경계 시스템을 위한 버추얼 배리어 비디오 분석의 장점

인공지능(AI)과 머신 러닝은 침입 탐지를 위한 비디오 분석을 통해 경계 보안 환경을 변화시켰습니다. 놀라운 범위에서 미세한 움직임을 감지할 수 있는 고감도 모션 기반 분석은 중요 인프라 시설에 배포된 경계 시스템 전반에 걸쳐 광범위하게 채택되고 있습니다. 그러나 현재 FLIR 버추얼 배리어 비디오 분석은 탐지 정밀도, 분류 정확도, 표적의 지리적 위치 및 오경보에 대한 복원력을 향상시켜 고객에게 훨씬 더 큰 이점을 제공하고 있습니다. 이 기술 노트에서는 경계 침입 탐지 시스템(PIDS)에서 버추얼 배리어 분석의 전략적 가치와 동작 기반 분석과 비교할 때 버추얼 배리어 분석의 구체적인 성능 이점에 대해 설명합니다.

동작 기반 분석 정의

2000년대 초에 아날로그 기반 감시 시스템과 함께 비디오 분석을 실행하면서 보안 업계의 패러다임이 바뀌었습니다. 정의된 테두리 내에서 화면에서 변경된 픽셀의 비율에 따라 경고를 트리거했던 초기의 픽셀 기반 모션 감지는 온보드 하드웨어를 사용하여 모션 감지 알고리즘을 실행할 수 있었습니다. 이를 통해 시스템은 대역폭이나 지연 시간 문제를 피하면서 탐지 경고를 즉시 전달하고 엣지에서 작동할 수 있었습니다.

그림 1: 비디오 분석으로 사람을 감지하고 분류한 예

이러한 분석은 세 단계로 구성된 알고리즘으로 작동합니다: 백그라운드 시작, 전경 감지 및 전경 처리.

백서 다운로드

첫 번째는 이전 이미지를 기반으로 배경을 구축하여 참조 프레임을 만듭니다. 두 번째는 바로 앞 프레임과 배경 프레임을 비교하여 둘 사이의 차이가 움직임이라는 결론을 내렸습니다. 세 번째 단계에서는 움직임이 있는 것으로 표시된 픽셀을 필터링하여 관련 없는 원인을 제거하고 침입 경보를 생성하도록 처리합니다. 이러한 모션 기반 방법은 위협을 탐지할 때 매우 민감할 수 있지만, 실제 환경에서 오경보를 최소화하기 위해 상당한 보정 및 구성이 필요한 경향이 있습니다. 제대로 보정된 경우에도 일부 환경에서는 모션 기반 분석에서 여전히 잘못된 경보가 발생합니다. 나무 흔들림, 카메라 흔들림, 그림자, 반사 등 노이즈 모션은 이러한 오경보의 대부분을 유발합니다. 또 다른 문제는 장거리에서 카메라의 축을 따라 움직일 때 한동안 정지해 있거나 정지된 것처럼 보이는 물체와 관련된 것입니다. 이러한 대상은 이후 배경 이미지에 흡수되어 감지할 수 없게 렌더링됩니다. 모션 기반 분석 기술의 이러한 한계는 보안 담당자에게 많은 비용을 초래할 수 있으며, 신경망을 사용하는 차세대 비디오 분석의 발판이 되었습니다.

CNN 비디오 분석 정의

버추얼 배리어 비디오 분석은 컨볼루션 신경망(CNN)을 기반으로 합니다. 이 비디오 분석 기술은 신경생물학적 시스템을 복제하도록 설계되었으며 이미지에서 물체를 찾고 분류할 수 있습니다.

기존 시스템은 모션 감지에 의존하여 잠재적인 물체의 위치를 파악합니다.
움직이는 모든 대상은 일련의 필터를 통해 처리되며, 이 필터는 해당 대상이 위협인지 여부를 결정합니다. 그러나 현실 세계의 모든 상황을 설명하는 것은 불가능하기 때문에 어느 정도의 오경보는 항상 발생할 수 있습니다. 버추얼 배리어에서 사용하는 CNN 비디오 분석은 알고리즘이 원하는 물체를 찾고 식별하는 데 가장 관련성이 높은 기능과 필터를 자동으로 결정하여 이 문제를 해결합니다. 이러한 시스템을 구축하려면 수만 장의 이미지를 수동으로 분석하여 관심 대상의 위치와 분류를 결정하는 것부터 시작해야 합니다. 그런 다음 이러한 이미지를 사용하여 반복적인 과정을 통해 신경망을 학습시킵니다. 다른 CNN 기반 시스템과 달리, 버추얼 배리어 분석은 다른 시스템에서 자주 사용하는 공개적으로 제공되는 데이터세트의 이미지를 사용하지 않습니다. 대신, 보안 애플리케이션을 고유하게 타깃으로 하는 Teledyne FLIR 데이터 세트만 사용합니다. 이렇게 하면 오경보를 더욱 줄일 수 있을 뿐만 아니라 모든 잠재적 위협을 정확하게 탐지할 수 있습니다.

그림 2: 버추얼 배리어 분석으로 두 사람을 분류하고 위치 및 속도를 결정

버추얼 배리어와 동작 기반 분석 비교하기

버추얼 배리어 분석과 모션 기반 분석 사이의 차이점은 두 모델 중 하나를 선택할 때 이해해야 할 중요한 사항입니다. 버추얼 배리어 분석은 보정이 간단하고 오경보를 최소화하면서 강력한 탐지 기능을 제공하며, 배회 탐지 및 위협의 지리적 위치를 지원하여 동적 맵에서 시각화할 수 있습니다. 동작 기반 분석은 버추얼 배리어 분석보다 탐지 범위가 더 넓지만 오경보에 더 취약한 경향이 있습니다. 다음은 버추얼 배리어 분석을 사용할 때 보안 시스템이 얻을 수 있는 뚜렷한 이점에 대한 분석입니다.

강력한 분류

탐지 가능한 물체의 시각적 표현에 중요한 증강 및 변형이 포함된 수천 개의 이미지 라이브러리를 기반으로, 버추얼 배리어 분석은 대상이 약간 가려지거나 식별하기 어려운 실제 상황에서 물체를 분류하도록 학습됩니다. 예를 들어, FLIR FH-시리즈 ID는 100개의 고유 시나리오 샘플에서 모션 기반 분석보다 15% 더 많은 위협을 탐지했습니다.

분류 범위와 관련하여 모션 기반 분석과 버추얼 배리어 분석에는 주목할 만한 상충 관계가 있습니다. 분석에는 동작 기반 분석보다 대상에 더 많은 픽셀이 필요하므로 버추얼 배리어 분석의 경우 분류 범위가 축소됩니다. FLIR FH-시리즈 ID의 분류 범위는 FLIR FC-시리즈 ID에 비해 약 20% 감소했습니다.

오경보 감소

그림 3: 사람과 차량을 분류하는 버추얼 배리어 분석

버추얼 배리어 분석의 가장 큰 장점 중 하나는 오경보의 감소입니다. 버추얼 배리어 분석은 모션을 감지 입력으로 사용하지 않기 때문에 흔들리는 나뭇잎, 바람에 흔들리는 카메라, 야생 동물과 같은 일반적인 노이즈 소스에 대해 경보가 훨씬 덜 발생합니다.

실제로 이러한 분석은 극한 날씨, 프레임에 들어오는 동물, 카메라 흔들림 등과 관련된 노이즈가 포함된 100개의 고유한 시나리오 샘플에서 오경보를 60% 감소시킨 것으로 나타났습니다. 오경보는 오늘날 보안 담당자가 경험하는 가장 비용이 많이 드는 운영 문제 중 하나이기 때문에 이는 버추얼 배리어 분석의 핵심 이점입니다.

대상 추적을 위한 지리적 위치

그림 4: 버추얼 배리어 분석의 지리적 위치 기능을 사용하여 정확하게 매핑되는 사람 대상

FLIR 버추얼 배리어 분석은 장면에서 표적의 지리적 위치를 지원합니다. 즉, 각 대상의 위치, 속도, 방향이 분석에 의해 식별되고 비디오 관리 소프트웨어(VMS) 또는 다른 다운스트림 소프트웨어에서 사용할 수 있도록 메타데이터로 스트리밍됩니다. 지리적 위치 데이터를 그림 4와 같이 동적 맵에 원활하게 시각화하여 보안 운영자에게 시설 근처의 위협에 대한 상황 인식을 제공할 수 있습니다. 분석에서 제공하는 지리적 위치 데이터는 대상에 대한 보다 심층적인 평가를 위해 PTZ 카메라의 위치를 지정하는 데에도 효과적입니다.

배회하는 물체 감지

동작 기반 분석과 달리 버추얼 배리어 분석 모델은 배회 감지 기능을 지원하며 프레임 내 물체의 이동 여부에 관계없이 물체를 감지하고 분류할 수 있습니다. 모션 기반 분석은 대상이 움직이지 않으면 감지할 수 없기 때문에 이러한 모델은 배경 감산 기반 분석에 비해 고유한 이점을 제공합니다.

미래를 위한 설계

지속적인 진화를 위해 설계된 버추얼 배리어 분석은 지속적으로 개선되어 중요 인프라의 보안 담당자가 현재와 미래의 침입 요구 사항을 해결할 수 있습니다. Teledyne FLIR에서는 분류 정확도를 지속적으로 개선하기 위해 이미지 라이브러리를 확장하고 현장 업그레이드를 위한 분석 기능을 추가하기 위해 최선을 다하고 있습니다. 보안 책임자는 현재와 미래의 요구 사항을 충족하는 솔루션으로 FLIR 버추얼 배리어 분석 기능이 내장된 카메라를 자신 있게 배치할 수 있습니다.

가장 중요한 핵심 사항

버추얼 배리어 분석은 위협 탐지를 강화하기 위해 특별히 설계되어 침입자를 추적하고 대응할 때 더 높은 정확도와 중요한 상황 인식을 제공하는 동시에 오경보를 최소화합니다. 이러한 분석은 지속적으로 개선되도록 설계되어 오늘날 진화하는 보안 기술 및 위협에 발맞춰 구축되었습니다. 버추얼 배리어 분석으로 경계 보안을 강화하는 방법을 알아보려면 지금 바로 현지 Teledyne FLIR 담당자에게 문의하십시오.