논문 상세보기
코로나19 발생 직후 감소하였던 도시철도 이용객 수가 다시 증가하면서 도시철도 역사 내 승강장이나 대합실과 같은 대기 공간에서 의 인파 밀집 사고에 대한 국민들의 우려가 커지고 있다. 2022년 이태원에서 발생한 압사 사고로 인하여 인파 밀집 사고에 대한 국민 들의 관심과 우려가 크게 증가한 상황이며, 정부와 지방자치단체는 이러한 사고를 예방하기 위하여 혼잡도 예측 기술을 개발하는 등 다양한 시도가 이루어지고 있다. 특히 이용객들의 보행 동선이 한정되어 있고, 인파 밀집 현상이 빈번하게 나타나는 대중교통 시설의 혼잡 상황을 사전에 파악하고 이를 관리하기 위한 정량적인 혼잡도 분석 기술의 필요성이 더욱 강조되고 있다. 현재 도시철도 역사 내 인파 밀집도는 CCTV 영상을 기반으로 객체 검지 방식 또는 면적 대비 점유율을 산정하는 방식으로 도출되고 있으며, 대기 공간의 혼잡도는「도시철도 정거장 및 환승·편의시설 설계 지침」(국토교통부, 2018)에 제시된 서비스수준(Level of Service, LOS) 기준에 따라 공간 밀도와 보행 상태 등을 기반으로 평가되고 있다. 그러나 해당 방법론은 군중이 밀집된 상황에서 검지의 정확도가 떨어지고, 역사 내 대기 공간의 면적에 관한 정보가 필요하며, CCTV 화각에 따른 원근감 왜곡으로 인해 위치별로 점유율이 과대 또는 과소 추정되는 한계점이 존재한다. 이에 따라 본 연구에서는 Semantic Segmentation 방식을 활용하여 도시철도 역사 내 대기 공간의 면적과 인파의 수를 직접 산출하지 않고도 인파 밀집도를 예측하는 모형을 개발하였다. 이 모형은 승강장 CCTV 영상을 일정한 시간 단위로 분할한 이미지를 Semantic Segmentation 방식을 활용하여 인파 밀집도 산출 대상 영역을 구분하는 방식으로 대기 공간의 혼잡도를 예측한다. 다만, 해당 기법을 단독으로 적용하는 경우 동일한 인원이 존재하더라도 화각에 따른 원근감 차이로 인해 위치에 따라 점유율이 다르게 산출되는 문제점 이 존재한다. 이러한 한계점을 해소하기 위하여 CCTV 화각에 따른 점유율 왜곡을 최소화하는 보정 작업을 추가로 수행하였다. 모형은 CCTV 영상 이미지에 대한 Semantic Segmentation 과정을 수행하여 mask를 생성하고, 반복적으로 셀 분할 및 가중치 학습을 실시하여 화각에 따른 보정을 진행한다. 보정은 Huber Loss 함수와 경사하강법을 활용하여 이루어지며, 이 과정을 통해 셀의 적정 크기와 위치 별 가중치 행렬이 결정된다. 학습이 완료되면 모형은 이를 전체 이미지에 적용하여 최종적인 점유율을 예측한다. 해당 모형을 활용한 결과 전반적으로 우수한 예측 성능을 보였으나, CCTV 영상 내 인원이 증가할수록 예측의 정확도가 저하되는 경향이 확인되었다. 이는 고밀도 군중 상황에서의 공간 왜곡 보정 및 점유율 산정 방식에 대한 추가적인 개선 필요성을 보여주며, 향후 다양한 밀집 수준을 고 려한 보정 알고리즘의 고도화 연구로 확장될 필요가 있다.
