3D Reconstruction 기반 공간 밀집인파 관제 시스템

프로젝트 개요

기존 YOLO/Density Estimation 기반 관제의 근본 한계인 2D 카메라 원근 왜곡 문제를 해결하기 위해, 3D Reconstruction과 BEV(Bird's-Eye View) 투영을 결합한 공간 기반 밀집도 분석 시스템을 연구·개발하고 실서비스에 적용했습니다.

문제 정의

기존 YOLO 기반 Object Detection 및 Density Estimation 기반 Crowd Counting은 모두 2D Camera View를 기준으로 분석하기 때문에, 카메라와의 거리·촬영 각도에 따라 동일한 영상 영역이라도 실제 커버하는 면적이 달라지는 원근 왜곡 문제가 존재합니다. 이로 인해 화면상의 사람 수나 Density Map만으로는 "실제 공간 1m²당 몇 명이 있는가"와 같은 절대적인 밀집도를 정확하게 산출하기 어렵습니다.

해결 접근

현장 공간을 3D Reconstruction하여 실제 공간 구조를 복원하고 생성된 3D Point Cloud를 BEV 좌표계로 변환했습니다. Camera View와 3D Reconstruction 공간 간의 좌표 관계를 Alignment·매핑하여 Crowd Density Estimation 모델의 밀도 정보를 BEV 공간으로 투영함으로써 원근 왜곡을 제거했습니다. 이후 BEV상의 고밀도 영역을 공간적으로 Clustering하여 실제 군중이 형성된 영역과 면적·밀도를 분리 산출하도록 설계했습니다. 전체 파이프라인은 다음과 같습니다: Camera View → Crowd Density Estimation → Camera–3D Alignment → BEV Projection → Spatial Density Mapping → Density Clustering → Congestion Detection

주요 화면

담당 역할

• Crowd Density Estimation 모델 개발 및 데이터셋 구성·Annotation 기준 수립
• 현장 공간 3D Reconstruction 및 BEV 좌표계 생성
• Camera View와 3D 공간 간 Alignment·매핑 구현
• Density Map의 BEV 공간 투영 및 Spatial Density Mapping 구현
• BEV 상 고밀도 군집 영역 Clustering 및 면적·밀도 산출 로직 개발
• Edge AI 환경 모델 최적화 및 관제 서버 연동
• 현장 테스트·성능 검증 및 고객사 커뮤니케이션·일정 관리

성과 및 기여

• 단순 인원 계수를 넘어 실제 공간 면적 기반 군중 밀집도 및 고밀도 군집 영역 탐지 시스템 연구·개발 및 실서비스 적용
• Camera View 원근 왜곡 제거로 공간 단위 절대 밀집도 산출 가능
• 관제 화면·알림 시스템 연동 완료

기술 스택