최적의 비디오 분석 성능을 위해 고려해야 할 요소는?

Timo Sachse

AI는 많은 분야에서 인간의 성과를 높이고 향상시킬 기술로 계속 환영 받고 있으며 비디오 감시 업계에서도 예외가 아닙니다. 많은 양의 데이터를 신속하게 처리하고 액션을 트리거하는 데 AI 기반 분석 애플리케이션이 점점 더 많이 사용되고 있습니다. 이러한 기능은 고속도로나 경계구역과 같이 넓고 변화하는 장면을 모니터링할 때 관심 대상을 식별하고 조치가 필요한 대상을 표시하여 보안 팀을 지원하는 데 도움이 됩니다.

이론적으로, 이것은 이상적이고 매우 유익하게 들리지만, 기술이 배치될 때에는 높은 품질의 결과를 보장하기 위해 검토되어야 하는 많은 요소들이 있습니다. 여기에는 카메라 하드웨어, 비디오 품질, 조도, 카메라 구성, 위치 및 방향이 포함됩니다.

카메라 환경과 위치가 분석 앱의 기능을 지원하는가?

이미지 품질은 카메라의 고해상도 및 높은 감광도에 따라 달라지지만, 이미지 또는 비디오의 실제 사용성에 영향을 미치는 다른 요인도 있습니다. 예를 들어, 가장 비싼 보안 감시 카메라의 최고 품질의 비디오 스트림은 밤에 장면이 충분히 밝지 않거나 카메라의 앵글이 바뀌었거나 시스템 연결이 끊긴 경우 무용지물이 될 수 있습니다.

카메라 위치는 배치 전에 신중하게 고려해야 합니다. 비디오 분석이 예상대로 수행되려면 의도한 장면을 장애물 없이 선명하게 볼 수 있도록 카메라를 배치해야 합니다. 이미지 사용성은 사용 사례에 따라 달라질 수도 있습니다. 사람의 눈에 좋게 보이는 비디오는 비디오 분석 애플리케이션의 성능을 위한 최적의 품질을 가지지 못할 수 있습니다. 사실, 사람이 볼 수 있도록 비디오 외관을 개선하는 데 일반적으로 사용되는 노이즈 감소 방법과 같은 많은 이미지 처리 방법은, 비디오 분석을 사용할 때 최적성이 떨어집니다.

현대의 카메라는 종종 완전한 어둠 속에서도 작동할 수 있는 통합 IR 조명을 제공합니다. 이렇게 하면 조명이 어려운 장소에 카메라를 배치할 수 있고 추가 조명 설치 필요성을 줄일 수 있기 때문에 긍정적입니다. 하지만, 만약 현장에 폭우나 폭설이 예상된다면, 반사 문제가 있을 수 있으므로 카메라에서 나오는 빛이나 카메라와 매우 가까운 위치에서 나오는 빛에 의존하지 않는 것이 좋습니다.

카메라가 장면에서 적절한 거리에 있는가?

AI 기반 분석 애플리케이션의 최대 탐지 거리를 결정하는 것은 어렵습니다. 정확한 데이터시트 값(미터 또는 피트)은 절대적인 진실은 아닙니다. 이미지 품질, 장면 특성, 날씨 조건, 색상 및 밝기와 같은 객체 특성은 감지 거리에 큰 영향을 미칩니다.

또한 탐지되는 개체의 속도에 따라 다릅니다. 정확한 결과를 얻으려면 비디오 분석 애플리케이션이 충분히 오랜 시간 동안 개체를 “확인”해야 합니다. 이 기간이 얼마나 필요한지는 플랫폼의 처리 성능(프레임레이트)에 따라 달라집니다. 처리 성능이 낮을수록 감지하기 위해 개체를 더 오래 볼 수 있어야 합니다. 카메라의 셔터 시간이 물체 속도와 잘 일치하지 않는 경우, 이미지의 모션 블러가 감지 정확도를 떨어뜨릴 수도 있습니다.

빠른 물체는 카메라 가까이 지나가면 더 쉽게 놓칠 수 있습니다. 예를 들어 카메라에서 멀리 떨어진 곳에 있는 달리는 사람은 잘 감지될 수 있는 반면, 같은 속도로 카메라 가까이에서 달리는 사람은 너무 빨리 화각에 들어왔다 나가서 경보가 트리거되지 않을 수 있습니다.

움직임 감지 기반 분석에서는 카메라 정면 쪽으로 이동하거나 카메라에서 멀어지는 물체가 또 다른 과제를 안고 있습니다. 느리게 움직이는 물체의 경우 감지하기가 특히 어려우며, 이는 장면 전체의 움직임에 비해 이미지에 매우 작은 변화만 일으킬 수 있습니다.

알람과 녹화 설정은 어떠한가?

개체 분석은 나열된 전제 조건이 충족될 때만 최적으로 수행됩니다. 다른 경우에는 중요한 이벤트를 놓칠 수 있습니다. 모든 조건이 항상 충족될지 확실히 확신할 수 없는 경우에는, 특정 개체 분류가 유일한 경보 트리거가 되지 않도록 보수적인 접근 방식을 취하고 시스템을 설정하는 것이 좋습니다. 이렇게 하면 허위 경보가 더 많이 발생하지만 중요한 것을 놓칠 위험도 줄어듭니다.

원하지 않는 경보를 필터링하려면 신뢰할 수 있는 개체 분류가 필요합니다. 그러나 녹화 솔루션은 개체 분류 외에도 다른 요인에 의존하도록 설정해야 합니다. 실제 알람을 놓치는 경우, 이렇게 설정해 두면 녹화물을 통해 알람을 놓치는 이유를 평가하고 전체적인 설치 및 구성을 개선할 수 있습니다.

솔루션이 얼마나 잘 유지보수되고 있는가?

보안 감시 설치의 정기적인 유지관리가 필수적입니다. 시야를 차단할 수 있는 모든 항목을 검색하고 제거하려면, VMS(비디오 관리 소프트웨어) 인터페이스를 통해 비디오를 보는 것뿐만 아니라 물리적 검사도 권장됩니다. 이는 일반적인 녹화 전용 설치에서도 중요하지만, 분석 솔루션을 사용할 때는 더욱 중요합니다.

기본적인 비디오 모션 디텍션(움직임 감지)의 맥락에서, 바람에 흔들리는 거미집과 같은 일반적인 장애물은 오경보의 수를 증가시켜 필요한 것보다 더 많은 스토리지 소비를 초래할 수 있습니다. 객체 분석 애플리케이션을 사용할 때, 거미줄은 기본적으로 탐지 영역에 제외 영역을 만들게 될 수 있습니다. 거미집의 거미줄은 물체를 가리고 탐지 및 분류 기회를 크게 줄이게 될 수 있습니다.

카메라의 전면 유리의 오염이나 물방울은 낮 동안에는 문제를 일으키지 않습니다. 하지만 조도가 낮은 조건에서는, 예를 들어 자동차의 헤드라이트 같이 측면에서 더러운 물방울에 부딪히는 빛은 예상치 못한 반사를 일으켜 감지 정확도를 떨어뜨릴 수 있습니다.

장면 관련 유지보수도 카메라 유지보수와 마찬가지로 중요합니다. 간단한 전후 이미지 비교로 잠재적인 문제를 발견할 수 있습니다. 장면이 카메라가 배치되었을 때 어떻게 보였고, 오늘은 어떻게 보이는가? 감지 영역을 조정할 필요가 있는가? 카메라의 시야를 조정해야 하는가, 아니면 카메라를 다른 위치로 이동해야 하는가?

최적의 성능을 일관되게 발휘하는 솔루션

비디오 분석 대한 투자는 올바르게 구현되고 정기적으로 평가될 경우 많은 보안 이점을 얻을 수 있습니다. 성능에 영향을 미칠 수 있는 여러 요소가 있으므로, 보안 담당자는 이러한 솔루션을 ‘설정한 후 잊어버리는’ 상태로 두어서는 안된다는 점을 기억해야 합니다. 대신, 최종 결과가 비즈니스 목표를 충족하고 우수한 ROI를 제공할 수 있도록 지속적으로 평가하는 접근 방식이 필요합니다.

 

더 자세한 내용을 보려면, 백서 ‘비디오 분석에서의 AI: 머신러닝 및 딥러닝 기반 분석 애플리케이션에 대한 고찰’을 다운로드하세요.

백서 다운로드