제6부 센서·임무 탑재체

6.12 임무 데이터 처리: 영상 분석·객체 탐지·추적·지리정보 정합

6.12.1 이 장에서 배우는 것 / 선수 지식 / 특히 중요한 독자

센서가 모은 자료는 그 자체로는 결정이 아니다. 사진 수천 장은 정사영상과 수치표고모형이 되어야 측량 성과물이 되고, 탐지기의 경보는 사람이 확인해야 수색구조의 후보 위치가 된다. 이 장은 수집에서 배포까지의 처리 흐름을 세우고, 그 안의 네 가지 핵심 처리 — 사진측량, 객체 탐지·분류, 다중 객체 추적, 지리정보 정합 — 의 일반 원리와 성능을 재는 방법을 작성한다. 그리고 자료가 사람과 장소를 포함한다는 사실이 처리에 어떤 의무를 지우는지를 다룬다.

배우는 것:

• 처리 흐름 — 수집·전처리·정합·분석·검증·산출물·배포·보관의 단계와 각 단계의 입력·산출, 군의 처리·활용·배포(PED)와의 대응.
• 사진측량과 정사영상 — 구조 복원(SfM)과 번들 조정, 지상 기준점과 검사점, 중복도와 기선 비가 높이 정밀도를 정하는 식.
• 탐지 성능의 평가 — 정밀도·재현율·AP, 물체에 걸치는 화소 수와 탐지 확률의 관계, 드문 대상을 찾을 때 정밀도가 붕괴하는 기저율 문제, 영역 이동.
• 다중 객체 추적과 지리정보 정합 — 예측과 연관의 구조, 게이트가 커지는 조건, 시각 동기 오차가 위치 오차가 되는 크기.
• 수색구조의 탐색 효율 — 고전 탐색 이론의 탐지 확률 곡선과, 카메라 고도가 탐색 폭과 탐지 확률을 맞바꾸는 계산.
• 검증·사람의 역할·프라이버시와 법 — 사람이 확인하는 단계의 설계와, 우연히 찍힌 사람·차량 번호판의 처리.

선수 지식: 카메라의 화소 수와 시야각으로 표적의 화소 수를 구하는 식은 2.14.8.1, 좌표계와 정확도 표현은 4.1(4.1.3·4.1.6), 칼만 필터의 예측과 갱신은 4.4.3이다. 영상 센서는 6.3, 지리 위치 결정의 오차 예산은 6.10, 기체 위 처리와 링크는 6.11이 맡는다. 수식은 확률과 로그 수준이다.

특히 중요한 독자: 엔지니어는 6.12.4·6.12.6·6.12.7과 6.12.11의 워크스루를 본다. 측량·점검·재난 사업 담당자는 6.12.4(정확도)와 6.12.9(산출물), 6.12.12(검증)를 먼저 본다. 법무·정책 담당자는 6.12.13(프라이버시와 법)을 본다.

기준 시점과 경계. 이 장은 2026년 10월을 기준으로, 지식은 2026년 중반까지 반영했다. 수치는 일반적 모형, 교육용 가정이며 특정 알고리즘·제품의 성능이 아니다. 계산은 파이썬(표준 라이브러리 math)으로 했다(mil-uam/fig-src/6.12-calc.py). 이 장은 처리의 일반 원리와 성능 평가를 작성한다. 특정인을 식별하거나 추적하는 처리(얼굴 인식 등)의 구현과, 표적 선정에 사용하는 응용은 다루지 않는다. 머신러닝의 보증은 7.4, 학습 데이터의 거버넌스는 7.5가 맡는다.

6.12.2 개념·직관 — 자료는 결정이 될 때까지 값이 없다

무인기 한 대가 한 시간 날면 수천 장의 사진이나 수십 GB의 영상이 쌓인다. 그 양을 사람이 다 볼 수는 없다. 그래서 처리는 양을 줄이고 확실성을 높이는 일이다. 사진은 하나의 지도로, 영상은 물체 목록으로, 목록은 확인된 후보로 줄어든다. 단계마다 무엇을 버렸는지와 얼마나 틀릴 수 있는지를 함께 넘겨야 한다.

이 장에서 반복되는 생각은 셋이다.

1. 위치와 시각이 없는 자료는 쓸모가 없다. 탐지는 "어디에서 언제"가 붙어야 산출물이 된다. 그래서 전처리의 동기화와 정합이 분석만큼 중요하다.
2. 성능은 숫자 하나가 아니다. 탐지기의 정확도는 화소 수·장면·대상의 드묾에 따라 크게 달라진다. 실험실의 점수와 현장의 쓸모는 다르다.
3. 마지막 판단은 사람이 한다. 자동 처리는 사람이 볼 곳을 좁혀 주는 도구이고, 그 결과에 책임을 지는 것은 사람과 조직이다.

세 축의 요구는 이렇게 다르다.

6.12.3 처리 흐름 — 수집에서 폐기까지

처리의 시간 등급도 정한다. 기체 위나 지상에서 몇 초 안에 결과를 내는 실시간, 몇 분 안의 준실시간, 착륙 뒤 몇 시간에 걸친 후처리다. 실시간 등급은 링크와 탑재 연산의 제약을 받고(6.11), 후처리는 정확도를 산다. 같은 비행의 자료가 두 등급을 다 거치는 경우가 많다. 수색구조는 실시간 후보를 먼저 보내고, 측량은 후처리 성과물을 낸다. 임무가 끝난 뒤의 처리·배포·디브리핑 절차는 16.13이 다룬다.

6.12.4 사진측량과 정사영상

6.12.4.1 구조 복원과 번들 조정

구조 복원(SfM, structure from motion)은 중복되는 사진들에서 같은 점(연결점)을 찾아, 카메라의 위치·자세와 그 점들의 3차원 좌표를 함께 푼다. 마지막 단계인 번들 조정은 모든 사진의 모든 연결점에 대해 "점을 카메라로 투영한 위치"와 "사진에서 찾은 위치"의 차이를 최소화한다. 렌즈의 초점 거리와 왜곡도 함께 추정하는 경우가 많다(자체 보정). 그 결과로 밀집 점군, 수치표면모형(DSM), 정사영상이 나온다.

필요한 조건은 셋이다. 첫째, 중복도. 같은 점이 여러 장에 찍혀야 한다. 측량 비행은 흔히 진행 방향 70~80 %, 옆 방향 60~70 %를 잡는다 (경험 범위). 둘째, 질감. 물·눈·모래·유리처럼 특징이 없거나 움직이는 면에서는 연결점을 찾지 못한다. 셋째, 좌표의 기준. 사진만으로는 축척과 위치가 정해지지 않는다. 기체의 GNSS 위치(RTK·PPK, 2.7.8.1)나 지상 기준점(GCP)이 좌표를 묶는다.

6.12.4.2 정확도 — 기선 비와 검사점

결론부터: 수평 정밀도는 GSD의 일부로 정해지고, 높이 정밀도는 거기에 고도와 기선의 비($H/B$)를 곱한 만큼 나빠진다. 그래서 높이가 수평보다 2~3배 나쁘게 나오는 경우가 흔하다 (경험 범위).

$$\sigma_{XY}\approx\sigma_m\,\mathrm{GSD},\qquad \sigma_Z\approx\frac{H}{B}\,\sigma_m\,\mathrm{GSD}$$

$\sigma_m$은 사진에서 점을 찾는 정밀도(화소 단위), $B$는 두 사진 사이의 기선이다. 4000×3000화소·가로 시야 70° 카메라로 고도 100 m를 날면 GSD 3.50 cm, 진행 방향 발자국 105 m다. $\sigma_m$ 0.5화소로 둔 결과다.

중복도를 늘리면 이웃 쌍의 기선이 짧아져 그 쌍만 보면 높이가 나빠진다. 그러나 한 점을 보는 사진이 늘고, 그 가운데 가장 먼 쌍(기선 84.0 m)은 $H/B$ 1.19로 $\sigma_Z$ 2.1 cm를 준다. 번들 조정은 모든 광선을 함께 쓰므로 중복도는 정밀도와 신뢰성을 함께 산다. 대가는 사진 수와 처리 시간이다.

정확도는 검사점으로 입증한다. 검사점은 번들 조정에 넣지 않은 독립 지상점이다. 조정에 사용한 기준점의 잔차는 정확도가 아니라 "맞춘 정도"다. 검사점의 RMSE를 수평·수직으로 따로 보고하고, 95 % 신뢰 수준의 값으로 바꿀 때는 4.1.6의 환산을 사용한다. 정확도 등급의 보고 형식으로는 ASPRS의 위치 정확도 표준이 널리 인용된다 (판 확인 필요). 지리 위치 결정의 오차 예산 전체는 6.10이 다룬다.

6.12.4.3 산출물과 함정

정사영상은 지형의 높이 때문에 생긴 변위를 지운 영상이다. 수치지형모형(DTM)으로만 보정하면 건물과 나무는 여전히 기울어 보인다. 수치표면모형(DSM)으로 보정해 모든 물체를 수직으로 세운 것이 참 정사영상이다. 다리·전선·나무 가장자리는 DSM이 틀리기 쉬워 일그러진다.

함정은 다섯이다. ① 움직이는 물체(차량·사람·물결)는 사진마다 위치가 달라 잔상이나 빈 곳을 만든다. ② 롤링 셔터 카메라는 비행 중 줄마다 다른 순간을 찍어 기하가 휜다(6.3). ③ 지붕과 처마에 가려진 땅은 재구성되지 않는다. ④ 직선 비행만 한 블록은 렌즈 보정과 높이가 서로 서로 연성되어 "그릇 모양" 오차가 생길 수 있다 (문헌 경향). 경사 사진이나 교차 비행이 이를 줄인다. ⑤ 기준점의 분포가 한쪽에 몰리면 반대쪽 끝에서 오차가 커진다.

6.12.5 객체 탐지·분류 — 일반 원리

현대의 객체 탐지는 대부분 학습된 신경망이다. 영상을 입력받아 물체가 있을 만한 상자와 부류, 그리고 점수를 낸다. 구조는 크게 두 갈래로 설명된다. 후보 영역을 먼저 뽑고 분류하는 두 단계 방식과, 격자나 기준점마다 한 번에 상자와 부류를 내는 한 단계 방식이다. 최근에는 주의 기구(트랜스포머)를 사용하는 구조도 많다. 어느 쪽이든 마지막에는 중첩되는 상자를 정리하고(비최대 억제 등) 점수 문턱으로 경보를 낸다.

무인기 영상에는 일반 사진 데이터셋과 다른 성질이 있다. 위에서 내려다본다. 물체가 작고 많다. 고도와 시야각에 따라 같은 물체의 화소 수가 몇 배씩 바뀐다. 계절·시각·센서(가시광·열영상·다중분광)가 다르다. 그래서 학습 자료가 운용 조건을 얼마나 닮았는가가 구조의 선택보다 성능을 더 크게 좌우하는 경우가 많다(6.12.6.4). 큰 영상을 조각으로 잘라 넣고 결과를 합치는 처리, 여러 축척으로 보는 처리가 작은 물체에 흔히 사용된다.

분류는 탐지의 다음 단계다. 무인기 응용에서 흔한 분류는 "손상 여부·손상 등급"(점검·재난), "물체의 범주"(차량·선박·구조물), "변화 여부"(두 시기 비교)다. 이 장은 범주와 상태의 분류를 다루며, 특정인을 알아보는 식별은 다루지 않는다.

6.12.6 성능 평가 — 정밀도·재현율·화소 수·기저율

6.12.6.1 지표

예측 상자와 정답 상자가 중첩된 비율(IoU, 교집합÷합집합)이 문턱(예: 0.5)을 넘으면 맞힌 탐지(TP)로, 아니면 가짜 탐지(FP)로 센다. 놓친 정답은 FN이다.

$$\text{정밀도}=\frac{TP}{TP+FP},\qquad \text{재현율}=\frac{TP}{TP+FN}$$

점수 문턱을 낮추면 재현율이 오르고 정밀도가 내려간다. 문턱을 쓸어 얻은 정밀도-재현율 곡선 아래 넓이가 AP(average precision)이고, 부류별 AP의 평균이 mAP다. 공개 벤치마크마다 정의가 다르다. PASCAL VOC는 IoU 0.5에서의 AP를, COCO는 IoU 0.50~0.95를 0.05 간격으로 평균한 AP를 주 지표로 사용한다. COCO는 넓이 $32^{2}$화소 미만을 "작은 물체"로 따로 집계한다. mAP 숫자를 비교할 때는 데이터셋·IoU 문턱·물체 크기의 정의가 같은지부터 본다.

현장에서는 상자 단위보다 임무 단위의 지표가 중요하다. 수색구조라면 "실종자를 포함한 사진이 후보에 들어갔는가"(사진 단위 재현율)와 "사람이 검토해야 할 가짜 후보가 몇 건인가"(시간당 FP)다. 점검이라면 "결함을 놓친 비율"과 "결함 등급을 맞힌 비율"이다.

6.12.6.2 화소 수와 탐지 확률

결론부터: 탐지 확률은 GSD 자체보다 물체에 걸치는 화소 수로 정해지고, 50 % 점 근처에서 급하게 바뀐다. 사람 관찰자는 약 2화소(Johnson 기준의 1주기, 2.14.8.1)에서 절반을 알아채지만, 자동 탐지기는 훨씬 많은 화소를 요구하는 경향이 있다. 공개 벤치마크에서 작은 물체의 AP가 큰 물체보다 크게 낮은 것이 그 근거다.

이 경향을 교육용 모형으로 보인다. Johnson 계열 모형의 표적 전달 확률 함수(TTPF)는 화소 수 $N$과 50 % 점 $N_{50}$으로 확률을 준다 (식의 계수는 문헌의 형태, 확인 필요).

$$P(N)=\frac{(N/N_{50})^{E}}{1+(N/N_{50})^{E}},\qquad E=2.7+0.7\,\frac{N}{N_{50}}$$

$N_{50}$을 사람 관찰자 2화소, 잘 맞는 학습 자료의 자동 탐지기 8화소, 영역 이동이 있는 경우 16화소로 가정했다. 이 가정은 특정 알고리즘의 값이 아니다.

4000화소·가로 시야 70° 카메라에서 0.5 m 물체는 고도 60 m(GSD 2.10 cm)에 23.8화소, 120 m(4.20 cm)에 11.9화소다. $N_{50}$이 8이면 탐지 확률이 0.995와 0.815이고, 16이면 0.815와 0.278이다. 같은 비행이 학습 자료와 맞는 장면에서는 충분하고 맞지 않는 장면에서는 쓸모없어진다. 운용 고도는 탐지기의 시험 자료에서 거꾸로 정해야 한다.

6.12.6.3 기저율 — 드문 대상의 정밀도

결론부터: 찾는 대상이 드물면 좋은 탐지기도 후보의 대부분이 가짜다. 1 km²에서 실종자 한 명을 찾는 비행은 사진 236장을 찍는다(6.12.11). 사진당 가짜 탐지가 0.05건이면 가짜 후보는 12건이고, 진짜를 잡아도 정밀도는 0.078이다.

이 계산은 RF 탐지의 기저율(5.4.7.3)과 같은 구조다. 정밀도가 낮아도 검토 시간이 감당할 만하면 쓸모가 있다. 반대로 넓은 구역·여러 기체·긴 시간으로 늘어나면 가짜 후보가 사람의 검토 능력을 넘는다. 그래서 수색구조의 탐지기는 재현율을 확보하는 문턱에 두고, 검토의 순서와 양을 설계한다(6.12.12).

6.12.6.4 데이터셋 편향과 영역 이동

학습 자료와 운용 자료의 분포가 다르면 성능이 떨어진다. 이것이 영역 이동(domain shift)이다. 무인기 영상에서 흔한 원인은 고도와 시야각(화소 수), 계절과 시각(그림자·눈·잎), 지역(건물 양식·도로·식생), 센서(가시광과 열영상, 카메라 기종), 날씨(안개·연기·비)다. 학습 자료의 편향은 또 다른 문제다. 특정 지역·계절·물체 종류가 많으면 드문 조건에서 체계적으로 틀린다.

대응은 세 갈래다. ① 운용 조건을 대표하는 시험 자료를 따로 만들고 조건별로 성능을 나눠 보고한다. ② 운용 중의 입력이 학습 분포를 벗어나는지 감시한다. ③ 검증 단계에서 찾은 오류를 학습 자료로 되돌린다(그림의 수정·재학습 고리). 머신러닝 구성 요소의 보증 논리는 7.4, 데이터셋의 구성·합성 데이터·편향 관리는 7.5가 다룬다.

6.12.7 다중 객체 추적의 일반 원리

추적은 프레임마다의 탐지를 같은 물체의 궤적으로 잇는다. 구조는 세 단계다.

1. 예측. 각 궤적의 다음 위치를 운동 모형으로 예측한다. 등속 모형의 칼만 필터가 기본이다(4.4.3).
2. 연관. 예측 위치 둘레의 게이트 안에 든 탐지를 후보로 두고, 궤적과 탐지의 짝을 비용이 최소가 되게 정한다(헝가리안 알고리즘 등). 외관 특징을 비용에 더하기도 한다.
3. 관리. 짝이 없는 탐지로 새 궤적을 만들고, 여러 번 짝이 없던 궤적을 끝낸다. $M$번 중 $N$번 확인 같은 규칙이 가짜 궤적을 줄인다(5.5.4.3).

게이트의 크기가 연관의 어려움을 정한다. 측정 잡음 $\sigma$, 프레임 간격 $\Delta t$, 모형이 넣지 않은 가속 $a$로 예측 위치의 퍼짐을 어림하면 $\sigma_p\approx\sqrt{2\sigma^{2}+(a\Delta t^{2}/2)^{2}}$이다. $\sigma$ 1 m, $a$ 2 m/s²에서 반지름 $3\sigma_p$의 게이트는 다음과 같다.

탐지가 끊기는 시간이 길수록 게이트가 급히 커진다. 차량이 10 m 간격으로 늘어선 도로에서 반지름 12.7 m의 게이트에는 다른 차가 들어온다. 그러면 궤적이 서로 바뀌는 신원 교환이 생긴다. 가림·프레임 손실·카메라 시야 이동이 같은 문제를 만든다. 짐벌이 표적을 따라가면 카메라의 운동을 먼저 보정해야 한다(6.2).

성능 지표로는 미탐지·가짜 탐지·신원 교환을 묶은 MOTA, 신원 유지의 정확도인 IDF1, 탐지와 연관을 균형 있게 보는 HOTA가 널리 사용된다. 무인기 응용의 추적 대상은 차량 흐름(교통 조사), 선박(해양 감시), 야생동물(개체 수 조사), 떠다니는 잔해(재난)처럼 범주 수준의 대상이다. 이 장은 특정인을 계속 따라가는 추적의 구현은 다루지 않는다.

6.12.8 지리정보 정합 — 좌표를 붙이고 지도에 맞춘다

탐지에 좌표를 붙이는 길은 둘이다.

• 직접 좌표 부여. 기체 위치·자세·짐벌 각·카메라 모형으로 시선을 계산해 지형과 교차시킨다. 오차 예산은 6.10이 다룬다.
• 영상 정합. 영상을 이미 좌표가 있는 정사영상이나 지도와 맞춘다. 특징점 정합이나 영역 상관을 사용한다. 시각 항법의 지도 기반 위치 인식과 같은 기술이다(4.7.6).

두 길의 공통 함정은 시각 동기다. 영상의 촬영 순간과 위치·자세 기록의 시각이 어긋나면 그만큼의 운동이 위치 오차가 된다.

RTK로 위치를 cm급으로 알아도 시각이 50 ms 어긋나면 결과는 수십 cm 틀린다. 카메라의 셔터 신호를 항법 장치가 기록하는 하드웨어 시각 표시가 이 문제를 줄인다. 군 영상의 메타데이터 규격(MISB KLV)은 영상 프레임과 위치·자세를 같은 시각으로 묶는 형식을 정한다(9.8).

좌표계도 맞춰야 한다. GNSS의 세계 측지계, 국가 좌표계, 지도 투영, 높이 기준(타원체고와 표고)이 섞이면 수 m에서 수십 m의 오차가 난다(4.1.3). 산출물에는 좌표계와 높이 기준을 반드시 적고, 형식은 GeoTIFF·LAS 같은 공개 형식을 사용한다(9.17).

6.12.9 응용별 산출물

재난 피해의 등급은 공통 척도가 있어야 비교된다. 지진 피해에는 EMS-98의 다섯 등급 같은 척도가 사용된다 (적용 관행 확인 필요). 영상만으로는 내부 피해를 보지 못하므로 위에서 본 등급과 현장 조사 등급의 차이를 함께 적는다.

6.12.10 수색구조의 탐색 효율 — 고전 탐색 이론

결론부터: 탐지 확률은 센서 하나의 성능이 아니라 탐색 노력이 구역을 얼마나 커버했는가로 정해진다. 같은 노력을 들여도 탐색 방식과 센서의 성질에 따라 탐지 확률이 0.63에서 1까지 달라진다.

고전 탐색 이론(Koopman)은 센서의 성능을 탐색 폭 $W$ 하나로 줄인다. 탐색 폭은 "옆 거리에 따른 탐지 확률 곡선"의 넓이다. 경로 길이 $L$로 면적 $A$를 탐색하면 적용 계수 $C=WL/A$다. 탐지 확률은 센서의 측면 거리 곡선과 경로의 배치에 따라 다르다.

$$\mathrm{POD}_{\text{확정 거리}}=\min(C,1),\qquad \mathrm{POD}_{\text{역세제곱}}=\operatorname{erf}\!\left(\frac{\sqrt{\pi}}{2}C\right),\qquad \mathrm{POD}_{\text{무작위}}=1-e^{-C}$$

내려다보는 카메라의 측면 거리 곡선은 발자국 폭 $F$ 안에서 탐지 확률 $p$로 거의 평평하다. 그래서 탐색 폭은 $W=pF$다. 고도를 올리면 $F$는 고도에 비례해 넓어지지만 화소 수가 줄어 $p$가 떨어진다. 4000화소·70° 카메라, 0.5 m 물체, $N_{50}$ 8화소, 10 m/s로 계산했다.

탐색 폭이 가장 넓은 고도는 $N_{50}$ 8에서 133 m(이때 $p$ 0.745)이고, $N_{50}$이 16이면 66.5 m로 절반이 된다. 최적 고도는 탐지기의 화소 요구가 정한다. 다만 탐색 폭을 최대로 하는 고도는 1회 커버의 탐지 확률을 희생한다. 한 번에 높은 $p$를 얻을지, 낮은 $p$로 넓게 여러 번 커버할지는 그림의 카메라 점들이 보여 주는 교환이다($p$ 0.8로 두 번 커버하면 0.96).

수색의 성공 확률은 세 확률의 곱이다. 대상이 그 구역에 있을 확률(POA), 그 구역의 탐지 확률(POD), 그리고 대상이 가려지지 않고 보일 확률이다. 국제 항공·해상 수색구조 지침(IAMSAR 매뉴얼)은 POA·POD·POS의 틀로 탐색 계획을 세운다.

$$\mathrm{POS}=\mathrm{POA}\times\mathrm{POD}$$

6.12.11 수치 예시·워크스루 — 1 km² 실종자 수색

과제. 산지 가장자리의 1 km² 구역에서 실종자를 찾는다. 낮에는 4000×3000화소·가로 시야 70° 카메라, 밤에는 640화소·가로 시야 50° 열영상 카메라를 사용한다고 가정한다. 대상의 위에서 본 크기는 0.5 m, 탐지기의 $N_{50}$은 8화소, 비행 속도는 10 m/s다. 모든 값은 교육용 가정이다.

1. 고도. 낮에는 60 m에서 23.8화소, $p$ 0.995다. 120 m는 $p$ 0.815로 넓게 커버하지만, 영역 이동으로 $N_{50}$이 16이 되면 0.278로 붕괴한다. 낮 비행은 60 m로 둔다.
2. 경로와 시간. 줄 간격을 발자국(84.0 m)과 같게 두면 경로 11.9 km, 19.8분이다. 2 kg 쿼드콥터의 체공 18.1분(2.9.8)으로는 한 번에 끝나지 않으므로 두 대로 나누거나 4 kg 고정익(177분)을 사용한다.
3. 사진과 후보. 진행 방향 20 % 중복으로 사진 236장이다. 사진당 가짜 탐지 0.05건이면 가짜 후보 12건, 검토에 2분이다. 운영자 한 명이 실시간으로 감당할 양이다.
4. 가림. 숲에서 대상이 보일 확률이 0.6이면 탐지 확률은 0.597, 0.3이면 0.298이다. 가림이 탐지기의 성능보다 크게 작용한다. 숲 구역은 열영상이나 잎이 진 계절, 지상 수색과 묶는다.
5. 밤의 열영상. 640화소·50°에서 탐색 폭이 가장 넓은 고도는 약 32 m(탐색 폭 22.2 m)다. 30 m에서 GSD 4.37 cm, 11.4화소, $p$ 0.79이고 1 km²를 커버하는 데 75.4분이 걸린다. 낮보다 약 네 배 느리다. 여러 대를 띄우거나 POA가 높은 구역부터 커버한다.
6. 성공 확률. 이 구역의 POA가 0.5라면 낮 비행 한 번의 POS는 $0.5\times0.995=0.497$이다(가림이 없을 때). 같은 구역을 다시 커버하기보다 POA가 높은 다른 구역으로 옮기는 편이 POS를 더 올리는 경우가 많다. 그 배분이 탐색 계획의 일이다(16.19).
7. 보고. 후보 위치는 좌표계와 함께, 탐색을 마친 구역은 POD와 함께 지도에 남긴다. 시각 동기가 50 ms 어긋나면 위치가 0.70 m 밀리므로 후보 좌표에 불확도를 붙인다.

결론: 이 수색의 성패는 탐지기의 점수보다 고도 선택·가림·기저율·구역 배분에서 결정된다. 자동 탐지는 사람이 볼 사진을 236장에서 십여 건으로 줄여 주는 도구이고, 그 효과는 운용 조건에 맞춘 시험 자료가 있을 때만 믿을 수 있다.

6.12.12 검증과 사람의 역할

검증은 세 층이다. 개별 결과의 확인(후보를 사람이 원본으로 보고 판정), 표본 검사(무작위로 뽑은 결과의 정답 여부로 정밀도와 재현율을 추정), 성과의 정확도 입증(측량의 검사점, 피해 등급의 현장 조사)이다.

사람이 확인한다고 오류가 사라지지는 않는다. 자동화 결과를 그대로 믿는 자동화 편향, 가짜 후보가 많을 때의 경보 피로, 긴 검토의 주의 저하가 알려져 있다(8.18). 설계로 줄이는 방법이 있다. 후보에 점수와 근거(원본 영상 조각)를 함께 보여 주고, 가짜 후보의 양을 검토 능력 안에 두며, 일부 후보에 정답을 아는 점검용 사례를 섞어 검토자의 정확도를 잰다. 후보를 기각할 때도 이유를 남겨 학습 자료로 되돌린다.

책임의 위치도 정해 둔다. 자동 처리가 놓친 실종자, 잘못 그린 침수 범위, 틀린 측량 성과의 책임은 결국 그 산출물을 낸 조직과 확인한 사람에게 있다. 그래서 산출물에는 처리 방식(자동·사람 확인 여부), 사용한 모델과 판(版), 알려진 한계를 함께 적는다. 한 사람이 여러 기체의 자료를 감독하는 운용의 인간 요인은 7.11이 다룬다.

6.12.13 프라이버시와 법

무인기 영상은 의도하지 않은 것을 찍는다. 측량 영상에 마당의 사람이, 교통 조사에 차량 번호판이, 재난 영상에 피해자가 포함된다. 처리 흐름의 단계마다 다음 원칙을 적용한다.

• 수집 최소화. 임무에 필요한 해상도와 구역만 찍는다. 해상도를 필요 이상으로 높이면 탐지는 쉬워지지만 식별 가능성도 커진다.
• 처리 단계의 비식별. 산출물에 필요 없는 사람의 얼굴과 번호판은 흐리게 처리하거나 지운다. 정사영상은 여러 사진을 합치는 과정에서 움직이는 사람이 대부분 사라지지만 원본 사진에는 남는다.
• 목적 제한과 보존 기한. 수색구조를 위해 찍은 영상을 다른 목적에 사용하지 않고, 정해진 기한이 지나면 지운다. 원시 자료와 산출물의 보존 기한을 따로 정한다.
• 접근 통제와 기록. 누가 원본을 보았는지 남긴다.

한국에서는 「개인정보 보호법」이 2023년 개정으로 드론 같은 이동형 영상정보처리기기의 촬영을 따로 규율한다 (조문·시행일 확인 필요). 공공기관의 광역 감시는 영장주의와 비례 원칙의 문제를 일으킨다(18.18). 항공 사진과 공간정보는 보안 시설의 공개가 제한되고 공개 전 심사를 받을 수 있다(18.20). AI를 사용한 원격 생체 인식은 EU AI Act가 강하게 제한하는 범주이고, 한국의 AI 기본법도 고영향 AI의 의무를 둔다 (적용 범위 확인 필요, 18.21). 이 장이 특정인의 식별·추적을 다루지 않는 이유가 기술 경계이자 법의 경계이기 때문이다.

6.12.14 설계 트레이드오프 — 어디서, 얼마나 자동으로, 얼마나 오래

처리의 위치. ① 기체 위 처리는 지연이 짧고 링크가 가볍다(6.11). ② 지상 현장 처리는 연산이 넉넉하고 사람이 가까이 있다. ③ 클라우드 처리는 규모와 협업에 강하지만 연결과 데이터 주권의 문제가 있다(14.28·19.20).

자동화의 정도. ① 사람이 모든 영상을 본다. ② 자동 탐지가 후보를 고르고 사람이 확인한다. ③ 자동 결과를 그대로 사용한다. ③은 결과의 오류가 큰 해를 끼치지 않고 성능이 조건별로 입증된 경우(예: 측량의 연결점 정합)에만 맞다.

보존. 원시 자료를 오래 두면 재처리와 사고 조사(8.23)에 사용할 수 있지만 개인정보 위험과 저장 비용이 는다.

견해: 수색구조·재난 대응의 영상 분석은 "자동 탐지가 고르고 사람이 확인하는" ②를 기본으로 두고, 탐지기의 문턱을 검토 능력에서 거꾸로 정하는 편이 합리적이라고 본다. 근거는 셋이다. 첫째, 드문 대상의 정밀도는 기저율 때문에 낮을 수밖에 없다(6.12.6.3). 둘째, 영역 이동이 성능을 크게 변동시켜(6.12.6.2) 자동 결과만으로는 미탐지율을 보증하기 어렵다. 셋째, 놓친 사람의 대가가 가짜 후보 몇 건을 보는 대가보다 훨씬 크다. 반대로 측량의 정합처럼 검사점으로 결과를 독립 검증할 수 있는 처리는 자동화를 넓힐 수 있다. 이 판단은 검토 인력과 탐지기의 시험 자료가 얼마나 운용 조건을 대표하는가에 달려 있다.

6.12.15 세 축 비교

6.12.16 관련 규격·프로토콜

유료 규격은 공개 요약의 범위에서만 다뤘다.

6.12.17 관련 규제·인증 요구와의 연결

6.12.18 함정과 한계

이 장의 한계도 밝혀 둔다.

• 탐지 확률 모형은 교육용이다. TTPF의 형태를 빌렸을 뿐 $N_{50}$ 값은 가정이며, 실제 탐지기의 성능은 조건별 시험으로만 알 수 있다.
• 탐색 이론은 이상화했다. 측면 거리 곡선을 직사각형으로 두었고, 대상의 움직임·검토자의 미탐지·지형을 넣지 않았다.
• 사진측량의 정밀도 식은 한 쌍의 어림이다. 번들 조정의 실제 정밀도는 기하·기준점 배치·자체 보정에 달려 있다.
• 법은 요지만 적었다. 개인정보·공간정보·AI 법령의 조문과 시행일은 해당 장에서 확인한다.

6.12.19 체크포인트·연구 질문

체크포인트

1. 처리 흐름의 여덟 단계를 적고, 시각 동기가 어느 단계에서 실패하면 어떤 오차가 생기는지 말하라.
2. 고도 100 m, GSD 3.50 cm, 기선 21.0 m, $\sigma_m$ 0.5화소에서 이웃 쌍의 높이 정밀도를 구하라.
3. COCO와 PASCAL VOC의 AP 정의 차이를 설명하라.
4. 사진 500장에서 사진당 가짜 탐지 0.02건, 진짜 대상 2건을 모두 잡았다면 정밀도는 얼마인가?
5. $\sigma$ 1 m, $a$ 2 m/s²에서 프레임 간격이 0.5 s에서 2 s로 늘면 게이트 반지름이 몇 배가 되는가?
6. 적용 계수 1에서 무작위 탐색과 역세제곱 평행 탐색의 탐지 확률을 구하고 차이의 이유를 말하라.

연구 질문 — 이 장에서 파생되는 열린 주제(25.7에 모은다)

1. 조건별 탐지 성능의 표준 시험 — 고도·시각·계절·센서별로 무인기 영상 탐지기의 성능을 보고하는 표준 시험 자료와 절차는 무엇이어야 하는가(7.4·7.5)?
2. 검토 능력에서 거꾸로 정하는 문턱 — 검토자 수와 시간, 미탐지의 대가를 넣어 탐지 문턱과 비행 계획을 함께 최적화하는 방법은?
3. 수색구조 탐색 폭의 실측 — 무인기 카메라와 열영상의 측면 거리 곡선을 지형·식생별로 재어 IAMSAR의 계획 값으로 사용할 수 있는가?
4. 비식별 처리의 검증 — 산출물에서 사람과 번호판이 충분히 지워졌음을 어떻게 입증하는가?

1차 출처(이 장)

• Koopman, B. O., Search and Screening: General Principles with Historical Applications, Pergamon, 1980(1946년 OEG 보고서의 개정판).
• IAMSAR Manual(ICAO Doc 9731·IMO) (판 확인 필요).
• Johnson, J., "Analysis of image forming systems," Image Intensifier Symposium, 1958 (쪽 확인 필요).
• Triggs, B. et al., "Bundle Adjustment — A Modern Synthesis," Vision Algorithms: Theory and Practice, Springer, 2000.
• Westoby, M. J. et al., "'Structure-from-Motion' photogrammetry: A low-cost, effective tool for geoscience applications," Geomorphology 179, 2012.
• Everingham, M. et al., "The PASCAL Visual Object Classes (VOC) Challenge," International Journal of Computer Vision 88, 2010.
• Lin, T.-Y. et al., "Microsoft COCO: Common Objects in Context," ECCV, 2014.
• Bernardin, K.; Stiefelhagen, R., "Evaluating Multiple Object Tracking Performance: The CLEAR MOT Metrics," EURASIP Journal on Image and Video Processing, 2008.
• Luiten, J. et al., "HOTA: A Higher Order Metric for Evaluating Multi-Object Tracking," International Journal of Computer Vision 129, 2021.
• ASPRS Positional Accuracy Standards for Digital Geospatial Data (판 확인 필요).

출처를 찾고 판을 추적하는 방법은 0.9에서 다룬다.

다음 장: 제7부의 첫 장 7.1에서 무인기 스스로의 인지와 상황 인식을 다룬다. 이 장이 사람에게 넘길 산출물을 만드는 처리였다면, 그 장은 기체가 장애물을 탐지하고 의미 지도를 만들며 그 불확실성을 판단에 넣는 처리다.