손바닥 인식 시스템을 위한 일관된 ROI 추출 방법 문의

핵심 요약

IITD 및 Tongji 데이터셋을 활용한 손바닥 인식 시스템 구축 중, OpenCV 기반 전처리 방식의 한계를 극복하고 일관된 ROI(관심 영역)를 추출하기 위한 기술적 조언을 구하는 게시물이다.

배경

사용자는 IITD 및 Tongji 손바닥 이미지 데이터셋을 사용하여 인식 모델을 학습시키려 하지만, 기존 OpenCV 기반 파이프라인에서 ROI 추출의 일관성이 떨어지는 문제(70-80% 성공률)를 겪고 있다. 특히 손가락이나 배경이 포함되거나 중심이 어긋나는 문제를 해결하기 위해 커뮤니티에 더 나은 접근 방식을 문의했다.

의미 / 영향

손바닥 인식에서 ROI 추출의 일관성은 모델 성능의 병목 현상이 될 수 있으며, 단순 기하학적 전처리보다는 랜드마크 기반의 정렬이 실무적 해결책으로 선호된다. 특히 다양한 해상도의 데이터셋을 혼용할 경우 파라미터의 정규화가 필수적임이 확인됐다.

커뮤니티 반응

사용자가 구체적인 코드 파라미터와 데이터셋 정보를 제공하여 기술적인 조언을 얻기에 적합한 상태이며, 유사한 ROI 추출 문제를 겪은 개발자들의 관심이 예상된다.

실용적 조언

거리 변환(Distance Transform) 결과의 최대값 지점을 손바닥 중심으로 사용하되, 손가락 골짜기(Valleys)를 찾아 회전을 보정하라.
이미지 크기에 따라 CLAHE의 tileGridSize를 동적으로 조정하여 조명 불균형을 해결하라.
MediaPipe Hands를 사용하여 21개의 손 랜드마크를 추출하고, 이를 기준으로 ROI를 크롭하면 훨씬 일관된 결과를 얻을 수 있다.

언급된 도구

OpenCV추천

이미지 전처리, 윤곽선 검출 및 ROI 추출

IITD Palmprint V1중립

손바닥 인식 연구용 데이터셋

Tongji Palmprint Dataset중립

손바닥 인식 연구용 데이터셋

섹션별 상세

사용자는 현재 OpenCV를 활용하여 그레이스케일 변환, CLAHE(clipLimit=2.0, tileGridSize=(5,5)), 미디언 블러, 임계값 처리 및 최대 윤곽선 검출 과정을 거치고 있다. 이 과정에서 거리 변환(Distance Transform)을 통해 손바닥 중심인 'Palm Core'를 찾고 512x512 크기로 크롭하고 있으나, 약 20-30%의 이미지에서 줌 정도가 일정하지 않거나 중심이 빗나가는 현상이 발생하고 있다. 특히 손가락이 과도하게 포함되거나 손바닥이 잘리는 등의 문제가 학습 성능 저하의 원인이 되고 있다.

데이터셋의 특성에 따른 처리 방식의 차이가 주요 논점으로 작용한다. IITD(1200x1600)와 Tongji(800x600) 데이터셋은 해상도와 촬영 환경이 다르므로, 고정된 파라미터보다는 이미지 크기에 비례하는 동적인 파라미터 설정이나 정규화 과정이 필요하다. 사용자는 동일한 파이프라인이 새로운 이미지 식별 시에도 작동해야 한다는 점을 강조하며 범용적인 해결책을 찾고 있다.

단순한 기하학적 중심(Centroid) 대신 손가락 사이의 골짜기(Valleys)를 랜드마크로 활용하는 전통적인 손바닥 ROI 추출 알고리즘이 대안으로 제시될 수 있다. 검지와 중지, 약지와 소지 사이의 점을 연결하여 기준선을 만들고 이를 바탕으로 좌표계를 설정하는 방식이 일관성 확보에 유리하다. 이러한 방식은 손의 회전이나 크기 변화에도 더 견고한(Robust) 결과를 제공할 수 있다.

실무 Takeaway

단순 윤곽선 기반 중심점 추출은 손의 자세 변화에 취약하므로 랜드마크 기반 정렬이 필요하다.
CLAHE와 같은 전처리 단계에서 파라미터를 데이터셋 해상도에 맞춰 최적화해야 일관성을 높일 수 있다.
전통적인 OpenCV 방식 외에도 MediaPipe와 같은 딥러닝 기반 손 핵심 포인트 검출 모델을 활용하는 것이 더 견고한 대안이 될 수 있다.