실험 설계·데이터

집을 지키기 위해 설치한 카메라가 사생활을 드러내는 통로가 되기도 합니다. 2025년 12월 경찰청은 국내 IP카메라 약 12만 대를 해킹해 영상을 탈취한 사건을 발표했습니다. 보안 해킹 우려가 폭증하는 가운데 CCTV를 대체할 수단의 필요성이 부각되고 있는 상황입니다. 우리는 집에 이미 설치된 Wi-Fi로 실내 변화를 읽고, 홈 CCTV의 움직임 감지 기능을 영상 촬영 없이 구현할 수 있는지 실험했습니다.

CSI(Channel State Information, 채널 상태 정보)는 수신기가 Wi-Fi 패킷의 피지컬 데이터를 이용해 추정한 물리 계층의 채널 신호입니다. 송수신 링크와 부반송파 그룹마다 신호의 진폭과 위상이 얼마나 달라졌는지를 복소수로 기록한 것이 바로 CSI입니다.

수신기에는 직접 도착한 전파와 벽·가구·사람에 반사되거나 산란·회절된 전파가 겹쳐 들어옵니다. 사람이 움직이면 이 경로들의 합이 바뀌고, 그 변화가 시간에 따른 CSI 패턴으로 나타납니다. 모델이 이 패턴을 학습하면 화면 없이도 인원이나 보행을 구분할 수 있지 않을까 하는 가능성을 파악하고자 했습니다.

송신·수신 PC에 Intel Wi-Fi Link 5300 카드와 안테나 3개씩을 연결했습니다. 안테나 간격과 방향을 매 수집시마다 일정하게 맞추기 위해 3D 프린팅 거치대를 사용했습니다. 두 PC가 같은 2.4 GHz 휴대폰 핫스팟에 접속하고, 수신 PC는 핫스팟에서 들어오는 Wi-Fi 프레임의 CSI를 측정했습니다.

수신 PC는 Ubuntu 18.04.6 LTS의 Linux 4.15 커널에서 수정한 iwlwifi 드라이버와 펌웨어를 사용했습니다. connector_log=1로 CSI 로그를 켠 뒤, 송신 PC의 safe_sender.py가 512바이트 UDP 패킷을 초당 100개씩 보내도록 설정했습니다. 수신 PC의 log_to_file이 CSI를 DAT 파일에 저장하면, 파일과 실제 CSI 레코드가 함께 기록됐는지 확인했습니다.

수신 PC의 실행기에서 강의실, 장비 배치, 고정 인원·자유 활동 중 수집 방식, 인원수, 행동, 수집 시간, 웹캠 사용 여부를 지정했습니다. 필요한 회차에는 참가자의 자리와 행동별 시간·반복 횟수, 빈 방 기준 세션을 함께 기록했습니다.

빈 방은 0명 기준으로 수집했습니다. 빈 방을 수집하는 이유는 공간에 대한 학습이 필요하기 때문입니다. 인원을 고정한 실험에서는 앉기·서기·교대 걷기를 순서대로 안내하기도 했습니다. 별도 자유 활동 실험에서는 약 40분 동안 출입과 움직임의 순서를 정하지 않고 기록했습니다.

가구와 장비 배치가 다른 G304·G308 강의실에서 반복 수집해, 환경이 바뀌었을 때도 동일한 모델이 준수한 성능을 기록하는지 비교하고자 했습니다. G304에서는 0~5명, G308에서는 0~4명 조건을 기록했습니다.

수집 이력 31개 중 데이터가 남은 원본 DAT 22개에서 CSI 레코드 1,417,202개를 확인했습니다. 파일별 첫 기록부터 마지막 기록까지 합산하면 약 4시간 53분입니다. 이 가운데 고정 인원 학습 후보는 15개 세션, 약 3시간 46분이었고, 약 40분의 자유 활동 세션을 기록하여 모델 테스트 용으로 분리했습니다.

CSI의 형태는 수신 안테나 3개 × 송신 공간 스트림 2개 × 부반송파 그룹 30개였습니다. 학습 후보에서 실제 관측률은 초당 약 70~87개였습니다. 초기 인원수 모델은 6개 링크의 수신 안테나 순서를 복원하고 진폭을 보정한 뒤, 100 Hz 시간 격자에서 비중첩 2초 구간을 만들었습니다.

CSI를 받는 동안 웹캠으로 같은 공간을 촬영했고, 원본 영상을 인원수 및 보행 라벨링에 사용했습니다.

초 단위 영상 프레임을 검토해 빈 방, 앉아 있거나 제자리에 서 있는 구간은 정적(S), 사람이 분명히 걷는 구간은 보행(D)으로 분류했습니다. 가림·암전으로 행동을 확인하기 어려운 구간은 제외했습니다. 영상과 CSI의 시간차를 추정한 뒤 같은 행동 라벨 안에 온전히 들어오는 2초 구간 4,344개를 남겼습니다.

YOLO v8n을 실행해 화면 속 사람을 탐지하고 위치를 표시했습니다. 보행 라벨은 시간대별 영상 검토를 거쳐 확정했고, CSI 모델에는 정렬한 라벨을 정답으로, Wi-Fi CSI를 입력으로 사용했습니다.

초기에는 Person-in-WiFi의 구조를 참고한 U-Net 계열 모델로 0~5명 분류를 시험했습니다. 같은 수집 회차의 특징을 외우는지 확인하기 위해 세션 단위로 데이터를 나눴고, 이후 인원 구간과 정적·보행을 별도 과제로 다뤘습니다. 모델 설계·검증에서는 CSI만으로 학습한 모델들이 두 강의실에서 보행을 얼마나 잘 구분했는지 비교합니다.