AI-система физической безопасности
CCTV-камеры без аналитики — это архив инцидентов, а не система предотвращения. Охранник физически не может мониторить 80 камер одновременно. AI-аналитика меняет роль видеонаблюдения: из «смотрим запись после события» в «предупреждаем о событии в реальном времени».
Задачи AI в физической безопасности
Контроль доступа. Face recognition для прохода через турникеты/двери без карт и PIN. Важно: не face identification (кто это?) в публичных пространствах, а face verification (этот человек в списке разрешённых?) в закрытых зонах. Юридически и технически — разные задачи.
Детекция вторжений. Анализ видеопотока в реальном времени: человек в запретной зоне, движение в нерабочее время, проникновение через периметр. Триггер не на «есть движение» (это реагировало бы на листья), а на семантически значимые события.
Детекция аномального поведения. Человек оставил предмет и ушёл, агрессивные жесты, человек упал, толпа формируется необычно быстро.
Контроль СИЗ. На производстве и стройке: детекция отсутствия каски, жилета, перчаток у работников в соответствующих зонах.
Мониторинг доступа в чувствительные зоны. Серверные комнаты, хранилища, лаборатории — кто вошёл, сколько человек одновременно, tailgating detection (второй человек прошёл за первым без отдельной аутентификации).
Техническая архитектура видеоаналитики
Обработка видеопотоков — задача с жёсткими требованиями по latency и ресурсам. 64 камеры в 1080p@25fps — это значительная нагрузка на inference pipeline.
Edge vs. Cloud processing. Для задач с требованием latency <1 секунды (вторжение, детекция СИЗ) — inference на edge (NVIDIA Jetson Orin или Xavier). Облако — для аналитики, хранения, сложных моделей post-hoc.
Model optimization. YOLOv8n/YOLOv9 в INT8 квантизации через TensorRT на Jetson: 45–60 FPS на 1080p при потреблении 10–15W. Без оптимизации та же модель в FP32 — 12 FPS.
# TensorRT оптимизация для edge deployment
import tensorrt as trt
def optimize_for_jetson(onnx_path: str) -> trt.ICudaEngine:
builder = trt.Builder(trt.Logger(trt.Logger.WARNING))
config = builder.create_builder_config()
config.set_flag(trt.BuilderFlag.INT8)
config.int8_calibrator = CalibrationDataset(calibration_data)
network = builder.create_network(
1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH)
)
parser = trt.OnnxParser(network, trt.Logger())
parser.parse_from_file(onnx_path)
return builder.build_engine(network, config)
Multi-camera tracking. Person re-identification (Re-ID) позволяет отслеживать человека между камерами без перекрытия поля зрения. OSNet или TransReID как backbone для Re-ID эмбеддингов. Поиск по сходству эмбеддингов в real-time: FAISS index.
Детекция tailgating в глубину
Tailgating — когда второй человек проходит через контролируемую дверь «в хвост» первому, не проходя авторизацию. Стандартные датчики ненадёжны. Computer Vision подход:
- Детекция дверного проёма и зоны перед ним
- Трекинг всех людей через pose estimation (MediaPipe или ViTPose)
- Сопоставление событий аутентификации с проходами через дверь
- Если через дверь прошли 2 человека, а аутентификационных событий было 1 — алерт
Точность в лабораторных условиях: 97%. В реальных условиях (переменное освещение, объекты, частичная окклюзия): 88–92%. False alarm rate при правильной калибровке: 2–4%.
Практический кейс
Дата-центр, 180 камер, 3 охранника на смену. Задача: 24/7 мониторинг серверных залов и периметра. Ручной мониторинг 180 камер — физически невозможен.
После внедрения AI-аналитики:
- 99.7% времени система работает автономно, охранники реагируют только на алерты
- Среднее время реакции на инцидент: 23 секунды (vs. «не замечали до проверки записи»)
- За первые 6 месяцев: 12 предотвращённых инцидентов несанкционированного доступа
- Два случая tailgating обнаружены, которые раньше не детектировались
- Ложных тревог (false alarms): 1.8/день — допустимо для охраны
Ключевой moment: первые 2 недели настройка зон чувствительности и порогов. Без этого — сотни алертов на уборщиков, подрядчиков, освещение. После калибровки — точная работа.
Privacy considerations
Face recognition в физической безопасности требует правового основания. В России: согласие сотрудников или основание в трудовом договоре для внутренних зон. В публичных пространствах — специальное разрешение. Данные биометрии хранятся по ФЗ-152 с усиленной защитой.
Сроки: 4–8 недель для базовой детекции вторжений и СИЗ, 3–6 месяцев для комплексной системы с Re-ID, контролем доступа и интеграцией с СКУД.