KR20210127951A - 컴퓨터 비전 응용을 통한 객체 인식을 위한 방법 및 시스템 - Google Patents

Abstract

본 발명은, 컴퓨터 비전 응용을 통한 객체 인식을 위한 방법 및 시스템에 관한 것으로, 시스템(100)은, 적어도 다음의 구성요소들: - 인식될 객체(130) ― 객체는 객체 특정 발광 스펙트럼 패턴을 가짐 ―, - 적어도 2개의 발광체(111, 112, 113, 114, 115)로 구성되고, 2개의 발광체 사이에서 전환함으로써, 인식될 객체를 포함하는 장면을 조명하도록 구성되는 광원(110), - 장면이 광원에 의해 조명될 때 객체를 포함하는 장면의 방사휘도 데이터를 포착하도록 구성되는 센서(120), - 형광 스펙트럼 패턴들을 적절히 배정된 개개의 객체들과 함께 포함하는 데이터 저장 유닛(150), - 장면의 방사휘도 데이터로부터, 객체 특정 형광 스펙트럼 패턴을 추출하고, 추출된 객체 특정 형광 스펙트럼 패턴을 데이터 저장 유닛에 저장된 형광 스펙트럼 패턴들과 매칭하고, 가장 양호하게 매칭되는 형광 스펙트럼 패턴, 및 그에 따라, 그에 배정된 객체를 식별하도록 구성되는 데이터 처리 유닛(140)을 포함한다.

Description

컴퓨터 비전 응용을 통한 객체 인식을 위한 방법 및 시스템

본 발명은, 컴퓨터 비전 응용을 통한 객체 인식을 위한 방법 및 시스템에 관한 것이다.

컴퓨터 비전은, 몇몇 예를 들자면, 센서들, 이를테면, 카메라들, 라이다(LIDAR) 또는 레이더와 같은 거리 센서들, 및 구조화된 광 또는 스테레오 비전에 기반한 심도 카메라 시스템들을 통해 자신 주변들에 관한 정보를 수집할 수 있는 전자 디바이스들의 풍부한 사용에 기인하여 빠르게 발전되고 있는 분야이다. 이러한 전자 디바이스들은, 컴퓨터 처리 유닛에 의해 처리될 미가공 이미지 데이터를 제공하고, 결과적으로, 인공 지능 및/또는 컴퓨터 보조 알고리즘들을 사용하여 환경 또는 장면의 이해를 전개한다. 이러한 환경의 이해가 어떻게 전개될 수 있는지에 대한 다수의 방식들이 존재한다. 일반적으로, 2D 또는 3D 이미지들 및/또는 맵들이 형성되고, 이러한 이미지들 및/또는 맵들은 장면 및 그 장면 내의 객체들의 이해를 전개하기 위해 분석된다. 컴퓨터 비전을 개선하기 위한 하나의 예상은 장면 내의 객체들의 화학적 구성의 성분들을 측정하는 것이다. 2D 또는 3D 이미지들로서 취득된 환경 내의 객체들의 형상 및 외관이 환경의 이해를 전개하기 위해 사용될 수 있지만, 이러한 기법들은 일부 단점들을 갖는다.

컴퓨터 비전 분야에서의 하나의 난제는, 센서들, 컴퓨팅 용량, 광 프로브 등의 리소스들을 최소량으로 사용하여 높은 정확도 및 낮은 레이턴시로 각각의 장면 내에서 가능한 한 많은 객체들을 식별할 수 있는 것이다. 객체 식별 프로세스는 수년에 걸쳐 원격 감지, 객체 식별, 분류, 인증 또는 인식으로 지칭되었 왔다. 본 개시내용의 범위에서, 장면 내의 객체를 식별하는 컴퓨터 비전 시스템의 능력은 "객체 인식"으로 지칭된다. 예컨대, 컴퓨터가 화상을 분석하고, 그 화상에서 공을, 때때로 심지어는 공의 유형(농구공, 축구공, 야구공), 브랜드, 정황(context) 등과 같은 추가 정보와 함께 식별/라벨링하는 것이 "객체 인식"이라는 용어에 속한다.

일반적으로, 컴퓨터 비전 시스템들에서 객체의 인식에 활용되는 기법들은 다음과 같이 분류될 수 있다:

기법 1: 물리적 태그들(이미지 기반): 바코드들, QR 코드들, 일련 번호들, 텍스트, 패턴들, 홀로그램들 등.

기법 2: 물리적 태그들(스캔/밀접 접촉 기반): 시야각 의존 안료들, 상향변환(upconversion) 안료들, 메타크로믹스(metachromics), 색상(적색/녹색), 발광성 물질들.

기법 3: 전자 태그들(수동): RFID 태그들 등. 전력 없이 관심 객체들에 부착된 디바이스들이며, 반드시 가시적이지는 않지만 다른 주파수들 (예컨대, 라디오)에서 동작할 수 있다.

기법 4: 전자 태그들(능동): 무선 통신들, 광, 라디오, 차량 간 통신(vehicle to vehicle), 차량-사물 간 통신(vehicle to anything(X)) 등. 다양한 형태들로 정보를 내보내는, 관심 객체들 상의 전력을 공급받는 디바이스들이다.

기법 5: 특징 검출(이미지 기반): 이미지 분석 및 식별, 즉, 측면 뷰로부터 자동차에 대한 특정 거리에 있는 2개의 바퀴; 얼굴 인식을 위한 2개의 눈, 코 및 입(이 순서로) 등의 분석 및 식별. 이는 알려져 있는 기하학적 구조들/형상들에 의존한다.

기법 6: 심층 학습/CNN 기반(이미지 기반): 자동차들, 얼굴들 등의 라벨링된 이미지들을 갖는 화상들 중 많은 화상들로 컴퓨터를 훈련하고, 컴퓨터는 검출할 특징들을 결정하고 관심 객체들이 새로운 영역들에 존재하는지를 예측한다. 식별될 객체의 각각의 부류에 대한 훈련 절차의 반복이 요구된다.

기법 7: 객체 추적 방법들: 처음에, 장면 내의 물품들을 특정 순서로 조직화하고 순서화된 객체들을 라벨링한다. 그 후, 알려져 있는 색상/기하학적 구조/3D 좌표들을 갖는 장면 내의 객체를 추종한다. 객체가 장면을 벗어났다가 재진입하는 경우, "인식"은 상실된다.

다음에서, 위에 언급된 기법들의 일부 단점들이 제시된다.

기법 1: 이미지 내의 객체가 가려지거나 객체의 작은 부분만이 뷰 내에 있을 때, 바코드들, 로고 등이 판독가능하지 않을 수 있다. 또한, 가요성 물품들 상의 바코드들 등이 왜곡되어 가시성이 제한될 수 있다. 객체의 모든 측부들은 멀리서 가시적이도록 큰 바코드들을 보유해야 할 것이며, 그렇지 않으면, 객체는 가까운 범위에서만 그리고 정확한 배향으로만 인식될 수 있다. 이는, 예컨대, 상점에서 선반 상에 있는 객체 상의 바코드가 스캐닝되어야 할 때 문제가 될 수 있다. 전체 장면에 걸쳐 동작할 때, 기법 1은 변할 수 있는 주변 조명에 의존한다.

기법 2: 상향변환 안료들은 그의 작은 양자 수율들로 인한 낮은 수준의 방출된 광 때문에 시야 거리들의 제한들을 갖는다. 그들은 강한 광 프로브들을 요구한다. 그들은 보통 불투명하고, 코팅들에 대한 옵션들을 제한하는 큰 입자들이다. 그들의 사용을 추가로 복잡하게 하는 것은, 형광 및 광 반사와 비교하여 상향변환 응답이 더 느리다는 사실이다. 일부 응용들은 사용되는 화합물에 따른 이러한 고유한 응답 시간을 이용하지만, 이는, 그 센서/객체 시스템에 대한 비행 시간(time of flight) 거리가 미리 알려져 있을 때에만 가능하다. 이는 컴퓨터 비전 응용들에서는 드문 경우이다. 이러한 이유들로 인해, 위조 방지 센서들은 판독을 위한 커버된/어두운 부분들, 프로브들로서의 부류 1 또는 2 레이저들, 및 정확성을 위한 관심 객체까지의 고정되고 제한된 거리를 갖는다.

유사하게, 시야각 의존 안료 시스템들은 가까운 범위에서만 작동하고, 다수의 각도들에서 보는 것을 요구한다. 또한, 색상은 시각적으로 기분 좋은 효과들을 위해 균일하지 않다. 정확한 측정들을 획득하기 위해 입사 광의 스펙트럼이 관리되어야 한다. 단일 이미지/장면 내에서, 각도 의존 색상 코팅을 갖는 객체는 샘플 치수들을 따라 카메라에 가시적인 다수의 색상들을 가질 것이다.

색상 기반 인식들은, 측정된 색상이 주변 조명 조건들에 부분적으로 의존하기 때문에 어렵다. 따라서, 각각의 장면에 대한 기준 샘플들 및/또는 제어된 조명 조건들이 필요하다. 상이한 센서들은 또한 상이한 색상들을 구별하기 위한 상이한 능력들을 가질 것이고, 센서 유형/제조자마다 상이할 것이어서, 각각의 센서에 대한 교정 파일들을 필요로 한다.

주변 조명 하에서의 발광 기반 인식은 객체의 반사성 및 발광성 성분들이 함께 부가되기 때문에 난제인 작업이다. 전형적으로, 발광 기반 인식은 대신에, 어두운 측정 조건 및 발광성 물질의 여기 구역의 선험적 지식을 활용할 것이므로, 정확한 광 프로브/광원이 사용될 수 있다.

기법 3: 전자 태그들, 이를테면 RFID 태그들은 관심 물품/객체에 대한 회로, 집전 장치(power collector), 및 안테나의 부착을 요구하여, 설계에 비용 및 복잡성을 부가한다. RFID 태그들은 존재 여부 유형 정보를 제공하지만, 장면에 걸쳐 많은 센서들이 사용되지 않는 한 정확한 위치 정보를 제공하지는 않는다.

기법 4: 이러한 능동적인 방법들은 관심 객체가 전원에 연결될 것을 요구하며, 이는, 축구공, 셔츠, 또는 파스타 상자와 같은 간단한 물품들에 대해 엄청난 비용이 들고, 따라서 실용적이지 않다.

기법 5: 예측 정확도는 이미지의 품질 및 장면 내의 카메라의 위치에 크게 의존하는데, 그 이유는, 가려짐(occlusion)들, 상이한 시야각들 등이 결과들을 쉽게 변경할 수 있기 때문이다. 로고 유형 이미지들은 장면 내의 다수의 장소들에 존재할 수 있고(즉, 로고는 공, T-셔츠, 모자, 또는 커피 머그잔 상에 있을 수 있음), 객체 인식은 추론에 의한 것이다. 객체의 시각적 파라미터들은 많은 노력을 들여 수학적 파라미터들로 변환되어야 한다. 각각의 가능한 형상이 데이터베이스에 포함되어야 하기 때문에, 그들의 형상이 변경될 수 있는 가요성 객체들이 문제가 된다. 유사하게 형상화된 객체들이 관심 객체로서 오식별될 수 있기 때문에, 항상 고유의 모호성이 존재한다.

기법 6: 훈련 데이터 세트의 품질이 방법의 성공을 결정한다. 인식/분류될 각각의 객체에 대해 많은 훈련 이미지들이 필요하다. 기법 5에 대한 것과 동일한 가려짐 및 가요성 객체 형상 제한들이 적용된다. 수천 개 이상의 이미지들로 각각의 부류의 물질을 훈련할 필요가 있다.

기법 7: 이러한 기법은 장면이 사전 조직화될 때 효과가 있지만, 이는 거의 실용적이지 않다. 관심 객체가 장면을 벗어나거나 완전히 가려지는 경우, 위의 다른 기법들과 결합되지 않는 한 객체는 인식될 수 없다.

이미 존재하는 기법들의 위에 언급된 단점들 외에도, 언급할 가치가 있는 일부 다른 난제들이 존재한다. 먼 거리를 보는 능력, 작은 객체들을 보는 능력 또는 객체들을 충분히 상세히 보는 능력은 모두 고해상도 이미징 시스템들, 즉, 고해상도 카메라, 라이다, 레이더 등을 요구한다. 고해상도 요구들은 연관된 센서 비용들을 증가시키고 처리될 데이터의 양을 증가시킨다.

자율 주행 또는 보안과 같은 즉각적인 응답들을 요구하는 응용들의 경우, 레이턴시는 또 다른 중요한 양상이다. 처리될 필요가 있는 데이터의 양은 에지 또는 클라우드 컴퓨팅이 응용에 적절한지를 결정하며, 후자는 데이터 로드들이 작은 경우에만 가능하다. 에지 컴퓨팅이 과중한 처리와 함께 사용될 때, 시스템들을 동작시키는 디바이스들은 부피가 더 커지고, 사용의 용이성을 그리고 그에 따라 구현을 제한한다.

주변 조명 조건들뿐만 아니라 활성 광 프로브들/광원들이 객체 인식을 위한 이미지 분석에서 수집된 데이터의 중요한 부분들이기 때문에, 이미징 센서 디바이스와 연관된 특수화된 광 프로브들에 대한 필요성과 시각적으로 기분 좋은 주변 조명에 대한 필요성을 단일 조명 디바이스 내로 결합할 가능성을 제공하는 것이 본 발명의 목적이었다. 또한, 이러한 설계는, 이제 특수화된 광 프로브 강도가 주변 조명 강도와 직접 관련되고, 일부 경우들에서, 화학/물리학 기반 인식 기법들을 가능하게 하기 때문에, 일반적으로 주변 조명에 대한 컴퓨터 비전 응용의 민감도를 낮춘다.

그에 따라, 컴퓨터 비전 응용을 통한 객체 인식을 위한 요건들을 단순화하기에 적합한 시스템들 및 방법들에 대한 필요성이 존재한다.

위에 언급된 목적들은 개개의 독립항들의 특징들을 갖는 시스템 및 방법에 의해 해결된다. 추가적인 실시예들은 다음의 설명 및 개개의 종속항들에 의해 제시된다.

제1 양상에서, 본 발명의 실시예들은, 컴퓨터 비전 응용을 통한 객체 인식을 위한 시스템을 제공한다. 제안된 시스템은 적어도 다음의 구성요소들을 포함한다:

- 인식될 객체 ― 객체는 객체 특정 반사율 및 발광 스펙트럼 패턴들을 가짐 ―,

- 적어도 2개의 발광체로 구성되고, 요구에 따라 특정 스펙트럼 응답을 제공하고, 적어도 2개의 발광체 사이에서 전환함으로써, 인식될 객체를 포함하는 장면을 조명하도록 구성되는 광원 ― 적어도 2개의 발광체 중 적어도 하나는 적어도 하나의 솔리드-스테이트 시스템에 기반함 ―,

- 장면이 광원에 의해 조명될 때 객체를 포함하는 장면의 방사휘도 데이터를 측정하도록 구성되는 센서,

- 발광 스펙트럼 패턴들을 적절히 배정된 개개의 객체들과 함께 저장하고 제공하는 데이터 저장 유닛,

- 장면의 방사휘도 데이터로부터, 인식될 객체의 객체 특정 발광 스펙트럼 패턴을 추출/추정하고, 추정된/추출된 객체 특정 발광 스펙트럼 패턴을 데이터 저장 유닛에 저장된 발광 스펙트럼 패턴들과 비교/매칭하고, 가장 양호하게 매칭되는 발광 스펙트럼 패턴, 및 그에 따라, 식별된 가장 양호하게 매칭되는 발광 스펙트럼 패턴에 배정된 객체를 식별하도록 구성되는 데이터 처리 유닛.

적어도 하나의 솔리드-스테이트 시스템은, 반도체 발광 다이오드(LED)들, 유기 발광 다이오드(OLED)들, 또는 중합체 발광 다이오드(PLED)들을 포함하는 솔리드-스테이트 시스템들의 그룹으로부터 선택될 수 있다.

일부 실시예들에서, 인간의 눈이 검출할 수 있는 것보다 더 빠른 전환율로 광원의 발광체들 사이에서 전환하는 것이 유리할 수 있다. 넓은 방출 대역들, 또는 한층 더 이상적으로는 좁은 대역들을 갖는 고속 전환 LED들을 사용하는 것이 바람직할 수 있다.

고유한 발광 스펙트럼 패턴들을 설계하고 객체들/물품들의 발광 스펙트럼 패턴들의 데이터베이스를 형성함으로써, 제안된 시스템을 사용하여 그 발광 스펙트럼 패턴들 중 하나를 표시하는 객체를 인식하는 것이 가능하다. 제안된 시스템은 센서에 의해 취해지는 이미지의 스펙트럼 차원에서 별개의 발광 스펙트럼 패턴들을 식별하는 것을 허용한다. 스펙트럼 특성들의 수는 인식될 객체의 형상과 독립적이라는 것이 언급되어야 한다. 이는, 제안된 시스템이 객체들의 기하학적 구조/형상에 대한 분류들의 수에서 제한되지 않는 것을 가능하게 한다. 동일한 형상 및 심지어 동일한 색상을 갖는 객체들이 데이터 처리 유닛에 의해 추출된 화학적(발광) 정보를 분석함으로써 구별될 수 있다.

시스템의 가능한 실시예에 따르면, 시스템은, 적어도, 식별된 가장 양호하게 매칭되는 발광 스펙트럼 패턴에 배정된 식별된 객체를 표시하도록 구성되는 디스플레이 유닛을 더 포함한다.

추가적인 실시예에 따르면, 인식될 객체에는, 발광의 화학적 성질, 즉, 발광 스펙트럼 패턴이 알려져 있고 태그로서 사용되는 미리 정의된 표면 발광성 물질들(특히, 발광성 염료들)이 부여, 예컨대, 코팅된다. 객체의 발광의 화학적 성질을 태그로서 사용함으로써, 객체의 형상 또는 부분적 가려짐들에 관계없이 객체 인식이 가능하다.

발광은 열 없이 물질로부터 광이 방출되는 특성이다. 다양한 발광 메커니즘, 이를테면, 화학발광, 기계발광, 및 전기발광이 알려져 있다. 광발광은 다른 광자들의 흡수로 인한 광/광자들의 방출이다. 광발광은 형광, 인광, 상향변환, 및 라만(Raman) 산란을 포함한다. 광발광, 형광 및 인광은 통상의 광 조건들 하에서 객체의 색상 외관을 변경할 수 있다. 형광 및 인광의 화학적 메커니즘과 시간 스케일들 사이에 차이가 존재하지만, 대부분의 컴퓨터 비전 시스템들의 경우 이들은 동일하게 보일 것이다. 본 개시내용의 범위 내에서, "형광" 및 "형광성"이라는 용어들이 주로 (예시적으로 그리고 대체가능한 것(placeholder)으로서) 사용되지만, 다양한 발광 메커니즘들이 본 발명에 적용가능하다.

객체에는, 다양한 방법들로 형광성 물질들이 부여, 즉, 제공될 수 있다. 형광성 물질들은 방법들, 이를테면, 분무 코팅, 딥 코팅, 코일 코팅, 롤-투-롤 코팅, 및 다른 것들을 통해 적용될 수 있는 코팅에서 분산될 수 있다. 형광성 물질은 객체 상에 인쇄될 수 있다. 형광성 물질은 객체 내로 분산되고 압출, 성형, 또는 주조될 수 있다. 일부 물질들 및 객체들은 자연적으로 형광성이고, 제안된 시스템 및/또는 방법을 이용하여 인식될 수 있다. 일부 생물학적 물질들(채소들, 과일들, 박테리아, 조직, 단백질들 등)은 형광성이 되도록 유전자적으로 공학처리될 수 있다. 일부 객체들은 본원에 언급된 방식들중 임의의 방식으로의 형광성 단백질들의 부가에 의해 형광성이 될 수 있다.

방대한 범위의 형광성 물질들이 상업적으로 입수가능하다. 이론적으로, 임의의 형광성 물질이 컴퓨터 비전 응용에 적합할 것인데, 그 이유는, 식별될 객체의 형광성 스펙트럼 패턴이 생산 후에 측정되기 때문이다. 주요 제한들은 형광성 물질들의 내구성 및 (인식될 객체의) 호스트 물질과의 상용성이다. 적합한 형광성 물질들의 일 예는, 바스프(BASF)의 루모겐^®(Lumogen^®) F 시리즈 염료들, 이를테면, 예컨대, 옐로우 170(yellow 170), 오렌지 240(orange 240), 핑크 285(pink 285), 레드 305(red 305), 옐로우 170과 오렌지 240의 조합, 또는 이들의 임의의 다른 조합이다. 적합한 형광성 물질들의 다른 예는 클라리언트(Clariant)의 호스타솔^®(Hostasol^®) 형광성 염료들인 레드 GG(Red GG), 레드 5B(Red 5B), 및 옐로우 3G(Yellow 3G)이다. 광학 증백제(brightener)는 많은 유기 중합체들의 황색 색상을 감소시키기 위해 객체 제제(formulation)들에 종종 포함되는 형광성 물질들의 부류이다. 이들은, 비가시 자외선 광을 가시 청색 광으로 형광을 발하게 하여 생성된 객체를 더 백색으로 보이게 함으로써 기능한다. 바스프의 티노팔^®(Tinopal^®) SFP 및 티노팔^® NFW 및 클라리언트의 텔라룩스^®(Telalux^®) KSI 및 텔라룩스^® OB1을 포함하는 많은 광학 증백제들이 상업적으로 입수가능하다.

제안된 시스템의 더 추가적인 실시예에 따르면, 데이터 처리 유닛은, 추출된/추정된 객체 특정 형광 스펙트럼 패턴과 저장된 형광 스펙트럼 패턴들 사이에서 임의의 수의 매칭 알고리즘들을 사용함으로써 가장 양호하게 매칭되는 형광 스펙트럼 패턴을 식별하도록 구성되며, 매칭 알고리즘들은, 최저 제곱근 평균 제곱 오차(lowest root mean squared error), 최저 평균 절대 오차(lowest mean absolute error), 최고 결정 계수, 최대 파장 값의 매칭을 포함하지만 이에 제한되지 않는 그룹으로부터 선택된다.

처리 유닛은 또한, 적어도 2개의 발광체 하에서의 측정된 방사휘도 데이터를 사용하여, 객체의 형광 스펙트럼 패턴을 추정/계산하고, 그 후, 추정된/계산된 형광 스펙트럼 패턴을 알려져 있는 복수의 형광 스펙트럼 패턴들의 데이터베이스에 매칭하도록 구성된다. 청구된 시스템의 실시예에 따르면, 처리 유닛은, 적어도 2개의 발광체 하에서의 측정된 방사휘도 데이터를 사용하여, 다단계 최적화 프로세스로 객체의 발광 스펙트럼 패턴 및 반사성 스펙트럼 패턴을 추정하도록 구성된다.

센서는 일반적으로 광자 계수 능력들을 갖는 광학 센서이다. 더 구체적으로, 센서는 흑백(monochrome) 카메라, 또는 RGB 카메라, 또는 다중스펙트럼 카메라, 또는 하이퍼스펙트럼 카메라일 수 있다. 센서는 상기된 것 중 임의의 것의 조합, 또는 상기된 것 중 임의의 것과, 예컨대, 특정 필터들을 갖는 흑백 센서와 같은 조정가능하거나 선택가능한 필터 세트의 조합일 수 있다. 센서는 장면의 단일 픽셀을 측정하거나, 한 번에 많은 픽셀들을 측정할 수 있다. 광학 센서는, 특정 범위의 스펙트럼에서, 특히, 3개 초과의 대역에서 광자들을 계수하도록 구성될 수 있다. 광학 센서는, 특히 상이한 시간들에 상이한 대역들을 또는 모든 대역들을 동시에 판독하는, 큰 시야를 위한 다수의 픽셀들을 갖는 카메라일 수 있다.

다중스펙트럼 카메라는 전자기 스펙트럼에 걸쳐 특정 파장 범위들 내에서 이미지 데이터를 포착한다. 파장들은 필터들에 의해 또는 가시 광 범위를 넘는 주파수들, 즉, 적외선 및 자외선으로부터의 광을 포함하는 특정 파장들에 민감한 계기들의 사용에 의해 분리될 수 있다. 스펙트럼 이미징은 인간의 눈이 적색, 녹색, 및 청색에 대해 그의 수용체들로 포착하지 못하는 부가적인 정보의 추출을 허용할 수 있다. 다중스펙트럼 카메라는 적은 수(전형적으로, 3개 내지 15개)의 스펙트럼 대역들에서 광을 측정한다. 하이퍼스펙트럼 카메라는, 종종 수백 개의 인접한 스펙트럼 대역들이 이용가능한, 스펙트럼 카메라의 특수한 경우이다.

광원은 바람직하게는 적어도 2개의 상이한 발광체 사이에서 전환할 수 있는 것으로서 선택된다. 일부 방법들에 대해, 3개 이상의 발광체가 요구될 수 있다. 발광체의 전체 조합이 광원으로 지칭된다. 이를 행하는 하나의 방법은, 상이한 파장 발광 다이오드(LED)들로 발광체들을 생성하는 것이다. LED들은 신속하게 켜지고 꺼질 수 있어서, 발광체들 사이에서의 빠른 전환을 허용한다. 상이한 방출들을 갖는 형광성 광원들이 또한 사용될 수 있다. 상이한 필터를 갖는 백열 광원들이 또한 사용될 수 있다. 광원은 인간의 눈에 가시적이지 않은 전환율로 발광체들 사이에서 전환될 수 있다. 정현파형 발광체들이 또한 LED들 또는 다른 광원들로 생성될 수 있으며, 이는 제안된 컴퓨터 비전 알고리즘들 중 일부에 유용하다.

장면의 방사휘도 데이터를 측정하도록 구성되는 센서는 발광체들 사이에서의 광원의 전환에 링크되고 그와 동기화된다. 그 센서는, 하나의 발광체가 활성인 시간 기간 동안에만 정보를 포착하도록 구성될 수 있다. 그 센서는, 하나 이상의 발광체가 활성인 동안 정보를 포착/측정하고 다양한 알고리즘들을 사용하여 발광체들의 서브세트에 대한 방사휘도를 계산하고 송출하도록 구성될 수 있다. 그 센서는, 광원의 활성화 전의, 그 후의, 또는 그 동안의 특정 기간에 장면 방사휘도를 포착하도록 구성될 수 있고, 광 펄스보다 더 길거나 더 짧게 지속될 수 있다. 이는, 센서가 전환에 링크되지만, 단지 하나의 발광체가 활성인 시간 기간 동안 방사휘도 데이터를 반드시 포착할 필요는 없다는 것을 의미한다. 이러한 절차는 일부 시스템들에서 잡음을 감소시키기 위해 또는 센서 타이밍 제한들로 인해 유리할 수 있다.

센서가 광원에 동기화되고 센서가 센서 노출 시간(integration time) 동안 발광체들의 상태를 추적하는 것이 가능하다. 광원의 스펙트럼 변화들은 네트워크를 통해 제어 유닛에 의해 관리되어, 센서의 노출 시간과 동기화되어 작동한다. 네트워크에 연결된 다수의 광원들은, 효과를 증폭하는 동일한 시간적 및 스펙트럼 변화 주파수들을 갖도록 동기화될 수 있다.

다른 양상에서, 본 발명의 실시예들은 컴퓨터 비전 응용을 통한 객체 인식을 위한 방법에 관한 것이다. 제안된 방법은 적어도 다음의 방법 단계들을 포함한다:

- 객체 특정 반사율 및 형광 스펙트럼 패턴들을 갖는 객체를 제공하는 단계 ― 객체는 인식될 것임 ―,

- 적어도 2개의 발광체로 구성되는 광원으로, 적어도 2개의 발광체 사이에서 전환함으로써 객체를 포함하는 장면을 조명하는 단계 ― 적어도 2개의 발광체 중 적어도 하나는 적어도 하나의 솔리드-스테이트 시스템에 기반함 ―,

- 센서에 의해, 장면이 광원에 의해 조명될 때 인식될 객체를 포함하는 장면의 방사휘도 데이터를 측정하는 단계,

- 적절하게 배정된 개개의 객체들과 링크된 형광 스펙트럼 패턴들을 갖는 데이터베이스와 같은 데이터 저장 유닛을 제공하는 단계,

- 데이터 처리 유닛에 의해, 장면의 방사휘도 데이터로부터, 인식될 객체의 객체 특정 형광 스펙트럼 패턴을 추정하는 단계, 및

- 데이터 처리 유닛에 의해, 인식될 객체의 추정된 객체 특정 형광 스펙트럼 패턴을 데이터 저장 유닛에 저장된 형광 스펙트럼 패턴들과 비교/매칭하는 단계, 및

- 데이터 처리 유닛에 의해, 가장 양호하게 매칭되는 형광 스펙트럼 패턴, 및 그에 따라, 가장 양호하게 매칭되는 형광 스펙트럼 패턴에 배정된 객체를 식별하는 단계.

객체 특정 반사율 및 형광 스펙트럼 패턴을 갖는 객체를 제공하는 단계는, 가능한 실시예에 따르면, 인공 객체의 경우에, 예컨대, 형광 물질로, 인식될 객체에 형광을 부여하는 단계를 포함한다.

인식될 객체로서의 자연 객체의 경우, 객체가 본질적으로 이미 객체 특정 반사율 및 형광 스펙트럼 패턴을 갖는 것이 가능하다.

객체에 형광을 부여하는 단계는, 객체를 형광 물질로 코팅하거나 다른 방식으로 객체의 표면에 형광을 부여함으로써 실현될 수 있다. 후자의 경우, 형광은 전체 객체 전체에 걸쳐 분포될 수 있고, 그에 따라, 표면에서 또한 검출가능할 수 있다.

제안된 방법의 가능한 실시예에 따르면, 방법은, 적어도, 식별된 가장 양호하게 매칭되는 형광 스펙트럼 패턴에 배정된 식별된 객체를 디스플레이 디바이스를 통해 표시하는 단계를 더 포함한다.

제안된 방법의 매칭하는 단계는 특히, 추출된/추정된 객체 특정 형광 스펙트럼 패턴과 저장된 형광 스펙트럼 패턴들 사이에서 임의의 수의 매칭 알고리즘들을 사용함으로써 가장 양호하게 매칭되는 형광 스펙트럼 패턴을 식별하는 것을 포함하며, 매칭 알고리즘들은, 최저 제곱근 평균 제곱 오차, 최저 평균 절대 오차, 최고 결정 계수, 최대 파장 값의 매칭을 포함하지만 이에 제한되지 않는 그룹으로부터 선택된다. 일반적으로, 매칭 알고리즘들은 임의적이다.

제안된 방법의 추정하는 단계는 특히, 적어도 2개의 발광체들 하에서의 측정된 방사휘도 데이터를 사용하여, 객체의 형광성 스펙트럼들 및 반사성 스펙트럼들을 추정하는 것을 포함한다.

데이터 저장 유닛을 제공하는 단계는, 다수의 형광성 제제들을 설계함으로써 객체들의 형광 화학적 성질 정보, 즉, 객체들/물품들의 형광 스펙트럼 패턴들의 데이터베이스를 형성하는 것을 포함하며, 각각의 형광성 제제는, 광원에 의해 조명될 때 객체가 객체 특정 형광 스펙트럼 패턴을 획득하고 표시하도록 객체에 적용되고, 그에 따라, 객체에 배정된다. 이는, 상이한 고유한 스펙트럼 시그니처들/형광 스펙트럼 패턴들을 달성하기 위해 특정 비율들로 상이한 방출 프로파일들을 갖는 형광성 화학물질들의 특정 혼합물들을 사용함으로써 달성될 수 있다.

특히, 광원은 2개의 발광체 및 2개의 발광체 사이에서의 짧은 전환 시간을 갖는, 즉, 2개의 발광체가 서로 간에 신속하게 변경되는, 전환가능한 광원으로서 선택된다. 추가로, 2개의 발광체가 반대 위상들의 2개의 정현파형 발광체인 것이 가능하다. 2개의 발광체는 LED 발광체로서 선택될 수 있다.

장면의 방사휘도 데이터를 포착하는 단계는 특히, 적어도 2개의 발광체 사이에서의 광원의 전환에 링크되고 동기화되는 센서에 의해 수행된다. 하나의 발광체가 활성인 시간 기간 동안에만 정보를 포착하는 것이 가능하다. 대안적으로, 하나 이상의 발광체가 활성인 시간 기간 동안 정보를 포착하고 다양한 알고리즘들을 사용하여 발광체들의 서브세트에 대한 방사휘도를 계산하는 것이 가능하다.

다른 양상에서, 본 발명의 실시예들은 컴퓨터에 의해 실행가능한 명령어들을 갖는 컴퓨터 프로그램 제품을 제공하며, 컴퓨터 프로그램 제품은 제안된 방법의 실시예들 중 어느 하나를 실현/수행/실행하기 위한 명령어들을 포함한다.

본 발명은, 컴퓨터 비전 응용들에서, 인식될 객체의 형광 스펙트럼들이 제어된 및 시간적 조명 조건들 하에서 그리고 관심 스펙트럼 대역들/라인들에서 특성화되는 한편, 인식될 객체에 적용되는 형광성 제제의 스펙트럼 시그니처가 객체 인식을 위해 사용되는 시스템 및 방법에 관한 것이다. 제안된 시스템 및 방법은, 인식될 객체의 형광 화학적 성질, 즉, 형광 스펙트럼 패턴을 태그로서 사용함으로써 객체의 형상, 주변 조명, 및 부분적 가려짐들에 관계없이 객체의 인식을 가능하게 한다.

제안된 시스템의 데이터 저장 유닛을 제공하기 위해, 특정 객체들/물품들에 대해 측정되고 그에 따라 그 객체들과 링크된 고유한 형광 스펙트럼 패턴들이 특정 객체들의 형광 화학적 성질 정보의 데이터베이스를 형성하기 위해 사용된다. 형광은 첨가제, 코팅, 페인트 등으로서 적용되거나, 형광은 생물학적 물질(즉, 과일, 채소)의 일부이거나, 또는 형광은 자연적으로 존재하지만(인위적으로 배치되지 않음) 검출될 수 있다. 데이터 저장 유닛은, 각각이 특정 객체와 고유하게 링크되는 고유한 형광 스펙트럼 패턴들의 툴을 제공한다. 데이터 저장 유닛에 의해, 제안된 시스템은, 먼저 광원에 의해 개개의 객체를 조명하고, 센서에 의해 객체의 센서 방사휘도 데이터를 감지하고, 데이터 처리 유닛에 의해 방사휘도 데이터로부터 객체 특정 형광 스펙트럼 패턴을 추정하고, 추정된 객체 특정 형광 스펙트럼 패턴을 데이터 저장 유닛에 저장된 형광성 스펙트럼 패턴들과 비교함으로써, 제안된 시스템을 사용하여 특정 형광 화학적 성질을 표시하는 객체들을 인식하는 것이 가능해진다.

용이하게 정의되고 검출될 수 있는 공학처리된 특징들을 갖는 것은, 다른 기법들과 비교하여 시각적으로 객체들을 식별하는 가장 계산적으로 효율적인 방식이라는 것이 관련 기술분야에 알려져 있다. 예컨대, 바코드의 스캐닝에 의해, 시스템은 데이터베이스에 즉시 연결되어 스캐닝되는 객체를 식별한다. 유사하게, 제안된 시스템은, 바코드 판독기가 공간적 차원에서 동작하는 것과 같이 이미지의 스펙트럼 차원에서 별개의 형광 스펙트럼 패턴들을 식별하는 그의 능력으로 인해 훨씬 더 효율적이다. 스펙트럼 특성들의 수는 관심 객체의 형상과 독립적이다. 이는, 제안된 시스템 및 방법이 객체들의 기하학적 구조/형상에 대한 분류들의 수에서 제한되지 않는 것을 가능하게 한다. 동일한 형상 및 심지어 동일한 색상을 갖는 객체들이 컴퓨터 비전 시스템에 의해 추출된 형광 화학적 성질을 분석함으로써 구별될 수 있다.

본 발명의 주요 양상들 중 하나는, 주변 조명 요소들이 제안된 시스템 및 방법에 대한 광 프로브들로서 사용될 수 있다는 것이다. 실내 조건들은 일반적으로, 컴퓨터 비전 응용들을 용이하게 하기 위해 제어되고 균일한 조명 환경이 존재할 것을 요구한다. 그러나, 제안된 시스템 및 방법은 대신에, 객체들을 인식하기 위해 조명 조건들의 차이들을 이용한다. 또한, 시스템의 하나의 고유한 양상은, 시스템이, 개개의 객체로부터 형광 화학적 성질 정보를 추출하기 위해 LED 광원 또는 필적하는 배열들로부터의 주변 조명의 급속한 변화를 활용한다는 것이다. 그러한 조명 조건들의 급속한 변화는 인간의 눈에 가시적이지 않고, 조명원들의 스펙트럼 변화들은 네트워크를 통해 시스템에 의해 관리되어, 센서의 노출 시간과 동기화되어 작동할 수 있다. 네트워크에 연결된 다수의 광원들은, 효과를 증폭하는 동일한 시간적 및 스펙트럼 변화 주파수들을 갖도록 동기화될 수 있다.

본 발명의 다른 고유한 양상은, 객체들의 형광(또는 화학적 성질) 정보가 그 객체에 관한 정보, 즉, 물질의 유형, 가격, 매뉴얼들 등, 및 동적(라이브) 데이터베이스, 즉, 3D 맵들에서 정보를 추적하고 업데이트하는 데이터 저장 유닛에 유지되는 정보에 결합될 수 있다는 것이다. 제안된 시스템을 사용하여 그리고 잠재적으로는 다른 방법들과의 조합으로 3D 공간에서 객체들을 동적으로 추적함으로써, 제안된 시스템은, 객체 위치들이 동적으로 업데이트되고 객체들이 제안된 시스템의 센서의 시야 내에 있는 한, 2개의 동일한 객체를 그 객체들의 3D 위치에 의해 구별하는 능력을 가능하게 할 것이다.

제안된 시스템의 고유한 유용성을 강조하는 위에 언급된 예들은 완전하지 않으며, 그러한 특정 응용들로 제한되도록 의도되지 않는다. 추가적인 응용들은, 흑백, RGB 유형, 다중스펙트럼 또는 하이퍼스펙트럼 광 센서들을 포함하는 다양한 유형들의 카메라들을 사용하는 플랫폼들에 기반할 수 있다.

제안된 방법의 일 실시예에 따르면, 인식될 객체에는 적어도 다음을 포함하는 그룹으로부터 선택되는 발광 물질이 제공된다:

UV, VIS, NIR 및/또는 IR에서 형광(스토크스(Stokes)) 특성들을 갖는 임의의 물질, VIS 및/또는 NIR에서 상향변환(반-스토크스(anti-Stokes)) 특성들을 갖는 임의의 물질, 형광 효과들을 갖게 설계된 생물제제, 자연적 형광 효과들을 갖게 설계된 생물제제들, 및/또는 식품 착색제들.

인식될 객체에 발광 물질을 부여하기 위한 기법은, 다음의 기법들: 분무, 롤링, 드로잉 다운, 증착(PVC, CVD 등), 압출, 막 도포/접착, 유리 형성, 성형 기법들, 인쇄, 이를테면, 잉크들, 모든 유형들의 그라비어, 잉크젯, 적층 제조, 직물/섬유 처리들(염료 또는 인쇄 프로세스들), 염료/안료 흡수, 드로잉(손으로/다른 식으로), 스티커들의 부여, 라벨들의 부여, 태그들의 부여, 화학적 표면 그라프팅, 건식 부여, 습식 부여, 고체들로의 혼합물들의 제공, 반응성/비반응성 염료들의 제공 중 하나 또는 이들의 조합으로서 선택될 수 있다.

장면의 방사휘도 데이터를 측정하기 위한 센서는 적어도: 모든 유형들의 광다이오드들, 250 nm 이상의 파장들을 커버하는 센서들, 최대 1,800 nm의 파장들을 커버하는 센서들, 동적 또는 정적 필터들을 갖는 센서들, 프리즘 기반 또는 필적하는 공간적으로 파장 분리된 시스템들, 다수의 카메라들, 스테레오카메라들, 하이퍼스펙트럼 센서들(10개 이상의 대역들), 다중스펙트럼 센서들(3개 초과의 대역들), RGB 센서들(3개의 대역들), 모든 대역들 또는 선택된 대역들만을 커버하는 센서들, 모든 프레임률들을 커버하는 센서들, 광자들 및/또는 전자기 방사선(250 nm 내지 1,800 nm)에 응답하는 다른 센서들, 편광 필터들(원형, 선형 등)을 포함하는 센서들, 비편광 필터들을 갖는 센서들을 포함하는 그룹에서 선택될 수 있다.

데이터베이스는 에지 컴퓨팅 시스템 상에 저장될 수 있거나, 데이터베이스는 클라우드 상에 저장될 수 있다. 데이터는 부속된 개개의 객체들, 광고, 가격, 소유자, SDS, 칼로리 값들, 레시피들에 관한 부가적인 정보와 함께 또는 이들 없이 저장될 수 있다. 개개의 객체들의 만료일, 제조일, 이름, 저장 수명, 재료 목록, 위치, 타임 스탬프와 함께 추가적인 데이터가 제공될 수 있다. 추가로, 데이터는, 개개의 객체들에 관한 사용 설명서들, 제조자, 원산지, 재활용 지침들, 매뉴얼들, 등급들, 리뷰들과 함께 제공될 수 있다. 추가로, 데이터는, 개개의 객체에 관한, 교통 표지판 정보에 관한 정보, 섬유, 의류, 개줄, 자전거, 자동차와 같은 소재의 유형에 관한 데이터 등과 함께 제공될 수 있다. 추가로, 데이터는, 개개의 객체들의 사용 수준들, 잔량, 중량, 체적, 알코올 함량, 소비된 알코올에 관한 데이터와 함께 제공될 수 있다.

가장 양호하게 매칭되는 발광 스펙트럼 패턴에 배정되는 식별된 객체는, 다음의 디바이스들: 스마트 안경, 스마트 폰들, 스마트 워치들, 다른 웨어러블들, 이를테면, 흉부 카메라들, 스파이 캠들, 신발, 셔츠들, 버튼들, 콘택트 렌즈들, 보안 카메라들, 차량들, 드론들, 로봇들, 홈 어시스턴트들, 랩톱들, 태블릿들, 교통 모니터 카메라들, 실내 및 실외 시스템들, 이동식 또는 고정식 시스템들, TV들, 장난감들, 휴대용 스캐너들, 고정식 스캐너들, 커피 기계들, 가전 제품들, 산업용 기계, 생산 장비/설비들, 재활용/분류 장비, 스마트 쓰레기 통들, 스마트 재활용 통들, 펜들 중 하나 또는 이들의 조합을 통해 표시될 수 있다.

제안된 방법은 많은 응용 영역들을 갖는다. 그에 따라, 제안된 방법은, 예컨대, 객체 인식, 객체 추적, 객체들의 분류, 객체 식별, 객체 위치 찾기, 재고 관리, 자동 주문들, 소매, 온라인 상점, 사고 방지 자율 주행 차량들, 위조 방지, 증강 현실 또는 혼합 현실 응용들, 광고, 피트니스/건강 관리, 창고관리, 제조, 조립, 계수, 학습, 스포츠, 설명서들, 매뉴얼들, 감정(advice), 요리, 및 인공 지능 지원에서 사용될 수 있다.

본 발명은 다음의 예들에서 추가로 정의된다. 이러한 예들은, 본 발명의 바람직한 실시예들을 나타냄으로써, 단지 예시로서 주어진다는 것이 이해되어야 한다. 위의 논의 및 예들로부터, 관련 기술분야의 통상의 기술자는 본 발명의 본질적인 특성들을 확인할 수 있고, 본 발명의 사상 및 범위로부터 벗어나지 않으면서, 다양한 용도들 및 조건들에 본 발명을 적응시키도록 본 발명의 다양한 변경들 및 수정들을 행할 수 있다.

도 1은 제안된 시스템의 실시예들을 개략적으로 도시한다.
도 2는 예 1에서 사용된 3개의 광대역 광원의 측정된 방사휘도들을 도시한다.
도 3은 예 1로부터의 하나의 물질에 대한 측정된 및 계산된 방출 스펙트럼 패턴들의 예시적인 비교를 도시한다.
도 4는 예 1에 대한 모든 물질들에 대한 측정된(상단) 및 계산된(하단) 방출 스펙트럼들(스펙트럼 패턴들)을 도시한다.
도 5는 예 1에 대한 상이한 비교/매칭 알고리즘들을 상이한 표들로 도시한다.
도 6은 제안된 시스템의 실시예에서 사용되는 LED 광원 하에서의 예시적인 발광체 스펙트럼들 및 측정된 방사휘도의 다이어그램을 도시한다.
도 7은 측정된 및 계산된 방출 스펙트럼들(스펙트럼 패턴들)의 예시적인 비교의 다이어그램을 도시한다.
도 8은 계산된 방출 스펙트럼들(스펙트럼 패턴들)(좌측) 및 측정된 방출 스펙트럼들(스펙트럼 패턴들)(우측)을 도시한다.
도 9는 예 2에 사용될 수 있는 상이한 비교/매칭 알고리즘들을 상이한 표들로 도시한다.

도 1a 및 도 1b는 제안된 시스템(100)의 실시예들을 개략적으로 도시한다. 시스템(100)은 적어도 하나의 인식될 객체(130)를 포함한다. 추가로, 시스템(100)은, 이미저에 의해 실현될 수 있는 센서(120), 이를테면 카메라, 특히, 다중스펙트럼 또는 하이퍼스펙트럼 카메라를 포함한다. 시스템(100)은 광원(110)을 더 포함한다. 광원(110)은 상이한 개별 발광체들로 구성되며, 발광체들의 수 및 그의 속성은 사용되는 방법에 의존한다. 도 1a에 나타낸 바와 같은 예 1의 경우, 3개의 발광체가 제공되고, 3개의 발광체는 통상적으로 이용가능한 백열 전구(111), 소형 형광 전구(112), 및 백색 광 LED 전구(113)이다. 광원은 또한 도 1b에 도시된 바와 같이 2개의 발광체로 구성될 수 있다. 예 2의 경우, 2개의 발광체만이 제공되며, 2개의 발광체는 맞춤형 LED 발광체들(114 및 115)이다. 발광체(114)는 5 V에서 동작하는 3개의 LED로 이루어진다. 하나의 LED는 3300 옴의 인라인 저항기를 갖는 VCC로부터의 400 nm LED(VAOL-5GUV0T4)이다. 제2 LED는 3300 옴의 인라인 저항기를 갖는 루멕스^®(Lumex^®)로부터의 500 nm LED(SSL-LX5093UEGC)이다. 제3 LED는 680 옴의 인라인 저항기를 갖는 루멕스^®로부터의 610 nm LED(SSL-LX5094SOC)이다. 발광체(115)는 5 V에서 동작하는 3개의 LED로 이루어진다. 하나의 LED는 5000 옴의 인라인 저항기를 갖는 크리, 인코포레이티드(Cree, Inc.)로부터의 470 nm LED(C503B-BCS-CV0Z0461)이다. 제2 LED는 100 옴의 인라인 저항기를 갖는 킹브라이트^®(Kingbright^®)로부터의 574 nm LED(WP7113CGCK)이다. 제3 LED는 47 옴의 인라인 저항기를 갖는 VCC로부터의 643 nm LED(VAOL-5GAE4)이다.

광원은 상이한 발광체들(도 1a의 111, 112 및 113, 또는 도 1b의 114 및 115) 사이에서 신속하게 전환함으로써, 인식될 객체(130)를 포함하는 장면을 조명하도록 구성될 수 있다. 시스템(100)은 데이터 처리 유닛, 즉, CPU(140)를 더 포함하며, 이는, CPU(140)와 무선으로 또는 유선을 통해 연결된 데이터 저장 유닛(150)에 저장된 반사율 및/또는 형광 스펙트럼 패턴들로 객체 특정 반사율 및/또는 형광 스펙트럼 패턴을 추정하고, 가장 양호하게 매칭되는 반사율 및/또는 형광 스펙트럼 패턴, 및 그에 따라, 가장 양호하게 매칭되는 반사율 및/또는 형광 스펙트럼 패턴에 배정된 객체를 식별하도록 구성된다. 시스템(100)은, 적어도, 식별된 가장 양호하게 매칭되는 형광 스펙트럼 패턴에 배정된 식별된 객체를 표시하도록 구성되는 디스플레이 유닛(160)을 더 포함한다. 시스템(100)은 하나 초과의 센서, 하나 초과의 광원, 및/또는 하나 초과의 객체를 포함할 수 있으며, 여기서, 시스템의 모든 구성요소들은 네트워크를 형성한다. 시스템(100)을 사용하여, 객체 인식을 위한 제안된 방법의 실시예를 수행하는 것이 가능하다. 인식될 객체(130)에는 형광성 물질이 부여되며, 그에 따라, 객체 특정 반사율 및 형광 스펙트럼 패턴이 객체에 제공된다. 고유한 형광성 스펙트럼 패턴들/시그니처들을 갖는 물질들을 생성하기 위해, 일액형(one-component) 자동차용 투명 코트(clear coat)로 분산된 바스프의 루모겐^® F 시리즈 염료들을 사용하였다. 예 1 및 예 2에 대한 물질들을 생성하기 위해, A, B, C 및 D로 라벨링된 옐로우 170, 오렌지 240, 핑크 285 또는 레드 305를 포함하는 4개의 상이한 염료, 및 E로 라벨링된 옐로우 170과 오렌지 240의 조합을 사용하였다. 착색된 투명 코트들을 200 미크론 두께로 백색 강철 패널 상에 드로잉 다운하고 경화시켰다. 객체에 형광을 적용하는 다른 방법들이 사용될 수 있다.

코팅된 객체(130)는 다수의 발광체로 구성되는 광원(110)으로 조명된다. 발광체들은 인간의 눈에 가시적이지 않은 전환율로 신속하게 전환될 수 있고, 발광체 변화들은, 네트워크를 통해, 제안된 시스템에 의해 관리되어, 센서(120)의 노출 시간들과 동기하되어 작동한다. 일반적으로, 네트워크에 연결된 다수의 광원들은, 효과를 증폭하는 동일한 시간적 및 스펙트럼 변화 주파수들을 갖도록 동기화될 수 있는 것이 가능하다. 객체(130)를 포함하는 장면이 광원(110)에 의해 조명될 때, 객체(130)를 포함하는 장면의 방사휘도 데이터가 센서(120)에 의해 포착/측정된다. 데이터 처리 유닛(140)은, 먼저 객체의 형광 및 반사 스펙트럼들을 분리함으로써 장면의 방사휘도 데이터로부터 객체 특정 반사율 및/또는 형광 스펙트럼 패턴을 추정한다.

반사에서 형광을 분리하는 다수의 방법들이 알려져 있다. 예 1에서 사용된 방법은, 문헌[쳉 인치앙(Yinqiang Zheng), 사토 이마리(Imari Sato), 및 사토 요이치(Yoichi Sato)의 "Spectra Estimation of Fluorescent and Reflective Scenes by Using Ordinary Illuminates", ECCV 2014, Part V, LNCS 8693, pp. 188-202, 2014.]에서 설명된다. 여기서 설명된 방법은, 하이퍼스펙트럼 카메라로 3개의 상이한 광대역 발광체 하에서 형광성 물질을 이미징한다. 이 논문은 전체가 참조에 의해 포함된다.

본 발명에 따르면, 도 1a에 도시된 바와 같은 3개의 상이한 발광체(111, 112, 및 113) 하에서의 측정된 방사휘도 데이터를 사용하여, 반사율 및 형광 스펙트럼 패턴들이 다단계 최적화 프로세스로 계산된다. 객체(130)에 대한 계산된 형광 스펙트럼 패턴은, 처리 유닛(140)에 의해, 데이터베이스(150)에 저장된 물질들의 라이브러리로부터의 알려져 있고 (형광측정기를 사용하여) 측정된 스펙트럼 패턴과 비교된다. 데이터베이스(150)는 특정 객체들과 각각 링크된 다수의 형광 스펙트럼 패턴들을 포함한다. 그러한 데이터베이스를 형성하기 위해, 상이한 형광 제제들을 설계하고 각각의 객체가 객체 특정 형광 스펙트럼 패턴과 고유하게 링크되도록 개개의 상이한 객체들 상에 그 형광 제제들을 적용하는 것이 가능하다. 형광 제제들은, 특정 비율들로 상이한 방출 프로파일들을 갖는 형광성 화학물질들의 특정 혼합물들을 사용함으로써, 고유한 스펙트럼 시그니처들을 각각 달성하도록 설계될 수 있다. 객체(130)에 적용된 형광성 물질은 이어서, 계산된 객체 특정 형광 스펙트럼 패턴과 데이터베이스(150)에 저장된 알려져 있는 물질 스펙트럼 패턴들 사이의 임의의 수의 매칭 알고리즘들에 의해, 예컨대, 최저 제곱근 평균 제곱 오차, 최저 평균 절대 오차, 최고 결정 계수, 또는 최대 방출 파장 값의 매칭에 의해 식별될 수 있다. 형광성 물질의 식별은 이어서, 데이터베이스 정보를 사용하여 객체(130)의 식별을 허용한다.

마지막으로, 데이터 처리 유닛(140)은 추정된 형광 스펙트럼 패턴을 데이터 저장 유닛(150)에 저장된 객체 특정 형광 스펙트럼 패턴들과 매칭하고 가장 양호하게 매칭되는 형광 스펙트럼 패턴을 식별한다. 마지막으로, 데이터 처리 유닛(140)은, 식별된 가장 양호하게 매칭되는 형광 스펙트럼 패턴에 의해, 데이터 저장 유닛(150)으로부터 이러한 가장 양호하게 매칭되는 형광 스펙트럼 패턴에 링크된 객체를 판독할 수 있고, 그 객체를 형광 스펙트럼 패턴과 함께 디스플레이 유닛(160) 상에 표시할 수 있다.

이미저(120)는 하이퍼스펙트럼 카메라 또는 다중스펙트럼 센서일 수 있다. 하이퍼스펙트럼 센서에서의 2개 다스(dozen) 이상의 개별 센서 대역 대신에, 다중스펙트럼 센서는 대략적으로 4개 내지 20개의 센서 대역을 갖는다. 다중스펙트럼 센서들은 단일 노출 동안 전체 장면을 포착하는 스냅샷 모드에서 동작할 수 있다. 대조적으로, 하이퍼스펙트럼 센서들은 전형적으로 라인 스캐닝 모드에서 동작하며, 이는, 하이퍼스펙트럼 센서들이 한 번에 전체 장면을 이미징할 수 없음을 의미한다. 부가적으로, 다중스펙트럼 센서들은 하이퍼스펙트럼 카메라들보다 훨씬 더 경제적이다. 다중스펙트럼 센서들은 하이퍼스펙트럼 카메라들과 동일한 스펙트럼 분해능들을 갖지 않지만, 다중스펙트럼 센서들은, 적절한 매칭 알고리즘들을 이용하여, 제안된 방법을 사용하여 물질 식별을 예측하기에 충분하다. 센서는 또한, 시간에 걸쳐 측정된 스펙트럼 구역을 변경하기 위한 메커니즘과 함께, 흑백 방식으로 동작할 수 있다. 센서는 협대역 필터와 함께 동작할 수 있다. 이는, 협대역 필터들이, 태양 내에서의 원소 흡수로 인해 태양 스펙트럼으로부터 누락된 파장들인 프라운호퍼 선(Fraunhofer line)들에 대응할 때 실외 조건들 또는 태양 조명 성분을 갖는 다른 조건들에서 유용할 수 있다. 이러한 방식으로, 인공 광원과 비교하여 아주 강할 수 있는 태양 방사선이 대부분 배제될 수 있어서, 반사와 형광의 분리 및 그에 따른 객체 식별을 허용한다.

형광성 객체(130)는 도 1a에 나타낸 바와 같은 예 1에 대한 상이한 발광체들(111, 112, 및 113), 또는 도 1b에 나타낸 바와 같은 예 2에 대한 LED 발광체들(114 및 115) 하에서 이미징되었다. 사용된 센서(120)는, 예 1 및 예 2에 대해, 대략적으로 384 nm 내지 1024 nm 사이의 300개의 파장 대역으로 이루어지고 객체(130)로부터 대략 0.5 미터에 위치된, 레저논(Resonon)의 피카 L(Pika L) 하이퍼스펙트럼 이미저이다. 예 2의 경우, 결과적인 방사휘도들을 420 nm 내지 740 nm 사이에서 10 nm 간격으로 재-비닝(rebin)하였다.

예 2에서 사용된, 반사로부터 형광을 분리하는데 사용된 방법은 문헌[후(Fu) 등의 논문인, "Separating Reflective and Fluorescent Compenents Using High Frequency Illumination in the Spectral Domain", ICCV 2013]에 있다. 그 논문에서 적용된 바와 같이, 방법은, 정현파형 스펙트럼을 출력할 수 있는 맞춤화가능한 광원(니콘(Nikon)의 ELS-VIS)을 요구한다. 맞춤화가능한 광원은 저전력이고 고가여서, 광범위한 사용 또는 전형적인 크기의 장면들에서의 사용은 이루어지지 않는다. 놀랍게도, 현재의 LED 기술이 니콘의 ELS-VIS만큼 좁은 방출 대역들을 생성할 수 없음에도 불구하고, 저렴하고 고전력인 LED들로 광원이 대체될 수 있다는 것이 밝혀졌다. 하이퍼스펙트럼 이미지들을 예 1과 동일한 방식으로 기록하고 10 nm 간격으로 재-비닝하였다. LED 발광체들(114, 115) 둘 모두가 유사한 방사휘도들을 갖는 파장들은 계산의 속성으로 인해 생략된다. 계산된/추정된 방출 결과들을 형광 분광광도계를 사용하여 각각의 물질에 대해 측정된 형광 방출과 비교하였다. 용이한 비교를 용이하게 하기 위해, 측정된 방출 스펙트럼을 또한 동일한 10 nm 간격으로 재-비닝하고, 동일한 파장들을 생략하였다.

계산된/추정된 방출 결과들을 달성하기 위해, 2개의 LED 발광체(114, 115)의 각각의 발광체 하에서의 각각의 파장에서의 측정된 방사휘도 데이터에 간단한 알고리즘이 적용되고, 그에 따라, 포착될 반사율 및 형광 방출 스펙트럼들의 분리가 허용된다.

반사 및 형광은 상이한 물리적 거동들을 가지므로, 이들은 상이한 모델들에 의해 설명될 필요가 있다. 반사된 표면의 방사휘도는 입사 광 및 그의 반사율에 의존한다. 위에 언급된 후 등의 논문의 명명법을 사용하면, 파장(λ)에서의 통상적인 반사된 표면의 관측된 방사휘도는 다음과 같이 계산된다.

(1)

여기서, l(λ)는 파장(λ)에서의 입사 광의 스펙트럼이고, r(λ)는 파장(λ)에서의 표면의 스펙트럼 반사율이다.

순수한 형광성 표면의 관측된 방사휘도는 입사 광, 물질의 흡수 스펙트럼, 및 그의 방출 스펙트럼에 의존한다. 형광은 전형적으로 일부 파장들에서 광을 흡수하고 더 긴 파장들에서 광을 방출한다. 표면의 흡수 스펙트럼은 얼마나 많은 광이 흡수되는지를 결정할 것이다. 흡수된 에너지 중 일부는 이어서, 입사 광보다 더 긴 파장들에서 방출 스펙트럼의 형태로 방출된다. 흡수된 에너지 중 나머지는 열로서 방출된다. 파장(λ)에서의 순수한 형광성 표면의 관측된 스펙트럼은 그의 흡수 및 방출 스펙트럼들의 관점에서 다음과 같이 기술된다.

(2)

여기서, a(λ') 및 e(λ)는 흡수 및 방출 스펙트럼을 표현한다. k =

일 때, p_f(λ)는 p_f(λ) = ke(λ)로서 작성될 수 있고, 이는, 방출된 스펙트럼의 형상 또는 분포가 일정하지만 방출된 스펙트럼의 스케일(k)은 상이한 조명들 하에서 변한다는 것을 의미한다. 즉, 형광 방출의 방사휘도는 상이한 조명들 하에서 변하지만, 그의 색상은 조명 색상에 관계없이 동일하게 유지된다. 마지막으로, 반사성 및 형광성 표면은 다음에 따른 방사휘도를 나타낸다:

(3)

제안된 방법에 따라 제안된 바와 같이, 스펙트럼 도메인에서 고주파수 정현파 조도를 사용할 때, 이러한 2개의 정현파 발광체 하에서의 객체의 방사휘도는 다음과 같이 기술될 수 있다:

(4)

이로부터, 반사율(r(λ)) 및 형광 방출(ke(λ))은 다음과 같이 복원될 수 있다.

(5)

(6)

위에서 설명된 수학식들에 의해, 발광체들로부터의 방사휘도 데이터(p(λ)) 및 강도(l(λ))로부터, 광원에 의해 조명된 객체의 반사율(r(λ)) 및 형광 방출(e(λ))을 계산하는 것이 가능하다. 그에 의해, 형광 방출은 객체의 객체 특정 형광 스펙트럼 패턴에 대응한다. 계산된 객체 특정 형광 스펙트럼 패턴은 이어서, 데이터베이스에 저장되고 개개의 특정 객체들과 링크되는 형광 스펙트럼 패턴들과 비교된다.

도 2는 예시적인 발광체 스펙트럼(230, 240, 및 250)을 도시한다. 다이어그램(200)은, 그를 따라 파장이 플롯팅되는 수평 축(210)을 도시하고, 수직 축(220)은 조명의 강도를 나타낸다. 곡선(230)은 제1 발광체, 즉, 적어도 3개의 두드러진 최대치, 즉, 435.15 nm에서, 546.47 nm에서 그러한 최대치를, 그리고 611.45 nm에서 가장 높은 최대치를 갖는 소형 형광 램프(CFL)의 조명을 도시한다. 곡선(240)은 제2 발광체, 즉, 파장이 증가함에 따라 광의 강도가 증가하는 백열 발광체의 발광체 스펙트럼을 도시한다. 곡선(250)은 제3 발광체, 즉, 2개의 두드러진 최대치를 갖는, 즉, 453.54 nm 및 603.02 nm에서 그러한 최대치를 갖는 LED의 발광체 스펙트럼을 도시한다.

도 3은 예 1에 대한 계산된 방출 결과들(계산된 형광 스펙트럼 패턴들)과 형광측정기를 사용하여 물질 A에 대해 측정된 형광 방출들의 비교를 도시한다. 다이어그램(300)은 파장을 나타내는 수평 축(310) 및 정규화된 방출 강도를 나타내는 수직 축(320)에 걸쳐 있다. 565.26 nm에서 최대치를 갖는 계산된 방출을 도시하는 곡선(330) 및 568 nm에서 최대치를 갖는 측정된 방출을 도시하는 곡선(340)인 곡선들(330 및 340)로부터 알 수 있는 바와 같이, 양호한 일치가 보인다.

도 4는 예 1의 경우의 상이한 물질들(A, B, C, D, E)에 대해, 측정된 방출 스펙트럼들(측정된 형광 스펙트럼 패턴들)을 상단 부분 상에 그리고 개개의 계산된 방출 스펙트럼들(계산된 형광 스펙트럼 패턴들)을 하단 부분 상에 도시한다. 각각의 상이한 물질(A, B, C, D, E)에 대한 각각의 다이어그램에서, 상이한 곡선이 표시된 바와 같이 플롯팅된다.

도 5는 예 1의 경우의 계산된 및 측정된 형광 방출 스펙트럼들 사이의 정량적 비교들의 결과들을 도시한다. 평균 절대 오차(도 5a), 스펙트럼 각도(도 5b), 및 유클리드(Euclidean) 거리(도 5c)가 각각의 측정된 물질에 대한 스펙트럼과 관련하여 모든 각각의 계산된 스펙트럼에 대해 계산되었다. 평균 절대 오차는 실측(ground truth) 값에 대한 계산된 값의 오차를 비교하는 통상적인 방법이고, 더 낮은 평균 절대 오차 값들은 계산된 값과 실측 값 사이의 더 양호한 매치를 나타낸다. 스펙트럼 각도 맵핑(도 5b)은 객체들을 알려져 있는 스펙트럼 데이터베이스로 분류하기 위해 스펙트럼 이미징에서 사용되는 개념이다. 스펙트럼 각도 맵핑의 경우, 더 낮은 값은 미지의 객체와 측정된 객체 사이의 더 가까운 매치를 나타낸다. 유클리드 거리(도 5c)는 스펙트럼 각도와 동일한 방식으로 스펙트럼 이미징에서 사용되는 다른 개념이다. 다시, 더 낮은 값들은 유클리드 거리에 대한 더 양호한 매치를 나타낸다. 물질들(A, C, D, 및 E)에 대해, 평균 절대 오차, 스펙트럼 각도, 및 유클리드 거리 계산 결과들은, 도 5a, 도 5b, 및 도 5c에 각각 도시된 표들로부터 알 수 있는 바와 같이, 물질 B를 제외하고는, 미지의 물질을 정확하게 식별한다.

도 6은 예 2의 경우의 각각의 발광체 하에서의 예시적인 발광체 스펙트럼들 및 측정된 방사휘도들을 도시한다. 다이어그램(600)은, 그를 따라 파장이 플롯팅되는 수평 축(610), 및 조명의 강도를 나타내는 수직 축(620)을 도시한다. 곡선(640)은 제1 발광체의 조명을 도시하고, 곡선(641)은 제1 발광체에 의해 조명된 객체의 개개의 방사휘도 데이터를 도시한다. 곡선(630)은 제2 발광체의 발광체 스펙트럼을 도시하고, 곡선(631)은 제2 발광체에 의해 조명될 때의 객체의 개개의 방사휘도 데이터를 도시한다. 형광 방출의 효과는

530 - 650 nm의 범위에서 명백하다.

도 7은 예 2에 대한 계산된 방출 결과들(계산된 형광 스펙트럼 패턴들)과 형광측정기를 사용하여 물질 A에 대해 측정된 형광 방출들의 비교를 도시한다. 다이어그램(700)은 파장을 나타내는 수평 축(710) 및 정규화된 방출 강도를 나타내는 수직 축(720)에 걸쳐 있다. 계산된 방출을 도시하는 곡선(730) 및 측정된 방출을 도시하는 곡선(740)인 곡선들(730 및 740)로부터 알 수 있는 바와 같이, 양호한 일치가 보인다.

도 8은 예 2의 경우의 상이한 물질들(A, B, C, D, E)에 대해, 계산된 방출 스펙트럼들(계산된 형광 스펙트럼 패턴들)을 좌측 상에 그리고 개개의 측정된 방출 스펙트럼들을 우측 상에 도시한다. 각각의 상이한 물질(A, B, C, D, E)에 대한 각각의 다이어그램에서, 상이한 곡선이 표시된 바와 같이 플롯팅된다.

도 9는 예 2의 경우의 계산된 및 측정된 형광 방출 스펙트럼들 사이의 정량적 비교들의 결과들을 도시한다. 평균 절대 오차(도 9a), 스펙트럼 각도(도 9b), 및 유클리드 거리(도 9c)가 각각의 측정된 물질에 대한 스펙트럼과 관련하여 모든 각각의 계산된 스펙트럼에 대해 계산되었다. 물질들(A, B, C, D, 및 E) 각각에 대해, 평균 절대 오차, 스펙트럼 각도, 및 유클리드 거리 계산 결과들은, 도 9a, 도 9b, 및 도 9c에 도시된 표들로부터 알 수 있는 바와 같이, 미지의 물질을 정확하게 식별한다.

Claims (15)

1. 컴퓨터 비전 응용을 통한 객체 인식을 위한 시스템(100)으로서,
   적어도 다음의 구성요소들:
   - 인식될 객체(130) ― 상기 객체는 객체 특정 반사율 및 객체 특정 발광 스펙트럼 패턴들을 가짐 ―;
   - 적어도 2개의 발광체(111, 112, 113, 114, 115)로 구성되고, 상기 적어도 2개의 발광체 사이에서 전환함으로써, 상기 인식될 객체를 포함하는 장면을 조명하도록 구성되는 광원(110) ― 상기 적어도 2개의 발광체 중 적어도 하나는 적어도 하나의 솔리드-스테이트 조명 시스템에 기반함 ―;
   - 상기 장면이 상기 광원에 의해 조명될 때 상기 객체를 포함하는 상기 장면의 방사휘도 데이터를 측정하도록 구성되는 센서(120);
   - 발광 스펙트럼 패턴들을 적절히 배정된 개개의 객체들과 함께 포함하는 데이터 저장 유닛(150); 및
   - 상기 장면의 상기 방사휘도 데이터로부터, 상기 인식될 객체의 객체 특정 발광 스펙트럼 패턴을 추출하고, 추출된 객체 특정 발광 스펙트럼 패턴을 상기 데이터 저장 유닛에 저장된 상기 발광 스펙트럼 패턴들과 매칭하고, 가장 양호하게 매칭되는 발광 스펙트럼 패턴, 및 그에 따라, 상기 가장 양호하게 매칭되는 발광 스펙트럼 패턴에 배정된 객체를 식별하도록 구성되는 데이터 처리 유닛(140)을 포함하는, 시스템.
2. 제1항에 있어서,
   적어도, 식별된 가장 양호하게 매칭되는 발광 스펙트럼 패턴에 배정된 식별된 객체를 표시하도록 구성되는 디스플레이 유닛(160)을 더 포함하는, 시스템.
3. 제1항 또는 제2항에 있어서,
   상기 인식될 객체(130)에는 미리 정의된 발광 물질이 부여되고, 결과적인 객체의 발광 스펙트럼 패턴은 알려져 있고 태그로서 사용되는, 시스템.
4. 제1항 내지 제3항 중 어느 한 항에 있어서,
   상기 데이터 처리 유닛(140)은, 상기 추출된 객체 특정 발광 스펙트럼 패턴과 저장된 상기 발광 스펙트럼 패턴들 사이에서 임의의 수의 매칭 알고리즘들을 사용함으로써, 상기 가장 양호하게 매칭되는 발광 스펙트럼 패턴을 식별하도록 구성되며, 상기 매칭 알고리즘들은, 적어도, 최저 제곱근 평균 제곱 오차(lowest root mean squared error), 최저 평균 절대 오차(lowest mean absolute error), 최고 결정 계수, 최대 파장 값의 매칭을 포함하는 그룹으로부터 선택되는, 시스템.
5. 제1항 내지 제4항 중 어느 한 항에 있어서,
   상기 처리 유닛(140)은, 상기 적어도 2개의 발광체(111, 112, 113, 114, 115) 하에서의 측정된 방사휘도 데이터를 사용하여, 상기 인식될 객체(130)의 발광 스펙트럼 패턴 및 반사성 스펙트럼 패턴을 추정하도록 구성되는, 시스템.
6. 제1항 내지 제5항 중 어느 한 항에 있어서,
   상기 센서(120)는 하이퍼스펙트럼 카메라 또는 다중스펙트럼 카메라인, 시스템.
7. 제1항 내지 제6항 중 어느 한 항에 있어서,
   상기 광원(110)은, 각각이 하나 이상의 LED로 구성되는 2개의 발광체(114, 115)를 갖고 상기 2개의 발광체 사이에서의 짧은 전환 시간을 갖는 전환가능한 광원(110)인, 시스템.
8. 제1항 내지 제7항 중 어느 한 항에 있어서,
   상기 센서(120)는, 상기 적어도 2개의 발광체(111, 112, 113, 114, 115) 중 하나 하에서의 상기 장면으로부터의 상기 방사휘도 데이터를 한 번만에 송출하도록 상기 광원(110)의 전환에 동기화되는, 시스템.
9. 컴퓨터 비전 응용을 통한 객체 인식을 위한 방법으로서,
   적어도 다음의 단계들:
   - 객체 특정 반사율 및 객체 특정 발광 스펙트럼 패턴들을 갖는 객체(130)를 제공하는 단계 ― 상기 객체(130)는 인식될 것임 ―;
   - 적어도 2개의 발광체(111, 112, 113, 114, 115)로 구성되는 광원(110)으로, 상기 적어도 2개의 발광체(111, 112, 113, 114, 115) 사이에서 전환함으로써 상기 객체(130)를 포함하는 장면을 조명하는 단계 ― 2개의 발광체 중 적어도 하나는 적어도 하나의 솔리드-스테이트 시스템에 기반함 ―;
   - 센서(120)에 의해, 상기 장면이 상기 광원(110)에 의해 조명될 때 상기 객체(130)를 포함하는 상기 장면의 방사휘도 데이터를 측정하는 단계;
   - 적절히 배정된 개개의 객체들과 함께 발광 스펙트럼 패턴들을 갖는 데이터 저장 유닛(150)을 제공하는 단계;
   - 데이터 처리 유닛(140)에 의해, 상기 장면의 상기 방사휘도 데이터로부터, 인식될 상기 객체의 객체 특정 발광 스펙트럼 패턴을 추정하는 단계;
   - 상기 데이터 처리 유닛(140)에 의해, 추정된 객체 특정 발광 스펙트럼 패턴을 상기 데이터 저장 유닛(150)에 저장된 상기 발광 스펙트럼 패턴들과 매칭하는 단계; 및
   - 상기 데이터 처리 유닛(140)에 의해, 가장 양호하게 매칭되는 발광 스펙트럼 패턴, 및 그에 따라, 상기 가장 양호하게 매칭되는 발광 스펙트럼 패턴에 배정된 객체를 식별하는 단계를 포함하는, 방법.
10. 제9항에 있어서,
    인식될 상기 객체(130)를 제공하는 단계는, 상기 객체에 발광 물질을 부여함에 따라 객체 특정 반사율 및 객체 특정 발광 스펙트럼 패턴들을 갖는 객체를 제공하는 단계를 포함하며, 방법.
11. 제9항 또는 제10항에 있어서,
    적어도, 식별된 가장 양호하게 매칭되는 발광 스펙트럼 패턴에 배정된 식별된 객체를, 디스플레이 디바이스(160)를 통해 표시하는 단계를 더 포함하는, 방법.
12. 제9항 내지 제11항 중 어느 한 항에 있어서,
    상기 매칭하는 단계는, 상기 추정된 객체 특정 발광 스펙트럼 패턴과 저장된 발광 스펙트럼 패턴 사이에서 임의의 수의 매칭 알고리즘들을 사용함으로써, 상기 가장 양호하게 매칭되는 특정 발광 스펙트럼 패턴을 식별하는 것을 포함하며, 상기 매칭 알고리즘들은, 적어도, 최저 제곱근 평균 제곱 오차, 최저 평균 절대 오차, 최고 결정 계수, 최대 파장 값의 매칭을 포함하는 그룹으로부터 선택되는, 방법.
13. 제9항 내지 제12항 중 어느 한 항에 있어서,
    상기 추정하는 단계는, 상기 적어도 2개의 발광체(111, 112, 113, 114, 115) 하에서의 측정된 방사휘도 데이터를 사용하여, 다단계 최적화 프로세스로 상기 객체의 발광 스펙트럼 패턴 및 반사성 스펙트럼 패턴을 추정하는 것을 포함하는, 방법.
14. 제9항 내지 제13항 중 어느 한 항에 있어서,
    상기 광원(110)은, 각각이 하나 이상의 LED로 구성되는 2개의 발광체(114, 115)를 갖고 상기 2개의 발광체(114, 115) 사이에서의 짧은 전환 시간을 갖는 전환가능한 광원으로서 선택되는, 방법.
15. 컴퓨터에 의해 실행가능한 명령어들을 갖는 컴퓨터 프로그램 제품으로서,
    - 객체 특정 반사율 및 객체 특정 발광 스펙트럼 패턴들을 갖는 객체(130)를 제공하고 ― 상기 객체는 인식될 것임 ―;
    - 적어도 2개의 발광체(111, 112, 113, 114, 115)로 구성되는 광원(110)으로, 상기 적어도 2개의 발광체 사이에서 전환함으로써 상기 객체(130)를 포함하는 장면을 조명하고 ― 2개의 발광체 중 적어도 하나는 적어도 하나의 솔리드-스테이트 시스템에 기반함 ―;
    - 센서(120)에 의해, 상기 장면이 상기 광원(110)에 의해 조명될 때 상기 객체(130)를 포함하는 상기 장면의 방사휘도 데이터를 측정하고;
    - 데이터 저장 유닛(150)에 의해, 발광 스펙트럼 패턴들을 적절히 배정된 개개의 객체들과 함께 제공하고;
    - 처리 유닛(140)에 의해, 상기 장면의 상기 방사휘도 데이터로부터, 인식될 상기 객체의 객체 특정 발광 스펙트럼 패턴을 추정하고;
    - 상기 처리 유닛(140)에 의해, 추정된 객체 특정 발광 스펙트럼 패턴을 상기 데이터 저장 유닛(150)에 저장된 상기 발광 스펙트럼 패턴들과 매칭하고;
    - 가장 양호하게 매칭되는 발광 스펙트럼 패턴, 및 그에 따라, 상기 가장 양호하게 매칭되는 발광 스펙트럼 패턴에 배정된 객체를 식별하기 위한 명령어들을 포함하는, 컴퓨터 프로그램 제품.

Images