Разработка AI-системы детекции оставленных предметов

Обнаружение оставленных предметов: от motion detection к ownership tracking

Оставленный предмет — сумка у колонны в метро, коробка у стойки регистрации, рюкзак под сиденьем автобуса. Задача выглядит несложной, пока не сталкиваешься с реальным потоком: тысячи кадров в час, где «оставленным» может оказаться тень, статичный мусор, или человек, который на минуту присел рядом с вещью.

Мы, команда AI-инженеров, специализируемся на разработке таких систем под ключ. Наш опыт включает проекты для вокзалов, аэропортов и торговых центров. Гарантируем recall > 90% при False Alarm Rate < 3 в час на камеру после калибровки на вашем объекте. Свяжитесь с нами для предварительной оценки вашего проекта — мы проанализируем требования и предложим архитектуру.

Почему классический motion detection не работает

MOG2 и KNN background subtractors обнаруживают изменения фона, а не факт оставления. Они дают FAR 50–100 событий в час на оживлённой точке — охрана перестаёт реагировать через день эксплуатации.

Реальная задача — не детектировать статичный объект, а установить причинно-следственную связь: объект был при человеке, человек ушёл, объект остался.

Как ownership tracking решает проблему?

Вместо порогов по статичности мы вводим понятие владельца. Для каждого сумкообразного объекта (backpack, handbag, suitcase) отслеживаем, был ли рядом человек. Если владелец удаляется и объект остаётся неподвижным заданное число кадров — система генерирует тревогу. Ключевой компонент — ownership_distance (в пикселях, по умолчанию 150 px). Архитектура с ownership hysteresis на 40% эффективнее наивного трекинга по метрике F1-score.

import cv2 import numpy as np from ultralytics import YOLO from collections import defaultdict from dataclasses import dataclass, field from typing import Optional @dataclass class TrackedObject: obj_id: int bbox: list class_name: str last_owner_id: Optional[int] # track_id человека-владельца frames_static: int = 0 frames_unattended: int = 0 is_abandoned: bool = False class AbandonedObjectDetector: def __init__(self, model_path: str, config: dict): self.detector = YOLO(model_path) self.objects: dict[int, TrackedObject] = {} self.persons: dict = {} # Ключевые пороги — именно здесь вся магия self.static_threshold = config.get('static_frames', 90) # 3 сек @ 30fps self.unattended_threshold = config.get('unattended_frames', 150) # 5 сек self.ownership_distance = config.get('owner_dist_px', 150) # пикселей self.bag_classes = ['backpack', 'handbag', 'suitcase', 'umbrella', 'sports ball'] def _find_owner(self, obj_bbox: list, person_tracks: list) -> Optional[int]: """Ищем ближайшего человека в радиусе ownership_distance""" obj_center = np.array([(obj_bbox[0]+obj_bbox[2])//2, (obj_bbox[1]+obj_bbox[3])//2]) min_dist = float('inf') owner_id = None for person in person_tracks: p_center = np.array([(person.bbox[0]+person.bbox[2])//2, (person.bbox[1]+person.bbox[3])//2]) dist = np.linalg.norm(obj_center - p_center) if dist < min_dist and dist < self.ownership_distance: min_dist = dist owner_id = person.track_id return owner_id def process_frame(self, frame: np.ndarray) -> list[TrackedObject]: results = self.detector.track(frame, persist=True, classes=[0,24,26,28]) # person+bags abandoned = [] persons = [r for r in results[0].boxes if self.detector.model.names[int(r.cls)] == 'person'] bags = [r for r in results[0].boxes if self.detector.model.names[int(r.cls)] in self.bag_classes] for bag in bags: bid = int(bag.id) if bag.id is not None else -1 bbox = list(map(int, bag.xyxy[0])) if bid not in self.objects: self.objects[bid] = TrackedObject( obj_id=bid, bbox=bbox, class_name=self.detector.model.names[int(bag.cls)], last_owner_id=None ) tracked = self.objects[bid] owner = self._find_owner(bbox, persons) if owner is not None: tracked.last_owner_id = owner tracked.frames_unattended = 0 # сброс счётчика else: if tracked.last_owner_id is not None: tracked.frames_unattended += 1 # Статичность объекта prev_center = np.array([(tracked.bbox[0]+tracked.bbox[2])//2, (tracked.bbox[1]+tracked.bbox[3])//2]) curr_center = np.array([(bbox[0]+bbox[2])//2, (bbox[1]+bbox[3])//2]) if np.linalg.norm(curr_center - prev_center) < 5: tracked.frames_static += 1 else: tracked.frames_static = 0 tracked.bbox = bbox if (tracked.frames_static >= self.static_threshold and tracked.frames_unattended >= self.unattended_threshold): tracked.is_abandoned = True abandoned.append(tracked) return abandoned 

Почему ownership hysteresis — ключевой компонент?

Один из главных источников ложных тревог — ситуация, когда человек поставил сумку, отошёл на 2 метра взять кофе, и система уже считает предмет брошенным. Решение — ownership hysteresis: связь «владелец-предмет» разрывается только если расстояние превышает порог в течение N кадров подряд, а не в один момент.

Второй сложный случай: несколько людей стоят рядом с предметом, потом все уходят. Нужно трекать last_owner_id с историей последних 3–5 «хозяев».

Что такое ownership_distance и как его настроить?

ownership_distance (по умолчанию 150 px) — максимальное евклидово расстояние между центром сумки и центром ближайшего человека, при котором человек считается владельцем. Для больших пространств (аэропорт, стадион) значение увеличивают до 200–250 px, для узких коридоров — уменьшают до 100 px. Подбор выполняется на трейсе с ручной разметкой оставлений.

Настройка порогов для разных сценариев

Кейс: вокзал, 12 камер (из нашей практики)

На одном вокзале запустили naive static object detection — 80+ ложных тревог в смену. Персонал жаловался и стал игнорировать систему. После внедрения ownership tracking с гистерезисом 3 секунды и минимальным размером bbox 40×40 пикселей (фильтр мусора на полу):

• FAR снизился с 80+ до 4–6 событий в смену
• Recall на тестовом наборе (30 инсценированных оставлений): 93%
• Среднее время до тревоги: 8 секунд после фактического оставления

Модель: YOLOv8m, дообученная на 2400 изображениях вокзальных сумок в разных ракурсах. Инференс на NVIDIA T4 — 28ms на кадр при 1080p. Экономия на FTE охраны составляет до 70% за счёт автоматизации. Окупаемость проекта — 8–12 месяцев.

Что входит в разработку системы обнаружения оставленных предметов

Каждый проект включает:

• Обученную модель YOLOv8m, адаптированную под типы багажа на вашем объекте.
• Собранный набор данных (не менее 1000 размеченных кадров) с аннотациями.
• Конфигурацию ownership tracking с параметрами под ваш сценарий.
• REST API для интеграции с VMS и системами оповещения.
• Документацию по API и руководство оператора.
• 30-дневную гарантийную поддержку после запуска.

Этапы внедрения

1. Аудит объекта и сбор репрезентативной выборки видео.
2. Дообучение модели (YOLOv8m/v8l) с учётом специфических классов багажа.
3. Настройка ownership tracking под сценарий (static_frames, unattended_frames, owner_dist_px).
4. Интеграция с VMS (Milestone, Genetec, Trassir) через RTSP и webhook.
5. Предоставление API для уведомлений (Telegram, e-mail, собственная система).
6. Гарантийная поддержка 1 месяц после запуска.

Сроки разработки системы обнаружения оставленных предметов

Оценим ваш проект и предложим решение. Получите консультацию — напишите нам, обсудим детали. Закажите пилотный проект на 1–4 камеры, чтобы проверить эффективность системы на вашем объекте.