컴퓨터 비전을 이용한 눈 위 동물 발자국 분석

이 글에서 다루는 개념에 대한 시각적 설명을 보려면 아래 동영상을 시청하십시오.

눈은 다른 자연 지표면과 마찬가지로 야생 동물의 활동 기록을 남길 수 있습니다. 예를 들어, 눈 위에 남겨진 발자국은 어떤 동물이 지나갔는지, 어떻게 이동했는지, 무엇을 하고 있었는지 등을 보여줄 수 있습니다.

수십 년 동안 등산객, 사냥꾼, 연구원들은 이러한 발자국을 연구하며 야생 동물의 행동에 대해 더 많은 것을 알아왔습니다. 하지만 이 과정이 항상 신뢰할 수 있는 것은 아닙니다. 눈은 변형될 수 있고, 바람으로 인해 세부 사항이 흐려질 수 있으며, 발자국이 겹치면 식별이 어려워질 수 있습니다. 숙련된 관찰자조차 중요한 패턴을 놓칠 수 있습니다.

그림 1. 신선한 눈에 보존된 표범 발자국. (출처)

기술의 발전 덕분에 이제 이러한 흔적을 더 쉽게 해석할 수 있게 되었습니다. 특히 기계가 시각 데이터를 정확하고 빠르게 분석할 수 있도록 지원하는 AI의 한 분야인 computer vision을 사용하여 동물 발자국을 탐지하고 이해할 수 있습니다. 예를 들어, Ultralytics YOLO11과 같은 모델을 학습시켜 동물 발자국 이미지에서 형태와 패턴을 감지할 수 있습니다.

본 아티클에서는 눈 위의 동물 발자국이 어떻게 보존되는지, 발자국이 야생 동물에 대해 무엇을 알려주는지, 그리고 컴퓨터 비전이 어떻게 추적 작업을 더 효율적으로 만들고 있는지 살펴보겠습니다.

눈 위 동물 발자국의 중요성#

동물 발자국은 동물이 눈, 흙, 진흙과 같은 지표면을 이동할 때 남기는 자국입니다. 눈 상태가 적절하면 이러한 발자국은 발톱 자국, 발바닥 패드, 앞발과 뒷발의 차이 등 흙이나 풀에서 감지하기 어려운 더 선명한 세부 사항을 보존하는 경우가 많습니다.

그림 2. 다양한 표면 위의 동물 발자국. (출처)

종 식별을 넘어, 발자국의 간격, 배열 및 미세한 변화는 동물의 움직임, 행동 및 환경과의 상호작용에 대해 많은 것을 알려주며, 연구원, 등산객 및 야생 동물 애호가들에게 동물 활동에 대한 귀중한 통찰력을 제공합니다.

다음은 연구원들이 발자국을 판독할 때 주목하는 주요 특징들입니다:

• 앞발과 뒷발의 비교: 앞발과 뒷발의 크기 및 형태 차이는 동물이 어떻게 체중을 분산하고 환경을 이동하는지를 반영합니다.
• 발바닥 자국 또는 동물 발자국: 발자국의 전체적인 윤곽과 크기는 어떤 종이 그 발자국을 남겼는지 식별하는 데 도움이 됩니다.
• 발톱 자국: 코요테, 여우, 개와 같은 개과 동물의 발자국은 일반적으로 발톱 자국이 나타나지만, 밥캣, 집고양이, 퓨마를 포함한 고양이과 동물의 경우 동물이 달리고 있거나 미끄러운 지면을 이동 중인 경우가 아니면 대개 발톱 자국이 남지 않습니다.
• 발자국 패턴: 발자국의 배열을 통해 animal behavior를 파악할 수 있으며, 코요테와 여우는 주로 직선 경로의 흔적을 남기는 반면 집개는 지그재그 경로로 배회하는 경향이 있습니다.
• 너비와 드래그 라인: 좌우 발자국 사이의 너비(straddle)는 종과 보행 방식에 따라 다르며, 너비의 변화는 이동 속도나 주의 정도를 시사할 수 있습니다. 또한 꼬리, 배, 또는 사냥감으로 인해 생기는 드래그 라인은 활동에 대한 추가적인 단서를 제공합니다.

눈 위에서 동물 발자국 식별하기#

눈 위의 모든 발자국은 동물의 이야기 일부를 담고 있습니다. 각 발자국의 크기와 모양, 앞발과 뒷발의 차이, 그리고 발톱 자국 유무는 종, 보행 방식, 체중 분산을 밝혀낼 수 있습니다. 예를 들어, 여우와 코요테는 종종 눈에 띄는 발톱 자국을 남기지만, 밥캣과 퓨마는 대개 그렇지 않습니다.

발자국이 단독으로 나타나는 경우는 드뭅니다. 배설물, 털 조각, 꼬리 끌린 자국, 또는 근처의 굴 입구와 같은 단서들은 종종 중요한 맥락을 더해줍니다. 눈 상태와 겹쳐진 이동 경로로 인해 세부 사항이 흐려질 수 있으므로, 추적자들은 여러 흔적을 종합하여 더 명확한 상황을 파악합니다. 눈 위에 발자국이 배열된 방식은 특히 유용한데, 이는 동물이 단순히 어디로 갔는지가 아니라 어떻게 움직이고 행동했는지를 강조해 줍니다.

다음은 눈 위에서 흔히 발견되는 동물 발자국 패턴입니다:

• 호퍼(Hoppers): 토끼와 멧토끼는 강력한 뒷다리로 박차고 나가며, 작은 앞발자국 앞쪽에 큰 뒷발자국을 남깁니다. 깊은 눈 속에서 멧토끼는 특히 긴 발자국을 만듭니다.
• 바운더(Bounders): 족제비, 담비, 밍크, 사향쥐는 앞발과 뒷발을 함께 모아 앞으로 도약하며, 반복적인 2x2 패턴을 형성합니다.
• 앰블러(Amblers): 라쿤, 스컹크, 비버, 고슴도치, 흑곰은 느리게 움직이며, 발톱 자국이 보이는 넓은 발자국을 남깁니다.
• 퍼펙트 스테퍼(Perfect steppers): 여우와 코요테는 앞발이 닿았던 자리에 뒷발을 거의 일치시켜 직선을 만듭니다. 코요테는 일직선으로 이동하는 경향이 있는 반면, 집에서 기르는 개는 지그재그로 배회합니다.

눈 속 동물 발자국 해석의 어려움#

발자국과 관련된 다양한 단서에도 불구하고 눈 속에서 동물을 추적하는 것은 여전히 복잡할 수 있습니다. 눈 상태는 발자국이 어떻게 보이는지에 영향을 미치는데, 신선한 눈은 세부 사항을 보존하지만 딱딱하게 굳은 눈, 녹고 있는 눈, 또는 새로 내린 눈은 발자국을 왜곡하거나 덮어버릴 수 있습니다.

날씨 또한 중요한 역할을 합니다. 바람과 햇빛은 가장자리를 흐리게 할 수 있으며, 여러 동물의 겹치는 이동 경로는 혼란을 야기할 수 있습니다. 그 외에도 동물의 행동은 예측 불가능성을 더합니다.

스컹크나 흑곰 같은 일부 종은 겨울에 동면을 하지만, 다른 종들은 불규칙하게 움직이거나 자신의 발자취를 되짚어가기도 합니다. 한편, 숲에서는 사슴, 무스, 엘크의 발자국이 작은 동물이나 포식자의 발자국과 교차하는 경우가 많으며, 배설물, 털, 또는 꼬리 끌린 자국과 같은 추가적인 흔적들이 이동과 행동을 이해하는 데 사용됩니다.

컴퓨터 비전을 이용한 동물 발자국 감지 방법#

눈 속의 동물 발자국을 분석하는 과정에서 발생하는 어려움을 해결하기 위해 연구자들은 computer vision과 같은 최첨단 기술에 주목하기 시작했습니다. 예를 들어, 개별 발자국을 감지 및 지역화하고, 겹쳐진 발자국을 분리하며, 발톱 자국 및 보행 패턴과 같은 종별 특징을 인식하도록 커스텀 datasets으로 학습할 수 있는 computer vision 모델을 탐색하고 있습니다.

구체적으로 Ultralytics YOLO11과 같은 모델은 개별 발자국을 식별하고 지역화하는 데 사용할 수 있는 object detection과 겹친 발자국을 분리할 수 있는 instance segmentation 같은 computer vision tasks을 지원합니다. 동물 발자국 커스텀 dataset으로 YOLO11과 같은 모델을 학습시키면, 연구자들은 종별 패턴을 더 쉽게 인식하고 겹친 발자국을 구별하며 수동 관찰보다 더 일관된 결과를 생성할 수 있습니다.

컴퓨터 비전과 동물 발자국 분석 연구#

이제 컴퓨터 비전이 어떻게 동물 발자국을 추적할 수 있는지 확인했으니, 이 기술이 실제 연구 현장에서 어떻게 적용되고 있는지 살펴보겠습니다.

FIT에서 오픈 데이터셋까지#

수년 동안 대부분의 발자국 연구는 FIT(Footprint Identification Technology)에 의존해 왔습니다. FIT은 각 발자국에 특정 지점을 표시하고 해당 측정값을 사용하여 동물을 구별하는 방식으로 작동합니다. 효과적이기는 하지만 이 과정은 느리고 숙련된 전문가가 필요하며, 야생에서 수천 개의 발자국을 분석해야 할 때는 실용적이지 않습니다.

중국 동북부의 Amur tigers에 대한 최근 연구에 따르면 FIT는 눈 속의 발자국을 통해 개체를 식별할 수도 있으며, 멸종 위기에 처한 포식자를 모니터링할 수 있는 신뢰할 수 있고 비침습적인 방법을 제공합니다.

그림 3. 눈 위 호랑이 발자국. (출처: sciencedirect.com)

그러나 연구원들은 또한 노동 집약적이며 확장하기 어렵다는 한계를 지적했습니다. 중요한 점은 컴퓨터 비전이 향후 이 과정을 자동화하여 수동 측정의 필요성을 줄이는 동시에 훨씬 더 큰 데이터셋을 처리할 수 있게 될 것이라고 언급했습니다.

진흙, 모래, 눈 등 18개 종의 수천 개 라벨링된 발자국이 포함된 공공 dataset인 OpenAnimalTracks 같은 프로젝트를 통해 이러한 변화는 이미 시작되고 있습니다. 이러한 리소스를 활용하여 vision AI 모델을 학습시켜 발자국을 자동으로 감지하고 분류할 수 있으므로 wildlife monitoring이 더 빠르고 쉬워집니다.

그림 4. OpenAnimalTracks dataset 살펴보기 (출처)

FIT의 기반을 바탕으로 오픈 dataset 및 computer vision을 결합함으로써 conservation research는 동물 자체를 방해하지 않으면서 종을 추적하고 생태계를 보호할 수 있는 확장 가능한 시스템으로 나아 가고 있습니다.

핵심 요약#

눈 위에 남은 동물 발자국은 동물의 이동, 행동, 서식지 이용 방식을 보여줍니다. 이를 육안으로 분석하려면 인내심과 경험이 필요하지만, 컴퓨터 비전을 이용하면 이 과정을 더욱 효율적으로 처리할 수 있습니다. Ultralytics YOLO11과 같은 도구를 전문 지식과 함께 활용하면 야생 동물 모니터링을 더욱 간소화하고, 보전 노력을 도우며, 종 보호를 위한 유용한 데이터를 확보할 수 있습니다.

성장하는 저희 community에 참여하세요! AI에 대해 더 알아보려면 GitHub repository를 탐색해 보세요. 솔루션 페이지를 방문하여 computer vision in manufacturing 및 AI in logistics를 만나보세요. 컴퓨터 비전으로 빌드하기 시작하려면 licensing options을 확인해 보세요.