DOI QR코드

DOI QR Code

Non-face-to-face online home training application study using deep learning-based image processing technique and standard exercise program

딥러닝 기반 영상처리 기법 및 표준 운동 프로그램을 활용한 비대면 온라인 홈트레이닝 어플리케이션 연구

  • 신윤지 (한양대학교 일반대학원) ;
  • 이현주 (동서울대학교 레저스포츠학과) ;
  • 김준희 (동서울대학교 레저스포츠학과) ;
  • 권다영 (동서울대학교 레저스포츠학과) ;
  • 이선애 (동서울대학교 레저스포츠학과) ;
  • 추윤진 (동서울대학교 레저스포츠학과) ;
  • 박지혜 (동서울대학교 레저스포츠학과) ;
  • 정자현 ((주)제이콥시스템) ;
  • 이형석 ((주)제이콥시스템) ;
  • 김준호 (동서울대학교 전기정보제어학과)
  • Received : 2021.07.30
  • Accepted : 2021.08.08
  • Published : 2021.08.31

Abstract

Recently, with the development of AR, VR, and smart device technologies, the demand for services based on non-face-to-face environments is also increasing in the fitness industry. The non-face-to-face online home training service has the advantage of not being limited by time and place compared to the existing offline service. However, there are disadvantages including the absence of exercise equipment, difficulty in measuring the amount of exercise and chekcing whether the user maintains an accurate exercise posture or not. In this study, we develop a standard exercise program that can compensate for these shortcomings and propose a new non-face-to-face home training application by using a deep learning-based body posture estimation image processing algorithm. This application allows the user to directly watch and follow the trainer of the standard exercise program video, correct the user's own posture, and perform an accurate exercise. Furthermore, if the results of this study are customized according to their purpose, it will be possible to apply them to performances, films, club activities, and conferences

최근 AR, VR 및 스마트 디바이스 기술의 발전에 따라 피트니스 산업에서도 비대면 환경을 기반으로 한 서비스 수요가 증가하고 있다. 비대면 온라인 홈트레이닝 서비스는 기존의 오프라인 서비스에 비해 시간과 장소의 제약이 없다는 장점이 있으나 운동 기구의 부재 및 사용자의 정확한 운동 자세 유지여부, 운동량의 측정이 어려운 단점이 존재한다. 본 연구에서는 이러한 단점을 보완할 수 있는 표준 운동 프로그램을 개발하고 딥러닝 기반 신체 자세 추정 영상처리를 통하여 새로운 비대면 홈트레이닝 어플리케이션 알고리즘을 제안한다. 본 연구의 알고리즘 기반 어플리케이션을 활용한다면 표준 운동 프로그램 영상의 트레이너를 사용자가 직접 보고 따라하면서 사용자 스스로 자세를 교정하며 정확한 운동이 가능하다. 나아가 본 연구의 알고리즘을 용도에 맞게 커스터마이징 한다면 공연, 영화, 동아리 활동, 컨퍼런스 분야로의 적용도 가능할 것이다.

Keywords

Acknowledgement

본 논문은 '콘텐츠진흥원 2020년 문화기술연구개발' 사업을 지원받아 진행된 연구결과입니다. 사업명 : 비대면 휘트니스 에듀테인먼트 서비스를 위한 5G/MR 기반 플랫폼 및 센싱기술 개발

References

  1. CAO, Zhe, et al. OpenPose: realtimemulti-person 2D pose estimation using Part Affinity Fields. IEEE transactions on pattern analysis and machine intelligence, 2019, 43.1: 172-186.
  2. IM, Jin-mo, et al. Mixed reality health management model using smart phone. The Journal of the Convergence on Culture Technology, 2018, 4.2: 185-189. https://doi.org/10.17703/JCCT.2018.4.2.185
  3. LEE, Soowook. Deep structured learning: architectures and applications. International Journal of Advanced Culture Technology, 2018, 6.4: 262-265. https://doi.org/10.17703//IJACT2018.6.4.262
  4. LIN, Tsung-Yi, et al. Microsoft coco: Common objects in context. In: European conference on computer vision. Springer, Cham, 2014. p. 740-755.
  5. ZHOU, Xingyi; WANG, Dequan; KRAHENBUHL, Philipp. Objects as points. arXiv preprint arXiv: 1904.07850, 2019.
  6. LI, Ang, et al. The ava-kinetics localized human actions video dataset. arXiv preprint arXiv:2005.00214, 2020.
  7. HUANG, Jonathan, et al. Speed/accuracy tradeoffs for modern convolutional object detectors. In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. p. 7310-7311.
  8. LIN, Tsung-Yi, et al. Feature pyramid networks for object detection. In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. p. 2117-2125.
  9. HOWARD, Andrew G., et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861, 2017.