Project Review

CCTV는 놓치지 않는 눈, 실시간 위협 인식 AI

프로젝트 소개

끊임없이 발생하는 일상생활 속 사건 사고들은 우리 사회에 큰 부담이 되고 있습니다.
이러한 문제를 해결하기 위해 관제 기술의 발전은 꾸준히 이루어져 왔으며, 그 결과물 중 하나가 바로 자동 위험 감지 소프트웨어입니다.

첨단 알고리즘과 데이터 분석 기술을 기반으로 개발된 이 소프트웨어를 탑재한 CCTV 모델은 다양한 환경에서 잠재적인 위험을 실시간으로 감지하고 분석하여, 사전에 대응할 수 있도록 지원할 것 입니다.

 

 

고객사의 Problem

고객사는 다양한 각도에서 움직이는 사람을 실시간으로 정확하게 인식하고, 특히 흉기나 총기를 소지한 사람을 신속하게 판별하여 잠재적인 범죄 상황에 즉각 대응할 수 있는 AI 모델 개발을 목표로 하였습니다.

실시간으로 분석된 위험 정보를 AI 모델이 보안 관제센터에 신속하게 알림을 보내 골든타임을 확보하고 효과적인 대응이 가능하도록 하기 위해서는, 바디캠이나 CCTV 영상 속 사람의 인상착의 및 소지품에 대한 정확한 데이터가 필요하였습니다.

고객사는 이러한 기술적 요구 사항을 충족하기 위해 영상 내 실시간 추적 학습용 데이터셋 구축 노하우를 보유한 저희 데이터메이커에 프로젝트를 의뢰해 주셨습니다.

 

데이터메이커의 Solution

본 프로젝트는 고해상도 이미지 처리 및 알고리즘을 적용하여 소형 위험 물체 감지와 실시간 처리 속도에 초점을 맞추어 AI 위험 감지 시스템의 두뇌 역할을 하는 학습용 데이터셋을 구축하였습니다.

 

위험 물체 소지 상황에 대한 다양한 시나리오 구성
 


 

다양한 위험 상황을 사전에 감지하고 대응하기 위해서 위험 물체 소지 상황을 중심으로 한 다양한 시나리오를 구축하였습니다.

기본적으로 위험 물체 종류에 따라 소지자의 행동 패턴을 단계 별로 세분화하여 분석하고, 환경적 요인을 고려하여 실제 상황과 유사한 시나리오를 구축하였습니다.

특히 다양한 공간마다 주변 인물과의 상호작용 패턴을 분석하여 더욱 현실적인 시나리오를 구축하고, 이상 행동 객체의 특징(폭행, 넘어짐, 흉기 위협 등)으로 상황을 구체화하였습니다.

시나리오가 모두 구성된 후에는 이를 현실감 있게 반영하기 위해 다수의 인원과 장소를 섭외하여 데이터 촬영을 진행하였습니다.

 

데이터 자동 전처리

YOLO V8 모델을 활용한 사람 객체 B-Box 전처리

작업 수행 시 다수의 인물이 등장하는 이미지가 많다 보니, 인물 객체에 대한 바운딩박스 작업을 자동화 하기 위한 전처리 엔진을 활용하여 시간을 단축하였습니다.

데이터메이커에서 보유하고 있는 자동 전처리 엔진은 다수의 프로젝트에 적용하면서 실시간 처리 가능한 Detection 속도를 향상시키고 정확도/검출율을 개선하여 유용하게 활용할 수 있었습니다.

객체 상태에 대한 세부 체계 분류

카메라 영상 프레임 그룹화 및 파일명 표준화

예: "CAM01_YYYY-MM-DD_HHMMSS_FRAME0001.jpg"

시나리오 별로 촬영된 영상들은 시나리오 내에 포함된 다양한 정보를 메타데이터로 활용할 수 있도록 촬영 수집 단계에서 카메라 ID, 촬영 시간, 프레임 번호 등을 포함하여 저장하였습니다.

라벨링 대상 객체의 ID표 구축을 통한 객체 구분

사전에 구축된 시나리오에 따라 각 인물과 도구에 고유한 ID를 부여하고 이를 태깅하였습니다.

도구는 특징을 세분화하여 종류 구분을 명확히 하였습니다.

프레임 별로 등장하는 인물들은 고유 ID 부여하여 프레임 간 추적 용이성을 확보하였습니다.
 


객체 라벨링 상세 기준

인물 객체 라벨링

바운딩 박스 영역은 사람의 신체 전체를 포함하는 최소한의 크기로 생성하되 일반적인 소지품(모자, 백팩, 손가방)은 신체 영역에 포함하여 라벨링 하였습니다.

그 외 소지품 객체의 분류는 무기 소지 여부는 소지와 미소지(도구가 보이지 않거나 완전히 가려짐)로 구분하여 태깅하고 객체 추적을 위해 카메라 번호 별로 분류한 인물 ID표와 객체의 인상 착의에 일치하는지 대조하여 ID를 입력하였습니다.

위험 도구 객체 라벨링

위험 도구 종류는 흉기, 둔기, 총기, 그 외 유사둔기(무기x)로 구분된 도구 객체 표를 확인하여 해당하는 종류에 맞게 태깅하였습니다.

위험 도구를 명확하게 식별할 수 있는 경우 해당 종류에 대한 속성을 라벨링하고, 불분명하거나 70% 이상 가려진 경우 '식별 어려움'으로 라벨링을 하여 도구 구분을 명확히 하였습니다.

 

프로젝트를 마치며

위험 상황 인지 AI 모델 개발을 위한 데이터 구축 프로젝트를 성공적으로 수행하며 다양한 노하우를 얻었습니다.

특히, 무기 소지 여부를 정확하게 판별하기 위한 세분화된 라벨링 기준을 마련하고, 실제 상황과 유사한 다양한 시나리오를 기반으로 데이터를 구축하여 모델의 성능을 향상시켰습니다.

세심한 품질 관리 체계를 구축하고, 팀원들과의 긴밀한 협업을 통해 프로젝트를 성공적으로 완료하였으며, 이를 통해 데이터 품질의 중요성과 세밀한 어노테이션의 필요성을 다시 한번 확인할 수 있었습니다.

향후 유사한 프로젝트 수행 시 더욱 효율적이고 정확한 데이터 구축이 가능하도록 노하우를 축적할 수 있었습니다.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Get Started Today
with datamaker

데이터메이커 시냅스를 회사에 도입하고 싶으시다면,
아래 의뢰하기 버튼을 눌러주세요!

Synapse 문의하기