 \( 2.2 \mathrm{ns} \)로 감소하여 통신 오류가 발생하였다.</p><p>고역 강조 기법은 구조적으로 병렬 드라이버 구동방식과 유사하지만 전체 출력 신호의 크기를 증가시키지 않고 전송 시 감쇠될 부분만 증가시킨다는 점에서 차이점을 갖는다. 본 시험에서는 디지털 제어를 통해 출력 신호의 강조 구간을 UI 길이의 \( 25 \% \)로 설정하고, 수신 신호의 눈 열림 크기를 확인하였다. 케이블 전송 거리 \( 100 \mathrm{m} \)에 대한 수신 신호의 눈 열림 크기는 Fig. 12 와 같이 \( 21.1 \mathrm{ns} \)를 확보하여 안정적인 통신이 가능하였다.</p><p>시험 결과를 통해 병렬 드라이버 전송 방식은 신호간 간섭이 증가하여 원거리 전송 성능이 저하됨을 확인하였다. 반면 고역 강조 기법은 주기 찌그러짐 현상 개선을 통해 수신 신호의 눈 열림 크기를 확보하여 원거리 전송에 적합함을 확인하였다.</p> <h1>Ⅴ. 결 론</h1> <p>수중 음향센서 데이터의 원거리 케이블 전송에 따른 지터 특성을 분석하였다. 센서 데이터송수신기의 전송 거리가 증가함에 따라 케이블 손실에 의한 신호 감쇠와 지터 성분 중 주기 찌그러짐이 크게 발생함을 확인하였다. 분석 결과를 바탕으로 전송 매체의 전송 손실을 선 보상하는 고역 강조 LVDS 전송 방식을 제안하고, CAT5e 사양의 상용 UTP 케이블에 대한 원거리 전송 시험을 수행하여 성능을 검증하였다. 제안된 전송 방식은 전송 거리에 따른 고역 강조신호의 적용 및 길이 최적화를 통해 원거리에서도 안정적인 전송이 가능하였다.</p> <p>따라서 본 연구 결과는 수중에 위치한 다채널의 센서 음향데이터를 케이블을 통해 원거리 전송하는 시스템에 적용이 가능할 것으로 판단된다.</p> <h1>Ⅱ. 전송 거리에 따른 지터 특성</h1><h2>2.1 지터 일반 특성</h2><p>지터는 신호의 이상적 기준으로부터의 위상 변위로 정의되며, Fig. 1과 같이 표현된다.</p><p>수신 신호 \( S(t) \) 는 신호 펄스의 함수 \( P \), 전송률 \( f_{d} \)및 위상 에러의 함수 \( \phi(t) \) 로 Eq. (1)과 같이 정의되며, 지터 \( J \) 는 Eq. (2)와 같이 위상 변위 \( \Delta \phi \) 에 비례하여 영향을 크게 받는다.</p><p>\( S(t)=P\left(2 \pi f_{d} t+\phi(t)\right) \)<caption>(1)</caption></p><p>\( J=\frac{1}{2 \pi f_{d}} \Delta \phi \)<caption>(2)</caption></p><p>한편, 지터는 Fig. 2 와 같이 구성된다. 전체 지터(Total Jitter, TJ) 는 열잡음, 습도 등 외부 영향으로 제한 없이 발생하는 랜덤 지터(Random Jitter, RJ)와 하드웨어, 전송 데이터 등의 조건에 의해 제한적으로 발생하는 결정성 지터(Deterministic Jitter,DJ)로 구분된다.</p><p>따라서 전체 지터 \( \Delta t_{TJ} \) 는 Eq. (3)과 같이 랜덤 지터 \( \Delta t_{DJ} \) 와 결정성 지터 \( \Delta t_{RJ} \) 의 합으로 정의되며, 전체 지터 확률밀도함수(Probability Density Functions, PDF)\( f_{TJ} \) 는 Eq. (4)와 같이 결정성 지터와 랜덤 지터 확률밀도함수 \( f_{DJ}, f_{RJ} \) 의 합성곱으로 표현된다.</p><p>\( \Delta t_{TJ}=\Delta t_{DJ}+\Delta t_{RJ} \)<caption>(3)</caption></p><p>\( f_{TJ}(\Delta t)=f_{DJ}(\Delta t) * f_{RJ}(\Delta t) \) \( =\int_{-\infty}^{\infty} f_{DJ}(u) f_{RJ}(\Delta t-u) d u \).<caption>(4)</caption></p><p>랜덤 지터는 등의 외부 요인에 의해 발생하여 예측이 불가능한 반면, 결정성 지터는 조건에 의해 발생하는 인위적 특성을 가지므로 원인에 대한 예측이 가능하다. 결정성 지터는 세부적으로 심볼간 간섭(Inter-Symbol Interference, ISI), 주기 찌그러짐(Duty Cycle Distortion, DCD) 및 주기적 지터(Periodic Jitter, PF)로 구분된다. 심볼간 간섭과 주기 찌그러짐은 전송하는 데이터에 연관되어 영향을 받기 때문에 데이터 의존적 지터(Data Dependant Jitter, DDJ)로도 표현된다. 주기적 지터는 전송 데이터와 무관하게 전원 특성과 접지 등에 의한 신호 간섭에 의해 발생된다.</p><p>이처럼 지터는 세부적으로 발생 원인이 구분되므로 지터 성분 분석을 통해 저감 방안을 도출할 수 있다. 따라서 LVDS 데이터 전송에 따른 지터 특성을 시험을 통해 분석하였다.</p><h2>2.2 원거리 전송 음향 데이터의 지터 특성</h2><p>전송 거리에 따른 수중 음향센서 전송 신호의 지터를 측정하였다. 본 시험에 적용된 센서용 데이터 송수신기의 내부 구성은 Fig. 3과 같다.</p><p>센서 데이터 송수신기는 전원을 공급하는 전원변환부, 아날로그 음향신호의 증폭 및 디지털 변환을 수행하는 전처리부, 데이터 송수신과 동기 제어를 수행하는 디지털부로 구성된다. 특히, 디지털부는 전처리된 디지털 음향신호를 LVDS로 원거리 전송하는 역할을 담당한다. 송수신기에 적용된 저전력 LVDS 드라이버의 출력 전압은 \( 350 \mathrm{mV} \) 이며, 수신 신호 식별을 위한 기준 전압은 \( 100 \mathrm{mV} \) 이다. 송수신기의 데이터 전송 주파수는 약 \( 20 \mathrm{MHz} \) 로 설정하였다.</p><p>데이터 전송 거리에 따른 지터 특성을 측정하기 위한 시험의 구성은 Fig. 4 와 같다.</p><p>전송 매체는 CAT5e 사양의 상용 UTP 케이블이 사용되었으며, 송수신기로부터 전송된 신호의 지터 특성을 전송 거리 \( 0 \mathrm{~m}\)(Ⓐ), \(50 \mathrm{~m} \) (Ⓑ), \( 100 \mathrm{~m} \) (Ⓒ) 에서 오실로스코프로 각각 측정하였다. 또한 각 전송 거리의 송수신기에서 수신한 데이터의 정상 여부를 확인하여 통신 상태를 점검하였다. 지터 측정에 사용된 오실로스코프는 \( 1 \mathrm{GHz} \) 대역폭 및 \( 20 \mathrm{GSa} / \mathrm{s} \) 샘플 속도의 사양을 갖으며, 지터 측정을 위한 전용 소프트웨어가 탑재되었다.</p><p>시험 결과, LVDS 전송 방식의 센서 데이터 송수신기는 전송거리 \( 50 \mathrm{~m} \) 에서 통신이 가능한 반면 \( 100 \mathrm{~m} \)에서는 통신이 불가하였다. 전송거리 \( 100 \mathrm{~m} \) 에 대한 LVDS 수신 신호의 아이 패턴을 Fig. 5 에 나타내었다.</p><p>지터가 증가할수록 신호가 교차하지 않은 눈 열림영역은 감소하며, 수신기의 신호 검출 구간보다 작을 경우 통신 오류가 발생된다. 주기 찌그러짐은 데이터의 최소 시간 간격(Unit Interval,UI) 내에서 신호의 상승 및 하강 구간의 비율을 통해 식별된다. 센서데이터 송수신기에서 정상 통신을 위한 수신 신호의 눈 열림 크기는 약 \( 12 \mathrm{~ns}, \pm 100 \mathrm{mV} \) 이상이 요구된다. 전송 거리 \( 100 \mathrm{~m} \) 에서 수신된 신호의 눈 열림 크기는 주기적 지터와 주기 찌그러짐으로 인해 신호 검출을 위한 최소 크기를 충족시키지 못하였다. 한편 전송환경의 잡음에 의한 최대 왜곡은 눈 열림 구간의 크기에 영향을 미치지 않았다.</p><p>전송 거리 \( 50 \mathrm{~m} \) 와 \( 100 \mathrm{~m} \) 에서 측정한 수신 신호의 지터 히스토그램을 Figs. 6과 7에 나타내었다. 히스토그램에서 각 지터 성분은 확률밀도함수의 형태로 시간 \( \mathrm{x} \) 축에 대한 면적으로 표현되며, \( \mathrm{y} \) 축은 각 성분의 크기를 나타낸다.</p><p>케이블 전송 거리에 따른 지터 히스토그램의 상세측정 결과를 Table 1에 종합하여 나타내었다.</p><p>전송 거리가 증가함에 따라 전체 지터량이 증가하였으며, 랜덤 지터의 증가폭에 비해 결정성 지터는 큰 증가폭을 나타내었다. 특히 결정성 지터 중에서도 주기적 지터와 주기 찌그러짐이 크게 증가하였다.</p><p>주기적 지터는 전원 스위칭으로 인한 누화 또는 전자파 간섭에 의해 주로 발생한다. 본 시험에서 센서데이터 송수신기는 보드 상태로 시험됨에 따라 전자파 간섭에 다소 취약한 것으로 판단된다. 따라서 향후 송수신기의 차폐를 통해 전자파 취약성을 보완할 수 있다.</p><p>반면 주기 찌그러짐(DCD)은 전송 신호의 상승 및 하강 속도 비대칭성에 의해 발생하므로 등화기의 적용을 통해 경감이 가능하다. 그러나 등화기의 적용은 회로복잡도, 소비전력 및 비용의 증가를 수반하므로 다채널을 다루는 장비에서는 보다 간결한 방법이 요구된다. 따라서 기존 센서 데이터 송수신기의 회로 변경과 전력 소모를 최소화하면서 주기 찌그러짐을 감소시키는 방안을 제안하였다.</p>	공학, 공업일반, 토목공학, 환경공학	[ "<h1>초 록</h1><p>본 논문은 수중 음향센서 데이터의 원거리 케이블 전송에 관한 연구 결과이다.", "LVDS(Low Voltage Differential Signaling) 전송 방식으로 설계된 데이터 송수신기의 케이블에 대한 원거리 전송 신호를 측정하고 지터특성을 분석하였다.", "지터 특성을 저감하기 위하여, 원거리 전송에 따라 감쇠될 송신 신호를 역 보상하는 고역 강조(pre-emphasis) 기법을 적용하였으며, 전송 거리에 따라 송신 특성을 검증하였다.", "</p> <h1>Ⅲ. 원거리 데이터 전송 시스템 설계</h1><p>단일 드라이버 구동 방식에서의 주기 찌그러짐을 개선하기 위하여 출력 전압을 높인 병렬 드라이버 구동 방식과 감쇠 신호를 선보상하는 고역 강조 구동 방식을 센서 데이터 송수신기에 각각 적용하였다.", "LVDS 전송 방식에 따른 입력 신호, 회로 구성 및 출력 신호는 Fig.", "8과 같이 구분된다.", "</p><p>단일 드라이버 구동 방식은 가장 일반적인 LVDS 구성으로 하나의 드라이버로 신호를 전송한다.", "병렬 드라이버와 고역 강조 구동 방식은 출력 신호를 증폭하기 위해 송신부에만 LVDS 드라이버가 추가 적용되므로, 기존 송수신기 회로의 설계 변경을 최소화한다는 점에서 이점을 갖는다.", "병렬 드라이버 구동 방식이 출력 신호의 전체 구간을 증폭하는 반면, 고역 강조 구동 방식은 케이블 특성에 의해 원거리 전송 후 감쇠될 고주파 성분을 고려하여 Fig.", "8과 같이 일부 구간만 증폭한다.", "고역 강조 구동 방식은 추가 드라이버의 출력단에 커패시터를 적용하거나, 드라이버의 출력을 제어하여 구현이 가능하다.", "고역 강조 구동 방식을 커패시터로 구현할 경우, 부품 변경 없이는 강조 신호의 길이 조절이 어려우며 항상 고역 강조로 구동되는 단점을 지닌다.", "이를 보완하기 위해 기존 회로의 FPGA를 활용하여 LVDS 드라이버의 출력을 디지털로 제어하였다.", "디지털 제어 방식은 전송 거리에 따라 강조 신호의 길이 조절이 가능하므로 필요에 따라 단일 드라이버와 병렬 드라이버 및 고역 강조 구동 방식의 형태로 운용할 수 있다.", "</p><p>다채널의 수중 음향센서 운용 환경을 고려하여 제안하는 원거리 전송방식의 구성 예시는 Fig.", "9와 같다.", "</p><p>센서 데이터 송수신기는 수중 음향센서와 일체형으로 구성된다.", "각 센서는 통신 링크 단위로 상위의 센서 데이터 송수신기와 연동하며, 각 통신 그룹의 첫 번째 센서는 제어 명령을 수신하여 그룹 내 센서로 전달하고 센서들로부터 음향 데이터를 수신하여 상위의 송수신기로 원거리 전송한다.", "제안된 원거리 전송 방식은 고역 강조를 전송 거리가 긴구간에서만 적용하고, 비교적 짧은 구간은 미적용하여 불필요한 전력의 소모와 신호간 간섭 영향을 최소화하였다.", "</p> <h1>Ⅳ. 시험 결과</h1><p>병렬 드라이버 구동 방식으로 신호를 전송하고, 케이블 전송 거리 \\( 50 \\mathrm{m}, 100 \\mathrm{m} \\)에 대한 수신 신호의 중첩파형을 Fig.", "10과 11에 각각 나타내었다.", "병렬 드라이버 구동 방식은 출력 신호의 증가를 통해 케이블 전송 거리 \\( 50 \\mathrm{m} \\)에서 눈 열림 크기 \\( 18.9 \\mathrm{ns} \\)를 확보하여 통신이 가능하였다.", "반면, 케이블 전송 거리 \\( 100 \\mathrm{m} \\)에서는 주기 찌그러짐 현상은 개선되었으나 신호간 간섭에 의한 지터 증가로 눈 열림 크기가 \\( 2.2 \\mathrm{ns} \\)로 감소하여 통신 오류가 발생하였다.", "</p><p>고역 강조 기법은 구조적으로 병렬 드라이버 구동방식과 유사하지만 전체 출력 신호의 크기를 증가시키지 않고 전송 시 감쇠될 부분만 증가시킨다는 점에서 차이점을 갖는다.", "본 시험에서는 디지털 제어를 통해 출력 신호의 강조 구간을 UI 길이의 \\( 25 \\% \\)로 설정하고, 수신 신호의 눈 열림 크기를 확인하였다.", "케이블 전송 거리 \\( 100 \\mathrm{m} \\)에 대한 수신 신호의 눈 열림 크기는 Fig.", "12 와 같이 \\( 21.1 \\mathrm{ns} \\)를 확보하여 안정적인 통신이 가능하였다.", "</p><p>시험 결과를 통해 병렬 드라이버 전송 방식은 신호간 간섭이 증가하여 원거리 전송 성능이 저하됨을 확인하였다.", "반면 고역 강조 기법은 주기 찌그러짐 현상 개선을 통해 수신 신호의 눈 열림 크기를 확보하여 원거리 전송에 적합함을 확인하였다.", "</p> <h1>Ⅴ. 결 론</h1> <p>수중 음향센서 데이터의 원거리 케이블 전송에 따른 지터 특성을 분석하였다.", "센서 데이터송수신기의 전송 거리가 증가함에 따라 케이블 손실에 의한 신호 감쇠와 지터 성분 중 주기 찌그러짐이 크게 발생함을 확인하였다.", "분석 결과를 바탕으로 전송 매체의 전송 손실을 선 보상하는 고역 강조 LVDS 전송 방식을 제안하고, CAT5e 사양의 상용 UTP 케이블에 대한 원거리 전송 시험을 수행하여 성능을 검증하였다.", "제안된 전송 방식은 전송 거리에 따른 고역 강조신호의 적용 및 길이 최적화를 통해 원거리에서도 안정적인 전송이 가능하였다.", "</p> <p>따라서 본 연구 결과는 수중에 위치한 다채널의 센서 음향데이터를 케이블을 통해 원거리 전송하는 시스템에 적용이 가능할 것으로 판단된다.", "</p> <h1>Ⅱ. 전송 거리에 따른 지터 특성</h1><h2>2.1 지터 일반 특성</h2><p>지터는 신호의 이상적 기준으로부터의 위상 변위로 정의되며, Fig.", "1과 같이 표현된다.", "</p><p>수신 신호 \\( S(t) \\) 는 신호 펄스의 함수 \\( P \\), 전송률 \\( f_{d} \\)및 위상 에러의 함수 \\( \\phi(t) \\) 로 Eq.", "(1)과 같이 정의되며, 지터 \\( J \\) 는 Eq.", "(2)와 같이 위상 변위 \\( \\Delta \\phi \\) 에 비례하여 영향을 크게 받는다.", "</p><p>\\( S(t)=P\\left(2 \\pi f_{d} t+\\phi(t)\\right) \\)<caption>(1)</caption></p><p>\\( J=\\frac{1}{2 \\pi f_{d}} \\Delta \\phi \\)<caption>(2)</caption></p><p>한편, 지터는 Fig.", "2 와 같이 구성된다.", "전체 지터(Total Jitter, TJ) 는 열잡음, 습도 등 외부 영향으로 제한 없이 발생하는 랜덤 지터(Random Jitter, RJ)와 하드웨어, 전송 데이터 등의 조건에 의해 제한적으로 발생하는 결정성 지터(Deterministic Jitter,DJ)로 구분된다.", "</p><p>따라서 전체 지터 \\( \\Delta t_{TJ} \\) 는 Eq.", "(3)과 같이 랜덤 지터 \\( \\Delta t_{DJ} \\) 와 결정성 지터 \\( \\Delta t_{RJ} \\) 의 합으로 정의되며, 전체 지터 확률밀도함수(Probability Density Functions, PDF)\\( f_{TJ} \\) 는 Eq.", "(4)와 같이 결정성 지터와 랜덤 지터 확률밀도함수 \\( f_{DJ}, f_{RJ} \\) 의 합성곱으로 표현된다.", "</p><p>\\( \\Delta t_{TJ}=\\Delta t_{DJ}+\\Delta t_{RJ} \\)<caption>(3)</caption></p><p>\\( f_{TJ}(\\Delta t)=f_{DJ}(\\Delta t) * f_{RJ}(\\Delta t) \\) \\( =\\int_{-\\infty}^{\\infty} f_{DJ}(u) f_{RJ}(\\Delta t-u) d u \\).", "<caption>(4)</caption></p><p>랜덤 지터는 등의 외부 요인에 의해 발생하여 예측이 불가능한 반면, 결정성 지터는 조건에 의해 발생하는 인위적 특성을 가지므로 원인에 대한 예측이 가능하다.", "결정성 지터는 세부적으로 심볼간 간섭(Inter-Symbol Interference, ISI), 주기 찌그러짐(Duty Cycle Distortion, DCD) 및 주기적 지터(Periodic Jitter, PF)로 구분된다.", "심볼간 간섭과 주기 찌그러짐은 전송하는 데이터에 연관되어 영향을 받기 때문에 데이터 의존적 지터(Data Dependant Jitter, DDJ)로도 표현된다.", "주기적 지터는 전송 데이터와 무관하게 전원 특성과 접지 등에 의한 신호 간섭에 의해 발생된다.", "</p><p>이처럼 지터는 세부적으로 발생 원인이 구분되므로 지터 성분 분석을 통해 저감 방안을 도출할 수 있다.", "따라서 LVDS 데이터 전송에 따른 지터 특성을 시험을 통해 분석하였다.", "</p><h2>2.2 원거리 전송 음향 데이터의 지터 특성</h2><p>전송 거리에 따른 수중 음향센서 전송 신호의 지터를 측정하였다.", "본 시험에 적용된 센서용 데이터 송수신기의 내부 구성은 Fig.", "3과 같다.", "</p><p>센서 데이터 송수신기는 전원을 공급하는 전원변환부, 아날로그 음향신호의 증폭 및 디지털 변환을 수행하는 전처리부, 데이터 송수신과 동기 제어를 수행하는 디지털부로 구성된다.", "특히, 디지털부는 전처리된 디지털 음향신호를 LVDS로 원거리 전송하는 역할을 담당한다.", "송수신기에 적용된 저전력 LVDS 드라이버의 출력 전압은 \\( 350 \\mathrm{mV} \\) 이며, 수신 신호 식별을 위한 기준 전압은 \\( 100 \\mathrm{mV} \\) 이다.", "송수신기의 데이터 전송 주파수는 약 \\( 20 \\mathrm{MHz} \\) 로 설정하였다.", "</p><p>데이터 전송 거리에 따른 지터 특성을 측정하기 위한 시험의 구성은 Fig.", "4 와 같다.", "</p><p>전송 매체는 CAT5e 사양의 상용 UTP 케이블이 사용되었으며, 송수신기로부터 전송된 신호의 지터 특성을 전송 거리 \\( 0 \\mathrm{~m}\\)(Ⓐ), \\(50 \\mathrm{~m} \\) (Ⓑ), \\( 100 \\mathrm{~m} \\) (Ⓒ) 에서 오실로스코프로 각각 측정하였다.", "또한 각 전송 거리의 송수신기에서 수신한 데이터의 정상 여부를 확인하여 통신 상태를 점검하였다.", "지터 측정에 사용된 오실로스코프는 \\( 1 \\mathrm{GHz} \\) 대역폭 및 \\( 20 \\mathrm{GSa} / \\mathrm{s} \\) 샘플 속도의 사양을 갖으며, 지터 측정을 위한 전용 소프트웨어가 탑재되었다.", "</p><p>시험 결과, LVDS 전송 방식의 센서 데이터 송수신기는 전송거리 \\( 50 \\mathrm{~m} \\) 에서 통신이 가능한 반면 \\( 100 \\mathrm{~m} \\)에서는 통신이 불가하였다.", "전송거리 \\( 100 \\mathrm{~m} \\) 에 대한 LVDS 수신 신호의 아이 패턴을 Fig.", "5 에 나타내었다.", "</p><p>지터가 증가할수록 신호가 교차하지 않은 눈 열림영역은 감소하며, 수신기의 신호 검출 구간보다 작을 경우 통신 오류가 발생된다.", "주기 찌그러짐은 데이터의 최소 시간 간격(Unit Interval,UI) 내에서 신호의 상승 및 하강 구간의 비율을 통해 식별된다.", "센서데이터 송수신기에서 정상 통신을 위한 수신 신호의 눈 열림 크기는 약 \\( 12 \\mathrm{~ns}, \\pm 100 \\mathrm{mV} \\) 이상이 요구된다.", "전송 거리 \\( 100 \\mathrm{~m} \\) 에서 수신된 신호의 눈 열림 크기는 주기적 지터와 주기 찌그러짐으로 인해 신호 검출을 위한 최소 크기를 충족시키지 못하였다.", "한편 전송환경의 잡음에 의한 최대 왜곡은 눈 열림 구간의 크기에 영향을 미치지 않았다.", "</p><p>전송 거리 \\( 50 \\mathrm{~m} \\) 와 \\( 100 \\mathrm{~m} \\) 에서 측정한 수신 신호의 지터 히스토그램을 Figs.", "6과 7에 나타내었다.", "히스토그램에서 각 지터 성분은 확률밀도함수의 형태로 시간 \\( \\mathrm{x} \\) 축에 대한 면적으로 표현되며, \\( \\mathrm{y} \\) 축은 각 성분의 크기를 나타낸다.", "</p><p>케이블 전송 거리에 따른 지터 히스토그램의 상세측정 결과를 Table 1에 종합하여 나타내었다.", "</p><p>전송 거리가 증가함에 따라 전체 지터량이 증가하였으며, 랜덤 지터의 증가폭에 비해 결정성 지터는 큰 증가폭을 나타내었다.", "특히 결정성 지터 중에서도 주기적 지터와 주기 찌그러짐이 크게 증가하였다.", "</p><p>주기적 지터는 전원 스위칭으로 인한 누화 또는 전자파 간섭에 의해 주로 발생한다.", "본 시험에서 센서데이터 송수신기는 보드 상태로 시험됨에 따라 전자파 간섭에 다소 취약한 것으로 판단된다.", "따라서 향후 송수신기의 차폐를 통해 전자파 취약성을 보완할 수 있다.", "</p><p>반면 주기 찌그러짐(DCD)은 전송 신호의 상승 및 하강 속도 비대칭성에 의해 발생하므로 등화기의 적용을 통해 경감이 가능하다.", "그러나 등화기의 적용은 회로복잡도, 소비전력 및 비용의 증가를 수반하므로 다채널을 다루는 장비에서는 보다 간결한 방법이 요구된다.", "따라서 기존 센서 데이터 송수신기의 회로 변경과 전력 소모를 최소화하면서 주기 찌그러짐을 감소시키는 방안을 제안하였다.", "</p>" ]	{ "doc_category": { "KDC": "530.2405", "DDC": "620.2" }, "doc_title": { "kor": "수중 음향센서의 원거리 데이터 전송에 관한 연구", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-20c10b83-24d2-47cb-a53f-2ba850a916f2", "doc_number": { "ISSN": "1225-4428", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2019", "doc_author": [ "한정희", "이병화", "김동욱", "이정민" ], "doc_publisher": "한국음향학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
428	<h1>III. 거리 정보를 이용한 물체 인식</h1><p>본 논문에서 제안한 거리정보 기반 물체 인식방법은 그림 1과 같이, 우선 영상 내에서 물체형상에 대한 segmentation을 수행하고, 이로부터 얻은 물체 윤곽선으로부터 시그니처를 추출한 후 데이터베이스와 비교하여 물체를 인식하는 방법이다. 특히 본 논문에서는 segmentation을 위해서 Ⅱ장에서 기술한 거리 측정 시스템을 사용한 거리 정보를 이용함으로써, segmentation의 정확성을 크게 향상 시켰다. 이 segmentation은 거리 정보에 대한 간단한 thresholding 기법을 사용하면 된다.</p><p>거리 정보의 segmentation 결과로 얻어진 물체의 윤곽은 2차원 영상의 segmentation 결과로 얻어진 물체 윤곽에 비해 매우 명확하고 robust한 특성이 있다. 이 윤곽선 상의 각 점들을 각 영역의 중심점으로 부터의 거리와 각도로 표현한 것이 시그니처 정보이다. 이 시그니처 정보를 normalize하면, 크기에 무관한 인식이 가능하게 된다. 또한, 이 시그니처 정보는 물체의 회전 각도에 비례한 수평이동이 정보로 나타나므로 수평이동 정도를 파악하여 회전 각도를 알 수 있다.</p><p>본 논문에서는 물체에 대한 시그니처 정보를 데이터베이스화 한 후, 데이터베이스 정보와 새로 얻은 물체의 시그니처와 비교함으로서 물체를 인식하는 알고리즘을 제안하였다.</p><h2>3.1 인식을 위한 segmentation</h2><p>일반적인 물체 인식의 가장 첫 단계는 segmentation 단계이다. Model base, Feature matching base 등 segmentation 과정을 수행하지 않는 matching 방법도 있지만, 이러한 물체 인식 과정에서도 segmentation을 수행함으로써 인식 도메인을 줄일 수 있고, 배경이나 다른 물체와 섞여서 나오는 잡음에 강인한 결과를 가져오게 된다.</p><p>그림 4는 실제 물체에 대하여 측정한 결과이다. 측정된 거리 값을 이용하여 3차원적인 모양이 표현 가능하며 선(line) 레이저를 이용하여 높이에 대해서 세밀한 영역까지 측정 가능하다. 큰 종이컵이 뒤집어 있는 모양을 하고 있다. 종이컵이 둥글기 때문에 종이컵의 중앙을 보면 이에 따른 거리 값이 달라짐을 확인할 수 있다.</p><p>회전 각도는 약 \( 20^{ \circ} \)이며 거리는 약 \( 300 \mathrm{~mm} \sim 800 \mathrm{~mm} \)사이에 측정되었다. 종이컵과 스테이플러는 약 \( 500 \mathrm{~mm} \)에 위치하였으며 배경은 약 \( 800 \mathrm{~mm} \)에 있다.</p><p>측정된 거리 값의 유사도와 거리 값에 따른 연결 성분을 고려하여 각 영역을 segmentation 하면 그림 5는 labeling된 결과와 실제 거리 데이터에 segmentation을 수행한 결과이다.</p> <h1>V. 결 론</h1><p>본 연구에서는 카메라, 선형 레이저 및 회전 평면경을 이용한 거리측정 시스템을 활용하여 정밀한 3차원 거리정보를 획득하고, 이를 활용하여 물체를 인식하는 방법에 관한 것이다.</p><p>카메라, 선형 레이저 및 회전 평면경을 이용한 거리 측정 시스템은 물체에 레이저를 조사함으로서 물체의 3차원 정보를 얻는 시스템이다. 이 시스템을 사용하면, 작은 돌출부위에 대해서도 거리측정이 가능하고, 회전거울을 이용하여 시스템 전체의 움직임 없이 주변 물체에 대한 넓은 범위의 거리 탐색이 가능하다.</p><p>본 논문에서는 상기의 거리 측정 장치를 활용하여 얻은 3차원 거리 정보를 문턱치 처리함으로서 물체를 segmentation 한 후, segmentation된 영역의 시그니처를 구하고 데이터베이스의 시그니처와 비교하여 물체 인식하는 방법이다.</p><p>이러한 인식을 위해서 물체마다, 12종류 이상의 자세에 대한 시그니처를 데이터베이스화 하였다. 실험을 수행해 본 결과, 실험에 사용한 모든 물체에 대해서, 물체가 놓여진 자세 및 위치에 관계없이 \( 100 \% \) 인식이 되는 것을 확인하였다. 제안한 물체 인식방법은 물체의 크기나 자세와 무관하게 물체를 인식할 수 있으므로 향후, 물체 인식에 중요하게 사용될 수 있을 것으로 예상된다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>III.", "거리 정보를 이용한 물체 인식</h1><p>본 논문에서 제안한 거리정보 기반 물체 인식방법은 그림 1과 같이, 우선 영상 내에서 물체형상에 대한 segmentation을 수행하고, 이로부터 얻은 물체 윤곽선으로부터 시그니처를 추출한 후 데이터베이스와 비교하여 물체를 인식하는 방법이다.", "특히 본 논문에서는 segmentation을 위해서 Ⅱ장에서 기술한 거리 측정 시스템을 사용한 거리 정보를 이용함으로써, segmentation의 정확성을 크게 향상 시켰다.", "이 segmentation은 거리 정보에 대한 간단한 thresholding 기법을 사용하면 된다.", "</p><p>거리 정보의 segmentation 결과로 얻어진 물체의 윤곽은 2차원 영상의 segmentation 결과로 얻어진 물체 윤곽에 비해 매우 명확하고 robust한 특성이 있다.", "이 윤곽선 상의 각 점들을 각 영역의 중심점으로 부터의 거리와 각도로 표현한 것이 시그니처 정보이다.", "이 시그니처 정보를 normalize하면, 크기에 무관한 인식이 가능하게 된다.", "또한, 이 시그니처 정보는 물체의 회전 각도에 비례한 수평이동이 정보로 나타나므로 수평이동 정도를 파악하여 회전 각도를 알 수 있다.", "</p><p>본 논문에서는 물체에 대한 시그니처 정보를 데이터베이스화 한 후, 데이터베이스 정보와 새로 얻은 물체의 시그니처와 비교함으로서 물체를 인식하는 알고리즘을 제안하였다.", "</p><h2>3.1 인식을 위한 segmentation</h2><p>일반적인 물체 인식의 가장 첫 단계는 segmentation 단계이다.", "Model base, Feature matching base 등 segmentation 과정을 수행하지 않는 matching 방법도 있지만, 이러한 물체 인식 과정에서도 segmentation을 수행함으로써 인식 도메인을 줄일 수 있고, 배경이나 다른 물체와 섞여서 나오는 잡음에 강인한 결과를 가져오게 된다.", "</p><p>그림 4는 실제 물체에 대하여 측정한 결과이다.", "측정된 거리 값을 이용하여 3차원적인 모양이 표현 가능하며 선(line) 레이저를 이용하여 높이에 대해서 세밀한 영역까지 측정 가능하다.", "큰 종이컵이 뒤집어 있는 모양을 하고 있다.", "종이컵이 둥글기 때문에 종이컵의 중앙을 보면 이에 따른 거리 값이 달라짐을 확인할 수 있다.", "</p><p>회전 각도는 약 \\( 20^{ \\circ} \\)이며 거리는 약 \\( 300 \\mathrm{~mm} \\sim 800 \\mathrm{~mm} \\)사이에 측정되었다.", "종이컵과 스테이플러는 약 \\( 500 \\mathrm{~mm} \\)에 위치하였으며 배경은 약 \\( 800 \\mathrm{~mm} \\)에 있다.", "</p><p>측정된 거리 값의 유사도와 거리 값에 따른 연결 성분을 고려하여 각 영역을 segmentation 하면 그림 5는 labeling된 결과와 실제 거리 데이터에 segmentation을 수행한 결과이다.", "</p> <h1>V.", "결 론</h1><p>본 연구에서는 카메라, 선형 레이저 및 회전 평면경을 이용한 거리측정 시스템을 활용하여 정밀한 3차원 거리정보를 획득하고, 이를 활용하여 물체를 인식하는 방법에 관한 것이다.", "</p><p>카메라, 선형 레이저 및 회전 평면경을 이용한 거리 측정 시스템은 물체에 레이저를 조사함으로서 물체의 3차원 정보를 얻는 시스템이다.", "이 시스템을 사용하면, 작은 돌출부위에 대해서도 거리측정이 가능하고, 회전거울을 이용하여 시스템 전체의 움직임 없이 주변 물체에 대한 넓은 범위의 거리 탐색이 가능하다.", "</p><p>본 논문에서는 상기의 거리 측정 장치를 활용하여 얻은 3차원 거리 정보를 문턱치 처리함으로서 물체를 segmentation 한 후, segmentation된 영역의 시그니처를 구하고 데이터베이스의 시그니처와 비교하여 물체 인식하는 방법이다.", "</p><p>이러한 인식을 위해서 물체마다, 12종류 이상의 자세에 대한 시그니처를 데이터베이스화 하였다.", "실험을 수행해 본 결과, 실험에 사용한 모든 물체에 대해서, 물체가 놓여진 자세 및 위치에 관계없이 \\( 100 \\% \\) 인식이 되는 것을 확인하였다.", "제안한 물체 인식방법은 물체의 크기나 자세와 무관하게 물체를 인식할 수 있으므로 향후, 물체 인식에 중요하게 사용될 수 있을 것으로 예상된다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "\\(3\\) 차원 거리 정보로부터 물체 윤곽추출에 의한 물체 및 자세 인식", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-20e4a176-8a26-4db5-9208-9f7e62f359bd", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2011", "doc_author": [ "김성찬", "양창주", "이준호", "김종만", "김형석" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
429	<h1>Ⅰ. 서 론</h1><p>최근에 저전력 회로 설계는 주요 이슈가 되고 있다. 휴대용 노트북, PMP, MP3등과 같은 개인용 휴대기기의 수요가 증가됨에 따라 에너지 소모는 VLSI 설계에서 중요한 고려사항이 되었다. 에너지 소모를 줄이기 위한 방법은 크게 두 가지 방법이 있다. 하나는 곱셈기 또는 덧셈기 같은 하드웨어 입력에서의 스위칭 횟수를 줄이는 방법이 있고 다른 하나는 각 하드웨어가 동작하는 전압의 레벨을 낮추어 낮은 전압에서 동작하는 하드웨어를 사용하는 것이다. 후자의 방법이 에너지 소모를 줄이는 효율적인 방법이지만 낮은 전압의 하드웨어를 사용함으로써 수행 시간이 길어진다는 단점이 있다. 하지만 큰 에너지 소모를 줄일 수 있다는 장점 때문에 전압을 줄이는 방법에 대해 주로 연구가 이루어졌다. 상위 수준 합성에서 다중 전압에서 동작하는 하드웨어를 이용해 스케줄링 할 때, 임계 경로에 있는 operation (OP)에 높은 전압을 할당하고 임계 경로에 있지 않은 OP에 낮은 전압을 할당함으로써, 저전력 스케줄링 결과를 주로 얻었다. 이러한 방법을 이용해 여러 가지 스케줄링 알고리즘이 연구되었다. 대표적인 방법으로, 시간 제약의 다중 전압 스케줄링, 하드웨어 제약의 다중 전압 스케줄링, 시간과 하드웨어 제약의 다중 전압 스케줄링 등이 있다. 이에 반해 임계 경로에 관계없이 각 OP에 전압을 다양하게 할당함에 따라 저전력의 스케줄링 결과를 얻는 simulated annealing 방법이 제안되었다.</p><p>Level shifter의 에너지 소모를 분석하여보면, up level shifter가 down level shifter에 비해 에너지 소모가 상대적으로 크고, 회로의 안정적인 동작을 위해서 voltage level shifter의 사용횟수를 최소화하는 것이 필요하다. 우리는 그림 1을 통해 그 이유를 설명한다. 그림 1은 \( 5 \mathrm{V}, 3.3 \mathrm{V} \)에서 동작하는 곱셈기(M1, M2)와 덧셈기 (A1, A2)가 각각 하나씩 있을 때의 하드웨어 구조를 나타낸 그림이다. 그림 1처럼 실제 칩에 하드웨어를 배치하고 배선을 하게 될 때, 같은 전압에서 동작하는 하드웨어들끼리 클러스터를 형성하면서 칩에 배치하게 된다. 그래서 서로 다른 전압에서 동작하는 하드웨어들의 연결선은 같은 전압에서 동작하는 하드웨어들의 연결선에 비해 상대적으로 길게 된다. 그러므로 서로 다른 전압에서 동작하는 하드웨어들의 연결선은 level shifter에서의 수행시간을 포함해서 delay가 길어지기 때문에 성능에 많은 영향을 미치게 된다.</p><p>우리는 에너지 소모를 줄이면서 voltage level shifter 사용 횟수가 줄어드는 다중 전압 스케줄링 방법을 개발하였다. 시간 제약만을 고려한 기존 연구와 달리 우리는 시간제약과 하드웨어 제약을 동시에 고려한다. 다중 전압 리스트 스케줄링 알고리즘을 기반으로 simulated annealing을 적용한 스케줄링을 통해 저전력 스케줄링 결과를 얻는다. 그리고 후처리를 통해 전체 에너지 소모를 줄이는 Greedy 알고리즘을 수행한다. 우리는 에너지 비용 계산 시에 가중치계수\( (\alpha) \)를 통해 level shifter 에너지가 포함되는 비중을 다르게 적용하였다. 결과적으로 가중치 계수를 통해 전체 에너지와 level shifter 에너지 간에 tradeoff 관계를 확인 하면서, 우리가 원하는 전체 에너지 및 voltage level shifter 사용횟수를 얻을 수 있도록 하였다. 표 1은 OP 스케줄링에 사용되는 하드웨어들의 에너지 소모와 수행시간의 예를 나타낸 것이다. 에너지(E)의 단위는 \( \mathrm{pJ} \)이고 수행시간(D)은 \( 20 \mathrm{ns} \) 사이클로 정규화 된 값이다. 각 하드웨어 모듈에서의 switch activity는 0.5로 가정하여 얻은 결과이다. 표 1 을 보면 알 수 있듯이 \( 5 \mathrm{V} \) 덧셈기 또는 뺄셈기에 비해 \( 5 \mathrm{V} \) 곱셈기의 에너지 소모가 매우 크므로, 낮은 전압에서 수행되는 곱셈기를 많이 사용할수록 저전력을 달성 할 수 있다. 그러나 낮은 전압에서 동작하는 곱셈기는 덧셈기 또는 뺄셈기에 비해 더 큰 수행시간의 증가가 요구되기 때문에 전체적인 성능에 중요한 영향을 미치게 된다.</p><p>표 2는 \( 16 \mathrm{bit} \) voltage level shifter의 에너지 소모를 나타낸 표이다. 표 2에서 \( (\mathrm{x}, \mathrm{y}) \) 는 \( \mathrm{x} \) 전압에서 동작하는 하드웨어 모듈의 출력이 \( \mathrm{y} \) 전압에서 동작하는 하드웨어 모듈의 입력으로 들어갈 때의 에너지 소모를 나타낸 것이다. 전반적으로 up level shifter가 down level shifter보다 에너지 소모가 큰 것을 알 수 있고, 이러한 에너지 소모 차를 고려하면 우리는 좀 더 저전력 결과를 얻을 수 있다. 예를 들어 \( 3.3 \mathrm{V} \) to \( 5.5 \mathrm{V} \)로의 level shifter에 비하여 \( 5 \mathrm{V} \) to \( 3.3 \mathrm{V} \)로의 level shifter는 약 \( 38.4 \mathrm{pJ} \)의 에너지를 적게 소모한다.. 따라서 전반부에 고전압을 사용하고 후반부에 저전압을 사용하면, 반대로 한 경우보다 유리하다. 또한 전체 voltage level shifter 사용 횟수를 줄여서 추가적인 에너지 감소를 얻을 수 있다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅰ. 서 론</h1><p>최근에 저전력 회로 설계는 주요 이슈가 되고 있다.", "휴대용 노트북, PMP, MP3등과 같은 개인용 휴대기기의 수요가 증가됨에 따라 에너지 소모는 VLSI 설계에서 중요한 고려사항이 되었다.", "에너지 소모를 줄이기 위한 방법은 크게 두 가지 방법이 있다.", "하나는 곱셈기 또는 덧셈기 같은 하드웨어 입력에서의 스위칭 횟수를 줄이는 방법이 있고 다른 하나는 각 하드웨어가 동작하는 전압의 레벨을 낮추어 낮은 전압에서 동작하는 하드웨어를 사용하는 것이다.", "후자의 방법이 에너지 소모를 줄이는 효율적인 방법이지만 낮은 전압의 하드웨어를 사용함으로써 수행 시간이 길어진다는 단점이 있다.", "하지만 큰 에너지 소모를 줄일 수 있다는 장점 때문에 전압을 줄이는 방법에 대해 주로 연구가 이루어졌다.", "상위 수준 합성에서 다중 전압에서 동작하는 하드웨어를 이용해 스케줄링 할 때, 임계 경로에 있는 operation (OP)에 높은 전압을 할당하고 임계 경로에 있지 않은 OP에 낮은 전압을 할당함으로써, 저전력 스케줄링 결과를 주로 얻었다.", "이러한 방법을 이용해 여러 가지 스케줄링 알고리즘이 연구되었다.", "대표적인 방법으로, 시간 제약의 다중 전압 스케줄링, 하드웨어 제약의 다중 전압 스케줄링, 시간과 하드웨어 제약의 다중 전압 스케줄링 등이 있다.", "이에 반해 임계 경로에 관계없이 각 OP에 전압을 다양하게 할당함에 따라 저전력의 스케줄링 결과를 얻는 simulated annealing 방법이 제안되었다.", "</p><p>Level shifter의 에너지 소모를 분석하여보면, up level shifter가 down level shifter에 비해 에너지 소모가 상대적으로 크고, 회로의 안정적인 동작을 위해서 voltage level shifter의 사용횟수를 최소화하는 것이 필요하다.", "우리는 그림 1을 통해 그 이유를 설명한다.", "그림 1은 \\( 5 \\mathrm{V}, 3.3 \\mathrm{V} \\)에서 동작하는 곱셈기(M1, M2)와 덧셈기 (A1, A2)가 각각 하나씩 있을 때의 하드웨어 구조를 나타낸 그림이다.", "그림 1처럼 실제 칩에 하드웨어를 배치하고 배선을 하게 될 때, 같은 전압에서 동작하는 하드웨어들끼리 클러스터를 형성하면서 칩에 배치하게 된다.", "그래서 서로 다른 전압에서 동작하는 하드웨어들의 연결선은 같은 전압에서 동작하는 하드웨어들의 연결선에 비해 상대적으로 길게 된다.", "그러므로 서로 다른 전압에서 동작하는 하드웨어들의 연결선은 level shifter에서의 수행시간을 포함해서 delay가 길어지기 때문에 성능에 많은 영향을 미치게 된다.", "</p><p>우리는 에너지 소모를 줄이면서 voltage level shifter 사용 횟수가 줄어드는 다중 전압 스케줄링 방법을 개발하였다.", "시간 제약만을 고려한 기존 연구와 달리 우리는 시간제약과 하드웨어 제약을 동시에 고려한다.", "다중 전압 리스트 스케줄링 알고리즘을 기반으로 simulated annealing을 적용한 스케줄링을 통해 저전력 스케줄링 결과를 얻는다.", "그리고 후처리를 통해 전체 에너지 소모를 줄이는 Greedy 알고리즘을 수행한다.", "우리는 에너지 비용 계산 시에 가중치계수\\( (\\alpha) \\)를 통해 level shifter 에너지가 포함되는 비중을 다르게 적용하였다.", "결과적으로 가중치 계수를 통해 전체 에너지와 level shifter 에너지 간에 tradeoff 관계를 확인 하면서, 우리가 원하는 전체 에너지 및 voltage level shifter 사용횟수를 얻을 수 있도록 하였다.", "표 1은 OP 스케줄링에 사용되는 하드웨어들의 에너지 소모와 수행시간의 예를 나타낸 것이다.", "에너지(E)의 단위는 \\( \\mathrm{pJ} \\)이고 수행시간(D)은 \\( 20 \\mathrm{ns} \\) 사이클로 정규화 된 값이다.", "각 하드웨어 모듈에서의 switch activity는 0.5로 가정하여 얻은 결과이다.", "표 1 을 보면 알 수 있듯이 \\( 5 \\mathrm{V} \\) 덧셈기 또는 뺄셈기에 비해 \\( 5 \\mathrm{V} \\) 곱셈기의 에너지 소모가 매우 크므로, 낮은 전압에서 수행되는 곱셈기를 많이 사용할수록 저전력을 달성 할 수 있다.", "그러나 낮은 전압에서 동작하는 곱셈기는 덧셈기 또는 뺄셈기에 비해 더 큰 수행시간의 증가가 요구되기 때문에 전체적인 성능에 중요한 영향을 미치게 된다.", "</p><p>표 2는 \\( 16 \\mathrm{bit} \\) voltage level shifter의 에너지 소모를 나타낸 표이다.", "표 2에서 \\( (\\mathrm{x}, \\mathrm{y}) \\) 는 \\( \\mathrm{x} \\) 전압에서 동작하는 하드웨어 모듈의 출력이 \\( \\mathrm{y} \\) 전압에서 동작하는 하드웨어 모듈의 입력으로 들어갈 때의 에너지 소모를 나타낸 것이다.", "전반적으로 up level shifter가 down level shifter보다 에너지 소모가 큰 것을 알 수 있고, 이러한 에너지 소모 차를 고려하면 우리는 좀 더 저전력 결과를 얻을 수 있다.", "예를 들어 \\( 3.3 \\mathrm{V} \\) to \\( 5.5 \\mathrm{V} \\)로의 level shifter에 비하여 \\( 5 \\mathrm{V} \\) to \\( 3.3 \\mathrm{V} \\)로의 level shifter는 약 \\( 38.4 \\mathrm{pJ} \\)의 에너지를 적게 소모한다..", "따라서 전반부에 고전압을 사용하고 후반부에 저전압을 사용하면, 반대로 한 경우보다 유리하다.", "또한 전체 voltage level shifter 사용 횟수를 줄여서 추가적인 에너지 감소를 얻을 수 있다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "에너지 소모 최소화를 위한 다중 전압 스케줄링 기법", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1e88245c-ab6c-4227-b6c9-fedfcd25a04f", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2009", "doc_author": [ "정우성", "신현철" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
430	<h1>Ⅳ. 실 험</h1> <h2>1. 실험 환경</h2> <p>제안 시스템의 성능 실험을 위해, Intel Core i5 \(2.67 \mathrm{GHz}\), \(8.0\mathrm{GB}\) RAM, Nvidia GTX 680으로 구성된 개발 환경을 구축하고, 2개의 Kinect Sensor를 활용하였다. 이러한 환경에서, C++, OpenCV와 Kinect SDK를 기반으로 Microsoft Visual Studio 2010에서 구현하였다. 또한, Fig. 4와 같이 높이 \(2.5 \mathrm{m}\), 폭 \(2\mathrm{m}\)의 통로형 실험 세트(Set)를 조성하고, 지면에서 \(2.2m\) 높이에 전면 깊이 카메라를 설치하고, 상단 카메라를 전면 카메라와 \(3\mathrm{m}\) 간격으로 설치하였다.</p> <p>피플 카운팅 성능의 경우, 각각 50회씩 입퇴장을 총 10회의 반복 실험을 진행하였으며, 1명의 보행자가 존재하는 경우(1～2회차), 2명의 보행자가 존재하는 경우(5회차: 나란히, 6～7회차: 앞뒤로), 3명 이상의 보행자가 동시 입장하는 형태(8～9회차: 앞뒤로 혹은 나란히 무작위 입장 행태) 및 2명의 사용자가 한 개의 우산을 함께 쓰고 가는 경우(10회차)에서의 성능을 평가하였다.</p> <p>얼굴 나이 그룹 분류 성능의 경우, 각 나이 그룹별로 10명씩 총 40명을 대상으로 실험을 진행하였으며, 1명씩 입장하도록 하여 실험을 진행하였다. 또한, 나이 그룹 분류에 사용되는 특징을 얼굴 특징 비율만 사용하는 경우와 주름 밀도를 함께 사용하는 경우의 성능에 대해서도 실험을 진행하였다.</p> <h2>2. 실험 결과</h2> <p>제안 시스템에서 오버헤드 카메라의 영상만을 사용한 피플 카운팅 성능 실험 결과는 약 \(94.12 \% \)의 정확도를 나타냈으며, 전면 영상만 사용한 경우는 약 \(76.3 \% \)의정확도를 나타냈다. 오버헤드 영상의 경우, 비교적 높은정확도를 나타냈으나, 2명 이상의 보행자가 매우 근접한 간격으로 동시에 입장하는 경우 및 빠른 속도로 이동하는 경우에 인식 오류를 보였으며, 전면 영상의 경우, 2명 이상의 보행자가 이동하는 경우에 발생하는 겹침 및 가림 현상으로 인해 낮은 정확도를 보였다.</p> <p>이후, 오버헤드 영상 및 전면 영상 모두를 사용한 경우, Table 2와 같이 약 \(98 \% \)로 비교적 높은 정확도를 나타내었으며, 인식 오류 및 카운팅 오류가 상당 부분 개선된 것으로 볼 수 있다. 또한, 기존의 오버헤드 시점만을 사용하는 시스템에서 정확한 인식 및 카운팅이 불가능한 Fig. 5와 같이 2명 이상의 사람이 하나의 우산을 쓰고 가는 것과 같은 경우에도 비교적 정확한 카운팅 결과를 보였다. 이는, 기존의 실내 환경 위주의 피플 카운팅 시스템과는 달리, 야외 공연장, 놀이 공원 등과 같은 다양한 실외 환경에서도 피플 카운팅 시스템을 적용할 수 있을 것으로 기대된다.</p> <p>또한, 얼굴 나이 그룹 분류 성능의 실험은 나이 그룹 1(AG1 :0～19세)의 분류가 가장 정확하게 분류하였으며, Table 3에 나타난 것과 같이, 얼굴 특징 비율만을 사용한 경우에 약 \(73.25 \% \)의 정확도를 보였고, 주름밀도를 함께 사용한 경우에 약 \(74.25 \% \)로 비교적 높은 정확도를 나타냈다. 그러나, 헤어 스타일, 화장 여부 및 안경 등의 다양한 요인들로 인해, 정확한 주름 밀도를 측정하기에 어려움이 존재하기 때문에, 매우 근소한 차이만을 나타냈다.</p> <table border><caption>표 2. 다중 카메라 기반 피플 카운터 실험 결과</caption> <tbody><tr><td rowspan=2>회차</td><td colspan=3>입장(In)</td><td colspan=3>퇴장(Out)</td><td colspan=3>전체</td></tr><tr><td>계수 (명)</td><td>전체 (명)</td><td>정확도 (\(\%\))</td><td>계수 (명)</td><td>전체 (명)</td><td>정확도 (\(\%\))</td><td>계수 (명)</td><td>전체 (명)</td><td>정확도 (\(\%\))</td></tr><tr><td>1</td><td>50</td><td>50</td><td>100</td><td>49</td><td>50</td><td>98</td><td>99</td><td>100</td><td>99</td></tr><tr><td>2</td><td>49</td><td>50</td><td>98</td><td>50</td><td>50</td><td>100</td><td>99</td><td>100</td><td>99</td></tr><tr><td>3</td><td>48</td><td>50</td><td>96</td><td>47</td><td>50</td><td>94</td><td>95</td><td>100</td><td>95</td></tr><tr><td>4</td><td>50</td><td>50</td><td>100</td><td>48</td><td>50</td><td>96</td><td>98</td><td>100</td><td>98</td></tr><tr><td>5</td><td>48</td><td>50</td><td>98</td><td>50</td><td>50</td><td>100</td><td>99</td><td>100</td><td>99</td></tr><tr><td>6</td><td>50</td><td>50</td><td>100</td><td>49</td><td>50</td><td>98</td><td>99</td><td>100</td><td>99</td></tr><tr><td>7</td><td>50</td><td>50</td><td>100</td><td>49</td><td>50</td><td>98</td><td>99</td><td>100</td><td>99</td></tr><tr><td>8</td><td>48</td><td>50</td><td>96</td><td>50</td><td>50</td><td>100</td><td>98</td><td>100</td><td>98</td></tr><tr><td>9</td><td>48</td><td>50</td><td>96</td><td>48</td><td>50</td><td>96</td><td>96</td><td>100</td><td>96</td></tr><tr><td>10</td><td>49</td><td>50</td><td>98</td><td>49</td><td>50</td><td>98</td><td>98</td><td>100</td><td>98</td></tr><tr><td>계</td><td>491</td><td>500</td><td>98</td><td>489</td><td>500</td><td>98</td><td>980</td><td>1000</td><td>98</td></tr></tbody></table> <table border><caption>표 3. 얼굴 나이 그룹 분류 정확도</caption> <tbody><tr><td>사용 특징</td><td>AG1</td><td>AG2</td><td>AG3</td><td>AG4</td><td>평균</td></tr><tr><td>얼굴 특징 비율</td><td>\(77\%\)</td><td>\(69\%\)</td><td>\(72\%\)</td><td>\(74\%\)</td><td>\(73.25\%\)</td></tr><tr><td>얼굴 특징 비율 + 주름밀도</td><td>\(79\%\)</td><td>\(71\%\)</td><td>\(72\%\)</td><td>\(75\%\)</td><td>\(74.25\%\)</td></tr></tbody></table>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅳ. 실 험</h1> <h2>1. 실험 환경</h2> <p>제안 시스템의 성능 실험을 위해, Intel Core i5 \\(2.67 \\mathrm{GHz}\\), \\(8.0\\mathrm{GB}\\) RAM, Nvidia GTX 680으로 구성된 개발 환경을 구축하고, 2개의 Kinect Sensor를 활용하였다.", "이러한 환경에서, C++, OpenCV와 Kinect SDK를 기반으로 Microsoft Visual Studio 2010에서 구현하였다.", "또한, Fig.", "4와 같이 높이 \\(2.5 \\mathrm{m}\\), 폭 \\(2\\mathrm{m}\\)의 통로형 실험 세트(Set)를 조성하고, 지면에서 \\(2.2m\\) 높이에 전면 깊이 카메라를 설치하고, 상단 카메라를 전면 카메라와 \\(3\\mathrm{m}\\) 간격으로 설치하였다.", "</p> <p>피플 카운팅 성능의 경우, 각각 50회씩 입퇴장을 총 10회의 반복 실험을 진행하였으며, 1명의 보행자가 존재하는 경우(1～2회차), 2명의 보행자가 존재하는 경우(5회차: 나란히, 6～7회차: 앞뒤로), 3명 이상의 보행자가 동시 입장하는 형태(8～9회차: 앞뒤로 혹은 나란히 무작위 입장 행태) 및 2명의 사용자가 한 개의 우산을 함께 쓰고 가는 경우(10회차)에서의 성능을 평가하였다.", "</p> <p>얼굴 나이 그룹 분류 성능의 경우, 각 나이 그룹별로 10명씩 총 40명을 대상으로 실험을 진행하였으며, 1명씩 입장하도록 하여 실험을 진행하였다.", "또한, 나이 그룹 분류에 사용되는 특징을 얼굴 특징 비율만 사용하는 경우와 주름 밀도를 함께 사용하는 경우의 성능에 대해서도 실험을 진행하였다.", "</p> <h2>2. 실험 결과</h2> <p>제안 시스템에서 오버헤드 카메라의 영상만을 사용한 피플 카운팅 성능 실험 결과는 약 \\(94.12 \\% \\)의 정확도를 나타냈으며, 전면 영상만 사용한 경우는 약 \\(76.3 \\% \\)의정확도를 나타냈다.", "오버헤드 영상의 경우, 비교적 높은정확도를 나타냈으나, 2명 이상의 보행자가 매우 근접한 간격으로 동시에 입장하는 경우 및 빠른 속도로 이동하는 경우에 인식 오류를 보였으며, 전면 영상의 경우, 2명 이상의 보행자가 이동하는 경우에 발생하는 겹침", "및 가림 현상으로 인해 낮은 정확도를 보였다.", "</p> <p>이후, 오버헤드 영상 및 전면 영상 모두를 사용한 경우, Table 2와 같이 약 \\(98 \\% \\)로 비교적 높은 정확도를 나타내었으며, 인식 오류 및 카운팅 오류가 상당 부분 개선된 것으로 볼 수 있다.", "또한, 기존의 오버헤드 시점만을 사용하는 시스템에서 정확한 인식 및 카운팅이 불가능한 Fig.", "5와 같이 2명 이상의 사람이 하나의 우산을 쓰고 가는 것과 같은 경우에도 비교적 정확한 카운팅 결과를 보였다.", "이는, 기존의 실내 환경 위주의 피플 카운팅 시스템과는 달리, 야외 공연장, 놀이 공원 등과 같은 다양한 실외 환경에서도 피플 카운팅 시스템을 적용할 수 있을 것으로 기대된다.", "</p> <p>또한, 얼굴 나이 그룹 분류 성능의 실험은 나이 그룹 1(AG1 :0～19세)의 분류가 가장 정확하게 분류하였으며, Table 3에 나타난 것과 같이, 얼굴 특징 비율만을 사용한 경우에 약 \\(73.25 \\% \\)의 정확도를 보였고, 주름밀도를 함께 사용한 경우에 약 \\(74.25 \\% \\)로 비교적 높은 정확도를 나타냈다.", "그러나, 헤어 스타일, 화장 여부 및 안경 등의 다양한 요인들로 인해, 정확한 주름 밀도를 측정하기에 어려움이 존재하기 때문에, 매우 근소한 차이만을 나타냈다.", "</p> <table border><caption>표 2. 다중 카메라 기반 피플 카운터 실험 결과</caption> <tbody><tr><td rowspan=2>회차</td><td colspan=3>입장(In)</td><td colspan=3>퇴장(Out)</td><td colspan=3>전체</td></tr><tr><td>계수 (명)</td><td>전체 (명)</td><td>정확도 (\\(\\%\\))</td><td>계수 (명)</td><td>전체 (명)</td><td>정확도 (\\(\\%\\))</td><td>계수 (명)</td><td>전체 (명)</td><td>정확도 (\\(\\%\\))</td></tr><tr><td>1</td><td>50</td><td>50</td><td>100</td><td>49</td><td>50</td><td>98</td><td>99</td><td>100</td><td>99</td></tr><tr><td>2</td><td>49</td><td>50</td><td>98</td><td>50</td><td>50</td><td>100</td><td>99</td><td>100</td><td>99</td></tr><tr><td>3</td><td>48</td><td>50</td><td>96</td><td>47</td><td>50</td><td>94</td><td>95</td><td>100</td><td>95</td></tr><tr><td>4</td><td>50</td><td>50</td><td>100</td><td>48</td><td>50</td><td>96</td><td>98</td><td>100</td><td>98</td></tr><tr><td>5</td><td>48</td><td>50</td><td>98</td><td>50</td><td>50</td><td>100</td><td>99</td><td>100</td><td>99</td></tr><tr><td>6</td><td>50</td><td>50</td><td>100</td><td>49</td><td>50</td><td>98</td><td>99</td><td>100</td><td>99</td></tr><tr><td>7</td><td>50</td><td>50</td><td>100</td><td>49</td><td>50</td><td>98</td><td>99</td><td>100</td><td>99</td></tr><tr><td>8</td><td>48</td><td>50</td><td>96</td><td>50</td><td>50</td><td>100</td><td>98</td><td>100</td><td>98</td></tr><tr><td>9</td><td>48</td><td>50</td><td>96</td><td>48</td><td>50</td><td>96</td><td>96</td><td>100</td><td>96</td></tr><tr><td>10</td><td>49</td><td>50</td><td>98</td><td>49</td><td>50</td><td>98</td><td>98</td><td>100</td><td>98</td></tr><tr><td>계</td><td>491</td><td>500</td><td>98</td><td>489</td><td>500</td><td>98</td><td>980</td><td>1000</td><td>98</td></tr></tbody></table> <table border><caption>표 3. 얼굴 나이 그룹 분류 정확도</caption> <tbody><tr><td>사용 특징</td><td>AG1</td><td>AG2</td><td>AG3</td><td>AG4</td><td>평균</td></tr><tr><td>얼굴 특징 비율</td><td>\\(77\\%\\)</td><td>\\(69\\%\\)</td><td>\\(72\\%\\)</td><td>\\(74\\%\\)</td><td>\\(73.25\\%\\)</td></tr><tr><td>얼굴 특징 비율 + 주름밀도</td><td>\\(79\\%\\)</td><td>\\(71\\%\\)</td><td>\\(72\\%\\)</td><td>\\(75\\%\\)</td><td>\\(74.25\\%\\)</td></tr></tbody></table>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "얼굴 나이 그룹별 피플 카운팅 시스템", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1e1d8395-9153-4a99-935b-58418fb26a64", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2014", "doc_author": [ "고기남", "이용섭", "문남미" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
431	<h1>Ⅲ. 자연 영상의 분류</h1> <p>이전 실험에서 압축 후 복원된 영상은 비록 그 크기와 방향은 다르지만 색 번짐 현상에 의해 색상과 채도가 변한다는 사실을 알 수 있었다. 따라서 압축률에 대한 색역의 변화를 조사하기 위해 우리는 12개의 자연 영상에 대해서 실험을 수행하였다. 이 영상들은 4가지 색 속성에 따라 2개의 그룹으로 분류하였으며, 4가지 속성은 각각 색역의 크기, 선명도(colorfulness), 색도(CbCr) 성분의 공간 주파수(spatial frequency), 그리고 RGB 색 좌표계에서의 고유색(unique color) 수이다.</p> <p>첫 번째, 원본 영상의 색역 크기는 ab 색 공간에서 색역 경계 서술자(gamut boundary descriptor)를 이용하여 색역 경계의 좌표 값을 결정한 후, 경계안의 면적을 계산함으로써 나타낼 수 있다. 두 번째, 영상의 선명도는 일반적으로 높은 압축률로 압축한 영상에서는 원본 영상에 비해 떨어진다고 알려져 있다. 이러한 선명도의 감소가 영상의 색역에도 영향을 미치기 때문에, 선명도 역시 12개의 자연 영상을 분류하는 척도로 사용하였다. 따라서 선명도 \( M_{c} \)는 보색(opponent color) 시스템에서 간단히 계산할 수 있으며, 다음과 같이 정의된다.</p> <p>\( r g=R-G \)</p> <p>\( b y=\frac{1}{2}(R+G)-B \)</p> <p>\( M_{c}=\sqrt{\sigma_{r g}^{2}+\sigma_{b y}^{2}}+0.3 \times \sqrt{\mu_{r g}^{2}+\mu_{b y}^{2}} \)<caption>(1)</caption></p> <p>여기서 \( \sigma \)와 \( \mu \)는 각각 rg와 by의 화소 군집에 대한 표준 편차와 평균이다.세 번째, 압축 후 복원된 영상의 왜곡은 같은 압축률이라 할지라도 그 영상을 구성하는 내용물에 따라 달라 질 수 있다. 다시 말해, 색도 성분에서 큰 공간 주파수를 가지는 영상은 그렇지 않은 영상보다 주파수 양자화에 의해 더 많은 오차가 발생한다. 뿐만 아니라 부표본화 과정에 의해서도 더 많은 오차가 발생한다. 따라서 공간 주파수 \( M_{s f} \) 역시 12개의 자연 영상을 분류하는 기준으로 선택하였으며, 다음과 같이 계산된다.</p> <p>\( M_{s f}=\sqrt{R^{2}+C^{2}} \)</p> <p>\( R^{2}=\frac{1}{M N} \sum_{i=0}^{M-1 } \sum_{j=0}^{N-2}\left(x_{i, j}-x_{i, j+1}\right)^{2} \)</p> <p>\( C^{2}=\frac{1}{M N} \sum_{i=0}^{M-2 } \sum_{j=0}^{N-1}\left(x_{i, j}-x_{i+1, j}\right)^{2} \)<caption>(2)</caption></p> <p>여기서 R과 C는 각각 수평과 수직 방향에 대한 공간 주파수이며, \( x_{i, j} \)는 Cb와 Cr 영상에 대한 공간 좌표를 나타낸다. M과 N은 각각 수평과 수직 방향의 화소 수를 나타낸다.</p> <p>마지막으로, 본 논문에서는 RGB 값이 서로 다른 각 화소를 고유색으로 정의하였다. 고유색의 수는 영상에서 색의 다양성(richness)과 관계있으며, 영상 크기의 영향을 제거하기 위해 총 화소 수에 대한 백분율로 표현하였다.</p> <p>위에서 언급한 4가지 속성을 이용하여 12개의 자연 영상을 분류한 결과를 그림 6과 표 1에 나타내었다. 그룹 1에 속하는 영상은 그룹 2에 비해 4가지 속성에 대해 큰 값을 가진다. 비록 Lena 영상은 Motorcycle 영상에 비해 색역 크기는 작지만, 다른 나머지 속성들의 값이 크기 때문에 그룹 1로 분류하였다.</p> <table border><caption>Title</caption> <tbody><tr><td rowspan=2 colspan=2>영상 \ 속성</td><td rowspan=2>색역 크기</td><td rowspan=2>선명도</td><td colspan=2>공간 주파수</td><td rowspan=2>고유색 수</td></tr><tr><td>Cb</td><td>Cr</td></tr><tr><td rowspan=6>그룹 1</td><td>Lena</td><td>9658.7</td><td>64.8</td><td>5.6</td><td>5.4</td><td>\(56.6\%\)</td></tr><tr><td>Baboon</td><td>20846.4</td><td>85.8</td><td>14.2</td><td>13.3</td><td>\(87.9\%\)</td></tr><tr><td>Party</td><td>19532.6</td><td>46.7</td><td>5.1</td><td>4.8</td><td>\(33.7\%\)</td></tr><tr><td>Ski</td><td>27398.7</td><td>92.5</td><td>8.0</td><td>9.1</td><td>\(40.4\%\)</td></tr><tr><td>Fruit</td><td>28664.8</td><td>104.4</td><td>6.5</td><td>7.5</td><td>\(47.4\%\)</td></tr><tr><td>Cafe</td><td>32606.8</td><td>95.8</td><td>17.7</td><td>15.3</td><td>\(61.6\%\)</td></tr><tr><td rowspan=6>그룹2</td><td>Cap</td><td>9292.0</td><td>46.8</td><td>2.1</td><td>1.8</td><td>\(9.2\%\)</td></tr><tr><td>Girl</td><td>2955.8</td><td>50.1</td><td>1.3</td><td>2.9</td><td>\(8.1\%\)</td></tr><tr><td>House1</td><td>4434.8</td><td>37.0</td><td>2.2</td><td>2.5</td><td>\(13.9\%\)</td></tr><tr><td>House2</td><td>2468.9</td><td>25.0</td><td>2.2</td><td>2.3</td><td>\(12.3\%\)</td></tr><tr><td>Lighthouse</td><td>5035.3</td><td>29.6</td><td>1.7</td><td>1.5</td><td>\(6.4\%\)</td></tr><tr><td>Motorcycle</td><td>11839.0</td><td>34.4</td><td>2.9</td><td>2.7</td><td>\(16.6\%\)</td></tr></tbody></table>	전기공학, 통신공학, 전자공학	[ "<h1>Ⅲ. 자연 영상의 분류</h1> <p>이전 실험에서 압축 후 복원된 영상은 비록 그 크기와 방향은 다르지만 색 번짐", "현상에 의해 색상과 채도가 변한다는 사실을 알 수 있었다.", "따라서 압축률에 대한 색역의 변화를 조사하기 위해 우리는 12개의 자연 영상에 대해서 실험을 수행하였다.", "이 영상들은 4가지 색 속성에 따라 2개의 그룹으로 분류하였으며, 4가지 속성은 각각 색역의 크기, 선명도(colorfulness), 색도(CbCr) 성분의 공간 주파수(spatial frequency), 그리고 RGB 색 좌표계에서의 고유색(unique color) 수이다.", "</p> <p>첫 번째, 원본 영상의 색역 크기는 ab 색 공간에서 색역 경계 서술자(gamut boundary descriptor)를 이용하여 색역 경계의 좌표 값을 결정한 후, 경계안의 면적을 계산함으로써 나타낼 수 있다.", "두 번째, 영상의 선명도는 일반적으로 높은 압축률로 압축한 영상에서는 원본 영상에 비해 떨어진다고 알려져 있다.", "이러한 선명도의 감소가 영상의 색역에도 영향을 미치기 때문에, 선명도 역시 12개의 자연 영상을 분류하는 척도로 사용하였다.", "따라서 선명도 \\( M_{c} \\)는 보색(opponent color) 시스템에서 간단히 계산할 수 있으며, 다음과 같이 정의된다.", "</p> <p>\\( r g=R-G \\)</p> <p>\\( b y=\\frac{1}{2}(R+G)-B \\)</p> <p>\\( M_{c}=\\sqrt{\\sigma_{r g}^{2}+\\sigma_{b y}^{2}}+0.3 \\times \\sqrt{\\mu_{r g}^{2}+\\mu_{b y}^{2}} \\)<caption>(1)</caption></p> <p>여기서 \\( \\sigma \\)와 \\( \\mu \\)는 각각 rg와 by의 화소 군집에 대한 표준 편차와 평균이다.", "세 번째, 압축 후 복원된 영상의 왜곡은 같은 압축률이라 할지라도 그 영상을 구성하는 내용물에 따라 달라 질 수 있다.", "다시 말해, 색도 성분에서 큰 공간 주파수를 가지는 영상은 그렇지 않은 영상보다 주파수 양자화에 의해 더 많은 오차가 발생한다.", "뿐만 아니라 부표본화 과정에 의해서도 더 많은 오차가 발생한다.", "따라서 공간 주파수 \\( M_{s f} \\) 역시 12개의 자연 영상을 분류하는 기준으로 선택하였으며, 다음과 같이 계산된다.", "</p> <p>\\( M_{s f}=\\sqrt{R^{2}+C^{2}} \\)</p> <p>\\( R^{2}=\\frac{1}{M N} \\sum_{i=0}^{M-1 } \\sum_{j=0}^{N-2}\\left(x_{i, j}-x_{i, j+1}\\right)^{2} \\)</p> <p>\\( C^{2}=\\frac{1}{M N} \\sum_{i=0}^{M-2 } \\sum_{j=0}^{N-1}\\left(x_{i, j}-x_{i+1, j}\\right)^{2} \\)<caption>(2)</caption></p> <p>여기서 R과 C는 각각 수평과 수직 방향에 대한 공간 주파수이며, \\( x_{i, j} \\)는 Cb와 Cr 영상에 대한 공간 좌표를 나타낸다.", "M과 N은 각각 수평과 수직 방향의 화소 수를 나타낸다.", "</p> <p>마지막으로, 본 논문에서는 RGB 값이 서로 다른 각 화소를 고유색으로 정의하였다.", "고유색의 수는 영상에서 색의 다양성(richness)과 관계있으며, 영상 크기의 영향을 제거하기 위해 총 화소 수에 대한 백분율로 표현하였다.", "</p> <p>위에서 언급한 4가지 속성을 이용하여 12개의 자연 영상을 분류한 결과를 그림 6과 표 1에 나타내었다.", "그룹 1에 속하는 영상은 그룹 2에 비해 4가지 속성에 대해 큰 값을 가진다.", "비록 Lena 영상은 Motorcycle 영상에 비해 색역 크기는 작지만, 다른 나머지 속성들의 값이 크기 때문에 그룹 1로 분류하였다.", "</p> <table border><caption>Title</caption> <tbody><tr><td rowspan=2 colspan=2>영상 \\ 속성</td><td rowspan=2>색역 크기</td><td rowspan=2>선명도</td><td colspan=2>공간 주파수</td><td rowspan=2>고유색 수</td></tr><tr><td>Cb</td><td>Cr</td></tr><tr><td rowspan=6>그룹 1</td><td>Lena</td><td>9658.7</td><td>64.8</td><td>5.6</td><td>5.4</td><td>\\(56.6\\%\\)</td></tr><tr><td>Baboon</td><td>20846.4</td><td>85.8</td><td>14.2</td><td>13.3</td><td>\\(87.9\\%\\)</td></tr><tr><td>Party</td><td>19532.6</td><td>46.7</td><td>5.1</td><td>4.8</td><td>\\(33.7\\%\\)</td></tr><tr><td>Ski</td><td>27398.7</td><td>92.5</td><td>8.0</td><td>9.1</td><td>\\(40.4\\%\\)</td></tr><tr><td>Fruit</td><td>28664.8</td><td>104.4</td><td>6.5</td><td>7.5</td><td>\\(47.4\\%\\)</td></tr><tr><td>Cafe</td><td>32606.8</td><td>95.8</td><td>17.7</td><td>15.3</td><td>\\(61.6\\%\\)</td></tr><tr><td rowspan=6>그룹2</td><td>Cap</td><td>9292.0</td><td>46.8</td><td>2.1</td><td>1.8</td><td>\\(9.2\\%\\)</td></tr><tr><td>Girl</td><td>2955.8</td><td>50.1</td><td>1.3</td><td>2.9</td><td>\\(8.1\\%\\)</td></tr><tr><td>House1</td><td>4434.8</td><td>37.0</td><td>2.2</td><td>2.5</td><td>\\(13.9\\%\\)</td></tr><tr><td>House2</td><td>2468.9</td><td>25.0</td><td>2.2</td><td>2.3</td><td>\\(12.3\\%\\)</td></tr><tr><td>Lighthouse</td><td>5035.3</td><td>29.6</td><td>1.7</td><td>1.5</td><td>\\(6.4\\%\\)</td></tr><tr><td>Motorcycle</td><td>11839.0</td><td>34.4</td><td>2.9</td><td>2.7</td><td>\\(16.6\\%\\)</td></tr></tbody></table>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "JPEG 및 JPEG2000", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-207b5df4-8bdf-43db-8b36-0b1a4cd85d22", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2009", "doc_author": [ "고경우", "박태용", "하영호" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
432	<h1>V. 실험 및 성능 평가</h1> <p>본 논문의 실험은 SSD 기반의 RAID-6 시스템에서 Erasure 코드들의 연산 방법에 따라 달라지는 마모도를 측정하기 위해 비트 갱신횟수를 측정하여 기교 분석 하였다. 그리고 구현된 하드디스크 기반의 RAID-6 시스템과 세 가지 Erasure 코드가 적용된 SSD 기반 RAID-6 시스템에서의 인코딩성능과 입/출력 성능 그리고 전력소모에 대하여 측정 및 비교 분석 하였다.</p> <h2>1. 실험 환경</h2> <p>표 2는 본문의 실험을 위해 사용된 실험 환경이다. RAID-6 시스템은 소프트웨어 RAID로 구현하였으며, mdadm 이라는 툴을 사용하였다. 파일 시스템 레벨에 적용된 Erasure 코드들은 Jerasure 코드를 사용하여 SSD 기반의 Erasure 코드에 따른 마모도를 측정하였고, MD드라이버에 적용된 Erasure 코드들은 EVENODD, Liberation 코드인 경우 새로이 구현 하였으며, Reed-Solomon 코드는 커널에서 제공하는 모듈을 수정하여 사용하였다. 그리고 저장장치 시스템의 성능평가를 위해서 SSD 기반의 RAID-6 시스템과 하드디스크 기반의 RAID-6 시스템이 사용되었다.</p> <table border><caption>표 2. 실험환경</caption> <tbody><tr><td>항목</td><td>시스템 사양</td></tr><tr><td>CPU</td><td>Inte core 2 (\( 2.4 \mathrm{~Ghz} \))</td></tr><tr><td>메모리</td><td>DDR2 \( 1\mathrm{~G}\) 2 개</td></tr><tr><td>운영체제</td><td>Linux kemel 2.6.24</td></tr><tr><td>Erasure 코드</td><td>Reed-Solomon, EVENODD. Liberation</td></tr><tr><td>SST</td><td>HANA SSD(\( 16 \mathrm{~GB}\)) * 6개</td></tr><tr><td>HDD</td><td>Barracuda 7200.12 * 6개</td></tr></tbody></table> <h3>2. Erasure codes 의 비트 갱신 횟수 측정</h3> <p>SSD 마모도 실험을 위해 1개의 \( 20 \mathrm{~MB}\) 텍스트 파일을 실험 데이터로 사용하여 비트 갱신 횟수를 측정하였다. 측정은 원본 파일과 Erasure 코드별로 인코딩된 데이터를 비트 단위로 비교 측정 하였다.</p> <p>표 3은 SSD의 마모도를 측정하기 위해서 패리티 디스크의 비트 갱신 휫수를 비트 단위로 측정 결과이다. Liberation 코드를 적용하였을 경우 보다 EVENODD와 Reod-Solomon 코드를 적용하였을 경우 비트 갱신횟수가 각각 \( 4.1 \%, 9.8 \% \) 많게 측정 되었다. 따라서 Liberation 코드가 SSD 환경에서 비트 갱신으로 인한 수명저하에 미치는 영향이 가장 적게 측정되었다.</p> <h2>3. 제안된 구조에 따른 인코딩 성능</h2> <p>제안된 Erasure 코드가 적용된 파일 시스템 레벨 구조와 디바이스 드라이버 레벨 구조의 전송 속도를 측정하기 위해서 \( 200 \mathrm{MB} \)의 데이터 파일을 사용하여 인코딩 연산이 수행될 때의 성능을 측정하였다.</p> <p>그림 9는 HDD 와 SSD기반 RAID-6 시스템에 적용된 Erasure 코드들의 인코딩 성능을 보여준다.</p> <p>우선 파일 시스템 레벨 구조의 성능을 비교해보면,하드디스크가 SSD 보다 평균 \( 48.7 \% \) 더 높은 인코딩 성능을 보여준다. 적용된 Erasure 코드들을 비교하였을 경우, SSD 기반에서는 Liberation 코드가 EVENODD와 Reed-Solomon 코드들 보다 각각 \( 5.1 \%, 8.9 \% \) 더 높은 성능을 보여주었고, 하드디스크 기반에서는 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \( 6.2 \%, 34.2 \% \) 더 높은 성능을 보여주었다.</p> <p>그리고 디바이스 드라이버 레벨 구조의 인코딩 성능을 비교해 보면, 전체적으로 SSD 기반 보다 하드디스크 기반에 적용하였을 경우 평균 \( 4.7 \% \) 더 높은 인코딩 성능을 보여준다.</p> <p>적용된 Erasure 코드들을 비교하였을 경우, 하드디스크 기반에서는 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \( 5.8 \%, 37.4 \% \) 더 높은 성능을 보여준다. 그리고 SSD 기반에서도 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \( 6.4 \%, 39.1 \% \) 더 높은 성능을 보여주었다.</p> <p>또한, 파일 시스템 레벨 보다 디바이스 드라이버 레벨에서 하드디스크는 평균 \( 18.5 \% \) 향상된 전송 속도 성능을 보여 주었고, SSD 는 평균 \( 57.1 \% \) 향상된 전송속도 성능을 보여주었다.</p> <h2>4. 스트라이핑 모델에 따른 I/O 성능</h2> <p>그림 10은 제안된 두 가지 구조에 따른 입출력 성능을 나타난다. 그림 10(a)와 그림 10(b)는 파일시스템 레벨에서의 입출력 성능을 보여준다. 그림 10(a)를 살펴보면 SSD의 입력 성능이 하드디스크보다 평균 \( 35 \% \) 더 빠른 성능을 보여준다. 출력성능은 HDD가 SSD 보다 평균\( 5 \% \) 더 빠르게 측정 되었다.</p> <p>그리고 그림 10(c)와 그림10(d)는 디바이스 드라이버 레벨에서의 입출력 성능을 보여준다. 그림 10(c)를 살펴보면 SSD의 입력 성능이 하드디스크보다 평균\( 32 \% \) 더 빠른 성능을 보여준다. 출력 성능은 HDD가 SSD보다 평균 \( 6 \% \) 더 빠르게 측정 되었다.</p> <p>디바이스 드라이버 레벨에 적용하였을 겅우보다 파일시스템 레벨 구조에 적용하였을 경우, 입력성능은 SSD가 평균 \( 6.4 \% \) 하드디스크가 평균 \( 8.5 \% \) 향상 되었으며, 출력성능은 SSD가 평균 \( 4.5 \% \) 하드디스크가 평균 \( 5.5 \% \) 향상된 성능을 보여주었다.</p> <h2>5. Erasure 코드들에 따른 전력 소모</h2> <p>제안된 두 가지 구조에 Erasure 코드들을 적용하고 \( 200 \mathrm{MB} \)의 데이더를 인코딩 할 때의 전력 소모를 측정하였다. 또한 측정 시뮬레이터를 사용하여 리눅스 기반의 SSD 전력 소모 측정 시뮬레이터와 하드디스크 전력 소모 측정 시뮬레이터를 사용하였다.</p> <h3>5.1. 파일 시스템 레벨 구조의 전력소모</h3> <p>그림 11은 하드디스크 기반과 SSD 기반에서 다양한 Erasure 코드를 파일 시스템 레벨에 적용 하였을 때, 전력 소모를 보여준다. 평균적으로 SSD가 하드디스크보다 \( 44.3 \% \) 절감된 전력 소모 성능을 보여주었다.</p> <p>적용된 Erasure 코드별 전력 소모를 비교하였을 경우, 하드디스크에서는 Liberation 코드가 EVENODD와 Reed-Solomon 코드들 보다 각각 \( 8.3 \%, 31.5 \% \) 적은 전력 소모를 보여준다. SSD에서도 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \( 8.8 \% \),\( 31.2 \% \) 적은 전력 소모를 보여 주었다.</p> <h3>5.2. 디바이스 드라이버 레벨 구조의 전력소모</h3> <p>그림 12는 하드디스크 기반과 SSD 기반에서의 다양한 Erasure 코드를 적용 하였을 때, 전력 소모를 보여준다. 평균적으로 하드디스크보다 SSD가 \( 64 \% \) 더 낮은 전력 소모 성능을 보여준다.</p> <p>적용된 Erasure 코드별 전력 소모를 비교하였을 경우, 하드디스크에서는 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \( 8.8 \%, 31.2 \% \) 낮은 전력소모를 보여준다. SSD에서도 Liberation 코드가 EVENODD와 Reed-Solomon 코드들 보다 각각 \( 8.7 \% \), \( 33.7 \% \) 낮은 전력 소모를 보여주었다.</p> <p>또한, 파일 시스템 레벨 구조 보다 디바이스 드라이버 레벨 구조에서 하드디스크는 평균 \( 18.5 \% \) 절감된 전력 소모 성능을 보여주고, SSD는 평균 \( 40.9 \% \) 절감된 전력 소모 성능을 보여주었다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>V.", "실험 및 성능 평가</h1> <p>본 논문의 실험은 SSD 기반의 RAID-6 시스템에서 Erasure 코드들의 연산 방법에 따라 달라지는 마모도를 측정하기 위해 비트 갱신횟수를 측정하여 기교 분석 하였다.", "그리고 구현된 하드디스크 기반의 RAID-6 시스템과 세 가지 Erasure 코드가 적용된 SSD 기반 RAID-6 시스템에서의 인코딩성능과 입/출력 성능 그리고 전력소모에 대하여 측정 및 비교 분석 하였다.", "</p> <h2>1. 실험 환경</h2> <p>표 2는 본문의 실험을 위해 사용된 실험 환경이다.", "RAID-6 시스템은 소프트웨어 RAID로 구현하였으며, mdadm 이라는 툴을 사용하였다.", "파일 시스템 레벨에 적용된 Erasure 코드들은 Jerasure 코드를 사용하여 SSD 기반의 Erasure 코드에 따른 마모도를 측정하였고, MD드라이버에 적용된 Erasure 코드들은 EVENODD, Liberation 코드인 경우 새로이 구현 하였으며, Reed-Solomon 코드는 커널에서 제공하는 모듈을 수정하여 사용하였다.", "그리고 저장장치 시스템의 성능평가를 위해서 SSD 기반의 RAID-6 시스템과 하드디스크 기반의 RAID-6 시스템이 사용되었다.", "</p> <table border><caption>표 2. 실험환경</caption> <tbody><tr><td>항목</td><td>시스템 사양</td></tr><tr><td>CPU</td><td>Inte core 2 (\\( 2.4 \\mathrm{~Ghz} \\))</td></tr><tr><td>메모리</td><td>DDR2 \\( 1\\mathrm{~G}\\) 2 개</td></tr><tr><td>운영체제</td><td>Linux kemel 2.6.24</td></tr><tr><td>Erasure 코드</td><td>Reed-Solomon, EVENODD.", "Liberation</td></tr><tr><td>SST</td><td>HANA SSD(\\( 16 \\mathrm{~GB}\\)) * 6개</td></tr><tr><td>HDD</td><td>Barracuda 7200.12 * 6개</td></tr></tbody></table> <h3>2. Erasure codes 의 비트 갱신 횟수 측정</h3> <p>SSD 마모도 실험을 위해 1개의 \\( 20 \\mathrm{~MB}\\) 텍스트 파일을 실험 데이터로 사용하여 비트 갱신 횟수를 측정하였다.", "측정은 원본 파일과 Erasure 코드별로 인코딩된 데이터를 비트 단위로 비교 측정 하였다.", "</p> <p>표 3은 SSD의 마모도를 측정하기 위해서 패리티 디스크의 비트 갱신 휫수를 비트 단위로 측정 결과이다.", "Liberation 코드를 적용하였을 경우 보다 EVENODD와 Reod-Solomon 코드를 적용하였을 경우 비트 갱신횟수가 각각 \\( 4.1 \\%, 9.8 \\% \\) 많게 측정 되었다.", "따라서 Liberation 코드가 SSD 환경에서 비트 갱신으로 인한 수명저하에 미치는 영향이 가장 적게 측정되었다.", "</p> <h2>3. 제안된 구조에 따른 인코딩 성능</h2> <p>제안된 Erasure 코드가 적용된 파일 시스템 레벨 구조와 디바이스 드라이버 레벨 구조의 전송 속도를 측정하기 위해서 \\( 200 \\mathrm{MB} \\)의 데이터 파일을 사용하여 인코딩 연산이 수행될 때의 성능을 측정하였다.", "</p> <p>그림 9는 HDD 와 SSD기반 RAID-6 시스템에 적용된 Erasure 코드들의 인코딩 성능을 보여준다.", "</p> <p>우선 파일 시스템 레벨 구조의 성능을 비교해보면,하드디스크가 SSD 보다 평균 \\( 48.7 \\% \\) 더 높은 인코딩 성능을 보여준다.", "적용된 Erasure 코드들을 비교하였을 경우, SSD 기반에서는 Liberation 코드가 EVENODD와 Reed-Solomon 코드들 보다 각각 \\( 5.1 \\%, 8.9 \\% \\) 더 높은 성능을 보여주었고, 하드디스크 기반에서는 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \\( 6.2 \\%, 34.2 \\% \\) 더 높은 성능을 보여주었다.", "</p> <p>그리고 디바이스 드라이버 레벨 구조의 인코딩 성능을 비교해 보면, 전체적으로 SSD 기반 보다 하드디스크 기반에 적용하였을 경우 평균 \\( 4.7 \\% \\) 더 높은 인코딩 성능을 보여준다.", "</p> <p>적용된 Erasure 코드들을 비교하였을 경우, 하드디스크 기반에서는 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \\( 5.8 \\%, 37.4 \\% \\) 더 높은 성능을 보여준다.", "그리고 SSD 기반에서도 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \\( 6.4 \\%, 39.1 \\% \\) 더 높은 성능을 보여주었다.", "</p> <p>또한, 파일 시스템 레벨 보다 디바이스 드라이버 레벨에서 하드디스크는 평균 \\( 18.5 \\% \\) 향상된 전송 속도 성능을 보여 주었고, SSD 는 평균 \\( 57.1 \\% \\) 향상된 전송속도 성능을 보여주었다.", "</p> <h2>4. 스트라이핑 모델에 따른 I/O 성능</h2> <p>그림 10은 제안된 두 가지 구조에 따른 입출력 성능을 나타난다.", "그림 10(a)와 그림 10(b)는 파일시스템 레벨에서의 입출력 성능을 보여준다.", "그림 10(a)를 살펴보면 SSD의 입력 성능이 하드디스크보다 평균 \\( 35 \\% \\) 더 빠른 성능을 보여준다.", "출력성능은 HDD가 SSD 보다 평균\\( 5 \\% \\) 더 빠르게 측정 되었다.", "</p> <p>그리고 그림 10(c)와 그림10(d)는 디바이스 드라이버 레벨에서의 입출력 성능을 보여준다.", "그림 10(c)를 살펴보면 SSD의 입력 성능이 하드디스크보다 평균\\( 32 \\% \\) 더 빠른 성능을 보여준다.", "출력 성능은 HDD가 SSD보다 평균 \\( 6 \\% \\) 더 빠르게 측정 되었다.", "</p> <p>디바이스 드라이버 레벨에 적용하였을 겅우보다 파일시스템 레벨 구조에 적용하였을 경우, 입력성능은 SSD가 평균 \\( 6.4 \\% \\) 하드디스크가 평균 \\( 8.5 \\% \\) 향상 되었으며, 출력성능은 SSD가 평균 \\( 4.5 \\% \\) 하드디스크가 평균 \\( 5.5 \\% \\) 향상된 성능을 보여주었다.", "</p> <h2>5. Erasure 코드들에 따른 전력 소모</h2> <p>제안된 두 가지 구조에 Erasure 코드들을 적용하고 \\( 200 \\mathrm{MB} \\)의 데이더를 인코딩 할 때의 전력 소모를 측정하였다.", "또한 측정 시뮬레이터를 사용하여 리눅스 기반의 SSD 전력 소모 측정 시뮬레이터와 하드디스크 전력 소모 측정 시뮬레이터를 사용하였다.", "</p> <h3>5.1. 파일 시스템 레벨 구조의 전력소모</h3> <p>그림 11은 하드디스크 기반과 SSD 기반에서 다양한 Erasure 코드를 파일 시스템 레벨에 적용 하였을 때, 전력 소모를 보여준다.", "평균적으로 SSD가 하드디스크보다 \\( 44.3 \\% \\) 절감된 전력 소모 성능을 보여주었다.", "</p> <p>적용된 Erasure 코드별 전력 소모를 비교하였을 경우, 하드디스크에서는 Liberation 코드가 EVENODD와 Reed-Solomon 코드들 보다 각각 \\( 8.3 \\%, 31.5 \\% \\) 적은 전력 소모를 보여준다.", "SSD에서도 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \\( 8.8 \\% \\),\\( 31.2 \\% \\) 적은 전력 소모를 보여 주었다.", "</p> <h3>5.2. 디바이스 드라이버 레벨 구조의 전력소모</h3> <p>그림 12는 하드디스크 기반과 SSD 기반에서의 다양한 Erasure 코드를 적용 하였을 때, 전력 소모를 보여준다.", "평균적으로 하드디스크보다 SSD가 \\( 64 \\% \\) 더 낮은 전력 소모 성능을 보여준다.", "</p> <p>적용된 Erasure 코드별 전력 소모를 비교하였을 경우, 하드디스크에서는 Liberation 코드가 EVENODD 와 Reed-Solomon 코드들 보다 각각 \\( 8.8 \\%, 31.2 \\% \\) 낮은 전력소모를 보여준다.", "SSD에서도 Liberation 코드가 EVENODD와 Reed-Solomon 코드들 보다 각각 \\( 8.7 \\% \\), \\( 33.7 \\% \\) 낮은 전력 소모를 보여주었다.", "</p> <p>또한, 파일 시스템 레벨 구조 보다 디바이스 드라이버 레벨 구조에서 하드디스크는 평균 \\( 18.5 \\% \\) 절감된 전력 소모 성능을 보여주고, SSD는 평균 \\( 40.9 \\% \\) 절감된 전력 소모 성능을 보여주었다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "신뢰성 향상과 성능개선을 위해 다양한 Erasure 코드를 적용한 SSD 기반 RAID-\\(6\\) 시스템 구조", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1ed93e81-470d-4a8b-a982-99ab9632eea2", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2010", "doc_author": [ "송재석", "허준무", "양유석", "김덕환" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
433	<h1>IV. UCC 메타데이터 매니저 구현</h1><p>상기의 설계에 기초하여 메타데이터 매니저를 구현하며, 오픈 CMS인 칼투라와 연동하여 개발 환경을 구성하였다. 그림 5는 메타데이터 매니저의 DB 연동 환경이다. 사용자는 칼투라 또는 메타데이터 매니저를 이용하여 UCC 메타데이터를 관리하게 된다. 칼투라의 콘텐츠 저작도구를 사용하여 UCC를 생산할 때 외부의 UCC를 활용한다면, 참조한 UCC 정보는 메타데이터 매니저를 통해 콘텐츠 메타데이터 DB에 저장된다.</p><h2>1. 시퀀스 다이어그램</h2><p>메타데이터 매니저의 프로토타입을 설계하기 위해 메타데이터 구성안의 유스케이스를 바탕으로 그림 6과 같이 시퀀스 다이어그램을 도출하였다.</p><p>시스템은 요청 이벤트에 따라 데이터 전송 또는 해당 기능을 수행한다. 이 때 필요한 콘텐츠의 메타데이터는 DB에서 불러온다. 그림 6의 9-17까지는 이 과정을 시퀀스로 표현해 놓은 것이다. 콘텐츠의 메타데이터를 불러오는 과정(10)에 있어 참조한 콘텐츠의 유무를 확인하고(11), 참조한 콘텐츠가 있다면, 콘텐츠와 참조한 콘텐츠의 메타데이터를 호출 및 반환하고(12-16), 없다면 콘텐츠의 메타데이터만 시스템에 반환한다(12,15,16).</p><h2>2. 프로토타입 구현</h2><p>메타데이터 매니저의 프로토타입은 PHP와 javaScript, HTML5을 이용하여 웹페이지 형태로 구현하였다. 운영체제는 Windows Server 2003 sp2이며 웹 서버는 Apache를 사용하였다. 데이터베이스는 MYSQL을 사용한다.</p><p>구현 모듈은 기능에 따라 하나 또는 여러 개의 프로세스와 연동되도록 하였으며 구현 기능은 다음과 같다.</p><ol type=1 start=1><li>UCC의 전체리스트 관리 / 상세보기</li><li>UCC의 메타데이터 입력 / 수정 / 삭제</li><li>칼투라와 메타데이터 매니저의 데이터 동기화</li><li>참조한 UCC 관리</li><li>UCC의 메타데이터 XML 출력 기능</li><li>UCC의 저작권 확인 기능</li></ol><p>정의된 상세 기능에 의한 프로세스는 표 2와 같다. 각 프로세스는 화면을 구성하는 인터페이스단과 데이터 흐름을 제어하는 데이터 바인딩 부분으로 나뉘어져 있다. 업로드 된 UCC는 그림 7과 같이 메타데이터 매니저를 통해 리스트 형식으로 관리하게 된다.</p><p>메타데이터 리스트 화면에서 보여지는 항목은 썸네일(미리보기 화면), 제목, 내용, 참조 콘텐츠 개수(해당 UCC를 제작하는데 활용된 UCC의 개수), 참조한 횟수 (해당 UCC가 다른 UCC를 제작하는데 활용된 횟수)이다.</p><p>그림 8은 콘텐츠에 관한 메타데이터를 확인 할 수 있는 상세보기 뷰어의 구현화면이다. 참조한 콘텐츠의 startTime과 duration을 확인함으로써 참조한 콘텐츠가 현재 콘텐츠에 미치고 있는 영향력을 확인할 수 있도록 하였다.</p><h2>3. 메타데이터의 XML 출력</h2><p>최종적으로 UCC의 메타데이터 XML 출력 기능을 제공함으로 메타데이터를 다른 서비스에서 확장, 활용할 수 있도록 하였다. 메타데이터 구성은 UCI를 중심으로 하되, UCC의 성격에 부합하도록 레퍼런스 메타데이터를 추가하였음을 확인할 수 있다.</p> <h1>I. 서 론</h1><p>유무선 네트워크 통신 기술의 발전에 힘입어 피씨(PC), 스마트폰(Smart phone), 태블릿 패드(Tablet pad) 등 다양한 단말을 활용한 소셜 네트워크 서비스(Social network service)가 빠르게 진일보하고 있다. 초기의 서비스가 피씨 통신 기반의 커뮤니티 제공에 그쳤다면 지금은 다양한 목적과 방식을 통한 사회 관계망 기반의 서비스가 형성되어 가고 있다. 소셜 네트워크 서비스는 사람을 중심으로 형성되는 사회적 관계, 사회적 네트워크에 초점을 맞춘 온라인 서비스이자 플랫폼이며, 단순하게는 아주 작은 웹 사이트까지를 포괄한다.</p><p>소셜 네트워크 서비스의 한 분야인 소셜 협업 서비스는 구성원간의 공동창작 과정을 거쳐 콘텐츠를 가공, 재생산함으로써 새로운 가치를 창출해 낼 수 있는 서비스이다. 소셜 협업 서비스의 대표적 사례인 UCC(User Created Content)는 그런 의미에서 높은 부가가치를 제공하며, 인터넷 기술의 발전과 함께 큰 활용가치를 제공하여 왔다. 하지만 구성원간의 콘텐츠를 이용한 사용자 창작물은 저작권 문제라는 중요한 이슈를 던지고 있다. 다시 말해, 공유 및 개방성이 강해질수록 콘텐츠의 원 제작자가 갖는 저작권이 위협받을 가능성 또한 커지며 이를 투명하게 해결하지 않을 경우 의도하지 않은 피해자가 발생할 여지가 높다. 즉, 오픈된 공유 환경이라는 뛰어난 장점이 희석될 수 있는 허가받지 않은 콘텐츠의 무단 재활용, 무단 복사의 문제점이 존재한다.</p><p>본 논문은 소셜 협업 서비스를 통해 모여진 UCC 간의 재가공과 재생산에 있어 발생할 수 있는 저작권 문제와, 콘텐츠 관리의 필요성을 인지하고 이를 효과적으로 관리할 수 있는 UCC 메타데이터 매니저를 제안하고자 한다. 이를 위해 콘텐츠 제작시 활용한 외부 콘텐츠를 확인하기 위한 메타데이터 요구사항을 도출하고 메타데이터 매니저 모듈을 설계, 정의 및 구현하였다. 제안된 메타데이터 매니저 시스템의 콘텐츠 관리 기능을 테스트하기 위해 오픈 소스 기반의 CMS를 활용하여 콘텐츠 재가공 프로세스를 설계하였으며, 메타데이터 매니저와 CMS를 오픈 API를 통해 연동함으로 최종 프로토타입을 구현하였다.</p><p>본 논문의 구성은 다음과 같다. Ⅱ장에서 관련 연구를 살펴보고 III장에서 본 논문에서 제안하는 UCC 메타 데이터 매니저의 개요 및 설계 내용을 제시한다. 이를 바탕으로 IV장에서 구현 결과물을 보인다. V장에서는 최종 연구 결과와 한계점, 향후 연구 방향을 제시한다.</p> <h1>요 약</h1><p>소셜 네트워크 서비스는 사회적 네트워크 개념을 적용한 온라인 인맥, 혹은 관계 기반의 소통 서비스로 정의된다. 소셜 협업 서비스는 소셜 네트워크 서비스에 포함되는 것으로서, 구성원간의 공동창작을 통해, 콘텐츠를 재가공, 재생산함으로써 새로운 가치를 창출해내는 특징을 지닌다. 이는 공유 및 협업이라는 뛰어난 장점을 지니지만 그와는 반대로, 콘텐츠 무단 재활용, 무단 복사 등 저작권에 따른 문제들을 내포한다. 대표적 소셜 콘텐츠인 UCC는 제작 단계와 배포 단계에서 모두 저작권 문제가 대두되어 왔으며 이를 해결하기 위한 수단으로 CCL(Creative Commons Licence) 등에 의존하고 있는 실정이다. 따라서 본 논문에선 이에 대한 문제점을 인식하고 UCC의 특성을 반영한 메타데이터와 이를 관리할 수 있는 UCC 메타데이터 매니저를 설계 및 구현하고자 한다. 이를 위해 콘텐츠 제작시 활용한 외부 콘텐츠를 식별하기 위한 레퍼런스 메타데이터 요소를 도출하고 유스 케이스를 기반으로 레퍼런스 메타데이터 로더(R.Metadata Loader) 모듈을 정의하였다. 제안된 UCC 메타데이터 매니저는 참조된 콘텐츠에 관한 정보를 제공하고, 참조 콘텐츠간의 연관 관계를 식별할 수 있도록 함으로써, 소셜 협업 서비스 환경 내에서 실질적인 활용이 가능하다. 프로토타입 구현을 위해 오픈 소스 기반의 CMS인 칼투라를 활용하였으며 오픈 API를 사용함으로써 메타데이터 매니저의 기능적 확장 가능성을 확보하였다.</p> <h1>II. 관련 연구</h1><h2>1. 소셜 네트워크 서비스(Social Network Service)</h2><p>소셜 네트워크(Social Network)는 친구/친족관계, 공통 관심, 친근감, 신뢰도, 유사 취향, 사회적 계층 등 다양한 특성으로 구성된 사회조직을 말한다. 또한 이들 사회 구성원들을 노드로 표현하고, 구성원 간의 상호작용을 노드 간 연결선으로 도식화한 사회적 네트워크 구조를 의미한다.</p><p>소셜 네트워크 서비스(Social Network Service)는 이러한 개념이 확장, 반영된 온라인 인맥구축, 혹은 사회적 소통 서비스이다. 대부분의 서비스가 웹을 중심으로 이루어져왔으나 최근 들어 스마트폰을 이용한 모바일 결합형 서비스로 확장되고 있으며, 온라인상에서 사용자들끼리 자신 스스로를 표현하고, 상호 관계를 맺으며, 다양한 정보를 공유할 수 있도록 지원하는 것이 특징이다.</p><p>소셜 네트워크 서비스는 사용자에게 정보를 제공하는 목적에 따라 다양하게 분류할 수 있는데, 첫째, 사용성에 따라서는 관계 지향형, 정보 생산형, 그리고 이 둘을 절충한 복합형 서비스로 분류한다 \( { }^{[4]} \). 둘째, 서비스 특징에 따라 소셜 네트워킹형, 소셜 협업형, 소셜 퍼블리싱형, 소셜 피드백형으로 서비스를 분류하며, 셋째, 이와 유사한 관점에서 소셜 네트워킹 일반, 비즈니스 소셜 네트워킹, 블로그 결합 모델, 버티컬 소셜 네트워킹, 협업 기반 소셜 네트워킹, 커뮤니케이션 중심 소셜 네트워킹 서비스로 분류하기도 한다.</p><p>소셜 네트워크 서비스의 대표적 사례로는 트위터(twitter), 페이스북(facebook), 위키피디아(wikipedia) 등이 있으며, 소셜 네트워크 연구에서도 이러한 소셜 웹에서 형성된 관계망을 활용한 연구들이 지속적으로 발표되고 있다 . 개인의 인적 소셜 네트워크 구성 데이터를 분석하면, 교육 또는 개인화 추천 서비스로의 활용 가능성도 높다.</p><h2>2. 메타데이터 관리 시스템(Metadata Management system)</h2><p>메타데이터(Metadata)는 일반적으로 데이터에 관한 데이터로서 정보자원의 속성을 기술하는 데이터를 의미한다. 메타데이터의 개발 목적은 메타데이터의 중요성에 따라 자원기술, 정보검색, 자원관리, 소유권 진본성, 상호 운용성의 다섯 가지로 나뉜다. 메타데이터 관리 시스템(Metadata management system)은 이러한 메타데이터의 개발 목적을 극대화 시켜주고, 자원을 체계적이고 효율적으로 관리할 수 있게 도와주는 일종의 매니저이다.</p><p>메타데이터는 콘텐츠와 밀접한 관련성을 갖는데, 하드웨어/소프트웨어 단말 기능의 발전, 통신 네트워크의 속도 개선과 함께 콘텐츠 생산 주체 및 생산되는 콘텐츠의 종류가 다양해짐에 따라, 새로운 메타데이터 관리에 대한 필요성이 증가하고 있다. 이러한 변화의 추세를 반영하듯 디지털 콘텐츠 관리에 필요한 메타데이터 관리 시스템, 메타데이터와 XML을 활용한 메타데이터 통합 시스템, 메타데이터를 활용하여 콘텐츠 사이에 존재하는 다양한 연관 정보를 유추하고 관리하는 시스템에 관한 연구 등 다양한 연구들이 제시되고 있다.</p><p>최근에는 콘텐츠 소비 단계에 머무르던 사용자들이 스스로 콘텐츠 생산 프로세스에 개입하게 되면서 사용자의 참여 및 공유를 기반으로 재생산되는 URC(User Recreated Content) 콘텐츠 성격을 반영한 메타데이터 관리에 대한 필요성이 제시된 바 있다.</p><h2>3. 콘텐츠 관리 시스템(Content Management System)</h2><p>콘텐츠 관리 시스템(이하 CMS)은, 텍스트나 이미지 등의 디지털 콘텐츠를 통합적으로 관리, 배포하는 처리 시스템을 일컫는다. MS는 주로 콘텐츠와 사이트의 구조를 생산, 관리, 콘텐츠 업그레이드, 페이지 링크 자동화, 검색, 운영 중인 웹서버에 콘텐츠를 관리 배포 해주는 기능 등을 가지고 있으며, 콘텐츠의 종류와 목적에 따라 범용적인 것부터 특화 서비스까지 다양한 형태로 세분화되어 서비스되고 있다.</p><p>일반적으로 콘텐츠 관리자는 콘텐츠의 생산->수정->승인->출판->보관->분배->제거라는 생명주기를 바탕으로 콘텐츠를 관리한다. 하지만 콘텐츠를 수동으로 관리하는 것은 일관성이 결여되고, 체계적이지 못하기 때문에 매우 비효율적이라 할 수 있다. 이러한 문제점을 효과적으로 해결하기 위해서 콘텐츠 관리 시스템의 필요성이 대두되어 왔으며, 다양한 연구와 솔루션 개발 등이 이루어져 왔다.</p><p>특히 메타데이터 또는 XML 등 콘텐츠의 기본 정보를 이용하여 콘텐츠를 관리할 수 있도록 하는 연구들이 진행되고 있으며 저작권이 이슈화되면서 DRM 기술을 기반에 둔 콘텐츠 관리 시스템에 관한 연구도 활발하다. 이러한 다양한 연구의 목적 중 하나는 사용자와 콘텐츠간의 양방향성 데이터를 활용하여, 사용자에게 보다 유익한 서비스를 제공하는 것에 있다.</p><p>양방향성을 확보하는 작업의 일환으로 오픈 소스 프로젝트 형태의 연구들이 진행 중이다. 그 중 이스라엘에서 오픈 소스 프로젝트로 시작한 칼투라(Kaltura)는 비디오 어플리케이션을 생산하고 보기 위한 오픈 소스 플랫폼으로서, 웹 콘텐츠 출판, 통합서비스 개발자 및 애플리케이션 개발자를 대상으로 서비스를 제공하고 있다. 콘텐츠 관리, 블로깅, 협업 등 다양한 플랫폼을 위한 다양한 버전의 협업 프로젝트를 진행하고 있으며, 어떤 웹 사이트에서든 자체적으로 동영상/비디오 서비스 포탈을 구축할 수 있도록 지원한다. 또한 다양한 서비스와 칼투라가 결합한 매쉬업(Mash-up) 서비스가 가능할 수 있도록 오픈 API를 제공하고 있어 서비스 확장에 용이하다.</p> <h1>V. 결 론</h1><p>본 논문에서 제안하는 메타데이터 매니저는, UCC에 관한 메타데이터 관리 기능뿐 아니라, UCC를 생산할 때 다른 사람이 생산한 콘텐츠를 자료로써 활용하는 경우, 참조한 UCC에 관한 정보를 제공하고, 참조한 UCC 간의 연관 관계를 식별할 수 있도록 하였다. 이를 위해 UCC 관리 화면에서 참조한 콘텐츠 횟수와 당한 콘텐츠 횟수를 표시 하였으며, 메타데이터 상세보기 화면에서 당한 UCC에 관한 정보를 제공하였다. 이러한 기능을 가능하도록 하기 위해 레퍼런스 메타데이터를 도출하여 활용하였으며, 사용자 유스케이스와 도출된 모듈 기능 정의에 따라 메타데이터 매니저의 프로토타입을 구현하였다.</p><p>본 논문의 결과는 소셜 협업 서비스를 통한 UCC 제작시 저작권 문제를 효과적으로 해결하는 효과와 동시에, 난립하는 재활용 콘텐츠의 양산을 막고 콘텐츠의 질적 향상을 이룰 수 있을 것으로 기대한다.</p><p>이러한 시사점과 더불어 본 논문은 한계점도 포함한다. 제안된 메타데이터 매니저는 CMS에 종속적이기 때문에, 실제 UCC 제작 과정에 있어 다양한 CMS를 활용하는 경우 소셜 협업데이터를 누적하기 어렵다. 이는 공유와 개방 정신을 반영한 CMS가 많이 개발되고 업체 간 상호 콘텐츠 메타데이터 공유가 확장되어야 한다는 전제 조건을 필요로 한다.</p><p>향후에는 본 논문에서 제안한 UCC 메타데이터 매니저를 활용하여 소셜 협업 서비스에서 개인화된 추천 서비스 모형을 개발하고 모형의 효율성 검증을 통해 산업 현장에서 실용적으로 활용될 수 있는 콘텐츠 메타데이터 관리 프로세스를 구축하고자 한다.</p> <h1>III. UCC 메타데이터 매니저 설계</h1><h2>1. 시스템 개요</h2><p>본 연구는 소셜 네트워크 서비스에서 유통되는 재생산된 콘텐츠를 대상으로, 콘텐츠 생산과 배포 단계에서 발생하는 저작권 문제를 해결할 수 있도록 UCC의 특성을 반영한 메타데이터 관리 시스템을 설계, 구현함을 목적으로 한다.</p><p>아래 그림 1은 생산(A)과 재생산(B)에 따라 저작권 정보가 어떻게 달라지는지를 보여준다. UCC의 특성상, 콘텐츠의 1차 생산자 분 아니라, 이를 활용하여 제작한 2차 콘텐츠를 다시 활용하는 경우에도 저작권 정보가 확인되어야 한다. 따라서 UCC 메타데이터 매니저는 참조한 외부 콘텐츠 정보를 별도로 관리하고 서비스 관리자의 요청시 해당 정보를 제공할 수 있도록 한다.</p><h2>2. 요구사항 정의</h2><p>소셜 협업 콘텐츠로서의 UCC와 저작권 문제를 고려하여 다음과 같이 메타데이터 매니저의 요구사항을 정의하였다.</p><ol type=1 start=1><li>UCC 메타데이터는 기존의 메타데이터가 있는 경우 우선적으로 기존 메타데이터의 정보를 제공할 수 있도록 한다.</li><li>UCC 제작할 때 참조한 UCC가 있다면, 이에 관한 간략한 정보를 제공할 수 있도록 한다.</li><li>UCC를 제작할 때 참조한 UCC들의 메타데이터를 별도로 관리하여 소셜 네트워크 서비스에서 활용 할 수 있도록 한다.</li><li>UCC의 메타데이터를 입력, 수정 삭제 할 수 있도록 한다.</li><li>메타데이터 XML 출력 기능을 제공한다.</li></ol><h2>3. 유스케이스 구성</h2><p>상기의 요구사항을 토대로 그림 2와 같이 유스케이스를 구성하였다.</p><p>유스케이스의 액터는 관리자(Admin)와 시스템(System) 2가지로 나눠진다. 관리자는 UCC 메타데이터 매니저의 관리자이며, 메타데이터를 관리하는 주체이다. 시스템은 UCC 메타데이터 매니저를 일컫는다. 콘텐츠의 메타데이터 정보를 처리 및 저장, 관리한다. 소셜 네트워크 서비스에서 활용 할 수 있도록 참조한 UCC들의 레퍼런스 메타데이터를 별도로 관리한다.</p><h2>4. 시스템 구성 및 기능 도출</h2><p>메타데이터 매니저는 타 CMS와의 확장성을 고려하여 CMS와 연동되는 UCC 관련 모듈과, 메타데이터 관련 모듈로 구분하여 구성하였다. 그림 3은 각 모듈별로 구성된 전체 시스템 구성안을 보인다. 모듈별 기능 정의는 표 1과 같다.</p><p>보다 핵심적인 기능을 포함한 Metadata Loader를 그림 4에서 자세하게 나타내었다. Metadata Loader는 외부 콘텐츠 참조 정보를 별도 관리 및 제공할 수 있도록 메타데이터 호출 모듈을 두 개로 세분화 하고, 호출된 메타데이터를 취합할 수 있는 별도의 모듈을 두었다. 또한 DB Manager와의 데이터 통신을 위임하는 모듈을 둔다.</p><p>각 모듈별 기능을 설명하면 다음과 같다.</p><p>① Metadata Binder는 UCC의 메타데이터를 Basic Metadata Loader와 Reference Metadata Loader에 요청, 각 메타데이터를 취합하는 기능을 한다.</p><p>② Basic Metadata Loader는 메타데이터를 불러오고 UCC에 관한 정보 제공 기능을 담당한다.</p><p>③ Reference Metadata Loader는 레퍼런스 메타데이터를 불러오고 참조한/당한 UCC에 관한 정보를 제공하는 기능을 담당하고 있다. 세 개의 하위 모듈로 구성되어 있으며, 하위 모듈의 기능은 다음과 같다.(④-⑥)</p><p>④ Reference Metadata Checker는 참조한 콘텐츠의 유무를 확인하여, 프로세스 분기를 나눠주는 역할을 한다. 참조한 콘텐츠가 있으면, Reference Metadata Loader로 메타데이터를 요청한다.</p><p>⑤ Reference Metadata Loader는 참조한 콘텐츠의 메타데이터를 불러오는 프로세스이다. 이때 참조한 콘텐츠에 관한 메타데이터는 해당 콘텐츠의 유니크한 ID를 활용하여 Basic Metadata Loader로 호출하며, 이 콘텐츠를 다시 참조한 콘텐츠에 관한 정보는 DB에 요청한다.</p><p>⑥ Reference Data Process는 메타데이터 매니저에서 제공할 수 있도록 호출 받은 데이터를 가공하는 단계이다. 데이터 가공은 소셜 네트워크 서비스를 고려하여 가공한다. 본 연구에선 참조한 콘텐츠 횟수와, 참조당한 콘텐츠의 횟수, 참조한 콘텐츠 아이디, 참조한 시간 등으로 가공한다.</p><p>⑦DB Manager delegate는 DB Manager와의 데이터 통신을 위임하는 모듈로써, 각 모듈에서 요청하는 데이터를 DB Manager로 전달하고, 전달받은 데이터를 반환한다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>IV.", "UCC 메타데이터 매니저 구현</h1><p>상기의 설계에 기초하여 메타데이터 매니저를 구현하며, 오픈 CMS인 칼투라와 연동하여 개발 환경을 구성하였다.", "그림 5는 메타데이터 매니저의 DB 연동 환경이다.", "사용자는 칼투라 또는 메타데이터 매니저를 이용하여 UCC 메타데이터를 관리하게 된다.", "칼투라의 콘텐츠 저작도구를 사용하여 UCC를 생산할 때 외부의 UCC를 활용한다면, 참조한 UCC 정보는 메타데이터 매니저를 통해 콘텐츠 메타데이터 DB에 저장된다.", "</p><h2>1. 시퀀스 다이어그램</h2><p>메타데이터 매니저의 프로토타입을 설계하기 위해 메타데이터 구성안의 유스케이스를 바탕으로 그림 6과 같이 시퀀스 다이어그램을 도출하였다.", "</p><p>시스템은 요청 이벤트에 따라 데이터 전송 또는 해당 기능을 수행한다.", "이 때 필요한 콘텐츠의 메타데이터는 DB에서 불러온다.", "그림 6의 9-17까지는 이 과정을 시퀀스로 표현해 놓은 것이다.", "콘텐츠의 메타데이터를 불러오는 과정(10)에 있어 참조한 콘텐츠의 유무를 확인하고(11), 참조한 콘텐츠가 있다면, 콘텐츠와 참조한 콘텐츠의 메타데이터를 호출 및 반환하고(12-16), 없다면 콘텐츠의 메타데이터만 시스템에 반환한다(12,15,16).", "</p><h2>2. 프로토타입 구현</h2><p>메타데이터 매니저의 프로토타입은 PHP와 javaScript, HTML5을 이용하여 웹페이지 형태로 구현하였다.", "운영체제는 Windows Server 2003 sp2이며 웹 서버는 Apache를 사용하였다.", "데이터베이스는 MYSQL을 사용한다.", "</p><p>구현 모듈은 기능에 따라 하나 또는 여러 개의 프로세스와 연동되도록 하였으며 구현 기능은 다음과 같다.", "</p><ol type=1 start=1><li>UCC의 전체리스트 관리 / 상세보기</li><li>UCC의 메타데이터 입력 / 수정 / 삭제</li><li>칼투라와 메타데이터 매니저의 데이터 동기화</li><li>참조한 UCC 관리</li><li>UCC의 메타데이터 XML 출력 기능</li><li>UCC의 저작권 확인 기능</li></ol><p>정의된 상세 기능에 의한 프로세스는 표 2와 같다.", "각 프로세스는 화면을 구성하는 인터페이스단과 데이터 흐름을 제어하는 데이터 바인딩 부분으로 나뉘어져 있다.", "업로드 된 UCC는 그림 7과 같이 메타데이터 매니저를 통해 리스트 형식으로 관리하게 된다.", "</p><p>메타데이터 리스트 화면에서 보여지는 항목은 썸네일(미리보기 화면), 제목, 내용, 참조 콘텐츠 개수(해당 UCC를 제작하는데 활용된 UCC의 개수), 참조한 횟수 (해당 UCC가 다른 UCC를 제작하는데 활용된 횟수)이다.", "</p><p>그림 8은 콘텐츠에 관한 메타데이터를 확인 할 수 있는 상세보기 뷰어의 구현화면이다.", "참조한 콘텐츠의 startTime과 duration을 확인함으로써 참조한 콘텐츠가 현재 콘텐츠에 미치고 있는 영향력을 확인할 수 있도록 하였다.", "</p><h2>3. 메타데이터의 XML 출력</h2><p>최종적으로 UCC의 메타데이터 XML 출력 기능을 제공함으로 메타데이터를 다른 서비스에서 확장, 활용할 수 있도록 하였다.", "메타데이터 구성은 UCI를 중심으로 하되, UCC의 성격에 부합하도록 레퍼런스 메타데이터를 추가하였음을 확인할 수 있다.", "</p> <h1>I.", "서 론</h1><p>유무선 네트워크 통신 기술의 발전에 힘입어 피씨(PC), 스마트폰(Smart phone), 태블릿 패드(Tablet pad) 등 다양한 단말을 활용한 소셜 네트워크 서비스(Social network service)가 빠르게 진일보하고 있다.", "초기의 서비스가 피씨 통신 기반의 커뮤니티 제공에 그쳤다면 지금은 다양한 목적과 방식을 통한 사회 관계망 기반의 서비스가 형성되어 가고 있다.", "소셜 네트워크 서비스는 사람을 중심으로 형성되는 사회적 관계, 사회적 네트워크에 초점을 맞춘 온라인 서비스이자 플랫폼이며, 단순하게는 아주 작은 웹 사이트까지를 포괄한다.", "</p><p>소셜 네트워크 서비스의 한 분야인 소셜 협업 서비스는 구성원간의 공동창작 과정을 거쳐 콘텐츠를 가공, 재생산함으로써 새로운 가치를 창출해 낼 수 있는 서비스이다.", "소셜 협업 서비스의 대표적 사례인 UCC(User Created Content)는 그런 의미에서 높은 부가가치를 제공하며, 인터넷 기술의 발전과 함께 큰 활용가치를 제공하여 왔다.", "하지만 구성원간의 콘텐츠를 이용한 사용자 창작물은 저작권 문제라는 중요한 이슈를 던지고 있다.", "다시 말해, 공유 및 개방성이 강해질수록 콘텐츠의 원 제작자가 갖는 저작권이 위협받을 가능성 또한 커지며 이를 투명하게 해결하지 않을 경우 의도하지 않은 피해자가 발생할 여지가 높다.", "즉, 오픈된 공유 환경이라는 뛰어난 장점이 희석될 수 있는 허가받지 않은 콘텐츠의 무단 재활용, 무단 복사의 문제점이 존재한다.", "</p><p>본 논문은 소셜 협업 서비스를 통해 모여진 UCC 간의 재가공과 재생산에 있어 발생할 수 있는 저작권 문제와, 콘텐츠 관리의 필요성을 인지하고 이를 효과적으로 관리할 수 있는 UCC 메타데이터 매니저를 제안하고자 한다.", "이를 위해 콘텐츠 제작시 활용한 외부 콘텐츠를 확인하기 위한 메타데이터 요구사항을 도출하고 메타데이터 매니저 모듈을 설계, 정의 및 구현하였다.", "제안된 메타데이터 매니저 시스템의 콘텐츠 관리 기능을 테스트하기 위해 오픈 소스 기반의 CMS를 활용하여 콘텐츠 재가공 프로세스를 설계하였으며, 메타데이터 매니저와 CMS를 오픈 API를 통해 연동함으로 최종 프로토타입을 구현하였다.", "</p><p>본 논문의 구성은 다음과 같다.", "Ⅱ장에서 관련 연구를 살펴보고 III장에서 본 논문에서 제안하는 UCC 메타 데이터 매니저의 개요 및 설계 내용을 제시한다.", "이를 바탕으로 IV장에서 구현 결과물을 보인다.", "V장에서는 최종 연구 결과와 한계점, 향후 연구 방향을 제시한다.", "</p> <h1>요 약</h1><p>소셜 네트워크 서비스는 사회적 네트워크 개념을 적용한 온라인 인맥, 혹은 관계 기반의 소통 서비스로 정의된다.", "소셜 협업 서비스는 소셜 네트워크 서비스에 포함되는 것으로서, 구성원간의 공동창작을 통해, 콘텐츠를 재가공, 재생산함으로써 새로운 가치를 창출해내는 특징을 지닌다.", "이는 공유 및 협업이라는 뛰어난 장점을 지니지만 그와는 반대로, 콘텐츠 무단 재활용, 무단 복사 등 저작권에 따른 문제들을 내포한다.", "대표적 소셜 콘텐츠인 UCC는 제작 단계와 배포 단계에서 모두 저작권 문제가 대두되어 왔으며 이를 해결하기 위한 수단으로 CCL(Creative Commons Licence) 등에 의존하고 있는 실정이다.", "따라서 본 논문에선 이에 대한 문제점을 인식하고 UCC의 특성을 반영한 메타데이터와 이를 관리할 수 있는 UCC 메타데이터 매니저를 설계 및 구현하고자 한다.", "이를 위해 콘텐츠 제작시 활용한 외부 콘텐츠를 식별하기 위한 레퍼런스 메타데이터 요소를 도출하고 유스 케이스를 기반으로 레퍼런스 메타데이터 로더(R.Metadata Loader) 모듈을 정의하였다.", "제안된 UCC 메타데이터 매니저는 참조된 콘텐츠에 관한 정보를 제공하고, 참조 콘텐츠간의 연관 관계를 식별할 수 있도록 함으로써, 소셜 협업 서비스 환경 내에서 실질적인 활용이 가능하다.", "프로토타입 구현을 위해 오픈 소스 기반의 CMS인 칼투라를 활용하였으며 오픈 API를 사용함으로써 메타데이터 매니저의 기능적 확장 가능성을 확보하였다.", "</p> <h1>II.", "관련 연구</h1><h2>1. 소셜 네트워크 서비스(Social Network Service)</h2><p>소셜 네트워크(Social Network)는 친구/친족관계, 공통 관심, 친근감, 신뢰도, 유사 취향, 사회적 계층 등 다양한 특성으로 구성된 사회조직을 말한다.", "또한 이들 사회 구성원들을 노드로 표현하고, 구성원 간의 상호작용을 노드 간 연결선으로 도식화한 사회적 네트워크 구조를 의미한다.", "</p><p>소셜 네트워크 서비스(Social Network Service)는 이러한 개념이 확장, 반영된 온라인 인맥구축, 혹은 사회적 소통 서비스이다.", "대부분의 서비스가 웹을 중심으로 이루어져왔으나 최근 들어 스마트폰을 이용한 모바일 결합형 서비스로 확장되고 있으며, 온라인상에서 사용자들끼리 자신 스스로를 표현하고, 상호 관계를 맺으며, 다양한 정보를 공유할 수 있도록 지원하는 것이 특징이다.", "</p><p>소셜 네트워크 서비스는 사용자에게 정보를 제공하는 목적에 따라 다양하게 분류할 수 있는데, 첫째, 사용성에 따라서는 관계 지향형, 정보 생산형, 그리고 이 둘을 절충한 복합형 서비스로 분류한다 \\( { }^{[4]} \\).", "둘째, 서비스 특징에 따라 소셜 네트워킹형, 소셜 협업형, 소셜 퍼블리싱형, 소셜 피드백형으로 서비스를 분류하며, 셋째, 이와 유사한 관점에서 소셜 네트워킹 일반, 비즈니스 소셜 네트워킹, 블로그 결합 모델, 버티컬 소셜 네트워킹, 협업 기반 소셜 네트워킹, 커뮤니케이션 중심 소셜 네트워킹 서비스로 분류하기도 한다.", "</p><p>소셜 네트워크 서비스의 대표적 사례로는 트위터(twitter), 페이스북(facebook), 위키피디아(wikipedia) 등이 있으며, 소셜 네트워크 연구에서도 이러한 소셜 웹에서 형성된 관계망을 활용한 연구들이 지속적으로 발표되고 있다 .", "개인의 인적 소셜 네트워크 구성 데이터를 분석하면, 교육 또는 개인화 추천 서비스로의 활용 가능성도 높다.", "</p><h2>2. 메타데이터 관리 시스템(Metadata Management system)</h2><p>메타데이터(Metadata)는 일반적으로 데이터에 관한 데이터로서 정보자원의 속성을 기술하는 데이터를 의미한다.", "메타데이터의 개발 목적은 메타데이터의 중요성에 따라 자원기술, 정보검색, 자원관리, 소유권 진본성, 상호 운용성의 다섯 가지로 나뉜다.", "메타데이터 관리 시스템(Metadata management system)은 이러한 메타데이터의 개발 목적을 극대화 시켜주고, 자원을 체계적이고 효율적으로 관리할 수 있게 도와주는 일종의 매니저이다.", "</p><p>메타데이터는 콘텐츠와 밀접한 관련성을 갖는데, 하드웨어/소프트웨어 단말 기능의 발전, 통신 네트워크의 속도 개선과 함께 콘텐츠 생산 주체 및 생산되는 콘텐츠의 종류가 다양해짐에 따라, 새로운 메타데이터 관리에 대한 필요성이 증가하고 있다.", "이러한 변화의 추세를 반영하듯 디지털 콘텐츠 관리에 필요한 메타데이터 관리 시스템, 메타데이터와 XML을 활용한 메타데이터 통합 시스템, 메타데이터를 활용하여 콘텐츠 사이에 존재하는 다양한 연관 정보를 유추하고 관리하는 시스템에 관한 연구 등 다양한 연구들이 제시되고 있다.", "</p><p>최근에는 콘텐츠 소비 단계에 머무르던 사용자들이 스스로 콘텐츠 생산 프로세스에 개입하게 되면서 사용자의 참여 및 공유를 기반으로 재생산되는 URC(User Recreated Content) 콘텐츠 성격을 반영한 메타데이터 관리에 대한 필요성이 제시된 바 있다.", "</p><h2>3. 콘텐츠 관리 시스템(Content Management System)</h2><p>콘텐츠 관리 시스템(이하 CMS)은, 텍스트나 이미지 등의 디지털 콘텐츠를 통합적으로 관리, 배포하는 처리 시스템을 일컫는다.", "MS는 주로 콘텐츠와 사이트의 구조를 생산, 관리, 콘텐츠 업그레이드, 페이지 링크 자동화, 검색, 운영 중인 웹서버에 콘텐츠를 관리 배포 해주는 기능 등을 가지고 있으며, 콘텐츠의 종류와 목적에 따라 범용적인 것부터 특화 서비스까지 다양한 형태로 세분화되어 서비스되고 있다.", "</p><p>일반적으로 콘텐츠 관리자는 콘텐츠의 생산->수정->승인->출판->보관->분배->제거라는 생명주기를 바탕으로 콘텐츠를 관리한다.", "하지만 콘텐츠를 수동으로 관리하는 것은 일관성이 결여되고, 체계적이지 못하기 때문에 매우 비효율적이라 할 수 있다.", "이러한 문제점을 효과적으로 해결하기 위해서 콘텐츠 관리 시스템의 필요성이 대두되어 왔으며, 다양한 연구와 솔루션 개발 등이 이루어져 왔다.", "</p><p>특히 메타데이터 또는 XML 등 콘텐츠의 기본 정보를 이용하여 콘텐츠를 관리할 수 있도록 하는 연구들이 진행되고 있으며 저작권이 이슈화되면서 DRM 기술을 기반에 둔 콘텐츠 관리 시스템에 관한 연구도 활발하다.", "이러한 다양한 연구의 목적 중 하나는 사용자와 콘텐츠간의 양방향성 데이터를 활용하여, 사용자에게 보다 유익한 서비스를 제공하는 것에 있다.", "</p><p>양방향성을 확보하는 작업의 일환으로 오픈 소스 프로젝트 형태의 연구들이 진행 중이다.", "그 중 이스라엘에서 오픈 소스 프로젝트로 시작한 칼투라(Kaltura)는 비디오 어플리케이션을 생산하고 보기 위한 오픈 소스 플랫폼으로서, 웹 콘텐츠 출판, 통합서비스 개발자 및 애플리케이션 개발자를 대상으로 서비스를 제공하고 있다.", "콘텐츠 관리, 블로깅, 협업 등 다양한 플랫폼을 위한 다양한 버전의 협업 프로젝트를 진행하고 있으며, 어떤 웹 사이트에서든 자체적으로 동영상/비디오 서비스 포탈을 구축할 수 있도록 지원한다.", "또한 다양한 서비스와 칼투라가 결합한 매쉬업(Mash-up) 서비스가 가능할 수 있도록 오픈 API를 제공하고 있어 서비스 확장에 용이하다.", "</p> <h1>V.", "결 론</h1><p>본 논문에서 제안하는 메타데이터 매니저는, UCC에 관한 메타데이터 관리 기능뿐 아니라, UCC를 생산할 때 다른 사람이 생산한 콘텐츠를 자료로써 활용하는 경우, 참조한 UCC에 관한 정보를 제공하고, 참조한 UCC 간의 연관 관계를 식별할 수 있도록 하였다.", "이를 위해 UCC 관리 화면에서 참조한 콘텐츠 횟수와 당한 콘텐츠 횟수를 표시 하였으며, 메타데이터 상세보기 화면에서 당한 UCC에 관한 정보를 제공하였다.", "이러한 기능을 가능하도록 하기 위해 레퍼런스 메타데이터를 도출하여 활용하였으며, 사용자 유스케이스와 도출된 모듈 기능 정의에 따라 메타데이터 매니저의 프로토타입을 구현하였다.", "</p><p>본 논문의 결과는 소셜 협업 서비스를 통한 UCC 제작시 저작권 문제를 효과적으로 해결하는 효과와 동시에, 난립하는 재활용 콘텐츠의 양산을 막고 콘텐츠의 질적 향상을 이룰 수 있을 것으로 기대한다.", "</p><p>이러한 시사점과 더불어 본 논문은 한계점도 포함한다.", "제안된 메타데이터 매니저는 CMS에 종속적이기 때문에, 실제 UCC 제작 과정에 있어 다양한 CMS를 활용하는 경우 소셜 협업데이터를 누적하기 어렵다.", "이는 공유와 개방 정신을 반영한 CMS가 많이 개발되고 업체 간 상호 콘텐츠 메타데이터 공유가 확장되어야 한다는 전제 조건을 필요로 한다.", "</p><p>향후에는 본 논문에서 제안한 UCC 메타데이터 매니저를 활용하여 소셜 협업 서비스에서 개인화된 추천 서비스 모형을 개발하고 모형의 효율성 검증을 통해 산업 현장에서 실용적으로 활용될 수 있는 콘텐츠 메타데이터 관리 프로세스를 구축하고자 한다.", "</p> <h1>III.", "UCC 메타데이터 매니저 설계</h1><h2>1. 시스템 개요</h2><p>본 연구는 소셜 네트워크 서비스에서 유통되는 재생산된 콘텐츠를 대상으로, 콘텐츠 생산과 배포 단계에서 발생하는 저작권 문제를 해결할 수 있도록 UCC의 특성을 반영한 메타데이터 관리 시스템을 설계, 구현함을 목적으로 한다.", "</p><p>아래 그림 1은 생산(A)과 재생산(B)에 따라 저작권 정보가 어떻게 달라지는지를 보여준다.", "UCC의 특성상, 콘텐츠의 1차 생산자 분 아니라, 이를 활용하여 제작한 2차 콘텐츠를 다시 활용하는 경우에도 저작권 정보가 확인되어야 한다.", "따라서 UCC 메타데이터 매니저는 참조한 외부 콘텐츠 정보를 별도로 관리하고 서비스 관리자의 요청시 해당 정보를 제공할 수 있도록 한다.", "</p><h2>2. 요구사항 정의</h2><p>소셜 협업 콘텐츠로서의 UCC와 저작권 문제를 고려하여 다음과 같이 메타데이터 매니저의 요구사항을 정의하였다.", "</p><ol type=1 start=1><li>UCC 메타데이터는 기존의 메타데이터가 있는 경우 우선적으로 기존 메타데이터의 정보를 제공할 수 있도록 한다.", "</li><li>UCC 제작할 때 참조한 UCC가 있다면, 이에 관한 간략한 정보를 제공할 수 있도록 한다.", "</li><li>UCC를 제작할 때 참조한 UCC들의 메타데이터를 별도로 관리하여 소셜 네트워크 서비스에서 활용 할 수 있도록 한다.", "</li><li>UCC의 메타데이터를 입력, 수정 삭제 할 수 있도록 한다.", "</li><li>메타데이터 XML 출력 기능을 제공한다.", "</li></ol><h2>3. 유스케이스 구성</h2><p>상기의 요구사항을 토대로 그림 2와 같이 유스케이스를 구성하였다.", "</p><p>유스케이스의 액터는 관리자(Admin)와 시스템(System) 2가지로 나눠진다.", "관리자는 UCC 메타데이터 매니저의 관리자이며, 메타데이터를 관리하는 주체이다.", "시스템은 UCC 메타데이터 매니저를 일컫는다.", "콘텐츠의 메타데이터 정보를 처리 및 저장, 관리한다.", "소셜 네트워크 서비스에서 활용 할 수 있도록 참조한 UCC들의 레퍼런스 메타데이터를 별도로 관리한다.", "</p><h2>4. 시스템 구성 및 기능 도출</h2><p>메타데이터 매니저는 타 CMS와의 확장성을 고려하여 CMS와 연동되는 UCC 관련 모듈과, 메타데이터 관련 모듈로 구분하여 구성하였다.", "그림 3은 각 모듈별로 구성된 전체 시스템 구성안을 보인다.", "모듈별 기능 정의는 표 1과 같다.", "</p><p>보다 핵심적인 기능을 포함한 Metadata Loader를 그림 4에서 자세하게 나타내었다.", "Metadata Loader는 외부 콘텐츠 참조 정보를 별도 관리 및 제공할 수 있도록 메타데이터 호출 모듈을 두 개로 세분화 하고, 호출된 메타데이터를 취합할 수 있는 별도의 모듈을 두었다.", "또한 DB Manager와의 데이터 통신을 위임하는 모듈을 둔다.", "</p><p>각 모듈별 기능을 설명하면 다음과 같다.", "</p><p>① Metadata Binder는 UCC의 메타데이터를 Basic Metadata Loader와 Reference Metadata Loader에 요청, 각 메타데이터를 취합하는 기능을 한다.", "</p><p>② Basic Metadata Loader는 메타데이터를 불러오고 UCC에 관한 정보 제공 기능을 담당한다.", "</p><p>③ Reference Metadata Loader는 레퍼런스 메타데이터를 불러오고 참조한/당한 UCC에 관한 정보를 제공하는 기능을 담당하고 있다.", "세 개의 하위 모듈로 구성되어 있으며, 하위 모듈의 기능은 다음과 같다.", "(④-⑥)</p><p>④ Reference Metadata Checker는 참조한 콘텐츠의 유무를 확인하여, 프로세스 분기를 나눠주는 역할을 한다.", "참조한 콘텐츠가 있으면, Reference Metadata Loader로 메타데이터를 요청한다.", "</p><p>⑤ Reference Metadata Loader는 참조한 콘텐츠의 메타데이터를 불러오는 프로세스이다.", "이때 참조한 콘텐츠에 관한 메타데이터는 해당 콘텐츠의 유니크한 ID를 활용하여 Basic Metadata Loader로 호출하며, 이 콘텐츠를 다시 참조한 콘텐츠에 관한 정보는 DB에 요청한다.", "</p><p>⑥ Reference Data Process는 메타데이터 매니저에서 제공할 수 있도록 호출 받은 데이터를 가공하는 단계이다.", "데이터 가공은 소셜 네트워크 서비스를 고려하여 가공한다.", "본 연구에선 참조한 콘텐츠 횟수와, 참조당한 콘텐츠의 횟수, 참조한 콘텐츠 아이디, 참조한 시간 등으로 가공한다.", "</p><p>⑦DB Manager delegate는 DB Manager와의 데이터 통신을 위임하는 모듈로써, 각 모듈에서 요청하는 데이터를 DB Manager로 전달하고, 전달받은 데이터를 반환한다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "소셜 협업 서비스를 위한 UCC 메타데이터 매니저 설계 및 구현", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-21bfd0be-483b-45ad-9402-b409622dc761", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2011", "doc_author": [ "오정민", "송주홍", "문남미" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
434	<h2>2. 분산제어 MANET 라우팅 프로토콜</h2><p>분산제어 MANET 라우팅 프로토콜은 기본적으로 반응형(reactive) 방식과 예방형(proactive) 방식이 있다. 그리고 반응형과 예방형의 특징을 모두가진 Hybrid 방식과 위치기반 라우팅 방식이 있다.</p><p>표 2는 MANET 라우팅 프로토콜의 반응형과 예방형의 분류 비교를 나타낸다. 반응형에는 AODV와 DSR방식이 해당되고 예방형에는 OLSR과 TBRPF 방식이 해당된다. 반응형 방식은 연결 요청이 있을 때 경로를 설정하므로 경로 발견을 위한 지연시간이 크다. 그러나 노드의 이동성을 바로 적용함으로 보다 신뢰적인 경로 설정이 이루어 질 수 있다. 이와 반대로, 예방형 방식은 주기적으로 이동 노드들 간의 경로를 설정해준다. 일정시간을 주기로 지속적으로 네트워크의 경로정보를 이웃 노드에게 송신하므로 항상 최신의 정보를 모든 노드가 보유할 수 있기 때문에 경로정보 요청 시 해당 경로에 대한 연결 설정이 빠르다. 그러나 이로 인한 오버헤드가 크다. 그러므로 예방형 방식에는 경로정보의 양이 상대적으로 적은 소규모의 네트워크가 적합하고, 요청시에만 경로정보를 생성하는 반응형 방식에는 대규모의 네트워크가 적합하다. 노드의 이동성의 경우, 노드의 이동이 빈번한 경우에는 반응형 방식이 적합하며 망을 구성하는 노드의 위치가 거의 변동하지 않는 경우에는 예방형 방식이 적합하다.</p><table border><caption>표 2 MANET 라우팅 프로토콜 분류</caption><tbody><tr><td>분 류</td><td>반응형(Reactive)</td><td>예방형(Proactive)</td></tr><tr><td>방식</td><td>AODV, DSR</td><td>OLSR, TBRPF</td></tr><tr><td>경로</td><td>요청 시 설정</td><td>주기적으로 설정</td></tr><tr><td>장점</td><td>정확한 경로설정</td><td>연결설정이 만큼</td></tr><tr><td>단점</td><td>경로발견위한 지연</td><td>주기적인 경로설정으로 오버헤드발생</td></tr><tr><td>환경</td><td>대규모의 네트워크, 노드의 이동이 빈번한 경우</td><td>소규모의 네트워크, 노드의 이동이 거의 없는 경우</td></tr></tbody></table><h2>3. MANET 기반의 드론간 분산제어 통신 제안</h2><p>드론은 현재 컨트롤러에 의해 작동되는 \( 1: 1 \) 통신 기반이 주를 이룬다. 드론을 좀 더 멀리 보내고자 한다면 컨트롤러에 의한 중앙제어로는 한계가 있다. 따라서 원거리 조종을 위해서는 분산제어 통신 기술이 요구된다. 본 논문에서는 MANET기반의 드론간 분산제어 통신을 제안한다. 드론간 분산제어 통신을 이용하면 근접한 드론의 제어뿐만 아니라 원거리에 있는 드론의 제어가 가능하게 된다. 또한 근접한 드론을 통해 원거리에 있는 다수의 드론을 통해 정보를 수집하는 것이 가능하게 된다.</p><p>그림 1은 본 논문에서 제안한 MANET기반의 드론간 분산제어 통신망을 나타낸다. 1번은 해당지역의 센서를 통한 데이터 수집을 나타내고 2번은 컨트롤러서버를 통한 원격지 드론제어 및 데이터수집을 나타낸다. 3번은 드론간 통신을 통한 드론간의 링크상태와 제어 및 데이터 정보공유를 나타낸다. 4번은 컨트롤러서버에서 로컬 드론을 통한 데이터수집 및 제어정보에 대한 송수신을 나타낸다. 그림 2는 드론간 분산제어 통신망의 구성도를 나타낸다. 컨트롤러서버와 드론은 컨트롤러 인터페이스를 통해 데이터전송과 드론상태 및 제어정보를 송/수신한다. 수신된 상태 및 제어정보는 드론제어장치와 모니터링 그리고 드론 Topology Table에 저장 관리된다. 수신 데이터정보는 데이터베이스에서 관리되며 원격지 드론의 운영을 위해서 컨트롤러 서버는 드론 Topology에서 원격지 드론의 위치를 확인하여 드론 제어장치와 컨트롤러 인터페이스를 통해 제어정보를 송신한다. 송신된 정보는 드론의 인터페이스를 통하여 Routing Table에서 목적지 드론의 위치를 파악한 후 드론간 통신에 의해 전송된다. 해당 정보가 목적지 드론에 도착하면 비행제어장치를 수정하여 드론의 H/W를 조종하게 된다. 드론간 통신은 드론네트워크 인터페이스를 통해 송/수신된다. 공중 무선 환경은 Line of Sight(LoS)에 있어야 하므로 가장 큰 경로산출에 대한 변수는 거리와 방향이다. 드론간 통신은 서로의 거리를 확인하기 위해 비컨 메시지를 활용하여 서로간의 링크 상태를 확인한다. 이때 전송되는 링크상태정보를 통해 LSDB를 구축하여 Routing Table을 완성한다. 드론간 분산제어 통신이 가능하게 되면 다음과 같은 이점이 있다. 즉, 원거리 드론을 통한 데이터 수집 및 상태정보를 통하여 컨트롤러 서버에 의한 직접제어가 가능해진다. 이를 통해 원거리 비행에서의 배터리문제로 인해 비행 거리 제한을 해결 할 수 있다.</p> <h1>요 약</h1><p>최근 드론 시장이 급속히 발전하고 있다. 상업용 드론시장이 급격한 성장세를 보이고 있으며 드론의 활용분야가 여러 산업 분야에서 확대되고 있다. 기존 드론제어는 \( 1: 1 \) 컨트롤러에 의한 제어 위주의 환겅이었고 원거리에 있는 드론의 제어 및 정보 수집은 불가하였다. 본 논문에서는 드론네트워크 환경에 적용 가능한 MANET 라우팅 프로토콜에 대해 살펴보고, 원거리에 있는 드론의 제어와 정보 수집을 위해 MANET 기반의 드론간 분산제어 통신을 제안한다. 또한 드론운행과 사용 목적별 특징에 따라 분류하고 각 드론네트워크 환경에 적합한 반응형과 예방형 MANET 라우팅 프로토콜의 특징을 분류하여 이에 따라 드론의 환경에 따른 적합한 MANET 라우팅 프로토콜을 제안한다.</p> <h2>4. 드론간 MANET 라우팅 프로토콜 적용제안</h2><p>드론의 활용의 높이기 위해서 드론간 분산제어 통신을 앞서 3절에서 제안하였다. 4절에서는 유니캐스트 기반의 MANET의 프로토콜을 활용하여 드론의 목적에 따라 적합한 프로토콜의 적용을 제안한다. 드론의 통신 환경과 특징 그리고 목적이 다르므로 사용되는 MANET 프로토콜 또한 다양하게 접목 시킬 수 있다.</p><p>표 3은 드론 활용 분야에 따른 적합한 라우팅 프로토콜 방식을 선별하여 제안한 내용을 보여준다. 방송용 드론의 서비스에는 방송 목적과 인식거리에 따라 2가지로 분류될 수 있다. 인식거리가 \( 3.5 \mathrm{km} \) 미만일 경우에는 노드의 이동성을 주기적으로 반영하여 연결요청 시 해당 경로의 정보를 사전에 가지고 있는 예방형 프로토콜이 적합하다. 인식거리가 \( 3.5 \mathrm{km} \)이상일 경우에는 경로설정 연결요청 시 해당 경로의 정보를 즉시 반영하여 보다 정확한 경로설정을 할 수 있는 반응형 프로토콜이 적합하다. 물류(운송/배단) 서비스에 사용되는 드론은 이동 속도가 빠르므로 위치가 즉시 반영되어 정확한 경로 설정이 이루어저야 한다. 따라서 노드의 이동성을 즉시 반영하여 보다 정확한 경로설정이 이루어지는 반응형 프로토콜이 적합하다. 인터넷통신 서비스에는 드론의 위치가 고정적이므로 드론의 위치 정보는 거의 변동되지 않는다. 따라서 주기적으로 이동노드간의 경로 설정을 하여도 무방한 예방형 프로토콜이 적합하다. 재난감시서비스에서 드론은 일반적으로 정해진 지역으로 드론운행 반경이 제한되므로 사진에 망이 구축되면 이후 드론의 위치가 거의 변경되지 않기 때문에 주기적으로 경로를 설정하는 예방형 프로토콜 방식이 적당할 것이다.</p><table border><caption>표 3. MANET 라우팅 프로토콜 분류</caption><tbody><tr><td rowspan=2>드론 활용 분야</td><td rowspan=2>속도 (\(\mathrm{m/s}\))</td><td rowspan=2>이동반경 (인식거리 \(\mathrm{km}\))</td><td colspan=2>라우팅 프로토콜</td></tr><tr><td>반응형</td><td>예방형</td></tr><tr><td rowspan=2>방송</td><td rowspan=2>\(16\)</td><td>22 (\(0.5\sim3.5\))</td><td></td><td>V</td></tr><tr><td>22 (\(3.5\sim5\))</td><td>V</td><td></td></tr><tr><td>물류</td><td>\(88 \mathrm{km/s}\)</td><td>24</td><td>V</td><td></td></tr><tr><td>인터넷통신</td><td>-</td><td>50</td><td></td><td>V</td></tr><tr><td rowspan=2>재난감시</td><td rowspan=2>\(16\)</td><td>22 (\(0.5\sim1.2\))</td><td></td><td>V</td></tr><tr><td>22(\(3.5\sim5\))</td><td>V</td><td></td></tr><tr><td rowspan=2>농업</td><td rowspan=2>\(8\sim22\)</td><td>\(48\sim13.2\)</td><td></td><td>V</td></tr><tr><td>\(9.6\sim26.4\)</td><td>V</td><td></td></tr><tr><td>여행/레저</td><td>13</td><td>17.16</td><td></td><td>V</td></tr></tbody></table><p>인식거리가 \( 3.5 \mathrm{km} \) 이상이라면 주기적으로 경로설정을 통해서는, 드론과 감시지역에 대한 정확한 정보를 수신하기 어렵기 때문에 인식거리의 반경에 따라 반응형 프로토콜의 사용이 적합하다. 농업분야의 드론은 농작물관리가 주목적으로 비행반경이 한정적이다. 그러나 비행반경의 차이가 크게는 3배까지 차이가 난다. 따라서 드론의 위치가 거의 변경되지 않는 소규모(\(4.6 \sim 13.2 \mathrm{km}\))의 지역에는 예방형 프로토콜 방식이 적합하고 대규모 (\( 26.4 \mathrm{km} \))의 지역에서는 반응형 프로토콜 방식이 적당하다. 마지막으로 여행, 레저분야의 드론은 경로 요청 시 지연발생 시간이 적은 예방형 프로토콜 방식이 적합하다.</p> <h1>Ⅲ. 배경 지식</h1><h2>1. 드론</h2><p>드론은 다양한 목적을 가지고 이동 가능한 비행체를 뜻하며, 사람이 타지 않은 무인 비행체를 총칭하여 부르고 있다. 그러나 앞으로는 사람이 탑승 가능한 드론도 개발, 연구 중에 있다.</p><h2>2. 통신</h2><p>드론에는 지상에서 드론의 운행을 제어하기 위해서 원활한 통신이 가능해야 하고, 데이터 송수신을 위한 통신 시스템이 포함되어 있다. 공중에서 비행하는 드론 통신 시스템은 신뢰성이 뛰어나고 정밀한 시스템이 구축되어야 하며, 외부 공격으로부터 시스템을 보호할 수 있는 통신기술도 필요하다.</p><p>MANET(Mobile Ad-hoc Network)은 인프라의 도움 없이 무선 노드만으로 구성되고 자유롭게 협력하여 임시로 형성 가능한 무선망이다. 따라서 비행중인 드론간 통신을 위해 무선 노드들만으로 구성될 수 있으며 분산 제어 통신 시스템으로 사용하기 적합하다.</p> <h1>Ⅱ. 관련 연구</h1><p>현재 드론 관련 핵심기술로는 항공 무인이동시스템 통신/항법/교통관리 기술, 항공 무인이동체 제어 및 탐지/회피 기술, 항공 무인이동시스템 센서기술, 항공 무인이동시스템 S/W 및 응용 기술, 항공 무인이동체 플랫폼 기술, 항공 무인이동체 동력원 기술이 있다. 이중 무인비행기의 충돌회피 방안으로 역장(force Field) 기반의 연기와 드론간의 통신을 통한 방안 그리고 MANET을 활용한 통신망시스템 연구가 진행되고 있다. 또한 신뢰성 있는 패킷 전달 라우팅 메트릭방법을 제안한 연구도 진행되고 있다.</p><p>유럽의 ARCAS(Aerial Robotics Cooperative Assembly System) 프로젝트에서는 드론-매니풀레이터 시스템이 수행해야 하는 경로추종, 장애물 회피 등의 임무를 계층적으로 나누고 장애물 회피와 같이 반드시 달성해야하는 임무는 상위계층에, 경로추종과 같은 임무는 하위계층에 할당하여 여자유도에 기반하여 각 계층별로 순차적으로 제어목적을 달성하는 계층적 제어기법을 기구학 기반 null space based behavioral control기법을 활용하여 제안하였다. 드론의 센서 관련 기술을 보면 스페인 Seville대학에서는 기존의 대다수의 연구가 카메라를 이용했던 것과 달리 거리만을 측정할 수 있는 range 센서를 이용한 RO-SLAM(range only-SLAM)에서 여러 대의 드론을 이용해 정확도를 높일 수 있는 추정기법을 제안하였다. 최근에는 상업용 드론의 기회와 위험요소를 분석하고 SWOT분석을 통해 드론시장의 정책적 시사점을 제시한 연구도 있다. 이 드론분야는 현재 연구가 진행되는 초기 단계로 방향 제시 정도의 연구결과를 보여주고 있으며 많은 연구가 진행되진 않고 있지만 향후 활발히 연구가 진행될 것으로 보인다.</p> <h1>I. 서 론</h1><p>'\(16\)년 \(1\)월 라스베가스 컨벤션센터(LVCC)에서 열린 정보가전쇼(CES)에서는 올해 드론 전시 면적이 \( 2322 \mathrm{~m}^{2} \)로 전년 대비 \( 200 \% \) 늘었고 전시 업체도 작년 \(16\)개에서 올해 \(27\)개로 많은 성장세를 보이고 있다. 중국 저가 드론 생산업체 DJI와 유닉(Yuneec), 미국 호비코(Hobbico), 프랑스 스쿼드론 시스템(Squadrone System) 등에서 전시를 하였고 국내에선 아이로봇 등이 참여하였다. 드론업체들은 CES 현장에서 스포츠, 여행, 부동산, 수색과 구조, 재난 구호 등 다양한 분야의 제품을 선보였다. 드론 업체가 CES에 진시관을 선보이는 이유는 미국 내 드론 시장이 크게 성장하고 있기 때문이다. 미국 방위산업 컨설팅업체인 틸그룹은 \(2014\)년 \(5\)조원 규모이던 세계 드론 시장이 \(5\)년 후(\(2020\)년)에는 \(12\)조원 규모로 커지고, 특히 전체 무인기 중 상업용 시장이 \(2023\)년까지 연평균 \( 35 \% \) 성장하면서 전체 시장의 성장을 이끌 것으로 전망헸다. 전체 드론 시장의 \( 1 \%\) \((660 \)여억원)에 불과한 상업용 시장의 비중이 \(2023\)년 \(7\%\)대(\(9720\)여억원)로 성장할 것이라는 전망이다.</p><p>국내 상업용 드론 개발 기술은 아직 초기 단계이다. 한국항공우주연구원은 \(2011\)년 세계 \(2\)번째로 틸트로터기술을 개발하였고, 무인항공기분야에서 세계 \(7\)위의 기술력을 보유하고 있다. 그러나 엔진, 항법, 통신 등과 같은 기술의 핵심 분야에서는 선진국대비 여전히 취약한 상태이다.</p><p>드론은 컨트롤러에 의해 직접 제어되는 수동 조종 비행 방법으로 대부분 운행되고 있다. 현재 스마트폰의 대중화로 별도의 컨트롤러 대신 스마트폰을 활용할 수도 있다. 수동 조종 비행방법은 가시거리 이내에서만 제어가 가능하며 컨트롤러와 드론간의 통신이 두절될 때에는 제어가 불가능하다는 단점이 있다.</p><p>향후 드론 시장이 발전됨에 따라 근거리 조종뿐만 아니라 장거리 조종이 반드시 필요하게 될 것이다. 드론을 제어하는 조종자의 직접적인 가시거리 밖의 원거리에 있는 드론의 제어 또는 정보의 취득이 필요할 경우에는 컨트롤러에 의해 직접적인 제어가 불가능하다. 따라서 향후 드론은 컨트롤러에 의한 직접 제어뿐만 아니라 다른 드론 또는 장치에 의해 제어되는 환경이 요구된다. 이러한 원거리의 드론을 조종하거나 정보를 취득하기 위해서는 분산제어 통신 기술이 요구된다.</p><p>본 논문에서는 원거리 드론의 제어 및 정보 수집을 위해 드론 간의 분산제어 방법을 제안한다. 이를 위해 상업용 드론을 분야별로 분류하고, 분산제어에 사용되는 MANET을 종류별로 살펴본다. 최종적으로 사용 목적에 따라 분류된 상업용 드론에 따라 적합한 분산제어 라우팅 프로토콜을 제안한다.</p><p>본 논문의 구성은 다음과 같다. \(2\)장에서는 드론과 관련된 기존 연구를 살펴보고, \(3\)장에서는 드론과 분산제어와 관련된 배경지식을 살펴본다. \(4\)장에서는 드론간 분산제어 방법과 사용 목적에 따라 분류된 상업용 드론에 적합한 유니캐스트 분산제어 라우팅 프로토콜을 제안하고 \(5\)장에서는 결론을 맺는다.</p> <h1>Ⅳ. 드론 분산제어 방안</h1><h2>1. 드론의 목적별 분류</h2><p>드론의 사용분야는 크게 상업용과 군수용으로 분류된다. 군수용 드론은 특정 목적에 따라 연구 개발되는 분야로 일반적인 대중을 대상으로 하지 않는다. 따라서 본 논문에서는 상업용 드론만을 대상으로 한다.</p><p>표 \(1\)은 상업용 드론을 비행 목적에 따라 분류한 내역이다. 먼저 방송분야에서는 뉴스취재, 다큐멘터리제작, 영상촬영부분에서 사용된다. 전 세계점유율 가지는 DJI사의 펜텀모델을 기준으로 크게 인식거리가 \( 1200 \mathrm{~m} \)미만과 이상으로 구분할 수 있다. 물류분야에서는 택배, 음식배달, 구호품배송에 사용될 수 있다. 택배드론으로 아마존 프라임에어 드론의 겅우 최대 \( 24 \mathrm{~km} \)까지 비행하며 속력은 시속 \( 88 \mathrm{~km} \)정도이다.</p><p><table border><caption>표 1. 상업용 드론의 비행 목적에 따른 분류</caption><tbody><tr><td>분 류</td><td>사용 목적</td><td>운행거리 (인식거리)</td><td>비행시간 (속도)</td></tr><tr><td rowspan=2>방송</td><td rowspan=2>뉴스취재, 다큐멘터리제작, 영상촬영</td><td>\(22\mathrm{km}\) (\(500 \sim 120 \mathrm{m}\))</td><td>\(23 \sim 25\)분 (\(16\mathrm{m/s}\))</td></tr><tr><td>\(22\mathrm{km}\) (\(3500 \sim 5200 \mathrm{m}\))</td><td>\(23 \sim 25\)분 (\(16\mathrm{m/s}\))</td></tr><tr><td>물류</td><td>택배, 배송, 구호물품지원</td><td>\(24\mathrm{km}\)</td><td>\(30\)분 미만 (\(88\mathrm{km/h}\))</td></tr><tr><td>인터넷통신</td><td>인터넷통신지원</td><td>- (\(50\mathrm{km}\) )</td><td>\(3\)개월</td></tr><tr><td rowspan=2>재난감시</td><td rowspan=2>재난예방 및 피해규모조사</td><td>\(22\mathrm{km}\) (\(500 \sim 120 \mathrm{m}\))</td><td>\(23 \sim 25\)분 (\(16\mathrm{m/s}\))</td></tr><tr><td>\(22\mathrm{km}\) (\(3500 \sim 5200 \mathrm{m}\))</td><td>\(23 \sim 25\)분 (\(16\mathrm{m/s}\))</td></tr><tr><td>농업</td><td>농작물관리</td><td>\(4.8 \sim 13.2\mathrm{km}\) \(9.6 \sim 26.4\mathrm{km}\)</td><td>\(10 \sim 24\)분 (\(8 \sim 22\mathrm{m/s}\))</td></tr><tr><td>여행/레저</td><td>취미생활 및 레저</td><td>\(17.16\mathrm{km}\)</td><td>\(22\)분 (\(13\mathrm{m/s}\))</td></tr></tbody></table></p><p>인터넷 통신분야에서는 인터넷통신을 위한 AP 역할을 수행하기 위해 드론이 사용된다. 대표적으로 페이스북 인터넷드론 아퀄라의 경우 \( 50 \mathrm{~km} \) 반경의 인터넷 망을 구축하여 최대 \(3\)개월까지 비행 가능하다. 재난감시분야에서는 사전에 재난을 예방하고 사후 피해 규모를 조사하거나 손해액을 추정하는 목적으로 드론이 사용된다. 농업분야에서는 농작물 관리 및 수확에 드론이 사용된다. 대표적으로 DJJ사의 농업분야의 드론 아그라스 MG-\(1\)은 \(10\)분에서 \(24\)분까지 비행가능하며 속도는 \( 8 \sim 22 \mathrm{~m} / \mathrm{s} \)의 속도를 낸다. 그리고 여행, 레저와 관련된 분야에서는 취미생활 및 레저활동에 드론을 사용한다. 레저드론 중 Parrot사의 Bebop드론의 경우 \(2\)개의 배터리로 \(22\)분간 \( 13 \mathrm{~m} / \mathrm{s} \)의 속도로 비행한다.</p><p>드론의 비행활동은 이동성과 비행반경으로 크게 나눌 수 있다. 이동성은 드론의 위치가 이동하여 위치 정보가 변동되는 정도를 뜻한다. 드론의 이동성은 \( 16 \mathrm{~m} / \mathrm{s} \) 이상과 \( 16 \mathrm{~m} / \mathrm{s} \) 미만으로 나눤다. 드론이 속도가 \( 16 \mathrm{~m} / \mathrm{s} \) 이상일 경우에는 위치정보가 빈번하게 변경되어 이동성이 '크다'로 구분하고 속도가 \( 16 \mathrm{~m} / \mathrm{s} \) 미만일 경우는 위치정보의 변경이 빈번하지 않으므로 이동성이 '낮다'로 구분한다. 비행반경은 드론이 운행하는 지역적인 범위를 뜻한다. 비행반경은 \( 22 \mathrm{~km} \) 미만과 \( 22 \mathrm{~km} \) 이상의 두 네트워크 환경으로 나눈다. \( 22 \mathrm{~km} \) 이상을 비행하는 드론은 비행반경이 크므로 대규모의 네트워크 환경으로 구분하고 \( 22 \mathrm{~km} \) 이내를 비행하는 드론은 비행반경이 좁아 소규모의 네트워크 환경으로 구분한다.</p>	전기공학, 통신공학, 전자공학	[ "<h2>2. 분산제어 MANET 라우팅 프로토콜</h2><p>분산제어 MANET 라우팅 프로토콜은 기본적으로 반응형(reactive) 방식과 예방형(proactive) 방식이 있다.", "그리고 반응형과 예방형의 특징을 모두가진 Hybrid 방식과 위치기반 라우팅 방식이 있다.", "</p><p>표 2는 MANET 라우팅 프로토콜의 반응형과 예방형의 분류 비교를 나타낸다.", "반응형에는 AODV와 DSR방식이 해당되고 예방형에는 OLSR과 TBRPF 방식이 해당된다.", "반응형 방식은 연결 요청이 있을 때 경로를 설정하므로 경로 발견을 위한 지연시간이 크다.", "그러나 노드의 이동성을 바로 적용함으로 보다 신뢰적인 경로 설정이 이루어 질 수 있다.", "이와 반대로, 예방형 방식은 주기적으로 이동 노드들 간의 경로를 설정해준다.", "일정시간을 주기로 지속적으로 네트워크의 경로정보를 이웃 노드에게 송신하므로 항상 최신의 정보를 모든 노드가 보유할 수 있기 때문에 경로정보 요청 시 해당 경로에 대한 연결 설정이 빠르다.", "그러나 이로 인한 오버헤드가 크다.", "그러므로 예방형 방식에는 경로정보의 양이 상대적으로 적은 소규모의 네트워크가 적합하고, 요청시에만 경로정보를 생성하는 반응형 방식에는 대규모의 네트워크가 적합하다.", "노드의 이동성의 경우, 노드의 이동이 빈번한 경우에는 반응형 방식이 적합하며 망을 구성하는 노드의 위치가 거의 변동하지 않는 경우에는 예방형 방식이 적합하다.", "</p><table border><caption>표 2 MANET 라우팅 프로토콜 분류</caption><tbody><tr><td>분 류</td><td>반응형(Reactive)</td><td>예방형(Proactive)</td></tr><tr><td>방식</td><td>AODV, DSR</td><td>OLSR, TBRPF</td></tr><tr><td>경로</td><td>요청 시 설정</td><td>주기적으로 설정</td></tr><tr><td>장점</td><td>정확한 경로설정</td><td>연결설정이 만큼</td></tr><tr><td>단점</td><td>경로발견위한 지연</td><td>주기적인 경로설정으로 오버헤드발생</td></tr><tr><td>환경</td><td>대규모의 네트워크, 노드의 이동이 빈번한 경우</td><td>소규모의 네트워크, 노드의 이동이 거의 없는 경우</td></tr></tbody></table><h2>3. MANET 기반의 드론간 분산제어 통신 제안</h2><p>드론은 현재 컨트롤러에 의해 작동되는 \\( 1: 1 \\) 통신 기반이 주를 이룬다.", "드론을 좀 더 멀리 보내고자 한다면 컨트롤러에 의한 중앙제어로는 한계가 있다.", "따라서 원거리 조종을 위해서는 분산제어 통신 기술이 요구된다.", "본 논문에서는 MANET기반의 드론간 분산제어 통신을 제안한다.", "드론간 분산제어 통신을 이용하면 근접한 드론의 제어뿐만 아니라 원거리에 있는 드론의 제어가 가능하게 된다.", "또한 근접한 드론을 통해 원거리에 있는 다수의 드론을 통해 정보를 수집하는 것이 가능하게 된다.", "</p><p>그림 1은 본 논문에서 제안한 MANET기반의 드론간 분산제어 통신망을 나타낸다.", "1번은 해당지역의 센서를 통한 데이터 수집을 나타내고 2번은 컨트롤러서버를 통한 원격지 드론제어 및 데이터수집을 나타낸다.", "3번은 드론간 통신을 통한 드론간의 링크상태와 제어 및 데이터 정보공유를 나타낸다.", "4번은 컨트롤러서버에서 로컬 드론을 통한 데이터수집 및 제어정보에 대한 송수신을 나타낸다.", "그림 2는 드론간 분산제어 통신망의 구성도를 나타낸다.", "컨트롤러서버와 드론은 컨트롤러 인터페이스를 통해 데이터전송과 드론상태 및 제어정보를 송/수신한다.", "수신된 상태 및 제어정보는 드론제어장치와 모니터링 그리고 드론 Topology Table에 저장 관리된다.", "수신 데이터정보는 데이터베이스에서 관리되며 원격지 드론의 운영을 위해서 컨트롤러 서버는 드론 Topology에서 원격지 드론의 위치를 확인하여 드론 제어장치와 컨트롤러 인터페이스를 통해 제어정보를 송신한다.", "송신된 정보는 드론의 인터페이스를 통하여 Routing Table에서 목적지 드론의 위치를 파악한 후 드론간 통신에 의해 전송된다.", "해당 정보가 목적지 드론에 도착하면 비행제어장치를 수정하여 드론의 H/W를 조종하게 된다.", "드론간 통신은 드론네트워크 인터페이스를 통해 송/수신된다.", "공중 무선 환경은 Line of Sight(LoS)에 있어야 하므로 가장 큰 경로산출에 대한 변수는 거리와 방향이다.", "드론간 통신은 서로의 거리를 확인하기 위해 비컨 메시지를 활용하여 서로간의 링크 상태를 확인한다.", "이때 전송되는 링크상태정보를 통해 LSDB를 구축하여 Routing Table을 완성한다.", "드론간 분산제어 통신이 가능하게 되면 다음과 같은 이점이 있다.", "즉, 원거리 드론을 통한 데이터 수집 및 상태정보를 통하여 컨트롤러 서버에 의한 직접제어가 가능해진다.", "이를 통해 원거리 비행에서의 배터리문제로 인해 비행 거리 제한을 해결 할 수 있다.", "</p> <h1>요 약</h1><p>최근 드론 시장이 급속히 발전하고 있다.", "상업용 드론시장이 급격한 성장세를 보이고 있으며 드론의 활용분야가 여러 산업 분야에서 확대되고 있다.", "기존 드론제어는 \\( 1: 1 \\) 컨트롤러에 의한 제어 위주의 환겅이었고 원거리에 있는 드론의 제어 및 정보 수집은 불가하였다.", "본 논문에서는 드론네트워크 환경에 적용 가능한 MANET 라우팅 프로토콜에 대해 살펴보고, 원거리에 있는 드론의 제어와 정보 수집을 위해 MANET 기반의 드론간 분산제어 통신을 제안한다.", "또한 드론운행과 사용 목적별 특징에 따라 분류하고 각 드론네트워크 환경에 적합한 반응형과 예방형 MANET 라우팅 프로토콜의 특징을 분류하여 이에 따라 드론의 환경에 따른 적합한 MANET 라우팅 프로토콜을 제안한다.", "</p> <h2>4. 드론간 MANET 라우팅 프로토콜 적용제안</h2><p>드론의 활용의 높이기 위해서 드론간 분산제어 통신을 앞서 3절에서 제안하였다.", "4절에서는 유니캐스트 기반의 MANET의 프로토콜을 활용하여 드론의 목적에 따라 적합한 프로토콜의 적용을 제안한다.", "드론의 통신 환경과 특징 그리고 목적이 다르므로 사용되는 MANET 프로토콜 또한 다양하게 접목 시킬 수 있다.", "</p><p>표 3은 드론 활용 분야에 따른 적합한 라우팅 프로토콜 방식을 선별하여 제안한 내용을 보여준다.", "방송용 드론의 서비스에는 방송 목적과 인식거리에 따라 2가지로 분류될 수 있다.", "인식거리가 \\( 3.5 \\mathrm{km} \\) 미만일 경우에는 노드의 이동성을 주기적으로 반영하여 연결요청 시 해당 경로의 정보를 사전에 가지고 있는 예방형 프로토콜이 적합하다.", "인식거리가 \\( 3.5 \\mathrm{km} \\)이상일 경우에는 경로설정 연결요청 시 해당 경로의 정보를 즉시 반영하여 보다 정확한 경로설정을 할 수 있는 반응형 프로토콜이 적합하다.", "물류(운송/배단) 서비스에 사용되는 드론은 이동 속도가 빠르므로 위치가 즉시 반영되어 정확한 경로 설정이 이루어저야 한다.", "따라서 노드의 이동성을 즉시 반영하여 보다 정확한 경로설정이 이루어지는 반응형 프로토콜이 적합하다.", "인터넷통신 서비스에는 드론의 위치가 고정적이므로 드론의 위치 정보는 거의 변동되지 않는다.", "따라서 주기적으로 이동노드간의 경로 설정을 하여도 무방한 예방형 프로토콜이 적합하다.", "재난감시서비스에서 드론은 일반적으로 정해진 지역으로 드론운행 반경이 제한되므로 사진에 망이 구축되면 이후 드론의 위치가 거의 변경되지 않기 때문에 주기적으로 경로를 설정하는 예방형 프로토콜 방식이 적당할 것이다.", "</p><table border><caption>표 3. MANET 라우팅 프로토콜 분류</caption><tbody><tr><td rowspan=2>드론 활용 분야</td><td rowspan=2>속도 (\\(\\mathrm{m/s}\\))</td><td rowspan=2>이동반경 (인식거리 \\(\\mathrm{km}\\))</td><td colspan=2>라우팅 프로토콜</td></tr><tr><td>반응형</td><td>예방형</td></tr><tr><td rowspan=2>방송</td><td rowspan=2>\\(16\\)</td><td>22 (\\(0.5\\sim3.5\\))</td><td></td><td>V</td></tr><tr><td>22 (\\(3.5\\sim5\\))</td><td>V</td><td></td></tr><tr><td>물류</td><td>\\(88 \\mathrm{km/s}\\)</td><td>24</td><td>V</td><td></td></tr><tr><td>인터넷통신</td><td>-</td><td>50</td><td></td><td>V</td></tr><tr><td rowspan=2>재난감시</td><td rowspan=2>\\(16\\)</td><td>22 (\\(0.5\\sim1.2\\))</td><td></td><td>V</td></tr><tr><td>22(\\(3.5\\sim5\\))</td><td>V</td><td></td></tr><tr><td rowspan=2>농업</td><td rowspan=2>\\(8\\sim22\\)</td><td>\\(48\\sim13.2\\)</td><td></td><td>V</td></tr><tr><td>\\(9.6\\sim26.4\\)</td><td>V</td><td></td></tr><tr><td>여행/레저</td><td>13</td><td>17.16</td><td></td><td>V</td></tr></tbody></table><p>인식거리가 \\( 3.5 \\mathrm{km} \\) 이상이라면 주기적으로 경로설정을 통해서는, 드론과 감시지역에 대한 정확한 정보를 수신하기 어렵기 때문에 인식거리의 반경에 따라 반응형 프로토콜의 사용이 적합하다.", "농업분야의 드론은 농작물관리가 주목적으로 비행반경이 한정적이다.", "그러나 비행반경의 차이가 크게는 3배까지 차이가 난다.", "따라서 드론의 위치가 거의 변경되지 않는 소규모(\\(4.6 \\sim 13.2 \\mathrm{km}\\))의 지역에는 예방형 프로토콜 방식이 적합하고 대규모 (\\( 26.4 \\mathrm{km} \\))의 지역에서는 반응형 프로토콜 방식이 적당하다.", "마지막으로 여행, 레저분야의 드론은 경로 요청 시 지연발생 시간이 적은 예방형 프로토콜 방식이 적합하다.", "</p> <h1>Ⅲ. 배경 지식</h1><h2>1. 드론</h2><p>드론은 다양한 목적을 가지고 이동 가능한 비행체를 뜻하며, 사람이 타지 않은 무인 비행체를 총칭하여 부르고 있다.", "그러나 앞으로는 사람이 탑승 가능한 드론도 개발, 연구 중에 있다.", "</p><h2>2. 통신</h2><p>드론에는 지상에서 드론의 운행을 제어하기 위해서 원활한 통신이 가능해야 하고, 데이터 송수신을 위한 통신 시스템이 포함되어 있다.", "공중에서 비행하는 드론 통신 시스템은 신뢰성이 뛰어나고 정밀한 시스템이 구축되어야 하며, 외부 공격으로부터 시스템을 보호할 수 있는 통신기술도 필요하다.", "</p><p>MANET(Mobile Ad-hoc Network)은 인프라의 도움 없이 무선 노드만으로 구성되고 자유롭게 협력하여 임시로 형성 가능한 무선망이다.", "따라서 비행중인 드론간 통신을 위해 무선 노드들만으로 구성될 수 있으며 분산 제어 통신 시스템으로 사용하기 적합하다.", "</p> <h1>Ⅱ. 관련 연구</h1><p>현재 드론 관련 핵심기술로는 항공 무인이동시스템 통신/항법/교통관리 기술, 항공 무인이동체 제어 및 탐지/회피 기술, 항공 무인이동시스템 센서기술, 항공 무인이동시스템 S/W 및 응용 기술, 항공 무인이동체 플랫폼 기술, 항공 무인이동체 동력원 기술이 있다.", "이중 무인비행기의 충돌회피 방안으로 역장(force Field) 기반의 연기와 드론간의 통신을 통한 방안 그리고 MANET을 활용한 통신망시스템 연구가 진행되고 있다.", "또한 신뢰성 있는 패킷 전달 라우팅 메트릭방법을 제안한 연구도 진행되고 있다.", "</p><p>유럽의 ARCAS(Aerial Robotics Cooperative Assembly System) 프로젝트에서는 드론-매니풀레이터 시스템이 수행해야 하는 경로추종, 장애물 회피 등의 임무를 계층적으로 나누고 장애물 회피와 같이 반드시 달성해야하는 임무는 상위계층에, 경로추종과 같은 임무는 하위계층에 할당하여 여자유도에 기반하여 각 계층별로 순차적으로 제어목적을 달성하는 계층적 제어기법을 기구학 기반 null space based behavioral control기법을 활용하여 제안하였다.", "드론의 센서 관련 기술을 보면 스페인 Seville대학에서는 기존의 대다수의 연구가 카메라를 이용했던 것과 달리 거리만을 측정할 수 있는 range 센서를 이용한 RO-SLAM(range only-SLAM)에서 여러 대의 드론을 이용해 정확도를 높일 수 있는 추정기법을 제안하였다.", "최근에는 상업용 드론의 기회와 위험요소를 분석하고 SWOT분석을 통해 드론시장의 정책적 시사점을 제시한 연구도 있다.", "이 드론분야는 현재 연구가 진행되는 초기 단계로 방향 제시 정도의 연구결과를 보여주고 있으며 많은 연구가 진행되진 않고 있지만 향후 활발히 연구가 진행될 것으로 보인다.", "</p> <h1>I.", "서 론</h1><p>'\\(16\\)년 \\(1\\)월 라스베가스 컨벤션센터(LVCC)에서 열린 정보가전쇼(CES)에서는 올해 드론 전시 면적이 \\( 2322 \\mathrm{~m}^{2} \\)로 전년 대비 \\( 200 \\% \\) 늘었고 전시 업체도 작년 \\(16\\)개에서 올해 \\(27\\)개로 많은 성장세를 보이고 있다. 중국 저가 드론 생산업체 DJI와 유닉(Yuneec), 미국 호비코(Hobbico), 프랑스 스쿼드론 시스템(Squadrone System) 등에서 전시를 하였고 국내에선 아이로봇 등이 참여하였다. 드론업체들은 CES 현장에서 스포츠, 여행, 부동산, 수색과 구조, 재난 구호 등 다양한 분야의 제품을 선보였다. 드론 업체가 CES에 진시관을 선보이는 이유는 미국 내 드론 시장이 크게 성장하고 있기 때문이다. 미국 방위산업 컨설팅업체인 틸그룹은 \\(2014\\)년 \\(5\\)조원 규모이던 세계 드론 시장이 \\(5\\)년 후(\\(2020\\)년)에는 \\(12\\)조원 규모로 커지고, 특히 전체 무인기 중 상업용 시장이 \\(2023\\)년까지 연평균 \\( 35 \\% \\) 성장하면서 전체 시장의 성장을 이끌 것으로 전망헸다. 전체 드론 시장의 \\( 1 \\%\\) \\((660 \\)여억원)에 불과한 상업용 시장의 비중이 \\(2023\\)년 \\(7\\%\\)대(\\(9720\\)여억원)로 성장할 것이라는 전망이다.</p><p>국내 상업용 드론 개발 기술은 아직 초기 단계이다. 한국항공우주연구원은 \\(2011\\)년 세계 \\(2\\)번째로 틸트로터기술을 개발하였고, 무인항공기분야에서 세계 \\(7\\)위의 기술력을 보유하고 있다. 그러나 엔진, 항법, 통신 등과 같은 기술의 핵심 분야에서는 선진국대비 여전히 취약한 상태이다.</p><p>드론은 컨트롤러에 의해 직접 제어되는 수동 조종 비행 방법으로 대부분 운행되고 있다. 현재 스마트폰의 대중화로 별도의 컨트롤러 대신 스마트폰을 활용할 수도 있다. 수동 조종 비행방법은 가시거리 이내에서만 제어가 가능하며 컨트롤러와 드론간의 통신이 두절될 때에는 제어가 불가능하다는 단점이 있다.</p><p>향후 드론 시장이 발전됨에 따라 근거리 조종뿐만 아니라 장거리 조종이 반드시 필요하게 될 것이다. 드론을 제어하는 조종자의 직접적인 가시거리 밖의 원거리에 있는 드론의 제어 또는 정보의 취득이 필요할 경우에는 컨트롤러에 의해 직접적인 제어가 불가능하다. 따라서 향후 드론은 컨트롤러에 의한 직접 제어뿐만 아니라 다른 드론 또는 장치에 의해 제어되는 환경이 요구된다. 이러한 원거리의 드론을 조종하거나 정보를 취득하기 위해서는 분산제어 통신 기술이 요구된다.</p><p>본 논문에서는 원거리 드론의 제어 및 정보 수집을 위해 드론 간의 분산제어 방법을 제안한다. 이를 위해 상업용 드론을 분야별로 분류하고, 분산제어에 사용되는 MANET을 종류별로 살펴본다. 최종적으로 사용 목적에 따라 분류된 상업용 드론에 따라 적합한 분산제어 라우팅 프로토콜을 제안한다.</p><p>본 논문의 구성은 다음과 같다. \\(2\\)장에서는 드론과 관련된 기존 연구를 살펴보고, \\(3\\)장에서는 드론과 분산제어와 관련된 배경지식을 살펴본다. \\(4\\)장에서는 드론간 분산제어 방법과 사용 목적에 따라 분류된 상업용 드론에 적합한 유니캐스트 분산제어 라우팅 프로토콜을 제안하고 \\(5\\)장에서는 결론을 맺는다.</p> <h1>Ⅳ. 드론 분산제어 방안</h1><h2>1. 드론의 목적별 분류</h2><p>드론의 사용분야는 크게 상업용과 군수용으로 분류된다. 군수용 드론은 특정 목적에 따라 연구 개발되는 분야로 일반적인 대중을 대상으로 하지 않는다. 따라서 본 논문에서는 상업용 드론만을 대상으로 한다.</p><p>표 \\(1\\)은 상업용 드론을 비행 목적에 따라 분류한 내역이다. 먼저 방송분야에서는 뉴스취재, 다큐멘터리제작, 영상촬영부분에서 사용된다. 전 세계점유율 가지는 DJI사의 펜텀모델을 기준으로 크게 인식거리가 \\( 1200 \\mathrm{~m} \\)미만과 이상으로 구분할 수 있다. 물류분야에서는 택배, 음식배달, 구호품배송에 사용될 수 있다. 택배드론으로 아마존 프라임에어 드론의 겅우 최대 \\( 24 \\mathrm{~km} \\)까지 비행하며 속력은 시속 \\( 88 \\mathrm{~km} \\)정도이다.</p><p><table border><caption>표 1. 상업용 드론의 비행 목적에 따른 분류</caption><tbody><tr><td>분 류</td><td>사용 목적</td><td>운행거리 (인식거리)</td><td>비행시간 (속도)</td></tr><tr><td rowspan=2>방송</td><td rowspan=2>뉴스취재, 다큐멘터리제작, 영상촬영</td><td>\\(22\\mathrm{km}\\) (\\(500 \\sim 120 \\mathrm{m}\\))</td><td>\\(23 \\sim 25\\)분 (\\(16\\mathrm{m/s}\\))</td></tr><tr><td>\\(22\\mathrm{km}\\) (\\(3500 \\sim 5200 \\mathrm{m}\\))</td><td>\\(23 \\sim 25\\)분 (\\(16\\mathrm{m/s}\\))</td></tr><tr><td>물류</td><td>택배, 배송, 구호물품지원</td><td>\\(24\\mathrm{km}\\)</td><td>\\(30\\)분 미만 (\\(88\\mathrm{km/h}\\))</td></tr><tr><td>인터넷통신</td><td>인터넷통신지원</td><td>- (\\(50\\mathrm{km}\\) )</td><td>\\(3\\)개월</td></tr><tr><td rowspan=2>재난감시</td><td rowspan=2>재난예방 및 피해규모조사</td><td>\\(22\\mathrm{km}\\) (\\(500 \\sim 120 \\mathrm{m}\\))</td><td>\\(23 \\sim 25\\)분 (\\(16\\mathrm{m/s}\\))</td></tr><tr><td>\\(22\\mathrm{km}\\) (\\(3500 \\sim 5200 \\mathrm{m}\\))</td><td>\\(23 \\sim 25\\)분 (\\(16\\mathrm{m/s}\\))</td></tr><tr><td>농업</td><td>농작물관리</td><td>\\(4.8 \\sim 13.2\\mathrm{km}\\) \\(9.6 \\sim 26.4\\mathrm{km}\\)</td><td>\\(10 \\sim 24\\)분 (\\(8 \\sim 22\\mathrm{m/s}\\))</td></tr><tr><td>여행/레저</td><td>취미생활 및 레저</td><td>\\(17.16\\mathrm{km}\\)</td><td>\\(22\\)분 (\\(13\\mathrm{m/s}\\))</td></tr></tbody></table></p><p>인터넷 통신분야에서는 인터넷통신을 위한 AP 역할을 수행하기 위해 드론이 사용된다. 대표적으로 페이스북 인터넷드론 아퀄라의 경우 \\( 50 \\mathrm{~km} \\) 반경의 인터넷 망을 구축하여 최대 \\(3\\)개월까지 비행 가능하다. 재난감시분야에서는 사전에 재난을 예방하고 사후 피해 규모를 조사하거나 손해액을 추정하는 목적으로 드론이 사용된다. 농업분야에서는 농작물 관리 및 수확에 드론이 사용된다. 대표적으로 DJJ사의 농업분야의 드론 아그라스 MG-\\(1\\)은 \\(10\\)분에서 \\(24\\)분까지 비행가능하며 속도는 \\( 8 \\sim 22 \\mathrm{~m} / \\mathrm{s} \\)의 속도를 낸다. 그리고 여행, 레저와 관련된 분야에서는 취미생활 및 레저활동에 드론을 사용한다. 레저드론 중 Parrot사의 Bebop드론의 경우 \\(2\\)개의 배터리로 \\(22\\)분간 \\( 13 \\mathrm{~m} / \\mathrm{s} \\)의 속도로 비행한다.</p><p>드론의 비행활동은 이동성과 비행반경으로 크게 나눌 수 있다. 이동성은 드론의 위치가 이동하여 위치 정보가 변동되는 정도를 뜻한다. 드론의 이동성은 \\( 16 \\mathrm{~m} / \\mathrm{s} \\) 이상과 \\( 16 \\mathrm{~m} / \\mathrm{s} \\) 미만으로 나눤다. 드론이 속도가 \\( 16 \\mathrm{~m} / \\mathrm{s} \\) 이상일 경우에는 위치정보가 빈번하게 변경되어 이동성이 '크다'로 구분하고 속도가 \\( 16 \\mathrm{~m} / \\mathrm{s} \\) 미만일 경우는 위치정보의 변경이 빈번하지 않으므로 이동성이 '낮다'로 구분한다.", "비행반경은 드론이 운행하는 지역적인 범위를 뜻한다.", "비행반경은 \\( 22 \\mathrm{~km} \\) 미만과 \\( 22 \\mathrm{~km} \\) 이상의 두 네트워크 환경으로 나눈다. \\", "( 22 \\mathrm{~km} \\) 이상을 비행하는 드론은 비행반경이 크므로 대규모의 네트워크 환경으로 구분하고 \\( 22 \\mathrm{~km} \\) 이내를 비행하는 드론은 비행반경이 좁아 소규모의 네트워크 환경으로 구분한다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "원거리 드론 제어를 위한 MANET기반의 분산제어 통신", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1ff3698e-8bad-41f1-a9c1-a6e8c87246fc", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2016", "doc_author": [ "정성순", "권기문" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
435	<p>표 3,4 에는 프레임당 H.264/AVC 압축영역으로부터 추출한 순서정보가 공간영역에서 추출된 각 프레임의 순서정보와 얼마큼 다른지를 표로 나타내었다. 표 3에 나타낸 실험에서는 \( \mathrm { m } =9(3 \times 3) \)로 설정하였기 때문에 \( 1 \leq V_ { s } , V_ { c } \leq 9 \)이고, 표 4에 나타낸 [9]의 방법과 일치하는 실험에서는 \( \mathrm { m } =4(2 \times 2) \)로 설정하였기 때문에, \( 1 \leq V_ { s } , V_ { c } \leq 4 \)다. 즉, 표 3, 4는 공간영역에서 각 프레임의 순서정보인 \( V_ { s } \)가 압축영역에서 추출한 \( V_ { c } \)로 변화된 정도를 백분율로 보여준다. 표 3의 음영부분을 예로 들면, 각 프레임의 서브 블록 중 두 번째로 휘도가 큰 블록 \( \left (V_ { s } =2 \right ) \)이 압축영역에서 추출 되었을 때 \( \left (V_ { c } \right ) \) 전체 동영상에 대하여 평균적으로 첫 번째 휘도가 큰 블록으로 나타나는 경우가 \( 13.7 \% \), 두 번째 휘도가 큰 블록으로 나타나는 경우가 \( 46.7 \% \), 세 번째 휘도가 큰 블록으로 나타나는 경우가 \( 36.3 \% \), 네 번째 휘도가 큰 블록으로 나타나는 경우는 \( 3.3 \% \)임을 나타낸다.</p> <p>이와 같은 정확도는 공간영역에서의 순서정보가 압축영역에서 추출된 순서정보와 정확히 일치됨을 의미하며, 표 5와 같이 간략히 나타낼 수 있다.</p> <p>표 5의 가로축은 \( V_ { s } \)와 \( V_ { c } \)의 차이값을 나타내며, 만약 0일 때는 공간영역의 순서정보가 압축영역의 순서정보와 일치하는 경우를 나타낸다. 표 5에 나타낸 바와 같이 공간영역의 순서정보는 압축영역의 순서정보와 정확히 일치하는 경우는 \( \mathrm { m } =9, \mathrm { ~m } =4 \)일때 각각 \( 57.36 \% \), \( 80.98 \% \)이며, 해당 순서정보가 수치 1 차이 나는 경우는 각각 \( 31.63 \%, 19.02 \% \)이다. 즉, \( \mathrm { m } =9 \) 및 \( \mathrm { m } =4 \) 일때 공간 영역에서 추출한 각 프레임내 블록의 순서정보와 압축영역에서 추출한 각 프로임내 블록의 순서정보가 최대로 1 차이나는 경우는 각각 \( 88.99 \%, 100 \% \)이다. 특히 기존방법과 일치하는 실험조건 \( (m=4) \)에서는 최대 1 차이나는 경우가 \( 100 \% \)이므로, 이는 제안하는 방법을 이용하여 추출한 시그너쳐가 충분히 사용가능하다는 것을 나타낸다.</p> <table border><caption>표 3. 공간영역 순서정보와 압축영역 순서정보의 차이비교 표 \( ( \%, \mathrm { ~m } =9) \)</caption> <tbody><tr><td>\( \mathrm { V_s } \) \\( \mathrm { V_c } \)</td><td>1</td><td>2</td><td>3</td><td>4</td><td>5</td><td>6</td><td>7</td><td>8</td><td>9</td></tr><tr><td>1</td><td>76</td><td>10.7</td><td>8.3</td><td>4</td><td>0.3</td><td>0.3</td><td>0.3</td><td>0</td><td>0</td></tr><tr><td>2</td><td>13.7</td><td>46.7</td><td>36.3</td><td>3.3</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>3</td><td>9.7</td><td>38.7</td><td>40.3</td><td>10</td><td>1.3</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>4</td><td>0.7</td><td>4</td><td>13.3</td><td>60</td><td>20</td><td>1</td><td>0.7</td><td>0.3</td><td>0</td></tr><tr><td>5</td><td>0</td><td>0</td><td>1.7</td><td>17.3</td><td>60.3</td><td>15</td><td>4.3</td><td>1</td><td>0.3</td></tr><tr><td>6</td><td>0</td><td>0</td><td>0</td><td>4.3</td><td>10.7</td><td>67</td><td>8.3</td><td>5.3</td><td>4.3</td></tr><tr><td>7</td><td>0</td><td>0</td><td>0</td><td>0.7</td><td>4.3</td><td>8.7</td><td>51.7</td><td>20</td><td>14.7</td></tr><tr><td>8</td><td>0</td><td>0</td><td>O</td><td>0.3</td><td>2.7</td><td>3.3</td><td>21.3</td><td>52.7</td><td>19.7</td></tr><tr><td>9</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0.3</td><td>4.7</td><td>13.3</td><td>20.7</td><td>61</td></tr></tbody></table> <table border><caption>표 5. 순서정보의 통계적 수치 ( \%)</caption> <tbody><tr><td>\( \mathrm { m } \) \\( \mathrm {\left \| V_c - V_s \right \| } \)</td><td>O</td><td>1</td><td>2</td><td>3</td><td>4</td><td>5</td><td>6</td><td>7</td><td>8</td></tr><tr><td>m=9</td><td>57.36</td><td>31.63</td><td>8.76</td><td>2.09</td><td>0.17</td><td>0.03</td><td>0.03</td><td>0</td><td>0</td></tr><tr><td>m=4</td><td>80.98</td><td>19.02</td><td>0</td><td>0</td><td colspan=5></td></tr></tbody></table> <h1>IV. 결 론</h1> <p>본 논문에서는 기존의 비디오 공간영역에서 수행되던 시그너쳐 추출방법을 비디오 압축영역에서 직접 수행할 수 있는 방법을 제안하였다. 이를 위하여 H.264/AVC로 압축된 비디오를 직접 복호화하지 않고, 압축 영역에서 섬네일을 빠르게 추출하여, 추출된 썸네일로부터 시그너쳐를 추출하였다. 실험 결과로부터 제안하는 방법은 기존 [9]와 같은 실험조건에서 \( 80.98 \% \)의 정확도를 유지하면서 약 2.8배 빠르게 비디오 시그너쳐를 추출할 수 있었다.</p>	전기공학, 통신공학, 전자공학	[ "<p>표 3,4 에는 프레임당 H.264/AVC 압축영역으로부터 추출한 순서정보가 공간영역에서 추출된 각 프레임의 순서정보와 얼마큼 다른지를 표로 나타내었다.", "표 3에 나타낸 실험에서는 \\( \\mathrm { m } =9(3 \\times 3) \\)로 설정하였기 때문에 \\( 1 \\leq V_ { s } , V_ { c } \\leq 9 \\)이고, 표 4에 나타낸 [9]의 방법과 일치하는 실험에서는 \\( \\mathrm { m } =4(2 \\times 2) \\)로 설정하였기 때문에, \\( 1 \\leq V_ { s } , V_ { c } \\leq 4 \\)다.", "즉, 표 3, 4는 공간영역에서 각 프레임의 순서정보인 \\( V_ { s } \\)가 압축영역에서 추출한 \\( V_ { c } \\)로 변화된 정도를 백분율로 보여준다.", "표 3의 음영부분을 예로 들면, 각 프레임의 서브 블록 중 두 번째로 휘도가 큰 블록 \\( \\left (V_ { s } =2 \\right ) \\)이 압축영역에서 추출 되었을 때 \\( \\left (V_ { c } \\right ) \\) 전체 동영상에 대하여 평균적으로 첫 번째 휘도가 큰 블록으로 나타나는 경우가 \\( 13.7 \\% \\), 두 번째 휘도가 큰 블록으로 나타나는 경우가 \\( 46.7 \\% \\), 세 번째 휘도가 큰 블록으로 나타나는 경우가 \\( 36.3 \\% \\), 네 번째 휘도가 큰 블록으로 나타나는 경우는 \\( 3.3 \\% \\)임을 나타낸다.", "</p> <p>이와 같은 정확도는 공간영역에서의 순서정보가 압축영역에서 추출된 순서정보와 정확히 일치됨을 의미하며, 표 5와 같이 간략히 나타낼 수 있다.", "</p> <p>표 5의 가로축은 \\( V_ { s } \\)와 \\( V_ { c } \\)의 차이값을 나타내며, 만약 0일 때는 공간영역의 순서정보가 압축영역의 순서정보와 일치하는 경우를 나타낸다.", "표 5에 나타낸 바와 같이 공간영역의 순서정보는 압축영역의 순서정보와 정확히 일치하는 경우는 \\( \\mathrm { m } =9, \\mathrm { ~m } =4 \\)일때 각각 \\( 57.36 \\% \\), \\( 80.98 \\% \\)이며, 해당 순서정보가 수치 1 차이 나는 경우는 각각 \\( 31.63 \\%, 19.02 \\% \\)이다.", "즉, \\( \\mathrm { m } =9 \\) 및 \\( \\mathrm { m } =4 \\) 일때 공간 영역에서 추출한 각 프레임내 블록의 순서정보와 압축영역에서 추출한 각 프로임내 블록의 순서정보가 최대로 1 차이나는 경우는 각각 \\( 88.99 \\%, 100 \\% \\)이다.", "특히 기존방법과 일치하는 실험조건 \\( (m=4) \\)에서는 최대 1 차이나는 경우가 \\( 100 \\% \\)이므로, 이는 제안하는 방법을 이용하여 추출한 시그너쳐가 충분히 사용가능하다는 것을 나타낸다.", "</p> <table border><caption>표 3. 공간영역 순서정보와 압축영역 순서정보의 차이비교 표 \\( ( \\%, \\mathrm { ~m } =9) \\)</caption> <tbody><tr><td>\\( \\mathrm { V_s } \\) \\\\( \\mathrm { V_c } \\)</td><td>1</td><td>2</td><td>3</td><td>4</td><td>5</td><td>6</td><td>7</td><td>8</td><td>9</td></tr><tr><td>1</td><td>76</td><td>10.7</td><td>8.3</td><td>4</td><td>0.3</td><td>0.3</td><td>0.3</td><td>0</td><td>0</td></tr><tr><td>2</td><td>13.7</td><td>46.7</td><td>36.3</td><td>3.3</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>3</td><td>9.7</td><td>38.7</td><td>40.3</td><td>10</td><td>1.3</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>4</td><td>0.7</td><td>4</td><td>13.3</td><td>60</td><td>20</td><td>1</td><td>0.7</td><td>0.3</td><td>0</td></tr><tr><td>5</td><td>0</td><td>0</td><td>1.7</td><td>17.3</td><td>60.3</td><td>15</td><td>4.3</td><td>1</td><td>0.3</td></tr><tr><td>6</td><td>0</td><td>0</td><td>0</td><td>4.3</td><td>10.7</td><td>67</td><td>8.3</td><td>5.3</td><td>4.3</td></tr><tr><td>7</td><td>0</td><td>0</td><td>0</td><td>0.7</td><td>4.3</td><td>8.7</td><td>51.7</td><td>20</td><td>14.7</td></tr><tr><td>8</td><td>0</td><td>0</td><td>O</td><td>0.3</td><td>2.7</td><td>3.3</td><td>21.3</td><td>52.7</td><td>19.7</td></tr><tr><td>9</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0.3</td><td>4.7</td><td>13.3</td><td>20.7</td><td>61</td></tr></tbody></table> <table border><caption>표 5. 순서정보의 통계적 수치 ( \\%)</caption> <tbody><tr><td>\\( \\mathrm { m } \\) \\\\( \\mathrm {\\left \| V_c - V_s \\right \| } \\)</td><td>O</td><td>1</td><td>2</td><td>3</td><td>4</td><td>5</td><td>6</td><td>7</td><td>8</td></tr><tr><td>m=9</td><td>57.36</td><td>31.63</td><td>8.76</td><td>2.09</td><td>0.17</td><td>0.03</td><td>0.03</td><td>0</td><td>0</td></tr><tr><td>m=4</td><td>80.98</td><td>19.02</td><td>0</td><td>0</td><td colspan=5></td></tr></tbody></table> <h1>IV.", "결 론</h1> <p>본 논문에서는 기존의 비디오 공간영역에서 수행되던 시그너쳐 추출방법을 비디오 압축영역에서 직접 수행할 수 있는 방법을 제안하였다.", "이를 위하여 H.264/AVC로 압축된 비디오를 직접 복호화하지 않고, 압축 영역에서 섬네일을 빠르게 추출하여, 추출된 썸네일로부터 시그너쳐를 추출하였다.", "실험 결과로부터 제안하는 방법은 기존 [9]와 같은 실험조건에서 \\( 80.98 \\% \\)의 정확도를 유지하면서 약 2.8배 빠르게 비디오 시그너쳐를 추출할 수 있었다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "\bH.264/AVC로 압축된 비디오로부터 시그니쳐 추출방법", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-209424d6-b3b8-46fa-aeea-efc2606638e6", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2009", "doc_author": [ "김성민", "권용광", "원치선" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
436	<h1>III. SPIT 시나리오</h1><p>본 장에서는 VoIP 상의 취야성을 분석하고 실제 스팸 공격이 가능한 스팸 유형을 설계하였다. 본 장에서는 정상적인 경로를 통한 스팸 공격 외에 비정상적인 경로를 통한 스팸 공격의 위협을 확인하기 위해 P2P 스팸 공격, 세션 가로 채기를 통한 스팸 공격, 재전송 공격을 통한 스팸 공격, 프락시 위장을 통한 스팸 공격, 사전공격을 통한 스팸 공격 등 총 다섯 가지의 스팸 유형을 설계하였다. 본 논문에서 언급한 비정상적인 경로를 통한 스팸 공격은 사용자가 정상적인 등록 절차를 거쳐 인증을 받고 공격 대상자에게 스팸을 발송하는 것이 아닌 등록 인증이 되지 않은 사용자가 정상 사용자의 권한을 획득하고 스팸을 전송하거나 또는 권한 획득 없이 VoIP 망에 스팸을 전송하는 경우를 뜻한다.</p><h2>1. P2P 스팸 공격</h2><p>표준 문서에서는 inbound 프락시 서버와 UAS 간에 TLS (Transport Layer Security) 보안 정책을 선택적으로 적용하도록 하고 있다. 따라서 inbound 프락시와 UAS간에 TLS를 적용하지 않을 시 스패머는 정상적인 프락시 서버로 위장해 UAS로 스팸을 발송할 수 있다. 이와 같은 P2P 스팸 발송은 프락시 서버를 경유하지 않고 UAS로 직접 스팸을 발송하므로 발신자를 추적할 수 없고 별도의 프락시 서버 정보 없이 직접적으로 스니핑 한 샘플 메시지를 이용해 INVITE 메시지를 공격 대상자에 게 발송할 수 있다.</p><p>P2P 스팸 발송은 다음과 같다. 먼저 임의의 공격대상자의 정상적인 INVITE 메시지를 스니핑하고 저장한다. 그리고 저장되어진 INVITE 메시지를 발송한 후 200 OK 메시지 스니핑 모듈 및 BYE 메시지 스니핑 모듈과 연동해 스팸을 발송한다. 이 때, 스패머는 호 설정을 스패머와 공격대상자 간의 맺기 위해서 두 가지 작업을 시행한다. 첫 번째는 발송 INVITE 메시지의 Contact 필드를 스패머의 IP로 스푸핑한다. 두 번째로 SDP(Session Description Protocol) 정보의 주소와 포트번호를 스패머의 주소와 포트번호로 스푸핑하여 RTP 세션을 스패머와 공격 대상자 간에 맺을 수 있도록 한다. 공격 대상자는 스패머의 INVITE 메시지를 받고 응답으로 200 OK 메시지를 스패머에 게 발송하게 된다. 그리고 스패머는 200 OK 메시지를 스니핑하고 ACK 메시지로 응답함으로써 스패머와 공격 대상자 간의 RTP 세션이 성립되어질 수 있도록 한다.</p><h2>2. 세션 가로채기를 통한 스팸 공격</h2><p>세션 가로채기를 통한 스팸 발송은 정상 호가 성립되기 전 혹은 후에 스팸을 발송할 수 있다. 즉, 스패머는 임의로 전송되는 INVITE 메시지를 스니핑한 후 응답으로 200 OK 메시지를 생성해 UAC (User Agent Client)로 전송함으로써 스패머와 공격 대상자 간의 호가 성립될 수 있다. 또한 호가 성립되어진 후 RE-INVITE, UPDATE 메시지를 이용하여 연결되어진 호를 가로챌 수 있다. 본 논문에서 구현한 Spamtester는 200 OK 를 이용해 UAC와 스패머 간 호 성립이 되는 것을 그림 2와 같은 절차로 구현하도록 하였다.</p><p>이 시나리오는 INVITE 메시지 스니핑 모듈, 200 OK 메시지 스니핑 모듈 그리고 BYE 메시지 스니핑 모듈과 연동해 설계하고 스팸을 발송한다. 먼저 스패머는 공격 대상자의 INVITE 메시지 발송을 스니핑한 후 공격 대상자에게 200 OK 메시지를 발송해 정상 UAS 보다 먼저 호를 성립한다. 그리고 기존의 UAS에게는 CANCEL/BYE 메시지를 발송하여 호를 꾾는다. 그래서 오직 스패머와 UAC 간에 호가 성립될 수 있도록 한다.</p><h2>3. 재전송 공격을 통한 스팸 공격</h2><p>표준 문서에서는 프락시가 UA를 인증하기 위해서 HTTP 다이제스트 인증 보안 메커니즘을 반드시 적용하도록 하고 있다. 하지만 취약성이 있는 프락시는 407 메시지에 포함하는 인증 파라미터 중 nonce 값을 일정 시간동안 유지하는 특징이 있기 때문에 스패머는 공격 대상자의 정상적인 인증 값을 스니핑 후 프락시에게 재전송함으로써 일정 시간동안 인증이 될 수 있는 취약성이 존재한다.</p><p>재전송 공격을 통한 스팸 발송은 다음과 같다. 먼저 스패머는 공격 대상자의 인증 값이 포함된 INVITE 메시지를 스니핑하고 저장한다. 그리고 UAC와 UAS 간의 호가 연결되어 있을 수 있으므로 기존의 호를 끊기 위해 CANCEL/BYE 메시지를 UAS에 게 전송한다. 다음으로 취얏성이 있는 프락시에게 미리 저장된 인증값이 포함된 INVITE 메시지를 발송하면 프락시는 그 메시지를 정상적인 사용자로 인증하고 공격 대상자에게 메시지를 전송한다. 공격 대상자는 200 OK 메시지로 응답함으로써 스패머와 UAS 간의 호가 성립될 수 있다.</p><h2>4. 프락시 위장을 통한 스팸 공격</h2><p>표준 문서에서는 서로 다른 프락시 간의 TLS를 반드시 적용하도록 하고 있다. 하지만 프락시 간의 TLS 적용을 하지 않을 시 프락시 위장을 통한 스팸 발송이 가능 할 수 있다. 즉, 스패머는 임의의 outbound 프락시로 가장하고 공격 대상 inbound 프락시 서버를 선택하여 스팸 공격을 할 수 있다. 이 공격은 그림 4와 같이 공격 대상 inbound 프락시 서버에 INVITE 메시지를 스푸평하여 발송하면 스패머와 공격 대상 UAS 간의 SIP 시그널링이 성립하여 스팸 공격이 가능하다. 먼저 스패머는 스니핑 한 샘플 메시지를 바탕으로 프락시 도메인을 위장한다. 그러기 위해서 INVITE 메시지의 Via 헤더를 임의의 outbound 프락시 도메인으로 위장하는 메시지 스푸핑 과정을 거친다. 그 후 inbound 프락시 서버에게 스푸핑된 INVITE 메시지를 발송한 후 200 OK 메시지 스니핑 모듈 및 BYE 메시지 스니핑 모듈과 연동해 그림 4와 같은 스팸 공격을 할 수 있다.</p><h2>5. 사전공격을 통한 스팸 공격</h2><p>사전공격을 통한 스팸 발송은 각 UA의 REGISTER 과정이나 INVITE 메시지를 전송하는 과정에서 HTTP 다이제스트 인증의 취약성을 보여주기 위해 설계되었다. HTTP 다이제스트 인증은 패스워드 기반으로 사전에 사용자가 프락시에게 인증 절차를 실행한다. 하지만 HTTP 다이제스트 인증은 패스워드 기반이기 때문에 사전 (Dictionary) 공격을 통해서 패스워드가 노출될 수 있다. 따라서 스패머는 정상 사용자의 REGISTER 또는 INVITE 메시지의 credential 값을 수집하고 사전공격을 이용해 비밀번호를 알아낸 후 그림 5와 같이 정상 등록 과정 및 호 설정 과정을 통해 공격 대상자에게 스팸을 발송한다.</p><p>이 공격은 INVITE 메시지나 REGISTER 메시지가 스니핑 되었을 때 Spamtester의 DB를 통해 동록되어진 단어 조합을 이용해 자동으로 패스워드를 추출하고 정상 등록하여 임의의 공격 대상자에게 스팸 공격을 시도하도록 설계하였다. 먼저 Spamtester를 이용하여 REGISTER 메시지를 스니핑한 후 사전공격을 이용하여 정상 사용자들의 비밀 번호를 추출한다. 그리고 정상 등록 절차를 시행하기 위해 401 메시지가 프락시에게 전달되는 즉시 스패머는 인증 값이 포함된 REGISTER 메시지를 프락시에게 전달하여 정상 등록과정을 마친다. 그리고 이 공격은 그림 1과 같은 P2P 스팸 발송 시나리오와 유사한 절차에 따라 스팸 발송을 한다. 특히 사전공격을 통한 스팸 공격은 비밀 번호를 알아 낸 후 P2P 스팸 발송과 마찬가지로 대량 스팸 공격을 할 수 있기 때문에 다수의 사용자들에게 피해를 끼칠 수 있다.</p> <h1>IV. Spamtester 구현</h1><p>본 논문에서는 스팸 생성 유형을 설계하고 UAC 혹은 UAS에게 스팸 공격을 실험해 보았다. 그러기 위해서 소</p><p>프트 프로그램으로써 Spamtester를 구현 하였다. Spamtester는 본 논문의 Ⅲ장에서 설계한 스팸 유형들을 기반으로 스팸 발송을 하도록 구현 하였다. Spamtester는 크게 메시지 스니핑, 메시지 생성, 스팸 발송, 사용자 정보 수집/저장 등의 모듈로 구성되어 있다.</p><p>본 논문에서는 Spamtester 구현을 위해 VC++ 프로그래밍 툴을 사용하며 SIP 메시지 스니핑을 위해 wincap 라이브러리를 사용하고 RTP 스팸 발송을 위해 JMF를 사용한다. 또한 OS로 Windows 2000 Professional을 이용하였으며 실험 망의 프락시 서버는 리눅스 기반의 IPTEL 프락시 서버를 이용한다. 그리고 UA는 소프트 폰인 X-Lite와 하드폰인 Linksys의 SPA942를 사용한다.</p><ul><li>OS : Windows 2000 Professional, Linux Fedora core 3</li><li>Library : Winpcap library</li><li>Programming tools: Microsoft VC++, JMF(Java Multimedia Framework)</li><li>Proxy server : IPTEL(ser-0.9.6)</li><li>UA : X-Lite, SPA942(Linksys)</li></ul><h2>1. Spamtester 동작 과정</h2><p>Spamtester는 자동적으로 스팸을 발송할 수 있도록 스니핑 기능과 스팸 유형 결정, 스팸 발송 등의 주요 기능 절차를 수행한다. Spamtester의 스니핑 기능은 공격 대상자의 정보를 수집하기 위해서 모든 스니핑 대상자의 IP와 ID를 수집하여 DB에 저장하며 스팸 유형은 Ⅲ장에서 설계한 각 스팸 발송 시나리오들의 절차를 따른다. 또한 Spamtester는 스팸 유형에 맞게 SIP 메시지를 스푸핑하여 공격 대상자에게 메시지를 발송한다. 그래서 스패머와 공격 대상자 간의 RTP 세션이 만들어지면 스팸을 발송한다.</p><p>1) Spamtester는 실행 초기에 스레드 모듈이 동작한다. 스레드 모듈은 세 가지의 기능을 수행한다. 첫 번째는 SIP 메시지 스니핑 모듈, 두 번째는 스니핑 모듈에 의해 캡처되어진 공격 대상자 수집 및 저장 모듈, 세 번째는 수집되어진 공격 대상자의 비밀 번호 획득을 위한 사전공격 모듈이다. 이와 같은 스레드 모듈은 자동적으로 SIP 메시지를 스니핑할 때마다 세 가지의 기능을 독립적으로 수행하게 된다.</p><p>2) 스팸 유형 및 공격 대상자 선택과 메시지 스푸핑은 공격 대상자 정보를 저장하고 있는 데이터베이스와 연동하여 자동적으로 스팸을 발송할 수 있도록 구현하였다. 또한 사용자에 의해서 수기로 SIP 메시지의 스푸핑 및 공격 대상자 선택이 가능하도록 구현 하였다.</p><p>3) 스팸 발송 모듈은 최종적으로 선택되어진 공격 대상자에게 스팸을 발송한다. 그리고 Spamtester의 IP 스푸핑을 위해서 raw 소켓을 이용한다. raw 소켓은 IP뿐만이 아니라 포트 번호까지 스푸핑이 가능하도록 구현 하였다.</p><h2>2. Spamtester GUI</h2><p>SIP Spamtester의 GUI는 각 스팸 생성 시나리오에 맞춰 SIP 메시지 생성 및 수정, 스팸 발송 뿐만 아니라 메시지 스니핑 및 저장, 공격 대상자 정보 수집 등 다양한 기능을 수행할 수 있도록 개발하였다. 그림 6은 SIP 스팸 생성 창에서 P2P 스팸 생성 시나리오를 선택 한 경우의 동작 화면을 나타낸다. 그림 6에서 왼쪽 화면의 기능은 메시지의 스푸핑을 통해 스팸 메시지를 생성할 수 있고 오른쪽 화면의 기능은 매시지 스니핑 및 공격 대상자 정보를 수집할 수 있다. 또한 스팸 발송 유형으로는 녹음된 스팸을 발송하는 형태와 1: 1로 공격 대상자와 접촉할 수 있는 형태, 대량 전송을 통한 수집 된 공격 대상자 모두에게 스팸을 발송하는 형태가 있다.</p> <h1>Ⅶ. 결 론</h1><p>VoIP에서는 PSTN 망에서보다 더 저렴한 가격으로 음성 서비스 및 패킷 기반의 데이터를 이용한 다양한 서비스를 제공하는 것이 가능하다. 하지만 보안을 고려한 VoIP 환경이 잘 갖추어져 있지 않을 시 스팸 공격이 발생할 수 있다. 이와 같은 위협을 확인하고 근본적인 보안 방안을 강구하기 위해서는 우선 VoIP에서의 다양한 스팸 공격 유형에 대한 분석이 필요하다. 특히 정상적인 스팸 공격 외에 비정상적인 과정을 거친 스팸 공격에 관한 구체적인 분석이 필요하다.</p><p>본 논문에서는 스팸 공격의 유형 및 분석을 위해 비정상적인 스팸 공격의 유형들을 설계하고 실제 스팸 발송을 통해서 스팸 공격의 위협 결과를 확인 하였다. 이를 위해 본 논문에서 설계한 스팸 공격 유형은 비정상적인 스팸 발송의 스니핑에서 스팸 발송까지의 전체적인 SIP 시그널링 과정을 설계하였다. 스팸 유형으로는 P2P 스팸 공격, 세션 가로채기를 통한 스팸 공격, 재전송 공격을 통한 스팸 공격, 프락시 위장을 통한 스팸 공격, 사전공격을 통한 스팸 공격 등이다. 또한 Spamtester는 VoIP 환경에서 스니핑이 가능하도록 구현 하였으며 자동으로 스니핑 된 공격 대상자들의 ID 및 IP 를 데이터베이스에 저장하며 SIP 메시지를 생성하여 공격 대상자들에게 발송 할 수 있도록 구현 하였다. 그래서 구축된 VoIP 실험 망을 통해 이와 같은 스팸 유형과 Spamtester를 이용해 스팸 발송을 해 보았고 표1과 같은 스팸 공격 결과를 확인 하였다. 또한 본 논문에서 구현된 Spamtester는 표2와 같이 관련된 도구들과의 비교에서 여러 장점이 있는 것을 확인 하였다. 따라서 추후 VoIP 스팸 대응 방안은 본 논문의 구체적인 스팸 공격 분석에 관한 정보를 이용하여 사전에 스팸 차단 방안을 만드는데 이용될 수 있기를 기대한다.</p> <h1>요 약</h1><p>본 논문에서는 SIP 기반의 VoIP상에서 스팸 공격의 위협에 대해 분석하고 이와 같은 공격을 확인 할 수 있는 Spamtester를 구현하였다. VoIP에서 스팸 공격은 여러 유형들이 존재하지만 구체적인 공격 과정과 위협 결과를 확인 할 수 있는 정보가 부족하다. 특히 정상적인 경로롤 통한 스팸 공격 외에 비정상적인 경로를 통한 스팸 공격은 구체적인 정보가 부족하여 발신자 추적은 물론 법적 제재를 가하기 어렵다. 따라서 VoIP에서 실제로 스팸 공격이 가능한 유형들과 공격 과정을 확인할 필요가 있다. 본 논문에서는 이와 같은 스팸 공격들 중 비정상적인 스팸 공격을 분석하고 공격 과정을 설계하였다. 또한 Spamtester를 통해서 스팸을 발송함으로써 구체적인 스팸 공격 과정을 화인할 수 있다. 이는 VoIP에서 스팸 위협을 확인하고 그 스팸 대응 방안을 찾는데 유용할 것이다.</p> <h1>II. VOIP 스팸 유형 및 관련 도구</h1><p>VoIP에서는 스팸 공격이 가능한 다양한 유형들이 존재한다. VoIP 망에서 발생할 수 있는 스팸 공격들은 크게 IM (Instant Messaging) 스팸, 프리젠스 스팸, 콜 스 팸 등이 있으며 등록 과정, SIP 세션 과정, 미디어 과정에서의 조작을 통해 다양한 스팸을 발송할 수 있다. 그 중에서 콜 스팸은 실시간으로 음성 파일을 다수의 VoIP 가입자에게 전송함으로써 심각한 피해를 줄 수 있으며 시스템 관리상의 오류나 해킹 등을 통해서도 스팸 발송이 가능하다. 본 장에서는 이와 같은 스팸 공격의 유형들과 SIP 메시지를 생성하거나 스니핑 및 분석 할 수 있는 관련 도구들에 대해 살펴본다.</p><h2>1. VoIP 스팸 유형</h2><p>첫 번째로 대표적인 VoIP 환경에서의 콜 스팸 공격은 P2P (Peer-to-Peer) 스팸 공격이다. P2P 스팸 공격은 프락시를 우회하여 UAS (User Agent Server)에게 직접 스팸 공격을 할 수 있다. 따라서 발신자 추적은 물론 법적인 제재를 가하기 어렵고 대량 전송에 의해서 다수의 정상 가입자에게 스팸을 전송함으로써 피해가 가장 클 수 있는 스팸 공격이다. 두 번째로 RTP 조작에 의한 스팸 공격이다. 이 공격은 정상 사용자들 간의 호 설정이 형성된 후 스패머가 RTP 패킷 헤더의 sequence number를 무작위로 생성하여 공격 대상자에게 스팸을 전송한다. 따라서 간헐적으로 정상 사용자들의 통화에 스팸이 합성된 공격이 가능할 수 있다. 세 번째로 세션 가로채기 스팸 공격이다. 세션 가로채기 스팸 공격은 RTP 세션이 성립이 되기 전 혹은 후에 정상 사용자들 간의 호를 끊고 스패머와 정상 사용자간의</p><p>호 성립을 만들 수 있는 공격이다. 네 번째로 데이터베이스 조작을 통한 SQL 삽입 스팸 공격이다. SQL삽입 스팸 공격은 등록되어진 정상 사용자의 초기 아이디나 비밀번호를 변경하여 정상 사용자의 권한을 불법으로 획득하고 이를 이용하여 공격대상자에게 스팸을 공격하는 방법으로 SIP 메시지에 SQL 문을 삽입하여 정상적인 사용자인 것처럼 데이터베이스 테이블을 조작하고 인증되어질 수 있는 공격이다. 다섯 번째로 IM 스팸 공격이다. 이 공격은 콜 스팸은 아니지만 사용자들에게 피해를 줄 수 있는 스팸 공격 중 하나이다. 콜 스팸은 스패머와 공격 대상자 간의 RTP 세션을 연결하여 미리 녹음된 광고성 스팸을 발송하는 공격이지만 IM 스팸은 콜 스팸의 호 설정과는 상관없이 링이 울리는 순간에 공격 대상자의 단말에 광고성 메시지를 보여주는 스팸 공격이다. 이와 같은 스팸 공격은 SIP 메시지 중 INVITE 메시지 일부에 광고성 문구를 삽입하여 스팸 공격을 하며 SIP INVITE 메시지가 공격 대상자에게 도달하는 단계만으로 공격이 가능할 수 있다.</p><h2>2. SIP 메시지 생성 및 관련 도구</h2><p>스팸 공격을 하기 위해서 스패머는 본 논문에서 구현된 Spamtester와 같은 관련 도구를 이용할 수 있다. 특히 이메일 상에서 대량 스팸을 발송하는 소프트웨어 프로그램과 같은 툴을 사용하는 스패머는 사용자들에게 더 큰 피해를 끼칠 수 있다. 하지만 VoIP에서 스팸 공격을 실험해 보기위해 만들어진 특정 도구는 거의 존재 하지 않는다. 따라서 본 장에서는 스팸 전송에 이용될 수 있는 관련 도구나 툴을 살펴본다. 먼저 SiVus에의한 메시지 스니핑 툴이다. SiVus는 세 가지의 중요 모듈로 구성되며 주로 취약성이 있는 공격 대상자의 ID나 IP를 찾는 스니핑의 목적으로 이용된다. SiVus의 세 가지의 중요 모듈로는 SIP 메시지 생성기 모듈 (SIP Message generator), 공격 대상자를 찾는 모듈 (SIP component discovery), SIP 취약성 분석 모듈 (SIP vulnerability scanner)이다. 각 모듈의 기능은 SIP 취약성 분석 모듈과 공격 대상자를 찾는 모듈을 통해서 취약성이 있는 공격 대상자를 조사하고 SIP 메시지 생성기를 이용하여 공격자에게 발송할 SIP 메시지를 생성한다. 다음으로 PROTOS c07-SIP 테스트 툴이다. PROTOS c07-SIP은 초기에는 UA (User Agent)나 프락시와 같이 VoIP 망을 구성하고 있는 각 컴포넌트의 동작과정을 테스트하는 툴이였다. 하지만 최근에는 스패머가 이 툴에서 제공하는 비정상적인 INVITE 메시지를 VoIP 망에 전송하여 취야성이 있는 UA나 프락시를 찾는 도구로 사용된다. 이밖에 오픈 소스 기반의 SIP Forum Test Framework, SipSak, Ohrwurm, Smap, SipBomber 등의 관련 툴이 있다.</p><p>이처럼 스팸 공격의 위협과 취약성을 보여줄 수 있는 다양한 스팸 유형과 관련 도구들이 존재한다. 하지만 스팸 공격 유형 중 실제 스팸 공격이 가능한 것과 구체적인 공격 과정에 대한 정보는 부족하다. 따라서 본 논문에서는 VoIP 환경에서의 위협이 되고 있는 스팸 공격의 심각성을 인식하고 이와 같은 스팸 공격 유형들이 VoIP 망에서 어떤 과정을 거쳐 공겨될 수 있는지를 실험 해본다. 그래서 본 논문에서는 스팸 공격 유형을 분석 및 설계하고 VoIP 실험 망을 구축 하였으며 Spamtester를 구현하여 실제 스팸을 발송 해 보았다.</p> <h1>Ⅴ. 스팸 공격 실험</h1><p>본 논문에서는 설계한 비정상적인 스팸 공격 유형을 실험해 보기 위해 VoIP 실험 망을 구축 하였다. VoIP 실험 망은 오픈 소스인 IPTEL 프락시와 UA로 소프트폰인 X-Lite와 하드폰인 Linksys SPA942로 구성된다. 첫 번째 실험은 UA를 X-Lite 폰만을 이용하였을 때와 두 번째로 Linksys 폰을 이용하였을 때, 마지막으로 X-Lite와 Linksys폰을 같이 이용했을 때로 구분하여 각 SPIT 설계 시나리오에 따라 스팸을 발송해 보았다. 또한 각 스팸 유형의 실험된 결과는 캡처 프로그램 (ethereal)을 통해 캡처 하였다. P2P스팸 공격의 결과는 그림 7과 같이 공격이 가능한 것을 확인 하였다. P2P 스팸 결과 확인할 수 있는 것은 프락시를 거치지 않은 SIP 메시지는 단말에서 특별한 검증절차 없이 모든 메시지를 수신하기 때문에 P2P 스팸 공격이 가능함을 확인 하였다.</p><p>다음은 세션 가로채기를 통한 스팸 공격을 실험해 보았다. 그림 8과 같이 스팸 공격이 가능한 것을 볼 수 있다.</p><p>다음은 재전송 공격을 통한 스팸 공격을 실험해 보았다. 그림 9 와 같이 스팸 공격이 가능한 것을 볼 수 있다.</p><p>하지만 실험에서 UA를 소프트폰인 X-Lite를 이용했을 때는 스팸 공격이 가능하였으나 하드폰인 SPA942에서는 스팸 공격의 SIP 시그널링 과정은 가능하나 Spamtester로부터 RTP 전송은 불가능 하였다.</p><p>다음은 프락시 위장을 통한 스팸 발송을 실헙해 보았다. 그림 10 과 같이 스팸 공격이 가능한 것을 볼 수 있다.</p><table border><caption>표 1. 스팸 공격 시나리오 실험 결과</caption><tbody><tr><td>스팸유형 \ UA</td><td>X-Lite</td><td>Linksys(SPA942)</td><td>X-Lite Linksys</td></tr><tr><td>P2P 스팸 공격</td><td>가능</td><td>가능</td><td>가능</td></tr><tr><td>세션가로채기를 통한 스팸 공격</td><td>가능</td><td>가능</td><td>가능</td></tr><tr><td>재전송 공격을 통한 스팸 공격</td><td>가능</td><td>실패</td><td>실패</td></tr><tr><td>프랑시 위장을 통한 스팸 공격</td><td>가능</td><td>가능</td><td>가능</td></tr><tr><td>사전공격을 통한 스팸 공격</td><td>가능</td><td>가능</td><td>가능</td></tr></tbody></table><p>다음은 사전공격을 통한 스팸 발송을 실험해 보았다. 그림 11과 같이 Spamtester를 이용해 정상 사용자의 비밀번호를 알아낸 후 그 사용자의 정보를 이용해 인증 과정을 마치고 임의의 공격 대상자에게 스팸 공격이 가능한 것을 볼 수 있다.</p><p>실헙된 전체 결과는 다음과 같다. 스팸 공격은 UA를 X-Lite폰으로만 테스트 했을 때 설계한 모든 스팸 유형들이 가능 하였으며 UA를 Linksys폰만을 이용하여 실험했을 때 재전송 공격을 통한 스팸 발송을 제외한 나머지 스팸 공격들이 가능 하였다. 또한 스팸 공격 실험을 X-Lite폰과 Linksys폰을 같이 이용하였을 때 재전송 공격을 통한 스팸 발송을 제외한 나머지 공격들이 가능 하였다. 전체적인 실험 결과는 표 1과 같다.</p> <h1>VI. 관련 도구 비교</h1><p>본 장에서는 구현한 Spamtester와 관련 도구를 비교해 본다. 본 논문에서 구현한 Spamtester는 SIP 메시지 스니핑 및 스푸핑, RTP 세션을 이용한 다양한 스팸 공격을 실험해 보도록 구현 되었다. 하지만 VoIP에서는 본 논문에서 구현한 Spamtester처럼 스팸 발송을 할 수 있는 도구가 거의 존재하지 않아서 SIP 메시지 생성 도구 및 스니핑 그리고 VoIP 망 테스와 관련된 도구들을 비교해 본다.</p><p>SiVus는 SIP 메시지 스니핑 및 메시지 생성도구이며 PROTOS c07-SIP는 VoIP에서 취약성이 있는 프락시나 UA를 테스하기 위해 설계되어진 도구이다. 한편 SiVus는 윈도우 GUI(graphical user interface) 방식을 사용자에게 제공하므로 사용자에게 익숙한 인터페이스를 이용하여 사용자가 사용하기 쉽도록 구성되어 있다. 하지만 사용자가 SiVus의 다양한 기능을 순차적으로 실행할 시 시스템의 설정이 불안정하여 초기 설정 상태로 돌아가기 위해 프로그램을 재부팅해야 하는 불편함이 있다. 또한 PROTOS c07-SIP는 제공되는 여러 종류의 비정상 INVITE 메시지를 이용하여 VoIP 망의 취약성을 실험해 볼 수 있으나 SIP 메시지 중 INVITE 메시지만을 발송할 수 있는 단점이 있다. 또한 실험해 본 결과 값은 정확한 분석이 부족하여 실험된 UA나 프락시의 실험 데이터를 완전히 신뢰할 수는 없는 단점이 존재한다. 하지만 본 논문에서 구현한 Spamtester는 SiVus와 PROTOS c07-SIP의 기능을 모두 포함하고 있다. 본 논문에서 구현한 Spamtester는 SiVus처럼 SIP 메시지 스니핑과 스푸핑이 가능하며 윈도우 기반의 GUI를 제공하여 쓰임에 어려움이 없으며 PROTOS c07-SIP처럼 VoIP 망을 테스트하기 위해 INVITE 메시지뿐만 아니라 200 OK 와 ACK 메시지 전송도 가능 하다. 또한 Spamtester는 미디어 경로로 스팸을 발송해 봄으로써 SIP 시그널링과 RTP 세션까지 모든 VoIP의 취약성 실험이 가능하다.</p> <h1>I. 서 론</h1><p>SIP를 기반으로 한 VoIP 서비스는 현재 상용화 되어 활발히 진행되고 있다. 하지만 SIP 프로토콜을 기반으로 한 VoIP는 스팸 공격에 쉽게 노출되어 VoIP 서비스 추진에 걸림돌이 되고 있다. 이는 다음과 같은 VoIP의 특징 때문이다. 우선 VoIP 시그널링을 위한 SIP 메시지는 이메일과 마찬가지로 텍스트를 기반으로 하고</p><p>있어서 스패머가 메시지를 스니핑하거나 변조하기 쉽다. 또한 VoIP는 PSTN 환경보다도 상대적으로 비용 부담이 적기 때문에 스패머가 대량 스팸 발송을 하는데 이용될 수 있다. 하지만 현재 VoIP 스팸 대응 방안은 스팸 공격의 구체적인 정보가 부족하여 해결 방안을 찾는데 어려움이 있다. 특히 정상적인 시그널링에 의한 스팸 공격의 정보가 부족하여 스패머에 대한 발신자 추적이 어렵기 때문에 이에 대한 연구가 필요하다.</p><p>본 논문에서는 VoIP 환경에서 스팸 공격의 위협과 취약성을 바탕으로 실제 스팸 공격이 가능한 유형들을 확인하기 위해 비정상적인 스팸 공격 유형들을 분석하고 VoIP 망에 다양한 스팸 공격들을 실헙 하였다. 또 한 본 논문에서 분석된 스팸 유형들은 Spamtester를 통해 VoIP 망에 스팸 발송을 할 수 있도록 구현하여, VoIP 스팸 공격 과정을 구체적으로 확인 할 수 있도록 하였다.</p><p>본 논문은 다음과 같이 구성되어 있다. Ⅱ장에서는 VoIP 스팸 유형 및 관련 도구에 대해 살펴보고, Ⅲ장에서는 VoIP 환경에서의 SPIT (SPam over Internet Telephony) 시나리오를 설계하며, Ⅳ장에서는 SPIT 시나리오를 바탕으로 실제 스팸을 발생 시킬 수 있는 Spamtester의 구현을 살펴본다. 또한 Ⅴ장에서는 구축된 VoIP 망에서 스팸 발송 실험을 통해 스팸 공격의 위협 결과를 확인하며, Ⅵ장에서는 구현한 Spamtester와 관련도구를 비교하고, Ⅶ장에서는 본 논문의 연구에 대해 결론을 맺는다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>III.", "SPIT 시나리오</h1><p>본 장에서는 VoIP 상의 취야성을 분석하고 실제 스팸 공격이 가능한 스팸 유형을 설계하였다.", "본 장에서는 정상적인 경로를 통한 스팸 공격 외에 비정상적인 경로를 통한 스팸 공격의 위협을 확인하기 위해 P2P 스팸 공격, 세션 가로 채기를 통한 스팸 공격, 재전송 공격을 통한 스팸 공격, 프락시 위장을 통한 스팸 공격, 사전공격을 통한 스팸 공격 등 총 다섯 가지의 스팸 유형을 설계하였다.", "본 논문에서 언급한 비정상적인 경로를 통한 스팸 공격은 사용자가 정상적인 등록 절차를 거쳐 인증을 받고 공격 대상자에게 스팸을 발송하는 것이 아닌 등록 인증이 되지 않은 사용자가 정상 사용자의 권한을 획득하고 스팸을 전송하거나 또는 권한 획득 없이 VoIP 망에 스팸을 전송하는 경우를 뜻한다.", "</p><h2>1. P2P 스팸 공격</h2><p>표준 문서에서는 inbound 프락시 서버와 UAS 간에 TLS (Transport Layer Security) 보안 정책을 선택적으로 적용하도록 하고 있다. 따라서 inbound 프락시와 UAS간에 TLS를 적용하지 않을 시 스패머는 정상적인 프락시 서버로 위장해 UAS로 스팸을 발송할 수 있다. 이와 같은 P2P 스팸 발송은 프락시 서버를 경유하지 않고 UAS로 직접 스팸을 발송하므로 발신자를 추적할 수 없고 별도의 프락시 서버 정보 없이 직접적으로 스니핑 한 샘플 메시지를 이용해 INVITE 메시지를 공격 대상자에 게 발송할 수 있다.</p><p>P2P 스팸 발송은 다음과 같다. 먼저 임의의 공격대상자의 정상적인 INVITE 메시지를 스니핑하고 저장한다. 그리고 저장되어진 INVITE 메시지를 발송한 후 200 OK 메시지 스니핑 모듈 및 BYE 메시지 스니핑 모듈과 연동해 스팸을 발송한다. 이 때, 스패머는 호 설정을 스패머와 공격대상자 간의 맺기 위해서 두 가지 작업을 시행한다. 첫 번째는 발송 INVITE 메시지의 Contact 필드를 스패머의 IP로 스푸핑한다. 두 번째로 SDP(Session Description Protocol) 정보의 주소와 포트번호를 스패머의 주소와 포트번호로 스푸핑하여 RTP 세션을 스패머와 공격 대상자 간에 맺을 수 있도록 한다. 공격 대상자는 스패머의 INVITE 메시지를 받고 응답으로 200 OK 메시지를 스패머에 게 발송하게 된다. 그리고 스패머는 200 OK 메시지를 스니핑하고 ACK 메시지로 응답함으로써 스패머와 공격 대상자 간의 RTP 세션이 성립되어질 수 있도록 한다.</p><h2>2. 세션 가로채기를 통한 스팸 공격</h2><p>세션 가로채기를 통한 스팸 발송은 정상 호가 성립되기 전 혹은 후에 스팸을 발송할 수 있다. 즉, 스패머는 임의로 전송되는 INVITE 메시지를 스니핑한 후 응답으로 200 OK 메시지를 생성해 UAC (User Agent Client)로 전송함으로써 스패머와 공격 대상자 간의 호가 성립될 수 있다. 또한 호가 성립되어진 후 RE-INVITE, UPDATE 메시지를 이용하여 연결되어진 호를 가로챌 수 있다. 본 논문에서 구현한 Spamtester는 200 OK 를 이용해 UAC와 스패머 간 호 성립이 되는 것을 그림 2와 같은 절차로 구현하도록 하였다.</p><p>이 시나리오는 INVITE 메시지 스니핑 모듈, 200 OK 메시지 스니핑 모듈 그리고 BYE 메시지 스니핑 모듈과 연동해 설계하고 스팸을 발송한다. 먼저 스패머는 공격 대상자의 INVITE 메시지 발송을 스니핑한 후 공격 대상자에게 200 OK 메시지를 발송해 정상 UAS 보다 먼저 호를 성립한다. 그리고 기존의 UAS에게는 CANCEL/BYE 메시지를 발송하여 호를 꾾는다. 그래서 오직 스패머와 UAC 간에 호가 성립될 수 있도록 한다.</p><h2>3. 재전송 공격을 통한 스팸 공격</h2><p>표준 문서에서는 프락시가 UA를 인증하기 위해서 HTTP 다이제스트 인증 보안 메커니즘을 반드시 적용하도록 하고 있다. 하지만 취약성이 있는 프락시는 407 메시지에 포함하는 인증 파라미터 중 nonce 값을 일정 시간동안 유지하는 특징이 있기 때문에 스패머는 공격 대상자의 정상적인 인증 값을 스니핑 후 프락시에게 재전송함으로써 일정 시간동안 인증이 될 수 있는 취약성이 존재한다.</p><p>재전송 공격을 통한 스팸 발송은 다음과 같다. 먼저 스패머는 공격 대상자의 인증 값이 포함된 INVITE 메시지를 스니핑하고 저장한다. 그리고 UAC와 UAS 간의 호가 연결되어 있을 수 있으므로 기존의 호를 끊기 위해 CANCEL/BYE 메시지를 UAS에 게 전송한다. 다음으로 취얏성이 있는 프락시에게 미리 저장된 인증값이 포함된 INVITE 메시지를 발송하면 프락시는 그 메시지를 정상적인 사용자로 인증하고 공격 대상자에게 메시지를 전송한다. 공격 대상자는 200 OK 메시지로 응답함으로써 스패머와 UAS 간의 호가 성립될 수 있다.</p><h2>4. 프락시 위장을 통한 스팸 공격</h2><p>표준 문서에서는 서로 다른 프락시 간의 TLS를 반드시 적용하도록 하고 있다. 하지만 프락시 간의 TLS 적용을 하지 않을 시 프락시 위장을 통한 스팸 발송이 가능 할 수 있다. 즉, 스패머는 임의의 outbound 프락시로 가장하고 공격 대상 inbound 프락시 서버를 선택하여 스팸 공격을 할 수 있다. 이 공격은 그림 4와 같이 공격 대상 inbound 프락시 서버에 INVITE 메시지를 스푸평하여 발송하면 스패머와 공격 대상 UAS 간의 SIP 시그널링이 성립하여 스팸 공격이 가능하다. 먼저 스패머는 스니핑 한 샘플 메시지를 바탕으로 프락시 도메인을 위장한다. 그러기 위해서 INVITE 메시지의 Via 헤더를 임의의 outbound 프락시 도메인으로 위장하는 메시지 스푸핑 과정을 거친다. 그 후 inbound 프락시 서버에게 스푸핑된 INVITE 메시지를 발송한 후 200 OK 메시지 스니핑 모듈 및 BYE 메시지 스니핑 모듈과 연동해 그림 4와 같은 스팸 공격을 할 수 있다.</p><h2>5. 사전공격을 통한 스팸 공격</h2><p>사전공격을 통한 스팸 발송은 각 UA의 REGISTER 과정이나 INVITE 메시지를 전송하는 과정에서 HTTP 다이제스트 인증의 취약성을 보여주기 위해 설계되었다. HTTP 다이제스트 인증은 패스워드 기반으로 사전에 사용자가 프락시에게 인증 절차를 실행한다. 하지만 HTTP 다이제스트 인증은 패스워드 기반이기 때문에 사전 (Dictionary) 공격을 통해서 패스워드가 노출될 수 있다. 따라서 스패머는 정상 사용자의 REGISTER 또는 INVITE 메시지의 credential 값을 수집하고 사전공격을 이용해 비밀번호를 알아낸 후 그림 5와 같이 정상 등록 과정 및 호 설정 과정을 통해 공격 대상자에게 스팸을 발송한다.</p><p>이 공격은 INVITE 메시지나 REGISTER 메시지가 스니핑 되었을 때 Spamtester의 DB를 통해 동록되어진 단어 조합을 이용해 자동으로 패스워드를 추출하고 정상 등록하여 임의의 공격 대상자에게 스팸 공격을 시도하도록 설계하였다. 먼저 Spamtester를 이용하여 REGISTER 메시지를 스니핑한 후 사전공격을 이용하여 정상 사용자들의 비밀 번호를 추출한다. 그리고 정상 등록 절차를 시행하기 위해 401 메시지가 프락시에게 전달되는 즉시 스패머는 인증 값이 포함된 REGISTER 메시지를 프락시에게 전달하여 정상 등록과정을 마친다. 그리고 이 공격은 그림 1과 같은 P2P 스팸 발송 시나리오와 유사한 절차에 따라 스팸 발송을 한다. 특히 사전공격을 통한 스팸 공격은 비밀 번호를 알아 낸 후 P2P 스팸 발송과 마찬가지로 대량 스팸 공격을 할 수 있기 때문에 다수의 사용자들에게 피해를 끼칠 수 있다.</p> <h1>IV. Spamtester 구현</h1><p>본 논문에서는 스팸 생성 유형을 설계하고 UAC 혹은 UAS에게 스팸 공격을 실험해 보았다. 그러기 위해서 소</p><p>프트 프로그램으로써 Spamtester를 구현 하였다. Spamtester는 본 논문의 Ⅲ장에서 설계한 스팸 유형들을 기반으로 스팸 발송을 하도록 구현 하였다. Spamtester는 크게 메시지 스니핑, 메시지 생성, 스팸 발송, 사용자 정보 수집/저장 등의 모듈로 구성되어 있다.</p><p>본 논문에서는 Spamtester 구현을 위해 VC++ 프로그래밍 툴을 사용하며 SIP 메시지 스니핑을 위해 wincap 라이브러리를 사용하고 RTP 스팸 발송을 위해 JMF를 사용한다. 또한 OS로 Windows 2000 Professional을 이용하였으며 실험 망의 프락시 서버는 리눅스 기반의 IPTEL 프락시 서버를 이용한다. 그리고 UA는 소프트 폰인 X-Lite와 하드폰인 Linksys의 SPA942를 사용한다.</p><ul><li>OS : Windows 2000 Professional, Linux Fedora core 3</li><li>Library : Winpcap library</li><li>Programming tools: Microsoft VC++, JMF(Java Multimedia Framework)</li><li>Proxy server : IPTEL(ser-0.9.6)</li><li>UA : X-Lite, SPA942(Linksys)</li></ul><h2>1. Spamtester 동작 과정</h2><p>Spamtester는 자동적으로 스팸을 발송할 수 있도록 스니핑 기능과 스팸 유형 결정, 스팸 발송 등의 주요 기능 절차를 수행한다. Spamtester의 스니핑 기능은 공격 대상자의 정보를 수집하기 위해서 모든 스니핑 대상자의 IP와 ID를 수집하여 DB에 저장하며 스팸 유형은 Ⅲ장에서 설계한 각 스팸 발송 시나리오들의 절차를 따른다. 또한 Spamtester는 스팸 유형에 맞게 SIP 메시지를 스푸핑하여 공격 대상자에게 메시지를 발송한다. 그래서 스패머와 공격 대상자 간의 RTP 세션이 만들어지면 스팸을 발송한다.</p><p>1) Spamtester는 실행 초기에 스레드 모듈이 동작한다. 스레드 모듈은 세 가지의 기능을 수행한다. 첫 번째는 SIP 메시지 스니핑 모듈, 두 번째는 스니핑 모듈에 의해 캡처되어진 공격 대상자 수집 및 저장 모듈, 세 번째는 수집되어진 공격 대상자의 비밀 번호 획득을 위한 사전공격 모듈이다. 이와 같은 스레드 모듈은 자동적으로 SIP 메시지를 스니핑할 때마다 세 가지의 기능을 독립적으로 수행하게 된다.</p><p>2) 스팸 유형 및 공격 대상자 선택과 메시지 스푸핑은 공격 대상자 정보를 저장하고 있는 데이터베이스와 연동하여 자동적으로 스팸을 발송할 수 있도록 구현하였다. 또한 사용자에 의해서 수기로 SIP 메시지의 스푸핑 및 공격 대상자 선택이 가능하도록 구현 하였다.</p><p>3)", "스팸 발송 모듈은 최종적으로 선택되어진 공격 대상자에게 스팸을 발송한다.", "그리고 Spamtester의 IP 스푸핑을 위해서 raw 소켓을 이용한다.", "raw 소켓은 IP뿐만이 아니라 포트 번호까지 스푸핑이 가능하도록 구현 하였다.", "</p><h2>2. Spamtester GUI</h2><p>SIP Spamtester의 GUI는 각 스팸 생성 시나리오에 맞춰 SIP 메시지 생성 및 수정, 스팸 발송 뿐만 아니라 메시지 스니핑 및 저장, 공격 대상자 정보 수집 등 다양한 기능을 수행할 수 있도록 개발하였다.", "그림 6은 SIP 스팸 생성 창에서 P2P 스팸 생성 시나리오를 선택 한 경우의 동작 화면을 나타낸다.", "그림 6에서 왼쪽 화면의 기능은 메시지의 스푸핑을 통해 스팸 메시지를 생성할 수 있고 오른쪽 화면의 기능은 매시지 스니핑 및 공격 대상자 정보를 수집할 수 있다.", "또한 스팸 발송 유형으로는 녹음된 스팸을 발송하는 형태와 1: 1로 공격 대상자와 접촉할 수 있는 형태, 대량 전송을 통한 수집 된 공격 대상자 모두에게 스팸을 발송하는 형태가 있다.", "</p> <h1>Ⅶ. 결 론</h1><p>VoIP에서는 PSTN 망에서보다 더 저렴한 가격으로 음성 서비스 및 패킷 기반의 데이터를 이용한 다양한 서비스를 제공하는 것이 가능하다.", "하지만 보안을 고려한 VoIP 환경이 잘 갖추어져 있지 않을 시 스팸 공격이 발생할 수 있다.", "이와 같은 위협을 확인하고 근본적인 보안 방안을 강구하기 위해서는 우선 VoIP에서의 다양한 스팸 공격 유형에 대한 분석이 필요하다.", "특히 정상적인 스팸 공격 외에 비정상적인 과정을 거친 스팸 공격에 관한 구체적인 분석이 필요하다.", "</p><p>본 논문에서는 스팸 공격의 유형 및 분석을 위해 비정상적인 스팸 공격의 유형들을 설계하고 실제 스팸 발송을 통해서 스팸 공격의 위협 결과를 확인 하였다.", "이를 위해 본 논문에서 설계한 스팸 공격 유형은 비정상적인 스팸 발송의 스니핑에서 스팸 발송까지의 전체적인 SIP 시그널링 과정을 설계하였다.", "스팸 유형으로는 P2P 스팸 공격, 세션 가로채기를 통한 스팸 공격, 재전송 공격을 통한 스팸 공격, 프락시 위장을 통한 스팸 공격, 사전공격을 통한 스팸 공격 등이다.", "또한 Spamtester는 VoIP 환경에서 스니핑이 가능하도록 구현 하였으며 자동으로 스니핑 된 공격 대상자들의 ID 및 IP 를 데이터베이스에 저장하며 SIP 메시지를 생성하여 공격 대상자들에게 발송 할 수 있도록 구현 하였다.", "그래서 구축된 VoIP 실험 망을 통해 이와 같은 스팸 유형과 Spamtester를 이용해 스팸 발송을 해 보았고 표1과 같은 스팸 공격 결과를 확인 하였다.", "또한 본 논문에서 구현된 Spamtester는 표2와 같이 관련된 도구들과의 비교에서 여러 장점이 있는 것을 확인 하였다.", "따라서 추후 VoIP 스팸 대응 방안은 본 논문의 구체적인 스팸 공격 분석에 관한 정보를 이용하여 사전에 스팸 차단 방안을 만드는데 이용될 수 있기를 기대한다.", "</p> <h1>요 약</h1><p>본 논문에서는 SIP 기반의 VoIP상에서 스팸 공격의 위협에 대해 분석하고 이와 같은 공격을 확인 할 수 있는 Spamtester를 구현하였다.", "VoIP에서 스팸 공격은 여러 유형들이 존재하지만 구체적인 공격 과정과 위협 결과를 확인 할 수 있는 정보가 부족하다.", "특히 정상적인 경로롤 통한 스팸 공격 외에 비정상적인 경로를 통한 스팸 공격은 구체적인 정보가 부족하여 발신자 추적은 물론 법적 제재를 가하기 어렵다.", "따라서 VoIP에서 실제로 스팸 공격이 가능한 유형들과 공격 과정을 확인할 필요가 있다.", "본 논문에서는 이와 같은 스팸 공격들 중 비정상적인 스팸 공격을 분석하고 공격 과정을 설계하였다.", "또한 Spamtester를 통해서 스팸을 발송함으로써 구체적인 스팸 공격 과정을 화인할 수 있다.", "이는 VoIP에서 스팸 위협을 확인하고 그 스팸 대응 방안을 찾는데 유용할 것이다.", "</p> <h1>II.", "VOIP 스팸 유형 및 관련 도구</h1><p>VoIP에서는 스팸 공격이 가능한 다양한 유형들이 존재한다.", "VoIP 망에서 발생할 수 있는 스팸 공격들은 크게 IM (Instant Messaging) 스팸, 프리젠스 스팸, 콜 스 팸 등이 있으며 등록 과정, SIP 세션 과정, 미디어 과정에서의 조작을 통해 다양한 스팸을 발송할 수 있다.", "그 중에서 콜 스팸은 실시간으로 음성 파일을 다수의 VoIP 가입자에게 전송함으로써 심각한 피해를 줄 수 있으며 시스템 관리상의 오류나 해킹 등을 통해서도 스팸 발송이 가능하다.", "본 장에서는 이와 같은 스팸 공격의 유형들과 SIP 메시지를 생성하거나 스니핑 및 분석 할 수 있는 관련 도구들에 대해 살펴본다.", "</p><h2>1. VoIP 스팸 유형</h2><p>첫 번째로 대표적인 VoIP 환경에서의 콜 스팸 공격은 P2P (Peer-to-Peer) 스팸 공격이다.", "P2P 스팸 공격은 프락시를 우회하여 UAS (User Agent Server)에게 직접 스팸 공격을 할 수 있다.", "따라서 발신자 추적은 물론 법적인 제재를 가하기 어렵고 대량 전송에 의해서 다수의 정상 가입자에게 스팸을 전송함으로써 피해가 가장 클 수 있는 스팸 공격이다.", "두 번째로 RTP 조작에 의한 스팸 공격이다.", "이 공격은 정상 사용자들 간의 호 설정이 형성된 후 스패머가 RTP 패킷 헤더의 sequence number를 무작위로 생성하여 공격 대상자에게 스팸을 전송한다.", "따라서 간헐적으로 정상 사용자들의 통화에 스팸이 합성된 공격이 가능할 수 있다.", "세 번째로 세션 가로채기 스팸 공격이다.", "세션 가로채기 스팸 공격은 RTP 세션이 성립이 되기 전 혹은 후에 정상 사용자들 간의 호를 끊고 스패머와 정상 사용자간의</p><p>호 성립을 만들 수 있는 공격이다.", "네 번째로 데이터베이스 조작을 통한 SQL 삽입 스팸 공격이다.", "SQL삽입 스팸 공격은 등록되어진 정상 사용자의 초기 아이디나 비밀번호를 변경하여 정상 사용자의 권한을 불법으로 획득하고 이를 이용하여 공격대상자에게 스팸을 공격하는 방법으로 SIP 메시지에 SQL 문을 삽입하여 정상적인 사용자인 것처럼 데이터베이스 테이블을 조작하고 인증되어질 수 있는 공격이다.", "다섯 번째로 IM 스팸 공격이다.", "이 공격은 콜 스팸은 아니지만 사용자들에게 피해를 줄 수 있는 스팸 공격 중 하나이다.", "콜 스팸은 스패머와 공격 대상자 간의 RTP 세션을 연결하여 미리 녹음된 광고성 스팸을 발송하는 공격이지만 IM 스팸은 콜 스팸의 호 설정과는 상관없이 링이 울리는 순간에 공격 대상자의 단말에 광고성 메시지를 보여주는 스팸 공격이다.", "이와 같은 스팸 공격은 SIP 메시지 중 INVITE 메시지 일부에 광고성 문구를 삽입하여 스팸 공격을 하며 SIP INVITE 메시지가 공격 대상자에게 도달하는 단계만으로 공격이 가능할 수 있다.", "</p><h2>2. SIP 메시지 생성 및 관련 도구</h2><p>스팸 공격을 하기 위해서 스패머는 본 논문에서 구현된 Spamtester와 같은 관련 도구를 이용할 수 있다.", "특히 이메일 상에서 대량 스팸을 발송하는 소프트웨어 프로그램과 같은 툴을 사용하는 스패머는 사용자들에게 더 큰 피해를 끼칠 수 있다.", "하지만 VoIP에서 스팸 공격을 실험해 보기위해 만들어진 특정 도구는 거의 존재 하지 않는다.", "따라서 본 장에서는 스팸 전송에 이용될 수 있는 관련 도구나 툴을 살펴본다.", "먼저 SiVus에의한 메시지 스니핑 툴이다.", "SiVus는 세 가지의 중요 모듈로 구성되며 주로 취약성이 있는 공격 대상자의 ID나 IP를 찾는 스니핑의 목적으로 이용된다.", "SiVus의 세 가지의 중요 모듈로는 SIP 메시지 생성기 모듈 (SIP Message generator), 공격 대상자를 찾는 모듈 (SIP component discovery), SIP 취약성 분석 모듈 (SIP vulnerability scanner)이다.", "각 모듈의 기능은 SIP 취약성 분석 모듈과 공격 대상자를 찾는 모듈을 통해서 취약성이 있는 공격 대상자를 조사하고 SIP 메시지 생성기를 이용하여 공격자에게 발송할 SIP 메시지를 생성한다.", "다음으로 PROTOS c07-SIP 테스트 툴이다.", "PROTOS c07-SIP은 초기에는 UA (User Agent)나 프락시와 같이 VoIP 망을 구성하고 있는 각 컴포넌트의 동작과정을 테스트하는 툴이였다.", "하지만 최근에는 스패머가 이 툴에서 제공하는 비정상적인 INVITE 메시지를 VoIP 망에 전송하여 취야성이 있는 UA나 프락시를 찾는 도구로 사용된다.", "이밖에 오픈 소스 기반의 SIP Forum Test Framework, SipSak, Ohrwurm, Smap, SipBomber 등의 관련 툴이 있다.", "</p><p>이처럼 스팸 공격의 위협과 취약성을 보여줄 수 있는 다양한 스팸 유형과 관련 도구들이 존재한다.", "하지만 스팸 공격 유형 중 실제 스팸 공격이 가능한 것과 구체적인 공격 과정에 대한 정보는 부족하다.", "따라서 본 논문에서는 VoIP 환경에서의 위협이 되고 있는 스팸 공격의 심각성을 인식하고 이와 같은 스팸 공격 유형들이 VoIP 망에서 어떤 과정을 거쳐 공겨될 수 있는지를 실험 해본다.", "그래서 본 논문에서는 스팸 공격 유형을 분석 및 설계하고 VoIP 실험 망을 구축 하였으며 Spamtester를 구현하여 실제 스팸을 발송 해 보았다.", "</p> <h1>Ⅴ. 스팸 공격 실험</h1><p>본 논문에서는 설계한 비정상적인 스팸 공격 유형을 실험해 보기 위해 VoIP 실험 망을 구축 하였다.", "VoIP 실험 망은 오픈 소스인 IPTEL 프락시와 UA로 소프트폰인 X-Lite와 하드폰인 Linksys SPA942로 구성된다.", "첫 번째 실험은 UA를 X-Lite 폰만을 이용하였을 때와 두 번째로 Linksys 폰을 이용하였을 때, 마지막으로 X-Lite와 Linksys폰을 같이 이용했을 때로 구분하여 각 SPIT 설계 시나리오에 따라 스팸을 발송해 보았다.", "또한 각 스팸 유형의 실험된 결과는 캡처 프로그램 (ethereal)을 통해 캡처 하였다.", "P2P스팸 공격의 결과는 그림 7과 같이 공격이 가능한 것을 확인 하였다.", "P2P 스팸 결과 확인할 수 있는 것은 프락시를 거치지 않은 SIP 메시지는 단말에서 특별한 검증절차 없이 모든 메시지를 수신하기 때문에 P2P 스팸 공격이 가능함을 확인 하였다.", "</p><p>다음은 세션 가로채기를 통한 스팸 공격을 실험해 보았다.", "그림 8과 같이 스팸 공격이 가능한 것을 볼 수 있다.", "</p><p>다음은 재전송 공격을 통한 스팸 공격을 실험해 보았다.", "그림 9 와 같이 스팸 공격이 가능한 것을 볼 수 있다.", "</p><p>하지만 실험에서 UA를 소프트폰인 X-Lite를 이용했을 때는 스팸 공격이 가능하였으나 하드폰인 SPA942에서는 스팸 공격의 SIP 시그널링 과정은 가능하나 Spamtester로부터 RTP 전송은 불가능 하였다.", "</p><p>다음은 프락시 위장을 통한 스팸 발송을 실헙해 보았다.", "그림 10 과 같이 스팸 공격이 가능한 것을 볼 수 있다.", "</p><table border><caption>표 1. 스팸 공격 시나리오 실험 결과</caption><tbody><tr><td>스팸유형 \\ UA</td><td>X-Lite</td><td>Linksys(SPA942)</td><td>X-Lite Linksys</td></tr><tr><td>P2P 스팸 공격</td><td>가능</td><td>가능</td><td>가능</td></tr><tr><td>세션가로채기를 통한 스팸 공격</td><td>가능</td><td>가능</td><td>가능</td></tr><tr><td>재전송 공격을 통한 스팸 공격</td><td>가능</td><td>실패</td><td>실패</td></tr><tr><td>프랑시 위장을 통한 스팸 공격</td><td>가능</td><td>가능</td><td>가능</td></tr><tr><td>사전공격을 통한 스팸 공격</td><td>가능</td><td>가능</td><td>가능</td></tr></tbody></table><p>다음은 사전공격을 통한 스팸 발송을 실험해 보았다.", "그림 11과 같이 Spamtester를 이용해 정상 사용자의 비밀번호를 알아낸 후 그 사용자의 정보를 이용해 인증 과정을 마치고 임의의 공격 대상자에게 스팸 공격이 가능한 것을 볼 수 있다.", "</p><p>실헙된 전체 결과는 다음과 같다.", "스팸 공격은 UA를 X-Lite폰으로만 테스트 했을 때 설계한 모든 스팸 유형들이 가능 하였으며 UA를 Linksys폰만을 이용하여 실험했을 때 재전송 공격을 통한 스팸 발송을 제외한 나머지 스팸 공격들이 가능 하였다.", "또한 스팸 공격 실험을 X-Lite폰과 Linksys폰을 같이 이용하였을 때 재전송 공격을 통한 스팸 발송을 제외한 나머지 공격들이 가능 하였다.", "전체적인 실험 결과는 표 1과 같다.", "</p> <h1>VI.", "관련 도구 비교</h1><p>본 장에서는 구현한 Spamtester와 관련 도구를 비교해 본다.", "본 논문에서 구현한 Spamtester는 SIP 메시지 스니핑 및 스푸핑, RTP 세션을 이용한 다양한 스팸 공격을 실험해 보도록 구현 되었다.", "하지만 VoIP에서는 본 논문에서 구현한 Spamtester처럼 스팸 발송을 할 수 있는 도구가 거의 존재하지 않아서 SIP 메시지 생성 도구 및 스니핑 그리고 VoIP 망 테스와 관련된 도구들을 비교해 본다.", "</p><p>SiVus는 SIP 메시지 스니핑 및 메시지 생성도구이며 PROTOS c07-SIP는 VoIP에서 취약성이 있는 프락시나 UA를 테스하기 위해 설계되어진 도구이다.", "한편 SiVus는 윈도우 GUI(graphical user interface) 방식을 사용자에게 제공하므로 사용자에게 익숙한 인터페이스를 이용하여 사용자가 사용하기 쉽도록 구성되어 있다.", "하지만 사용자가 SiVus의 다양한 기능을 순차적으로 실행할 시 시스템의 설정이 불안정하여 초기 설정 상태로 돌아가기 위해 프로그램을 재부팅해야 하는 불편함이 있다.", "또한 PROTOS c07-SIP는 제공되는 여러 종류의 비정상 INVITE 메시지를 이용하여 VoIP 망의 취약성을 실험해 볼 수 있으나 SIP 메시지 중 INVITE 메시지만을 발송할 수 있는 단점이 있다.", "또한 실험해 본 결과 값은 정확한 분석이 부족하여 실험된 UA나 프락시의 실험 데이터를 완전히 신뢰할 수는 없는 단점이 존재한다.", "하지만 본 논문에서 구현한 Spamtester는 SiVus와 PROTOS c07-SIP의 기능을 모두 포함하고 있다.", "본 논문에서 구현한 Spamtester는 SiVus처럼 SIP 메시지 스니핑과 스푸핑이 가능하며 윈도우 기반의 GUI를 제공하여 쓰임에 어려움이 없으며 PROTOS c07-SIP처럼 VoIP 망을 테스트하기 위해 INVITE 메시지뿐만 아니라 200 OK 와 ACK 메시지 전송도 가능 하다.", "또한 Spamtester는 미디어 경로로 스팸을 발송해 봄으로써 SIP 시그널링과 RTP 세션까지 모든 VoIP의 취약성 실험이 가능하다.", "</p> <h1>I.", "서 론</h1><p>SIP를 기반으로 한 VoIP 서비스는 현재 상용화 되어 활발히 진행되고 있다.", "하지만 SIP 프로토콜을 기반으로 한 VoIP는 스팸 공격에 쉽게 노출되어 VoIP 서비스 추진에 걸림돌이 되고 있다.", "이는 다음과 같은 VoIP의 특징 때문이다.", "우선 VoIP 시그널링을 위한 SIP 메시지는 이메일과 마찬가지로 텍스트를 기반으로 하고</p><p>있어서 스패머가 메시지를 스니핑하거나 변조하기 쉽다.", "또한 VoIP는 PSTN 환경보다도 상대적으로 비용 부담이 적기 때문에 스패머가 대량 스팸 발송을 하는데 이용될 수 있다.", "하지만 현재 VoIP 스팸 대응 방안은 스팸 공격의 구체적인 정보가 부족하여 해결 방안을 찾는데 어려움이 있다.", "특히 정상적인 시그널링에 의한 스팸 공격의 정보가 부족하여 스패머에 대한 발신자 추적이 어렵기 때문에 이에 대한 연구가 필요하다.", "</p><p>본 논문에서는 VoIP 환경에서 스팸 공격의 위협과 취약성을 바탕으로 실제 스팸 공격이 가능한 유형들을 확인하기 위해 비정상적인 스팸 공격 유형들을 분석하고 VoIP 망에 다양한 스팸 공격들을 실헙 하였다.", "또 한 본 논문에서 분석된 스팸 유형들은 Spamtester를 통해 VoIP 망에 스팸 발송을 할 수 있도록 구현하여, VoIP 스팸 공격 과정을 구체적으로 확인 할 수 있도록 하였다.", "</p><p>본 논문은 다음과 같이 구성되어 있다.", "Ⅱ장에서는 VoIP 스팸 유형 및 관련 도구에 대해 살펴보고, Ⅲ장에서는 VoIP 환경에서의 SPIT (SPam over Internet Telephony) 시나리오를 설계하며, Ⅳ장에서는 SPIT 시나리오를 바탕으로 실제 스팸을 발생 시킬 수 있는 Spamtester의 구현을 살펴본다.", "또한 Ⅴ장에서는 구축된 VoIP 망에서 스팸 발송 실험을 통해 스팸 공격의 위협 결과를 확인하며, Ⅵ장에서는 구현한 Spamtester와 관련도구를 비교하고, Ⅶ장에서는 본 논문의 연구에 대해 결론을 맺는다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "VoIP 환경에서 스팸 유형 분석 및 Spamtester 구현", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-1f552938-4cb2-4f24-b713-8b5ca30087d3", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2008", "doc_author": [ "최재식", "최재덕", "정수환" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
437	<p>자기센서는 센서의 물리적 배치 특성에 의해 각 축의 출력 신호가 직교하여 각 축이 사인, 코사인 함수의 형태로 직교하는 출력을 가진다. 같은 첨두치를 가지는 사인, 코사인 두 축의 병합된 크기는 어느 위상에서도 같은 값을 가지게 되지만, 실제 센서의 출력은 각 축이 다른 바이어스(bias)를 가지게 되어 크기가 센서의 방향에 따라 달라진다. 각 축에서 바이어스를 제거해주게 되면 각 축의 절대적인 변화량의 차이는 크게 감소하고 이런 변화량만을 합한 전체 크기는 방향성이 제거된다. 이 과정은 다음 식 (5)로 표현된다.</p> <p>\( \operatorname{VoM}_{m}(t)=\sum_{i=x, y, z}\left\|S_{i}(t)-\bar{M}_{i}(t)\right\| \)<caption>(5)</caption></p> <p>\( V_{o} M_{m}(t) \)는 통합 VoM을 의미한다. EA를 사용하고 바이어스를 제거하는 과정을 통해 많은 장점을 가지게 된다. 자기 센서의 방향성은 제거하고 드리프트에는 적절한 대응을 할 수 있다. 또한 EA방식은 시스템 함수로서 분석하였을 시 저역통과필터(Low Pass Filter)의 특성을 가지므로 자기센서의 잡음도 제거 가능한 장점을 가진다. 그리고 주변 환경에 적응하여 변화 기준치를 지속적으로 갱신하여주므로 예를 들어, 군용 감시정찰 시스템으로 응용 시 적의 자석 투척 등의 방해 공작에도 짧은 교란시간 이후 다시 적응된 변화 기준치를 제공하여 주는 강인함을 가진다.</p> <p>통계적 또는 주파수 분석을 통한 신호분석 방법과 달리 EA는 한 개의 평균값만을 가지고 수행되므로 별도의 대량의 메모리 소모가 필요하지 않으며 각 샘플링 시 한 축마다 2번의 곱셈과 1번의 덧셈의 적은 연산 과정을 거친다. 이를 통해 하드웨어 자원 관리의 효율성 및 전력 소모 감축의 효과를 준다.</p> <p>설명된 과정을 통해 새로운 자기센서 VoM 감쇄 모델을 얻을 수 있다. 다음의 그림 1은 \( \alpha \)를 0.05로 하여 도출한 거리별 VoM 감쇄 모델이며 표 1은 감쇄 모델을 얻기 위한 실험 환경을 제시한다.</p> <table border><caption>표 1. Vom 감쇄모델을 얻기 위한 실험 환경</caption> <tbody><tr><td colspan=2>실험 방법</td></tr><tr><td>실험 대상</td><td>차량 (크레도스)</td></tr><tr><td>속도 (\( \mathrm{Km/h} \) )</td><td>20~25</td></tr><tr><td>실험 장비</td><td>HMR 2300, 노트북 컴퓨터</td></tr><tr><td>샘플링 주파수(\( \mathrm{Hz} \) )</td><td>20</td></tr><tr><td>장소</td><td>동국대학교 교내 대운동장</td></tr><tr><td>기온\( \left({ }^{\circ} \mathrm{C}\right) \)</td><td>8 ~ 13</td></tr></tbody></table> <p>자기 센서의 출력은 차량의 움직임에 따라 자기 센서 자체의 잡음에 의한 차이 이외에는 매 실험마다 센서와의 거리가 같은 경우 동일한 변화를 일으키게 된다. 하지만 차량의 속도가 다른 경우 EA를 통한 변화기준치의 적응 정도도 달라진다. 따라서 차량의 속도에 의해 VoM이 변하게 되고 이를 모델링하는 것은 더욱 복잡한 과정을 요구한다. 따라서 이 논문에서는 VoM 감쇄 모델을 구성하는 데이터는 동일한 속도하에서 이동하는 차량을 통해 획득한 것으로 가정하여 일정한 거리에서 동일한 VoM의 도출을 보장하였다.</p> <p>실험은 고정된 센서 주변을 차량이 센서의 동서남북 4방향을 각각 거리별로 주행하여 얻은 데이터를 다수 수집하고 이를 연산하여 VoM을 획득하는 방법으로 진행하였다.</p> <p>위와 같이 대표 모델을 구성하고 이에 따른 탐지 기준치 \( T_{d} \)를 결정하면 센서 노드는 그림 2와 같은 전체 신호처리 과정을 가진다. 각 센서 노드는 1) ADC, 2) VoM 연산, 3) 의사 결정의 과정을 거치며 통신 시도 여부를 결정하게 되고 실제 네트워크 구성시 자기 센서의 짧은 센싱거리로 인해 소수의 노드만이 통신을 시도하게 되어 네트워크의 효율을 높일 수 있다.</p> <h1>IV. 실 험</h1> <p>앞서 기술한 신호처리 기법의 효용성을 확인하기 위하여 자기센서를 장착한 센서노드를 제작하고 시뮬레이션과 동일한 과정으로 성능을 시험하였다.</p> <p>제작한 H/W는 그림 6의 (a),(b)의 형태를 가지며 표 3은H/W의 구성을 보여준다. 상용화된 모트를 이용하여 센서네트워크용 OS인 TinyOS상에서 알고리즘을 구현하려 하였으나 기존 제품의 자기 센서는 원하는 감도를 충족시키지 못하고 이진형태의 출력을 제공하여 직접 센서노드를 제작하였다.</p> <p>실험은 제작한 센서노드의 VoM 모델링을 위하여 이전의 VoM 감쇄모델을 갖기 위한 실험과 동일한 방식으로 그림 6의 (c)와 같이 진행되었다. 차량은 센서 노드로부터 임의의 거리만큼 이격하여 주행하고 차량이 센서의 주변에 올 때 데이터를 수집하였다. 차량은 센싱 유효거리 내에 있는 경우도 있으며 아닌 경우도 있다. 또한 차량이 지나지 않는 경우의 데이터 역시 수집하여 유효 거리 내에 있지 않은 경우와 함께 \( P_{F A} \) 분석을 위한 데이터로서 활용되었다.</p> <table border><caption>표3. 센서 노드 및 베이스 노드 제원</caption> <tbody><tr><td colspan=2>Sensor node</td></tr><tr><td>CPU</td><td>ATmega128 마이크로프로세서</td></tr><tr><td>RF</td><td>CC1010 RF 송수신칩 \( (433 \mathrm{MHz}) \)</td></tr><tr><td>센서</td><td>HMC1002 자기 센서 (Honeywell)</td></tr><tr><td>전원</td><td>DC 9V 외부전원 또는 배터리</td></tr><tr><td>사이즈</td><td>\(149 \times 63 \times 17 ( \mathrm{mm}) \)</td></tr><tr><td colspan=2>Base node</td></tr><tr><td>CPU, RF</td><td>CC1010 RF 송수신칩 \( (433 \mathrm{MHz}) \)</td></tr><tr><td>PC 통신</td><td>UART 직렬통신 (USB to serial)</td></tr><tr><td>전원</td><td>USB 내부 전원</td></tr><tr><td>사이즈</td><td>\(88 \times 46 \times 10 ( \mathrm{mm}) \)</td></tr></tbody></table> <table border><caption>표 4. 외부 실험 환경</caption> <tbody><tr><td colspan=2>실험 방법</td></tr><tr><td>실험 대상</td><td>차량 (소나타)</td></tr><tr><td>속도 \( (\mathrm{km/h}) \)</td><td>20 ~ 25</td></tr><tr><td>실험 장비</td><td>제작 HW, 노.트북 컴퓨터</td></tr><tr><td>RF 주파수</td><td>\( 433 \mathrm{MHz} \)</td></tr><tr><td>장소</td><td>동국대학교 교내 대운동장</td></tr><tr><td>기온 \( \left({ }^{\circ} \mathrm{C}\right) \)</td><td>24 ~ 28</td></tr></tbody></table> <p>시뮬레이션을 통해 최적화된 \( \alpha(=0.044) \)를 도출하였다. 이를 이용하여 실험을 실시하고 새로운 VoM 감쇄 모델을 도출하였다. 그림 7은 제작한 H/W의 자기 센서 VoM 감쇄모델이다. 이전의 모델과 비교하여 VoM 감지 거리가 다소 감소하였음을 확인할 수 있다. VoM의 단위는 ADC 측정치를 직접 사용하였다. 표 4는 실험 환경을 기술하였다.</p> <p>HMR2300과 달리 제작한 H/W에서는 \( 1.5 \mathrm{m} \) 밖의 차량에 대하여 잡음 신호와 구분할 수 없어 감지가 불가능하였다. 이에 따라 실험에서는 차량이 \( 1.5 \mathrm{m} \) 이내를 통과하는 경우만을 감안하였다. 위의 VoM 감쇄모델을 이용하여 실험 결과에 대한 잡음과 신호의 확률 분포 히스토그램 및 ROC 곡선은 그림 8의 (a)와 (b)이다.</p> <p>\( P_{F A}=5 \% \)인 \( T_{d} \)는 수치적으로 2.35의 ADC 값이지만 정수로 표현되야 하므로 \( T_{d} \)를 3으로 조정하였다. 이때의 시뮬레이션 결과는 다음 표 5의 confusion matrix로 나타난다. 센서의 강도와 민감도가 떨어지면서 차량신호의 레벨이 잡음 분포영역으로 흡수가 되어 \( P_{F A} \)가 감소하였지만 동시에 \( P_{h i t} \)도 감소하였다. 상향 조정된 \( T_{d} \) 역시 잡음 제거에 도움을 주었지만 반대로 낮은 레벨을 갖은 차량 신호들 역시 제거하여 결과에 영향을 미쳤다. 그리고 표 6의 실험결과는 제작한 H/W의 시뮬레이션 결과와 거의 일치하며 앞서 도출한 VoM 감쇄 모델이 유효함을 보여준다.</p>	전기공학, 통신공학, 전자공학	[ "<p>자기센서는 센서의 물리적 배치 특성에 의해 각 축의 출력 신호가 직교하여 각 축이 사인, 코사인 함수의 형태로 직교하는 출력을 가진다.", "같은 첨두치를 가지는 사인, 코사인 두 축의 병합된 크기는 어느 위상에서도 같은 값을 가지게 되지만, 실제 센서의 출력은 각 축이 다른 바이어스(bias)를 가지게 되어 크기가 센서의 방향에 따라 달라진다.", "각 축에서 바이어스를 제거해주게 되면 각 축의 절대적인 변화량의 차이는 크게 감소하고 이런 변화량만을 합한 전체 크기는 방향성이 제거된다.", "이 과정은 다음 식 (5)로 표현된다.", "</p> <p>\\( \\operatorname{VoM}_{m}(t)=\\sum_{i=x, y, z}\\left\|S_{i}(t)-\\bar{M}_{i}(t)\\right\| \\)<caption>(5)</caption></p> <p>\\( V_{o} M_{m}(t) \\)는 통합 VoM을 의미한다.", "EA를 사용하고 바이어스를 제거하는 과정을 통해 많은 장점을 가지게 된다.", "자기 센서의 방향성은 제거하고 드리프트에는 적절한 대응을 할 수 있다.", "또한 EA방식은 시스템 함수로서 분석하였을 시 저역통과필터(Low Pass Filter)의 특성을 가지므로 자기센서의 잡음도 제거 가능한 장점을 가진다.", "그리고 주변 환경에 적응하여 변화 기준치를 지속적으로 갱신하여주므로 예를 들어, 군용 감시정찰 시스템으로 응용 시 적의 자석 투척 등의 방해 공작에도 짧은 교란시간 이후 다시 적응된 변화 기준치를 제공하여 주는 강인함을 가진다.", "</p> <p>통계적 또는 주파수 분석을 통한 신호분석 방법과 달리 EA는 한 개의 평균값만을 가지고 수행되므로 별도의 대량의 메모리 소모가 필요하지 않으며 각 샘플링 시 한 축마다 2번의 곱셈과 1번의 덧셈의 적은 연산 과정을 거친다.", "이를 통해 하드웨어 자원 관리의 효율성 및 전력 소모 감축의 효과를 준다.", "</p> <p>설명된 과정을 통해 새로운 자기센서 VoM 감쇄 모델을 얻을 수 있다.", "다음의 그림 1은 \\( \\alpha \\)를 0.05로 하여 도출한 거리별 VoM 감쇄 모델이며 표 1은 감쇄 모델을 얻기 위한 실험 환경을 제시한다.", "</p> <table border><caption>표 1. Vom 감쇄모델을 얻기 위한 실험 환경</caption> <tbody><tr><td colspan=2>실험 방법</td></tr><tr><td>실험 대상</td><td>차량 (크레도스)</td></tr><tr><td>속도 (\\( \\mathrm{Km/h} \\) )</td><td>20~25</td></tr><tr><td>실험 장비</td><td>HMR 2300, 노트북 컴퓨터</td></tr><tr><td>샘플링 주파수(\\( \\mathrm{Hz} \\) )</td><td>20</td></tr><tr><td>장소</td><td>동국대학교 교내 대운동장</td></tr><tr><td>기온\\( \\left({ }^{\\circ} \\mathrm{C}\\right) \\)</td><td>8 ~ 13</td></tr></tbody></table> <p>자기 센서의 출력은 차량의 움직임에 따라 자기 센서 자체의 잡음에 의한 차이 이외에는 매 실험마다 센서와의 거리가 같은 경우 동일한 변화를 일으키게 된다. 하지만 차량의 속도가 다른 경우 EA를 통한 변화기준치의 적응 정도도 달라진다. 따라서 차량의 속도에 의해 VoM이 변하게 되고 이를 모델링하는 것은 더욱 복잡한 과정을 요구한다. 따라서 이 논문에서는 VoM 감쇄 모델을 구성하는 데이터는 동일한 속도하에서 이동하는 차량을 통해 획득한 것으로 가정하여 일정한 거리에서 동일한 VoM의 도출을 보장하였다.</p> <p>실험은 고정된 센서 주변을 차량이 센서의 동서남북 4방향을 각각 거리별로 주행하여 얻은 데이터를 다수 수집하고 이를 연산하여 VoM을 획득하는 방법으로 진행하였다.</p> <p>위와 같이 대표 모델을 구성하고 이에 따른 탐지 기준치 \\( T_{d} \\)를 결정하면 센서 노드는 그림 2와 같은 전체 신호처리 과정을 가진다. 각 센서 노드는 1) ADC, 2) VoM 연산, 3) 의사 결정의 과정을 거치며 통신 시도 여부를 결정하게", "되고 실제 네트워크 구성시 자기 센서의 짧은 센싱거리로 인해 소수의 노드만이 통신을 시도하게 되어 네트워크의 효율을 높일 수 있다.", "</p> <h1>IV.", "실 험</h1> <p>앞서 기술한 신호처리 기법의 효용성을 확인하기 위하여 자기센서를 장착한 센서노드를 제작하고 시뮬레이션과 동일한 과정으로 성능을 시험하였다.", "</p> <p>제작한 H/W는 그림 6의 (a),(b)의 형태를 가지며 표 3은H/W의 구성을 보여준다.", "상용화된 모트를 이용하여 센서네트워크용 OS인 TinyOS상에서 알고리즘을 구현하려 하였으나 기존 제품의 자기 센서는 원하는 감도를 충족시키지 못하고 이진형태의 출력을 제공하여 직접 센서노드를 제작하였다.", "</p> <p>실험은 제작한 센서노드의 VoM 모델링을 위하여 이전의 VoM 감쇄모델을 갖기 위한 실험과 동일한 방식으로 그림 6의 (c)와 같이 진행되었다.", "차량은 센서 노드로부터 임의의 거리만큼 이격하여 주행하고 차량이 센서의 주변에 올 때 데이터를 수집하였다.", "차량은 센싱 유효거리 내에 있는 경우도 있으며 아닌 경우도 있다.", "또한 차량이 지나지 않는 경우의 데이터 역시 수집하여 유효 거리 내에 있지 않은 경우와 함께 \\( P_{F A} \\) 분석을 위한 데이터로서 활용되었다.", "</p> <table border><caption>표3. 센서 노드 및 베이스 노드 제원</caption> <tbody><tr><td colspan=2>Sensor node</td></tr><tr><td>CPU</td><td>ATmega128 마이크로프로세서</td></tr><tr><td>RF</td><td>CC1010 RF 송수신칩 \\( (433 \\mathrm{MHz}) \\)</td></tr><tr><td>센서</td><td>HMC1002 자기 센서 (Honeywell)</td></tr><tr><td>전원</td><td>DC 9V 외부전원 또는 배터리</td></tr><tr><td>사이즈</td><td>\\(149 \\times 63 \\times 17 ( \\mathrm{mm}) \\)</td></tr><tr><td colspan=2>Base node</td></tr><tr><td>CPU, RF</td><td>CC1010 RF 송수신칩 \\( (433 \\mathrm{MHz}) \\)</td></tr><tr><td>PC 통신</td><td>UART 직렬통신 (USB to serial)</td></tr><tr><td>전원</td><td>USB 내부 전원</td></tr><tr><td>사이즈</td><td>\\(88 \\times 46 \\times 10 ( \\mathrm{mm}) \\)</td></tr></tbody></table> <table border><caption>표 4. 외부 실험 환경</caption> <tbody><tr><td colspan=2>실험 방법</td></tr><tr><td>실험 대상</td><td>차량 (소나타)</td></tr><tr><td>속도 \\( (\\mathrm{km/h}) \\)</td><td>20 ~ 25</td></tr><tr><td>실험 장비</td><td>제작 HW, 노.트북 컴퓨터</td></tr><tr><td>RF 주파수</td><td>\\( 433 \\mathrm{MHz} \\)</td></tr><tr><td>장소</td><td>동국대학교 교내 대운동장</td></tr><tr><td>기온 \\( \\left({ }^{\\circ} \\mathrm{C}\\right) \\)</td><td>24 ~ 28</td></tr></tbody></table> <p>시뮬레이션을 통해 최적화된 \\( \\alpha(=0.044) \\)를 도출하였다.", "이를 이용하여 실험을 실시하고 새로운 VoM 감쇄 모델을 도출하였다.", "그림 7은 제작한 H/W의 자기 센서 VoM 감쇄모델이다.", "이전의 모델과 비교하여 VoM 감지 거리가 다소 감소하였음을 확인할 수 있다.", "VoM의 단위는 ADC 측정치를 직접 사용하였다.", "표 4는 실험 환경을 기술하였다.", "</p> <p>HMR2300과 달리 제작한 H/W에서는 \\( 1.5 \\mathrm{m} \\) 밖의 차량에 대하여 잡음 신호와 구분할 수 없어 감지가 불가능하였다.", "이에 따라 실험에서는 차량이 \\( 1.5 \\mathrm{m} \\) 이내를 통과하는 경우만을 감안하였다.", "위의 VoM 감쇄모델을 이용하여 실험 결과에 대한 잡음과 신호의 확률 분포 히스토그램 및 ROC 곡선은 그림 8의 (a)와 (b)이다.", "</p> <p>\\( P_{F A}=5 \\% \\)인 \\( T_{d} \\)는 수치적으로 2.35의 ADC 값이지만 정수로 표현되야 하므로 \\( T_{d} \\)를 3으로 조정하였다.", "이때의 시뮬레이션 결과는 다음 표 5의 confusion matrix로 나타난다.", "센서의 강도와 민감도가 떨어지면서 차량신호의 레벨이 잡음 분포영역으로 흡수가 되어 \\( P_{F A} \\)가 감소하였지만 동시에 \\( P_{h i t} \\)도 감소하였다.", "상향 조정된 \\( T_{d} \\) 역시 잡음 제거에 도움을 주었지만 반대로 낮은 레벨을 갖은 차량 신호들 역시 제거하여 결과에 영향을 미쳤다.", "그리고 표 6의 실험결과는 제작한 H/W의 시뮬레이션 결과와 거의 일치하며 앞서 도출한 VoM 감쇄 모델이 유효함을 보여준다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "이동 물체 탐지를 위한 자기센서 응용 신호처리 기법", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-198a61e2-a008-4f62-9b13-e1c4d1f45950", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2009", "doc_author": [ "김기태", "곽철현", "홍상기", "박상준", "김건욱" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
438	<h1>요약</h1><p>XML은 점점 데이터 교환과 정보 관리에서 중요하게 여겨진다. 따라서 XML 문서들을 접근, 질의, 저장하는 효율적인 방법들을 개발하기 위한 많은 노력이 진행되고 있다. 본 논문은 XML 문서들을 효율적으로 군집화 하는 새로운 기법을 제안한다. XML 문서를 군집화하기 위해 문서를 대표하는 비트 벡터를 제안한다. 두 XML 문서의 유사도는 대응하는 두 비트 벡터간의 bit-wise AND 연산에 의해서 측정된다. 실험 결과 XML 문서의 특징으로 비트 벡터가 사용되었을 때 군집화가 제대로 그리고 효율적으로 형성됨을 알 수 있다.</p> <h1>V. DTD 정보가 없을 때의 군집화 기법</h1><p>본 논문은 DTD가 없는 XML 문서의 군집화를 위해서 계층 군집화 기법을 사용한다. 계층 군집화 기법은 중첩(nested) 군집들의 계층 구조를 생성한다. 만약 \( R_{1} \)내의 각 군집이 \( R_{2} \) 의 진부분 집합이면, k개의 군집을 포함하는 군집 \( R_{1} \) 은 \( r(<k) \) 개의 군집을 포함하는 군집 \( R_{2} \)에 중첩된다고 말한다. 계층 군집화 기법은 군집을 형성하는 방향에 따라서 응집형(agglomerative)과 분리형 (divisive)으로 구분된다. 모든 패턴의 숫자를 n이라 가정할 때 일반적인 응집형 군집화 기법은 다음과 같다.</p><p>응집형 군집화 기법에서는 군집 간 유사도를 결정하는 방법에 따라 단일 연결(single-linkage), 완전 연결 (complete-linkage) 알고리즘 등이 존재한다. 단일 연결 알고리즘에서는 두 군집 사이의 거리는 각 군집에 있는 패턴 간 거리 중에서 가장 짧은 거리로 정의한다. 만약 \( C_{i} \) 와 \( C_{j} \) 가 군집이라면, 그들 간 거리 \( d_{S L} \) 은 다음과 같이 정의된다. 여기서 d(X, Y)는 패턴 X 와 Y사이의 거리를 나타낸다.</p><p>\( d_{S L}\left(C_{i}, C_{j}\right)=\underset{X \in C_{i}, Y \in C_{j}}{\min } d(X, Y) \)<caption>(1)</caption></p><p>① 각 한 개의 패턴으로 구성된 n개의 군집들로부터 시작 한다.</p><p>②단계 ③을 \( n-1 \) 번 반복한다.</p><p>③가장 유사한 군집 쌍 Ci와 Cj를 하나의 군집으로 합친다. 만약 하나 이상의 쌍이 존재한다면 첫 번째 쌍을 합친다.</p><p>반면 완전 연결 알고리즘은 두 군집 사이의 거리를 각 군집에 있는 패턴 간 거리 중에서 가장 긴 거리로 정의한다. 만약 \( C_{i} \) 와 \( C_{j} \) 가 군집이라면, 그들 간 거리 \( d_{CL} \) 은 다음과 같이 정의된다. 여기서 d(X, Y)는 패턴 X 와 Y 사이의 거리를 나타낸다.</p><p>\( d_{C L}\left(C_{i}, C_{j}\right)=\underset{X \in C_{i}, Y \in C_{j}}{\max } d(X, Y) \)<caption>(2)</caption></p><p>군집화 과정을 위해 중요한 하나의 이슈는 패턴간의 유사도를 어떻게 정량화하는가에 있다. 패턴간의 유사성 (또는 비유사성)을 측정하는 가장 일반적인 척도는 거리, 특별히 유클리디안 거리를 사용한다. 그러나 본논문에서는 문서를 비트벡터로 표현하기 때문에, 비트 벡터를 사용해서 문서간의 유사도를 나타내고자 한다. 같은 DTD에 의해 생성되는 유사한 문서들은 많은 공통의 경로들을 갖기 때문에 그들 간의 bit-wise AND 연산은 큰 값을 갖는다. 즉, 두 문서가 유사하면 대응하는 문서 비트벡터간에 공유하는 1의 비트가 많아지고 bit-wise AND 연산은 큰 값을 갖게 된다. 따라서 본논문에서는 유사도를 두 문서 비트벡터간의 bit-wise AND 연산의 값으로 정량화한다. 두 XML 문서 X 와 Y 의 대응하는 문서 비트벡터들을 \( V_{x} \) 와 \( V_{y} \) 로 표기할 때, 두 문서의 유사도 f(X, Y)는 식 (3)과 같이 정의된다.</p><p>\( f(X, Y)=b i t- \) wise \( A N D\left(V_{X}, V_{Y}\right) \)<caption>(3)</caption></p><p>예를 들어, 2개의 Star_Fan 문서 S1과 S2가 있고 S1과 S2에 대응하는 트리의 경로들은 다음과 같다고 가정한다. S1= \{actor/fname, actor/lname, actor/club/name, actor/club/tel, actor/club/addr\}. S2 = \{actor/fname, actor/lname, actor/club/name, actor/club/tel, actor/club/addr, actor/club/fan/name, actor/club/fan/tel\}. 또한 군집화를 수행하는 문서들이 A1, S1, A2, A3, S2의 순서로 들어온다고 가정한다. 이 문서들에 의해 생성되는 경로들을 A1={P1, P2, P3}, S1={P4, P1, P5, P6, P7}, A2={P4, P1, P2, P3}, A3={P4, P1, P2, P3}, S2={P4, P1, P5, P6, P7, P8, P9} 라고 표기 할 때 5개의 문서에 의해 만들어지는 문서 비트벡터들은 표 3과 같다.</p><p>표 3에서 가장 유사한 2개의 군집은 S1과 S2이다. 왜냐하면 두 군집간의 bit-wise AND 연산의 결과는 5로 다른 어떤 2개의 군집간의 bit-wise AND 연산의 결과보다 크기 때문이다. 따라서 {S1, S2}를 하나의 군집으로 형성한다. 마찬가지 방법으로 다음으로 가장 유사한 2개의 군집은 bit-wise AND 연산의 결과가 4인 A2와 A3이기 때문에 {A2, A3} 을 하나의 군집으로 형성한다. 마지막으로 가장 유사한 2 개의 군집은 bit-wise AND 연산의 결과가 3 인 A1과 {A2, A3}이기 때문에 {A1, A2, A3}을 하나의 군집으로 형성한다. 따라서 5개의 문서들에 대해 2개의 군집화를 수행하면 {A1, A2, A3}과 {S1, S2}로 제대로 군집이 이루어짐을 알 수 있다.</p><table border><caption>표 3. 문서 비트벡터들</caption><tbody><tr><td></td><td>P1</td><td>P2</td><td>P3</td><td>P4</td><td>P5</td><td>P6</td><td>P7</td><td>P8</td><td>P9</td></tr><tr><td>A1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>S1</td><td>1</td><td>0</td><td>0</td><td>1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td></tr><tr><td>A2</td><td>1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>A3</td><td>1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>S2</td><td>1</td><td>0</td><td>0</td><td>1</td><td>1</td><td>1</td><td>1</td><td>1</td><td>1</td></tr></tbody></table> <h1>III. 유사한 XML 문서와 비트벡터</h1><p>같은 DTD에서 생성된 XML 문서들은 유사한 문서들이기에 이들의 군집화를 시도한다. 예를 들어, 그림 1의Actor DTD에 의해 생성된 그림 \( 2(\mathrm{a}), 2(\mathrm{~b}), 2(\mathrm{c}) \)는 모두 유사한 문서들이다. 본 논문에서는 XML 문서를 대응하는 트리의 루트로부터 리프 노드들의 모든 경로들로 표현한다. 따라서 그림 2(a) 의 문서 A1은 actor/name/Iname, actor/filmography/movie/title, actor/filmography/movie/year 3개의 경로들로 표현된다. 반면에 그림 2(b)의 문서 A2 는 actor/name/fname,actor/name/lname, actor/filmography/movie/title, actor/filmography/movie/year 4개의 경로들로 표현된다. 한편 그림 2(c)의 문서 A3은 그림 2(b) 와 구조가 다르지만 그림 2(b)와 같은 2개의 경로들로 표현된다.</p><p>따라서 문서 A1, A2, A3에 의해 생성되는 4개 경로actor/name/fname, actor/name/lname, actor/ filmography/movie/title, actor/filmography/movie/year를 각각 P1, P2, P3, P4라고 표기할 때, 3개의 문서들에 대해 만들어지는 문서 비트벡터들은 표 1 과 같다. 본 논문은 이러한 문서 비트벡들을 사용하여 문서들을 군집화 하는 방법을 제안한다.</p><h1>IV. DTD 정보가 있을 때의 군집화 기법</h1><p>XML 문서에 DTD가 있을 경우에는 먼저 DTD에 대응하는 트리의 경로들을 통해 DTD 비트벡터를 만든다. 이 때 DTD에 포함될 수 있는 특수 기호인 ?, +, * 의 경우에는 해당 원소(element)가 1번만 발생하는 것으로 간주한다. 따라서 그림 1의Actor DTD는 actor/mame/fname,actor/name/lname,actor/filmography/movie/title, actor/filmography/movie/year의 4개 경로들로 표현된다. 이와 같은 방법으로 주어진 DTD들에 대해서 DTD 비트벡터들을 만든다. 예를 들어서 Star_Fan DTD가 그림 3과 같을 때 대응하는 트리로부터 생성되는 7개의 경로들은 다음과 같다: actor/name/fname, actor/name/name.actor/club/name,actor/club/tel, actor/club/addr,actor/club/fan/name,actor/club/fan/tel. 따라서 Actor DTD와 Star_Fan DTD 의 9개의 경로들을 P1=actor/mame/fname, P2=actor/name/lname, P3=actor/filmography/movie/title, P4 = actor/filmography/ movie/year, P5=actor/club/name, P6=actor/club/tel,P7=actor/club/addr,P8=actor/club/fan/name, P9=actor/ club/fan/tel로 표기할 때 2 개의 DTD 에 의해 만들어지는 DTD 비트벡터들은 표 2 와 같다.</p><p>다음으로 문서들은 III장에 나온 것과 같은 방법으로 각 문서에 대응하는 트리의 경로들로부터 문서 비트벡터들을 만든다. 마지막으로 군집화하고자 하는 문서의 문서 비트벡터를 모든 DTD 비트벡터들과 bit-wise AND 연산을 통해서 값이 가장 큰 DTD의 문서들로 군집화 한다. 예를 들어, 그림 2(a) 의 문서 A1 은 다음과 같은 방법으로 군집화가 된다. (i) A1의 문서 비트벡터가 만들어진다. 9개의 경로들로 구성된 문서 비트벡터에서 A1에 대응하는 트리의 경로들이 P2, P3, P4이므로, 이 경로들은 1의 값을 갖고 나머지 경로들은 0의 값을 갖는다. 따라서 A1 문서 비트벡터는 011100000 된다. (ii) Al 문서 비트벡터를 표 2의 Actor와 Star_Fan DTD 비트벡터들과 bit-wise AND 연산을 수행한다. (iii) Actor DTD 비트벡터와의 bit-wise AND 연산의 결과는 3이지만 Star_Fan DTD 비트벡터와의 bit-wise AND 연산의 결과는 1 이므로, A1 문서는 Actor 문서들로 군집화가 된다.</p><table border><caption>표 2. DTD 비트벡터들</caption><tbody><tr><td></td><td>P1</td><td>P2</td><td>P3</td><td>P4</td><td>P5</td><td>P6</td><td>P7</td><td>P8</td><td>P9</td></tr><tr><td>Actor</td><td>1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>S_F</td><td>1</td><td>1</td><td>0</td><td>0</td><td>1</td><td>1</td><td>1</td><td>1</td><td>1</td></tr></tbody></table>	전기공학, 통신공학, 전자공학	[ "<h1>요약</h1><p>XML은 점점 데이터 교환과 정보 관리에서 중요하게 여겨진다.", "따라서 XML 문서들을 접근, 질의, 저장하는 효율적인 방법들을 개발하기 위한 많은 노력이 진행되고 있다.", "본 논문은 XML 문서들을 효율적으로 군집화 하는 새로운 기법을 제안한다.", "XML 문서를 군집화하기 위해 문서를 대표하는 비트 벡터를 제안한다.", "두 XML 문서의 유사도는 대응하는 두 비트 벡터간의 bit-wise AND 연산에 의해서 측정된다.", "실험 결과 XML 문서의 특징으로 비트 벡터가 사용되었을 때 군집화가 제대로 그리고 효율적으로 형성됨을 알 수 있다.", "</p> <h1>V.", "DTD 정보가 없을 때의 군집화 기법</h1><p>본 논문은 DTD가 없는 XML 문서의 군집화를 위해서 계층 군집화 기법을 사용한다.", "계층 군집화 기법은 중첩(nested) 군집들의 계층 구조를 생성한다.", "만약 \\( R_{1} \\)내의 각 군집이 \\( R_{2} \\) 의 진부분 집합이면, k개의 군집을 포함하는 군집 \\( R_{1} \\) 은 \\( r(<k) \\) 개의 군집을 포함하는 군집 \\( R_{2} \\)에 중첩된다고 말한다.", "계층 군집화 기법은 군집을 형성하는 방향에 따라서 응집형(agglomerative)과 분리형 (divisive)으로 구분된다.", "모든 패턴의 숫자를 n이라 가정할 때 일반적인 응집형 군집화 기법은 다음과 같다.", "</p><p>응집형 군집화 기법에서는 군집 간 유사도를 결정하는 방법에 따라 단일 연결(single-linkage), 완전 연결 (complete-linkage) 알고리즘 등이 존재한다.", "단일 연결 알고리즘에서는 두 군집 사이의 거리는 각 군집에 있는 패턴 간 거리 중에서 가장 짧은 거리로 정의한다.", "만약 \\( C_{i} \\) 와 \\( C_{j} \\) 가 군집이라면, 그들 간 거리 \\( d_{S L} \\) 은 다음과 같이 정의된다.", "여기서 d(X, Y)는 패턴 X 와 Y사이의 거리를 나타낸다.", "</p><p>\\( d_{S L}\\left(C_{i}, C_{j}\\right)=\\underset{X \\in C_{i}, Y \\in C_{j}}{\\min } d(X, Y) \\)<caption>(1)</caption></p><p>① 각 한 개의 패턴으로 구성된 n개의 군집들로부터 시작 한다.", "</p><p>②단계 ③을 \\( n-1 \\) 번 반복한다.", "</p><p>③가장 유사한 군집 쌍 Ci와 Cj를 하나의 군집으로 합친다.", "만약 하나 이상의 쌍이 존재한다면 첫 번째 쌍을 합친다.", "</p><p>반면 완전 연결 알고리즘은 두 군집 사이의 거리를 각 군집에 있는 패턴 간 거리 중에서 가장 긴 거리로 정의한다.", "만약 \\( C_{i} \\) 와 \\( C_{j} \\) 가 군집이라면, 그들 간 거리 \\( d_{CL} \\) 은 다음과 같이 정의된다.", "여기서 d(X, Y)는 패턴 X 와 Y 사이의 거리를 나타낸다.", "</p><p>\\( d_{C L}\\left(C_{i}, C_{j}\\right)=\\underset{X \\in C_{i}, Y \\in C_{j}}{\\max } d(X, Y) \\)<caption>(2)</caption></p><p>군집화 과정을 위해 중요한 하나의 이슈는 패턴간의 유사도를 어떻게 정량화하는가에 있다.", "패턴간의 유사성 (또는 비유사성)을 측정하는 가장 일반적인 척도는 거리, 특별히 유클리디안 거리를 사용한다.", "그러나 본논문에서는 문서를 비트벡터로 표현하기 때문에, 비트 벡터를 사용해서 문서간의 유사도를 나타내고자 한다.", "같은 DTD에 의해 생성되는 유사한 문서들은 많은 공통의 경로들을 갖기 때문에 그들 간의 bit-wise AND 연산은 큰 값을 갖는다.", "즉, 두 문서가 유사하면 대응하는 문서 비트벡터간에 공유하는 1의 비트가 많아지고 bit-wise AND 연산은 큰 값을 갖게 된다.", "따라서 본논문에서는 유사도를 두 문서 비트벡터간의 bit-wise AND 연산의 값으로 정량화한다.", "두 XML 문서 X 와 Y 의 대응하는 문서 비트벡터들을 \\( V_{x} \\) 와 \\( V_{y} \\) 로 표기할 때, 두 문서의 유사도 f(X, Y)는 식 (3)과 같이 정의된다.", "</p><p>\\( f(X, Y)=b i t- \\) wise \\( A N D\\left(V_{X}, V_{Y}\\right) \\)<caption>(3)</caption></p><p>예를 들어, 2개의 Star_Fan 문서 S1과 S2가 있고 S1과 S2에 대응하는 트리의 경로들은 다음과 같다고 가정한다.", "S1= \\{actor/fname, actor/lname, actor/club/name, actor/club/tel, actor/club/addr\\}.", "S2 = \\{actor/fname, actor/lname, actor/club/name, actor/club/tel, actor/club/addr, actor/club/fan/name, actor/club/fan/tel\\}.", "또한 군집화를 수행하는 문서들이 A1, S1, A2, A3, S2의 순서로 들어온다고 가정한다.", "이 문서들에 의해 생성되는 경로들을 A1={P1, P2, P3}, S1={P4, P1, P5, P6, P7}, A2={P4, P1, P2, P3}, A3={P4, P1, P2, P3}, S2={P4, P1, P5, P6, P7, P8, P9} 라고 표기 할 때 5개의 문서에 의해 만들어지는 문서 비트벡터들은 표 3과 같다.", "</p><p>표 3에서 가장 유사한 2개의 군집은 S1과 S2이다.", "왜냐하면 두 군집간의 bit-wise AND 연산의 결과는 5로 다른 어떤 2개의 군집간의 bit-wise AND 연산의 결과보다 크기 때문이다.", "따라서 {S1, S2}를 하나의 군집으로 형성한다.", "마찬가지 방법으로 다음으로 가장 유사한 2개의 군집은 bit-wise AND 연산의 결과가 4인 A2와 A3이기 때문에 {A2, A3} 을 하나의 군집으로 형성한다.", "마지막으로 가장 유사한 2 개의 군집은 bit-wise AND 연산의 결과가 3 인 A1과 {A2, A3}이기 때문에 {A1, A2, A3}을 하나의 군집으로 형성한다.", "따라서 5개의 문서들에 대해 2개의 군집화를 수행하면 {A1, A2, A3}과 {S1, S2}로 제대로 군집이 이루어짐을 알 수 있다.", "</p><table border><caption>표 3. 문서 비트벡터들</caption><tbody><tr><td></td><td>P1</td><td>P2</td><td>P3</td><td>P4</td><td>P5</td><td>P6</td><td>P7</td><td>P8</td><td>P9</td></tr><tr><td>A1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>S1</td><td>1</td><td>0</td><td>0</td><td>1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td></tr><tr><td>A2</td><td>1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>A3</td><td>1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>S2</td><td>1</td><td>0</td><td>0</td><td>1</td><td>1</td><td>1</td><td>1</td><td>1</td><td>1</td></tr></tbody></table> <h1>III.", "유사한 XML 문서와 비트벡터</h1><p>같은 DTD에서 생성된 XML 문서들은 유사한 문서들이기에 이들의 군집화를 시도한다.", "예를 들어, 그림 1의Actor DTD에 의해 생성된 그림 \\( 2(\\mathrm{a}), 2(\\mathrm{~b}), 2(\\mathrm{c}) \\)는 모두 유사한 문서들이다.", "본 논문에서는 XML 문서를 대응하는 트리의 루트로부터 리프 노드들의 모든 경로들로 표현한다.", "따라서 그림 2(a) 의 문서 A1은 actor/name/Iname, actor/filmography/movie/title, actor/filmography/movie/year 3개의 경로들로 표현된다.", "반면에 그림 2(b)의 문서 A2 는 actor/name/fname,actor/name/lname, actor/filmography/movie/title, actor/filmography/movie/year 4개의 경로들로 표현된다.", "한편 그림 2(c)의 문서 A3은 그림 2(b) 와 구조가 다르지만 그림 2(b)와 같은 2개의 경로들로 표현된다.", "</p><p>따라서 문서 A1, A2, A3에 의해 생성되는 4개 경로actor/name/fname, actor/name/lname, actor/ filmography/movie/title, actor/filmography/movie/year를 각각 P1, P2, P3, P4라고 표기할 때, 3개의 문서들에 대해 만들어지는 문서 비트벡터들은 표 1 과 같다.", "본 논문은 이러한 문서 비트벡들을 사용하여 문서들을 군집화 하는 방법을 제안한다.", "</p><h1>IV.", "DTD 정보가 있을 때의 군집화 기법</h1><p>XML 문서에 DTD가 있을 경우에는 먼저 DTD에 대응하는 트리의 경로들을 통해 DTD 비트벡터를 만든다.", "이 때 DTD에 포함될 수 있는 특수 기호인 ?, +, * 의 경우에는 해당 원소(element)가 1번만 발생하는 것으로 간주한다.", "따라서 그림 1의Actor DTD는 actor/mame/fname,actor/name/lname,actor/filmography/movie/title, actor/filmography/movie/year의 4개 경로들로 표현된다.", "이와 같은 방법으로 주어진 DTD들에 대해서 DTD 비트벡터들을 만든다.", "예를 들어서 Star_Fan DTD가 그림 3과 같을 때 대응하는 트리로부터 생성되는 7개의 경로들은 다음과 같다", ": actor/name/fname, actor/name/name.actor/club/name,actor/club/tel, actor/club/addr,actor/club/fan/name,actor/club/fan/tel.", "따라서 Actor DTD와 Star_Fan DTD 의 9개의 경로들을 P1=actor/mame/fname, P2=actor/name/lname, P3=actor/filmography/movie/title, P4 = actor/filmography/ movie/year, P5=actor/club/name, P6=actor/club/tel,P7=actor/club/addr,P8=actor/club/fan/name, P9=actor/ club/fan/tel로 표기할 때 2 개의 DTD 에 의해 만들어지는 DTD 비트벡터들은 표 2 와 같다.", "</p><p>다음으로 문서들은 III장에 나온 것과 같은 방법으로 각 문서에 대응하는 트리의 경로들로부터 문서 비트벡터들을 만든다.", "마지막으로 군집화하고자 하는 문서의 문서 비트벡터를 모든 DTD 비트벡터들과 bit-wise AND 연산을 통해서 값이 가장 큰 DTD의 문서들로 군집화 한다.", "예를 들어, 그림 2(a) 의 문서 A1 은 다음과 같은 방법으로 군집화가 된다.", "(i) A1의 문서 비트벡터가 만들어진다.", "9개의 경로들로 구성된 문서 비트벡터에서 A1에 대응하는 트리의 경로들이 P2, P3, P4이므로, 이 경로들은 1의 값을 갖고 나머지 경로들은 0의 값을 갖는다.", "따라서 A1 문서 비트벡터는 011100000 된다.", "(ii) Al 문서 비트벡터를 표 2의 Actor와 Star_Fan DTD 비트벡터들과 bit-wise AND 연산을 수행한다.", "(iii) Actor DTD 비트벡터와의 bit-wise AND 연산의 결과는 3이지만 Star_Fan DTD 비트벡터와의 bit-wise AND 연산의 결과는 1 이므로, A1 문서는 Actor 문서들로 군집화가 된다.", "</p><table border><caption>표 2. DTD 비트벡터들</caption><tbody><tr><td></td><td>P1</td><td>P2</td><td>P3</td><td>P4</td><td>P5</td><td>P6</td><td>P7</td><td>P8</td><td>P9</td></tr><tr><td>Actor</td><td>1</td><td>1</td><td>1</td><td>1</td><td>0</td><td>0</td><td>0</td><td>0</td><td>0</td></tr><tr><td>S_F</td><td>1</td><td>1</td><td>0</td><td>0</td><td>1</td><td>1</td><td>1</td><td>1</td><td>1</td></tr></tbody></table>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "비트벡터에 기반한 XML 문서 군집화 기법", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-19ac0e62-1dae-49f3-8cb1-5165c785ff61", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2010", "doc_author": [ "김우생" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }
439	<h1>IV. 실험 결과</h1><p>본 논문에서는 제안하는 필터 뱅크 기반의 저 복잡도 복호화기의 성능을 평가하기 위하여 KTA2.2 소프트웨어에 제안하는 방법을 구현하였다. 실험 영상은 표준화 단체에서 권고하는 HD 급 영상 6개를 사용하였으며, High 프로파일 환경에서 실험하였다. 자세한 실험 조건은 표 3과 같다.</p><p>본 논문에서는 제안하는 필터 뱅크의 부호화 성능과 복호화 속도를 평가하기 위해서 KTA 기술의 적응적 보간 필터인 E-DAIF 부호화기와 비교하였다. E-DAIF 부호화기는 먼저 H.264/AVC의 보간 필터를 이용하여 움직임 예측과 움직임 보상을 수행하고, 이를 바탕으로 구한 적응적 보간 필터를 이용하여 부호화한다. 본 논문에서 제안하는 부호화기도 E-DAIF와 유사하게 먼저 H.264/AVC의 보간 필터를 이용하여 움직임 예측과 움직임 보상을 수행하고, 이를 바탕으로 적응적 보간 필터를 구한다. 그 다음 매크로블록 단위로 적응적 보간 필터와 고정된 보간 필터 중 최적의 필터를 선택적으로 사용한다.</p><table border><caption>표 3. 실험 조건</caption><tbody><tr><td>파라미터</td><td>설정 값</td></tr><tr><td>QP</td><td>\( I=22,27,32,37, P=I+1 \)</td></tr><tr><td>GOP 구조</td><td>IPPP 구조</td></tr><tr><td>프레임 수</td><td>30장</td></tr><tr><td>RDO</td><td>켜기</td></tr><tr><td>\( 8 \tiimes 8 \)</td><td>켜기</td></tr><tr><td>엔트로피 부호화</td><td>CABAC</td></tr><tr><td>RDO-Q</td><td>끄기</td></tr><tr><td>Adaptive rounding</td><td>켜기</td></tr></tbody></table><table border><caption>표 4. 매크로블록 단위 적응적 보간 필터 선택 비율</caption><tbody><tr><td>영상 \ QP</td><td>22</td><td>27</td><td>32</td><td>37</td><td>평균 \( ( \% ) \)</td></tr><tr><td>BigShips</td><td>100.0</td><td>93.1</td><td>34.5</td><td>37.9</td><td>66.4</td></tr><tr><td>Ciry_corr</td><td>75.9</td><td>48.3</td><td>27.6</td><td>24.1</td><td>44.0</td></tr><tr><td>Crew</td><td>82.8</td><td>69.0</td><td>72.4</td><td>51.7</td><td>69.0</td></tr><tr><td>Night</td><td>100.0</td><td>100.0</td><td>93.1</td><td>86.2</td><td>94.8</td></tr><tr><td>Raven</td><td>79.3</td><td>65.5</td><td>51.7</td><td>37.9</td><td>58.6</td></tr><tr><td>Jets</td><td>96.6</td><td>79.3</td><td>51.7</td><td>55.2</td><td>70.7</td></tr><tr><td colspan = "5">평균 \( ( \% ) \)</td><td>67.2</td></tr></tbody></table><p>제안하는 필터 뱅크 기반의 부호화기는 프레임 단위에서 필터 뱅크를 사용할지 매크로블록 단위에서 필터 뱅크를 사용할지 선택할 수 있다. 영상에 움직임이 많이 포함되어 움직임 예촉이 잘되지 않거나 블러링이 심한 영상의 경우 대부분의 블록이 적웅적 보간 필터가 선택된다. 반대로 움직임이 많지 않은 영상에 대해서는 고정 보간 필터가 대부분 선택될 수 있다. 이러한 경우에는 프레임 단위로 필터 뱅크를 선택하여 매크로블록 단위의 필터 선택에 드는 추가 비트를 줄일 수 있다.</p><p>표4는 프레임 단위의 적응적 보간 필터의 사용인지 매크로불록 단위에서 적응적 보간 필터의 사용인지에 대한 선택 비율을 보여준다. 제안하는 푈터 뱅크를 매크로블록 별로 선택하는 비율은 평균 \( 67.2 \% \) 이며, QP가 낮을수록 그 비율이 높게 나타난다. 즉, 프레임 단위에서 보간 필터를 선택하는 것보다 매크로블록 단위에서 보간 펼터를 결정하는 것이 성능이 좋게 나타난다. QP 가 높은 경우에 매커로블록 단위의 적응적 보간 필터의 선택 비율이 낮은 것은 참조 영상의 화질 열화가 많기 때문에 적응적 보간 필터 성능이 좋지 않으며, 추가적인 구문에 대한 비트량도 RDO 경쟁의 부담으로 작용한 것으로 분석된다. 대부분의 프레임이 제안하는 매크로블록 단위의 필터 뱅크 방법이 선택되었다.</p> <h2>2. 기존의 적응적 보간 필터</h2> <p>H.264/AVC의 표준 보간 필터는 고정된 필터를 가지기 때문에 영상의 특성을 고려할 수 없으며, 블러링된 영상과 같이 보간 과정에서 앨리어싱 (Aliasing)이 발생하는 경우에는 움직임 예측과 움직임 보상의 성능이 좋지 않다고 알려져 있다. 이러한 문제점을 해결하기 위해서 영상의 각 프레임 당 최적의 보간 필터를 적응적으로 구하여 움직임 예측과 보상을 수행하는 많은 연구들이 진행되었다. 적응적인 보간 필터는 현재 영상과 복원된 참조 영상 사이에 에러를 최소화하는 위너 필터 (Wiener filter) 계수를 구한다. 즉, 식 (4)와 같이 현재 영상과 참조 영상 간의 에러를 최소화하는 필터를 구하는 것이다. \( S \) 와 \( R \) 은 각각 현재 영상과 복원 영상을 나 타내고, \( F \) 는 적응적 필터를 의미한다. \( (x, y) \) 와 \( (i, j) \) 는 각각 영상과 필터의 위치 인덱스를 나타낸다.</p> <p>\[E^{2}=\sum_{x} \sum_{y}\left(S_{x, y}-\sum_{i} \sum_{j} F_{i, j} R_{x+i, y+j}\right)^{2}\]<caption>(4)</caption></p> <p>VCEG 표준화 단체에 기술 기고되어 KTA 기술에 포함된 적응적 보간 필터 기술로는 \(2 D- \) 비분리 적응적 보간 필터 (2D non-separable ALF), 분리 적응적 보간 푈터 (Separable AIF), 방향성 적응적 보간 필터 (Directional AIF), 향상된 적응 보간 필터 (Enhanced AIF) 등이 있다. 최근에는 향상된 방향성 보간 필터 (Enhanced directional AIF) 기술도. KTA 소프트웨어에 포함되었다.</p> <p>\( 2 D- \) 비분리 적응적 보간 필터는 \( 2 D 6 \times 6 \) 탭 필터 9 개와 \( 1 D \) 6-탭 필터 6 개로 구성된 적응적 보간 필터를 사용하는 방법으로 H.264/AVC의 베이스라인 프로파일 조건에서 약 \( 1 \mathrm{~dB} \) 의 성능을 보인다. 하지만, 필터 계수를 계산하기 위한 인크더와 디코더의 계산량이 2 배이상 증가하는 문제점이 있다. 이러한 계산량 문제를 해결하기 위하여 분리 적응적 보간 필터가 개발되었다. 분리 적응적 보간 필터는 각 부화소에 대한 필터를 \( 1 D\) 6-탭을 사용하여 이전 필터에 비하여 계산량을 \( 30 \% \) 이상 감소시켰다. 다른 적응적 보간 필터로 방향성 적응적 보간 필터는 그림 3과 같이 필터 계수를 구할 때, 수평, 수직 방향이외에도 대각선의 방향의 필터를 고려하여 부호화 성능을 높이고자 하였다. 즉, 부화소 \( e \) 와 \(o \)는 \( A 1, B 2, C 3, D 4, E 5, F 6 \) 의 정수 화소를 이용하여 영상 보간을 수행하고, 부화소 \( g \) 와 \( m \) 은 \( A 6 , B 5, C 4, D 3, E 2, F 1 \) 의 정수 화소를 사용하여 영상을 보간 한다. 방향성 적응적 보간 필터는 이전의 분리 적응적 보간 푈터보다도 연산량을 약 \( 50 \% \) 정도 낮추면서도 성능을 비슷하게 유지시키는 보간 방법이다. 이 보간 필터를 발전시킨 향상된 방향성 보간 필터는 정수 위치에 대해서도 푈터를 적용하며, 정수 화소와 각 부화소 위치에 대해서 DC 오프셋을 적용하여 높은 부호화 성능을 얻을 수 있었다. 마지막으로 향상된 적응 보간 필터는 최고의 성능을 보인다고 알려진 보간 필터이다. 이 필터는 이전의 적응 필터들이 36 개의 주변 화소 값을 사용한 것과 달리, 현재 화소에 가까이 있는 단지 12 개의 화소만율 사용하여 푈터 계수를 구한다. 이전과 다른 주파수 특성을 고려하여 부호화 효율을 향상 시켰으나 계산량이 많다는 단점이 있다.</p> <p>그림 4 는 H.264/AVC의 복잡도와 KTA의 적응적인 보간 필터를 사용하는 경우에 대한 복호화 시간의 비율을 각각 보여준다. 실험 조건은 본 논문의 실험 조건인 표 3과 동일하다. 그림 4(a) 와 같이 H.264/AVC의 경우에는 움직임 보상 \( 20.55 \% \), 디블록킹 펼터 \( 29.60 \% \), 비트파싱 \( 20.79 \% \), 복호화 단계 \( 18.92 \% \), 역변환부호화 \( 5.03 \% \), 인트라 예측 \( 0.20 \% \), 기타 \( 4.91 \% \) 등의 비율을 차지하고 있다. 반면, 그림 4(b) 의 KTA 소프트웨어에서 적응적인 보간 필터를 사용하는 경우, 움직임 보상의 복잡도가 \( 54.12 \% \) 로 보간 필터가 차지하는 비중이 디코더 전체에서 크게 증가된다. 이는 H.264/AVC의 표준 보간 필터와 달리 적응적인 보간 필터에서는 부동 소수점 연산을 사용하여 움직임 보상에 대한 연산량이 크게 늘어나기 때문이다. 또한, 정수 화소에 대해서도 필터링을 적용하기 때문에 움직임 보상의 복잡도가 증가한다.</p> <table border><caption>표 1. 적응적 보간 필터의 복호화 성능</caption> <tbody><tr><td>영상 \ QP</td><td>22</td><td>27</td><td>32</td><td>37</td><td>평균 \( ( \% ) \)</td></tr><tr><td>BigShips</td><td>83.58</td><td>89.73</td><td>85.02</td><td>68.63</td><td>81.74</td></tr><tr><td>Ciry_corr</td><td>70.53</td><td>90.56</td><td>106.07</td><td>107.17</td><td>93.58</td></tr><tr><td>Crew</td><td>54.52</td><td>69.49</td><td>74.53</td><td>81.45</td><td>70.00</td></tr><tr><td>Night</td><td>57.75</td><td>72.61</td><td>85.59</td><td>91.31</td><td>76.82</td></tr><tr><td>Raven</td><td>68.69</td><td>81.60</td><td>68.68</td><td>59.19</td><td>69.54</td></tr><tr><td>Jets</td><td>45.77</td><td>42.90</td><td>47.85</td><td>40.83</td><td>44.34</td></tr><tr><td colspan = "5">평균 \( ( \% ) \)</td><td>72.67</td></tr></tbody></table> <p>표 1은 ATS (Average time saving) 관점에서 H.264/AVC와 적응적 보간 필터를 사용하는 KTA 소프트웨어의 복호화 성능을 비교한 것이다. ATS는 식 (5)와 같이 계산된다.</p> <p>\[A T S(\%)=\frac{\text { 테스트 시간 }-\text { 기준 시간 }}{\text { 기준시간 }} \times 100\]<caption>(5)</caption></p> <p>식 (5)에서 기준 시간은 H.264/AVC의 참조 소프트웨어의 복호화 시간이며, 테스트 시간은 적응적 보간 필터를 사용하는 KTA 소프트웨어의 복호화 시간이다.</p> <p>표 1 에서 보는 바와 같이, 적웅적인 보간 필터를 사용하는 경우 참조 소프트웨어의 복호화 시간에 비하여 평균 \( 72.7 \% \) 정도 오래 걸린다. 즉, 적응적인 보간 필터의 복잡도 개선이 필요하다.</p> <p>표 5는 매크로블록 단위로 적응적 필터가 선택된 프레임에 대하여 고정 보간 필터의 선택 비율을 보여준다. 표 5의 결과는 스킵(skip) 매크로블록을 제외하고, 각 매크로블록에 대해서 적응적 보간 필터 대비 고정 보간 필터의 선택 비율을 나타내며, 평균 \( 36.1 \% \) 의 매크로블록이 고정 보간 필터로 선택되었다. 이는 부호화 효율의 손해 없이 단순화된 필터롤 사용하는 경우가 영상 전체의 \( 1 / 3 \) 이 넘는다는 것을 의미하며, 제안하는 필터 뱅크를 통하여 복호화기의 복잡도를 줄일 수 있다.</p><table border><caption>표 5. 고정 필터의 선택 비율</caption><tbody><tr><td>영상 \ QP</td><td>22</td><td>27</td><td>32</td><td>37</td><td>평균 \( ( \% ) \)</td></tr><tr><td>BigShips</td><td>27.0</td><td>27.6</td><td>31.3</td><td>31.0</td><td>29.2</td></tr><tr><td>Ciry_corr</td><td>21.3</td><td>21.7</td><td>25.4</td><td>29.1</td><td>24.4</td></tr><tr><td>Crew</td><td>39.8</td><td>42.2</td><td>35.3</td><td>29.3</td><td>36.7</td></tr><tr><td>Night</td><td>40.5</td><td>38.7</td><td>40.5</td><td>43.8</td><td>39.9</td></tr><tr><td>Raven</td><td>43.0</td><td>46.1</td><td>43.8</td><td>45.0</td><td>44.5</td></tr><tr><td>Jets</td><td>40.0</td><td>42.7</td><td>44.6</td><td>39.1</td><td>41.6</td></tr><tr><td colspan = "5">평균 \( ( \% ) \)</td><td>36.1</td></tr></tbody></table><table border><caption>표 6. 제안된 방법의 부호화 성능</caption><tbody><tr><td rowspan = "2"></td><td colspan = "2">기존의 적응적 보간 필터 (EDAIF)</td><td colspan = "2">제안하는 필터 뱅크 기반의 보간 필터</td></tr><tr><td>BDPSNR \( (\mathrm{dB}) \)</td><td>BDRate \(( \% )\)</td><td>BDPSNR \( (\mathrm{dB}) \)</td><td>BDRate \(( \% )\)</td></tr><tr><td>BigShips</td><td>0.233</td><td>-7.67</td><td>0.262</td><td>-8.58</td></tr><tr><td>City_corr</td><td>0.464</td><td>-13.84</td><td>0.450</td><td>-13.25</td></tr><tr><td>Crew</td><td>0.260</td><td>-10.26</td><td>0.317</td><td>-12.34</td></tr><tr><td>Night</td><td>0.255</td><td>-6.43</td><td>0.320</td><td>-7.93</td></tr><tr><td>Raven</td><td>0.913</td><td>-21.63</td><td>0.934</td><td>-21.82</td></tr><tr><td>Jets</td><td>0.475</td><td>-12.17</td><td>0.501</td><td>-12.76</td></tr><tr><td>평균</td><td>0.433</td><td>-12.00</td><td>0.464</td><td>-12.78</td></tr></tbody></table><p>표 6 은 제안하는 필터 뱅크 기반의 보간 푈터에 대한 성능을 보여준다. 기존의 석응적 보간 푈터는 KTA2.2 소프트웨어 대비 BDRate 관점에서 약 \( 12.00 \% \)의 부호화 성능을 보이며, 제안하는 필터 뱅크 기반의 보간 필터는 약 \( 12.78 \% \) 의 부호화 성능을 보인다. 즉, 본 논문에서 재안하는 필터 뱅크 기반의 저 복잡도 복호화 방법은 부호화 성능이 감소하지 않는 장점이 있다. 오히려 약간의 성능 향상이 발생하는 것은 고정 보간 필터가 적응적 보간 필터와는 특성이 다른 필터를 사용했기 때문이라 분석된다. 또한, 움직임 벡터를 이용하여 참조 영상의 DC 오프셋을 조절함으로써, 추가적인 부가정보 없이도 DC 값의 보정이 가능하기 때문이다. 본 논문의 알고리즘을 하드웨어 설계 시에는 추가적으로 고정 필터에 대한 모듈이 필요할 수 있다. 하지만, 고정 필터 연산이 비교적 간단하기 때문에, 최소의 하드웨어로 구현이 가능할 것이다.</p><table border><caption>표 7. 제안된 방법의 복호화 시간 개선</caption><tbody><tr><td>영상 \ QP</td><td>22</td><td>27</td><td>32</td><td>37</td><td>평균 \( ( \% ) \)</td></tr><tr><td>BigShips</td><td>-21.08</td><td>-22.32</td><td>-18.00</td><td>-18.74</td><td>-20.03</td></tr><tr><td>Ciry_corr</td><td>-28.06</td><td>-21.26</td><td>-15.37</td><td>-16.21</td><td>-20.23</td></tr><tr><td>Crew</td><td>-18.15</td><td>-18.79</td><td>-2.13</td><td>-1.26</td><td>-10.08</td></tr><tr><td>Night</td><td>-17.81</td><td>-15.34</td><td>-15.29</td><td>-8.98</td><td>-14.35</td></tr><tr><td>Raven</td><td>-15.35</td><td>-11.70</td><td>-2.94</td><td>0.05</td><td>-7.48</td></tr><tr><td>Jets</td><td>-5.73</td><td>-3.00</td><td>-4.79</td><td>7.59</td><td>-1.48</td></tr><tr><td colspan = "5">평균 \( ( \% ) \)</td><td>-12.28</td></tr></tbody></table><p>표 7 은 제안된 방법에 대한 디코더 속도 향상을 보여 준다. 기존의 적응적 보간 필터 대비 제안하는 필터 뱅크 기반의 저복잡도 복호화 속도는 ATS 관점에서 복호화기 전체 평균 \( -12.28 \% \) 의 속도 개선을 얻었다. 움직임 보상 부분이 \( 50 \% \) 이상의 계산량을 차지하고 있음을 고려한다면, 제안하는 방법은 움직임 보상 부분에 대해서는 약 \( 25 \% \) 의 복잡도룰 낮추는 것으로 분석된다. 표 7에서 보는바와 같이, QP가 낮을수록 복호화 속도의 이득이 크게 나타난다. 이는 QP 가 낮은 영상에서는 매크로블록 단위의 필터 뱅크 선택 비율이 높고, 비트율이 높아서 복호화 속도 향상의 증가 폭이 크기 때문이다. 반면, 고정 필터의 선택 비율이 높게 나타나는 Raven과 Jets 영상에서 오히려 복호화 속노의 향상이 낮은 이유는 영상의 움직임이 많지 않아서 스킵 블록과 인트라블록의 비율이 높아서 적응적 필터 또는 고정 필터에 대한 절대적인 수치가 적게 나타나기 때문이다. 이로인해 KTA2.2 소프트웨어 대비 적응적 보간 필터의 사용에 따른 복호화 시간의 오버헤드가 적고 복호화를 위한 절대적인 시간이 짧기 때문에, 상대적으로 제안하는 저 복잡도 복호화기의 속도 개선이 낮게 나타난다.</p>	전기공학, 통신공학, 전자공학	[ "<h1>IV.", "실험 결과</h1><p>본 논문에서는 제안하는 필터 뱅크 기반의 저 복잡도 복호화기의 성능을 평가하기 위하여 KTA2.2 소프트웨어에 제안하는 방법을 구현하였다.", "실험 영상은 표준화 단체에서 권고하는 HD 급 영상 6개를 사용하였으며, High 프로파일 환경에서 실험하였다.", "자세한 실험 조건은 표 3과 같다.", "</p><p>본 논문에서는 제안하는 필터 뱅크의 부호화 성능과 복호화 속도를 평가하기 위해서 KTA 기술의 적응적 보간 필터인 E-DAIF 부호화기와 비교하였다.", "E-DAIF 부호화기는 먼저 H.264/AVC의 보간 필터를 이용하여 움직임", "예측과 움직임 보상을 수행하고, 이를 바탕으로 구한 적응적 보간 필터를 이용하여 부호화한다.", "본 논문에서 제안하는 부호화기도 E-DAIF와 유사하게 먼저 H.264/AVC의 보간 필터를 이용하여 움직임", "예측과 움직임 보상을 수행하고, 이를 바탕으로 적응적 보간 필터를 구한다.", "그 다음 매크로블록 단위로 적응적 보간 필터와 고정된 보간 필터 중 최적의 필터를 선택적으로 사용한다.", "</p><table border><caption>표 3. 실험 조건</caption><tbody><tr><td>파라미터</td><td>설정 값</td></tr><tr><td>QP</td><td>\\( I=22,27,32,37, P=I+1 \\)</td></tr><tr><td>GOP 구조</td><td>IPPP 구조</td></tr><tr><td>프레임 수</td><td>30장</td></tr><tr><td>RDO</td><td>켜기</td></tr><tr><td>\\( 8 \\tiimes 8 \\)</td><td>켜기</td></tr><tr><td>엔트로피 부호화</td><td>CABAC</td></tr><tr><td>RDO-Q</td><td>끄기</td></tr><tr><td>Adaptive rounding</td><td>켜기</td></tr></tbody></table><table border><caption>표 4. 매크로블록 단위 적응적 보간 필터 선택 비율</caption><tbody><tr><td>영상 \\ QP</td><td>22</td><td>27</td><td>32</td><td>37</td><td>평균 \\( ( \\% ) \\)</td></tr><tr><td>BigShips</td><td>100.0</td><td>93.1</td><td>34.5</td><td>37.9</td><td>66.4</td></tr><tr><td>Ciry_corr</td><td>75.9</td><td>48.3</td><td>27.6</td><td>24.1</td><td>44.0</td></tr><tr><td>Crew</td><td>82.8</td><td>69.0</td><td>72.4</td><td>51.7</td><td>69.0</td></tr><tr><td>Night</td><td>100.0</td><td>100.0</td><td>93.1</td><td>86.2</td><td>94.8</td></tr><tr><td>Raven</td><td>79.3</td><td>65.5</td><td>51.7</td><td>37.9</td><td>58.6</td></tr><tr><td>Jets</td><td>96.6</td><td>79.3</td><td>51.7</td><td>55.2</td><td>70.7</td></tr><tr><td colspan = \"5\">평균 \\( ( \\% ) \\)</td><td>67.2</td></tr></tbody></table><p>제안하는 필터 뱅크 기반의 부호화기는 프레임 단위에서 필터 뱅크를 사용할지 매크로블록 단위에서 필터 뱅크를 사용할지 선택할 수 있다.", "영상에 움직임이 많이 포함되어 움직임", "예촉이 잘되지 않거나 블러링이 심한 영상의 경우 대부분의 블록이 적웅적 보간 필터가 선택된다.", "반대로 움직임이 많지 않은 영상에 대해서는 고정 보간 필터가 대부분 선택될 수 있다.", "이러한 경우에는 프레임 단위로 필터 뱅크를 선택하여 매크로블록 단위의 필터 선택에 드는 추가 비트를 줄일 수 있다.", "</p><p>표4는 프레임 단위의 적응적 보간 필터의 사용인지 매크로불록 단위에서 적응적 보간 필터의 사용인지에 대한 선택 비율을 보여준다.", "제안하는 푈터 뱅크를 매크로블록 별로 선택하는 비율은 평균 \\( 67.2 \\% \\) 이며, QP가 낮을수록 그 비율이 높게 나타난다.", "즉, 프레임 단위에서 보간 필터를 선택하는 것보다 매크로블록 단위에서 보간 펼터를 결정하는 것이 성능이 좋게 나타난다.", "QP 가 높은 경우에 매커로블록 단위의 적응적 보간 필터의 선택 비율이 낮은 것은 참조 영상의 화질 열화가 많기 때문에 적응적 보간 필터 성능이 좋지 않으며, 추가적인 구문에 대한 비트량도 RDO 경쟁의 부담으로 작용한 것으로 분석된다.", "대부분의 프레임이 제안하는 매크로블록 단위의 필터 뱅크 방법이 선택되었다.", "</p> <h2>2. 기존의 적응적 보간 필터</h2> <p>H.264/AVC의 표준 보간 필터는 고정된 필터를 가지기 때문에 영상의 특성을 고려할 수 없으며, 블러링된 영상과 같이 보간 과정에서 앨리어싱 (Aliasing)이 발생하는 경우에는 움직임 예측과 움직임 보상의 성능이 좋지 않다고 알려져 있다.", "이러한 문제점을 해결하기 위해서 영상의 각 프레임 당 최적의 보간 필터를 적응적으로 구하여 움직임", "예측과 보상을 수행하는 많은 연구들이 진행되었다.", "적응적인 보간 필터는 현재 영상과 복원된 참조 영상 사이에 에러를 최소화하는 위너 필터 (Wiener filter) 계수를 구한다.", "즉, 식 (4)와 같이 현재 영상과 참조 영상 간의 에러를 최소화하는 필터를 구하는 것이다. \\", "( S \\) 와 \\( R \\) 은 각각 현재 영상과 복원 영상을 나 타내고, \\( F \\) 는 적응적 필터를 의미한다. \\", "( (x, y) \\) 와 \\( (i, j) \\) 는 각각 영상과 필터의 위치 인덱스를 나타낸다.", "</p> <p>\\[E^{2}=\\sum_{x} \\sum_{y}\\left(S_{x, y}-\\sum_{i} \\sum_{j} F_{i, j} R_{x+i, y+j}\\right)^{2}\\]<caption>(4)</caption></p> <p>VCEG 표준화 단체에 기술 기고되어 KTA 기술에 포함된 적응적 보간 필터 기술로는 \\(2 D- \\) 비분리 적응적 보간 필터 (2D non-separable ALF), 분리 적응적 보간 푈터 (Separable AIF), 방향성 적응적 보간 필터 (Directional AIF), 향상된 적응 보간 필터 (Enhanced AIF) 등이 있다.", "최근에는 향상된 방향성 보간 필터 (Enhanced directional AIF) 기술도.", "KTA 소프트웨어에 포함되었다.", "</p> <p>\\( 2 D- \\) 비분리 적응적 보간 필터는 \\( 2 D 6 \\times 6 \\) 탭 필터 9 개와 \\( 1 D \\) 6-탭 필터 6 개로 구성된 적응적 보간 필터를 사용하는 방법으로 H.264/AVC의 베이스라인 프로파일 조건에서 약 \\( 1 \\mathrm{~dB} \\) 의 성능을 보인다.", "하지만, 필터 계수를 계산하기 위한 인크더와 디코더의 계산량이 2 배이상 증가하는 문제점이 있다.", "이러한 계산량 문제를 해결하기 위하여 분리 적응적 보간 필터가 개발되었다.", "분리 적응적 보간 필터는 각 부화소에 대한 필터를 \\( 1 D\\) 6-탭을 사용하여 이전 필터에 비하여 계산량을 \\( 30 \\% \\) 이상 감소시켰다.", "다른 적응적 보간 필터로 방향성 적응적 보간 필터는 그림 3과 같이 필터 계수를 구할 때, 수평, 수직 방향이외에도 대각선의 방향의 필터를 고려하여 부호화 성능을 높이고자 하였다.", "즉, 부화소 \\( e \\) 와 \\(o \\)는 \\( A 1, B 2, C 3, D 4, E 5, F 6 \\) 의 정수 화소를 이용하여 영상 보간을 수행하고, 부화소 \\( g \\) 와 \\( m \\) 은 \\( A 6 , B 5, C 4, D 3, E 2, F 1 \\) 의 정수 화소를 사용하여 영상을 보간 한다.", "방향성 적응적 보간 필터는 이전의 분리 적응적 보간 푈터보다도 연산량을 약 \\( 50 \\% \\) 정도 낮추면서도 성능을 비슷하게 유지시키는 보간 방법이다.", "이 보간 필터를 발전시킨 향상된 방향성 보간 필터는 정수 위치에 대해서도 푈터를 적용하며, 정수 화소와 각 부화소 위치에 대해서 DC 오프셋을 적용하여 높은 부호화 성능을 얻을 수 있었다.", "마지막으로 향상된 적응 보간 필터는 최고의 성능을 보인다고 알려진 보간 필터이다.", "이 필터는 이전의 적응 필터들이 36 개의 주변 화소 값을 사용한 것과 달리, 현재 화소에 가까이 있는 단지 12 개의 화소만율 사용하여 푈터 계수를 구한다.", "이전과 다른 주파수 특성을 고려하여 부호화 효율을 향상 시켰으나 계산량이 많다는 단점이 있다.", "</p> <p>그림 4 는 H.264/AVC의 복잡도와 KTA의 적응적인 보간 필터를 사용하는 경우에 대한 복호화 시간의 비율을 각각 보여준다.", "실험 조건은 본 논문의 실험 조건인 표 3과 동일하다.", "그림 4(a) 와 같이 H.264/AVC의 경우에는 움직임 보상 \\( 20.55 \\% \\), 디블록킹 펼터 \\( 29.60 \\% \\), 비트파싱 \\( 20.79 \\% \\), 복호화 단계 \\( 18.92 \\% \\), 역변환부호화 \\( 5.03 \\% \\), 인트라 예측 \\( 0.20 \\% \\), 기타 \\( 4.91 \\% \\) 등의 비율을 차지하고 있다.", "반면, 그림 4(b) 의 KTA 소프트웨어에서 적응적인 보간 필터를 사용하는 경우, 움직임 보상의 복잡도가 \\( 54.12 \\% \\) 로 보간 필터가 차지하는 비중이 디코더 전체에서 크게 증가된다.", "이는 H.264/AVC의 표준 보간 필터와 달리 적응적인 보간 필터에서는 부동 소수점 연산을 사용하여 움직임", "보상에 대한 연산량이 크게 늘어나기 때문이다.", "또한, 정수 화소에 대해서도 필터링을 적용하기 때문에 움직임", "보상의 복잡도가 증가한다.", "</p> <table border><caption>표 1. 적응적 보간 필터의 복호화 성능</caption> <tbody><tr><td>영상 \\ QP</td><td>22</td><td>27</td><td>32</td><td>37</td><td>평균 \\( ( \\% ) \\)</td></tr><tr><td>BigShips</td><td>83.58</td><td>89.73</td><td>85.02</td><td>68.63</td><td>81.74</td></tr><tr><td>Ciry_corr</td><td>70.53</td><td>90.56</td><td>106.07</td><td>107.17</td><td>93.58</td></tr><tr><td>Crew</td><td>54.52</td><td>69.49</td><td>74.53</td><td>81.45</td><td>70.00</td></tr><tr><td>Night</td><td>57.75</td><td>72.61</td><td>85.59</td><td>91.31</td><td>76.82</td></tr><tr><td>Raven</td><td>68.69</td><td>81.60</td><td>68.68</td><td>59.19</td><td>69.54</td></tr><tr><td>Jets</td><td>45.77</td><td>42.90</td><td>47.85</td><td>40.83</td><td>44.34</td></tr><tr><td colspan = \"5\">평균 \\( ( \\% ) \\)</td><td>72.67</td></tr></tbody></table> <p>표 1은 ATS (Average time saving) 관점에서 H.264/AVC와 적응적 보간 필터를 사용하는 KTA 소프트웨어의 복호화 성능을 비교한 것이다.", "ATS는 식 (5)와 같이 계산된다.", "</p> <p>\\[A T S(\\%)=\\frac{\\text { 테스트 시간 }-\\text { 기준 시간 }}{\\text { 기준시간 }} \\times 100\\]<caption>(5)</caption></p> <p>식 (5)에서 기준 시간은 H.264/AVC의 참조 소프트웨어의 복호화 시간이며, 테스트 시간은 적응적 보간 필터를 사용하는 KTA 소프트웨어의 복호화 시간이다.", "</p> <p>표 1 에서 보는 바와 같이, 적웅적인 보간 필터를 사용하는 경우 참조 소프트웨어의 복호화 시간에 비하여 평균 \\( 72.7 \\% \\) 정도 오래 걸린다.", "즉, 적응적인 보간 필터의 복잡도 개선이 필요하다.", "</p> <p>표 5는 매크로블록 단위로 적응적 필터가 선택된 프레임에 대하여 고정 보간 필터의 선택 비율을 보여준다.", "표 5의 결과는 스킵(skip) 매크로블록을 제외하고, 각 매크로블록에 대해서 적응적 보간 필터 대비 고정 보간 필터의 선택 비율을 나타내며, 평균 \\( 36.1 \\% \\) 의 매크로블록이 고정 보간 필터로 선택되었다.", "이는 부호화 효율의 손해 없이 단순화된 필터롤 사용하는 경우가 영상 전체의 \\( 1 / 3 \\) 이 넘는다는 것을 의미하며, 제안하는 필터 뱅크를 통하여 복호화기의 복잡도를 줄일 수 있다.", "</p><table border><caption>표 5. 고정 필터의 선택 비율</caption><tbody><tr><td>영상 \\ QP</td><td>22</td><td>27</td><td>32</td><td>37</td><td>평균 \\( ( \\% ) \\)</td></tr><tr><td>BigShips</td><td>27.0</td><td>27.6</td><td>31.3</td><td>31.0</td><td>29.2</td></tr><tr><td>Ciry_corr</td><td>21.3</td><td>21.7</td><td>25.4</td><td>29.1</td><td>24.4</td></tr><tr><td>Crew</td><td>39.8</td><td>42.2</td><td>35.3</td><td>29.3</td><td>36.7</td></tr><tr><td>Night</td><td>40.5</td><td>38.7</td><td>40.5</td><td>43.8</td><td>39.9</td></tr><tr><td>Raven</td><td>43.0</td><td>46.1</td><td>43.8</td><td>45.0</td><td>44.5</td></tr><tr><td>Jets</td><td>40.0</td><td>42.7</td><td>44.6</td><td>39.1</td><td>41.6</td></tr><tr><td colspan = \"5\">평균 \\( ( \\% ) \\)</td><td>36.1</td></tr></tbody></table><table border><caption>표 6. 제안된 방법의 부호화 성능</caption><tbody><tr><td rowspan = \"2\"></td><td colspan = \"2\">기존의 적응적 보간 필터 (EDAIF)</td><td colspan = \"2\">제안하는 필터 뱅크 기반의 보간 필터</td></tr><tr><td>BDPSNR \\( (\\mathrm{dB}) \\)</td><td>BDRate \\(( \\% )\\)</td><td>BDPSNR \\( (\\mathrm{dB}) \\)</td><td>BDRate \\(( \\% )\\)</td></tr><tr><td>BigShips</td><td>0.233</td><td>-7.67</td><td>0.262</td><td>-8.58</td></tr><tr><td>City_corr</td><td>0.464</td><td>-13.84</td><td>0.450</td><td>-13.25</td></tr><tr><td>Crew</td><td>0.260</td><td>-10.26</td><td>0.317</td><td>-12.34</td></tr><tr><td>Night</td><td>0.255</td><td>-6.43</td><td>0.320</td><td>-7.93</td></tr><tr><td>Raven</td><td>0.913</td><td>-21.63</td><td>0.934</td><td>-21.82</td></tr><tr><td>Jets</td><td>0.475</td><td>-12.17</td><td>0.501</td><td>-12.76</td></tr><tr><td>평균</td><td>0.433</td><td>-12.00</td><td>0.464</td><td>-12.78</td></tr></tbody></table><p>표 6 은 제안하는 필터 뱅크 기반의 보간 푈터에 대한 성능을 보여준다.", "기존의 석응적 보간 푈터는 KTA2.2 소프트웨어 대비 BDRate 관점에서 약 \\( 12.00 \\% \\)의 부호화 성능을 보이며, 제안하는 필터 뱅크 기반의 보간 필터는 약 \\( 12.78 \\% \\) 의 부호화 성능을 보인다.", "즉, 본 논문에서 재안하는 필터 뱅크 기반의 저 복잡도 복호화 방법은 부호화 성능이 감소하지 않는 장점이 있다.", "오히려 약간의 성능 향상이 발생하는 것은 고정 보간 필터가 적응적 보간 필터와는 특성이 다른 필터를 사용했기 때문이라 분석된다.", "또한, 움직임 벡터를 이용하여 참조 영상의 DC 오프셋을 조절함으로써, 추가적인 부가정보 없이도 DC 값의 보정이 가능하기 때문이다.", "본 논문의 알고리즘을 하드웨어 설계 시에는 추가적으로 고정 필터에 대한 모듈이 필요할 수 있다.", "하지만, 고정 필터 연산이 비교적 간단하기 때문에, 최소의 하드웨어로 구현이 가능할 것이다.", "</p><table border><caption>표 7. 제안된 방법의 복호화 시간 개선</caption><tbody><tr><td>영상 \\ QP</td><td>22</td><td>27</td><td>32</td><td>37</td><td>평균 \\( ( \\% ) \\)</td></tr><tr><td>BigShips</td><td>-21.08</td><td>-22.32</td><td>-18.00</td><td>-18.74</td><td>-20.03</td></tr><tr><td>Ciry_corr</td><td>-28.06</td><td>-21.26</td><td>-15.37</td><td>-16.21</td><td>-20.23</td></tr><tr><td>Crew</td><td>-18.15</td><td>-18.79</td><td>-2.13</td><td>-1.26</td><td>-10.08</td></tr><tr><td>Night</td><td>-17.81</td><td>-15.34</td><td>-15.29</td><td>-8.98</td><td>-14.35</td></tr><tr><td>Raven</td><td>-15.35</td><td>-11.70</td><td>-2.94</td><td>0.05</td><td>-7.48</td></tr><tr><td>Jets</td><td>-5.73</td><td>-3.00</td><td>-4.79</td><td>7.59</td><td>-1.48</td></tr><tr><td colspan = \"5\">평균 \\( ( \\% ) \\)</td><td>-12.28</td></tr></tbody></table><p>표 7 은 제안된 방법에 대한 디코더 속도 향상을 보여 준다.", "기존의 적응적 보간 필터 대비 제안하는 필터 뱅크 기반의 저복잡도 복호화 속도는 ATS 관점에서 복호화기 전체 평균 \\( -12.28 \\% \\) 의 속도 개선을 얻었다.", "움직임", "보상 부분이 \\( 50 \\% \\) 이상의 계산량을 차지하고 있음을 고려한다면, 제안하는 방법은 움직임 보상 부분에 대해서는 약 \\( 25 \\% \\) 의 복잡도룰 낮추는 것으로 분석된다.", "표 7에서 보는바와 같이, QP가 낮을수록 복호화 속도의 이득이 크게 나타난다.", "이는 QP 가 낮은 영상에서는 매크로블록 단위의 필터 뱅크 선택 비율이 높고, 비트율이 높아서 복호화 속도 향상의 증가 폭이 크기 때문이다.", "반면, 고정 필터의 선택 비율이 높게 나타나는 Raven과 Jets 영상에서 오히려 복호화 속노의 향상이 낮은 이유는 영상의 움직임이 많지 않아서 스킵 블록과 인트라블록의 비율이 높아서 적응적 필터 또는 고정 필터에 대한 절대적인 수치가 적게 나타나기 때문이다.", "이로인해 KTA2.2 소프트웨어 대비 적응적 보간 필터의 사용에 따른 복호화 시간의 오버헤드가 적고 복호화를 위한 절대적인 시간이 짧기 때문에, 상대적으로 제안하는 저 복잡도 복호화기의 속도 개선이 낮게 나타난다.", "</p>" ]	{ "doc_category": { "KDC": "560.5", "DDC": "" }, "doc_title": { "kor": "저 복잡도 보간 필터 뱅크 기반의 새로운 비디오 압축 방법", "eng": "" }, "doc_type": "논문", "doc_id": "31a7cd33-242cbf74-1212-42de-ad7a-f08e98d78cd5", "doc_number": { "ISSN": "2287-5026", "ISBN": "", "DOI": "", "UCI": "" }, "doc_year": "2010", "doc_author": [ "남정학", "조현호", "심동규", "최병두", "조대성" ], "doc_publisher": "대한전자공학회", "dataset_info": { "identifier": "02-031-001-NL", "name": "기술과학 문서 기계독해 데이터", "category": "자연어", "last_updated": "2023-05-10" } }