거리영상과 딥러닝을 활용한 범죄불안감 및 CPTED 기반 범죄안전설계 평가

Abstract

도시의 거주민의 범죄불안감은 안전한 도시설계와 범죄예방 정책 수립에 있어 중요한 요소로, 이는 단순한 범죄발생률 뿐만 아니라 거주민의 심리적 안정감과 삶의 질에도 큰 영향을 미친다. 그러나 기존의 범죄불안감과 범죄안전 평가 연구는 소규모 지역에 한정된 설문조사나 현장조사에 의존하는 경우가 많아 넓은 지역에 대한 체계적인 분석이 부족하다는 한계가 있었다. 본 연구는 거리영상(Street View Images)과 딥러닝 기술(Deep Learning Technology)을 활용하여 가로 수준에서 범죄불안감과 CPTED(Crime Prevention Through Environmental Design) 기반 범죄안전설계 수준을 시각화하고 비교 평가하는 것을 목적으로 하였다. 이를 극복하기 위해, 본 연구에서는 거리영상의 30%에 해당하는 171,942개의 쌍별비교(pairwise comparison) 데이터셋을 구축하여 RSS-Swin 모델을 활용한 범죄불안감 평가 모델을 개발하였으며, 시맨틱 세그멘테이션(Semantic Segmentation)과 GIS 데이터와 결합하여 CPTED 기반 범죄안전설계 평가지표를 개발하였다. 인지적 범죄불안감과 CPTED 기반 범죄안전설계를 평가하고, 각각의 특성과 차이를 분석하여, 이에 기반한 개선안을 도출할 수 있었다. 범죄불안감과 범죄안전설계 평가를 시각화한 결과, 연구지역인 영등포구에서 범죄불안감이 높은 지역은 낙후된 주거지역이 밀집된 남쪽 이면도로에서 주로 나타났으며, 이들 지역은 복잡하고 좁은 골목길, 노후된 건축물로 인해 범죄 취약성이 높은 것으로 평가되었다. 반면, 대로변이나 금융중심지인 여의도와 영등포구 북쪽의 상업 및 업무지구는 개방적이고 시야가 넓어 범죄불안감이 상대적으로 낮게 나타났다. CPTED 기반 범죄안전설계 평가에서는 문래동 창작촌과 공업지대, 대림3동의 이면도로 일대는 영역성, 감시, 접근통제, 유지관리에서 열악한 평가를 받아 범죄 노출 위험이 높은 지역으로 분류되었으며, 주요 요인으로는 Fence, Wall, Greenness, Streetlight, Openness의 부족이 지적되었다. 반면, 당산2동과 신길7동의 아파트 단지 주변 ‘길’급 도로구간은, 유지관리, 주택 유형, 인종적 이질성에서 우수한 평가를 받았으나, 여전히 Streetlight와 Openness에서 취약점을 보였다. 범죄불안감과 범죄안전설계 평가를 결합한 결과, 범죄불안감이 높고 범죄안전설계도 열악한 지역, 범죄불안감이 높으나 범죄안전설계가 우수한 지역, 범죄불안감이 낮지만 범죄안전설계가 열악한 지역, 범죄불안감이 낮고 범죄안전설계도 우수한 지역의 네 가지 유형으로 분류하고 상세한 지역을 파악할 수 있었다. 본 연구의 주요 기여는 (1) 거리영상을 활용하여 범죄불안감을 예측하는 딥러닝 모델에 있어 예측 정확도가 가장 높은 모델을 개발한 점, (2) 거리영상의 시맨틱 세그먼테이션과 GIS 데이터를 결합하여 CPTED 기반 범죄안전설계를 평가할 수 있는 지표를 개발하여, 가로단위의 상세한 수준에서 범죄안전설계 요소가 반영되었는지 데이터 기반으로 객관적으로 평가할 수 있도록 한 점, (3) 인지적 범죄불안감과 CPTED 기반 범죄안전설계 평가를 가로 수준에서 상세하게 분석할 수 있도록 시도한 점이다.;Fear of crime among urban residents is a critical factor in designing safe urban environments and developing effective crime prevention policies, as it significantly affects not only crime incidence but also residents’ psychological well-being and quality of life. However, previous studies on crime perception and safety design have often relied on small-scale surveys and field observations, lacking the capacity for comprehensive, large-area analysis. To address this gap, this study aims to visualize and comparatively assess perceived fear of crime and CPTED (Crime Prevention Through Environmental Design)-based physical safety design at the streetscape level by leveraging street view imagery (SVI) and deep learning technologies. Specifically, we constructed a pairwise comparison dataset consisting of 171,942 image pairs (representing 30% of the total SVI dataset) to train a fear-of-crime prediction model based on the RSS-Swin architecture. In parallel, semantic segmentation models trained on ADE20K were used to extract urban physical features from images, which were combined with GIS data to develop a set of CPTED-based design indicators. We then visualized and analyzed both the perceptual and physical safety assessments to identify patterns and derive design recommendations. The results revealed that areas with high fear of crime were predominantly located in the southern backstreets characterized by deteriorated housing and complex alleyways, whereas major roads and commercial districts such as Yeouido and northern Yeongdeungpo, with their open sight lines, showed relatively low levels of perceived fear. In the CPTED-based crime prevention design evaluation, the areas around Mullae-dong Art Village, the industrial zone, and the backstreets of Daerim 3-dong were classified as high-risk areas due to low scores in Territoriality, Surveillance, Access Control, and Maintenance. The primary issues identified in these areas included the lack of Fence, Wall, Greenery, Streetlight, and Openness. In contrast, the ‘gil’-level road segments surrounding apartment complexes in Dangsan 2-dong and Singil 7-dong received favorable evaluations in Maintenance, Housing Type, and Ethnic Heterogeneity, although they remained vulnerable in terms of Streetlight and Openness. Integrating the two assessment layers, four spatial categories were identified: (1) high fear & poor design, (2) high fear & strong design, (3) low fear & poor design, and (4) low fear & strong design. This study contributes (1) a highly accurate deep learning model for predicting fear of crime using SVI; (2) a set of CPTED-based indicators combining semantic segmentation and GIS data to objectively evaluate crime-preventive design at the streetscape level; and (3) an integrated approach that enables detailed spatial analysis and comparison of perceptual and physical safety in urban environments.