키넥트와 인간 동역학을 활용한 군중 행동 연구 새로운 접근법

초록

본 논문은 저비용 3D 센서인 마이크로소프트 키넥트를 이용해 다중 카메라 환경에서 보행자 궤적을 정확히 추출하고, 이를 기반으로 사회힘 모델을 보정한다. 깊이 데이터 기반 군집화와 전역 좌표 변환을 통해 94%의 보행자 검출률과 4 cm 수준의 추적 정밀도를 달성했으며, 2240개의 궤적을 활용해 세 가지 사회힘 모델 변형을 검증하였다.

상세 분석

이 연구는 기존 2D 영상 기반 보행자 추적이 겪는 그림자, 조명 변화, 군중 중첩 문제를 해결하기 위해 깊이 정보를 활용한다는 점에서 혁신적이다. 키넥트를 상공에서 배치함으로써 사람들의 실루엣을 3차원 포인트 클라우드로 획득하고, 이를 agglomerative clustering(병합 군집화) 알고리즘에 투입해 개별 보행자를 구분한다. 군집화 과정에서는 거리 임계값과 높이 제한을 동적으로 조정해 옆으로 겹치는 사람들을 효과적으로 분리한다. 이후 각 키넥트의 로컬 좌표계를 사전에 캘리브레이션된 변환 행렬을 이용해 전역 좌표계로 매핑함으로써, 서로 다른 장치에서 수집된 궤적을 무결점으로 연결(stitch)한다. 이때 시간 동기화는 NTP 기반 네트워크 시계와 프레임 타임스탬프 보정을 통해 이루어져, 30 fps 이하의 저속 카메라에서도 정확한 연속성을 확보한다.

실험에서는 3대의 키넥트를 이용해 실제 도심 보행자 흐름을 2시간 이상 기록했으며, 총 2240개의 고품질 궤적을 확보했다. 보행자 검출률(PDR)은 94%에 달했으며, 다중 객체 추적 정밀도(MOTP)는 평균 4 cm로, 기존 RGB 기반 방법보다 현저히 우수했다. 이러한 데이터는 사회힘 모델(Social Force Model)의 파라미터 추정에 활용되었다. 논문은 기본 모델 외에 (1) 목표지향 힘에 거리 가중치를 추가한 변형, (2) 상호작용 힘에 비선형 감쇠 함수를 적용한 변형, (3) 환경 장애물 반발력을 명시적으로 모델링한 변형을 제시한다. 각 변형은 실험 데이터에 대해 최소제곱법과 베이지안 최적화를 통해 파라미터를 보정했으며, 시뮬레이션 결과는 실제 궤적과의 평균 거리 오차가 0.12 m 이하로, 미세한 군중 흐름까지 재현하는 데 성공했다. 특히 비선형 감쇠 함수를 적용한 모델이 급격한 방향 전환과 밀집 구역에서의 회피 행동을 가장 정확히 모사했다.

한계점으로는 키넥트의 시야각과 거리 제한(최대 4 m)으로 인해 넓은 공간을 커버하려면 다수의 센서를 필요로 한다는 점, 그리고 깊이 센서가 투명 물체나 반사면에 취약하다는 점을 들었다. 또한 실시간 처리에서는 군집화와 좌표 변환 단계가 CPU에 부담을 주어 GPU 가속이 요구될 수 있다. 향후 연구에서는 센서 간 자동 캘리브레이션, 딥러닝 기반 군집화, 그리고 실시간 군중 시뮬레이션 연동을 통해 시스템의 확장성과 응용 범위를 넓히고자 한다.