실생활에서 사용되는 결제 시스템에는 전자 사인 , QR 코드, 바코드들이 사용된다. VR 환경 내에서 구현되어 있는 결제 시스템은 점점 연구가 시작되고 있다. 본 논문은 기존의 결제 시스템을 VR 환경에서 구현하기 위해 손 제스쳐 인식을 이용한 VR 전자사인 시스템을 제안한다. VR 시스템에 서는 키보드를 두드리거나 마우스를 건드릴 수 없는 상황이다. VR 컨트롤러를 가지고 결제 시스템 을 구성하기 위한 방법에는 여러 가지가 있을 수 있다. 손 제스처 인식을 이용한 전자사인이 그 중 하나인데, 손 제스쳐 인식에는 크게 Warping Methods, Statistical Methods, Template Matching 방법 으로 분류할 수 있다. 본 논문에서는 Template Matching 방법에 속한 $p 알고리즘을 이용하여, VR 에서 결제 시스템을 구성하였다. 그리고, VR 환경을 조성하기 위해서 Unity3D와 Vive 장비를 이용 해서 실제 결제가 이루어지는 paypal 시스템을 구현하였다.

최근 가상현실 기술의 발전으로 가상의 3D 객체와 자연스러운 상호작용이 가능하도록 하는 사용자 친화적인 손 제스처 인터페이스에 대한 연구가 활발히 진행되고 있다. 그러나 대부분의 연구는 단순하고 적은 종류의 손 제스처만 지원되고 있는 실정이다. 본 논문은 가상환경에서 3D 객체와 보다 직관적인 방식의 손 제스처 인터페이스 방법을 제안한다. 손 제스처 인식을 위 하여 먼저 전처리 과정을 거친 다양한 손 데이터를 이진 결정트리로 1차 분류를 한다. 분류된 데이 터는 리샘플링을 한 다음 체인코드를 생성하고 이에 대한 히스토그램으로 특징 데이터를 구성한다. 이를 기반으로 학습된 MCSVM을 통해 2차 분류를 수행하여 제스처를 인식한다. 본 방법의 검증을 위하여 3D 블록을 손 제스처를 통하여 조작하는 ‘Virtual Block’이라는 게임을 구현하여 실험한 결 과 16개의 제스처에 대해 99.2%의 인식률을 보였으며 기존의 인터페이스보다 직관적이고 사용 자 친화적임을 알 수 있었다.

While increasing demand of the service for the disabled and the elderly people, assistive technologies have been developed rapidly. The natural signal of human such as voice or gesture has been applied to the system for assisting the disabled and the elderly people. As an example of such kind of human robot interface, the Soft Remote Control System has been developed by HWRS-ERC in KAIST[1]. This system is a vision-based hand gesture recognition system for controlling home appliances such as television, lamp and curtain. One of the most important technologies of the system is the hand gesture recognition algorithm. The frequently occurred problems which lower the recognition rate of hand gesture are inter-person variation and intra-person variation. Intra-person variation can be handled by inducing fuzzy concept. In this paper, we propose multivariate fuzzy decision tree(MFDT) learning and classification algorithm for hand motion recognition. To recognize hand gesture of a new user, the most proper recognition model among several well trained models is selected using model selection algorithm and incrementally adapted to the user’s hand gesture. For the general performance of MFDT as a classifier, we show classification rate using the benchmark data of the UCI repository. For the performance of hand gesture recognition, we tested using hand gesture data which is collected from 10 people for 15 days. The experimental results show that the classification and user adaptation performance of proposed algorithm is better than general fuzzy decision tree.