Система видеоаналитики и видеонаблюдения на основе ИИ
Классический CCTV стоит деньги, но ничего не делает. 64 камеры на объекте — это 64 монитора, которые никто не смотрит 96% времени. Охранник физически не способен одновременно отслеживать все потоки. Видеоаналитика переводит систему из пассивной записи в активный мониторинг: камера сама сообщает, когда что-то пошло не так.
Ключевые аналитические модули
Детекция вторжений и пересечения периметра
Базовый модуль любой системы видеоаналитики. Технически — детекция людей (YOLOv8, RT-DETR) + пересечение виртуальной линии или зоны. Сложность не в детекции как таковой, а в минимизации ложных тревог.
Типичные источники ложных срабатываний:
- Животные (кошки, птицы, крупные насекомые у камеры)
- Тени от деревьев при ветре
- Засветка фарами автомобилей
- Дождь на объективе
Решение: классификатор человек vs не-человек с порогом confidence 0.75+, temporal filtering (объект должен присутствовать минимум N кадров подряд), ROI-маски для исключения заведомо шумных зон кадра. На хорошо откалиброванной системе: false alarm rate < 0.3/камера/час.
Multi-camera tracking
На крупном объекте (торговый центр, завод, аэропорт) интереснее не «что человек делает на одной камере», а «куда он идёт по всему объекту». Multi-Camera Multi-Object Tracking (MCMOT) — одна из активно исследуемых задач CV.
Два подхода:
- Appearance-based re-id: извлечение appearance descriptor из каждой камеры (BoT-BOT, OSNet, SBS-R101 из Fast-ReID), матчинг по cosine similarity между камерами. Работает хорошо при непересекающихся полях зрения.
- Topology-aware matching: использование топологии переходов между камерами (знаем, что из зоны А человек может попасть в зону В за 30–120 секунд). Снижает false match на похожих людях.
Кейс: складской комплекс 45 000 м², 128 IP-камер Axis. Задача — мониторинг соблюдения маршрутов персонала в зонах ограниченного доступа. DeepSORT → FastReID pipeline, обработка на 4× NVIDIA RTX 4090 сервере. Время сквозного трекинга одного человека через 15 камер: < 800 ms задержки от реального времени.
Глубокий разбор: детекция аномального поведения
Это наиболее технически сложный и наиболее ценный модуль. Детектировать человека умеет любой YOLOv8. Понять, что он делает что-то подозрительное — принципиально другая задача.
Что такое «аномалия»
Аномальное поведение — статистически редкое или контекстно неожиданное действие: человек упал, бросил предмет, оставил багаж, агрессивное движение, скопление людей, движение в нетипичном направлении.
Подходы
Action recognition: SlowFast или Video Swin Transformer на коротких клипах 2–4 секунды. Классифицирует конкретные действия из предопределённого набора (удар, падение, бег). Хорошо работает для специфических событий.
Anomaly detection без разметки аномалий: AutoEncoder на нормальных видеосценах (обучение только на «нормальном»). Аномалия = высокая ошибка реконструкции. Методы: Conv-AE, или более современный PatchCore-video. Преимущество — не нужна разметка аномальных сцен, которых мало. Недостаток — высокий false positive rate в динамичных сценах.
Trajectory analysis: скопление людей определяется по плотности треков в пространстве-времени, Kernel Density Estimation по координатам точек трека. Внезапная остановка + горизонтальное положение = падение человека.
На практике комбинируем: rule-based детекция для хорошо определённых событий (пересечение линии, зона запрета) + anomaly detection для нетипичных ситуаций.
Архітектура системы
Edge-компонент: обработка видеопотоков близко к камерам снижает нагрузку на сеть. NVIDIA Jetson AGX Orin обрабатывает 8–16 HD-потоков с детекцией и трекингом. TensorRT + DeepStream SDK — стандартный стек для Jetson.
Серверный компонент: хранение видеоархива, аналитика по событиям, управление. VMS (Video Management System): Milestone XProtect, Genetec Security Center, или open source — Frigate NVR. Хранение — объектное хранилище (MinIO или S3), только аналитически значимые клипы, не весь поток.
Инструменты: NVIDIA DeepStream, OpenCV, ByteTrack, Fast-ReID, MLflow для версионирования моделей.
| Компонент | Рекомендуемое решение | Альтернатива |
|---|---|---|
| Детекция людей | YOLOv8m TensorRT | RT-DETR |
| Трекинг | ByteTrack | BoT-SORT |
| Re-ID | OSNet (Fast-ReID) | SBS-R50 |
| VMS | Milestone XProtect | Frigate NVR |
| Edge-платформа | Jetson AGX Orin | Intel NUC + iGPU |
Сроки
Базовая система детекции вторжений для 1 объекта: 4–6 недель. Полная видеоаналитика с трекингом, поведенческим анализом и VMS-интеграцией: 3–5 месяцев.