DOI QR코드

DOI QR Code

Verification and Analysis of the Influence of Hangul Stroke Elements by Character Size for Font Similarity

글꼴 유사도 판단을 위한 한글 형태소의 글자 크기별 영향력 검증 및 분석

  • Received : 2022.08.14
  • Accepted : 2022.08.25
  • Published : 2022.08.31

Abstract

Recently, research using image-based deep learning is being conducted to determine similar fonts or recommend fonts. In order to increase the accuracy in judging the similarity of Hangul fonts, a previous study was conducted to calculate the similarity according to the combination of stroke elements. In this study, we tried to solve this problem by designing an integrated model that reflects the weights for each stroke element. By comparing the results of the user's font similarity calculation conducted in the previous study and the weighted model, it was confirmed that there was no difference in the ranking of the influence of the stroke elements. However, as a result of comparison by letter sizes, it was confirmed that there was a difference in the ranking of the influence of stroke elements. Accordingly, we proposed a weighted model set separately for each font size.

Keywords

1. 서론

폰트는 디자이너의 영역이라고 생각했던 과거에 비해 각종 미디어의 출현 및 성장으로 비전문가인 일반 사용자들의 관심이 커졌고 이는 영상 매체 자막이나 제품, 로고 디자인 등에 사용된 폰트를 찾고 싶어 하는 욕구로 이어졌다[1]. 그러나 미디어의 성장과 함께 폰트 제작이 활발해지면서 수천 종의 한글 글꼴이 생겨나자 사람의 능력으로 유사한 폰트를 찾기 어려워졌고, 이를 해결하고자 Deepfont[2]나 CNN (Convolution Neural Network) 기반 유사 한글 글꼴추천[3]과 같이 딥러닝을 이용한 폰트 관련 연구가 활발히 이루어지고 있다[4].

현재 인공지능을 이용한 유사 폰트 추천은 텍스트가 있는 이미지 파일을 업로드하면 글자를 이미지단위로 인식해서 비슷한 폰트를 제시한다[2]. 이는 단순히 전체 글자에 대한 유사성을 계산할 뿐, 한글의 형태 및 구조적 속성을 반영하지 않으므로 정확한폰트 인식이나 유사 폰트 추천 결과의 만족도가 떨어지며 여전히 연구개발 단계이거나 베타 서비스 단계에 머물러 있다.

이를 해결하기 위해 선행된 연구로 한글 형태의 특징적인 속성들을 획의 모양을 기반으로 정의하고자동으로 추출하기 위한 연구가 진행되었다[5]. 한글형태의 특징적 획 속성은 각각 ‘삐침’, ‘꺾임’, ‘돌출’, ‘닫힘’, ‘가지’, ‘부리’, ‘상투’, ‘꼭지점’의 8개로 도출되었으며, 이에 기반한 글꼴 추천을 진행한 결과, 한글의 형태적 특징 요소(이하, 형태소)를 반영한 글꼴추천이 전체 글자 기반 글꼴 추천보다 효과적임이 입증되었다[3].

본 연구에서는 선행연구[3]에서 계산한 형태소 조합에 따른 최적의 유사도 조합 구성의 차이가 커서이를 해결하고자 형태소별로 가중치를 반영하는 통합된 단일 모델을 설계했다. 또한, 선행연구[3]에서 설정한 사용자의 글꼴 간 유사성 평가, 즉 Ground- Truth가 글자 크기를 고려하지 않았으므로 이를 보완하기 위한 평가와 검증을 진행했으며 추후 용도에 따른 글꼴 추천이 가능하도록 글자 크기별로 형태소 영향력 순위가 다르게 나타나는지도 확인하였다.

본 논문의 구성은 다음과 같다. 제2장에서는 글꼴추천 시스템 관련된 관련 연구를 설명한다. 제3장에서는 개별 형태소별 영향력 순위 계산 모델 설계와 모델 적용 결과인 형태소 영향력 순위를 설명한다. 제 4장에서는 3장에서 계산한 형태소 영향력 값을 폰트 추천에 적용하기 위해 변환하는 가중치 모델 설정과 형태소 영향력 순위를 검증 및 분석하며 마지막으로 제5장에서는 결론에 대해 설명한다.

Fig. 1. CNN Architecture including feature extraction and classification layer.

2. 관련 연구

2.1 기존의 이미지 기반 글꼴 추천 시스템

MyFonts의 WhatTheFont[6]는 인공지능 기술을 이용해 이미지 기반으로 유사한 영문 폰트를 추천하는 시스템이며, FontBox[7]는 같은 방식으로 한글 폰트를 추천하는 시스템이다. 이 시스템은 현시점에서 딥러닝을 이용한 가장 대중화된 유사 폰트 추천 방식이지만 한글의 구조적 특성을 고려하지 않고 이미지단위로 폰트를 추천한다는 점에서 정확도에 한계가 있다. 한글은 다양한 모양 및 구조적 특징이 존재하며, 이 특성을 반영한 획 요소를 기반으로 폰트를 추천해야 한다[8].

2.2 형태소 기반 유사 글꼴 추천

선행연구에서는 한글 구조적 특징 중 형태소에 기반하여 글꼴 유사도를 판단하기 위해 한글 글꼴에서 형태소 이미지를 자동 추출했고[5], 추출한 형태소 이미지를 바탕으로 CNN 모델과 코사인 유사도 기법을 이용해 글꼴 유사도를 계산한 값으로 유사 폰트추천 시스템을 구축했다[3]. 형태소 이미지의 특징을 추출하기 위해 CNN 딥러닝 모델의 이미지 특징 추출 레이어(Feature Extraction)를 활용했으며 그 구조는 Fig. 1과 같다. 고차원 데이터인 이미지를 저차원 데이터인 벡터로 변환하며 필요한 정보를 보존하는 이미지 임베딩으로 형태소의 특징 벡터를 생성했다. 그리고 형태소 특징 벡터 간 거리를 코사인 유사도로 계산해 글꼴 간 유사도를 확인했다.

폰트 간 유사한 정도를 판단하는 것은 주관적인 문제이기 때문에 실제 사람을 대상으로 글꼴 간 유사도 평가 설문을 실시했고, 그 결과를 Ground-Truth 로 설정하였다. 최적의 유사 폰트 추천 결과를 얻기 위해 형태소 특성을 조합하고 Ground-Truth와 비교, 분석한 결과 Ground-Truth에 가장 가깝게 유사 폰트를 추천해주는 형태소 조합을 파악했다. 형태소 조합별 Ground-Truth와의 코사인 유사도는 Fig. 2 와 같다. 분석 결과 형태소는 4-5개를 조합했을 때 최적의 추천 성능을 보였으며, 형태소 기반 한글 글꼴 분석 시 ‘상투’, ‘꼭지점’, ‘가지’의 영향력이 큰 것으로 나타났다.

Fig. 2. Cosine similarity between stroke element combi- nation and Ground-Truth.

3. 개별 형태소별 영향력 순위 계산

3.1 사용자 글꼴 유사성 평가를 통한 글자 크기별 Ground-Truth 설정

선행연구[3]에서는 13개의 대표 폰트를 선정하여 사용자 글꼴 유사성 평가(이하 기존 사용자 평가)를 진행하였는데, 본 연구에서는 4가지 폰트 케이스로 사용자 글꼴 유사성 순위를 평가하여 기존 사용자 평가에 사용된 Ground-Truth 데이터의 타당성을 검증하고자 했다. 대표 폰트는 정형화된 모양의 글꼴인 인쇄 글씨 범위 안에서[9] 한글 글꼴 모양 분류 체계 표준(TTAK.KO10.0906-Part2)[10]에 근거해 굵기 속성 또한 고려하여 폰트 관련 경력이 있는 전문가의 평가에 따라 선정되었다[3].

설문을 통해 유사성을 검증할 4가지 폰트 선별은 형태소나 골격, 굵기 등 글꼴의 구조적 측면에서 폰트의 특성이 두드러지고, 다수의 한글 폰트를 대표할 수 있는 폰트를 일차적으로 선별하였다. 1차 선별된 폰트 중, 보다 명확한 평가를 위해 서로 비슷한 특성을 띠지 않고, 각기 다른 특성을 가지는 폰트들로 2차 선별하였다. 최종적으로 ‘HY견명조’, ‘나눔스퀘어’, ‘바탕체’, ‘산돌이야기 M’의 4가지 폰트 케이스가 선정되었으며, 이를 사용자 글꼴 유사성 순위 평가 설문의 기준 폰트로 사용하였다. 기준 폰트와 유사성을 비교할 폰트로는 대표 폰트 13종 중 기준 폰트를 제외한 12종의 폰트를 사용하였다. 대표 폰트는 Fig. 3과 같다.

Fig. 3. 13 types of representative fonts in Hangul.

한글 글꼴 유사성 평가 설문은 기준 폰트가 문단, 문장, 단어의 세 가지 형태로 제시되었을 때, 기준폰트와 유사하다고 생각되는 대표 폰트를 유사도 순위 순으로 기입하도록 하였다. 본 연구에서는 글자 크기가 유사도 판단에 영향을 미친다고 보고, 기준 폰트를 글자 크기별 일반적인 쓰임에 기반해 작은 크기의 글자로 쓰인 문단, 중간 크기의 글자로 쓰인 문장, 큰 크기의 글자로 쓰인 단어로 세분화하여 평가를 진행하였다. 설문에 쓰인 예문은 Table 1과 같으며 예문은 글자 크기와 상관없이 같은 크기의 이미지로 제시되었다.

Table 1. Example sentences presented by character size in the Hangul font similarity user survey.

설문 응답자는 총 41명으로 폰트 관련 분야 경력, 폰트 관심도, 나이, 성별에 대한 정보를 기본 설문으로 응답하도록 하였다.

설문 결과는 개별 형태소 영향력 순위 계산 모델에 사용하기 위해 5점 만점의 유사성 점수로 환산 [11]되며, 폰트 추천 모델의 Ground-Truth로 이용하였다. 글자 크기별 사용자 글꼴 유사성 평가는 Table 2, 3, 4와 같다.

Table 2. Ground-Truth of user's font similarity for small font size.

Table 3. Ground-Truth of user's font similarity for medium font size.

Table 4. Ground-Truth of user's font similarity for large font size.

3.2 형태소 영향력 순위 계산 모델 설계

형태소 영향력 순위 계산은 다음 절차를 따라 진행된다. CNN 딥러닝 모델의 이미지 특징 추출 레이어로 형태소 이미지의 특징 벡터를 추출한다. 이후 각 형태소 특징 벡터 값들을 조합하여 폰트 간 유사도를 계산하고, 이를 사용자가 평가한 폰트 간 유사도인 Ground-Truth와 비교한다. 모델의 폰트 추천결과와 Ground-Truth를 비교함으로써 폰트 추천의 정확도 수치를 확인할 수 있다.

그러나 모델이 계산한 최적의 유사도를 보여주는 형태소 조합 구성 차이가 큰 것을 확인할 수 있었다. 최적의 유사도 형태소 조합은 형태소 2개 조합에선 ‘삐침’, ‘상투’이고 형태소 3개 조합에선 ‘삐침’, ‘상투’, ‘꼭지점’인데 형태소 4개 조합에선 ‘가지’, ‘꺾임’, ‘꼭지점’, ‘상투’로 나타났다. 형태소 2개 조합에서 포함된 ‘삐침’과 ‘상투’는 형태소 3개를 조합한 경우에도 포함되었으므로 형태소 4개 조합은 형태소 3개 조합인 ‘삐침’, ‘상투’, ‘꼭지점’의 구성에 새로운 형태소가 하나 추가될 것으로 예상했다. 그러나 형태소 4개 조합은 ‘삐침’이 빠진 ‘가지’, ‘꺾임’, ‘꼭지점’, ‘상투’의 구성이었다.

따라서 추천 시스템에 적용할 단일의 개별 형태소 영향력 순위는 형태소 조합의 구성 차이를 고려하여 계산하였다. 선행 연구[3]의 폰트 추천에서 최적의 성능을 보인 건 형태소 4개 조합이었으므로 형태소 영향력 순위 계산은 형태소 1개부터 4개를 조합한 것 중 폰트 추천 결과의 정확도가 상위 10위 안에 드는 형태소 조합을 대상으로 했다. 이는 Table 5와 같다.

Table 5. Top 10 combinations of performance in 1 to 4 stroke elements.

형태소 영향력 계산은 각 조합의 추천 결과의 정확도 값을 이용하며 형태소 조합의 정확도는 해당조합을 구성하는 각 형태소의 영향력 값이다. 형태소 영향력은 예를 들어 ‘삐침’, ‘꼭지점’, ‘닫힘’, ‘상투’의 4개 형태소 조합으로 폰트 추천 시 추천 정확도가 0.88이라면 ‘삐침’, ‘꼭지점’, ‘닫힘’, ‘상투’의 영향력 값에 모두 0.88이라는 값을 합하는 방식으로 계산한다. 형태소 영향력 계산 공식은 식 (1)과 같다. s는 1개 이상의 형태소로 구성된 조합, si(1≤i≤n)는 조합에 포함된 각 형태소를 가리킨다. sx는 영향력을 계산하려는 임의의 대상 형태소이고 C는 조합의 정확도 수치이며 Sx는 계산 대상 형태소 sx가 속한 조합의 정확도 수치 C의 누적 합계를 저장할 변수라고 가정 한다. 누적 합산된 형태소 영향력 값에 따라 1위부터 8위까지의 형태소 영향력 순위를 부여하였다.

\(\left. \begin{array} { l } { s = \{ s _ { 1 } , \quad s _ { 2 } , \quad s _ { 3 } , \quad \ldots \quad s _ { n } \} = C } \\ { \left\{ \begin{array} { l } { s _ { x } \in s , \quad S _ { x } = S _ { x } + C } \\ { s _ { x } \notin s , \quad S _ { x } } \end{array} \right.} \end{array} \right.\)       (1)

3.3 형태소 영향력 순위 계산

글자 크기를 고려하지 않고 진행한 기존의 사용자 폰트 유사도 평가의 신뢰성을 검증하기 위해 기존사용자 평가 Ground-Truth를 이용해 계산한 형태소 영향력 순위(이하 기존 형태소 영향력 순위)는 Table 6과 같다.

Table 6. Existing stroke element influence values and rankings.

계산된 형태소 영향력의 결과를 살펴보면, ‘상투’가 가장 큰 영향력을 보였으며 ‘닫힘’의 영향력이 가장 작았다.

기존 형태소 영향력 검증을 위한 크기 통합 형태소 영향력 순위에 쓰이는 사용자 평가는 작은 글자 크 기, 중간 글자 크기, 큰 글자 크기의 사용자 Ground- Truth 값의 평균으로 구축했다. 그리고 글자 크기에 따라 형태소 영향력 차이가 있는지 확인하기 위해 글자 크기별 형태소 영향력 계산도 진행했다. 크기통합 형태소와 글자 크기별 형태소의 영향력 값과 순위는 Table 7과 같다.

Table 7. Influence values and rankings of stroke elements by character size.

작은 글자 크기와 중간 글자 크기에서 가장 영향력이 큰 형태소는 ‘상투’, 큰 글자 크기에서는 ‘꼭지점’으로 나타났다. 반면 가장 영향력이 작은 형태소는 작은 글자 크기에선 ‘닫힘’, 중간 글자와 큰 글자크기에선 ‘꺾임’이었다. 크기에 따른 형태소 영향력 순위 변화는 Fig. 4와 같다.

Fig. 4. Change the rank of stroke element influences by character size.

‘상투’는 글자 크기가 작거나 중간 크기일 때는 가장 영향력이 크다가 큰 크기의 글자에서 총 8개의 형태소 중 영향력 6위에 위치하며 낮은 영향력을 보인다. 반면 ‘꼭지점’은 작은 크기의 글자에선 다섯 번째로 큰 영향력으로 폰트 추천에 미치는 효과가 크지 않았으나 중간 크기에선 2위, 큰 크기의 글자에선 영향력 1위를 차지하며 글자 크기가 커짐에 따라 영향력 또한 커지는 것을 확인할 수 있었다. 이에 근거해 한글 폰트를 추천하는 경우, 글자 크기별로 다른 형태소 영향력을 적용할 수 있다면 폰트 추천 정확도가 향상될 것이다.

4. 가중치 계산 모델의 실험 분석 및 검증

4.1 가중치 계산 모델의 설정

폰트를 추천할 때, 유사도 판단에 큰 영향을 주는 형태소의 비중은 늘리고 영향이 작은 형태소의 비중은 줄인다면 더 정확한 폰트 추천이 가능할 것이다. 따라서 각 형태소의 영향력 값에 따라 형태소 반영비율을 다르게 적용하기 위해 3장에서 계산한 개별형태소 영향력 값을 1에서 10 사이의 값으로 정규화하여 폰트 추천 시 가중치로 이용하고자 한다[11]. a, b는 정규화 범위(a < b), x는 정규화 대상 변수, xnormalized는 정규화된 변수라 가정할 때, 수식은 (2)과 같다.

\(x _ { \text { normalized } } = ( b - a ) \frac { x - \operatorname { min } ( x ) } { \operatorname { max } ( x ) - \operatorname { min } ( x ) } + a\)       (2)

가중치 계산 모델로 기존 형태소, 크기 통합 형태소, 글자 크기별 형태소 영향력 값의 범위를 조정한 결과는 Table 8과 같다.

Table 8. Results of converting stroke element influence values into weights.

4.2 기존 형태소 영향력 순위 검증

기존 사용자 평가 Ground-Truth의 신뢰성을 확인하기 위해 기존 형태소 영향력 순위와 크기 통합형태소 영향력 순위를 비교하여 재검증을 진행했다. 두 순위 간 상관관계를 확인하기 위해 켄달 타우 상관 계수[12]로 순위를 비교해 연관성을 계산하였고 연관성이 있다면 기존 사용자 평가 Ground-Truth를 신뢰할 수 있는 것으로 봤다. τ는 켄달 타우 계수이고 p는 유의 확률이다. 두 순위를 비교하여 일치 쌍 (concordant pair)은 C, 불일치 쌍(discordant pair)은 D라고 가정한다. 형태소 영향력 순위 검정을 위한 가설은 다음과 같고 식은 (3)과 같다.

● 귀무가설(H0) : 두 순위 간 연관성이 없다.

\(\tau = \frac { C - D } { C + D }\)       (3)

기존 형태소 영향력 순위와 크기 통합 형태소 영향력 순위를 켄달 타우 상관 계수로 계산한 결과 유의 확률인 p값은 0.014로 유의수준인 0.05보다 작기 때문에 귀무가설을 기각한다. 따라서 기존 형태소 영향력 순위는 통합 형태소 영향력 순위와 연관성이 있으며, 켄달 타우 계수 값(τ)은 0.714로 기존 형태소 영향력 순위와 크기 통합 형태소 영향력 순위는 강한 상관관계임을 확인했다. 따라서 기존에 진행한 사용자 글꼴 유사도 평가 Ground-Truth는 신뢰할 수 있는 것으로 나타났다.

4.3 글자 크기별 형태소 영향력 순위 검증

폰트 추천에 있어 글자 크기에 따라 각기 다른 형태소 영향력 순위를 적용하는 것이 타당한지 평가하기 위해 글자 크기별 형태소 영향력 순위에 대한 검증도 진행했으며 글자 크기별 형태소 영향력 순위와 기존 형태소 영향력 순위 간 상관관계를 켄달 타우 상관 계수로 분석했다. 비교 결과 순위 간 연관 관계가 있으면 해당 글자 크기의 형태소 영향력 순위는 기존 형태소 영향력 순위와 큰 차이가 없는 것이므로 해당 글자 크기에 대해선 형태소 영향력 가중치를 다르게 적용하지 않아도 된다. 그러나 순위 간 연관관계가 없다면 해당 글자 크기의 형태소 영향력 순위는 기존 형태소 영향력 순위와 차이가 있는 것이므로 글자 크기에 따라 다른 형태소 영향력 가중치를 적용해야 유사 글꼴 추천에 있어서 더 정확한 결과를 얻을 수 있을 것이다. 글자 크기별 형태소 영향력 순위를 기존 형태소 영향력 순위와 켄달 타우 상관 계수로 비교한 결과는 Table 9와 같다.

Table 9. Verification of the influence ranking of character elements by character size using kendall tau correlation coefficient.

기존 형태소 영향력 순위와 작은 글자 크기 형태소 영향력 순위를 비교한 결과, 유의확률인 p값은 유의수준인 0.05보다 작아 상관관계가 있으며 강한 상관관계로 나타났다. 중간 글자 크기와 큰 글자 크기의 형태소 영향력 순위를 기존 형태소 영향력 순위와 비교했을 땐, 유의확률 p값이 유의수준인 0.05보다 높아 중간 글자 크기와 큰 글자 크기의 형태소 영향력 순위는 기존 형태소 영향력 순위와 상관관계가 없음을 확인했다.

선행 연구[3] 기반의 기존 사용자 형태소 영향력 순위는 가중치 모델로 검증했을 때 형태소 순위 간 차이가 없었으나 글자 크기별 비교에선 차이를 보였다. 작은 글자 크기의 경우, 기존 형태소 영향력 순위와 차이가 없으므로 폰트 추천 시 기존 형태소 영향력 순위를 따라 추천해도 무방하다. 그러나 중간 글자 크기와 큰 글자 크기 형태소 영향력 순위는 기존 형태소 영향력 순위와 차이가 있어 기존 형태소 영향력 순위를 적용한다면 글꼴 추천의 정확도가 떨어질 것이다. 따라서 중간 크기, 큰 글자 크기에 대한 글꼴을 추천할 땐, Table 8의 가중치 모델을 채택하여 영향력이 큰 형태소는 반영 비율을 높이고, 영향력이 작은 형태소는 반영 비율을 줄인다면 더 정확한 폰트 추천이 가능할 것이다.

5. 결론

본 논문에서는 한글 폰트 추천 시 글꼴 간 유사도를 판단하는 과정에서 기존 사용자 평가 Ground- Truth의 신뢰성을 검증하고, 글자 크기에 따라 한글형태소의 영향력 차이가 있는지도 알아봤다. 첫 번째로 최적의 형태소 조합 구성의 차이가 컸다. 따라서 추천 시스템에 적용할 단일의 형태소 영향력 순위를 얻기 위해 형태소 영향력 순위 계산 모델을 정의했다. 두 번째로는 계산한 형태소 영향력 값을 폰트 추천 시스템에서 가중치로 쓸 수 있도록 1에서 10 사이의 범위 내로 변환하였다. 마지막으로 기존 형태소 영향력 순위를 이용해 기존 Ground-Truth를 검증한 결과, 기존 사용자 평가는 신뢰할 수 있는 것으로 나타났다. 추가로 글자 크기별 형태소 영향력 계산이 유의미한지 평가하기 위해 켄달 타우 상관 계수로 형태소 영향력 순위 간 상관관계를 확인했다. 작은 글자 크기의 경우 기존 형태소 영향력과 큰 차이가 없어 따로 형태소 영향력 값을 계산하지 않아도 되나, 중간 글자 크기와 큰 글자 크기는 기존 형태소 영향력과 차이를 보였으므로 중간 이상의 글자 크기에 대해선 각각 형태소 영향력이 계산되어야 함을 알 수 있었다.

나아가 작은 글자 크기는 본문용, 중간 글자 크기는 발표 자료의 제목이나 본문용, 큰 글자 크기는 포스터 디자인이나 발표 자료의 제목에 쓰일 수 있으므로 글자 크기를 용도와 관련지을 수 있다. 용도에 맞는 폰트 추천도 가능해지면 폰트 전문가가 아닌 일반사용자가 폰트를 선택하기 쉬워질 것으로 예상하며 글자 크기별 형태소 영향력 계산의 활용 방안 확장을 기대할 수 있다.

References

  1. N. Kim, "A Study on The Typology for Fonts Identification - Focusing on The Difference Element in Shape of Hangul Font," Journal Korea Society of Visual Design Forum, Vol. 58, No. 1, pp. 89-99, 2018.
  2. Z. Wang, J. Yang, H. Jin, E. Shechtman, A. Agarwala, J. Brandt, et al., "Deep Font: Identify Your Font from an Image," Proceedings of the 23rd ACM International Conference on Multimedia, pp. 451-459, 2015.
  3. J. Jeon, CNN-based Similar Font Recommendation Techniques Using Hangul Stroke Elements Information, Master's Thesis of Sookmyung Women's University, 2021.
  4. G. Sakr, A. Mhanna, and R. Demerjian, "Convolution Neural Networks for Arabic Font Recognition," 15th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS), pp. 128-133, 2019.
  5. J. Jeon, D. Park, S. Lim, Y. Ji, and S. Lim, "Automatic Extraction of Hangul Stroke Element Using Faster R-CNN for Font Similarity," Journal of Korea Multimedia Society, Vol. 23, No. 8, pp. 953-964, 2020. https://doi.org/10.9717/KMMS.2020.23.8.953
  6. WhatTheFont, https://www.myfonts.com/WhatTheFont (accessed August 13, 2022).
  7. FontBox, https://kfonts.kr (accessed August 13, 2022).
  8. D. Park, J. Jeon, S. Lim, and S. Lim, "A Study on Influence of Stroke Element Properties to Find Hangul Typeface Similarity," Journal of Korea Multimedia Society, Vol. 23, No. 12, pp. 1552-1564, 2020. https://doi.org/10.9717/KMMS.2020.23.12.1552
  9. Y. Lee, J. Yoon, S. Lim, and Y. Song, "Confirming Performance of Automatic Extraction of Hangul Stroke Elements for Both Structured and Unstructured Fonts," The Spring Conference of the Korea Multimedia Society, 2022.
  10. TTA, Hangul Font Production Guides for Font Registration System Part 2. Design Based Classification, TTAK.KO-10.0906-Part2, 2016.
  11. S.G. Patro and K.K. Sahu, "Normalization: A Preprocessing Stage," International Advanced Research Journal in Science, Engineering and Technology (IARJSET), Vol. 2, No. 3, pp. 20-22, 2015.
  12. R. Newson, "Parameters behind 'Nonparametric' Statistics: Kendall's Tau, Somers' D and Median Differences," The Stata Journal, Vol. 2, No. 1, pp. 45-64, 2002. https://doi.org/10.1177/1536867X0200200103