시선 감지에 컴퓨터 비전을 사용하는 방법 살펴보기

컴퓨터 비전은 기계가 인간과 유사한 방식으로 시각 데이터를 분석하고 해석할 수 있도록 하는 데 중점을 둔 인공 지능(AI)의 한 분야입니다. Vision AI의 특히 흥미로운 응용 분야 중 하나는 시선 추적이며, 이를 통해 기계가 사람의 시선을 추적하고 이해할 수 있습니다.

사람으로서 우리는 자연스럽게 다른 사람의 시선을 따라가고 그들이 무엇에 집중하고 있는지 이해할 수 있습니다. 예를 들어 친구와 이야기하고 있는데 갑자기 친구가 문 쪽을 바라보면 본능적으로 고개를 돌려 무엇이 그들의 관심을 끌었는지 확인할 수 있습니다. 반면에 기계는 이러한 내장된 능력이 없으므로 눈의 움직임을 인식하고 시선 방향을 해석하기 위해 컴퓨터 비전 기술을 사용하여 훈련해야 합니다. 

전 세계 시선 감지 시장이 2032년까지 119억 달러에 이를 것으로 예상됨에 따라 많은 산업 분야에서 다양한 애플리케이션에 이를 채택하고 있습니다. 예를 들어 자동차의 시선 감지는 운전자의 주의 수준을 모니터링하고 졸음 또는 주의 산만의 징후를 감지하여 운전자의 안전을 개선하는 데 사용되고 있습니다.

본 문서에서는 컴퓨터 비전이 시선 추적 및 응시 감지에 어떻게 사용되는지 살펴보겠습니다. 또한 다양한 산업 분야에서 주요 응용 사례를 몇 가지 살펴보겠습니다. 그럼 시작해 볼까요!

시선 추적 및 응시 감지란 무엇인가요?

시선 추적 및 응시 감지는 눈의 움직임과 응시 방향을 분석하여 사람의 주의 집중 대상을 결정하는 데 사용되는 기술입니다. AI 및 센서 기술의 발전 덕분에 이제 사람의 눈을 실시간으로 추적할 수 있습니다. 

전통적으로 대부분의 시선 추적 시스템은 적외선(IR) 카메라를 사용하여 근적외선으로 눈을 비추고 각막 반사를 캡처하여 동공 움직임을 감지합니다. 이러한 시스템은 높은 정밀도를 제공합니다. 그러나 착용하기에 불편하고 보정 문제가 발생하기 쉬운 특수 헤드기어가 필요한 경우가 많습니다.

AI의 부상과 함께 연구자들은 컴퓨터 비전 기반 시선 추적 방법을 적극적으로 연구해 왔습니다. 기존 IR 기반 시스템과 달리 이러한 접근 방식은 눈과 동공과 같은 얼굴 특징을 감지하고 머리 자세 추정을 수행하기 위해 컴퓨터 비전 모델 (예: Ultralytics YOLO11)에 의존합니다. 이 외에도 NVIDIA의 GazeNet과 같은 특수 딥 러닝 모델은 시선 추정을 위해 특별히 설계되었습니다. 

‍

아직 발전하고 있는 분야이지만, 컴퓨터 비전 기반 시선 추적은 마케팅, 심리학 및 신경 과학 분야의 애플리케이션에 대한 접근성을 높이고 비용을 절감하며 사용성을 향상시킬 수 있는 잠재력이 있습니다.

시선 감지 및 시선 추적의 진화

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

AI 없이도 시선 추적 및 응시 감지가 가능한지 궁금할 수 있습니다. 그렇다면 AI와 컴퓨터 비전을 이러한 기술에 통합하기 위한 연구가 계속 진행 중인 이유는 무엇일까요? 기존의 시선 추적 방식은 특수 적외선 카메라와 머리 장착형 시선 추적 장치에 의존하는 경우가 많아 비용이 많이 들고 번거로우며 조명 조건도 제어해야 합니다. 그러나 AI 기반 솔루션을 사용하면 표준 웹캠과 스마트폰 카메라를 사용하여 시선 추적이 가능하므로 비용을 절감하고 접근성을 높일 수 있습니다. 

‍

시선 추적 및 응시 감지 기술 진화의 배경에는 다음과 같은 다른 요인들도 있습니다.

• 애플리케이션: 소프트웨어 기반 접근 방식을 통해 이 공간은 연구를 넘어 소비자 장치 및 게임과 같은 영역으로 확장될 수 있습니다.
  ‍
• 확장성: AI는 개인 사용자부터 대규모 산업에 이르기까지 더 많은 청중이 시선 감지 솔루션을 사용할 수 있도록 지원할 수 있습니다.
  ‍
• 카메라 기술의 발전: 오늘날 우리는 20년 전에는 불가능했던 시선 추적 정확도를 향상시키는 고해상도 스마트폰 및 웹캠 카메라에 액세스할 수 있습니다.

시선 감지 및 시선 추적을 위한 Ultralytics YOLO11 사용

이제 컴퓨터 비전이 시선 추적 및 시선 감지에서 수행하는 역할에 대해 논의했으므로 YOLO11을 여기에서 어떻게 사용할 수 있는지 살펴보겠습니다.

Ultralytics YOLO11은 객체 감지 및 자세 추정과 같은 작업을 지원합니다. COCO 데이터 세트에서 사전 훈련되어 다양한 객체를 감지하는 데 높은 정확도를 제공합니다. 특히 시선 감지 솔루션의 경우 YOLO11이 지원 역할을 수행할 수 있습니다. 

시선 방향을 직접 예측할 수는 없지만, 얼굴, 눈, 동공을 탐지하도록 미세 조정할 수 있으며, 이는 추가 분석에 중요합니다. 이러한 특징이 식별되면 추가 모델이 시선 방향을 추정하기 위해 눈 움직임 데이터를 처리할 수 있습니다. 

예를 들어, 정확도를 높이기 위해 YOLO11은 얼굴 감지를 위해 WIDER FACE와 같은 데이터 세트에서 사용자 정의 훈련을 받을 수 있습니다. 또한 YOLO11의 자세 추정 기능과 관련하여 머리 방향을 추적하여 시선 감지 정확도를 향상시킬 수 있습니다.

‍

시선 감지의 실제 애플리케이션

컴퓨터 비전으로 구현된 시선 감지는 자동차 부문의 안전 개선부터 게임에서의 집중도 분석에 이르기까지 다양한 산업 분야에서 광범위한 응용 분야를 가지고 있습니다. 다양한 분야에서 이 기술을 어떻게 활용하고 있는지 살펴보겠습니다.

게임에서의 시선 추적

시선 추적은 플레이어의 집중도, 의사 결정 및 반응 시간에 대한 실시간 인사이트를 제공하기 위해 게임에서 사용되고 있습니다. 이 기술은 시선 움직임을 추적하여 플레이어가 전략을 개선하고, 훈련 프로그램을 강화하며, 주요 순간에 플레이어가 어디를 보고 있는지 시각적으로 표시하여 청중 참여도를 높이는 데 도움을 줍니다.

이에 대한 흥미로운 예는 플레이어가 현실적인 운전 시뮬레이션을 사용하여 경주하는 경쟁적인 가상 모터스포츠인 심 레이싱입니다. 시선 추적은 운전자가 트랙에 어떻게 집중하고, 상대방에게 어떻게 반응하고, 급커브를 어떻게 탐색하는지 분석하는 데 도움이 됩니다. 실시간으로 시선을 추적함으로써 트레이너는 패턴을 식별하고, 주의 산만을 발견하고, 레이싱 전략을 개선할 수 있습니다. 

‍

심 레이싱 외에도, 눈 추적 기술은 빠른 속도로 진행되는 경쟁 게임에서 플레이어의 반사 신경, 반응 시간, 그리고 게임 내 주요 요소에 집중하는 방식을 분석하는 데 사용되고 있습니다. 플레이어가 움직이기 전에 어디를 보는지 파악함으로써, 이 데이터는 의사 결정 능력을 개선하고, 정확도를 높이며, 높은 수준의 게임 플레이를 위한 훈련을 강화하는 데 도움이 됩니다.

심리 연구를 위한 시선 추정

시선 추적에는 연구와 관련된 많은 Vision AI 애플리케이션이 있습니다. 좋은 예는 주의력, 인지 부하 및 사회적 행동을 연구하기 위해 심리학에서 사용되는 것입니다. 연구자들은 시선 움직임을 분석하여 인식, 의사 결정 및 자폐증 및 ADHD와 같은 정신 건강 상태에 대한 통찰력을 얻을 수 있습니다. 

특히 컴퓨터 비전을 사용한 시선 추적은 눈 움직임, 응시 지속 시간 및 시각적 주의 패턴을 식별하는 데 도움이 되며, 이는 인지 및 감정 상태를 나타낼 수 있습니다. 딥 러닝 및 AI 기반 시선 추정의 발전으로 이러한 방법은 더욱 정확하고 접근성이 높아져 신경학 연구에서 더 광범위한 응용이 가능합니다.

자동차 안전

수년에 걸쳐 연구자들은 다양한 교통 상황에서 운전자의 주의력과 집중력을 연구하기 위해 다양한 방법을 사용해 왔습니다. 이러한 방법 중에서도 시선 추적은 매우 중요하며 운전 중 운전자가 어디를 보고 있는지에 대한 통찰력을 제공할 수 있습니다. 

컴퓨터 비전 모델의 도움으로 시선 감지는 실시간으로 눈의 움직임을 정확하게 추적하여 이러한 분석을 더욱 개선할 수 있습니다. 이 분석은 운전자의 행동에 대한 더 나은 이해를 제공하여 주의 산만, 피로 또는 주의력 저하를 식별하는 데 도움이 되며, 이는 도로 안전을 개선하고 첨단 운전자 보조 시스템 개발을 지원할 수 있습니다.

‍

예를 들어 운전자가 휴대폰을 확인하느라 도로에서 자주 시선을 떼거나 교차로에서 반응이 느린 경우, 시스템은 이러한 행동을 감지하여 주의를 환기시키는 경고를 보내 사고를 예방할 수 있습니다.

시선 추적 및 응시 감지의 장단점

시선 추적 및 응시 감지 기술이 일상 생활에 가져다 줄 수 있는 주요 이점은 다음과 같습니다.

• 인식률 향상: 시선 추적은 사람들이 주변 환경과 시각적으로 상호 작용하는 방식에 대한 통찰력을 제공하여 주의력 및 집중 패턴을 더 잘 이해하는 데 도움이 됩니다.
  ‍
• 더 나은 의사 결정: 시선 추적에서 수집된 데이터는 연구원과 전문가가 객관적인 주의 패턴을 기반으로 정보에 입각한 결정을 내리는 데 도움이 됩니다.
  ‍
• 향상된 시각적 인체 공학: 시선 행동을 분석하면 눈의 피로를 줄이고 편안함을 개선하는 화면, 작업 공간 및 환경을 설계하는 데 도움이 될 수 있습니다.

이러한 이점은 시선 감지가 우리 삶에 긍정적인 영향을 미칠 수 있는 방법을 강조하지만, 구현과 관련된 어려움을 고려하는 것도 중요합니다. 다음은 명심해야 할 주요 제한 사항입니다.

• 개인 정보 보호 문제(Privacy concerns): 지속적인 시선 추적은 개인 정보 문제를 야기하여 사용자를 불편하게 만들 수 있습니다. 투명성, 사용자 동의 및 로컬 데이터 처리를 보장하면 이러한 문제를 완화하는 데 도움이 될 수 있습니다.

• 높은 계산 수요: 실시간 시선 추적은 강력한 하드웨어를 필요로 하여 저전력 장치에서의 접근성을 제한할 수 있습니다. 그러나 최적화된 모델은 효율성을 개선하는 데 도움이 됩니다.

• 정확도 제한 사항: 시선 추적은 조명 변화, 머리 움직임 또는 안경 및 머리카락과 같은 장애물로 인해 실제 환경에서는 신뢰성이 떨어질 수 있습니다. 카메라 각도 또한 성능에 영향을 줄 수 있습니다.

미래를 주시하세요.

YOLO11과 같은 컴퓨터 비전 모델로 지원되는 시선 추적 및 응시 감지는 우리가 세상과 상호 작용하는 방식을 변화시키고 있습니다. 도로 안전을 개선하는 것부터 인간 행동을 이해하는 것까지, 이 기술은 일상생활에서 점점 더 유용해지고 있습니다.

개인 정보 보호 문제 및 고성능 컴퓨터의 필요성과 같은 어려움이 있지만, AI 및 컴퓨터 비전 기술의 발전으로 시선 추적은 더욱 정확해지고 사용하기 쉬워지고 있습니다. 기술이 계속 발전함에 따라 다양한 산업에서 더 큰 역할을 할 것으로 예상됩니다.

자세한 내용은 GitHub 저장소를 방문하여 커뮤니티에 참여하십시오. 솔루션 페이지에서 자율 주행 자동차의 AI 및 농업의 컴퓨터 비전과 같은 분야의 혁신을 살펴보십시오. 라이선스 옵션을 확인하고 Vision AI 프로젝트를 실현하십시오. 🚀