밀집 인원 카운팅을 위한 IR‑UWB 레이더 하이브리드 특징 추출 방법

본 논문은 인구 밀집 지역에서 비접촉식으로 사람 수를 계수하는 기술로서, IR‑UWB 레이더의 장점인 조명 의존도와 프라이버시 문제를 회피하면서도 기존 방법이 겪는 신호 중첩·차폐 문제를 해결하고자 한다. 먼저, 레이더가 연속적으로 수신한 50개의 프레임을 2‑D 매트릭스로 구성하고, 이 매트릭스에 curvelet transform을 적용한다. Curvelet은 스케일과 방향을 동시에 고려하는 다중 해상도 변환으로, 사람들의 이동 궤적이 만든 곡선형 텍스처를 각 방향별 에너지와 최대값으로 표현한다. 구체적으로, coarse layer에서는 평균값과 에너지를, fine layer에서는 상위 5개 최대값과 전체 에너지를 추출한다. 다음으로, 각 프레임을 거리‑빈으로 분할하여 구간별 최대 진폭과 에너지를 추가 특징으로 만든다. 거리‑빈의 길이는 사람의 신체 폭보다 작게 설정(125 mm, 250 mm, 500 mm)하여, 동일 구간 내에 여러 사람의 신호가 중첩되더라도 에너지 합산을 통해 인원 수를 추정한다. 잡음 억제를 위해 curvelet 기반 하드 임계값 필터링을 적용하고, 정제된 신호에서 위 두 종류의 특징을 추출한다. 데이터셋은 44명의 피험자를 대상으로 3가지 시나리오(밀도 3 명/㎡, 4 명/㎡, 대기열 평균 10 cm)에서 0~20명까지 수집했으며, 각 샘플은 1.25 초(50 프레임) 길이의 2‑D 매트릭스로 구성된다. 총 300 차원의 하이브리드 특징(곡선 변환 16 개 방향·3 스케일 특징 + 거리‑빈 3 크기·2 특징·평균)으로 분류기를 학습시켰다. Decision Tree, AdaBoost, Random Forest, Neural Network을 비교했을 때, Random Forest가 모든 시나리오에서 97 % 이상, 평균 98 % 이상의 정확도를 기록했다. 또한, 기존 연구에서 사용된 클러스터 특징, 액티비티 특징, LeNet‑5 기반 CNN 특징과 비교했을 때, 제안된 하이브리드 특징은 정확도와 안정성 모두에서 현저히 우수하였다. 결론적으로, 곡선 변환을 통한 다중 스케일·다중 방향 텍스처 분석과 거리‑빈 기반 미세 신호 정량화를 결합함으로써, 밀집 환경에서도 높은 인원 카운팅 성능을 달성했다. 향후 연구에서는 실외·다중 경로가 복잡한 환경, 다양한 이동 속도와 비정형 움직임, 그리고 실시간 구현을 위한 경량화 모델 적용 등을 탐색할 필요가 있다.