사람 수 및 점유 분석의 실제 작동 방식

대부분의 인원 계수 프로젝트는 센서를 선택하기도 전에 잘못된 방향으로 진행됩니다. "사람이 몇 명인가"는 서로 다른 네 가지 측정값을 가리키는데, 팀이 그중 잘못된 값을 지정하기 때문입니다. 하루 동안 입장한 인원, 현재 있는 인원, 각 인원이 머문 시간, 대기열에서 기다리는 인원은 각각 다른 센싱 방식과 설치 위치, 정확도가 필요합니다. 입장 인원을 정확히 세는 시스템도 재실 인원은 부정확하게 보고할 수 있으며, 재실 인원 측정에 맞춰 조정한 시스템은 짧은 입장을 완전히 놓칠 수 있습니다.

이 가이드에서는 네 가지 측정값을 구분하고 센싱 방법(WiFi와 BLE, 적외선 빔, 비행시간, 열화상, 스테레오 및 카메라 기반 비전)을 객관적으로 비교합니다. 구매할 만한 제품과 팀이 Ultralytics YOLO 모델로 카메라 기반 계수 시스템을 직접 구축하는 방법도 다룹니다.

하나가 아닌 네 가지 측정값#

재실 인원은 팀이 예상하지 못하는 경우가 많은 항목입니다. 입장 인원에서 퇴장 인원을 빼서 계산하면 모든 계수 오차가 누적됩니다. 문을 통과하는 모든 이동에서 작은 방향 오차가 반복되면 영업 종료 시점에는 계수가 상당히 부정확해집니다. 신뢰할 수 있는 재실 인원 측정이 필요한 시스템은 전체 영역을 직접 감지하거나, 일반적으로 밤사이와 같이 인원이 없는 것으로 확인된 상태에서 계수를 초기화합니다.

센싱 방법 비교#

실질적인 절충점은 맥락과 단순성 사이에 있습니다. 출입문 위에 설치하는 ToF 센서는 한 가지 작업을 매우 잘 수행하지만 그 외 정보는 제공하지 않습니다. 카메라 기반 비전은 동일한 스트림에서 방향, 영역, 체류 시간, 대기열 및 객체 클래스를 제공하는 대신 조명, 가림 현상 및 연산 문제를 해결해야 합니다.

입구가 하나이고 입장 인원만 중요하다면 천장 설치형 ToF가 일반적으로 더 나은 엔지니어링 선택이며 개인정보 보호 관련 논의도 간단합니다. 여러 영역을 분석하거나 대기열을 파악하거나 계수 결과를 다른 탐지 결과와 결합해야 한다면 요구 사항에 맞게 확장할 수 있는 방법은 비전입니다.

계수 정확도를 실제로 떨어뜨리는 요인#

업체가 제시하는 정확도 수치는 실제 배포 환경과 거의 비슷하지 않은 조건에서 측정되는 경우가 많습니다. 실제 환경의 정확도에 영향을 미치는 요인은 다음과 같습니다.

• 일행 및 나란히 걷는 보행자. 넓은 문을 어깨를 나란히 하고 통과하는 두 사람은 대표적인 과소 계수 사례입니다. 센서의 공칭 정확도보다 출입구 너비와 센서 감지 범위의 관계가 더 중요합니다.
• 가림 현상. 카트, 우산, 짐, 키가 큰 진열대와 밀집한 군중은 선명한 시야가 필요한 모든 방법에서 사람을 가립니다.
• 카메라 각도. 사람을 계수할 때는 비스듬한 시야보다 수직 하향 시야가 훨씬 정확합니다. 비스듬한 시야에서는 사람들이 서로 겹쳐 보이기 때문입니다. 낮은 각도로 설치한 보안 카메라를 재활용하는 것이 비전 계수의 성능이 기대에 못 미치는 가장 흔한 원인입니다.
• 조명. 일출과 일몰 시간대 역광이 비치는 출입구는 유리문 및 반사 바닥과 함께 비전 시스템에 가장 어려운 환경입니다.
• 출입구에서의 배회. 출입구에 서서 대화하는 사람은 지속성 규칙이 없으면 반복적인 통과 이벤트를 발생시킬 수 있습니다.
• 방문객의 정의. 직원, 청소 인력, 배송 인력 및 통행자는 시스템 결과와 수동 감사 결과 간 불일치를 일으키는 가장 큰 요인인 경우가 많습니다. 이는 센싱 문제가 아니라 정의의 문제입니다.
• 여러 카메라에서의 중복 계수. 영역을 서로 배타적으로 정의하거나 카메라 간에 추적 정보를 전달하지 않으면 시야가 겹치는 부분에서 같은 사람을 두 번 계수합니다.

어떤 시스템을 배포하든 가장 열악한 조건, 즉 가장 붐비는 시간대, 가장 나쁜 조명, 가장 넓은 출입구에서 수동 계수 결과와 비교해 검증하세요. 중요한 수치는 바로 이러한 조건에서의 정확도입니다.

구매 후보로 검토할 만한 제품#

목표가 방문객 수 보고, 재실 인원 대시보드 또는 소매점 전환율 분석이라면 다음은 성숙한 제품이므로 구매하는 것이 대체로 적절합니다. Ultralytics는 이러한 제품의 대안이 아닙니다.

Xovis. 출입구 계수, 대기열 관리 및 영역 분석의 정확도가 높은 천장 설치형 스테레오 비전 센서로, 공항과 대형 소매점에 널리 배포되어 있습니다. 계수 정확도가 운영상 중요한 환경에 가장 적합합니다. 절충점은 감지 영역마다 센서 하드웨어가 필요하므로 출입구가 넓거나 많으면 비용이 증가한다는 것입니다.

V-Count. 소매업에 특화된 인원 계수 및 분석 제품으로, 방문객 수, 재실 인원, 전환율 보고 기능을 플랫폼 계층에서 제공합니다. 기본 제공 보고 기능을 원하는 여러 지점의 소매업체에 가장 적합합니다. 절충점은 소매업 중심 분석 기능이 산업 현장이나 캠퍼스 환경에는 잘 맞지 않을 수 있다는 것입니다.

Density. 자체 익명 깊이 센서를 사용하는 직장 중심의 재실 인원 측정 제품으로, 부동산 및 공간 활용 관련 의사 결정에 초점을 둡니다. 사무 공간을 최적화하려는 기업 포트폴리오에 가장 적합합니다. 절충점은 소매 전환율이 아닌 직장 관련 문제에 맞춰 설계되었다는 것입니다.

FootfallCam. 폭넓은 소매업 지원과 다양한 센서 옵션을 갖춘 계수 하드웨어 및 분석 제품입니다. 하드웨어와 보고 기능을 한 공급업체에서 구매하려는 소매업체에 가장 적합합니다. 절충점은 모델 종류가 다양하므로 사양을 신중히 검토해야 한다는 것입니다.

RetailNext. 계수 결과를 더 광범위한 상품 관리 및 쇼핑객 행동 분석 제품에 활용하는 매장 내 분석 플랫폼입니다. 단순 방문객 수가 아니라 매장 실적을 파악하려는 소매업체에 가장 적합합니다. 절충점은 플랫폼의 범위가 계수를 훨씬 넘어 비용도 그에 따라 높다는 것입니다.

Sensormatic ShopperTrak. 상당한 시장 데이터에 기반한 오랜 역사의 소매 트래픽 계수 및 벤치마킹 제품입니다. 비교 벤치마크를 중시하는 소매업체에 가장 적합합니다. 절충점은 Enterprise 소매업 중심으로 설계되었다는 것입니다.

Axis. Axis 카메라에서 실행되는 애플리케이션을 집계하므로, 이미 Axis 장비를 보유하고 있고 추가 하드웨어 도입을 원하지 않는 경우에 유용합니다. Axis로 표준화한 조직에 가장 적합합니다. 단점은 해당 카메라 생태계에 종속된다는 점입니다.

Cisco Spaces. 기존 네트워크 인프라에서 점유율과 위치 정보를 파악합니다. 새로운 센서 없이 점유율을 확인하려는 대규모 캠퍼스에 가장 적합합니다. 단점은 기기 기반 감지 방식이므로 그에 따른 정밀도 한계가 있다는 점입니다.

카메라 기반 인원 집계 구축#

집계는 비교적 쉽게 시작할 수 있는 비전 프로젝트 중 하나이므로 첫 프로젝트로 자주 선택됩니다. 기계, 로봇, 현장 플랫폼, 출시할 제품 등 더 큰 시스템의 구성 요소로 집계가 필요하거나, 어떤 제품도 제공하지 않는 감지 결과와 집계 결과를 결합해야 하거나, 영상이 현장 밖으로 반출될 수 없는 경우에는 직접 구축할 가치가 있습니다.

파이프라인은 이미 잘 정립되어 있습니다.

프레임별로 사람을 감지합니다. Ultralytics YOLO 모델(YOLOv8, YOLO11, YOLO26)은 사람 감지를 처리하며, 동일한 모델이 한 번의 추론 과정에서 차량, 카트, 지게차 등 관심 있는 다른 클래스도 감지할 수 있습니다.

프레임 간 추적을 수행합니다. 집계하려면 200번 프레임의 사람이 199번 프레임의 사람과 동일한지 알아야 합니다. Ultralytics 모델은 시퀀스 전반에 걸쳐 지속적으로 유지되는 익명 ID를 할당하는 추적을 지원합니다. 가림 상황에서의 추적 품질은 감지 정확도보다 집계 품질에 훨씬 더 큰 영향을 미칩니다.

집계 영역을 정의합니다. 방향별 입장 및 퇴장 집계에는 선을, 영역 내 점유율 집계에는 다각형을 사용합니다. 트랙이 선의 어느 쪽에서 어느 쪽으로 넘어가는지에 따라 방향이 결정됩니다. 여러 카메라가 인접 영역을 촬영하는 경우, 한 사람이 중복 집계되지 않도록 구역이 서로 겹치지 않게 정의합니다.

지속성과 디바운싱을 추가합니다. 트랙이 집계되기 전에 N 프레임 동안 유지되도록 하고, 임계값 근처에 오래 머무는 한 사람이 반복해서 선을 통과한 것으로 집계되지 않도록 합니다. 대부분의 정확도 개선은 모델이 아니라 이 계층에서 이루어집니다.

배포 대상을 일찍 결정합니다. 여러 스트림에 대해 연속 추론을 수행하려면 실제 처리 용량을 고려해야 합니다. 대부분의 집계 작업에는 모든 프레임이 필요하지 않습니다. 카메라가 제공할 수 있는 프레임 속도가 아니라 사람이 선을 통과하는 속도를 기준으로 프레임 속도를 설정합니다. Ultralytics 모델은 카메라 옆의 엣지 하드웨어에서 사용할 수 있도록 ONNX, TensorRT 등의 형식으로 내보낼 수 있으며, 이 방식은 비디오를 로컬에 보관하는 데도 도움이 됩니다.

직접 촬영한 영상으로 학습합니다. 일반 모델은 사람을 잘 처리하지만, 유리문과 반사되는 바닥이 있는 특정 출입구의 일출 시간대 영상이 실제 환경에서의 정확도를 좌우합니다. Ultralytics Platform에서 SAM 기반 Smart Annotation으로 해당 영상에 주석을 달고 동일한 워크플로에서 학습할 수 있습니다.

가장 혼잡한 시간대와 조명이 가장 나쁜 조건에서 수동 집계와 비교해 검증하고, 카메라를 이동할 때마다 다시 검증합니다.

상용 제품이나 독점 시스템에 집계 기능을 포함하는 경우, Ultralytics YOLO 모델은 AGPL-3.0 라이선스로 제공되며 이러한 배포에는 일반적으로 Ultralytics Enterprise 라이선스가 필요합니다. 이 라이선스는 비공개 배포도 지원합니다. 파일럿을 출시 기능으로 전환하기 전에 라이선스 문제를 해결해야 합니다.

개인정보 보호: 집계는 누구도 식별하지 않아야 합니다#

집계는 설계 단계에서부터 실질적으로 개인정보를 보호하도록 구현할 수 있는 몇 안 되는 카메라 애플리케이션 중 하나이며, 그렇게 구현하면 대부분의 우려를 사전에 해소할 수 있습니다.

여기에 설명된 어떤 방식도 개인을 식별할 필요가 없습니다. 입장, 점유율, 체류 시간, 대기열 길이는 모두 익명 감지 결과와 사람이 프레임에 있는 동안에만 존재하는 익명 트랙을 사용합니다. Ultralytics는 안면 인식용 모델을 제공하지 않습니다. 집계 시스템에 식별 기능을 추가해도 이러한 측정값은 개선되지 않으며 법적 위험만 크게 증가합니다.

이 원칙을 지키는 설계 방식은 다음과 같습니다.

• 로컬에서 처리하고 집계 결과만 보관합니다. 출력이 일정 시간 간격별 숫자라면 숫자만 보관하고 프레임은 폐기합니다. - 시야를 벗어난 뒤에는 트랙 ID를 유지하지 않습니다. 프레임 가장자리에서 끝나는 트랙은 그곳에서 끝나야 합니다. 여러 카메라나 여러 방문에 걸쳐 같은 사람을 재식별하는 것은 의무가 크게 달라지는 별개의 시스템입니다. - 사용 사례에서 허용하는 경우 개별 이벤트를 기록하는 대신 시간 간격별로 집계합니다. - 안내문을 게시하고, 직장 환경이라면 근로자 대표와 협의합니다. 이는 EU 대부분 지역의 요구사항이며 모든 곳에서 권장되는 모범 사례입니다. - 집계만 필요한 경우 본질적으로 익명인 감지 방식을 우선 고려합니다. ToF 또는 열 감지로 문제를 해결할 수 있다면 더 간단하게 논의할 수 있습니다. - 데이터 보호 평가를 간소화할 수 있도록 카메라마다 사용 목적을 문서화합니다.

“카메라가 없다”고 해서 자동으로 “개인정보 보호 수준이 더 높다”는 뜻은 아닙니다. WiFi 및 BLE 집계는 기기 식별자를 사용하며, 여러 상황에서 GDPR상 개인정보에 해당합니다. 반면 집계 결과만 출력하는 열 센서는 개인정보를 전혀 처리하지 않습니다. 렌즈 사용 여부가 아니라 보관하는 데이터를 기준으로 방식을 판단해야 합니다.