법과학을 위한 컴퓨터 비전: 숨겨진 단서 감지

수사는 범죄 현장에서 수집한 물리적 증거에 크게 의존하며, 이러한 증거 중 상당수는 시각적 증거입니다. 전통적으로 이러한 단서를 수집하는 작업은 현장 사진 촬영, 배치도 스케치, 물체 라벨링, 수사관의 숙련된 관찰력에 의존해 미묘한 세부 사항을 찾아내는 등 수작업으로 이루어졌습니다.

수년에 걸쳐 열화상 카메라와 지문 스캐너 같은 도구가 이러한 작업을 지원하며 범죄 해결에 중요한 역할을 해왔습니다. 그러나 이제 AI와 컴퓨터 비전 덕분에 수사는 더욱 고도화되고 있습니다. 기계는 시각적 증거를 더 빠르고 정확하게, 훨씬 더 큰 규모로 분석하는 데 도움을 줄 수 있습니다.

특히 컴퓨터 비전은 기계가 이미지와 동영상을 보고 이해할 수 있도록 하는 영향력 있는 기술입니다. 이러한 시스템은 대량의 시각 데이터를 신속하게 처리하고 분석하여 수사관이 범죄를 더 빠르게 해결하도록 지원할 수 있습니다.

수사에서 AI 기반 도구의 이점이 커지면서 글로벌 AI 기반 디지털 포렌식 도구 시장은 2025년에 49억 8천만 달러 규모로 평가되었으며, 2031년에는 177억 달러에 이를 것으로 예상됩니다.

그림 1. 글로벌 AI 기반 디지털 포렌식 시장(출처).

이 글에서는 법과학 수사에 컴퓨터 비전을 활용하는 방법과 시각적 증거를 식별, 분석 및 해석하는 데 컴퓨터 비전이 어떻게 도움을 줄 수 있는지 살펴봅니다.

법과학에서 AI와 컴퓨터 비전의 역할#

컴퓨터 비전은 기계가 현실 세계의 시각 정보를 해석하고, 그 이해를 바탕으로 의사 결정을 내릴 수 있도록 합니다. 구체적으로 법과학에서는 AI를 사용하여 무기나 부상과 같은 요소를 탐지하고, 차량을 추적하며, 인상적인 속도와 정확도로 범죄 현장의 3D 모델을 재구성할 수도 있습니다.

법과학 수사는 여전히 수동 관찰과 전문가 지식에 의존하지만, 이 과정은 시간이 많이 걸리고 일반적으로 한 번에 하나의 사건에 집중됩니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 더 빠르고 확장 가능한 접근 방식을 제공합니다. 이러한 모델은 현장을 스캔하고, 주요 물체를 식별하며, 객체 탐지 및 이미지 분류와 같은 Vision AI 작업을 사용하여 증거를 분류할 수 있습니다.

예를 들어 수백 시간 분량의 감시 영상을 수동으로 검토하는 대신, 컴퓨터 비전 모델은 영상 스트림을 자동으로 스캔하여 비정상적인 움직임, 배회 또는 방치된 물체와 같은 의심스러운 활동을 탐지할 수 있습니다. 수사관이 검토할 특정 시간대와 위치를 표시하여 관련 증거를 찾는 데 필요한 시간과 노력을 크게 줄일 수 있습니다.

법과학에서 Vision AI의 활용 사례#

컴퓨터 비전은 수사관이 시각적 증거를 수집하고 연구하는 방식을 바꾸고 있습니다. 오늘날 법과학 업무에 컴퓨터 비전이 어떻게 활용되는지 자세히 살펴보겠습니다.

컴퓨터 비전을 사용한 감시 영상 분석#

감시에 사용되는 가장 일반적인 컴퓨터 비전 기술 중 하나는 객체 추적으로, 동영상 프레임 전반에서 사람, 차량 또는 물품을 추적하는 방식입니다. 이러한 시스템은 모든 상황에 맞게 수동으로 프로그래밍되는 대신 실제 영상에서 학습하고 ‘정상적인’ 상황이 어떤 모습인지 빠르게 파악합니다. 이를 통해 조용한 지역에서 배회하는 사람, 제한 구역에 있는 차량 또는 공공장소에 방치된 가방과 같은 비정상적인 행동을 자동으로 식별할 수 있습니다.

이 기술은 수사 중에 유용하게 활용될 수 있습니다. 예를 들어 목격자가 오전 11시부터 오후 1시 사이에 교차로에서 빨간색 픽업트럭을 봤다고 진술한 경우, 컴퓨터 비전은 몇 시간 분량의 CCTV 영상을 스캔하여 빨간색 트럭이 등장하는 모든 장면을 찾아내고 수사관이 영상을 모두 수동으로 검토하지 않아도 되도록 합니다. 컴퓨터 비전은 과거에 수 시간 또는 수 일이 걸리던 작업을 자동화하여 실시간 모니터링과 증거 검토를 모두 더 빠르고 지능적이며 효과적으로 만듭니다.

그림 2. Vision AI를 사용한 CCTV 영상 분석 및 빨간색 픽업트럭 추적(출처).

산불 수사에서의 AI 활용#

화재 관련 사건이 발생한 후에는 시간이 매우 중요하며, 물리적 증거가 훼손되거나 소실되는 경우가 많습니다. 컴퓨터 비전 기술은 위성 이미지, 드론 영상, CCTV, 열화상 스캔 등 다양한 시각 데이터 소스를 분석하여 사건의 진행 순서를 재구성함으로써 이러한 공백을 메우는 데 도움을 줍니다.

이러한 도구는 화재 발생 지점을 탐지하고, 잠재적인 인화성 물질을 식별하며, 현장 주변의 사람이나 차량 활동을 추적할 수 있습니다. 범죄 데이터베이스 및 사건 보고서와 결합하면 시스템은 여러 지역에 걸쳐 반복되는 화재 발생 위치, 용의자의 행동 또는 조직적인 방화와 같은 패턴을 발견할 수 있습니다.

실제 사례로는 호주 뉴사우스웨일스에서 경찰이 2019~2020년 산불 수사 중 Insights라는 컴퓨터 비전 플랫폼을 사용한 경우가 있습니다. 이 플랫폼은 CCTV 영상, 지리 공간 데이터, 풍향 및 낙뢰 기록과 같은 환경 데이터를 분석했습니다. 또한 객체 인식을 사용하여 방대한 감시 영상에서 차량이나 장비와 같은 관련 시각 요소를 식별했습니다.

수사관은 이러한 분석 결과를 휴대전화 위치 정보 및 지도와 겹쳐 표시하여 사람의 활동을 특정 화재 사건과 연결하고, 공식 조사에서 이 데이터를 시각적으로 제시할 수 있었습니다. 이러한 접근 방식은 수사 과정을 가속화했습니다.

그림 3. 화재 잔해를 살펴보는 법과학 수사관(출처).

컴퓨터 비전을 사용한 범죄 현장 재구성#

법과학의 3D 재구성은 사진 촬영, 레이저 스캐닝, LiDAR, 컴퓨터 비전과 같은 기술을 결합하여 범죄 현장의 상세하고 실제 축척에 맞는 모델을 생성합니다. 이러한 재구성을 통해 수사관은 기존의 2D 사진으로는 제공하기 어려운 수준의 정확도와 상호작용성으로 물체 배치, 혈흔 패턴, 탄환 궤적을 시각화할 수 있습니다. 이 기술은 가상 현장 탐색과 정밀한 측정을 가능하게 하여 분석 및 법정 발표를 향상합니다.

3D 재구성 및 가상 현실 (VR)은 실제 수사를 넘어 법과학 교육도 새롭게 바꾸고 있습니다. 교육 환경에서 학생들은 VR 헤드셋을 사용하여 모의 범죄 현장을 탐색하고, 증거를 식별하며, 지문 스캐닝과 혈흔 분석 같은 기법을 연습할 수 있습니다. 이러한 몰입형 학습 방식은 안전하고 반복 가능한 환경에서 핵심 수사 역량을 길러 줍니다.

그림 4. VR 헤드셋을 사용하여 범죄 현장을 살펴보는 학생(출처).

Vision AI를 사용한 이미지 향상#

인도 케랄라에서 발생한 19년 전 사건이 최근 AI 기반 이미지 향상의 도움으로 해결되었습니다. 수사관들은 범죄 당시 촬영된 오래된 사진을 다시 검토하고, 이미지 처리와 인공지능을 결합하여 얼굴 특징을 선명하게 하고 용의자의 최신 모습을 재현했습니다. 향상된 이미지 중 하나가 온라인에 공유된 결혼식 사진 속 인물과 매우 흡사했으며, 이는 결국 사건 해결의 돌파구로 이어졌습니다.

이 사건은 특히 AI와 전통적인 이미지 향상을 결합한 현대 법과학 도구가 법 집행 기관이 장기 미제 수사를 다시 검토하고 해결하는 데 어떻게 도움을 줄 수 있는지 보여주는 좋은 사례입니다. 가려진 세부 사항을 드러내거나 시간이 지나 크게 변한 사람을 식별함으로써 이러한 기술은 디지털 포렌식 분야에서 강력한 도구로 입증되고 있습니다.

증거 추출을 위한 인스턴스 세그멘테이션 활용#

인스턴스 세그멘테이션은 이미지 내 개별 객체를 식별하고 각 객체의 윤곽을 픽셀 단위의 정밀한 마스크로 표시할 수 있는 컴퓨터 비전 작업입니다. 이를 통해 수사관은 지저분하거나 복잡한 환경에서도 주요 증거를 정밀하게 분리할 수 있습니다.

흙이나 눈 위에 여러 사람의 발자국 또는 서로 겹치는 타이어 자국이 보이는 범죄 현장을 생각해 보겠습니다. 인스턴스 세그멘테이션은 각각을 구분하고 개별적으로 윤곽을 표시할 수 있습니다. 이를 통해 배경의 혼잡한 요소에 방해받지 않고 이동 패턴, 차량 경로 또는 용의자의 이동 궤적을 더 쉽게 분석할 수 있습니다.

현장 분석을 넘어 인스턴스 세그멘테이션은 법과학 이미지에도 적용되고 있습니다. 취리히 법의학 연구소의 한 연구에서 연구진은 이 기술을 사용하여 다양한 상처 유형을 식별했습니다. 연구진은 4,666개의 상처가 포함된 1,753개의 법과학 이미지를 사용하여 비전 모델을 학습시켰습니다.

학습된 모델은 자상과 화상을 포함한 7가지 부상 유형을 탐지하고 분류할 수 있었습니다. 이는 Vision AI가 부상 패턴을 빠르고 정확하게 분석하고, 시간을 절약하며, 법과학 이미지 평가의 일관성을 높여 수사관을 지원할 수 있음을 보여주었습니다.

Vision AI로 구현하는 자동 번호판 인식#

자동 차량 번호판 인식 (ANPR) 또는 번호판 인식(LPR)은 이미지나 동영상에서 차량 번호판 번호를 자동으로 감지하고 읽어 추출하는 데 중점을 둔 컴퓨터 비전 애플리케이션입니다. 일반적으로 YOLO11과 같은 컴퓨터 비전 모델을 사용하여 객체를 감지하고 프레임 내에서 번호판의 위치를 찾습니다.

번호판이 식별되면 광학 문자 인식(OCR)을 적용하여 영숫자 문자를 추출합니다. 그런 다음 이 정보를 데이터베이스와 대조하여 차량 소유자를 식별하거나 차량의 과거 이동 경로를 추적할 수 있습니다. ANPR은 실종자, 차량 절도, 교통 법규 위반 또는 뺑소니 사건과 관련된 수사에서 특히 유용합니다.

예를 들어 실종자 사건에서 법 집행 기관은 차량 번호를 LPR 시스템에 입력할 수 있습니다. 해당 차량이 감시 카메라에 포착되면 시스템이 위치를 자동으로 표시하여 경찰관이 신속하게 대응할 수 있도록 합니다. LPR은 통합 감시 네트워크를 통해 신속하고 정확한 추적을 제공함으로써 도난 차량이나 뺑소니와 같은 사건에서도 핵심적인 역할을 합니다.

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

법과학에서 AI 사용의 장단점#

AI와 컴퓨터 비전은 법과학 수사의 효율성, 접근성 및 신뢰성을 향상하는 여러 주요 이점을 제공합니다. 고려해야 할 주요 장점은 다음과 같습니다.

• 원격 분석: 컴퓨터 비전을 사용하면 법과학 수사관이 현장에 직접 उपस्थित하지 않아도 어디서든 이미지, 동영상, 3D 모델과 같은 범죄 현장 및 증거를 확인할 수 있습니다.
• 장기 아카이브: 비전 시스템이 처리한 데이터는 체계적으로 정리되고 쉽게 검색할 수 있습니다. 향후 필요할 경우 이전 사건에 대해 개선된 모델을 사용하여 데이터를 다시 검토하고 재분석할 수 있습니다.
• 일관성: 시각 정보를 경험에 따라 다르게 해석할 수 있는 사람과 달리 컴퓨터 비전 모델은 매번 동일한 규칙을 적용하므로 더 일관되고 균일한 분석 결과를 제공합니다.

컴퓨터 비전은 큰 잠재력을 지니고 있지만 법과학에 적용할 때 고려해야 할 몇 가지 과제도 있습니다. 주요 과제는 다음과 같습니다.

• 입력 품질: 비전 모델은 입력받는 데이터의 품질에 크게 의존합니다. 이미지가 흐리거나 조명이 좋지 않거나 해상도가 낮으면 컴퓨터 비전 솔루션이 중요한 세부 사항을 놓치거나 잘못 해석할 수 있습니다. 올바른 데이터 증강 전략을 적용하면 이러한 문제를 완화할 수 있습니다.
• 미관측 데이터의 어려움: 컴퓨터 비전 모델은 학습 데이터와 다른 비정상적인 객체나 범죄 현장처럼 새로운 대상을 마주하면 제대로 작동하지 않을 수 있습니다. 이를 ‘드리프트’라고 합니다.
• 법적 과제: 수사에 컴퓨터 비전을 사용하면 증거의 법정 증거능력, 데이터의 개인정보 보호 수준, 시스템 의사 결정의 투명성 등에 관한 법적 문제가 제기될 수 있습니다.

핵심 요점#

컴퓨터 비전은 여전히 발전하는 중이지만 이미 법과학의 운영 방식을 변화시키고 있습니다. 인스턴스 세그멘테이션을 통한 작은 증거 조각의 탐지 및 윤곽 표시부터 3D 범죄 현장 모델 구축과 문서 향상에 이르기까지, 컴퓨터 비전은 수사 업무의 모든 단계에서 수사관을 지원합니다.

앞으로 컴퓨터 비전은 AI 및 머신 러닝과 더욱 긴밀하게 연계되어 과거 사건 데이터를 활용해 패턴을 더 빠르게 파악하고 더 나은 예측을 수행할 가능성이 높습니다. 기술이 계속 발전함에 따라 범죄를 해결하는 새롭고 향상된 방법도 계속 제공할 것입니다.

컴퓨터 비전에 대해 더 알아보려면 커뮤니티와 GitHub 리포지토리에 참여해 보세요. 솔루션 페이지에서 제조 분야의 AI 및 농업 분야의 컴퓨터 비전과 같은 활용 사례를 살펴보세요. 라이선싱 옵션을 확인하고 지금 바로 컴퓨터 비전 개발을 시작해 보세요!