컴퓨터 비전이 시선 탐지에 어떻게 사용될 수 있는지 탐색

Computer vision은 기계가 인간과 유사한 방식으로 시각 데이터를 분석하고 해석할 수 있도록 지원하는 데 초점을 맞춘 인공지능(AI)의 한 분야입니다. 비전 AI의 가장 매력적인 응용 분야 중 하나는 시선 감지(gaze detection)이며, 이를 통해 기계는 사람이 어디를 보고 있는지 추적하고 이해할 수 있습니다.

인간은 자연스럽게 타인의 시선을 따라가며 무엇에 집중하고 있는지 이해할 수 있습니다. 예를 들어, 친구와 대화하던 중 친구가 갑자기 문 쪽을 바라보면 본능적으로 고개를 돌려 무엇이 친구의 주의를 끌었는지 확인하게 됩니다. 반면 기계에는 이러한 내장된 능력이 없으므로, 컴퓨터 비전 기술을 사용하여 눈의 움직임을 인식하고 시선 방향을 해석하도록 학습되어야 합니다.

전 세계 gaze detection market 규모가 2032년까지 119억 달러에 이를 것으로 예상됨에 따라, 많은 산업에서 다양한 용도로 이를 도입하고 있습니다. 예를 들어, 자동차 분야의 시선 감지는 주의 수준을 모니터링하고 졸음이나 산만함의 징후를 감지하여 운전자 안전을 향상시키는 데 사용되고 있습니다.

이 글에서는 컴퓨터 비전이 어떻게 안구 추적 및 시선 추적에 활용되는지 알아보고, 다양한 산업 전반에 걸친 주요 응용 사례도 살펴보겠습니다. 시작해 볼까요!

안구 추적과 시선 추적이란 무엇인가요?#

안구 추적과 시선 추적은 안구 움직임과 시선 방향을 분석하여 사람의 주의 집중 지점을 결정하는 데 사용되는 기술입니다. AI와 센서 기술의 발전 덕분에 이제 실시간으로 사람의 눈을 추적하는 것이 가능해졌습니다.

전통적으로 대부분의 안구 추적 시스템은 적외선(IR) 카메라에 의존합니다. 이 시스템은 근적외선으로 눈을 비추고 각막 반사를 포착하여 동공의 움직임을 감지합니다. 이러한 시스템은 높은 정밀도를 제공하지만, 종종 착용하기 불편하고 보정 문제가 발생하기 쉬운 특수 헤드기어가 필요합니다.

AI의 부상과 함께 연구자들은 컴퓨터 비전 기반의 시선 추적(eye tracking) 방법을 적극적으로 탐색해 왔습니다. 전통적인 적외선(IR) 기반 시스템과 달리, 이러한 접근 방식은 Ultralytics YOLO11과 같은 computer vision models을 활용하여 눈과 동공 같은 얼굴 특징을 감지하고 머리 포즈 추정(head pose estimation)을 수행합니다. 그뿐만 아니라, NVIDIA의 GazeNet과 같은 특화된 딥러닝 모델들은 시선 추정(gaze estimation)을 위해 특별히 설계되었습니다.

그림 1. Ultralytics YOLO11을 사용하여 사람의 눈과 동공을 감지하는 예시.

여전히 발전 중인 분야이기는 하지만, 컴퓨터 비전 기반의 시선 추적은 안구 추적의 접근성을 높이고 비용을 절감하며 마케팅, 심리학, 신경과학 분야의 응용 프로그램 사용성을 개선할 잠재력을 가지고 있습니다.

시선 추적 및 안구 추적의 진화#

다음으로, 기존의 적외선 기반 시스템에서 보다 접근하기 쉬운 소프트웨어 중심의 솔루션으로의 전환을 살펴보겠습니다.

AI 없이도 안구 추적과 시선 추적이 가능한지 궁금하실 수 있습니다. 왜 이러한 기술에 AI와 컴퓨터 비전을 통합하는 연구가 지속되고 있을까요? 기존의 안구 추적 방식이 존재하긴 하지만, 종종 특수 적외선 카메라와 머리에 착용하는 안구 추적 장치가 필요하며, 이는 비용이 많이 들고 번거로우며 제어된 조명 환경을 요구합니다. 반면, AI 기반 솔루션은 표준 웹캠과 스마트폰 카메라를 사용하여 안구 추적을 구현할 수 있어 비용을 절감하고 접근성을 향상합니다.

Fig 2. 머리 장착형 시선 추적 장치.

안구 추적 및 시선 추적 기술의 진화를 이끄는 다른 요인들은 다음과 같습니다.

• 응용 분야: 소프트웨어 기반 접근 방식을 통해 이 분야는 연구 단계를 넘어 소비자 기기 및 게임과 같은 영역으로 확장되고 있습니다.
• 확장성: AI는 개인 사용자부터 대규모 산업에 이르기까지 더 많은 사용자가 시선 추적 솔루션을 사용할 수 있도록 지원합니다.
• 카메라 기술의 발전: 오늘날 우리는 고해상도 스마트폰과 웹캠 카메라를 사용할 수 있으며, 이는 20년 전에는 불가능했던 안구 추적 정확도를 향상해 줍니다.

시선 및 안구 추적을 위한 Ultralytics YOLO11 활용#

아이 트래킹과 시선 감지에서 컴퓨터 비전의 역할에 대해 논의했으므로, 이제 Ultralytics YOLO11을 여기서 어떻게 사용할 수 있는지 살펴보겠습니다.

Ultralytics YOLO11은 객체 감지 및 포즈 추정과 같은 작업을 지원합니다. COCO dataset으로 사전 학습되어 다양한 객체를 감지하는 데 있어 높은 정확도를 달성합니다. 특히 시선 감지 솔루션의 경우, YOLO11은 보조적인 역할을 수행할 수 있습니다.

직접 시선 방향을 예측할 수는 없지만, 추가 분석의 핵심이 되는 얼굴, 눈, 동공을 감지하도록 미세 조정(fine-tuning)할 수 있습니다. 이러한 특징들이 식별되면 추가 모델을 통해 안구 움직임 데이터를 처리하여 시선 방향을 추정할 수 있습니다.

예를 들어, 정확도를 높이기 위해 Ultralytics YOLO11을 WIDER FACE 같은 데이터셋으로 커스텀 학습하여 얼굴 검출에 활용할 수 있습니다. 또한 YOLO11의 포즈 추정 기능을 활용하면 머리 방향을 추적할 수 있어 시선 검출 정확도가 향상됩니다.

Fig 3. YOLO11은 사람의 얼굴을 감지하는 데 사용할 수 있습니다.

시선 추적의 실세계 응용 분야#

컴퓨터 비전이 활성화한 시선 추적 기술은 자동차 산업의 안전 향상부터 게임 내 집중도 분석에 이르기까지 산업 전반에 걸쳐 폭넓게 응용됩니다. 다양한 분야에서 이 기술을 어떻게 활용하고 있는지 살펴보겠습니다.

게임에서의 시선 추적#

시선 추적은 gaming 분야에서 플레이어의 집중도, 의사결정, 반응 시간에 대한 실시간 통찰력을 제공하는 데 사용되고 있습니다. 이 기술은 눈의 움직임을 추적함으로써 플레이어가 전략을 다듬고, 훈련 프로그램을 강화하며, 주요 순간에 플레이어가 어디를 보고 있는지 시각적으로 표시하여 관중의 참여도를 높이도록 돕습니다.

흥미로운 예로, 실제와 같은 운전 시뮬레이션을 통해 경쟁하는 가상 모터스포츠인 심 레이싱(sim racing)을 들 수 있습니다. 안구 추적은 드라이버가 트랙에 어떻게 집중하는지, 상대방에게 어떻게 반응하는지, 급커브를 어떻게 주행하는지 분석하는 데 도움을 줍니다. 실시간으로 시선을 추적함으로써 트레이너는 패턴을 식별하고 방해 요소를 포착하며 레이싱 전략을 개선할 수 있습니다.

Fig 4. 시선 추적은 시뮬레이션 레이서(sim racer)를 모니터링하고 분석하는 데 사용할 수 있습니다.

심 레이싱 외에도 안구 추적은 빠르게 진행되는 경쟁 게임에서 플레이어의 반사 신경, 반응 시간 및 주요 게임 요소에 대한 집중 방식을 분석하는 데 사용됩니다. 플레이어가 움직임을 취하기 전 어디를 보는지 파악함으로써, 이 데이터는 의사 결정을 세분화하고 정확도를 높이며 고수준 게임 플레이를 위한 훈련을 강화하는 데 도움을 줍니다.

심리학 연구를 위한 시선 추정#

시선 추정의 시각 AI 응용 사례 중 연구와 관련된 것이 많습니다. 좋은 예로 심리학에서 주의력, 인지 부하 및 사회적 행동을 연구하는 데 사용하는 것을 들 수 있습니다. 안구 움직임을 분석함으로써 연구자는 인식, 의사 결정, 그리고 자폐증이나 ADHD와 같은 정신 건강 상태에 대한 통찰력을 얻을 수 있습니다.

특히 컴퓨터 비전을 사용한 시선 추적은 안구 움직임, 고정 시간 및 시각적 주의의 패턴을 식별하여 인지적 및 감정적 상태를 밝혀낼 수 있습니다. 딥러닝과 AI 기반 시선 추정 기술이 발전함에 따라 이러한 방법은 더욱 정확하고 접근하기 쉬워지고 있으며, 신경학 연구 분야에서 더 넓게 응용되고 있습니다.

자동차 안전#

수년에 걸쳐 연구자들은 다양한 traffic conditions 속에서 운전자의 주의력과 집중도를 연구하기 위해 다양한 방법을 사용해 왔습니다. 이러한 방법 중에서 시선 추적은 매우 중요했으며, 운전 중 어디를 보고 있는지에 대한 통찰력을 제공할 수 있습니다.

컴퓨터 비전 모델의 도움으로 시선 추적은 실시간으로 안구 움직임을 정확하게 추적하여 이러한 분석을 더욱 개선할 수 있습니다. 이 분석을 통해 운전자 행동에 대해 더 잘 이해할 수 있으며, 주의 산만, 피로 또는 주의력 저하를 식별하여 도로 안전을 개선하고 첨단 운전자 보조 시스템(ADAS) 개발을 지원할 수 있습니다.

Fig 5. 얼굴 감지 및 시선 추적을 사용하여 운전자를 모니터링하는 예시.

예를 들어, 운전자가 휴대폰을 확인하기 위해 도로에서 자주 눈을 떼거나 교차로에서 반응이 늦을 경우, 시스템이 이러한 행동을 감지하고 주의를 환기하도록 경고를 보내 사고를 예방할 수 있습니다.

안구 추적 및 시선 추적의 장단점#

안구 추적 및 시선 추적 기술이 우리 일상에 가져올 수 있는 주요 이점은 다음과 같습니다.

• 인식 제고: 안구 추적은 사람들이 주변 환경과 시각적으로 어떻게 상호 작용하는지에 대한 통찰력을 제공하여 주의력과 집중력 패턴을 더 잘 이해하도록 돕습니다.
• 더 나은 의사 결정: 안구 추적에서 수집된 데이터는 연구자와 전문가가 객관적인 주의 집중 패턴을 기반으로 정보에 입각한 의사 결정을 내리는 데 도움을 줍니다.
• 향상된 시각적 인체공학: 시선 행동을 분석하면 눈의 피로를 줄이고 편안함을 개선하는 화면, 작업 공간 및 환경을 설계하는 데 도움이 됩니다.

이러한 이점이 시선 추적 기술이 우리 삶에 미치는 긍정적인 영향을 잘 보여주지만, 구현 과정에서 고려해야 할 과제들도 있습니다. 명심해야 할 주요 제한 사항은 다음과 같습니다.

• Privacy concerns: 지속적인 시선 추적은 프라이버시 문제를 야기하여 사용자를 불편하게 만들 수 있습니다. 투명성 확보, 사용자 동의, 그리고 로컬 데이터 처리는 이러한 우려를 완화하는 데 도움이 될 수 있습니다.

• 높은 연산 요구 사항: 실시간 시선 추적은 강력한 하드웨어를 요구할 수 있어 저전력 기기에서의 접근성을 제한합니다. 하지만 최적화된 모델들이 효율성을 높이는 데 기여하고 있습니다.

• 정확도 제한: 조명 변화, 머리 움직임, 안경이나 머리카락과 같은 장애물로 인해 실세계 환경에서는 시선 추적의 신뢰성이 떨어질 수 있습니다. 카메라 각도 또한 성능에 영향을 미칠 수 있습니다.

미래를 향한 시선#

Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 지원하는 아이 트래킹 및 시선 감지는 우리가 세상과 상호 작용하는 방식을 바꾸고 있습니다. 도로나 안전을 더 안전하게 만드는 것부터 인간의 행동을 이해하는 것까지, 이 기술은 일상생활에서 점점 더 유용해지고 있습니다.

개인정보 보호 우려와 강력한 컴퓨팅 성능에 대한 필요성과 같은 과제가 있지만, AI와 컴퓨터 비전의 발전으로 안구 추적 기술은 더욱 정확하고 사용하기 쉬워지고 있습니다. 지속적인 개선을 통해 다양한 산업 분야에서 더 큰 역할을 할 것으로 기대됩니다.

자세한 내용을 알아보려면 당사의 GitHub repository를 방문하고 our community에 참여해 보세요. 솔루션 페이지에서 AI in self-driving cars 및 computer vision in agriculture와 같은 분야의 혁신을 살펴보세요. our licensing options을 확인하고 비전 AI 프로젝트를 실제로 구현해 보세요. 🚀