번호판을 가려도 잡아내는 Flock 카메라 84억 달러 감시망

차량 번호판을 가려도 차종·색상·범퍼 스티커 조합으로 차를 찾아내는 Flock Safety의 카메라망이 미국 50개 주로 퍼졌고, 회사 가치는 84억 달러다.

원본 영상: https://www.youtube.com/watch?v=E7la7-dtfVM

84억 달러 감시망의 실체

Flock Safety는 2017년 애틀랜타 외곽 주택단지(HOA)의 택배 도난을 잡으려고 만든 번호판 인식 카메라 회사다. 8년 만에 이 회사는 기업 가치 84억 달러의 전국 단위 감시 사업자가 되었고, Falcon 카메라가 남긴 스캔 기록은 50개 주 경찰이 함께 검색하는 하나의 데이터베이스로 합쳐졌다. 기록되는 항목은 번호판 문자열만이 아니라 차종, 색상, 찌그러진 자국, 범퍼에 붙인 스티커까지다.

카메라가 만드는 차량 지문

• Falcon은 태양광으로 돌아가는 Android 기기다. LTE 모뎀, 적외선 야간 투시, 모션 트리거가 한 대에 들어 있어 전기 공사도 통신선 공사도 없이 전봇대에 걸린다.
• 추론이 카메라 안에서 끝난다. 엣지 머신러닝(촬영 기기 자체에서 인식 모델을 돌리는 방식)이라 서버로 올라가는 건 영상 원본이 아니라 가벼운 메타데이터뿐이고, 그래서 LTE 회선 하나로 전국 배치가 가능해진다.
• 결과물이 ‘차량 지문’이다. 번호판이 없거나 가려져 있어도 ‘테슬라 모델3 + Ron Paul 2008 스티커’ 같은 조합으로 조회하면 그 차 한 대가 특정된다.
• 이렇게 쌓인 스캔이 수십억 건 단위다. 한 도시의 기록이 아니라 50개 주를 가로지르는 단일 검색창에 붙어 있다.
• 축적된 이동 기록은 위치가 아니라 생활을 드러낸다. 어디서 자는지, 어디로 출근하는지, 누구를 방문하는지, 주차장에 얼마나 오래 서 있었는지가 시간축에 그대로 남는다.

번호판 가림막이 대응책이 되지 못하는 이유가 여기 있다. 인식 대상이 문자열 하나였다면 그 문자열만 가리면 됐다. 지금은 차체 형상, 도색, 손상 위치, 스티커 조합이 각각 하나의 검색 조건이고, 이 조건들은 서로를 보완한다. 번호판을 지운 차는 오히려 ‘번호판이 보이지 않는 흰색 SUV’라는 더 희귀한 조건이 되기도 한다.

단일 카메라와 데이터베이스는 성격이 다르다. 사거리에 걸린 카메라 한 대는 그 사거리를 지난 차를 본다. 수만 대가 같은 DB에 적재되는 순간 그것은 미국 전역의 차량 이동 지도가 된다. 범죄 한 건을 푸는 도구로 도입된 장비가 축적 시점에 성격이 바뀌는 지점이다.

700회 조회와 명예 시스템

이 시스템이 영장 없이 굴러가는 근거는 1970년대 미국 대법원이 세운 ‘제3자 원칙’이다. 통신사나 은행처럼 제3자에게 스스로 넘긴 정보에는 개인정보 기대권이 없다는 법리인데, 공공 도로를 달린 차의 외형과 번호판도 같은 범주로 취급된다. 반세기 전 통화 기록에 맞춰 만든 잣대가 SaaS 형태로 파는 상시 추적 인프라에 그대로 붙어 있는 셈이다.

통제 장치는 조회할 때 사유를 입력란에 직접 타이핑하는 방식, 즉 명예 시스템이다. 실제로 어떻게 작동했는지는 기록에 남아 있다.

3개월에 700회면 하루 평균 일고여덟 번이다. 사유란에 test 네 글자를 적는 것만으로 그 조회가 전부 통과했다. 로그가 남았기에 나중에 드러났을 뿐, 로그는 조회를 막지 못한다.

반대 방향의 움직임도 있다. Austin과 Evanston은 설치했던 카메라를 철거했고, Virginia에서는 제4수정헌법(부당한 수색·압수 금지) 위반을 다투는 소송이 진행됐다. 지자체 단위 결정과 법정 다툼이 지금 이 기술의 실질적인 제동 장치다.

내 동네 카메라 확인하는 법

1단계 — DFlock 지도를 연다. Will Freeman이 만든 오픈소스 프로젝트 DFlock은 확인된 Flock 카메라 위치를 OpenStreetMap 위에 올려 공개한다. 프로젝트 저장소와 지도를 열고 거주지·직장 주소를 중심으로 확대해 카메라 표시부터 찾는다.

2단계 — 통근 경로와 겹쳐 본다. 점 하나하나가 아니라 매일 지나는 선을 기준으로 봐야 한다. 집에서 회사까지 한 경로에 카메라가 세 대 걸려 있다면 출근 시각과 퇴근 시각, 평소와 다른 경로로 샌 날이 모두 좌표로 남는다는 뜻이다. 자주 가는 병원, 종교시설, 집회 장소 근처도 같이 확인한다.

3단계 — 지도에 없는 카메라를 채워 넣는다. 지도에 표시되지 않았지만 실제로 붙어 있는 장비를 발견하면 OpenStreetMap 매핑에 기여한다. 이 프로젝트의 값어치는 기술이 아니라 커버리지에 있어서, 참여자가 늘어야 지도가 실제 배치를 따라잡는다. 미국 밖 거주자라면 3단계를 자국 점검으로 바꿔, 한국이라면 행정안전부·경찰청 CCTV 운영 지침과 대조해 어떤 항목이 얼마나 오래 보관되는지 확인한다.

기존 인식기와 다른 점

기존 인식기 열은 영상이 대비로 언급한 범위까지만 적었다. 세부 사양이 자료에 없는 칸은 비워 두었고 추정으로 채우지 않았다.

표를 세로로 읽으면 성격 차이가 보인다. 왼쪽은 번호판이라는 식별자 하나를 다루는 장비고, 가운데는 차량 외형 전체를 다차원 질의 대상으로 바꾼 데이터 제품이다. 오른쪽은 그 데이터 제품을 향해 같은 방법을 되돌려 쓴 대응물이다.

지금 할 수 있는 두 가지

하나, 생활권 카메라를 눈에 보이게 만든다. DFlock 지도에서 집·직장·자주 가는 장소 반경을 확인하고, 누락된 장비를 발견하면 매핑에 기여한다. 감시 인프라에 대응하는 시민 도구의 힘은 성능이 아니라 가시성에 있다. 어디에 몇 대가 있는지가 지도로 보이면 지자체 도입 심의와 예산 논의의 성격이 달라진다. Austin과 Evanston의 철거 결정이 그 경로를 실제로 거쳤다.

둘, 차량 지문을 직접 만들어 본다. 공개된 ALPR 데이터셋과 YOLO 계열 객체 인식 모델로 번호판·차종·색상을 뽑는 토이 프로젝트를 하루면 돌릴 수 있다. 몇 개의 속성만 결합해도 특정 차량이 얼마나 빠르게 좁혀지는지 손으로 확인하는 편이, 남의 요약을 읽는 것보다 이 기술의 임계점을 정확히 알려 준다. 여기서 얻는 감각은 개인 프로젝트를 넘어 회사에서 위치·기기 로그를 설계할 때 어디까지가 익명이고 어디부터가 식별인지 가르는 기준이 된다(이 마지막 적용점은 자료에 없는 필자 판단이다).

남는 사실 세 가지

번호판은 가릴 수 있어도 차체 형상과 스티커 조합은 가릴 수 없고, Flock의 검색창은 그 조합을 질의어로 받는다. 반세기 전 제3자 원칙 하나에 기대어 영장 없이 굴러가는 구조 위에서, 사유란에 test를 적은 700회 조회가 3개월간 통과했다. 지금 시민 쪽에 있는 실효 수단은 DFlock 같은 공개 지도와 Austin·Evanston이 밟은 지자체 단위 철거 결정이다.

원문 출처

원문 영상: 영상 원문 보기 — “This new startup can query anywhere you’ve been…”, Fireship

원문: This new startup can query anywhere you’ve been…