Представьте: серверная комната банка, 3:00 ночи. Камера фиксирует движение – система поднимает тревогу, охрана выезжает, а это всего лишь пакет, упавший с полки. На объекте с 20 камерами до 30% всех тревог — ложные. Операторы привыкают игнорировать предупреждения, и реальное вторжение остаётся незамеченным. Каждое такое ложное срабатывание — потенциальный ущерб или административные штрафы. Мы решаем эту проблему двухуровневой архитектурой детекции, которая отсеивает 90% пустых кадров и даёт recall >95% при <1 ложной тревоги в час на камеру. Ниже разберём технические детали.
Как двухуровневая архитектура отсеивает 90% пустых кадров?
Первый уровень — motion pre-filter на основе background subtractor MOG2. Он быстрее нейросети — latency <5 мс на кадр. Если motion_level ниже порога (0.001), кадр пропускается: ML-инференс не запускается. Это экономит GPU — нагрузка падает в 3-5 раз. Второй уровень — YOLO детекция с фильтрацией по зоне.
import cv2 import numpy as np from ultralytics import YOLO class IntrusionDetector: def __init__(self, model_path: str, zone_polygon: list, sensitivity: str = 'medium'): self.detector = YOLO(model_path) self.zone = np.array(zone_polygon, dtype=np.int32) self.bg_subtractor = cv2.createBackgroundSubtractorMOG2( history=500, varThreshold=16, detectShadows=True ) self.conf_thresholds = {'low': 0.7, 'medium': 0.5, 'high': 0.3} self.conf = self.conf_thresholds[sensitivity] self.confirmed_tracks = {} self.confirmation_frames = 3 def detect(self, frame: np.ndarray) -> dict: result = {'intrusion_detected': False, 'intruders': [], 'motion_level': 0.0} fg_mask = self.bg_subtractor.apply(frame) fg_mask[fg_mask == 127] = 0 motion_level = float(fg_mask.sum()) / (frame.shape[0] * frame.shape[1]) result['motion_level'] = motion_level if motion_level < 0.001: return result detections = self.detector(frame, conf=self.conf, classes=[0,2,3,5,7]) for box in detections[0].boxes: x1,y1,x2,y2 = map(int, box.xyxy[0]) cx,cy = (x1+x2)//2, (y1+y2)//2 in_zone = cv2.pointPolygonTest(self.zone, (float(cx),float(cy)), False) >=0 if in_zone: result['intruders'].append({ 'class': self.detector.model.names[int(box.cls)], 'confidence': float(box.conf), 'bbox': [x1,y1,x2,y2], 'center': (cx,cy) }) if result['intruders']: result['intrusion_detected'] = True return result Такой подход позволяет задействовать нейросеть только на кадрах с движением. На практике это снижает нагрузку на GPU с 100% до 20–30%, что особенно важно при параллельной обработке 8–16 камер на одном сервере.
Почему фильтрация по площади и подтверждению кадров снижает false alarm до <1?
Ложные срабатывания чаще всего вызваны мелкими животными, падающими листьями или тенями. Для их отсева применяются два фильтра. Первый — минимальная площадь bounding box (2000 пикселей): объекты меньше этой площади не считаются вторжением. Второй — подтверждение на 3 последовательных кадрах: если объект исчез на следующем кадре, тревога не поднимается.
class FalsePositiveFilter: def __init__(self): self.event_buffer = [] self.cooldown_seconds = 30 def should_trigger_alarm(self, intrusion_event: dict, current_time: float) -> bool: for intruder in intrusion_event.get('intruders', []): x1,y1,x2,y2 = intruder['bbox'] area = (x2-x1)*(y2-y1) if area < 2000: return False if self.event_buffer: last_event_time = self.event_buffer[-1] if current_time - last_event_time < self.cooldown_seconds: return False self.event_buffer.append(current_time) self.event_buffer = self.event_buffer[-10:] return True Такая комбинация даёт стабильно низкий false alarm rate — менее 1 ложной тревоги в час на камеру при сохранении recall >95%.
Настройка мультизонной конфигурации с расписанием и whitelist
Каждая зона описывается полигоном с параметрами alert_level (warning/critical), schedule (always/after_hours) и списком allowed_persons. Например, серверная комната может быть настроена как critical, активна только в нерабочее время и игнорировать авторизованных сотрудников.
zones_config = { 'perimeter': { 'polygon': [[0,300],[1920,300],[1920,1080],[0,1080]], 'alert_level': 'warning', 'schedule': 'always' }, 'server_room': { 'polygon': [[500,200],[900,200],[900,600],[500,600]], 'alert_level': 'critical', 'schedule': 'after_hours', 'allowed_persons': ['id_001', 'id_002'] } } Такая гибкость позволяет настроить систему под любые сценарии: от периметра с низким приоритетом до критических зон с whitelist сотрудников.
Работа в тёмное время суток: ИК и тепловизоры
Стандартные RGB-камеры непригодны для детекции в полной темноте. Решение — использование ИК-подсветки (850/940 нм) с дообученной моделью на ИК-кадрах или тепловых камер (FLIR, Axis). Комбинация RGB и теплового канала даёт наилучший результат: detection rate 90–94% при нулевой освещённости.
| Метрика | Типичное значение |
|---|---|
| Detection Rate (recall) | 95–98% |
| False Alarm Rate | < 2 в час (хорошие условия) |
| Latency до тревоги | < 2 секунды |
| Работа в темноте (ИК) | 90–94% DR |
| Масштаб | Срок внедрения |
|---|---|
| 1–4 камеры, простые зоны | 2–3 недели |
| 8–20 камер, сложные зоны + расписание | 4–7 недель |
| 50+ камер, интеграция с PSIM | 10–16 недель |
Что входит в работу
- Документация: схема архитектуры, конфиги зон, инструкция оператора.
- Доступы: к репозиторию с кодом, дашборду метрик, REST API для интеграции.
- Обучение: 2-часовой вебинар для охраны и администраторов.
- Поддержка: 3 месяца бесплатного сопровождения с реакцией на инциденты в течение 24 часов.
Процесс внедрения: от аудита до поддержки
- Аналитика объекта. Выезд инженера, замеры освещённости, расположения камер, составление карты зон.
- Проектирование. Выбор архитектуры (single-server vs distributed), подготовка конфигов.
- Разработка. Кастомизация модели YOLOv8 на ваших кадрах (RGB, ИК, тепло). Добавляем data augmentation: ночь, туман, дождь.
- Интеграция. Подключение к существующей системе видеонаблюдения и PSIM.
- Тестирование. Прогон сценариев: реальные вторжения, помехи, замер recall и false alarm rate.
- Документация и обучение. Инструкция для операторов, передача кода и конфигураций.
- Поддержка. 3 месяца бесплатного сопровождения с реакцией на инциденты в течение 24 часов.
На каждом этапе вы получаете отчёт и демонстрацию результатов.
Пример расчёта экономии
При 10 ложных тревогах в день оператор тратит по 5 минут на проверку — 30 часов в месяц. При ставке оператора $360–520./мес. экономия за счёт сокращения ложных срабатываний составляет более $1.4k–1.9k. в год. На системе с 20 камерами внедрение окупается за 4–6 месяцев.Обеспечение стабильной точности: трекинг и data augmentation
Чтобы система не теряла цель при временных перекрытиях, используется трекинг объектов на основе алгоритма SORT. Дополнительно каждая модель проходит обучение с аугментацией: ночные кадры, туман, дождь, блики. Это гарантирует стабильную работу в любых погодных условиях и времени суток. Наша команда имеет 5+ лет опыта в Computer Vision и реализовала более 30 проектов видеоаналитики разной сложности.
Получите консультацию по вашему объекту – наши инженеры подберут оптимальное решение. Закажите пилотный проект на 2 камеры и убедитесь в эффективности технологии. Свяжитесь с нами для детального аудита.