유튜브 채널 보안부터 구매대행 창고 감시까지, 파이썬 이상행동 탐지 실전 적용기

내 채널과 비즈니스를 지키기 위한 보안 시스템이 필요했다

최근 '인사이트 정보' 유튜브 채널을 운영하며 보안 관련 뉴스를 자주 다루게 되었다. 뉴스를 제작하다 보니 단순히 정보를 전달하는 것을 넘어, 실제 내 비즈니스 현장에 바로 적용할 수 있는 보안 시스템을 직접 구축해보고 싶다는 생각이 들었다. 특히 중국 구매대행 사업을 병행하며 창고나 사무실의 보안을 실시간으로 감시해야 할 필요성도 느꼈다.

단순히 움직임을 감지하는 것을 넘어, '진짜 위협이 되는 행동'만 골라내는 이상행동 탐지(Anomaly Detection) 알고리즘에 관심을 갖게 된 이유다.

---

시작하기 전에 예상했던 것과 실제의 차이

이론적으로는 간단해 보였다. 평소와 다른 움직임이 포착되면 알림을 주면 된다고 생각했다.

• 예상: AI가 사람의 비정상적인 움직임을 완벽하게 감지하고 즉시 경보를 울려줄 것이다.
• 현실: '이상함'의 기준을 설정하는 것이 너무나 모호했다. 단순히 화면 내의 픽셀 변화만으로는 나뭇가지의 흔들림이나 그림자의 변화, 심지어 지나가는 고양이까지 모두 이상행동으로 인식해버렸다.

**“오탐지(False Positive)를 얼마나 줄이느냐”**가 이 프로젝트의 성패를 가르는 핵심이었다.

실시간 영상 분석 시스템의 초기 가동 화면. 화면 속 모든 움직임을 추적하고 있다.

---

실습 과정에서 가장 먼저 막혔던 부분

가장 먼저 시간을 잡아먹은 건 **정상 패턴의 학습(Baseline Setting)**이었다. 사무실이나 창고에서 일어나는 일반적인 움직임을 '정상'으로 규정하는 과정이 생각보다 까다로웠다. "이 정도 움직임은 괜찮겠지" 싶었던 것들이 밤 시간대의 저조도 환경에서는 전혀 다른 데이터로 인식되어 경보가 울리기도 했다.

그다음은 행동 인식 로직의 구현이었다. 단순 침입인지, 아니면 물건을 뒤지는 구체적인 행위인지 구분하기 위해 관절 포인트(Pose Estimation) 추적을 도입했다. 하지만 연산량이 급격히 늘어나면서 저사양 기기에서는 실시간 처리가 어려워졌다. "한 번만 더 가볍게 만들자"며 알고리즘을 최적화하고, 특정 구역(ROI)에서만 정밀 분석을 수행하도록 구조를 바꿨다.

Pose Estimation을 활용한 실시간 행동 분석 화면 관절의 움직임을 통해 이상 유무를 판단한다.

---

왜 이 방식(Python + OpenCV / Mediapipe)이었나

왜 이 조합을 선택했을까. 내가 운영하는 비즈니스 환경에 맞춰 커스텀하기 가장 좋은 도구들이었기 때문이다. 기성 보안 제품은 수정이 불가능하지만, Python 기반의 시스템은 내가 필요한 기능을 직접 추가하고 뺄 수 있었다. 또한, 이미 익숙한 환경이라 빠르게 프로토타입을 완성하고 현장에 적용해볼 수 있었다.

누군가에게는 더 거대한 상용 시스템이 맞을 수도 있다. 하지만 나처럼 1인 기업으로서 내 자산을 스스로 지키고 싶은 사람에게는 이 방식이 가장 현실적이고 강력한 무기였다.

---

지금 시점에서의 개인적인 정리

이 방식은 특정 환경에 최적화된 맞춤형 보안 시스템을 만들고 싶을 때 매우 유용하다. 반대로, 수천 대의 카메라를 동시에 관리해야 하는 대규모 인프라에는 맞지 않을 수도 있다.

막상 해보니 기술 선택보다 중요한 건 **“무엇을 이상행동으로 정의할 것인가”**라는 본질적인 질문이었다. 기술은 그 정의를 실행에 옮기는 도구일 뿐이라는 점을 다시 한번 깨달았다. 유튜브 채널과 사업장을 동시에 지키려는 나의 고민이 코드로 구현되는 과정은 그 자체로 의미 있는 도전이었다.

---

마무리하며

아직도 고양이가 지나갈 때 알림이 울리는 걸 보면 더 정교한 필터링이 필요하다는 생각은 든다. 다만 지금 상황에서는 이 시스템이 내 비즈니스를 지탱하는 든든한 조력자 역할을 톡톡히 하고 있다. 이 글이 정답은 아니겠지만, 비슷한 고민으로 보안 자동화를 꿈꾸는 분들께 하나의 참고 경험 정도로 읽혔으면 좋겠다.