Predicting where and when a crime may occur in an area of interest is one of many strategies of predictive policing. Multidimensional analysis, including CCTV, can overcome the limitations of hotspot prediction, especially of violent crimes. In order to identify the precursors of a crime, it is nece...
Predicting where and when a crime may occur in an area of interest is one of many strategies of predictive policing. Multidimensional analysis, including CCTV, can overcome the limitations of hotspot prediction, especially of violent crimes. In order to identify the precursors of a crime, it is necessary to analyze dynamic data such as attributes and activities of people, social information, environmental information, traffic flows, and weather. These parameters can be recognized by CCTV. In addition, it provides accurate analysis of the circumstances of a crime in a dynamic situation, calculates the risk, and predicts the probability of a crime occurring in the near future. Additionally, it provides ways to gather historical criminal datasets, including sensitive personal information.
Predicting where and when a crime may occur in an area of interest is one of many strategies of predictive policing. Multidimensional analysis, including CCTV, can overcome the limitations of hotspot prediction, especially of violent crimes. In order to identify the precursors of a crime, it is necessary to analyze dynamic data such as attributes and activities of people, social information, environmental information, traffic flows, and weather. These parameters can be recognized by CCTV. In addition, it provides accurate analysis of the circumstances of a crime in a dynamic situation, calculates the risk, and predicts the probability of a crime occurring in the near future. Additionally, it provides ways to gather historical criminal datasets, including sensitive personal information.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
국내 성범죄자 등 전자발찌 착용자를 대상으로 사후 대응 위주의 위치추적시스템(U-Guard)을 사전 대응으로 전환하는 것이 목적이며, 전자 감독대상자의 상태와 이상 징후를 파악하기 위해 일상생활에서 추출되는 요소와 재범 가능성을 높이는 행동과의 연관성을 분석해 재범징후 위험도를 제시하고 있다. 특히 법무부는 전자감독대상자의 심리적 상태 등을 포함하여 더욱 면밀히 파악하여 다양한 방법으로 재범억제 기능을 강화할 예정이다.
가능해졌다. 먼저, 범죄자를 특정할 수 있는 영상 인식 기술의 최근 동향을 살펴보고자 한다.
본 고에서는 기존의 범죄예측을 위한 방법과 지능형 CCTV 영상 분석 분야에서 범죄 유발요인으로 추출할 수 있는 기술을 살펴보고 동적 범죄예측을 위한 방법론을 제안한다.
최근 미국 법무부가 스마트시티 구축 등을 목적으로 시작한 치안 이니셔티브(SPI: SMART Policing Initiative) 지원 프로그램에서 경찰 활동 전략과 과학기술을 융합한 예측 정책(Predictive Policing) 이 범죄 발생 빈도를 극적으로 줄여 공개된 범죄 이력을 활용한 예측 기술의 효용성이 입증되었다 [8]. 본 장에서는 효과적인 결과가 보고된 국내외범죄예측 기술의 동향을 살펴보고자 한다.
범죄예측 기술을 실현하기 위해서는 과거 데이터에 대한 분석이 필요하다. 시·공간적 다차원 과거 범죄 데이터와 이를 분석하여 설명 가능한 예측 방법에 대해 소개한다.
도쿄 경찰청은 2020년 도쿄 올림픽에서 효과적인 테러 방지를 위한 딥러닝 기반 예측 치안을 도입할 계획이다. 한 명의 가해자가 여러 범죄를 저지르고 있는지 발견된 범죄자의 다음 행동을 예측하는 것을 목표로 하고 있다.
제안 방법
개인의 범죄 기록, 소셜 네트워크 데이터 및 개인 정보 1, 400종 등의 지표를 기반으로 사회에 끼치는 영향력을 점수화하는 Gang Matrix 알고리즘을 개발하여 범죄를 예측하는 프로젝트를 수행했다. 단, 예측 식별 모델이 예상하는 개인이 젊은 흑인에 우선하고 있어 미들랜드 경찰이 주축이 되어 Concern Hub라는 편향된 데이터 분석을 극복하는 국가 분석 시스템을 개발 중이다[9].
미국 UCLA 인류학 교수 브랜팅엄과 산타클라라 대학 교수 몰러가 지진, 여진 예측 알고리즘 ETAS(Epidemic-Type Aftershock Sequence) 모델을 수년 치 범죄 빅데이터 분석에 이용하여 범죄예측기술을 개발하였다. 지진과 범죄의 발생 유형이 유사한 것을 발견했으며, 특히 최근에 발생한 범죄와 지리적으로 가까운 곳에서 유사 범죄가 발생하는데 이를 큰 지진 뒤에 인근에서 잇따라 발생하는 여진 현상과 연결하였다.
기술 개발에 활용하였다. 사용된 “autonomous AI”는 기존 신경망이 아닌 자체 개발한 “확률과 컴퓨팅 모델”로, 이 모델은 쥐의 뇌 연구를 통해 발견한 Clique라 불리는 특정 그룹의 뉴런에서 아이디어를 얻었으며, 이 뉴런을 통해 실제 뇌처럼 동작할 수 있는 서명 파일과 수학 모델을 생성하였다. 기존의 AI는 근본적으로 블랙박스 형태이므로 학습에 오류가 있는 경우 대부분 처음부터 다시 학습을 시켜야 할 수 있는데, 이 모델은 인공지능이 투명한 학습 과정을 거쳐 AI가 실수하더라도 서명파 일을 통해 오류를 추적하고 해당 부분만 수정할 수 있다[14].
일본 히타치에서 CCTV, 날씨 정보, 총소리, 교통 상황 및 소셜 미디어 등 데이터를 수집하고 폭행, 살인 등의 범죄 상황마다 발생 가능성을 확률적 수치로 표기한 PCA(visualization Predictive Crime Analytics)를 개발하였다. 도쿄 경찰청은 2020년 도쿄 올림픽에서 효과적인 테러 방지를 위한 딥러닝 기반 예측 치안을 도입할 계획이다.
대상 데이터
중국 공안부 주도로 인공위성의 GPS와 CCTV 를 활용한 범죄자 감시 시스템을 구축하였다. 사생활 침해 등의 규정이 상대적으로 높은 미국과 한국 등 주요국이 주춤하는 사이 중국은 안면인식 기술력을 위한 학습데이터를 적극적으로 수집하고 적용 영역을 확대하였다.
성능/효과
스코어링 혹은 분류된 과거 범죄 데이터는 위험 상황 10종 주요요인(성별, 나이, 상태, 도구, 행동, 사건일시, 장소 유형 등) 기반 영향력 분석하기 위해 150개 유형의 Features를 입력하여 유의확률을 확인하고, 통계적으로 유의하게 타당한지 판단이 가능하다.
따라서 폭넓은 분야의 범죄예측은 범죄의 특성에 따라 다양한 유발요인을 빅데이터 마이닝, 핫스팟 분석 및 사회 시간적 평가 등의 다차원 분석이 필요하다[2]. 특히 지능형 CCTV 영상 분석 기술의 발전에 따라 사진과 동영상을 이용해 범죄현장 상황에 대한 보다 풍부한 정보 획득이 가능해졌으며, CCTV에 등장하는 사람 및 주변 환경 정보에 대한 영상 분석을 통해 범죄 유발 원인으로 사용하여 보다 용이하게 범죄 환경 분석을 할 수 있게 되었다. 예를 들어, 사건 발생 후 CCTV를 확인해 보면 평소와는 다른 특이 상황을 발견할 수 있으며, 이를 사전에 인지할 수 있다면 범죄가 발생하기 전에 방지할 수 있는 경우가 있다고 보고되었다.
후속연구
한국 경찰청이 빅데이터와 AI 기술을 이용한 범죄분석 및 예측시스템을 개발 중이며, 형사사법포털(KICS)에 입력된 범죄사건 시간, 사고지역, 범죄자와 피해자 특성, 범행 도구, 범행 패턴 및 목적 등 100여 종에 이르는 범례를 수사에 필요한 빅데이터로 구축하고 해당 사건 시간대 날씨, 사건장소 주변 인구 구성, 주변 상가의과 주택의 유형, 공시지가 등의 공공 데이터까지 추출하여 분석에 활용할 예정이다.
참고문헌 (31)
K Aguirre et al., "Future crime: Assessing twenty first century crime prediction," STRATEGIC NOTE, 2019.
Melanie-Angela Neuilly et al., "Predicting Recidivism in Homicide Offenders Using Classification Tree Analysis," Homicide Studies, 2011, pp. 165-176.
신민규 외, "5대 범죄와 물리적 환경 영향요인의 상관성 분석," 한국지도학회지, 2018, pp. 131-140.
Ying-Lung Lin et al., "Grid-Based Crime Prediction Using Geographical Features," Int. J. Geo-Inf., 2018.
박우현 외, "범죄예방정책의 바람직한 추진방향," 경찰학논총, 2017, pp. 125-156.
김의명 외, "연속수치지도와 유동인구를 이용한 범죄취약 추정지역 추출," 한국지도학회지, 2019, pp. 59-68.
박진이 외, "격자망 분석을 통한 범죄 발생 취약 지역 추출 기법," 한국측량학회지, 2015, pp. 221-229.
류연수, "스마트치안 국내외 사례와 향후 과제," 행정포커스, 2017, pp. 16-21.
Fieke Jansen, "Data Driven Policing in the Context of Europe, Data Justice Lab, 2018.
Japan Times, "Kanagawa police to launch AI-based predictive policing system before Olympics," 2018년 1월 29일.
한국과학기술기획평가원, "안면인식 도입 확산과 국내 활성화 방안 모색," 과학기술&ICT 정책.기술 동향, 2019, pp. 1-17.
국토교통부, "전자발찌 범죄, 전국 CCTV로 잡는다," 2019년 3월 29일.
최종원 외, "행동 패턴 기반 범죄예측 모델 연구," 한국위성정보통신학회논문지, 2016, pp. 55-57.
Mei Wang et al., "Deep Face Recognition," arXiv: 1804.06655, 2019.
Bong-Nam Kang et al., "Hierarchical Feature-Pair Relation Networks for Face Recognition," CVPR Workshop, 2019.
Xing Fan et al., "SphereReID: Deep Hypersphere Manifold Embedding for Person Re-Identication," arXiv: 1807.00537, 2018.
Guangcong Wang et al., "Spatial-Temporal Person Reidentification," AAAI, 2019, arXiv: 1812.03282.
S. M. Silva et al., "License Plate Detection and Recognition in Unconstrained Scenarios," ECCV, 2018.
https://www.aicitychallenge.org/
https://research.google.com/audioset/
Waqas Sultani et al., "Real-world Anomaly Detection in Surveillance Videos," CVPR, 2018, arXiv: 1801.04264.
Yi Zhu et al., "Motion-Aware Feature for Improved Video Anomaly Detection," BMVC, 2019, arXiv: 1907.10211.
http://www.crimestats.or.kr/
https://www.scourt.go.kr/
FBI, "2019 National Incident-Based Reporting System (NIBRS) Technical Specification," https://www.fbi.gov/services/cjis/ucr
※ AI-Helper는 부적절한 답변을 할 수 있습니다.