OpenPose란 무엇인가요? 포즈 추정의 이정표 살펴보기

오늘날 이미지와 카메라는 휴대폰과 가정은 물론 공공장소에도 널리 사용됩니다. 우리는 순간을 기록하는 것뿐 아니라 주변 세계를 이해하고 상호작용하는 데에도 이미지와 카메라를 활용합니다.

그 배경에는 인공지능(AI)의 하위 분야인 컴퓨터 비전이 있으며, 컴퓨터 비전은 기계가 시각 데이터를 해석할 수 있게 해 이러한 일을 가능하게 합니다. 시스템이 객체를 탐지하고 얼굴을 인식하며 움직임을 추적하도록 하여 우리가 매일 사용하는 여러 기술에서 핵심적인 역할을 합니다.

최근 AI의 발전 덕분에 컴퓨터 비전 모델은 더욱 복잡한 데이터와 인사이트를 분석하고 추출할 수 있게 되었습니다. 그중 한 가지 예인 자세 추정은 사람의 움직임을 이해하는 데 초점을 둔 컴퓨터 비전 작업입니다.

자세 추정은 이미지나 비디오에서 어깨, 팔꿈치, 무릎과 같은 신체의 주요 지점을 식별하는 방식으로 작동합니다. 이를 통해 사람의 움직임을 분석할 수 있으며, 피트니스 추적, 애니메이션, 의료 등 다양한 분야에 활용할 수 있습니다.

자세 추정을 위해 개발된 여러 도구 중 OpenPose는 중요한 혁신으로 주목받습니다. 카네기멜런 대학교의 지각 컴퓨팅 연구소 연구진이 개발한 OpenPose는 카메라 하나만으로 여러 사람의 전신 자세를 실시간으로 탐지할 수 있는 최초의 오픈 소스 시스템 중 하나였습니다. 손, 발, 얼굴 키포인트도 포함하며, 사람당 최대 135개의 키포인트를 탐지합니다.

이 글에서는 OpenPose와 작동 방식, 그리고 컴퓨터 비전의 이정표로서 갖는 의미를 살펴보겠습니다.

그림 1. OpenPose를 사용한 다중 인물 자세 추정.

자세 추정의 역사 살펴보기#

AI가 널리 도입되기 전에는 비디오에서 사람의 움직임을 추적하려면 특수 장비가 필요했습니다. 영화 및 애니메이션과 같은 업계에서는 배우가 반사 마커가 달린 슈트를 착용하고, 카메라가 통제된 스튜디오 환경에서 움직임을 촬영하는 경우가 많았습니다.

마커 기반 모션 캡처 기술은 정확했지만 비용이 많이 들고 특정 환경에서만 사용할 수 있었습니다. 컴퓨터 비전이 발전하면서 연구자들은 마커 없이 신체 움직임을 추적하는 방법을 찾기 시작했습니다. 이미지에서 사람의 형태를 찾기 위해 에지, 윤곽선, 템플릿을 사용했습니다.

초기의 이러한 시스템은 단순하고 명확한 상황에서는 작동했지만 실제 환경에서는 어려움을 겪었습니다. 사람이 예상치 못한 방식으로 움직이거나 프레임에 두 명 이상이 등장하면 결과가 좋지 않은 경우가 많았습니다.

2010년대 후반 딥러닝은 자세 추정에 큰 변화를 가져왔습니다. 비전 AI 모델은 사람의 자세를 담은 대규모 데이터셋으로 학습시킬 수 있었습니다. 모델은 에지와 템플릿에 의존하는 대신, 레이블이 지정된 수천 개의 이미지를 분석하여 신체 관절과 구조를 인식하는 방법을 학습했습니다. 덕분에 자세 추정은 더 정확하고 유연해졌으며, 훨씬 다양한 환경에서 효과적으로 활용될 수 있었습니다.

그림 2. 2017년부터 2023년까지의 인간 자세 추정 모델 발전.

OpenPose: 현대적인 자세 추정의 출발점#

OpenPose는 2017년에 처음 공개되었으며, 단일 이미지에서 여러 사람의 자세를 동시에 추정할 수 있습니다. 기존 시스템과 달리 OpenPose에는 특수 슈트나 마커가 필요하지 않습니다. 일반 카메라를 사용하며 이미지와 비디오를 실시간으로 처리할 수 있습니다. 이러한 특징 덕분에 개발자와 연구자는 자세 추정 기술을 더 쉽게 활용할 수 있게 되었습니다.

OpenPose가 컴퓨터 비전의 토대를 마련한 덕분에 다른 연구자들은 다양한 애플리케이션을 위한 새로운 아키텍처를 구축할 수 있었습니다. 오늘날 Ultralytics YOLOv8과 Ultralytics YOLO11, 그리고 최근에는 Ultralytics YOLO26처럼 포즈 추정 작업을 지원하는 비전 AI 모델이 더 빠른 결과와 낮은 지연 시간을 제공합니다.

그림 3. 자세 추정에 YOLO11 사용.

하지만 자세 추정의 발전 과정이 궁금하다면 OpenPose부터 살펴보는 것이 좋습니다. OpenPose는 오늘날에도 많은 최신 시스템이 활용하는 핵심 아이디어를 도입했습니다.

OpenPose의 주요 기능#

OpenPose가 중요한 이유를 더 잘 이해했으니, 이제 실제로 어떤 기능을 제공하는지 자세히 살펴보겠습니다.

OpenPose 기능의 핵심에는 키포인트 탐지가 있습니다. 키포인트는 코끝, 어깨 중심, 팔꿈치, 손목, 엉덩이, 무릎, 발목처럼 인체에서 기준이 되는 특정 지점입니다. OpenPose는 손가락과 얼굴 특징처럼 세부적인 영역을 포함해 사람당 최대 135개 지점을 탐지할 수 있습니다.

이 지점들을 연결하면 인체를 단순화해 표현할 수 있으며, 디지털 골격으로 생각할 수 있습니다. 이 골격 윤곽은 사람의 위치뿐 아니라 자세도 보여 줍니다. 즉 앉아 있는지, 서 있는지, 손을 흔드는지, 웃는지, 걷는지를 나타냅니다. 컴퓨터는 이러한 골격을 사용해 사람의 움직임을 시각적으로 해석할 수 있으며, 이는 우리가 누군가의 몸짓을 직관적으로 이해하는 방식과 비슷합니다.

골격 추적은 배경의 잡음과 방해 요소를 제거하고 시스템이 사람의 자세와 동작에만 집중하게 해 주기 때문에 특히 유용합니다. 모든 픽셀을 분석하는 대신, OpenPose는 사람이 어떻게 움직이거나 상호작용하는지 알려 주는 의미 있는 지점에 집중합니다.

OpenPose는 일상적인 이미지나 비디오에서 이러한 구조화된 정보를 추출하여 제스처에 반응하고, 신체 활동을 모니터링하고, 감정 신호를 평가하거나, 디지털 캐릭터를 애니메이션화하는 애플리케이션을 구축할 수 있게 합니다.

OpenPose는 어떻게 작동하나요?#

OpenPose가 시각 입력에서 인체 키포인트를 탐지하고 연결하는 과정은 다음과 같습니다.

• 이미지로 시작: OpenPose는 사진, 비디오 또는 라이브 카메라 피드에서 단일 이미지를 가져옵니다.
• 주요 신체 부위를 찾습니다: 시스템은 코, 팔꿈치, 손목, 무릎, 발목 등 신체의 주요 지점을 찾습니다. 시스템이 신체 부위의 위치를 확신하는 곳에 해당 지점을 표시합니다.
• 각 부위의 연결 관계를 파악합니다: 다음으로 OpenPose는 키포인트가 어떻게 연결되는지 확인합니다. 수학적 계산을 사용해 어떤 관절이 같은 사람에 속하는지 판단합니다. 예를 들어 손목을 해당 인물의 오른쪽 팔꿈치 및 어깨와 연결합니다.
• 사람마다 골격을 그립니다: 키포인트를 그룹화한 다음 OpenPose는 이를 연결해 각 사람의 자세를 보여 주는 '막대 인간' 형태를 만듭니다. 같은 프레임에 여러 사람이 등장해도 작동합니다.
• 자세 데이터를 반환합니다: 마지막으로 탐지된 모든 키포인트의 정확한 위치를 제공합니다. 이 데이터는 실시간으로 움직임을 추적하고, 제스처를 인식하거나, 인터랙티브 도구를 구축하는 데 사용할 수 있습니다.

그림 4. OpenPose를 사용한 사람 키포인트 탐지 및 추적.

OpenPose를 활용한 산업별 자세 추정 애플리케이션#

OpenPose는 다양한 실제 활용 사례에서 자세 추정을 실용적으로 사용할 수 있게 한 최초의 고급 도구 중 하나였습니다. 오늘날 실시간 컴퓨터 비전 솔루션에서는 흔히 사용되지 않지만, 스포츠, 엔터테인먼트, 교육, 안전 등의 분야에서 초기 연구의 방향을 형성하는 데 중요한 역할을 했습니다.

OpenPose가 이러한 분야의 발전에 어떻게 기여했는지 자세히 살펴보겠습니다.

피트니스 및 스포츠 분야의 OpenPose 기반 자세 추정#

야구 경기를 볼 때 투구, 스윙, 도루가 무엇인지 쉽게 알 수 있습니다. 우리는 사람의 움직임을 직관적으로 읽고 큰 노력 없이 상황을 이해합니다. 하지만 기계가 이러한 동작을 인식하는 일은 훨씬 복잡합니다. 기계는 신체 각 부위가 공간에서 어떻게 움직이는지 정확한 정보를 필요로 합니다.

OpenPose는 컴퓨터 비전의 이 분야에서 상당한 진전을 이루었습니다. 다양한 환경에서 운동 자세를 분석하는 실용적인 도구였습니다.

많은 연구 프로젝트에서 OpenPose를 사용해 스윙과 점프 같은 움직임을 분석했으며, 선수의 움직임을 바탕으로 특정 야구 동작을 분류하기도 했습니다. 일반 비디오를 사용해 개방된 환경에서 작동했기 때문에 연구자들은 이러한 시스템이 실제 훈련이나 코칭 환경에서 어떻게 작동할지 테스트할 수 있었습니다.

이러한 초기 연구는 현재 고급 스포츠 기술에서 사용되는 성능 추적 도구의 토대를 마련하는 데 기여했습니다.

그림 5. OpenPose를 사용한 야구 동작 분류 파이프라인입니다.

보안 및 안전 시스템에서의 OpenPose 활용#

마찬가지로 연구자들은 비디오 기반 포즈 추적이 안전 모니터링을 지원할 수 있는 방법을 알아보기 위해 OpenPose를 사용했습니다. OpenPose는 낙상, 예상치 못한 제스처, 공공장소에서의 움직임 패턴과 같은 행동을 감지하는 데 테스트되었습니다.

일반 카메라를 사용할 수 있었기 때문에 OpenPose는 병원이나 교통 허브와 같은 환경에서 초기 실험에 더 쉽게 접근할 수 있도록 했습니다. 이러한 연구는 현재 감시, 낙상 감지, 비상 대응 시스템에서 사용되는 최신 모델 개발을 촉진하는 데 기여했습니다.

그림 6. OpenPose를 활용한 낙상 감지입니다.

OpenPose의 장단점#

OpenPose가 제공하는 몇 가지 이점을 살펴보겠습니다.

• 연구 및 프로토타이핑에 유용: 학술 연구에서 널리 사용되었으며, 특히 인간-컴퓨터 상호작용, 생체역학, 행동 분석 분야에서 활용되었습니다.
• 크로스 플랫폼 지원: Windows, Linux, macOS에서 실행할 수 있으며, 중앙 처리 장치(CPUs)와 그래픽 처리 장치(GPUs)를 모두 지원합니다.
• 오프라인 처리 기능: 인터넷에 연결되지 않은 환경에서도 실행할 수 있어 의료나 교육처럼 개인정보 보호가 중요한 환경에 적합합니다.

OpenPose는 큰 발전을 이루었지만, 유념해야 할 기술적 한계도 있습니다. OpenPose와 관련된 주요 과제는 다음과 같습니다.

• 높은 처리 요구 사항: OpenPose를 실시간으로 실행하려면 강력한 GPU와 상당한 컴퓨팅 리소스가 필요합니다.
• 환경에 민감함: 조도가 낮거나 사람이 붐비는 공간, 또는 카메라 각도가 적절하지 않은 경우 성능이 저하될 수 있습니다.
• 최신 모델에 비해 무거움: 최신 포즈 추정 모델과 비교하면 OpenPose는 상대적으로 크고 느립니다. 스마트폰, 태블릿, 임베디드 시스템처럼 리소스가 제한된 기기에 배포하기에는 적합하지 않습니다.

핵심 요점#

OpenPose는 포즈 추정을 더 쉽게 활용할 수 있도록 하는 데 중요한 역할을 했습니다. 특수 복장이나 장비에 의존하지 않고 일반 카메라만으로 신체 움직임을 추적할 수 있음을 보여주었습니다.

OpenPose는 의료, 교육, 엔터테인먼트, 연구 등 다양한 분야의 여러 실용적인 애플리케이션을 위한 토대를 마련했습니다. 최신 모델은 이제 더 빠른 속도와 더 작은 크기를 제공하지만, OpenPose는 포즈 추정이 어떻게 발전해 왔는지 이해하는 데 중요한 기준점으로 남아 있습니다.

AI에 대해 자세히 알아보려면 커뮤니티에 참여하고 GitHub 리포지토리를 방문하세요. 컴퓨터 비전 솔루션을 직접 구축하려면 라이선스 옵션을 살펴보세요. 또한 의료 분야의 컴퓨터 비전과 물류 분야의 AI가 어떤 영향을 미치고 있는지도 확인해 보세요!