법과학을 위한 컴퓨터 비전: 숨겨진 단서 탐지

수사는 범죄 현장에서 수집한 물리적 증거에 크게 의존하며, 그중 상당수는 시각적 증거입니다. 전통적으로 이러한 단서를 수집하는 작업은 수동으로 이루어졌습니다. 현장을 촬영하고, 배치도를 스케치하며, 물체에 라벨을 붙이고, 훈련받은 수사관의 눈으로 미묘한 세부 사항을 찾아냈습니다.

오랫동안 열화상 카메라와 지문 스캐너 같은 도구가 이러한 작업을 지원하며 범죄 해결에 중요한 역할을 해왔습니다. 하지만 이제 AI와 컴퓨터 비전 덕분에 수사 기술이 더욱 발전하고 있습니다. 기계는 시각적 증거를 더 빠르고 정확하게, 훨씬 더 큰 규모로 분석하는 데 도움을 줄 수 있습니다.

특히 컴퓨터 비전은 기계가 이미지와 동영상을 보고 이해하도록 하는 강력한 기술입니다. 이러한 시스템은 방대한 양의 시각 데이터를 신속하게 처리하고 분석하여 수사관이 범죄를 더 빠르게 해결하도록 돕습니다.

수사에서 AI 기반 도구의 이점으로 인해 AI 기반 디지털 포렌식 도구의 글로벌 시장은 2025년에 49억 8천만 달러 규모에 도달했으며, 2031년에는 177억 달러 규모로 성장할 것으로 예상됩니다.

그림 1. AI 기반 디지털 포렌식 시장의 글로벌 현황 (출처).

이 글에서는 컴퓨터 비전을 포렌식 수사에 활용하는 방법과 시각적 증거를 식별하고 분석하며 해석하는 데 컴퓨터 비전이 어떻게 도움이 되는지 살펴보겠습니다.

포렌식에서 AI와 컴퓨터 비전의 역할#

컴퓨터 비전은 기계가 현실 세계의 시각 정보를 해석하고 그 이해를 바탕으로 결정을 내릴 수 있게 합니다. 특히 법과학 분야에서는 AI를 사용해 무기나 부상과 같은 요소를 감지하고 차량을 추적하며 범죄 현장의 3D 모델을 빠르고 정확하게 재구성할 수도 있습니다.

법의학 수사는 여전히 수동 관찰과 전문가 지식에 의존하지만, 이 과정은 시간이 오래 걸리고 일반적으로 한 번에 하나의 사건에만 집중합니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 더 빠르고 확장성 높은 접근 방식을 제공합니다. 이러한 모델은 장면을 스캔하고 주요 객체를 식별하며 객체 감지 및 이미지 분류와 같은 비전 AI 작업을 사용해 증거를 분류할 수 있습니다.

예를 들어, 수백 시간 분량의 감시 영상을 수동으로 검토하는 대신 컴퓨터 비전 모델이 영상 스트림을 자동으로 스캔해 배회, 비정상적인 움직임, 물체를 두고 가는 행위와 같은 의심스러운 활동을 감지할 수 있습니다. 검토가 필요한 특정 시간대와 위치를 표시해 관련 증거를 찾는 데 필요한 시간과 노력을 크게 줄일 수 있습니다.

포렌식에서 Vision AI의 적용 사례#

컴퓨터 비전은 수사관이 시각적 증거를 수집하고 조사하는 방식을 바꾸고 있습니다. 오늘날 포렌식 업무에서 컴퓨터 비전이 어떻게 활용되는지 자세히 살펴보겠습니다.

컴퓨터 비전을 활용한 감시 영상 분석#

감시에 가장 흔히 사용되는 컴퓨터 비전 기법 중 하나는 동영상 프레임을 따라 사람, 차량, 물체를 추적하는 객체 추적입니다. 모든 상황에 맞춰 수동으로 프로그래밍하는 대신, 이러한 시스템은 실제 동영상으로부터 학습해 ‘정상적인’ 상황이 어떤 모습인지 빠르게 파악합니다. 이를 통해 조용한 장소에서 배회하는 사람, 출입 제한 구역에 있는 차량, 공공장소에 방치된 가방과 같은 비정상적인 행동을 자동으로 찾아낼 수 있습니다.

이 기술은 수사 과정에서 유용하게 활용될 수 있습니다. 예를 들어 목격자가 오전 11시부터 오후 1시 사이 교차로에서 빨간 픽업트럭을 봤다고 진술하면 컴퓨터 비전으로 몇 시간 분량의 CCTV 영상을 스캔해 빨간 트럭이 등장하는 모든 장면을 찾아낼 수 있습니다. 그 결과 수사관이 영상을 전부 수동으로 검토할 필요가 없어집니다. 몇 시간 또는 며칠이 걸리던 작업을 자동화해 실시간 모니터링과 증거 검토를 더 빠르고 스마트하며 효과적으로 수행할 수 있습니다.

그림 2. Vision AI를 활용한 CCTV 영상 분석 및 빨간 픽업트럭 추적 (출처).

산불 수사에 AI 활용하기#

화재 관련 사건이 발생한 뒤에는 시간이 중요하며 물리적 증거가 훼손되거나 파괴되는 경우가 많습니다. 컴퓨터 비전 기술은 위성 이미지, 드론 영상, CCTV, 열화상 스캔 등 다양한 시각 데이터 소스를 분석해 사건의 전개 과정을 재구성함으로써 이러한 공백을 메워 줍니다.

이러한 도구는 화재 발생 지점을 감지하고, 잠재적인 발화 촉진 물질을 식별하며, 현장 인근의 사람이나 차량 활동을 추적할 수 있습니다. 범죄 데이터베이스 및 사건 보고서와 결합하면 여러 지역에서 반복되는 화재 발생 지점, 용의자의 행동, 조직적인 방화와 같은 패턴을 찾아낼 수 있습니다.

실제 사례로는 2019~2020년 산불 수사에서 경찰이 Insights라는 컴퓨터 비전 플랫폼을 사용한 호주 뉴사우스웨일스주 사례가 있습니다. 이 플랫폼은 CCTV 영상, 지리 공간 데이터, 풍향 및 낙뢰 기록과 같은 환경 정보를 분석했습니다. 또한 객체 인식 기능을 사용해 방대한 감시 영상에서 차량이나 장비와 같은 관련 시각 요소를 식별했습니다.

이러한 분석 결과를 휴대전화 위치 정보 및 지도와 겹쳐 보여 줌으로써 수사관은 사람의 활동을 특정 화재 사건과 연결하고 공식 심리에서 이 데이터를 시각적으로 제시할 수 있었습니다. 이러한 접근 방식은 수사 절차를 단축했습니다.

그림 3. 화재 잔해를 살펴보는 포렌식 수사관 (출처).

컴퓨터 비전을 활용한 범죄 현장 재구성#

포렌식의 3D 재구성은 사진 촬영, 레이저 스캐닝, LiDAR, 컴퓨터 비전과 같은 기술을 결합해 범죄 현장을 상세하고 실제 크기에 맞게 모델링합니다. 이러한 재구성을 통해 수사관은 기존 2D 사진으로는 구현하기 어려운 정확도와 상호작용성을 바탕으로 물체의 배치, 혈흔의 비산 양상, 탄환의 궤적을 시각화할 수 있습니다. 또한 가상 현장 탐색과 정밀 측정을 지원해 분석 및 법정 발표의 품질을 높입니다.

진행 중인 수사 외에도 3D 재구성과 가상 현실(VR)은 법의학 교육도 변화시키고 있습니다. 학술 환경에서 학생들은 VR 헤드셋을 사용해 시뮬레이션된 범죄 현장을 둘러보고 증거를 식별하며 지문 스캔 및 혈흔 분석과 같은 기법을 연습할 수 있습니다. 이러한 몰입형 학습 방식은 안전하고 반복 가능한 환경에서 핵심 수사 기술을 길러 줍니다.

그림 4. VR 헤드셋을 쓰고 범죄 현장을 살펴보는 학생 (출처).

Vision AI를 활용한 이미지 개선#

인도 케랄라주에서 19년 된 사건이 최근 AI 기반 이미지 개선의 도움으로 해결되었습니다. 수사관들은 범죄 당시 촬영된 오래된 사진을 다시 검토하고, 이미지 처리와 인공지능을 결합해 얼굴 특징을 선명하게 하고 용의자의 업데이트된 인상착의를 생성했습니다. 개선된 이미지 중 하나가 온라인에 공유된 결혼식 사진 속 인물과 매우 비슷해 보였고, 결국 사건 해결의 돌파구로 이어졌습니다.

이 사례는 특히 AI와 기존 이미지 개선 기술의 통합과 같은 현대 포렌식 도구가 법 집행 기관의 장기 미해결 사건 재검토 및 해결에 어떻게 도움이 되는지 잘 보여 줍니다. 가려진 세부 사항을 드러내거나 시간이 지나 크게 달라진 인물을 식별함으로써 이러한 기술은 디지털 포렌식 분야에서 강력한 도구로 입증되고 있습니다.

인스턴스 분할을 활용한 증거 추출#

인스턴스 분할은 이미지 속 개별 물체를 식별하고 각 물체의 윤곽을 픽셀 단위의 상세한 마스크로 표시할 수 있는 컴퓨터 비전 작업입니다. 이를 통해 수사관은 복잡하거나 어수선한 환경에서도 주요 증거를 정밀하게 분리할 수 있습니다.

흙이나 눈 위에 여러 사람의 발자국이나 서로 겹친 타이어 자국이 남아 있는 범죄 현장을 생각해 보겠습니다. 인스턴스 분할을 사용하면 각각을 구분해 개별적으로 윤곽을 표시할 수 있습니다. 따라서 주변의 복잡한 요소에 방해받지 않고 이동 패턴, 차량 경로, 용의자의 이동 궤적을 더 쉽게 분석할 수 있습니다.

현장 분석뿐 아니라 인스턴스 분할은 포렌식 이미지에도 활용되고 있습니다. 취리히 법의학 연구소에서 진행한 연구에서 연구진은 이 기법을 사용해 다양한 상처 유형을 식별했습니다. 연구진은 상처 4,666개가 포함된 포렌식 이미지 1,753장을 사용해 비전 모델을 학습시켰습니다.

학습된 모델은 자상과 화상을 포함한 7가지 부상 유형을 감지하고 분류할 수 있었습니다. 이 사례는 비전 AI가 부상 패턴을 빠르고 정확하게 분석해 시간을 절약하고 법의학 이미지 평가의 일관성을 높임으로써 수사관을 지원할 수 있음을 보여 주었습니다.

Vision AI를 활용한 자동 번호판 인식#

자동 번호판 인식(ANPR) 또는 번호판 인식(LPR)은 이미지나 동영상에서 차량 번호판을 자동으로 감지하고 읽어 번호를 추출하는 데 초점을 둔 컴퓨터 비전 애플리케이션입니다. 일반적으로 프레임 내에서 번호판의 위치를 찾기 위해 YOLO11과 같은 객체 탐지용 컴퓨터 비전 모델을 사용합니다.

번호판이 식별되면 광학 문자 인식(OCR)을 적용해 문자와 숫자를 추출합니다. 그런 다음 이 정보를 데이터베이스와 대조해 차량 소유자를 식별하거나 과거 이동 경로를 추적할 수 있습니다. ANPR은 실종자, 차량 도난, 교통 위반 또는 뺑소니 사건과 관련된 수사에서 특히 유용합니다.

예를 들어 실종자 사건에서 법 집행 기관은 LPR 시스템에 번호판 번호를 입력할 수 있습니다. 해당 차량이 감시 카메라에 포착되면 시스템이 위치를 자동으로 표시해 경찰관이 신속하게 대응하도록 지원합니다. LPR은 통합 감시 네트워크를 통해 빠르고 정확하게 추적함으로써 도난 차량이나 뺑소니 사건에서도 중요한 역할을 합니다.

그림 5. Ultralytics YOLO11을 사용한 번호판 감지(출처).

포렌식에서 AI를 사용할 때의 장단점#

AI와 컴퓨터 비전은 포렌식 조사의 효율성, 접근성, 신뢰성을 높이는 여러 가지 주요 이점을 제공합니다. 고려해야 할 주요 장점은 다음과 같습니다.

• 원격 분석: 컴퓨터 비전을 사용하면 법의학 수사관이 직접 현장에 가지 않고도 어디서든 범죄 현장과 이미지, 동영상, 3D 모델과 같은 증거를 확인할 수 있습니다.
• 장기 보관 자료: 비전 시스템이 처리한 데이터는 체계적으로 정리하고 쉽게 검색할 수 있습니다. 나중에 필요할 경우, 개선된 모델을 사용해 과거 사건의 데이터를 다시 검토하고 분석할 수 있습니다.
• 일관성: 경험에 따라 시각 정보를 다르게 해석할 수 있는 사람과 달리, 컴퓨터 비전 모델은 매번 동일한 규칙을 적용하므로 분석의 일관성과 균일성이 높아집니다.

컴퓨터 비전은 포렌식 분야에서 큰 잠재력을 지니지만, 염두에 두어야 할 몇 가지 과제도 있습니다. 주요 과제는 다음과 같습니다.

• 입력 품질: 비전 모델은 입력 데이터의 품질에 크게 의존합니다. 이미지가 흐리거나 조명이 어둡거나 해상도가 낮으면 컴퓨터 비전 솔루션이 중요한 세부 사항을 놓치거나 잘못 해석할 수 있습니다. 학습 중 적절한 데이터 증강 전략을 적용하면 이러한 문제를 부분적으로 완화할 수 있습니다.
• 미관측 데이터 처리의 어려움: 컴퓨터 비전 모델은 특이한 객체나 학습 데이터와 다른 범죄 현장처럼 새로운 대상을 접하면 어려움을 겪을 수 있습니다. 이는 데이터 드리프트와 밀접한 관련이 있습니다.
• 법적 문제: 수사에 컴퓨터 비전을 사용하면 증거의 법정 채택 가능성, 데이터의 개인정보 보호 수준, 시스템 결정의 투명성과 같은 법적 문제가 제기될 수 있습니다.

핵심 요점#

컴퓨터 비전은 계속 발전하고 있지만, 이미 법과학의 운영 방식을 바꾸고 있습니다. 인스턴스 세그멘테이션으로 작은 증거 조각을 감지하고 윤곽을 표시하는 것부터 3D 범죄 현장 모델을 구축하고 이미지를 개선하는 것까지, 수사관의 모든 업무 단계를 지원합니다.

앞으로 컴퓨터 비전은 AI 및 머신러닝과 더욱 긴밀하게 연계되어 과거 사건 데이터를 바탕으로 패턴을 더 빠르게 포착하고 더 나은 예측을 내놓을 가능성이 큽니다. 기술이 계속 발전함에 따라 범죄를 해결할 새로운 방법도 계속 등장할 것입니다.

컴퓨터 비전에 대해 자세히 알아보려면 커뮤니티와 GitHub 저장소에 참여해 보세요. 솔루션 페이지에서 제조업의 AI 및 농업 분야의 컴퓨터 비전과 같은 애플리케이션을 살펴보세요. 라이선스 옵션을 확인하고 지금 바로 컴퓨터 비전으로 개발을 시작해 보세요!