2022년 국내에서 이태원 참사라는 대형 인파사고가 발생한 이래로 인파밀집 현상이 수시로 발생하고, 인파가 이동할 수 있는 방향이 한정되어 있는 도시철도 역사내 대기공간의 인파밀집 문제가 심각하게 대두됨에 따라 인파밀집에 대한 모니터링 및 관리에 대한 중요 성이 커졌다. 이러한 문제사항을 해결하기 위해 영상분석에서 개별 객체의 수를 파악하여 인파의 밀집도를 파악한 연구들은 많이 이 루어졌으나 객체 간의 중첩으로 인해 검지 정확도가 떨어진다는 단점이 존재한다. 따라서 본 연구는 개별 객체를 검지하는 방식이 아 닌 Semantic Segmentation 기법 중 사전에 라벨링이 된 이미지들을 활용하는 지도학습 방식을 사용하여 밀집된 인파의 영역과 그렇지 않은 영역을 구분하고, 관심영역(ROI) 전체 공간 대비 인파가 차지하고 있는 영역의 점유율을 산출하여 혼잡도를 파악하는 방법을 적 용하였다. 본 연구의 목적은 도시철도 역사 내 대기공간의 인파의 밀집도를 점유율을 이용하여 산출하는 방법론을 만들고, 이를 혼잡 도를 나타내는 지표(MOE)로 적용할 수 있도록 그 기준을 검토하는 것이다. 데이터수집의 경우, 첨두시간대에 지하철 2호선 교대역의 대기공간인 대합실을 촬영한 CCTV 영상 데이터를 확보하여 이를 10fps 단위로 분할한 이미지들을 사용하였다. 이후 각 서비스수준별 (LOS A~F)로 다양한 이미지들에 대하여 인파에 해당하는 부분과 그렇지 않은 부분을 라벨링하였다. 분석방법론의 경우, 지도학습 기 반의 Semantic Segmentation 기법을 적용하여 대상 이미지들 전체에 대해서 인파와 인파가 아닌 부분을 구분하도록 이미지를 가공하였 으며, 이미지에 ROI를 설정하여 “전체 ROI 대비 인파 점유 공간의 비율”에 해당하는 점유율을 계산하였다. 여기서 인파와 인파가 아 닌 부분의 원활한 구분을 위해 픽셀 단위로 학습을 하며, 사전에 라벨링이 된 이미지들을 학습하는 모델을 적용하는게 본 연구에 적 합하다고 판단하여 해당 분석 기법을 사용하였다. 모든 이미지들의 점유율을 도출한 후 전체 결과를 Classification 기법을 활용하여 인 파 혼잡도의 서비스수준을 나타내는 현행 지침과 동일하게 6단계로 구분하였으며, 각 단계를 구분하는 경계값에 해당하는 점유율 역 시 도출하였다. 최종적으로 분할된 이미지들을 합쳐 영상에서 연속적인 인파분석 기법을 적용할 수 있도록 하였다. 향후에는 test dataset을 할용하여 해당 인파분석 기법의 적정성을 검토할 예정이며, 객체 검지 방식을 사용하는 기존의 모델과 성능을 비교하여 해당 기법의 우수성을 검토할 예정이다. 본 연구가 새로운 방식의 인파 혼잡도의 서비스수준 기준을 제공하는 모델을 개발하는 것을 목적 으로 함에 따라 실제 현장에 이 방법론을 적용할 시 인파밀집사고 예방 및 관리에 기여할 수 있을 것이다.