.svg)
AI 솔루션 문의하기
주차장 CCTV 영상에서 이상행동을 감지하려면 사람이나 차량이 화면에 등장했다는 사실만으로는 부족합니다. 어떤 행동이 어느 위치에서 어떤 순서로 발생했는지를 함께 살펴봐야 상황의 의미를 구분할 수 있기 때문입니다. 차량 주변을 서성이는 사람, 주차된 차량에 접근하는 사람, 통행로에 장시간 머무르는 사람처럼 겉으로는 비슷해 보이는 장면도 행동의 흐름에 따라 해석이 달라질 수 있습니다.
특히 주차장에서는 차량을 찾거나 이동하기 위해 사람이 차량 주변을 반복해서 오가는 일이 흔합니다. 주차된 차량 사이를 지나가거나 잠시 멈춰 서는 행동도 일반적인 상황에 해당할 수 있습니다. 반면 특정 차량 주변에 장시간 머물거나 여러 차량을 연속해서 확인하는 행동은 별도의 분석 대상이 될 수 있습니다.
이처럼 같은 사람의 움직임이라도 머문 시간과 이동 경로, 접근한 대상에 따라 의미가 달라집니다. 학습데이터를 구축할 때 사람의 위치만 표시하기보다 일정 시간 동안의 행동 흐름을 함께 기록해야 이상행동 감지 모델이 상황의 맥락을 학습하기 쉬워집니다.
차량 역시 주차장 이상행동 감지에서 중요한 대상입니다. 주차 공간을 찾는 차량은 천천히 이동하거나 여러 차례 방향을 바꿀 수 있지만 주차장 내에서 갑작스럽게 역주행하거나 통행 방향과 다른 움직임을 보이는 차량은 별도로 확인할 필요가 있습니다.
차량의 속도와 이동 방향, 정차 위치 등을 영상에서 함께 확인하면 단순한 차량 검출을 넘어 행동 자체를 분석할 수 있습니다. 특히 입구와 출구, 회전 구간, 좁은 통로처럼 차량의 움직임이 제한되는 장소는 일반적인 주행 패턴과 다른 행동을 구분하기 위한 데이터가 필요합니다.
주차된 차량 주변에서 사람이 어떤 행동을 하는지는 이상행동 분석에서 중요한 단서가 될 수 있습니다. 차량에 탑승하려는 사람은 문을 열고 내부로 들어가는 행동을 보이지만, 차량 주변을 반복해서 이동하거나 여러 대의 차량에 차례로 접근하는 모습은 다른 상황으로 분류될 수 있습니다.
다만 차량 주변에 사람이 있다는 이유만으로 이상행동으로 라벨링해서는 안 됩니다. 실제 주차장에서는 차량 소유자가 주변을 확인하거나 물건을 싣고 내리는 상황도 빈번하게 발생하기 때문입니다. 정상 행동과 이상행동을 구분할 수 있도록 행동의 지속 시간과 이동 패턴, 접근 대상의 수 등을 함께 고려하는 데이터 구성이 필요합니다.
주차장에서는 보행자가 미끄러지거나 넘어지는 상황도 발생할 수 있습니다. 이런 장면은 CCTV 이상행동 감지에서 대표적인 분석 대상으로 활용될 수 있지만 단순히 사람이 낮은 위치에 있다는 것만으로는 정확한 판단이 어렵습니다.
넘어지기 전의 이동과 신체 자세 변화, 넘어지는 순간, 이후 움직임까지 연속적으로 확보하는 것이 중요합니다. 앉아 있는 사람이나 차량 아래에서 작업하는 사람처럼 정상적인 행동과 혼동할 수 있는 사례도 함께 수집해야 오탐을 줄이는 데 도움이 됩니다.
주차장에는 잠시 멈추는 사람이 많기 때문에 ‘정지’ 자체를 이상행동으로 판단하기는 어렵습니다. 중요한 것은 어떤 장소에서 얼마나 오래 머물렀는지와 그 전후에 어떤 행동을 했는지입니다.
예를 들어 출입구 앞에서 잠시 기다리는 행동과 차량이 다니는 통로 한가운데 장시간 정차하는 행동은 같은 정지 상태라도 의미가 다릅니다. 따라서 데이터에는 정지 시간뿐 아니라 해당 구역의 용도와 주변 움직임까지 연결해두는 편이 좋습니다.
주차장은 낮과 밤의 영상 차이가 큰 공간입니다. 낮에는 자연광이 들어오지만 야간에는 조명에 의존하게 되고 차량의 헤드라이트나 후미등이 화면의 밝기를 크게 바꿀 수 있습니다. 지하주차장에서는 조명 위치에 따라 사람의 얼굴이나 신체 일부가 어둡게 보이기도 합니다.
같은 행동이라도 촬영 환경이 달라지면 영상에서 보이는 형태가 달라진다는 점을 학습데이터에 반영해야 합니다. 주간과 야간, 밝은 구역과 어두운 구역, 차량 조명이 강하게 들어오는 장면 등을 함께 확보하면 특정 환경에 편중되는 문제를 줄일 수 있습니다.
주차장에서는 기둥이나 차량, 벽면 때문에 사람과 차량의 일부가 가려지는 경우가 많습니다. 카메라와 대상의 거리가 멀어지면 사람의 움직임이 작은 형태로 나타나기도 합니다.
이런 장면을 모두 제외하면 실제 CCTV 환경과 동떨어진 데이터가 만들어질 수 있습니다. 일부가 가려진 사람이나 차량, 여러 대상이 겹쳐 있는 장면도 실제 감시환경에서 발생하는 사례로 포함할 필요가 있습니다. 다만 어느 정도까지 행동을 확인할 수 있는지에 대한 라벨링 기준을 사전에 정해두어야 데이터의 일관성을 유지할 수 있습니다.
주차장 CCTV의 이상행동 감지는 특정 행동 하나를 찾아내는 방식만으로 구성하기 어렵습니다. 사람과 차량의 움직임, 행동이 발생한 위치, 지속 시간, 주변 상황을 함께 분석해야 같은 장면의 의미를 구분할 수 있기 때문입니다. 정상적인 주차와 이동 장면을 충분히 확보하면서 넘어짐이나 비정상적인 차량 이동, 특정 구역의 장시간 체류처럼 감지가 필요한 상황도 함께 구성해야 합니다. 여기에 주야간과 날씨, 조명, 가림 같은 CCTV 환경의 변화까지 더하면 실제 주차장에서 발생하는 다양한 상황을 반영한 비전 AI 학습데이터 구축으로 이어질 수 있습니다.
.svg)
.svg)
