KR102344718B1 - 동물을 식별 및 인증 중 적어도 하나를 수행하기 위해 획득한 동물 이미지를 클러스터링하는 방법 - Google Patents

Abstract

본 발명은 신체적(물리적) 특성을 기반으로 획득한 이미지에서 동물을 클러스터링하고 식별하는 방법이 제공되며, 여기서 특성 값은 특성의 속성인 스칼라 또는 벡터 양이고 특성 거리는 비교대상 두 동물의 동일한 부분의 특성 값 간의 불일치를 측정하며, 특성 값을 사용하여 클러스터링을 구현하는 몇 가지 다른 방법도 기술되어 있다.

Description

동물을 식별 및 인증 중 적어도 하나를 수행하기 위해 획득한 동물 이미지를 클러스터링하는 방법{Method for clustering acquired animal images to perform at least one of identifying and authenticating animals}

본 발명은 동물의 신체적 특성을 기반으로 획득한 동물 이미지를 클러스터링하고 식별 또는 인증하는 방법에 관한 것으로서, 여기서 유전적 특성(trait)은 유전적 특성의 고유한 스칼라 또는 벡터 양이고, 유전적 특성 거리는 두 동물의 동일한 유전적 특성간의 거리로 동물 이미지로부터 두 동물의 동일성 여부를 식별 또는 인증할 때 사용되는 불일치 척도이며, 상기 유전적 특성 거리에 기초하여 신체 부위의 모양, 상대적 위치 및 동물 특징에 기반하여 동물을 식별 또는 인증 중 적어도 하나 이상을 수행하기 위해 획득한 동물 이미지를 클러스터링 하는 방법에 관한 것이다.

고양이, 소, 말을 포함하는 넓은 범주의 동물에 있어서 머리와 신체의 형태, 머리, 신체, 코에 있는 개별 캐릭터들의 형태, 상대적인 위치와 비율 같은 신체적 특성을 기반으로 획득된 동물 이미지의 정면상 및 측면상으로 동물을 클러스터링하고 식별하는 방법이 존재했다. 그러나 안면 및 몸통 인식을 통해 서로 다른 품종의 동물을 구별하는 보다 안정적이고 빠른 방법이 요구되고 있다.

등록특허공보 : 제10-1494717호 등록특허공보 : 제10-1494716호

본 발명에 해결하고자 하는 과제는 동물의 안면 및 신체를 디지털 카메라 또는 비디오 카메라를 사용하여 이미지를 획득하여 다른 품종의 동물을 구별하는 빠르고 신뢰할 수 있는 동물 인식 방법을 제공하는데 있다.

본 발명에 해결하고자 하는 또 다른 과제는 디지털 카메라 또는 비디오 카메라를 사용하여 획득한 동물의 안면 및 신체 특성을 소정 그룹으로 나누어 클러스터링하고, 클러스터링 수단과 종래의 동물 식별 또는 인증 기술에서 사용하고 있는 코무늬 생체 인식과 함께 사용하면 검색 범위를 좁혀 검색 속도와 식별 정확도를 높이는 유리한 동물 식별 또는 인증 방법을 제공하는데 있다.

본 발명의 과제의 해결 수단은 동물을 식별 및 인증 중 적어도 하나를 수행하기 위해 획득한 동물 이미지를 클러스터링하는 방법에 있어서, 동물 인식을 위하여 카메라로 동물 이미지를 획득하는 단계; 획득한 동물 이미지 중에서 복수의 특성 값을 이용하여 동물을 식별하기 위하여 복수의 특성 값을 클러스터 집합으로 분할하여 클러스터링을 수행하는 단계; 및 수행된 클러스터링을 비교대상 동물의 식별 및 인증 중 적어도 하나로 사용하기 위하여 데이터베이스에 등록 저장하는 단계를 포함하며, 상기 클러스터는 연산된 특성 거리 값이 속하는 클러스터로 선택함을 특징으로 하는 동물을 식별 또는 인증 중 적어도 하나 이상을 수행하기 위해 획득한 이미지를 클러스터링 하는 방법을 제공하는데 있다.

본 발명의 또 다른 과제의 해결 수단은 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은 머리 모양, 귀 모양, 꼬리 모양, 상대적인 눈 및 코 위치, 신체 프로파일 윤곽, 및 코 패턴 중 적어도 하나 이상을 구성하되, 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은; 및 획득한 동물의 이미지 중에서 머리 길이에 대한 주둥이 길이의 비율 계산하는 단계를 포함한 동물을 식별 또는 인증 중 적어도 하나 이상을 수행하기 위해 획득한 이미지를 클러스터링 하는 방법을 제공하는데 있다.

본 발명의 또 다른 과제의 해결 수단은 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은; 프로파일 세트에 의해 몸통 프로파일 윤곽 특성을 정의하는 단계; 및 상기 몸통 프로파일 윤곽 특성을 정의하는 단계에 의해 설정된 프로파일을 계산하는 단계; 고정된 크기의 바운딩 박스에 맞도록 몸통 프로파일 윤곽의 크기를 조정하고 크기를 변경하는 단계; 및 크기가 조정되고 크기가 변경된 몸통 프로파일 윤곽선 내에 있는 픽셀을 선택하는 단계를 포함한다

본 발명의 또 다른 과제의 해결 수단은 동물을 검색하는 방법에 있어서, 카메라로 동물 이미지를 획득하는 단계; 획득한 동물 이미지 중에서 복수의 특성을 사용하여 동물의 특성 값를 계산하는 단계; 동물이 속한 클러스터를 발견하는 단계; 및 검색 범위를 동일한 클러스터에 속하는 동물로 범위를 제한하여 신속 정확하게 동물을 식별하기 위해 획득한 이미지를 클러스터링을 이용한 동물을 검색하는 방법을 제공하는데 있다.

본 발명은 동물의 안면 및 신체를 디지털 카메라 또는 비디오 카메라를 사용하여 이미지를 획득하여 다른 품종의 동물을 구별하는 빠르고 신뢰할 수 있는 동물 식별 또는 인증 방법을 제공할 수 있는 상승된 효과가 있다.

또한, 본 발명은 디지털 카메라 또는 비디오 카메라를 사용하여 획득한 동물의 안면 및 신체 특성을 소정 그룹으로 나누어 클러스터링하고, 클러스터링 수단과 종래의 동물 식별 또는 인증 기술에서 사용하고 있는 코무늬 생체 인식과 함께 사용하면 검색 범위를 좁혀 검색 속도와 식별 정확도를 높이는 유리한 동물 인식 방법을 제공할 수 유리한 효과가 있다.

도 1a 및 1b는 다양한 견종의 신체 프로파일 윤곽뿐만 아니라 머리의 정면상 및 측면상을 보여준다.
도 2는 긴 두개골(dolichocephalics), 중간 두개골(mesocephalics) 및 짧은 두개골( brachycephalics)에 대한 주둥이와 머리 전체 사이의 비율 거리를 보여준다.
도 3은 개의 귀 모양을 결정하는 한 가지 방법을 예시한다.
도 4는 개의 다른 꼬리 모양을 예시한다.
도 5는 생체 인식을 위해 눈과 코의 상대적 위치를 사용하는 것을 예시한다.
도 6은 두 동물의 신체 프로파일 윤곽 간의 대칭적 거리를 예시한다.
도 7a 내지 7f는 포괄적 클러스터 프로파일의 두 가지 예시를 보여준다.
도 8a 및 8b는 버킷 구조의 예를 도시한다.

본 발명의 실시하기 위한 구체적인 내용을 살펴본다.

일반적인 일 측면에서, 다음을 포함하는 동물 식별 방법이 제공 된다.

카메라 및/또는 비디오 카메라로 획득된 동물 이미지를 사용하고; 및 복수의 특성 거리를 사용하되, 여기서 특성 거리(trait difference or trait distance)는 상기 비교대상 두 동물의 대응하는 특성 값(trait feature) 사이의 불일치의 척도이고, 특성 값은 동물의 특성 값의 스칼라 또는 벡터 양이고, 여기서 특성(trait)은 동물의 특성에 대한 질적(qualitative) 설명이고, 및 여기서 특징은 동물의 특정 신체 부위의 특징(character)을 나타내는 추상적인 용어이다.

본 발명의 또 다른 하나의 측면은, 다음 단계를 포함하는 동물 식별 방법이 제공된다; 동물 이미지의 복수의 특성 값을 사용하는 단계; 및 복수의 특성 값의 공간을 클러스터 세트로 분할(partitioning)함으로써 클러스터링을 수행하는 단계를 포함하되, 여기서, 복수의 특성 값의 공간은 복수의 특성 값 내의 특성 값 어레이의 가능한 모든 값의 세트이며, 여기서 분할(partition)은 복수의 특성 값의 공간을 비-중첩 서브세트로 분할하는 것이며, 그 서브세트들의 합이 상기 복수의 특성 값 전체를 구성하며; 여기서 각각의 비-중첩 서브세트는 클러스터이며; 및 획득된 이미지를 사용하여 동물의 특성 값을 컴퓨팅하는 단계; 및 컴퓨팅된 특성 값을 사용하여 동물의 클러스터 멤버십을 할당하는 단계를 포함하되, 여기서 클러스터 멤버십은 컴퓨팅된 특징들의 값이 속하는 고유한 클러스터의 선택(choice)이다.

본 발명의 또 다른 하나의 측면은, 동물을 검색하는 방법이 제공되며, 방법은; 동물 이미지를 획득하는 단계; 복수의 특징을 사용하는 단계; 동물의 특징 값들을 컴퓨팅하는 단계; 동물이 속한 클러스터를 발견하는 단계; 동일한 클러스터 내의 동물로 검색 범위를 제한하는 단계를 포함한다.

본 발명은 동물의 신체적 특징, 특히 머리와 몸의 형태; 머리와 몸통 및 코에 있는 개별 특징의 형태, 상대적 위치 및 비율을 기반으로 획득된 정면상 및 측면상 동물 이미지로 동물을 클러스터링하고 식별하는 방법이다; 다음에서 설명하는 방법은 - 개, 고양이, 소, 사슴, 심지어 말을 포함하는 - 광범위한 동물에 적용할 수 있지만, 본 발명은 사람들이 애완동물로 많이 기르고 있는 개를 주요 예로 사용하여 기술한다. 클러스터링 및 식별을 위해 비디오 카메라를 포함하는 카메라를 사용하여 획득된 동물 이미지는 단일 정지된 동물 이미지 또는 일련의 연속적인 정지 이미지로 해석될 수 있는 비디오 이미지일 수 있음을 이해해야 한다.

본 발명을 명확하게 하기 위해, 본 발명에서 사용되는 용어를 먼저 정의해야 한다.

동물 특징(character)은 특정 신체 부위 (예: 귀, 코 모양)를 나타내는 추상적인 용어이다.

신체적 특성(trait) 또는 단순히 특성은 각 특징에 대한 질적 설명이다(예를 들면: 꼿꼿한 귀).

특성 값(trait feature)은 각 특성의 고유성인 스칼라 또는 벡터 양이고(예를 들면: 머리 상단의 귀 밑 부분을 귀 끝까지 연결하는 선과 귀의 밑면을 통과하는 수직선 사이의 각도), 특성 값은 동물 이미지의 정면상 또는 측면상에서 계산된다. 동물 이미지의 정면상 또는 측면상은 그 특징부가 서로 다르기 때문에 각각 동물 식별에 유용하게 사용할 수 있다.

특성 거리는 두 동물의 동일한 특성 값의 불일치의 정도를 측정한 값이다.

특성 값이 벡터 량이면 해당 특성 거리도 동일한 차원의 벡터 량이다.

이 규칙에는 몇 가지 예외가 있다: 예를 들면, 신체 프로파일 윤곽 특징이 있다. 아래에서 설명하는 바와 같이 신체 프로파일 윤곽 특성 값은 프로파일 세트로 정의되고, 신체 프로파일 윤곽 특성 거리는 스칼라 값이다.

또한 수학에서는 각도가 측정되는 방향에 따라 각도가 양의 값 또는 음의 값을 가질 수 있도록 측정되지만, 본 발명에서는 각도 측정 방향이 무시되는 관례를 채택하여 각도는 항상 0과 π(180도) 사이의 양수 값이다.

본 발명 명세서에 설명된 안면 및 신체 인식은 다른 품종의 동물을 구별하는 빠르고 신뢰할 수 있는 방법이다. 본 발명에 설명된 동물의 안면 및 신체 특성은 또한 동물을 더 작은 그룹으로 클러스터링하는 매우 좋은 수단이다. 이러한 클러스터링 방법은 코무늬 생체 인식과 함께 사용하면 검색 공간을 좁혀 검색 속도와 식별 정확도를 높이는 유익한 효과가 있다.

또 다른 장점은 FAR(False Acceptance Rate: 오인식률) 과 FRR(False Rejection Rate: 오거부율)을 동시에 낮추는 것이다. 또한, 코무늬 (비문) 인식은 안면의 작은 부분에 대한 미세한 세부 사항을 캡처해야 하지만 안면 및 신체 인식을 위한 양질의 이미지는 훨씬 더 쉽게 획득할 수 있으므로 더 먼 거리에서도 감시형 식별이 가능하다. 또한 동물의 코가 너무 손상되어 코무늬을 인식하지 못하는 몇몇 경우에는 안면 및 신체 인식이 확실한 백업 옵션이 될 수 있다.

본 발명의 바람직한 하나의 실시 예는 동물 이미지의 머리 모양, 귀 모양, 꼬리 모양, 안면에서 눈 및 코 위치 및 신체 프로파일 윤곽과 같은 특징과 관계가 있다. 그러나 여기에 명시적으로 설명되지 않았으나 본 발명의 사상 및 방법론을 쉽게 적용하여 관련 특징을 추출한 다음 관련 특성 값을 정의할 수 있는 다른 많은 동물 특성이 있다.

또한 동일한 특성에 대해서도 특성 값과 특성 거리를 정의하고 계산하는 차이점이 있지만 유사한 방법이 있을 수 있다. 따라서 본 발명의 범위는 이러한 생략과 변형들을 포함하는 것으로 해석되어야 한다. 더욱이, 여기에 주어진 바람직한 실시 예는 특성 거리를 사용하여 동물을 클러스터링하고 식별하는 일반적인 문제에 본 발명이 어떻게 적용될 수 있는지에 대한 하나의 예일 뿐이며, 본 발명의 범위를 벗어나지 않고 많은 유사한 변형이 가능하다.

본 발명에서 사용되는 다른 용어는 복수의 특성 값 및 복수의 특성 거리다. 본 발명의 실제 구현에서는, 모든 가능한 특성 값이 클러스터링 또는 식별을 위해 사용되지 않을 수도 있다. 적용 및 구현 상황에 따른 정확성 및 사용성 요구 사항에 따라 모든 특성 값의 서브세트만이 사용될 수도 있다. 본 발명에서 복수의 특성 값이라는 용어는 클러스터링 또는 식별에 사용되는 특성 값의 목록을 나타내기 위해 사용된다. 이 목록은 각 적용 및 구현 상황에 따라 다를 수 있다.

비교대상 두 동물의 이미지가 주어지면, 복수의 특성 값 내의 특성에 대응하는 특성 거리의 목록을 복수의 특성 거리라고 한다; 좀 더 구체적으로 말하자면 비교대상 두 동물의 복수의 특성 거리라고 할 수 있다.

본 명세서에 기재된 '특성 값'은 비교대상 두 동물의 이미지를 서로 비교 또는 식별할 때 필요한 고유한 특성을 의미하며, '특성 거리'는 두 동물의 '유사도', '일치도' 또는 '불일치도'를 측정할 때 사용하며, 고유한 특성의 본 발명에 따른 식별 알고리즘을 이용할 때 서로 비교 시 거리의 차이를 나타낸다.

본 발명에 따라 동물의 인식에 사용되는 동물의 이미지는 다양하게 일반 카메라, 디지털 카메라, 비디오 카메라, 스마트 폰 카메라 및 컴퓨터에 부착된 카메라 등으로 대상 동물의 몸 전체, 머리 정면 부분, 몸 전체 중 측면 부분, 꼬리부분, 귀 부분, 코 부분, 머리 측면 부분 등 이들 중 하나 이상을 선택하여 동물의 특성 값을 가진 부분을 선적으로 촬영하여 원하는 동물의 특성 이미지를 획득한다.

일반 디지털 카메라, 스마트 폰 및 컴퓨터에 부착된 카메라를 이용하여 동물의 특성 이미지를 획득하여 다양한 종류의 동물 이미지를 컴퓨터 데이터베이스에 등록 저장한다.

컴퓨터 데이터베이스에 입력 저장되는 동물 이미지는 이미지 그 차체로 등록 저장할 수도 있지만, 메모리 용량이 증가하고 인증 및/또는 조회 요청시 처리 시간이 많이 소요되는 문제점이 있다.

그래서, 카메라 또는 스마트 폰으로 획득한 동물 이미지를 주파수 변환하여 동물 이미지 코드 또는 동물 이미지 템플릿으로 변환하여 컴퓨터 데이터베이스에 등록 저장하고 이를 인증 및/또는 조회 시 사용할 경우에 메모리 용량을 줄일 수 있고 처리 속도를 높일 수 있는 상승된 효과가 있다.

동물의 코무늬 식별의 경우를 살펴보면, 상기 동물의 코무늬 이미지 등록 및 인식을 위한 코무늬 데이터베이스에 저장되는 코무늬 정보 포맷을 '코무늬 코드' 및/또는 '코무늬 템플릿'이라고 부르며, 이는 본 발명에서 제공하는 알고리즘에 의하여 이루어진다.

코무늬 코드를 인증하는 방법으로 코무늬 코드 값의 비유사도(dissimilarity, 이하 ‘거리’라 한다)를 계산하여 비교하는 방법을 사용하며, 비교하는 방법 중에서 a) 기본매칭(Simple matching) 방법, b) 이동매칭(Shift matching) 방법, c) 영역분할 이동매칭(Blockwise shift matching) 방법 중에서 하나를 선택하여 사용할 수 있다.

이와 관련된 구체적인 내용은 출원인의 등록특허 제10-1494717호 및/또는 제10-1494716호에 기재되어 있으므로 본 명세서에서는 기재를 생략한다.

데이터베이스에 등록 저장된 다양한 종류의 동물 이미지 및/또는 코무늬 이미지는 동물의 인식, 조회 및/또는 동물 보험 서비스 시 인증을 위하여 사용될 수 있다.

여기서는 애완동물로 많이 기르고 있고 관심이 많은 개를 예로 들어 본 발명을 설명한다. 개의 경우 특정 품종을 식별하는데 사용할 수 있는 특정 특징(character)의 특성이 있으며, 비순종견(믹스견)의 경우 특정 특성을 보아 유전적 혼합을 가늠하는 것이 가능할 수 있다. 이러한 동물 특징에는 머리 모양, 귀 모양, 크기, 꼬리 모양 등이 포함된다.

도 1에 도시된 바와 같이 다른 품종의 개는 신체 특성에 넓은 범주의 변형이 있을 수 있다. 또한 각 품종마다 각 특징에 대한 표준이 있지만, 각 개체의 특성 값은 번식 및 기타 유전적 및 상황적 요인에 따라 다소 벗어날 수 있음을 유의해야 한다(모양, 길이 등에 있어서).

머리 전체에 대한 주둥이(코와 입을 포함하는 머리 부분)의 비율을 고려하여 결정되는 머리 모양 특징에는 세 가지 주요 특성이 있다. 긴 두개골(Dolichocephalics)은 뾰족한 코가 있고 좁고 전체 머리 길이의 절반 이상의 주둥이를 가진 긴 머리의 개이다. 중간 두개골(Mesocephalics)은 머리 길이의 약 절반에 해당하는 주둥이를 가진다. 단두개골(Brachycephalics)은 넓은 두개골이면서 머리 길이의 반보다 짧은 입을 가지며 상대적으로 넓다.

도 2는 상기 사항을 설명한다. Dolichocephalic 인 아프간 하운드(201)의 경우, 주둥이(203)의 길이는 전체 머리(202) 길이의 절반 이상이다. Mesocephalic(중간 두개골)인 래브라도 리트리버(204)의 경우 주둥이(206)의 길이는 대략 전체 머리(205) 길이의 절반이다. 짧은 두개골(brachycephalic) 인 프렌치 불독의 경우, 주둥이(209)의 길이는 전체 머리 (208) 길이의 절반 미만이다.

머리 모양 특징의 특성은 개의 종에 따른 머리 길이에 대한 주둥이 길이의 비율인 특성 값으로 정의할 수 있다. 예를 들어, 도 2에서, 그것은 전체 머리(202)의 길이에 대한의 주둥이(203)의 길이의 비율이다; 및 유사하게 전체 머리(205)의 길이에 대한 주둥이(206)의 길이의 비율, 기타 등등이다. 이 비율은 머리 모양 특성이며, 이러한 특성을 동물 식별에 이용하는 것이다.

비교대상 두 동물을 비교할 때 두 동물 사이의 머리 모양 특성 거리는 머리 모양 특성 값 간의 절대 거리 값으로 정의되며, 즉, 이 경우 머리 길이에 대한 주둥이 길이의 비율로 정의된다. 예를 들어, r_A 와 r_B 를 동물 A와 B의 그러한 비율 (특성 값)이라고 가정하면 특성 거리는 |r_A-r_B|로 주어진다.

특성 거리는 스칼라 및 벡터 중 적어도 하나 이상으로 나타낼 수 있으며, 본 발명에 제공하는 알고리즘에 의하여 연산된다.

개의 귀 모양 캐릭터에는 플로피(floppy) 귀, 필버트(filbert) 귀, 장미 귀, 접힌 귀, V 자형 귀, 잘린 귀, 단추 귀, 콕트(cocked; 반 잘린 또는 반 세운) 귀 , 쫑긋 세운 귀, 끝이 뭉특한 귀 또는 끝이 둥근 귀, 박쥐 귀, 촛불꽃 귀, 두건 귀 등 다양한 이미지의 귀 특성이 있다. 각 범주는 귀의 모양, 크기 또는 접힘에 따라 서로 구별된다.

그러나 그 차이는 이미지 처리로 미세하게 식별하기에는 미미해 보일 수 있으므로 귀 모양을 세 가지 주요 그룹; 플로피 귀 또는 드롭 귀, 꼿꼿한 귀 및 반 세운 귀로 나누는 것이 더 쉽다. 플로피 또는 드롭 모양의 귀는 쳐져 있다. 꼿꼿한 귀는 똑바로 세워져 있으며 둥글거나 뾰족할 수 있다. 반 세운 귀는 다른 두 유형 사이에 해당되며 귀의 윗부분이 앞으로 구부러진 상태에서 부분적으로 꼿꼿하다.

도 3은 주어진 개의 일반적인 귀 모양을 결정하는 가능한 방법을 보여준다. 도 3에, 머리 위에 있는 귀의 기저부를 귀의 끝까지 연결하는 선 (303), (307), (311,) (315 ) 및 상기 귀 기저부를 통과하는 수직선 (302), (306), (310), (314)이 도시되어 있다. 시베리안 허스키(301)의 경우, 선(303)과 수직선(302) 사이의 각도(304)는 90도 미만이므로 귀를 꼿꼿이 세운다. 보르도 마스티프(305)의 경우, 선(307)과 수직 선(306) 사이의 각도(308)는 90도 보다 다소 커서 귀는 드롭 귀가 된다. 그레이하운드(309)의 경우, 선(311)과 수직선(310) 사이의 각도(312)는 90도 보다 약간 커서 반 세운 귀가 된다. 마찬가지로 러프 콜리(313)의 경우, 선(315)과 수직선(314) 사이의 각도(316)는 90 도보다 약간 더 커서 귀를 반 세운 귀가 된다.

귀 모양 특성은 특성 값의 수치로 정의할 수 있는데, 이는 머리 위의 귀 밑 부분과 귀 끝을 연결하는 선과 귀 밑 부분을 통과하는 수직선 사이의 각도이다. 예를 들면, 그것은 도 3A 에서 라인(303 및 302) 사이의 각도(304) 및 유사하게 각도(308) 등등이다.

두 동물을 비교할 때 두 동물 사이의 귀 모양 특성 거리는 두 각도 간의 차의 절대 값으로 정의된다. 예를 들어, θ_A 와 θ_B 를 동물 A와 B의 그러한 각도라고 가정하면 특성 값은 |θ_A-θ_B| 로 주어진다.

개의 크기는 체중뿐만 아니라 키와 체격을 포함하며 개를 식별하는 데 사용할 수 있는 또 다른 특징이다. 무게에 따른 일반적인 개 크기는 다음과 같다 : 애완견, 12 - 25 파운드까지는 소형 ; 25 ~ 50 파운드까지는 중형 ; 50 - 100 파운드까지는 대형; 100 파운드가 넘는 특 대형 크기는 일반적으로 실제 생활에서 개를 식별하는 데 유용한 정보를 주는 특징이나, 스케일 지표가 없으면 단순 이미지 기반 식별이 힘들 수도 있다. 이러한 특성에 대한 수치를 얻으려면 신체 측정에 의존해야 한다.

개 꼬리 모양 특징에는 모양, 크기, 길이 및 두께가 각각 서로 다른 다양한 특성이 있다. 도 4에서 볼 수 있듯이, 일부는; 짧은 (401) 또는 도킹된 꼬리(402); 똑바로 낮게 매달린 꼬리(403); 더 가늘고 똑바로 세운 꼬리(404); 구부러지거나 감긴 꼬리(405); 기타 등등을 가진다. 꼬리 모양 특징은 많은 특성을 가지고 있으며, 여기서 꼬리 특성 값은 세 가지 구성 요소가 있는 벡터 량이다. 첫 번째 구성 요소는 꼬리 길이에 대한 몸통 길이의 비율이다. 두 번째 구성 요소는 꼬리 길이에 대한 꼬리 두께의 비율이다. 세 번째 구성 요소는 수평선과 꼬리의 시작과 꼬리의 끝을 연결하는 선 사이의 각도이다.

따라서 꼬리 모양 특성 값은 세 가지 구성 요소를 포함하는 벡터 양이며 첫 번째 구성 요소는 |L_A-L_B| 이며, 여기서 L_A 및 L_B는 동물 A와 B의 몸통 길이에 대한 꼬리 길이의 비율이고; 두 번째 요소는 |T_A-T_B| 이며, 여기서 |T_A-T_B| 는 동물 A와 B의 꼬리 길이에 대한 꼬리 두께의 비율이고; 및 세 번 째 요소는 |θ_A-θ_B|이며, 여기서 θ_A와 θ_B 는 수평선과 꼬리의 시작과 꼬리의 끝을 연결하는 선 사이의 각도이다. |L_A-L_B|, |T_A-T_B| 및 |θ_A-θ_B|의 값들은 클러스터링의 하나의 구현 예의 하나가 될 수 있다.

상기 |L_A-L_B|: 몸통 길이에 대한 꼬리 길이의 비율의 차이의 절대 값, |T_A-T_B|: 동물 A와 B의 꼬리 길이에 대한 꼬리 두께의 비율의 차이의 절대 값 및 |θ_A-θ_B|: 수평선과 꼬리의 시작과 꼬리의 끝을 연결하는 선 사이의 각도의 차이의 절대 값이 있다.

눈과 코의 상대적인 위치도 매우 유용한 특성을 보여준다. 도 5는 6 개의 상이한 품종에 대한 눈과 코의 상이한 상대적 위치를 예시하며, 여기서 각 눈의 중심과 인중의 하단 끝이 연결되어 삼각형 501, 502, 503, 504, 505, 506을 형성한다.

각 품종은 눈과 코 사이의 표준 상대 거리 및 각도의 범위를 갖고 있고. 같은 품종의 각 개체는 그 범위 내에서 작은 변화를 나타낸다. 품종마다 눈과 코 사이의 표준 거리 범위가 다를 뿐만 아니라, 이러한 거리와 비율은 같은 품종의 개체 간에도 서로 식별 가능한 차이를 가질 수 있다.

상대적인 눈과 코의 위치 특성은 각 눈의 중심과 인중의 아래쪽 끝을 연결하여 형성된 삼각형의 밑단 각도에 의해 정의된다. 이 삼각형은 이등변 삼각형으로 볼 수 있으므로 밑단 각도가 결정되면 세 내각은 모두 결정한다.

두 동물을 비교할 때 두 동물 사이의 상대적인 눈과 코 위치의 특성 거리는 두 개의 밑단 각도 차이의 절대 값으로 정의된다. 예를 들어, θ_A 와 θ_B 를 두 동물의 밑단 각도라 가정하면, 특성 값은 |θ_A-θ_B| 로 주어진다..

개체를 구별하기 위해 사용될 수 있는 또 다른 특징은 도 1에 도시된 바와 같은 전체적인 신체 프로파일 윤곽이다. 각 품종은 특징적으로 표준적인 체형과 비율들의 세트(몸통 모양, 다리 모양 및 길이, 머리 모양, 꼬리 모양 등)를 가지며, 각 동물은 유전적 이유 또는 건강 및 비만 상태의 차이 등으로 인해 약간의 개별적인 특징의 차이가 있다.

신체 프로파일 윤곽 특성은 여러 가지 방법으로 정의할 수 있다. 예를 들어, 꼬리 모양 특징에서의 특성 값처럼, 키에 대한 다리 길이의 비율 등과 같은 몇 가지 비율을 창안할 수 있다. 상기에서 수행된 것을 고려할 때 비율을 정의하는 이러한 다양한 방법들은 본 발명의 보호 범위 내에 있다.

여기서 전체적인 체형을 통합하는 또 다른 방법을 제시한다. 먼저 고정된 크기의 바운딩 박스(bounding box), 예를 들면 200 x 100 픽셀 박스에 맞도록 신체 프로파일 윤곽선의 크기를 설정하고 설계하여 정규화(normalize) 한다.

결과적으로 초래된 특성 값은 본 발명에서 프로파일 세트라고 하는 신체 프로파일 윤곽선 내부에 있는 픽셀 세트(601, 602)이다. 이 프로파일 세트는 또한 바운딩 박스의 이진 이미지와 밀접하게 관련되며 여기서 프로파일 세트 내의 픽셀에는 값 1이 주어지고 그렇지 않으면 0이 주어진다. 2 차원 어레이는 종종 긴 벡터로 취급되기 때문에 이 관례를 채택하여, 본 발명에서 프로파일 세트는 성분이 0 또는 1 값을 갖는 벡터 양으로 간주된다.

도 6에서 기준점은 입, 배, 다리 또는 발이 위치하는 수평선과 또 다른 하나의 신체 부위가 기준점이 될 수 있다.

비교대상 두 동물을 비교할 때, 두 동물 사이의 신체 프로파일 윤곽 특성 거리는 비교대상 두 동물 프로파일 세트 사이의 대칭 거리 (604)의 크기로 정의되며, 이는 바운딩 박스의 크기에 의해 나누어짐으로써 정규화된 두 신체 프로파일 윤곽 사이의 중첩하는 픽셀(603) 외부에 있는 픽셀이다. 이 양을 비교대상 두 동물의 프로파일 세트의 대칭적 거리의 정규화된 크기라고 한다. 예를 들어 S_A 와 S_B 를 동물 A와 B의 프로파일 세트로 가정하자. 그러면 특성 거리는 세트의 크기는 :

S_A Δ S_B = (S_AB)U(S_BA) 이며,

이는 바운딩 박스 (이 예에서는 20000 = 200 x 100)의 크기로 나뉘어 정규화된다. 여기서 백 슬래시(＼)는 세트-이론적 거리(set-theoretic distance)를 나타낸다.

동물 식별을 위해 두 동물을 비교하는 경우 매칭을 위한 결합 거리는 다음과 같이 계산된다. d₁, d₂, ... d_N 을 복수의 특성 거리라고 한다. 충분히 큰 데이터 세트로 기계 확습에서 잘 알려진 여러 방법 중 하나를 적용하여 결합 거리 d를 학습시킬 수 있다. 결합 거리 d 의 가장 간단한 예는

d = c₁*d₁ + c₂*d₂ + ... + c_N*d_N,

으로 주어지는 d₁, ..., d_N 의 가중 선형 결합이다. 여기서 c₁, c₂, ... c_N 은 데이터에 의해 결정되는 가중 계수이다. d_i 가 벡터 량이고 c_i 도 동일한 차원의 벡터 량이므로 c_i*d_i 는 벡터의 도트 곱셈(dot product)이다. 예를 들어, d_i 이 3차원, 즉 d_i = (d_i1, d_i2, d_i3) 인 경우이고, c_i 또한 예를 들어 c_i = (c_i1, c_i2, c_i3) 형식의 3차원이므로 c_i*d_i = c_i1*d_i1 + c_i2*d_i2 + c_i3*d_i3 은 스칼라 값이 된다.

가중 계수는 기계 학습 과정에서 동물의 식별 및 인증 중 적어도 하나에 사용되는 동물 고유 특성 거리의 중요도 따라 서로 다른 값으로 얻을 수 있다.

일반적으로 결합 거리 함수 d는 복수의 특성 거리 d₁,...,d_N 의 함수 d = f(d₁,..., d_N;θ)로 정의되며, 여기서 θ는 함수의 파라미터들의 총합이다. 위의 가중 선형 조합은 결합 거리 함수의 간단한 예이지만 일반적으로 결합 거리 함수는 더 복잡할 수 있다.

주어진 데이터로 결합 거리 함수를 찾는(학습시키는) 일반적인 방법은 신경망(Neural Networks), 서포트 벡터 머신(Support Vector Machine), 랜덤 포레스트 (Random Forests) 또는 그라디언트 부스팅 머신(Gradient Boosting Machine) 등과 같은 기계 학습 알고리즘 중 하나를 사용하는 것이다.

이러한 방법은 기계 학습 분야에서 잘 알려져 있다. 학습 과정에서 임계 값도 얻게 된다(학습됨). 결합 거리 함수와 임계 값이 결정되면, 다음과 같이 동물 식별이 수행된다: 비교대상 두 동물의 이미지에 대한 결합 거리 함수의 값 d가 임계 값보다 큰 경우 비교대상 두 동물은 다른 것으로 식별되고; 비교대상 두 동물의 이미지에 대한 결합 거리 d가 임계 값보다 작거나 같으면 두 동물의 동일한 것으로 판단된다.

동물의 코무늬 생체 인식 식별은 코가 특징이고, 동물의 고유한 코무늬는 특성이며, 개별 홈(grooves) 및 비드(beads) 패턴(홈과 비드의 크기, 위치 등)은 측정 가능한 특성 값임을 이러한 맥락에서도 이해할 수 있다. 비교대상 두 동물의 코무늬를 비교하고 매칭시키는 것은 본질적으로 그루브 패턴 및 비드 패턴의 고유 특성을 비교하여 코무늬 특성 거리를 계산하는 것이다. 코 색깔(예 : 검은 색, 황갈색 등)과 모양도 특성을 알아볼 수 있는 캐릭터라는 점에서 식별 또는 인증 요소로 사용할 수 있다.

그러나 대체로 코 색깔 또는 모양 특성만을 사용하는 것으로는 같은 품종의 서로 다른 두 동물을 안정적으로 비교하고 일치시키는데 충분하지 않다. 비교할 특성 목록에 코무늬(nose pattern)를 포함하면 식별 정확도가 극대화되고 다른 캐릭터를 포함하면 검색 효율성이 향상된다.

동물의 코무늬 이미지를 카메라로 획득하여 이를 등록 및/또는 인증에 사용하는 방법 및 수단은 본 발명 출원인이 특허 출원하여 등록받은 특허 제10-2131007호에 기재되어 있다.

앞서 언급한 모든 특성 값을 사용하여 클러스터링을 수행할 수 있다. 본 발명에서 클러스터링이 무엇인지 설명하기 전에 몇 가지 용어를 결정해야 한다.

첫째, 동물 이미지의 특성 값은 스칼라 및 벡터량 중 적어도 하나이다. 예를 들어, 복수의 특성 값 (C₁, ..., C_k) 를 이러한 양의 어레이라고 가정한다. 어레이의 모든 가능한 값의 세트를 동물 이미지의 복수의 특성 값의 공간이라 한다.

클러스터링은 동물 이미지 중 복수의 특성 값을 가진 공간을 비-중첩 서브세트들의 세트로 분할하는 방법 및 수단이며, 그것의 서브세트 각각을 클러스터라고 하며, 이러한 클러스터의 합이 특성 값의 전체 공간을 구성한다. 동물 이미지 중 복수의 특성 내의 각 동물의 고유 특성 값을 본 발명에 따른 알고리즘을 이용하여 스칼라 또는 벡터량으로 계산하는 단계를 포함한다.

모든 동물은 신속한 식별 위해서 오직 하나의 클러스터에서만 고유한 멤버십으로 할당한다. 이러한 클러스터링 관점에서 동일한 클러스터의 동물들은 해당 특성 값에 대해 유사한 것으로 간주된다. 즉, 클러스터링은 유사한 특성 값을 가진 동물을 그룹(클러스터)으로 그룹화하는 방법이다. 예를 들면, 도 2 내지 도 6에 도시된 내용을 바탕으로 그룹화할 수 있다. 이러한 그룹화는 모든 동물에서 동일 내지 유사하게 적용할 수 있다.

본 발명은 동물 이미지의 특성 값(Trait Feature)을 사용하여 클러스터링을 구현하는 복수의 다른 방법을 소개한다. 클러스터링의 하나의 구현 예는 동물의 특성 값의 각 스칼라 또는 벡터 량을 버킷화(bucketize)하는 것이다. 여기서 버킷화는 스칼라 또는 벡터 량의 범위를 복수의 하위 구간 또는 서브 세트로 나누는 것을 의미한다. 버킷화를 수행하는 방법에는 여러 가지가 있다. 스칼라 또는 벡터 량의 범위를 단순 등분으로 나누거나 통계에서의 변경점(change point) 방법을 사용할 수 있다.

또는 기계 학습의 클러스터링 알고리즘을 사용할 수 있다. 버킷화는 표현형(phenotypic) 특성의 알려진 형태학적 분류를 사용하여 수행할 수도 있다. 또는 품종 데이터를 버킷화를 위한 지침으로 사용할 수 있다.

도 7은 버킷화와 복수의 특성 값의 공간 사이의 관계를 설명하기 위한 간단한 예이다. 이 예에서 복수의 특성 값은 두 특성 값 C₁ 과 C₂ 로 구성된다. C₁ 값의 범위는 [0, 1] 이고 및 C₂ 값의 법위는 [0, π]라고 가정하고, 및 특성 값 C₁ 은 세 개의 버킷 [0, 0.4], [0.4, 0.8] 및 [0.8, 1] 으로 나누어지고, 특성 값 C₂는 [0, π/2] 와 [π/2, π] 로 나누어진다.

앞서 기술한 구성에서 기재된 사항에서 구체적인 예를 기술해 보면, 도 2에 기초하여 설명할 때 비교대상 두 동물을 비교할 때 머리 모양 특성 간의 절대 거리 값으로 정의되며, 이 경우 머리 길이에 대한 주둥이 길이의 두 비율로 정의된다. 상기 C₁ 값에 대한 하나의 구체적인 예를 들면, r_A 와 r_B 를 동물 A와 B의 그러한 비율이라고 가정하면 특성 거리는|r_A-r_B|로 주어진다. |r_A-r_B| 차이가 가장 클 때 1이고, 가장 작을 때를 영(0)으로 하여 정하여지는 것이다.

상기 C₂ 값에 대한 하나의 구체적인 예를 들면, 도 3을 바탕으로 설명할 때, 앞서 살펴본 비교대상 두 동물을 비교할 때 두 동물 사이의 귀 모양 특성 거리는 두 각도 간의 차의 절대 값으로 정의될 때 θ_A와 θ_B 를 동물 A와 B의 그러한 각도라고 가정하면 특성 거리는 |θ_A-θ_B| 로 주어진다. |θ_A-θ_B| 차이가 가장 클 때 π이고, 가장 작을 때를 영(0)으로 하여 정하여지는 것이다.

도 7A에서, 첫 번째 열에는 이러한 세 개의 버킷 [0, 0.4], [0.4, 0.8] 및 [0.8, 1] 에 해당하는 3 개의 셀이 있고 두 번째 열에는 이러한 두 개의 버킷 [0, π/2] 와 [π/2, π] 에 해당하는 2 개의 셀이 있다. 본 발명에서 도 7A의 표를 버킷 구조라고 한다. 이 경우 복수의 특성 값의 공간은 도 7B에서 가로 길이가 1이고 세로 길이가 π 인 2 차원 직사각형이다. X-좌표는 C₁의 버킷 분할에 따라 나누어지고, Y-좌표는 C₂ 버킷 분할에 따라 나누어진다. 그러므로, 복수의 특징의 공간, 즉 2 차원 직사각형은 6개의 비-중첩 서브세트로 나누어지고, 그것들의 합이 도 7B에서 처럼 해당 동물의 복수의 특성 값의 전체 공간을 만든다. 이러한 분할은 보통 클러스터링 수행 또는 단순히 클러스터링으로 알려져 있다. 이 6개의 서브세트 각각을 클러스터라 한다.

식별을 위한 동물의 이미지가 주어지는 것으로 가정하고, 특성 값 C₁과 C₂의 값을 계산하고, 그 값이 0.5와 2π/3이 나온다고 가정한다. C₁ 값은 두 번째 버킷에 속하고 C₂ 값도 두 번째 버킷에 속한다. 이러한 버킷은 도 7C에서 확인된다. 본 발명에서는, 이러한 각 열에서 버킷을 선택하는 패턴은 동물의 버킷 패턴이라고 한다. 이 특정 버킷 패턴에 대응하는 클러스터는 도 7D에서 x 마크로 표시된다. 본 발명에서는, 이러한 동물 특성 클러스터를 고정하는 방식은 동물의 클러스터 멤버십 할당이라고 한다. C₁이 0.9 이고, C₂가 π/4 인 다른 동물이 있다고 가정한다. 그러면 도 7E 에서와 같이 이 C₁ 값은 첫 번째 행의 세 번째 버킷에 속하고, 이 C2 값은 두 번째 행의 첫 번째 버킷에 속한다. 이러한 버킷은 이 동물의 버킷 패턴을 묘사하는 도 7F에서 확인된다. 이 동물에 할당된 클러스터, 즉, 이 버킷 패턴에 대응하는 클러스터는 도 7F에서 x- 마크로 표시된다.

버킷화할 때, 버킷 수는 하나의 특성 값마다 다를 수 있다. 예를 들어, 도 8은 버킷 구조의 예를 보여준다. 특성 값 C₁에는 5 개의 버킷, C₂에는 4 개의 버킷, C₃에는 7 개의 버킷이 있다. 벡터 량인 특성 값의 경우에, 벡터의 각 구성 요소가 개별적으로(separately) 버킷화된다.

그러나, 몸통 프로파일 윤곽 특성의 경우에, 버킷화는 다음과 같은 방법으로 수행될 수 있다. 몸통 프로파일 윤곽 특성은 프로파일 세트이며, 프로파일 세트는 바운딩(bounding) 박스에서 이진 이미지로 식별될 수 있다. 그 다음 이미지 분류 방법은 여러 카테고리(버킷)로 이미지를 분류하도록 적용된다. 이미지 분류를 수행하려면, 동물 이미지 라벨 세트는 학습 전에 정의해야 한다. 이러한 라벨을 제공하는 한 가지 간단한 방법은 몸통 프로파일 윤곽 특성의 알려진 형태학적 분류를 사용하는 것이다. 예를 들어, 도 1A와 도 1B의 마지막 열(column) 라벨로 사용될 수 있는 몸통 프로파일 윤곽 특성의 예이다.

레이블(버킷)을 가진 프로파일 윤곽선으로 구성된 훈련 세트의 경우, 딥 러닝 머신 비전 분야에서 매우 잘 알려진 이미지 분류기(image classifier)를 훈련할 수 있다; 이러한 알고리즘 중 하나는 이미지 분류기를 훈련을 위하여 탑재할 수 있다. 훈련된 이미지 분류기를 사용하면 임의의 프로파일 세트의 레이블(버킷)을 쉽게 계산할 수 있다.

버킷이 정해지고 버킷 구조가 고정되면 클러스터 멤버십이 쉽게 결정된다. 즉, 동물의 이미지가 주어지면, 먼저 동물의 복수의 특성 값 중 각각의 특성 값들이 계산되고, 그 다음 계산된 특성 값을 버킷 분할로 비교한 후, 그 다음 적절한 버킷 패턴을 결정한다. 도 8은 버킷 패턴의 두 가지 예를 나타낸다 : 도 8A에서 동물 A 및 도 8B에서 동물 B 의 버킷 패턴을 나타내며, 이러한 각 버킷 패턴은 클러스터를 나타낸다. 이러한 방법으로, 각 동물은 자신이 속한 고유한 버킷 패턴으로 설명된다. 다른 버킷 패턴을 가진 비교대상 두 동물은 서로 다른 개체(individuals)로 인식할 수 있다.

본 발명에 따른 컴퓨터 또는 서버의 데이터베이스에 등록 저장된 동물의 다양한 이미지 데이터 및/또는 조회를 요청한 이미지 데이터를 식별 또는 인증 시에 신속하고 보다 정확하게 수행하기 위하여 해당 동물의 특성 값을 버킷 패턴 또는 클러스터 패턴을 입력하여, 등록 저장된 동물의 이미지 데이터 중에서 동일한 버킷 패턴 및/또는 클러스터 멤버십들과 비교하므로 보다 신속하고 정확한 식별 또는 인증을 수행할 수 있다.

임의의 경우에, 어떤 특성 값이 누락되거나 계산 불가능할 수 있으며, 그런 경우 그 특정 특성 값에 해당 되는 행(row)는 체크마크 없이 비어있게 될 수 있다. 예를 들어, 첫 번째 행이 확인되지 않는 동물 C가 있지만, 나머지 행들은 동물 A와 동일한 패턴을 가지고 있다고 가정한다. 이 경우 동물 C의 고유한 클러스터 멤버십(membership)은 확인할 수 없지만 다른 행 C₂,…,C_k 가 동물 A와 동일한 버킷임이 확인되면서 C₁ 버킷이 행 1에 있는 5 개의 가능한 버킷 중 하나인 5 개의 클러스터 중 하나에 속해야 한다. 그래서 이 경우 동물 C's 의 클러스터 멤버십은 다섯 클러스터의 결합(union)에 속하는 것으로 확인될 수 있다. 유사한 상황은 특성 값 계산이 신뢰할 수 없는 경우도 발생할 수 있다. 계산 결과가 모호하여 첫 번째 행의 버킷이 첫 번째나 두 번째라고는 확인할 수 있지만 정확히 어느 것이 올바른지 알 수 없다. 나머지 행에 동물 A와 동일한 버킷이 확인되었다고 가정한다. 이 경우 동물 C's 의 클러스터 멤버십이 두 클러스터의 결합(union)에 속하는 것으로 확인할 수 있다.

단순한 K- 평균 클러스터링(K-means) 또는 계층적 클러스터링(hierarchical clustering) 또는 정교한 스펙트럴 클러스터링(spectral clustering)처럼 잘 알려진 기계 학습 클러스터링 알고리즘을 사용함으로써 사전 버킷 구조를 만들지 않고도 클러스터링을 수행할 수 있다. 동물 생체 인식의 주된 역할은 동물 코무늬(비문) 생체 인식이다. 그러나 검색, 특히 거대한 동물 생체 인식 데이터베이스에서 동물(예 : 유기견)의 개체를 식별하여 확인하는 경우에 철저한 검색을 수행하는 것은 계산적으로 상당한 부담이 될 것이다. 이러한 검색 요청이 자주 있을 경우에 더욱 악화된다. 동물의 비문 식별과 결합된 클러스터링은 이러한 종류의 문제를 완화하는데 도움이 된다. 많은 수의 클러스터가 있기 때문에 각 클러스터에는 속한 동물이 훨씬 적다. 따라서 검색 요청이 도착하면 검색을 특정 클러스터 그룹의 동물로 제한하여 검색 부담을 피할 수 있다. 즉, 검색 시간을 단축할 수 있는 유리한 효과가 있다.

또한 비교대상인 두 마리의 동물이 서로 다른 군집에 속하면 동물의 비문 식별에 더 의존하지 않고도 서로 다른 개체임이 쉽게 판단된다. 이것은 동물 식별에서 잘못된 인증(false acceptance)을 줄이는데 도움이 된다.

본 발명의 예시적인 실시 예에서 기술된 구성 요소는 예를 들어, 적어도 하나의 디지털 신호 프로세서(DSP), 프로세서, 컨트롤러, 주문형 집적 회로(ASIC), 예를 들어 FPGA (Field Programmable Gate Array) 같은 프로그래밍 가능한 논리 요소, 기타 전자 장치 또는 이들의 조합 등을 포함하는 하드웨어 구성 요소에 의해 구현될 수 있다. 예시적인 실시 예에서 설명된 기능 또는 프로세스 중 적어도 일부는 소프트웨어로 구현될 수 있으며, 소프트웨어는 기록 매체에 기록될 수 있다. 예시적인 실시 예에서 설명된 구성 요소, 기능 및 프로세스는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다.

전술한 실시 예에 따른 방법은 전술한 실시 예의 다양한 동작을 구현하기 위한 프로그램 명령을 포함하는 비-일시적(non-transitory) 컴퓨터 판독 가능 매체에 기록될 수 있다. 매체는 또한 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독 및/또는 조합을 포함할 수 있다. 매체에 기록된 프로그램 명령은 예시적인 실시 예의 목적을 위해 특별히 설계되고 구성될 수 있으며, 또는 컴퓨터 소프트웨어 분야의 기술을 가진 자에게 잘 알려져 있고 이용 가능한 것 일 수 있다.

비-일시적 컴퓨터 판독 가능 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체; CD-ROM 디스크, DVD 및/또는 블루-레이 디스크와 같은 광학 매체; 광 디스크와 같은 광 자기 매체; ROM (읽기 전용 메모리), RAM (Random Access Memory), 플래시 메모리(예 : USB 플래시 드라이브, 메모리 카드, 메모리 스틱 등)와 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치 등이 포함된다. 프로그램 명령어의 예로는 컴파일러에 의해 생성된 것과 같은 기계어 코드와 인터프리터(interpreter)를 사용하여 컴퓨터에서 실행할 수 있는 상위 레벨 코드가 포함된 파일이 모두 포함된다. 전술한 장치는 전술한 실시 예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어에는 컴퓨터 프로그램, 코드 조각, 명령 또는 이들의 조합이 포함될 수 있으며, 이는 처리 장치가 원하는 대로 독립적 및/또는 서로 연동적으로 동작하거나 구성된다. 소프트웨어 및 데이터는 모든 유형의 기계, 구성 요소, 물리적 또는 가상 장비, 컴퓨터 저장 매체 또는 장치, 또는 처리 장치에 명령 또는 데이터를 제공할 수 있는 전파된 신호 파동(wave) 또는 처리 장치에 의해 해석될 수 있으며 영구적으로 또는 일시적으로 구현될 수 있다. 소프트웨어는 또한 소프트웨어가 분산된 방식으로 저장되고 실행되도록 네트워크 결합된 컴퓨터 시스템을 통해 배포될 수 있다. 상기 소프트웨어 및 데이터는 컴퓨터로 읽을 수 있는 하나 이상의 비-일시적인 기록 매체에 저장 될 수 있다.

앞서 기술한 동물 식별 및 인증 방법의 내용을 바탕으로 동물을 식별 또는 인증하는 방법을 요약한다. 하기 요약된 사항 외에 앞서 기술한 내용을 바탕으로 부가 변경할 수 있다.

본 발명에 따른 하나의 실시 예로 동물을 식별 및 인증 중 적어도 하나를 수행하기 위해 획득한 동물 이미지를 클러스터링하는 방법은 동물을 식별하기 위해 획득한 이미지를 클러스터링하는 방법에 있어서, 동물 인식을 위하여 카메라로 획득한 동물 이미지를 클러스터링하는 단계는 : 획득한 동물 이미지 중 특성 값을 선택하는 단계; 특성 값의 다원성 사용하기 위하여 특성 값의 복수 공간을 클러스터 집합으로 분할하여 클러스터링 수행하는 단계; 상기 특성 값의 복수 공간은 복수의 특성 값에서 특성 값 배열의 모든 가능한 값의 세트이며, 상기 분할은 복수의 특성 값의 공간을 비-중첩 서브 세트로 분할하고, 세트 결합은 복수의 특성 값 중 상기 공간의 전체가 구성되며, 비-중첩 서브 세트의 각각은 클러스터 및 클러스터 멤버십을 할당하는 단계는: 카메라로 동물의 이미지 획득하는 단계; 획득한 동물의 이미지에서 동물의 특성 값을 연산하는 단계; 연산된 특성 값을 사용하여 동물의 클러스터 멤버쉽을 할당하는 단계; 및 상기 클러스터 멤버쉽은 연산된 특성 값이 속하는 값에서 고유 클러스터의 선택임을 특징으로 하는 동물을 식별하기 위해 획득한 이미지를 클러스터링 하는 방법이다.

본 발명에 따른 또 다른 하나의 실시 예로, 상기 클러스터를 이용한 식별 및 인증 중 적어도 하나 이상에 사용할 수 있는 동물은 개, 고양이, 소, 사슴, 양 및 말 중 적어도 하나 이상의 동물을 식별 및 인증 중 적어도 하나 이상에 대하여 수행하는 동물 이미지를 클러스터링 방법을 포함한다.

본 발명에 따른 또 다른 하나의 실시 예로, 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은 머리 모양, 귀 모양, 꼬리 모양, 상대적인 눈 및 코 위치, 신체 프로파일 윤곽, 및 코무늬(비문) 중 적어도 하나 이상을 구성되는 동물 이미지를 클러스터링 방법을 포함한다.

본 발명에 따른 또 다른 하나의 실시 예로, 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은; 획득한 동물의 이미지 중에서 머리 길이에 대한 주둥이 길이의 비율을 특성 값으로 계산하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예로, 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은; 귀 모양 특성 값으로 각도를 정의하기 위하여 머리 상단의 귀 밑부분과 귀 끝을 연결하는 선과 귀 밑부분을 통과하는 수직선 사이의 각도 계산하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예로, 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은; 벡터 량으로 꼬리 모양 특성 값을 정의하는 단계; 및 몸통 길이에 대한 꼬리 길이의 비율, 꼬리 길이에 대한 평균 꼬리 두께의 비율, 및 수평선과 꼬리의 시작과 꼬리의 끝을 연결하는 선 사이의 각도를 계산함에 의하여 벡터양의 성분을 결정하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예로, 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은; 양안의 중심과 인중의 하단 끝을 연결하여 형성된 삼각형의 하단 각도를 계산하는 단계; 및 각도를 상대적인 눈 및 코 위치 특성 값으로서의 각도를 정의하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예로, 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은; 동물의 키(높이)에 대한 동물의 다리 길이의 비율을 특성 값으로 계산하는 단계; 및 몸통 프로파일 윤곽 특성 값으로서의 비율을 정의하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예로, 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은; 프로파일 세트에 의해 몸통 프로파일 윤곽 특징을 정의하는 단계; 및 상기 몸통 프로파일 윤곽 특징을 정의하는 단계에 의해 설정된 프로파일을 계산하는 단계; 고정된 크기의 바운딩 박스에 맞도록 몸통 프로파일 윤곽의 크기를 조정하고 크기를 변경하는 단계; 및 크기가 조정되고 크기가 변경된 몸통 프로파일 윤곽선 내에 있는 픽셀을 선택하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예로, 상기 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특징은; 감시 유형 식별을 위해 먼거리 동물 이미지 캡처를 수행하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예는 동물을 식별하기 위해 획득한 동물 이미지를 클러스터링하는 방법에 있어서, 동물 이미지에서 복수의 특성 값을 버킷화하는 단계; 버킷을 사용하여 복수의 특성 값의 공간을 분할하여 클러스터링을 수행하는 단계; 상기 버킷화는 특성 값의 범위를 비-중첩 서브 간격으로 분할하는 단계; 및 벡터 양인 특성 값에 대해 분할은 벡터의 각 구성 요소에 대해 수행하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예는 동물 형태학적 분류에 따라 동물의 특징에 대해 버킷화함을 특징으로 한다.

본 발명에 따른 또 다른 하나의 실시 예는 이진 이미지 분류기에 사용하기 위해 동물 이미지의 몸통 프로파일 윤곽 이미지를 라벨링하는 단계; 동물 이미지의 몸통 프로파일 윤곽 특성에 대한 버킷으로 라벨을 정의하는 단계; 상기 라벨링과 함께 훈련 데이터를 사용하여 이진 이미지 분류기를 훈련시키는 단계; 및 획득한 동물 이미지에 대해 훈련된 이진 이미지 분류기를 실행하여 몸통 프로파일 윤곽 특성의 버킷 멤버십을 결정하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예는 누락된 특성 값에 대해 복수의 버킷을 할당하는 단계; 계산 결과가 모호한 특성 값에 대해 복수의 버킷을 할당하는 단계; 및 상기 누락되거나 모호한 특성 값에 대해 복수의 클러스터 멤버십을 할당하는 단계를 포함한다.

본 발명에 따른 또 다른 하나의 실시 예는 동물을 검색하는 방법에 있어서, 카메라로 동물 이미지를 획득하는 단계; 획득한 동물 이미지 중에서 복수의 특성 값을 사용하여 동물의 특성 거리를 계산하는 단계; 동물이 속한 클러스터를 발견하는 단계; 및 검색 범위를 동일한 클러스터에 속하는 동물로 범위를 제한함을 특징으로 한다.

본 발명 명세서는 특정 예를 포함하지만, 본 발명의 사상, 청구 범위 및 그 균등물을 벗어나지 않으며 이러한 예에서 형태 및 세부 사항의 다양한 변경이 이루어질 수 있다는 것이 통상의 기술자에게 명백할 것이다. 본 발명 명세서 상에 기술된 예는 설명적인 의미로만 고려되어야 하며 제한의 목적이 아닙니다. 각각 의 실시 예의 특징 또는 측면에 대한 설명은 다른 예의 유사한 특징 또는 측면에 적용 가능한 것으로 간주되어야 한다. 설명된 기술이 다른 순서로 수행되는 경우 및/또는 설명된 시스템, 아키텍처, 장치 또는 회로의 구성 요소가 다른 방식으로 결합 및/또는 다른 구성 요소 또는 그 균등물로 대체 또는 보완되는 경우에 적절한 결과가 달성될 수 있다.

따라서, 본 발명의 보호 범위는 상세한 설명이 아니라 청구 범위 및 그 균등물에 의해 정의되며, 청구 범위 및 그 균등물 내의 모든 변형은 본 발명의 구성에 포함된 것으로 해석되어야 한다.

본 발명은 신체적 특성을 기반으로 획득한 이미지로 동물을 클러스터링하고 식별하는 방법에 관한 것으로서, 여기서 유전적 특성 값(trait feature)는 유전적 특성(trait)의 고유성인 스칼라 또는 벡터 양이고, 유전적 특성 거리(trait distance)는 두 동물의 동일한 유전적 특성간의 일치 및/또는 불일치 측도를 이용하여 신체 부위의 모양, 상대적 위치 및 기타 특징을 기반으로 한 동물을 식별 및 인증 중 적어도 하나를 수행하기 위해 획득한 동물 이미지를 클러스터링하는 방법을 제공하므로 산업상 이용가능성이 매우 높다.

201; Afghan Hound 202; 머리
203; 주둥이 204; Labrador Retriever
205; 전체 머리 206, 209; 주둥이
208; 전체 머리
301; 시베리안 허스키 302,306,310,314; 수직선
303; 선 304; 수직선 사이의 각도
305; 보르도 마스티프 307,311,315; 선
308; 각도 그레이하운드의 경우
312; 선과 수직선 사이의 각도
313; 러프 콜리
316; 선과 수직선 사이의 각도
401; 짧은 꼬리 402; 도킹된 꼬리
403; 똑바로 낮게 매달린 꼬리 404; 가늘고 똑바로 세운 꼬리
405; 구부러지거나 감긴 꼬리
501,502,503,504,505,506; 눈의 중심과 인중의 하단 끝이 연결한 삼각형
601,602; 픽셀 세트
603; 두 신체 프로파일 윤곽 사이의 중첩하는 픽셀
604; 두 동물 프로파일 세트사이의 대칭 거리

Claims (15)

1. 동물의 식별 및 인증 중 적어도 하나에 사용하기 위한 동물 이미지를 클러스터링하는 방법에 있어서,
   카메라로 획득한 동물 이미지를 클러스터링하는 단계는:
   카메라로 획득한 동물 이미지 중 특성 값을 선택하는 단계;
   특성 값의 다원성 사용하기 위하여 특성 값의 복수 공간을 클러스터 집합으로 분할하여 클러스터링을 수행하는 단계;
   상기 특성 값의 복수 공간은 적어도 하나 이상의 특성 값 중에서 특성 값 배열이 가능한 값의 세트이며,
   상기 분할은 적어도 하나 이상의 특성 값의 공간을 비-중첩 서브 세트로 분할하고, 세트 결합은 적어도 하나 이상의 특성 값 중 적어도 하나 이상의 공간으로 구성되며,
   상기 비-중첩 서브 세트의 각각에 대해 클러스터 및 클러스터 멤버십을 할당하는 단계는:
   카메라로 동물의 이미지를 획득하는 단계;
   획득한 동물의 이미지에서 동물의 특성 값을 연산하는 단계;
   연산된 특성 값을 사용하여 동물의 클러스터 멤버쉽을 할당하는 단계; 및
   상기 클러스터 멤버쉽은 연산된 특성 값이 속하는 값에서 동물의 고유 클러스터를 선택하는 단계를 포함하며,
   동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특성 값은 머리 모양, 귀 모양, 꼬리 모양, 상대적인 눈 및 코 위치, 신체 프로파일 윤곽, 및 코 패턴 중 적어도 하나 이상의 특징이고,
   동물의 이미지 중에서 머리 길이에 대한 주둥이 길이의 비율을 특성 값으로 계산하는 단계; 및
   귀 모양의 특성 값으로 각도를 정의하기 위하여 머리 상단의 귀 밑부분과 귀 끝을 연결하는 선과 귀 밑부분을 통과하는 수직선 사이의 각도를 계산하는 단계를 포함함을 특징으로 하는 동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 동물 이미지를 클러스터링하는 방법.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 제1항에 있어서,
   동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특성 값은;
   벡터 양으로 꼬리 모양 특성 값으로 정의하는 단계; 및
   몸통 길이에 대한 꼬리 길이의 비율, 꼬리 길이에 대한 평균 꼬리 두께의 비율 및 수평선과 꼬리의 시작과 꼬리의 끝을 연결하는 선 사이의 각도를 계산함에 의하여 벡터 양의 성분을 결정하는 단계를 포함함을 특징으로 하는 동물의 식별 또는 인증 중 적어도 하나 이상에 사용하기 위한 동물 이미지를 클러스터링하는 방법.
7. 제1항에 있어서,
   동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특성 값은;
   양안의 중심과 인중의 하단 끝을 연결하여 형성된 삼각형의 하단 각도를 계산하는 단계; 및
   각도를 상대적인 눈 및 코의 위치 특성 값으로서의 각도를 정의하는 단계를 포함함을 특징으로 하는 동물의 식별 또는 인증 중 적어도 하나 이상에 사용하기 위한 동물 이미지를 클러스터링하는 방법.
8. 제1항에 있어서,
   동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특성 값은;
   동물의 키에 대한 동물의 다리 길이의 비율을 계산하는 단계; 및
   몸통 프로파일 윤곽 특성 값으로서의 비율을 정의하는 단계를 포함함을 특징으로 하는 동물의 식별 또는 인증 중 적어도 하나 이상에 사용하기 위한 동물 이미지를 클러스터링하는 방법.
9. 제1항에 있어서,
   동물의 식별 및 인증 중 적어도 하나 이상에 사용하기 위한 클러스터 대상의 동물 이미지의 특성 값은;
   프로파일 세트에 의해 몸통 프로파일 윤곽의 특성 값을 정의하는 단계; 및
   상기 몸통 프로파일 윤곽의 특성 값을 정의하는 단계에 의해 설정된 프로파일을 계산하는 단계;
   고정된 크기의 바운딩 박스에 맞도록 몸통 프로파일 윤곽의 크기를 조정하고 크기를 변경하는 단계; 및
   크기가 조정되고, 크기가 조정된 몸통 프로파일 윤곽선 내에 있는 픽셀을 선택하는 단계를 포함함을 특징으로 하는 동물의 식별 또는 인증 중 적어도 하나 이상에 사용하기 위한 동물 이미지를 클러스터링하는 방법.
10. 제1항에 있어서,
    감시 유형 식별을 위해 먼거리 동물 이미지 캡처를 수행하는 단계를 더 포함함을 특징으로 하는 동물의 식별 또는 인증 중 적어도 하나 이상에 사용하기 위한 동물 이미지를 클러스터링하는 방법.
11. 동물의 식별 및 인증 중 적어도 하나에 사용하기 위한 동물 이미지를 클러스터링하는 방법에 있어서,
    카메라로 획득한 동물 이미지에서 적어도 하나 이상의 특성 값을 버킷화하는 단계;
    특성 값 버킷을 사용하여 적어도 하나 이상의 특성 값의 공간을 분할하여 클러스터링을 수행하는 단계;
    상기 버킷화는 특성 값의 범위를 비-중첩 서브 간격으로 분할하는 단계; 및
    벡터 양인 적어도 하나 이상의 특성 값에 대한 분할은 벡터의 각 구성 요소에 대해 수행되며,
    동물 형태학적 분류에 따라 동물의 이미지 중 적어도 하나 이상의 특성 값을 버킷화하는 단계;
    이진 이미지 분류기에 사용하기 위해 동물 이미지의 몸통 프로파일 윤곽 이미지를 라벨링하는 단계;
    동물 이미지의 몸통 프로파일 윤곽의 특성 값에 대한 버킷으로 라벨을 정의하는 단계;
    상기 라벨링과 함께 훈련 데이터를 사용하여 이진 이미지 분류기를 훈련시키는 단계; 및
    획득한 동물 이미지에 대해 훈련된 이진 이미지 분류기를 실행하여 몸통 프로파일 윤곽의 특성 값의 버킷 멤버십을 결정하는 단계를 포함함을 특징으로 하는 동물의 식별 또는 인증 중 적어도 하나 이상에 사용하기 위한 동물 이미지를 클러스터링하는 방법.
12. 삭제
13. 삭제
14. 제11항에 있어서,
    누락된 특성 값에 대해 적어도 하나 이상의 버킷을 할당하는 단계;
    계산된 특성 값의 결과가 모호한 특성 값에 대해 적어도 하나 이상의 버킷을 할당하는 단계; 및
    누락되거나 모호한 특성 값에 대해 적어도 하나 이상의 클러스터 멤버십을 할당하는 단계를 포함함을 특징으로 하는 동물의 식별 또는 인증 중 적어도 하나 이상에 사용하기 위한 동물 이미지를 클러스터링하는 방법.
15. 삭제

Images