멀티모달 데이터 기반 군중 규모 추정 시스템

본 논문은 사물인터넷(IoT) 서비스 맥락에서 군중 규모를 정확히 추정하기 위한 시스템 ‘CrowdEstimator’를 제안한다. 기존 연구에서는 Wi‑Fi 프로브 패킷을 활용한 무선 기반 사람 수 추정이 저비용·대규모 배치 측면에서 장점이 있었지만, 신호 범위의 가시성 부족, 프로브 전송 간격의 변동, MAC 주소 무작위화 등으로 인해 과대·소대 추정 문제가 빈번했다. 특히, Wi‑Fi 신호는 물리적 장애물과 전파 간섭에 민감해 실제 인구와의 차이가 크게 발생할 수 있었다. 이를 해결하기 위해 저자는 ‘보정 choke point’를 설정하고, 해당 지점에 스테레오 카메라를 설치한다. 스테레오 카메라는 깊이 정보를 이용해 사람을 정확히 카운트하며, 이는 near‑ground‑truth 로 활용된다. 카메라 수는 최소화하여 비용과 프라이버시 문제를 완화하고, 보정 지점만에서 고정밀 데이터를 확보한다. 시스템 구조는 크게 세 부분으로 나뉜다. 첫 번째는 Wi‑Fi 스니퍼 네트워크로, 다수의 스니퍼가 목표 지역 전역에 배치되어 프로브 패킷을 수집한다. 두 번째는 보정 choke point에 설치된 스테레오 카메라와 영상 처리 파이프라인으로, 사람 흐름을 실시간으로 감지하고 입·출구 라인을 정의해 이동 방향까지 파악한다. 세 번째는 FIWARE 기반 IoT 플랫폼이며, ‘Thin Broker’라는 경량 브로커를 통해 외부 애플리케이션에 실시간 군중 데이터 API를 제공한다. 이를 통해 교통 관리, 상업 마케팅, 가상현실 등 다양한 서비스가 동일한 데이터에 접근할 수 있다. 핵심 알고리즘은 두 단계 보정 모델이다. (1) 실시간 상관관계 학습 단계에서는 Wi‑Fi 프로브 수와 카메라 카운트 사이의 비선형 관계를 적응형 필터와 가중 이동 평균을 이용해 추정한다. 이 단계는 환경 변화(예: 날씨, 사람 이동 패턴)와 장치 특성(프로브 전송 주기) 변화에 빠르게 대응한다. (2) 보정 전이 단계에서는 학습된 관계를 인접한 Wi‑Fi 전용 구역에 적용한다. 인접 구역은 지리적·시간적 특성이 유사하다고 가정하고, 동일한 보정 계수를 사용해 Wi‑Fi만으로 얻은 원시 추정치를 보정한다. 이 과정은 사전 학습이 필요 없으며, 스트리밍 데이터에 바로 적용 가능하다. 실험은 뉴질랜드의 웰링턴 기차역(실내)과 크라이스트처치 Re:START 쇼핑몰(실외)에서 수행되었다. 실내 실험에서는 주중에 Wi‑Fi만 사용할 경우 사람 흐름이 과소 추정되고, 주말에는 과대 추정되는 현상이 관찰되었다. 보정 알고리즘 적용 후 평균 정규화 제곱근 오차(NRMSE)는 0.25 이하로 감소했으며, 추정값은 실제 카운트와 일치하는 일일·주간 패턴을 보였다. 실외 실험에서는 Wi‑Fi만 사용할 경우 주변 차량 및 보행자에 의해 과대 추정되는 경향이 있었으며, 보정 후 평균 오차는 43.68% 감소했다. 스테레오 카메라 기반 사람 카운트는 최소 85%의 정확도를 기록했으며, 수동 검증(수동 카운트)과도 높은 일치도를 보였다. 논문의 주요 기여는 다음과 같다. (1) Wi‑Fi 프로브만으로는 불가능한 정확한 군중 추정을 다중 모달 보정을 통해 실현하였다. (2) 보정 choke point를 최소화함으로써 비용과 프라이버시 문제를 해결하였다. (3) 실시간 적응형 보정 모델을 제안해 환경 변화에 유연하게 대응하였다. (4) FIWARE 기반 IoT 플랫폼과 연동해 다양한 이해관계자가 실시간 데이터를 활용할 수 있는 서비스 구조를 제공하였다. 한계점으로는 보정 지점이 전체 인구 흐름을 대표해야 한다는 전제가 있다. 보정 지점이 특정 흐름에 편향될 경우 전이된 보정이 다른 구역에 부정확할 수 있다. 또한, MAC 주소 랜덤화가 심화되면 Wi‑Fi 프로브 자체의 수집 효율이 떨어져 보정 기반의 정확성도 감소한다. 향후 연구에서는 BLE 비콘, 초광대역(UWB) 등 추가 무선 센서를 결합하고, 딥러닝 기반 비선형 보정 모델을 도입해 다양한 환경에 대한 일반화 성능을 향상시키는 방향을 제시한다.