공공분야 CCTV만 115만대...사람이 관제할 수 있는 수준 넘어가
업무 효율성 및 관제 정확성 높이기 위한 ‘지능형 선별관제 시스템’ 도입

[보안뉴스= 조명돌 마크애니 콘텐츠솔루션사업부 상무] 국내 CCTV 대수는 공공만 합치더라도 115만대 가량(2019년 기준) 존재한다. 이렇게 기하급수적으로 증가한 CCTV는 관제사에게 너무 큰 업무량을 가져다 줬다. 관제사 1인이 수십~수백 대를 눈으로 관제해야 하는 상황이 돼 버린 것이다. 이 때문에 업무 피로도가 너무 높아져 관제 정확성이 지속적으로 떨어졌다. 최근 CCTV 관제센터에서는 업무 효율성과 관제의 정확성을 높이기 위한 기술을 도입하기 시작했는데, 이것이 바로 ‘지능형 선별관제 시스템’이다.


[이미지=utoimage]

지능형 선별관제는 컴퓨터가 학습을 통해 영상분석 방법을 직접 습득하고, 이를 토대로 영상을 스스로 분석해 관제사가 사건 사고를 빠르게 탐지하고 판단을 내릴 수 있도록 도와주는 시스템이다. 지능형 선별관제 솔루션은 식별의 정확성, 즉 ‘객체 인식률’이 매우 중요하다. 애초부터 이 솔루션은 정확한 식별을 목적으로 탄생했다고 봐도 무방하다. 정확한 식별이 되지 않는 선별관제에서의 검색 기능이나 추적 기능은 무용지물이다. 최근 검색 기능만을 앞 다투어 홍보하는 제품들은 현저히 낮은 식별 정확성에도 불구하고 기능만을 앞세우고 있다. 이런 문제는 유사 검색 영상들만 나열식으로 표출하므로 관제의 효율성을 저하하고 있다.

식별의 정확성을 위해서는 딥러닝 알고리즘이 기반이 되어야 한다. 딥러닝 알고리즘이 기반되지 않으면 오류 발생 시마다 개발자가 일일이 해당 오류를 수정해야 하는 불편함이 생기기 때문이다. 딥러닝 기반의 지능형 제품은 다른 업무용 소프트웨어와 다르다. 업무용 소프트웨어는 조금 불편하더라도 사람이 적응하며 사용하면 된다. 하지만 딥러닝은 한번 잘못 학습된 알고리즘은 더 이상 수정도 보완도 할 수 없어 폐기처분해야 한다.

특히, 인공지능 기술은 특정 환경에 종속되는 경향이 있어 국내 환경에 맞춰 알고리즘을 개발해야 관제 정확도가 올라간다. 쌓인 데이터를 기반으로 환경과 객체를 인식하고 분석하므로 이러한 특성을 이해한 딥러닝 알고리즘 개발이 반드시 필요하다.

그간 지자체에서는 지능형 선별관제를 도입해도 오탐율이 너무 커 사용하지 않고 방치되어온 경우가 왕왕 발생했다. 이 문제는 오래전에 개발된 낡은 알고리즘을 사용하거나 성능이 낮은 오픈라이브러리를 사용하는 경우로부터 발생한다.

선별관제의 정확도 향상을 위해서는 학습능력을 보유해야 한다. 그러나 최근 명칭만 지능형 선별관제로 출시된 제품이 시중에 상당수 있다. 이 제품들은 딥러닝 알고리즘이 아닌 규칙 기반 알고리즘을 기반으로 영상분석을 수행한다. 그런데 이 규칙기반 알고리즘은 학습능력이 없기 때문에 짜인 상황 외에는 분석하지 못한다. 그래서 매번 개발자가 현장 상황에 맞춰 패턴을 새로 짜 줘야만 성능을 유지할 수 있다. 반면, 딥러닝 알고리즘은 패턴을 스스로 학습하여 사용할수록 환경에 맞춰 성능이 업그레이드된다. 딥러닝 알고리즘이 들어가 있는 제품만이 비로소 ‘지능형’으로 불릴 수 있는 이유다.

인공지능 알고리즘이 정확하지 않으면 오알람, 오경보가 다수 발생해 오히려 지능형 선별관제구축 전보다 관제에 방해가 된다. 실제로 잦은 오알람, 오경보로 인해 관제센터에서 지능형 선별관제 시스템을 구축했음에도 사용하지 않는 경우가 종종 발생해 왔다. 이는 인공지능 기반 관제기술의 신뢰성을 하락시켜 시장의 성장을 방해하는 주요 요인이 된다.


▲DN(Deep Network)- RCNN 구조도[자료=마크애니]

마크애니는 정확도 향상을 위해 CCTV 영상 분석 알고리즘 개발에만 5년여의 시간을 쏟았다. 또한, 출시 전 지자체와 협력하여 객체 인식 정확도를 높이기 위한 필드 학습을 진행했다. 이 결과 2020년 기준 낮 시간 인식정확도가 99%에 달했으며, 야간에도 이에 준하는 인식률을 보였다.


▲마크애니-타사 지능형 선별관제 솔루션 객체·행위 인식 비교[자료=마크애니]

CCTV 선별관제에 있어 객체인식과 더불어 관제 편의를 위한 기능 구비는 필수다. CCTV는 국민의 안전과 직결되기 때문에 세밀한 관제 시나리오가 반영되어야 한다. 세부 시나리오는 지역 특성에 맞춰 우선순위가 높은 위치(지역), 시간대, 대상을 선정해 우선적으로 관제할 수 있어야 한다. 가령 아동 납치 등의 문제가 자주 일어나는 지역의 경우, 등하교 시간에 맞춰 학교 주변에 설치된 CCTV를 중점적으로 관제해야 한다. 거기다 특정 범죄자의 인상착의가 있는 경우에는 해당 객체를 특이객체로 지정하는 식이다. 이를 위해서는 관제 솔루션이 객체별, 시간대별, 환경별 특성을 학습하고 정확하게 인식할 수 있어야 한다.

또한, 기존 CCTV 관제의 경우 관제사가 CCTV 화면만 보고 위치가 어딘지 확인해야 했다. 이런 방식은 관제 효과가 낮아질 수밖에 없는 요소다. 지도를 기반으로 관제사가 관제하고 싶은, 혹은 관제가 필요한 CCTV 위치를 파악할 수 있어야 한다. 나아가 특정 범위를 관제해 집중 관제가 가능해야 할 필요성이 있다. 가령 범죄자 도주 등의 사건이 발생했을 경우, 인근 CCTV 반경을 지도상에서 선정하면 절도범 및 차량의 이동방향을 실시간으로 관제하는 식이다.

앞으로 선별관제는 단기적으로는 관제요원의 근무 효율을 높이기 위한 방향으로 발전할 것이다. 장기적으로는 사람의 행동을 분석 및 예측해서 범죄를 방지하고, 생명보호를 위한 재난재해 발생예측기술로까지 발전할 것으로 보고 있다. 또한, 선별관제는 특정 사건, 사고가 발생한 영상을 관제사에게 표출하기 때문에 실시간 비상상황 대응 능력 증가에 따른 범죄예방에도 도움을 줄 수 있다. 거기다 최근 많은 지자체에서 진행 중인 스마트시티 사업의 통합관제 시스템과 연계해 비상상황에 대비한 즉각적인 유관기관 연동 방안 수립으로 위급상황 발생 시 골든타임 확보가 가능할 것이다. 더불어 재난재해 분야에서의 데이터가 축적되면, 재난재해 예측까지 가능할 것으로 보고 있다.

이제 인공지능은 단순한 솔루션이나 제품이 아니라 산업계 전반에서 사용되는 ‘인프라’로 발전해 갈 것으로 보고 있다. 이런 다양성을 구현하기 위해서는 개발사 자체적인 인공지능 프레임워크가 필요한 반면, 오픈소스 기반의 인공지능 모델로는 고객을 만족시키기 어려울 것으로 보인다.
[글_ 조명돌 마크애니 콘텐츠솔루션사업부 상무]

<저작권자: 보안뉴스(www.boannews.com) 무단전재-재배포금지>