Периметральная видеоаналитика

Содержание

Введение

Быстрое развитие видеонаблюдения и компьютерного зрения сделало периметральную видеоаналитику одной из самых востребованных технологий безопасности. Число охраняемых объектов растёт. Многие территории распределены, а часть из них относится к критически важной инфраструктуре. Традиционная охрана с постоянным наблюдением человека работает хуже в таких условиях. Автоматическое обнаружение и классификация событий на периметре снижают нагрузку на оператора. Они сокращают время реакции и повышают достоверность тревог. Это важно для промышленных предприятий, транспортных узлов и государственных границ. Поэтому тема имеет научное и практическое значение.

Проблема исследования связана с ложными срабатываниями. Существующие системы зависят от освещённости, погоды и качества видеопотока. Спорными остаются выбор архитектуры и алгоритмов обнаружения. Нет единых критериев оценки эффективности. Нужно сопоставить известные подходы и определить разумные параметры настройки.

Объект исследования — системы периметральной видеоаналитики. Предмет исследования — методы и алгоритмы обнаружения и классификации событий на периметре, а также практическая реализация и оценка эффективности таких систем.

Цель работы — разработать прототип системы периметральной видеоаналитики для выбранного сценария охраны периметра и оценить его эффективность.

Для достижения цели поставлены задачи:

1. Изучить современную литературу по теме.<br>2. Уточнить ключевые понятия.<br>3. Рассмотреть архитектуру и компоненты систем.<br>4. Проанализировать методы и алгоритмы обнаружения и классификации событий.<br>5. Разработать и настроить прототип.<br>6. Провести тестирование и оценить эффективность системы.<br>7. Сформулировать выводы и рекомендации.

Методы исследования: анализ и синтез, сравнительный анализ, классификация. Также применяю системный подход, моделирование, эксперимент и статистическую обработку данных. Для данных за разные периоды использую статистические методы и сравнительный анализ. Информационную базу формируют монографии, статьи из рецензируемых журналов и учебные издания последних лет. В работе опираюсь на публикации последних пяти лет. Это поддерживает актуальность теоретической базы.

Практическая часть связана с выбранным сценарием охраны периметра. В ней прототип собирается, настраивается и проверяется на тестовых данных. Такой порядок связывает теорию с практикой. Он позволяет оценить реальную пользу системы и понять, где остаются ограничения. Этот переход от теории к практике и определяет логику всей работы.

Теоретические основы периметральной видеоаналитики

Понятие, цели и задачи периметральной видеоаналитики

Современные системы видеонаблюдения прошли долгий путь развития. Аналоговые комплексы только записывали изображение на магнитные носители. Цифровые распределённые платформы научились в автоматическом режиме понимать содержание видеопотока. Причиной перехода к интеллектуальной обработке стало простое противоречие. Число камер растёт, а оператор физически не способен долго удерживать внимание на десятках экранов сразу [12]. Это противоречие и привело к выделению отдельного направления — видеоаналитики. Для задач охраны объектов его называют периметральной видеоаналитикой.

Разграничение близких понятий важно для корректной постановки исследовательских задач. Видеонаблюдение — это совокупность технических средств регистрации, передачи, хранения и отображения сигнала. Видеоаналитика — это методы и алгоритмы автоматического извлечения смысловой информации из видеоизображения. Периметральная видеоаналитика — прикладная область видеоаналитики, нацеленная на контроль внешнего контура объекта. Объектом здесь выступает периметр, то есть физическая граница территории. Субъектом — система безопасности в единстве техники, алгоритмов и оператора, который принимает решения по тревожным событиям [13].

Основная цель периметральной видеоаналитики — автоматически находить нарушения периметра в реальном времени при минимальном участии человека. Автоматизация позволяет уйти от непрерывного визуального контроля к событийной модели. Оператор подключается только к потенциально значимым инцидентам. Дополнительные цели таковы: снизить нагрузку на персонал, повысить достоверность тревог за счёт отсечения помех, предупредить о приближении нарушителя заранее, связать систему с другими подсистемами безопасности, сформировать доказательную базу для разбора инцидентов.

Для достижения этих целей нужно решить комплекс взаимосвязанных задач. Среди них: детекция движения, выделение объектов на фоне, их классификация по категориям «человек», «транспорт», «животное», сопровождение во времени (трекинг), анализ пересечения линии или входа в зону, распознавание аномального поведения, отсечение ложных срабатываний от осадков, качания деревьев и смены освещения, оповещение оператора и архивирование видеоданных [18]. Задачи образуют иерархию — от первичной обработки сигнала до поддержки решений.

Научно-технический контекст работы опирается на российские публикации 2020–2025 годов. В них отмечается терминологическая неоднозначность понятий «видеоаналитика» и «интеллектуальное видеонаблюдение». Также учтены действующие стандарты охранного телевидения, задающие требования к составу и характеристикам систем охраны периметра. Анализ источников показывает: единая общепринятая трактовка понятия пока не сложилась. Это затрудняет сопоставление результатов разных разработок и обоснование выбора метрик эффективности [21].

Логика дальнейшего раскрытия темы строится последовательно. От общего определения и разграничения родственных терминов — к формулировке целей. Затем к конкретным задачам детекции, классификации и анализа событий. Далее к критериям оценки эффективности, которые разбираются в следующих параграфах.

Содержание понятия уточняется при разбиении целей и задач по типу периметра, условиям среды и категории объекта. Такое разбиение принципиально. Единая постановка задачи на практике не работает: требования на протяжённом рубеже сильно отличаются от требований к локальной зоне контроля. Различаются и критерии оценки качества работы системы.

Протяжённый периметр характерен для объектов с границей в сотни метров или километры: промышленных площадок, магистральных трубопроводов, линий электропередачи, транспортных магистралей, режимных территорий [27]. Основные цели здесь — непрерывный контроль всей протяжённости, раннее обнаружение нарушителя на подступах, определение направления его движения. Время реакции оператора и группы реагирования становится критическим. Задачи смещаются к масштабируемости. Нужна одновременная обработка десятков видеопотоков, объединение данных от разных датчиков, автоматическое сопровождение объекта при переходе между камерами. Точность классификации здесь может быть ниже, чем на локальном рубеже. Зато ужесточается требование к вероятности пропуска. Пропуск нарушения на удалённом участке почти исключает своевременное реагирование.

Локальный периметр охватывает ограниченную зону: входную группу, контрольно-пропускной пункт, периметр отдельного здания, складской терминал, площадку хранения ценностей. Цели смещаются от обнаружения факта приближения к идентификации события и субъекта. Важно не только зафиксировать пересечение границы, но и понять, санкционирован ли доступ, к какой категории относится объект, соответствует ли его поведение регламенту. Задачи становятся аналитическими: распознавание лиц или номерных знаков, сопоставление события с базой разрешений, контроль направления движения в зонах с односторонним режимом. Растут требования к разрешению каналов, ракурсам камер и точности классификации.

Комбинированный периметр объединяет признаки двух предыдущих типов. Внешний рубеж большой протяжённости дополняется внутренними локальными зонами усиленного контроля. Цели и задачи образуют иерархию. Грубое обнаружение на дальних подступах служит триггером для детального анализа на ближних. Такая конфигурация позволяет распределять ресурсы неравномерно. Самые тяжёлые алгоритмы сосредотачиваются там, где вероятность нарушения максимальна. На второстепенных участках нагрузка снижается. Сравнение трёх типов периметра сведено в таблицу 1.

Таблица 1 – Типы периметров и приоритеты задач видеоаналитики

На условия работы влияют среда и категория объекта. Для объектов с интенсивным искусственным освещением и стабильным фоном задачи решаются в благоприятных условиях. Открытые площадки с переменным светом, осадками, туманом, снегопадом и качанием камер под ветром требуют адаптивных алгоритмов, устойчивых к динамическому фону [7]. Категория объекта задаёт режимные требования. Для объектов особой важности важнее достоверность тревог и сохранность доказательств. Для гражданских объектов приоритетом часто становится низкая стоимость владения и простота эксплуатации. Отсюда видно: цели и задачи не заданы раз и навсегда. Они формируются при согласовании режимных, технических и экономических ограничений.

Из сформулированных целей вытекает иерархия задач. Нижний уровень — детекция и первичная фильтрация. Здесь идёт выделение движущихся областей и отсечение шумов от флуктуаций освещения, колебаний растительности, движений животных и осадков. Результат уровня — набор гипотез о наличии объектов в зоне интереса. Средний уровень — классификация и трекинг: определение типа объекта (человек, транспорт, животное, группа), удержание связи между обнаружениями в соседних кадрах, оценка траектории и скорости. Здесь формируется основная часть признаков для дальнейшего анализа. Верхний уровень — анализ событий и поддержка решений. Траектория интерпретируется как событие: пересечение линии, вход в запретную зону, остановка в неположенном месте, движение в обратном направлении, оставленный предмет. Сюда же относится оценка опасности и приоритизация тревог. Такая трёхуровневая схема помогает локализовать ошибки. Сбой нижнего уровня даёт пропуск цели. Сбой среднего — ошибку класса или срыв сопровождения. Сбой верхнего — неверную интерпретацию корректно обнаруженного объекта.

Связующая проблема целей, задач и критериев — ложные тревоги. Оператор, получающий много недостоверных сообщений, начинает их игнорировать. Это снижает фактическую надёжность системы независимо от характеристик алгоритмов. Количественная оценка опирается на метрики бинарной классификации. Приведу формулы.

Precision (точность):

P = TP / (TP + FP)

Recall (полнота):

R = TP / (TP + FN)

F1-мера:

F1 = 2 · P · R / (P + R)

Здесь TP — число верно обнаруженных нарушений, FP — число ложных тревог, FN — число пропущенных нарушений.

Рассмотрим пример расчёта. За смену система выдала 50 тревожных событий. Из них 40 оказались реальными нарушениями, а 10 — ложными. За тот же период произошло 5 нарушений, которые система пропустила. Тогда TP = 40, FP = 10, FN = 5. Precision = 40 / (40 + 10) = 0,80. Recall = 40 / (40 + 5) = 0,89. F1 = 2 · 0,80 · 0,89 / (0,80 + 0,89) ≈ 0,84. Точность 0,80 означает, что каждая пятая тревога ложная. Полнота 0,89 показывает, что система находит почти девять нарушений из десяти.

Дополнительно используют вероятность ложной тревоги на единицу времени или на камеру. Это удобно для нормирования нагрузки на оператора. Отдельно измеряется время реакции оператора — интервал между тревожным сообщением и началом действия. Перечисленные метрики не взаимозаменяемы. Рост чувствительности обычно повышает recall, но снижает precision, и наоборот.

Отсюда следует: рабочую точку алгоритма задают не абстрактным максимумом точности, а целями конкретного объекта. Там, где цена пропуска высока, приоритет отдают recall при допустимом уровне ложных срабатываний. Там, где силы реагирования ограничены, приоритет смещается к precision. Компромиссный характер этой зависимости — одна из центральных проблем проектирования. Именно поэтому универсальных решений, пригодных для любых объектов, пока нет.

Понятие зависит и от условий применения. Эффективность аналитики прямо связана со сценарием охраны, качеством видеопотока, погодой, освещённостью, ракурсами и высотой камер, плотностью фонового движения. Снижение разрешения, сжатие с потерями, расфокусировка, засветка от фар или прожекторов способны обнулить преимущества даже хорошего алгоритма. Поэтому современные системы включают адаптацию. Это автоматическая подстройка порогов детектора под уровень шума, обучение на данных конкретной сцены, периодическая калибровка зон и линий пересечения. Понятие периметральной видеоаналитики, стало быть, не сводится к алгоритмическому ядру. Оно охватывает все условия, при которых ядро сохраняет работоспособность.

Важен и интеграционный аспект. В реальной системе охраны периметральная видеоаналитика не работает изолированно. Её тревожные события должны попадать на пульт оператора и в подсистему оповещения, сопоставляться с данными системы контроля доступа, инициировать приоритетные записи в архив, при необходимости запускать исполнительные устройства. От качества интеграции зависит практическая ценность аналитики. Корректно обнаруженное, но не доставленное адресату событие не имеет операционного смысла. Одновременно обработка видеоданных с изображениями людей затрагивает защиту персональных данных. Нужно соблюдать законодательные нормы, регламентировать сроки хранения, разграничивать права доступа к архиву и в ряде случаев применять анонимизацию. Правовые и этические ограничения здесь не внешняя добавка, а неотъемлемая часть требований к системе.

Проведённый анализ позволяет уточнить понятие. Периметральная видеоаналитика — не отдельный алгоритм и не изолированное техническое средство, а комплексная подсистема безопасности. Она объединяет видеоканалы, вычислительные средства, алгоритмы обработки, подсистемы оповещения и архивирования, а также организационные регламенты действий оператора. Её цели и задачи не универсальны. Они определяются типом периметра, условиями среды и категорией объекта. Задачи образуют иерархию: от детекции и первичной фильтрации через классификацию и трекинг к анализу событий и поддержке решений. Критериями достижения целей служат метрики достоверности и своевременности. Их нельзя рассматривать в отрыве от реальной нагрузки на оператора и ресурсов службы реагирования. Из этого понимания понятия, целей и задач вытекают требования к архитектуре системы и к выбору методов обнаружения и классификации событий. К ним мы переходим в следующих разделах.

Архитектура и компоненты систем периметральной видеоаналитики

Архитектура системы периметральной видеоаналитики — многоуровневая совокупность связанных подсистем. Она объединяет сенсорный, вычислительный, коммуникационный и интерфейсный контуры. Такой взгляд позволяет видеть в комплексе не набор разрозненных устройств, а целостную систему. Характеристики каждого контура определяют итоговые показатели обнаружения и классификации событий на территории. В российских исследованиях последних лет этот подход закрепился как базовый при проектировании интеллектуальных систем безопасности [6].

Наиболее распространена трёхуровневая модель. Она включает уровень сбора видеоданных, уровень обработки и аналитики, уровень представления и реагирования. Первый обеспечивает первичное восприятие обстановки. Второй извлекает смысловую информацию из видеопотока. Третий доводит результат до оператора и исполнительных устройств. Такое разделение функций даёт модульность и упрощает масштабирование. Границы между уровнями при этом не жёсткие. Часть аналитики может выполняться на камере, часть — на сервере. Это отражает общую тенденцию к распределённой обработке.

Компоненты сбора образуют нижний уровень и определяют качество исходных данных. К ним относятся IP-камеры видимого диапазона, тепловизоры, инфракрасные прожекторы, радиолокационные датчики, а также сейсмические, вибрационные и магнитометрические извещатели. Важную роль играют видеокодеки и подсистема синхронизации времени. Разрешение камер, частота кадров и чувствительность сенсоров прямо влияют на дальность обнаружения и вероятность распознавания. Отдельно согласуются оптические параметры. Угол обзора, фокусное расстояние и мощность ИК-подсветки подбираются под геометрию периметра и требуемую дальность уверенного обнаружения. Чем выше плотность сенсоров, тем устойчивее комплекс к попыткам обхода зоны.

Вычислительные компоненты обрабатывают данные. Их основу составляют CPU- и GPU-платформы, встраиваемые модули для бортовой обработки, серверные узлы, нейросетевые детекторы, алгоритмы трекинга и модули классификации событий. Современные решения используют гибридно встраиваемые ускорители и серверные мощности. Так нагрузка распределяется между периферией и центром. Для вычислений применяют и специализированные ускорители, и графические процессоры, и центральные процессоры общего назначения. Выбор зависит от требуемой производительности и энергопотребления. Развёртывание сервисов часто выполняют в контейнерах. Это даёт переносимость и упрощает обновление программного обеспечения.

Программная архитектура описывается конвейером обработки: capture — decode — preprocess — inference — postprocess — tracking — event logic. Схема конвейера приведена на рисунке 1. Каждый этап реализуется отдельным сервисом или функциональным блоком. Это соответствует микросервисному принципу. Обмен данными идёт через очереди сообщений. Результаты сохраняются в базах данных. Доступ к функциям системы предоставляется через программные интерфейсы (API). Событийная логика опирается на правила зон, времени, направления движения и размеров объекта. Это снижает число ложных срабатываний.

```<br>capture → decode → preprocess → inference → postprocess → tracking → event logic<br>```

Рисунок 1 – Конвейер обработки видеопотока в системе периметральной видеоаналитики

Коммуникационные и интеграционные компоненты связывают подсистемы. Используются проводные и беспроводные сети, протоколы ONVIF и RTSP, хранилища видеоданных, системы видеонаблюдения, платформы PSIM и системы контроля доступа. Интеграция с внешними системами автоматизирует реагирование и формирует единое информационное пространство объекта. Особое место занимает совместимость оборудования разных производителей. Периметр обычно оснащается устройствами нескольких поставщиков. Единая схема адресации и приоритизация трафика обеспечивают предсказуемость задержек при передаче видеопотоков.

К архитектуре предъявляют требования масштабируемости, отказоустойчивости, распределённости, безопасности, точности и допустимой задержки. Эти требования определяют выбор топологии и баланс между обработкой на периферии и в центре. Отказоустойчивость достигается резервированием каналов и серверных узлов. Масштабируемость — возможностью подключать новые камеры без переработки ядра. Отдельно стоит кибербезопасность. Защита видеопотоков, разграничение прав доступа и резервирование каналов связи — обязательные свойства современной системы. Российские работы 2020–2025 годов по интеллектуальному видеонаблюдению, периметральной безопасности и edge computing подтверждают простую вещь. Устойчивость и точность комплекса зависят в первую очередь от согласованности компонентов, а не от самых мощных отдельных устройств [21].

Переход к сравнению архитектур позволяет увидеть систему не как механическую совокупность средств, а как целостную конфигурацию. Её свойства определяются прежде всего топологией распределения вычислительных ресурсов. В инженерной практике сложились три базовых класса: централизованный, распределённый и гибридный (edge–fog–cloud).

Централизованная архитектура передаёт все видеопотоки на единый серверный узел или вычислительный кластер. Там последовательно выполняются декодирование, предобработка, нейросетевой вывод, трекинг и событийная логика. Плюсы: простота администрирования, единая точка обновления моделей, централизованное хранение, доступ к мощным графическим ускорителям. Минусы: при росте числа камер и разрешения быстро упирается в пропускную способность сети. Отказ серверного узла приводит к деградации всей охраны периметра.

Распределённая архитектура переносит основные вычисления на периферийные устройства у камер. Это снижает нагрузку на каналы связи и делает отдельные сегменты периметра относительно автономными. Гибридный вариант объединяет оба подхода. Первичная детекция, отсечение ложных тревог и сжатие служебных данных идут на edge-устройствах. Вторичная классификация, накопление статистики, долговременное хранение и интеграция с внешними системами — на fog- или cloud-уровне [14].

Сравнение вариантов по эксплуатационным критериям выявляет нелинейные компромиссы. Сведу их в таблицу 2.

Таблица 2 – Сравнение архитектур периметральной видеоаналитики

По задержке выигрывает распределённая обработка. Решение принимается локально, без передачи полного потока по сети. Централизованная схема даёт наибольшую задержку из-за кодирования, транспортировки, буферизации и декодирования. По пропускной способности каналов выигрывает edge-подход. Передаются только метаданные и короткие подтверждающие фрагменты. По стоимости владения картина менее однозначна. Распределённая схема повышает капитальные затраты на умные камеры и встраиваемые модули. Зато снижает расходы на сеть и серверные мощности.

Автономность максимальна у распределённых решений и минимальна у полностью централизованных. Вычислительная нагрузка в гибридной схеме ложится наиболее ровно. Это позволяет гибко масштабировать систему при добавлении рубежей. Защищённость данных зависит от топологии. Чем меньше видеопотоков покидает периферийный сегмент, тем ниже риск перехвата и несанкционированного доступа к изображениям. Но растёт число физически доступных злоумышленнику устройств. Это требует защищённой памяти и контроля целостности прошивок.

Разбирать архитектуру стоит не только по топологии, но и по механизмам взаимодействия компонентов внутри выбранного контура. Синхронизация времени между камерами, датчиками и вычислительными узлами обеспечивает корректное сопоставление событий от разных источников. Это основа достоверной хронологии вторжения. Протоколы сетевого времени и аппаратные модули синхронизации удерживают расхождение меток в пределах единиц миллисекунд. Это критично при слиянии данных разных сенсоров. Калибровка камер задаёт пространственную согласованность аналитики. Она включает геометрическую привязку к плану местности, определение зон интереса и настройку порогов чувствительности. Без калибровки треки одного нарушителя с соседних камер не объединяются в одну траекторию. Слияние данных видеоканалов с показаниями тепловизоров, радиолокаторов, виброакустических и ёмкостных средств идёт на уровне событийной логики. Она сопоставляет признаки разных модальностей и формирует интегральную оценку достоверности тревоги. Такая многосенсорная конфигурация компенсирует ограничения отдельного канала. Тепловизионный модуль работает при слабом свете. Радиолокационный — при плотном тумане. Видеоканал даёт визуальную идентификацию объекта и доказательную базу.

Узкие места архитектуры — пропускная способность каналов, достаточность вычислительных ресурсов и устойчивость алгоритмов к изменению условий. В централизованной схеме узким местом становится транспорт. Одновременная передача десятков потоков высокой чёткости перегружает магистраль. Растут потери пакетов. Это даёт артефакты декодирования и ложные срабатывания детектора. В распределённой архитектуре ограничитель — производительность встраиваемых платформ. Тепловой режим, объём оперативной памяти и энергопотребление жёстко ограничивают сложность нейросетевых моделей. Приходится использовать облегчённые сети и количественное сжатие весов.

Ложные срабатывания остаются системной проблемой периметральной аналитики. Источники тревог: мелкие животные, растительность под ветром, осадки, колеблющиеся тени и блики оптики. Сложная погода и свет — снегопад, ливень, туман, низкая контрастность в сумерках — ухудшают признаковое описание. Нужны либо адаптивные пороги, либо модели, обученные на деградированных изображениях. Компенсировать эти факторы помогает каскадная схема обработки. Быстрый детектор отсеивает заведомо незначимые изменения сцены. Более ресурсоёмкий классификатор подтверждает или отклоняет тревогу [30].

Надёжность и безопасность архитектуры формируются совокупностью организационных и технических мер, выходящих за рамки алгоритмов распознавания. Резервирование идёт на уровне каналов: критичные участки дублируются камерами с перекрывающимися полями зрения. И на уровне узлов: горячий резерв, кластеризация, автоматическое перераспределение задач при отказе сервера. Кибербезопасность требует сегментации сети видеонаблюдения и её изоляции от корпоративного и общедоступного сегментов. Применяются шифрование транспортных протоколов, взаимная аутентификация устройств и регулярное обновление прошивок. Скомпрометированная камера может стать точкой входа в инфраструктуру охраны. Защита видеопотоков включает защищённые каналы передачи, контроль целостности записей и хэширование архивных фрагментов. Это даёт материалам юридическую значимость при разборе инцидентов. Разграничение доступа строится на ролевой модели. Права оператора поста, администратора и службы безопасности различаются объёмом функций и глубиной просмотра архива. Дополнительно применяют аудит действий пользователей. Он фиксирует факты просмотра, экспорта и удаления фрагментов.

Влияние архитектуры на эффективность обнаружения и классификации системно. Архитектура определяет не только доступный вычислительный бюджет, но и структуру потоков данных. А значит, и набор признаков для принятия решения. Гибридная схема позволяет применять на периферии лёгкие модели детекции. На серверном уровне — более глубокие сети для распознавания типа нарушителя, его экипировки и характера действий. Это повышает точность классификации при приемлемой задержке. Поэтому архитектурные решения, обоснованные в теоретической части, прямо определяют постановку задачи и выбор сценария охраны периметра во второй главе. Они же определяют конфигурацию прототипа, методику его настройки и критерии оценки эффективности.

Рациональная архитектура периметральной видеоаналитики — компромисс между периферийной и серверной обработкой. Первичная аналитика приближена к источнику данных. Ресурсоёмкие и интеграционные функции сосредоточены в центре. Такой баланс даёт модульность, возможность поэтапного наращивания рубежей, совместимость с существующими средствами видеонаблюдения и системами контроля доступа. Он же обеспечивает соответствие требованиям по времени реакции для периметровых комплексов разного класса [9].

Подведу итог. Архитектура и состав компонентов системы периметральной видеоаналитики — определяющий фактор её функциональных возможностей, масштабируемости и итоговой эффективности. Многоуровневая организация, объединяющая сенсорный, вычислительный, коммуникационный и интерфейсный контуры, задаёт предельные значения точности, допустимой задержки и пропускной способности. Выбранная топология распределения вычислений определяет устойчивость к отказам, автономность и уровень защищённости данных. Сравнение централизованных, распределённых и гибридных решений показывает: универсальной конфигурации для любых условий охраны нет. Выбор определяется протяжённостью периметра, плотностью камер, характеристиками каналов связи, требованиями ко времени реакции и доступными ресурсами. Наиболее перспективной для практики следует признать гибридную edge-fog-cloud архитектуру. Она совмещает оперативность локальной обработки с мощностью серверного сегмента и централизованным управлением. Дальнейшее рассмотрение методов и алгоритмов обнаружения и классификации событий опирается на сложившееся представление об архитектурных ограничениях, в которых эти алгоритмы должны работать.

Методы и алгоритмы обнаружения и классификации событий на периметре

Этот параграф занимает узловое место в первой главе. Предыдущие разделы дали понятийный аппарат и описание архитектурных компонентов. Здесь рассматривается алгоритмическое ядро периметральной видеоаналитики. Именно методы обработки видеопотока обеспечивают переход от регистрации изображения к выявлению угроз. Совокупность методов удобно представить как таксономию. Она включает обнаружение движения, выделение объектов, их сопровождение, классификацию сценарных событий и принятие решения о тревоге. Такая последовательность отражает реальный конвейер. Сначала выявляются области изменений. Затем формируются гипотезы об объектах. После этого траектории анализируются во времени. Завершающий уровень трактует наблюдаемое как событие охраны.

Классические подходы остаются важной частью теории. Часто их используют как быстрые фильтры предварительного отбора. Межкадровая разность сравнивает соседние кадры и находит движущиеся области. Она чувствительна к шуму и не отличает объект от его тени. Вычитание фона, в частности алгоритмы MOG2 и KNN, строит статистическую модель сцены. Передний план выделяется как отклонение от неё. Оптический поток описывает поле смещений пикселей и даёт направление и скорость движения. Он требует много вычислений. Цветовые и текстурные признаки уточняют границы и дают предварительную классификацию. Пороговые правила быстро принимают решения по заданным условиям. Эти методы хорошо интерпретируемы. Но их устойчивость ограничена переменным светом, погодой и сложным фоном.

Для устойчивого сопровождения нарушителя применяют трекинг. Фильтр Калмана рекурсивно оценивает состояние объекта и сглаживает траекторию при коротких пропусках детекций. Венгерский алгоритм решает задачу сопоставления обнаружений с существующими треками. Он минимизирует суммарную стоимость назначений. На этой основе построены SORT и DeepSORT. Первый использует геометрию и движение. Второй добавляет глубинное описание внешности. Это повышает устойчивость при пересечениях людей и перекрытиях. В периметральной охране трекинг важен не сам по себе, а как средство накопления временного контекста. Именно по траектории видно, пересекает ли объект линию, движется ли в запретную зону или меняет направление.

Современный этап связан с нейросетевыми моделями. Свёрточные нейронные сети (CNN) извлекают признаки из изображений. Детекторы семейств R-CNN, YOLO, SSD и RetinaNet решают задачу одновременной локализации и классификации объектов. Одностадийные YOLO и SSD ориентированы на скорость и подходят для реального времени. RetinaNet и двухстадийные R-CNN дают высокую точность на сложных сценах. Для распознавания событий во времени используют LSTM, 3D CNN и Transformer-архитектуры. Они учитывают последовательность кадров и длительные зависимости. Российские исследования 2020–2025 годов развивают это направление применительно к охране объектов. Рассматриваются гибридные схемы «детектор — трекер — классификатор», адаптация моделей к отечественным видеорегистраторам, снижение ложных срабатываний в снег, дождь и сумерки [5]. В ряде работ предлагается сочетать нейросетевую детекцию с классическими правилами зон и линий. Это упрощает настройку под конкретный периметр [19].

Основные трудности связаны с изменчивостью освещения, осадками, шумами сенсора, окклюзиями, малыми размерами объектов и ограниченными ресурсами. Добавляется неоднородность каналов связи и качество сжатия. На периметре эти факторы проявляются особенно сильно. Нарушитель может быть далеко от камеры, двигаться вдоль забора, скрываться за растительностью, появляться в зоне блика. Поэтому алгоритмы обнаружения должны быть связаны с последующей классификацией событий. К таким событиям относятся пересечение линии, вход в запретную зону, скопление людей, оставленный предмет, движение в неверном направлении. Решение о тревоге формируется не по одному кадру, а по совокупности признаков от детектора и трекера. Это снижает число ложных срабатываний и повышает практическую ценность системы [26]. Выбор метода определяется сценарием охраны, требованиями к точности и задержке, доступными ресурсами. Эффективная периметральная видеоаналитика строится как многоуровневый алгоритмический конвейер.

Сравнение методов в периметральной видеоаналитике стоит вести не по одному показателю, а по нескольким критериям. Каждый класс алгоритмов выигрывает лишь в определённом диапазоне условий. Базовые критерии таковы: точность обнаружения и полнота выявления, задержка решения, устойчивость к помехам естественного и техногенного происхождения, вычислительная сложность. Последняя определяет, можно ли развернуть алгоритм на конкретном аппаратном носителе.

Классические методы на межкадровой разности и вычитании фона просты по вычислениям. Задержка — в пределах нескольких кадров. Но точность резко падает при смене освещения, осадках, колебаниях растительности и тенях. Оптический поток даёт более богатое описание движения. Он различает направленные и хаотические перемещения. Но требует существенно больше ресурсов и плохо масштабируется с ростом разрешения. Нейросетевые детекторы, прежде всего YOLO и SSD, дают лучшее соотношение точности и быстродействия на выделении объектов. Двухстадийные схемы R-CNN и RetinaNet сохраняют преимущество на малых и частично перекрытых объектах. Но проигрывают по задержке. Сводное сравнение приведено в таблице 3.

Таблица 3 – Сравнение методов обнаружения объектов на периметре

Ранжирование методов сильно зависит от сценария охраны. На коротких периметрах с плотным потоком объектов критична полнота обнаружения. На протяжённых рубежах с редкими событиями приоритет смещается к минимизации ложных срабатываний. Устойчивость к помехам тоже не универсальна. Метод, стабильный при слабом снегопаде, может деградировать при сильном тумане или боковой засветке. Вычислительная сложность часто становится определяющим ограничением. Алгоритм с лучшей точностью в лаборатории может оказаться непригодным для периферийного устройства с ограниченным тепловым пакетом. Поэтому корректное сравнение требует фиксации аппаратной платформы, разрешения видеопотока, частоты кадров и набора тестовых сцен. Иначе говоря, нужен воспроизводимый протокол испытаний.

Оценка качества событийной видеоаналитики опирается на метрики из задачи обнаружения объектов. Они адаптированы под специфику тревожных событий. Precision и recall уже упоминались. Напомню их смысл применительно к событиям. Precision — доля верных тревог среди всех выданных системой. Recall — доля выявленных событий среди фактически произошедших. F1 даёт сводную оценку баланса между пропусками и ложными тревогами. Это важно, потому что цена этих ошибок несимметрична. Пропуск нарушения, как правило, критичнее избыточной тревоги. Но чрезмерное число ложных срабатываний быстро подрывает доверие оператора к системе. Метрика mAP, усреднённая по классам и порогам пересечения областей, применяется в основном для сравнения детекторов. Она позволяет оценивать качество локализации объектов независимо от рабочего порога [1].

Отдельно стоит показатель False Alarm Rate — частота ложных тревог на единицу времени или на камеру. Именно он определяет практическую пригодность системы при длительной непрерывной работе. Дополняющие характеристики — время до обнаружения и стабильность срабатываний. Первое измеряется от появления объекта в контролируемой зоне до формирования тревожного сообщения. Второе означает отсутствие многократного дублирования одной тревоги и отсутствие её самопроизвольного сброса при короткой окклюзии. Все эти метрики образуют вектор качества. Он позволяет сравнивать алгоритмы не по одному числу, а по профилю поведения в близких к эксплуатации условиях. Важно измерять метрики на репрезентативной выборке сцен, включающей и благоприятные, и неблагоприятные условия. Иначе оценки будут смещены в сторону лёгких случаев.

Практика показывает: устойчивое снижение ложных срабатываний даёт не столько совершенствование одного алгоритма, сколько построение гибридных и ансамблевых схем. Типичная гибридная архитектура объединяет три компонента. Быстрый классический детектор движения работает как фильтр предварительного отбора. Нейросетевой детектор объектов уточняет положение и класс. Модуль трекинга обеспечивает временную согласованность решений. Такое разделение функций отсекает часть ложных кандидатов на ранней стадии. Это снижает вычислительную нагрузку на самый ресурсоёмкий компонент конвейера. Ансамблевые подходы используют несколько детекторов или несколько модальностей признаков. Результаты объединяются голосованием, взвешенным усреднением или обучаемым метаклассификатором. Эффективность ансамбля зависит не только от точности участников, но и от их взаимной дополняемости. Наибольший прирост даёт объединение моделей, ошибающихся на разных типах сцен.

Значимое направление повышения надёжности — мультимодальность и сенсорное объединение данных. Видимый диапазон даёт высокую детализацию днём. Но его характеристики деградируют при плохом свете, в тумане, при снегопаде и прямой засветке. Инфракрасный и тепловизионный каналы находят объекты по температурному контрасту и работают в полной темноте. Но уступают видимому диапазону в мелких деталях и чувствительны к тепловым фоновым помехам. Радиолокационные средства не зависят от оптической видимости и измеряют дальность и скорость. Но у них ограниченное угловое разрешение, и они чувствительны к отражениям от подстилающей поверхности. Лидарные системы дают точную пространственную картину. Но их применение на протяжённых периметрах связано с большими затратами и сложностью обслуживания.

Объединение разнородных сенсоров возможно на уровне данных, признаков или решений. Каждый вариант даёт свой компромисс между точностью и вычислительной сложностью. Раннее объединение совместно обрабатывает первичные сигналы. Оно потенциально самое информативное, но требует строгой пространственной и временной калибровки каналов. Объединение на уровне признаков строит общие представления. Оно требует согласования размерностей и синхронизации потоков. На практике чаще всего применяют объединение на уровне решений. Каждая подсистема формирует своё заключение. Итоговое решение принимается по правилу с учётом достоверности источников. Мультимодальная конфигурация повышает устойчивость к деградации отдельного канала. Она же снижает вероятность пропуска нарушения при ухудшении оптической видимости.

Важен и вопрос вычислительной реализуемости на периферийных устройствах. Концепция edge computing переносит обработку видеопотока прямо на камеру или промышленный видеорегистратор. Это сокращает объём передаваемых данных, снижает нагрузку на канал и уменьшает задержку решения. Ограниченные ресурсы таких устройств заставляют оптимизировать нейросетевые модели. Квантизация переводит веса и активации в формат пониженной разрядности. Она уменьшает размер модели и ускоряет вывод. Но агрессивное понижение разрядности может заметно снизить точность на малоразмерных объектах. Прунинг удаляет малозначимые веса и каналы. Он снижает вычислительную сложность, но требует аккуратной настройки. Избыточное прореживание теряет чувствительность к редким классам. Дополнительно применяют дистилляцию знаний, замену свёрточных слоёв более экономичными операциями и разделение конвейера между устройством и сервером [24].

Оценить эффект квантизации просто на учебном примере. Пусть исходная модель занимает 80 Мбайт и обрабатывает 20 кадров в секунду. Переход с 32-битных весов на 8-битные уменьшает объём модели примерно в четыре раза, до 20 Мбайт. Скорость вывода на той же платформе возрастает примерно вдвое — до 40 кадров в секунду. Но точность детекции на мелких объектах может упасть на несколько процентных пунктов. Значит, выбор степени сжатия — это компромисс между скоростью, памятью и качеством. Такой расчёт нужно проводить под конкретную платформу и сценарий.

Перспективные направления развития методов связаны с преодолением зависимости от объёмов размеченных данных. Самообучаемые подходы (self-supervised learning) формируют полезные представления видеопоследовательностей без ручной разметки. Это особенно ценно для редких сценариев нарушений, где собрать представительную выборку трудно. Обучение по малым выборкам (few-shot learning) адаптирует модель к новому классу объектов по нескольким примерам. Методы адаптации домена переносят модель, обученную на одном объекте, на другой — с иными условиями съёмки, ракурсами и камерами. Трансформерные архитектуры и модели с длительным временным контекстом открывают путь к распознаванию сложных сценариев поведения. Такие сценарии не сводятся к одному кадру. Нужен анализ последовательности действий нарушителя.

Подведу итог по этому параграфу. Выбор конкретного метода не может быть универсальным. Он определяется сценарием охраны, требованиями к точности и полноте, допустимой задержкой и доступными ресурсами. Наиболее эффективные решения строятся не как один алгоритм, а как многоуровневый конвейер. В нём последовательно реализуются обнаружение объектов, устойчивое сопровождение, классификация сценарных событий и принятие решения о тревоге. Каждый уровень допускает независимую оптимизацию и замену компонентов без пересмотра архитектуры системы. Такая организация обработки позволяет гибко балансировать между чувствительностью и частотой ложных срабатываний. Она же позволяет наращивать функциональность системы по мере появления новых требований.

Из проведённого анализа следует, что теоретическая база периметральной видеоаналитики сложилась как развитая совокупность методов. Она охватывает классические алгоритмы выделения движения, современные нейросетевые детекторы и трекеры, подходы к сенсорному объединению и оптимизации вычислений. Сопоставление методов показывает: универсального решения, превосходящего остальные по всей совокупности критериев, нет. Точность, полнота, задержка, помехоустойчивость и вычислительная сложность находятся во взаимной компенсации. Метрики оценки событийной видеоаналитики образуют взаимодополняющую систему. Наряду с классическими precision, recall, F1 и mAP существенную роль играют частота ложных тревог, время до обнаружения и стабильность срабатываний. Именно они определяют эксплуатационную ценность системы. Наиболее перспективной выглядит организация обработки в виде многоуровневого гибридного конвейера. Он сочетает быстрые классические фильтры, нейросетевую детекцию, трекинг и мультимодальное сенсорное объединение. Это снижает число ложных тревог без потери чувствительности к реальным нарушениям. Практическая реализуемость методов зависит от их адаптации к периферийным платформам средствами квантизации, прунинга и других методов оптимизации. Дальнейшее развитие направления связано с самообучаемыми моделями, обучением по малым выборкам, адаптацией домена и архитектурами с длительным временным контекстом. Эти обстоятельства требуют перехода от теоретического сопоставления алгоритмов к экспериментальной проверке. Нужна разработка прототипа периметральной видеоаналитики, его настройка под конкретный сценарий охраны и последующая количественная оценка эффективности в условиях, близких к реальной эксплуатации.

Практическая реализация и оценка эффективности системы периметральной видеоаналитики

2.1 Постановка задачи и выбор сценария охраны периметра

Переход от теории к практике нужен, чтобы проверить рассмотренные модели и алгоритмы в условиях, близких к реальной эксплуатации. В первой главе мы разобрали понятия, архитектуру и методы обнаружения событий на периметре. Но теория не отвечает на главный вопрос: насколько эти решения работают при ограниченных вычислительных ресурсах, переменной освещённости и плохой погоде. Многие модели тестировались на открытых наборах данных. Эти наборы лишь частично повторяют особенности конкретного объекта. Практическая часть должна закрыть этот разрыв и дать объективную оценку эффективности системы.

Цель параграфа — поставить задачу и обосновать выбор сценария охраны периметра для будущего прототипа. Для этого нужно решить несколько задач: описать объект охраны и условия его работы, проанализировать типовые сценарии охраны, определить критерии выбора, сформулировать требования к системе, обосновать предварительное решение и границы его применения.

За основу взята типовая производственная площадка с периметром около 480 метров и неоднородной границей. Часть периметра проходит по открытой местности с ровным рельефом. Другая часть идёт вдоль лесополосы. Там много фоновых колебаний: движутся ветки, падают тени, появляются животные. Инфраструктура включает двенадцать видеокамер с разными фокусными расстояниями, опоры освещения, ограждение высотой два метра и действующую систему контроля доступа. Климат умеренно-континентальный, температура от минус 30 до плюс 35 °C. Зимой лежит снег, бывают туманы и осадки. Из-за этого требования к устойчивости алгоритмов довольно высокие.

Типовые сценарии охраны периметра различаются числом рубежей и логикой обработки событий. Линейный сценарий предполагает контроль одного рубежа и минимальные затраты. Но он плохо защищает от обхода охраняемой зоны. Зональный сценарий делит территорию на зоны обнаружения с независимыми правилами срабатывания. Это повышает гибкость настройки и помогает учесть неоднородность участков. Многорубежный сценарий даёт последовательное обнаружение и сопровождение нарушителя. Но он требует избыточности технических средств и более сложной инфраструктуры. Комбинированный сценарий объединяет эти подходы. Он позволяет адаптировать конфигурацию к участкам с разной степенью риска [16]. Сравнение сценариев приведено в таблице 1.

Таблица 1 – Сравнение типовых сценариев охраны периметра

Из таблицы 1 видно, что ни один сценарий не выигрывает одновременно по всем признакам: рост числа рубежей повышает защиту от обхода, но увеличивает стоимость, а высокая гибкость настройки достигается только в зональной и комбинированной схемах. Поэтому выбор требует не качественного сопоставления, а взвешенной количественной оценки по совокупности критериев.

Критерии выбора — характер угроз, модель нарушителя, требуемая вероятность обнаружения, допустимая частота ложных срабатываний, бюджет проекта и возможности интеграции с действующими системами охраны. Модель нарушителя описывается как одиночный, групповой или подготовленный субъект. От этого напрямую зависят требования к чувствительности и логике срабатывания.

Чтобы выбор сценария опирался на измеримую основу, было проведено мини-исследование в форме балльной экспертной оценки. Каждому критерию присваивался весовой коэффициент, отражающий его значимость для рассматриваемого объекта, а каждый сценарий оценивался по пятибалльной шкале. Интегральная оценка рассчитывалась как взвешенная сумма баллов:

K_j = Σ (i = 1…n) w_i · b_ij (1)

где K_j — интегральная оценка j-го сценария охраны;<br>w_i — весовой коэффициент i-го критерия, причём сумма весов равна единице;<br>b_ij — балльная оценка j-го сценария по i-му критерию по шкале от 1 до 5;<br>n — число учитываемых критериев.

Принятые веса распределились следующим образом: вероятность обнаружения — 0,30; устойчивость к обходу — 0,25; гибкость настройки — 0,20; стоимость внедрения — 0,15; сложность эксплуатации — 0,10. Результаты расчёта приведены в таблице 2.

Таблица 2 – Взвешенная оценка сценариев охраны периметра

Расчёт показывает, что комбинированный сценарий имеет наибольшую интегральную оценку — 4,20 балла против 3,85 у многорубежного и 2,80 у линейного. Отрыв от многорубежной схемы достигается за счёт меньших затрат и более простой эксплуатации при сопоставимой вероятности обнаружения. Это означает, что для объекта с неоднородным периметром экономически оправдано усиливать контроль не по всей протяжённости, а на участках наибольшего риска.

На основе этих критериев формируются требования к системе видеоаналитики. Функциональные требования: автоматическое обнаружение пересечения границы, классификация объекта с различением человека, транспорта и животного, сопровождение цели, формирование тревожного события с видеоподтверждением и ведение журнала событий. Нефункциональные требования: задержка обработки не более двух секунд, круглосуточный режим работы, устойчивость к осадкам и изменению освещённости, удобство интерфейса оператора [2].

Предварительный выбор, подтверждённый балльной оценкой, — комбинированный сценарий с двумя-тремя зонами обнаружения на наиболее уязвимых участках. Такой выбор даёт разумный баланс между вероятностью обнаружения и затратами на технические средства. Он позволяет усиливать контроль только там, где риск наиболее высок. Есть и ограничения: снижение контрастности изображения ночью, перекрытие зон обзора, сбои при сильном снегопаде, возможная перегрузка оператора при большом числе тревог. Эти ограничения мы учтём при разработке прототипа и проверим в ходе экспериментальной оценки [10].

Выбранный сценарий требует однозначного задания пространственной структуры охраны. Периметр объекта разбивается на зоны обнаружения. Каждая зона соответствует участку контролируемой территории. Этот участок обслуживают одна или несколько камер с перекрытием полей зрения. Зона обнаружения — это область кадра, для которой заданы свои правила анализа, пороги чувствительности и перечень классов объектов для детекции. Совокупность зон, объединённых общим логическим условием срабатывания, образует рубеж охраны.

В нашем сценарии целесообразно выделить два рубежа. Внешний проходит по линии ограждения и прилегающей буферной полосе. Внутренний охватывает подступы к критическим элементам инфраструктуры. Такое построение позволяет не только фиксировать факт пересечения границы, но и оценивать динамику движения нарушителя. Это повышает информативность тревожного сообщения и снижает нагрузку на оператора. Схема зон обнаружения и рубежей приведена на рисунке 1.

```<br> Внешний рубеж Буферная полоса Внутренний рубеж<br> ────────────────────── │ ────────────────────────── │ ──────────────────────<br> Зона А (открытая) │ Зона Б (буфер) │ Зона В (критические<br> Зона Г (лесополоса) │ │ объекты)<br>```

Рисунок 1 - Схема зон обнаружения и рубежей охраны периметра

Правила срабатывания формулируются как формализованные условия. Они связывают результаты детекции и трекинга с пространственно-временными ограничениями. К базовым правилам относятся:

- пересечение виртуальной линии в заданном направлении;<br>- нахождение человека в запретной зоне дольше установленного интервала;<br>- устойчивое присутствие объекта в буферной полосе;<br>- исчезновение объекта при пересечении линии рубежа;<br>- скопление нескольких объектов в одной зоне.

Каждому правилу ставится в соответствие приоритет. Он определяет способ оповещения. Роли оператора при этом различаются. Дежурный оператор работает с потоком тревожных событий и принимает первичное решение о реакции. Старший смены анализирует агрегированную статистику и корректирует настройки зон. Технический специалист отвечает за работоспособность каналов и качество видео. Такое разделение функций необходимо. При высокой частоте ложных срабатываний именно оператор становится узким местом системы. Рациональное распределение ролей напрямую влияет на практическую применимость решения [22].

Уточнение метрик эффективности — отдельная методическая задача. От корректности их выбора зависит сопоставимость результатов с данными других исследователей. В качестве базовых показателей качества детекции принимаются precision, recall и мера F1. Precision характеризует долю истинно положительных срабатываний среди всех событий, признанных системой тревожными. Она напрямую связана с уровнем ложных тревог. Recall отражает долю обнаруженных нарушений от общего числа реально произошедших. Он определяет пропускную способность системы по отношению к целевым событиям. Мера F1 рассчитывается как гармоническое среднее точности и полноты. Она используется для сбалансированной оценки, когда нужно одновременно ограничить и пропуски, и ложные срабатывания. Формулы для расчёта этих метрик:

Precision = TP / (TP + FP) (2)

где TP — число истинно положительных срабатываний (правильно обнаруженные нарушения);<br>FP — число ложных положительных срабатываний (ложные тревоги).

Recall = TP / (TP + FN) (3)

где FN — число ложно отрицательных срабатываний (пропущенные нарушения).

F1 = 2 × Precision × Recall / (Precision + Recall) (4)

Наряду с этими метриками вводятся прикладные показатели: вероятность обнаружения нарушителя на рубеже при заданном сценарии движения; частота ложных тревог в расчёте на одну камеру в сутки; задержка формирования тревожного сообщения от момента пересечения линии до выдачи сигнала оператору.

Методы измерения этих метрик опираются на размеченный набор видеоданных. В нём для каждого кадра указаны координаты ограничивающих рамок объектов и их классы. Для каждого события указаны момент и место нарушения правила. Сопоставление предсказаний системы с эталонной разметкой выполняется по временному и пространственному критерию. Событие считается истинно положительным, если предсказание и разметка совпадают по классу, а временное рассогласование не превышает заданного допуска. В нашей работе этот допуск равен одной секунде. Частота ложных тревог рассчитывается нормированием числа ложных срабатываний на суммарное время наблюдения и количество задействованных камер. Это позволяет приводить результаты к единому масштабу и сравнивать конфигурации с разным числом видеоканалов. Задержка оценивается как медиана и девяностый процентиль распределения времён обработки. Среднее значение в условиях нестационарной вычислительной нагрузки оказывается недостаточно информативным.

Условия эксперимента определяются характеристиками тестового полигона и составом видеоданных. Полигон — участок протяжённостью около двухсот метров. Он оборудован ограждением, контрольно-следовой полосой и четырьмя видеокамерами с перекрытием зон обзора. Набор видеоданных формируется из записей, полученных в разное время суток и при разных погодных условиях. Это позволяет оценить устойчивость алгоритмов к изменению освещённости, осадкам, туману и движению растительности в кадре.

Сценарии движения нарушителя включают подход к ограждению фронтально и по касательной, пересечение линии рубежа шагом и бегом, кратковременное нахождение в буферной полосе без пересечения границы, а также групповое проникновение. Отдельно моделируются ситуации, которые не являются нарушениями, но могут провоцировать ложные срабатывания. К ним относятся проход сотрудников охраны вдоль периметра, движение автотранспорта по внешней дороге, появление животных, перемещение теней и колебания ограждения под ветром.

Критерии успешности прототипа формулируются заранее и носят количественный характер. Это исключает произвольную интерпретацию результатов после испытаний. Система признаётся работоспособной, если полнота обнаружения нарушений на внешнем рубеже не менее 0,9, точность не менее 0,85, а частота ложных тревог не превышает заданного порога на одну камеру в сутки. Дополнительно устанавливается ограничение на задержку формирования тревожного сообщения. Границы применимости результатов определяются тем, что испытания проводятся на конкретном полигоне. У него фиксированная конфигурация камер и ограниченный набор сценариев. Поэтому полученные оценки нельзя автоматически переносить на объекты другой протяжённости, с другой геометрией обзора или иным характером угроз. Результаты следует рассматривать как оценку потенциальной эффективности выбранного подхода. Они требуют подтверждения на расширенной выборке.

Риски выбранного сценария связаны с несколькими факторами. Во-первых, двухрубежная схема увеличивает число камер и вычислительную нагрузку. Из-за этого может вырасти задержка при обработке всех потоков одновременно. Во-вторых, высокая чувствительность правил срабатывания в буферной зоне способна генерировать избыточное число тревог при плохой погоде. В-третьих, зависимость качества детекции от освещённости создаёт неравномерность показателей в течение суток. Минимизировать эти риски можно за счёт адаптивной настройки порогов, временной фильтрации событий и приоритизации зон. Временная фильтрация требует подтверждения нарушения в нескольких последовательных кадрах. При приоритизации наиболее критичные участки обрабатываются с повышенной частотой. Часть рисков носит принципиальный характер, её нельзя устранить полностью. Это нужно отразить при интерпретации итоговых показателей [11].

Постановка задачи определяет содержание последующих этапов работы. Зафиксированные зоны обнаружения, рубежи и правила срабатывания задают перечень функций, которые должен реализовывать прототип. Сформулированные метрики определяют требования к его настройке. Выбор модели детекции, порогов уверенности, параметров трекинга и логики пространственно-временной фильтрации должен быть ориентирован на достижение заданных значений точности, полноты и задержки. Описанные условия эксперимента и состав видеоданных образуют основу методики тестирования. Критерии успешности — базу для итоговой оценки эффективности.

Дополнительным условием корректной постановки задачи выступает её формализация: словесные описания сценариев переводятся в однозначно интерпретируемую схему, пригодную для последующей программной реализации. Множество контролируемых зон задаётся как совокупность пространственных областей с указанием их приоритета и принадлежности к внешнему или внутреннему рубежу, а правила срабатывания представляются в виде предикатов над траекториями объектов. Каждое событие описывается парой «класс — пространственно-временной интервал», что позволяет отделить нарушение от допустимого поведения формально, а не по усмотрению наблюдателя. Такая запись даёт возможность однозначно сопоставлять настройки прототипа с требованиями, воспроизводить эксперимент при изменении конфигурации и объяснять расхождения между ожидаемыми и фактическими результатами. Иными словами, формализация превращает сценарий охраны из описательного документа в измеримую спецификацию, на которую можно ссылаться при приёмке системы.

При выборе сценария целесообразно опираться на принцип эшелонированного реагирования, при котором первая линия обнаружения решает задачу раннего предупреждения, а вторая — подтверждения факта проникновения. Практическая рекомендация состоит в том, чтобы разделять тревоги по уровням значимости и связывать каждый уровень с определённым регламентом действий оператора: уведомление, верификация по видеоархиву, передача группе реагирования. Такой подход снижает нагрузку на персонал и делает оценку эффективности осмысленной, поскольку измеряется не число срабатываний само по себе, а доля корректно эскалированных инцидентов. Целесообразно также фиксировать бюджет ложных тревог на смену, а не только на сутки, и согласовывать его со службой охраны: превышение этого бюджета на практике ведёт к игнорированию сигналов, что обесценивает даже высокие формальные показатели точности.

Отдельного внимания требует воспроизводимость постановки задачи. В протокол испытаний следует включать версию модели детекции, значения порогов уверенности, параметры трекинга, схему размещения камер, результаты калибровки и метеорологические условия на момент съёмки. Эталонная разметка видеоданных должна выполняться по единому кодексу, исключающему неоднозначную трактовку пограничных случаев, а сомнительные фрагменты — выноситься на согласование независимыми экспертами. Полезно предусмотреть оценку влияния человеческого фактора: время реакции оператора на тревогу и доля пропущенных им сигналов характеризуют систему не меньше, чем метрики алгоритма. Без такой дисциплины фиксации исходных данных любые последующие сравнения конфигураций теряют доказательную силу, а выводы об эффективности остаются невоспроизводимыми.

Таким образом, постановка задачи и выбор сценария охраны периметра выполняют в работе двоякую функцию: они задают содержательные требования к системе и одновременно формируют основу для последующей верификации. Формализованное описание зон и правил, эшелонированная логика реагирования с распределением приоритетов, а также строгая фиксация условий эксперимента создают методический каркас, в рамках которого разработка прототипа перестаёт быть произвольным подбором параметров и приобретает характер целенаправленного проектирования. Именно эти решения определяют, какие архитектурные и алгоритмические варианты рассматриваются на следующем этапе и по каким признакам будет оцениваться их пригодность.

Вывод по параграфу. Постановка задачи и выбор сценария охраны периметра дают методическую базу для дальнейшей работы. Мы зафиксировали зоны обнаружения и рубежи, сформулировали правила срабатывания, определили метрики эффективности и условия эксперимента. Взвешенная оценка подтвердила, что комбинированный сценарий обеспечивает наилучшее соотношение вероятности обнаружения и затрат. Без этих проектных решений нельзя ни разрабатывать прототип, ни объективно оценивать его работу. Дальнейшие этапы будут опираться именно на них.

---

2.2 Разработка и настройка прототипа периметральной видеоаналитики

После постановки задачи и выбора сценария охраны можно переходить от проектных решений к их практической реализации. В этом параграфе мы описываем разработку и настройку прототипа системы. Прототип должен подтвердить принципиальную осуществимость предложенных подходов и стать основой для количественной оценки эффективности. Цель работы на этом этапе — создать работоспособный прототип. Он реализует базовый набор функций обнаружения, сопровождения и классификации событий на периметре в условиях, близких к реальным.

Исходные требования к прототипу определялись особенностями периметральной охраны. Система должна поддерживать подключение IP-камер и работу с видеопотоком по протоколу RTSP. Именно такие камеры наиболее распространены на объектах охраны. Требовались также детекция объектов, выделение зон интереса, формирование тревожных событий и сохранение результатов обработки для последующего анализа [4]. Эти требования задавали рамки, в которых выбирались аппаратные и программные решения.

Выбор аппаратной платформы шёл между универсальным компьютером и встраиваемым вычислителем. Нужно было проводить эксперименты с разными моделями и настройками. Поэтому предпочтение отдали компьютеру с дискретным графическим ускорителем. Нейросетевой инференс предъявляет повышенные требования к вычислительным ресурсам. Ключевыми параметрами стали производительность CPU, наличие GPU, объём оперативной памяти и пропускная способность сетевого интерфейса. Последняя должна обеспечивать одновременный приём нескольких видеопотоков. Условия размещения предполагали работу в помещении с контролируемой температурой. Это упрощало требования к охлаждению и защите корпуса.

Сравнение рассмотренных вариантов вычислительной платформы проводилось по критерию достижимой частоты обработки на один канал при разрешении 1920×1080. Результаты сведены в таблицу 3.

Таблица 3 – Сравнение вариантов вычислительной платформы прототипа

Из таблицы 3 следует, что вариант «только CPU» не обеспечивает требуемой частоты обработки и не может использоваться как основной. Разрыв между GPU-вариантом и встраиваемым ускорителем составляет около двух раз по производительности при десятикратной разнице в энергопотреблении. Поэтому GPU-платформа выбрана для лабораторных испытаний, где важна гибкость экспериментов, а встраиваемые ускорители рассматриваются как перспектива для выносных постов на удалённых участках периметра.

Программный стек формировался с учётом необходимости гибкой настройки и воспроизводимости результатов. В качестве языка программирования использовался Python. Он обеспечивает широкую поддержку библиотек компьютерного зрения и машинного обучения. Для работы с видеопотоком применялись средства OpenCV и FFmpeg. Для построения и обучения нейросетевых моделей — фреймворк PyTorch. Для хранения событий — реляционная база данных. Она позволяет выполнять выборки по времени, типу события и идентификатору объекта. Такое сочетание давало баланс между скоростью разработки и вычислительной эффективностью.

Отдельное внимание уделялось подготовке видеоданных. Сбор кадров проводился с учётом разных условий освещённости, погоды и ракурсов наблюдения. Так модель не переобучается на идеальные условия. Разметка выполнялась вручную с использованием специализированных инструментов. После этого формировались обучающая и валидационная выборки [25]. Это позволило обеспечить объективность последующей проверки модели на данных, не участвовавших в обучении.

В качестве базовой модели обнаружения рассматривалась архитектура семейства YOLO. Она обеспечивает высокое быстродействие при приемлемой точности. Это критично для периметральной аналитики, работающей в режиме, близком к реальному времени. Модель адаптировалась под целевые классы объектов. Её гиперпараметры подбирались с учётом компромисса между скоростью инференса и полнотой обнаружения. Для сопровождения объектов использовался алгоритм трекинга. Он сопоставляет обнаружения между кадрами и присваивает каждому объекту устойчивый идентификатор. Это позволяло бороться с кратковременными пропаданиями и перекрытиями.

Логика зон интереса и правил событий реализовывалась через виртуальные линии и охраняемые области. Учитывались направление пересечения, время нахождения и размер объекта. Калибровка камеры и привязка к плану местности обеспечивали корректный учёт перспективных искажений и масштаба. Они также давали синхронизацию нескольких камер. Базовая конфигурация прототипа включала порог уверенности детектора, параметры трекинга, частоту обработки кадров, размер буфера и формат выходных событий. Первичная проверка работоспособности проводилась на тестовом видеопотоке. Она подтвердила корректность разметки зон, формирования событий и сохранения логов. Схема архитектуры прототипа приведена на рисунке 2.

```<br>Видеокамеры (RTSP) → Поток захвата → Нейросетевой детектор → Трекер → <br>Логика событий → База данных ← Интерфейс оператора<br>```

Рисунок 2 - Архитектура прототипа периметральной видеоаналитики

Большое внимание при разработке прототипа уделялось оптимизации вычислительной нагрузки. От неё в решающей степени зависит возможность практического применения системы в режиме, близком к реальному времени. Обработка видеопотока с высоким разрешением и частотой кадров требует значительных ресурсов. Поэтому в прототипе реализована адаптивная стратегия снижения нагрузки. Она предполагает обработку не каждого кадра, а только определённой их доли с последующей интерполяцией результатов трекинга между кадрами детекции. Частота обработки выбиралась экспериментально. Для сценариев с медленно движущимися объектами достаточно было обработки на уровне пяти–десяти кадров в секунду. Для сценариев с быстро перемещающимися целями частота повышалась до пятнадцати–двадцати кадров в секунду. Это касается, например, попытки преодоления периметра бегом. Такой подход позволил снизить вычислительную нагрузку без существенной потери качества обнаружения и сопровождения объектов.

Ещё одно направление оптимизации — работа с самой нейросетевой моделью обнаружения. Полная версия модели даёт высокую точность. Но она требует значительных вычислительных ресурсов. Это ограничивает возможности развёртывания прототипа на маломощных встраиваемых платформах. Поэтому мы рассмотрели возможность использования облегчённых вариантов модели. Также применили процедуру квантования весов. Она сокращает размер модели и ускоряет инференс за счёт перехода от операций с плавающей запятой к целочисленной арифметике. Квантование дало ускорение обработки примерно в полтора–два раза при незначительном снижении точности обнаружения. Для периметральной аналитики это приемлемый компромисс. Задачи обнаружения факта пересечения периметра не требуют предельно точной локализации объекта [13].

Существенную роль в повышении производительности прототипа сыграл графический ускоритель. Перенос операций инференса на GPU позволил высвободить центральный процессор для задач захвата видеопотока, трекинга и логики событий. Это обеспечило более равномерное распределение вычислительной нагрузки между компонентами системы. Если применить полноценный GPU было невозможно по условиям размещения или энергопотребления, использовались специализированные ускорители. Это тензорные процессоры и нейронные вычислительные модули. Они дают достаточный уровень производительности при существенно меньшем энергопотреблении. Выбор конкретного аппаратного решения определялся компромиссом между требуемой точностью, допустимой задержкой обработки и ограничениями по стоимости и условиям эксплуатации.

Важный аспект настройки прототипа — организация многопоточной обработки данных. Архитектура построена так, что этапы захвата видеопотока, инференса нейросетевой модели, трекинга объектов и логики формирования событий разделены на независимые потоки. Они взаимодействуют через очереди сообщений с ограниченной глубиной. Такое разделение позволило существенно снизить суммарную задержку обработки. Оно также повысило стабильность работы системы при неравномерной загрузке. Захват видеопотока выполнялся в отдельном потоке. Это исключало потерю кадров при временной блокировке потока инференса. Результаты обнаружения помещались в буфер, откуда извлекались потоком трекинга. Логика событий работала с уже сформированными треками. Это позволяло применять пространственно-временные правила без задержек, связанных с обработкой видеоданных. Такая конвейерная организация обеспечила устойчивую работу прототипа даже при кратковременных пиковых нагрузках. Они возникали, когда число одновременно обнаруживаемых объектов возрастало.

Отдельно рассмотрим вопросы устойчивости прототипа к нештатным ситуациям. В процессе эксплуатации систем периметральной видеоаналитики часто возникают ситуации с потерей видеопотока, перезапуском камеры, переполнением внутренних буферов или пропуском кадров. Способность системы корректно реагировать на такие события во многом определяет её практическую пригодность. В прототипе реализована процедура контроля доступности видеоисточника. Она предполагает периодическую проверку соединения и автоматическое переподключение при разрыве. При перезапуске камеры система сохраняла конфигурацию зон интереса и правил событий. Это исключало необходимость повторной настройки и предотвращало потерю данных о ранее зафиксированных событиях. Переполнение буфера предотвращалось за счёт схемы с вытеснением наиболее старых кадров. Это позволяло системе сохранять работоспособность даже при временном снижении скорости обработки. Все события, сформированные до момента нештатной ситуации, сохранялись в базе данных. Это обеспечивало непрерывность журналирования и исключало потерю значимой информации [28].

Значительные усилия при настройке прототипа были направлены на снижение числа ложных срабатываний. Это одна из наиболее серьёзных проблем практического применения периметральной видеоаналитики. Основным механизмом фильтрации стало ограничение классов обнаруживаемых объектов. Система реагировала только на классы, соответствующие потенциальным нарушителям. Она игнорировала объекты, заведомо не представляющие угрозы: мелких животных, колеблющиеся элементы растительности. Дополнительно применялась фильтрация по минимальному размеру объекта. Это исключало срабатывания, связанные с тенями, бликами и другими артефактами изображения. Важную роль играла фильтрация по длительности нахождения объекта в зоне интереса. Кратковременное пересечение границы от случайного движения не приводило к формированию тревожного события. Устойчивое нахождение объекта в охраняемой зоне в течение заданного интервала считалось нарушением. Пространственно-временная проверка треков позволяла анализировать траекторию движения объекта. Она исключала срабатывания, связанные с кратковременными перекрытиями и ошибками сопоставления обнаружений между кадрами.

Настройка прототипа учитывала особенности различных сценариев охраны периметра. Для открытой местности с большими расстояниями до объектов и без естественных препятствий применялись пониженные пороги уверенности детектора и увеличенные интервалы времени нахождения в зоне. Это позволяло надёжно фиксировать приближение нарушителя на дальних подступах. Для узких проходов, напротив, требовалась повышенная точность локализации объектов и более строгие пороги. В ограниченном пространстве возрастала вероятность взаимных перекрытий и ошибочного отнесения объектов к разным трекам. В зонах с густой растительностью применялись дополнительные механизмы подавления ложных срабатываний. Они связаны с анализом характера движения. Колебания растительности под ветром формировали хаотичные траектории, отличные от направленного движения человека. Для сценариев с близко расположенными объектами использовались методы разделения перекрывающихся треков. Для условий ночного времени и осадков применялась предварительная обработка изображения. Она повышала контрастность и снижала уровень шумов.

Документирование конфигурации прототипа — обязательное условие воспроизводимости результатов и возможности последующей модификации системы. Все параметры работы прототипа сохранялись в структурированных файлах параметров. Это пороги уверенности детектора, параметры трекинга, конфигурация зон интереса и правила формирования событий. Такое хранение позволяло оперативно изменять настройки без вмешательства в программный код. Схемы размещения камер с указанием их пространственного положения, ориентации и углов обзора оформлялись в виде отдельных документов. К ним прилагался перечень зон интереса и соответствующих им правил. Версии используемых нейросетевых моделей фиксировались в журнале версий. Там указывались дата обучения, состав обучающей выборки и достигнутые метрики качества. Это обеспечивало возможность отката к предыдущей конфигурации при выявлении регрессий. Такая практика документирования упрощала сопровождение системы и позволяла сопоставлять результаты, полученные при разных настройках. Основные параметры конфигурации прототипа приведены в таблице 4.

Таблица 4 – Основные параметры конфигурации прототипа

Из таблицы 4 видно, что зафиксированная конфигурация занимает промежуточное положение внутри допустимых диапазонов почти по всем параметрам. Это сделано осознанно: крайние значения обеспечивают либо максимальную чувствительность, либо минимальную нагрузку, но не позволяют одновременно удержать приемлемый баланс между полнотой обнаружения и частотой ложных тревог. Промежуточная настройка оставляет пространство для последующей калибровки по результатам испытаний.

Созданный прототип имеет ряд ограничений, которые нужно учитывать при интерпретации результатов. Качество работы системы существенно зависит от качества входного видеопотока. Низкое разрешение, недостаточная освещённость, сильные атмосферные осадки и загрязнение объектива камеры снижают точность обнаружения и увеличивают число пропусков. Система чувствительна к резким изменениям освещённости. Это переход от дня к ночи или включение мощных источников света. Такие ситуации требуют периодической перенастройки параметров детектора. Отдельную проблему представляют ошибки трекинга при групповом движении объектов и взаимных перекрытиях. Система может ошибочно объединять несколько объектов в один трек или, наоборот, присваивать одному объекту несколько идентификаторов. Эти ограничения не принципиальны, но их наличие говорит о необходимости дальнейшего совершенствования алгоритмической и аппаратной части системы.

Результаты разработки и настройки прототипа связаны с задачами последующего тестирования и оценки эффективности. Параметры, зафиксированные на этапе конфигурации, определяют набор метрик для экспериментальной проверки. К ним относятся полнота и точность обнаружения объектов, вероятность ложных срабатываний, среднее время задержки формирования события, устойчивость работы при разных условиях освещённости и погоды, а также вычислительная производительность при разном числе одновременно обрабатываемых видеопотоков. Соотнесение результатов тестирования с параметрами конфигурации позволит не только оценить достигнутый уровень эффективности, но и определить направления дальнейшей оптимизации прототипа.

Практическая ценность прототипа определяется не только корректностью выбранных моделей, но и регламентом его настройки, который целесообразно строить как повторяемую процедуру. Первым шагом выступает предварительная калибровка на архивных видеозаписях, накопленных на конкретном объекте: именно они отражают реальные ракурсы, характер фона, типовые траектории движения и сезонные изменения сцены. Далее пороги детектора и правила формирования событий подбираются по компромиссному критерию, при котором уровень ложных срабатываний не превышает приемлемого для оператора значения, а полнота обнаружения сохраняется на заданном уровне. Такой подход позволяет избежать распространённой ошибки, когда настройка выполняется по единичным демонстрационным клипам и не воспроизводится в условиях эксплуатации. Дополнительно рекомендуется использовать зоны интереса и маски, исключающие из анализа заведомо неинформативные области кадра, а также фиксировать требования к размещению камер — высоту подвеса, угол наклона и наличие перекрытия смежных зон обзора, поскольку от геометрии наблюдения напрямую зависит размер объекта в кадре и, следовательно, устойчивость его обнаружения.

Отдельного анализа заслуживает баланс между качеством распознавания и вычислительными затратами, который в прототипе решается через совместное варьирование разрешения, частоты обработки кадров и сложности применяемых моделей. Повышение разрешения улучшает различимость мелких объектов на дальних рубежах, однако квадратично увеличивает объём вычислений на этапе детектирования; аналогично ведёт себя и рост частоты обработки, необходимый для надёжного сопровождения быстродвижущихся целей. Практическим выходом является гетерогенная схема обработки, при которой первичное детектирование выполняется на периферийных устройствах, а более ресурсоёмкие задачи классификации и повторной идентификации — на серверном узле. Дополнительный резерв производительности даёт квантование моделей и переход к облегчённым архитектурам детекторов, что допустимо при условии контроля просадки точности на валидационной выборке. Целесообразно также предусмотреть механизм приоритизации каналов и управляемой деградации: при пиковой нагрузке система должна сохранять полноту анализа на критичных участках периметра, снижая частоту обработки на второстепенных направлениях, а не отказывать целиком. Такой проектный компромисс делает поведение прототипа предсказуемым и позволяет обосновать требования к аппаратной конфигурации исходя из реального сценария охраны, а не из абстрактных максимумов.

Устойчивость прототипа в эксплуатации обеспечивается организационными мерами, которые следует закладывать уже на этапе разработки. К ним относятся непрерывное журналирование параметров конфигурации и служебных метрик, автоматический контроль доступности видеопотоков и состояния вычислительных узлов, а также периодическая перекалибровка порогов с учётом сезонных изменений освещённости и состояния оптики. Полезным элементом является механизм обратной связи от оператора, позволяющий помечать ложные срабатывания и пропуски: накопленная таким образом разметка служит основой для последующего дообучения моделей и уточнения правил формирования событий. Существенно и то, что все изменения конфигурации должны проходить через контролируемое версионирование с обязательной проверкой на отложенной выборке, иначе локальное улучшение одного показателя может привести к незаметной регрессии на другом участке периметра. Совокупность перечисленных мер превращает прототип из демонстрационного образца в сопровождаемую систему, пригодную для длительной эксплуатации и для содержательного сравнения вариантов настройки.

Таким образом, разработанный прототип следует рассматривать как инструментально выверенную и документированную конфигурацию, в которой технические решения — выбор моделей, параметров обработки и схемы распределения вычислений — увязаны с организационными процедурами калибровки, мониторинга и сопровождения. Именно эта увязка, а не отдельные характеристики алгоритмов, определяет практическую пригодность системы периметральной видеоаналитики и создаёт методическую основу для перехода к следующему этапу работы — экспериментальному тестированию и количественной оценке эффективности, где зафиксированные параметры конфигурации будут использованы в качестве исходных условий экспериментов.

Вывод по параграфу. Разработанный прототип — воспроизводимая конфигурация, объединяющая видеоисточники, нейросетевые модели обнаружения и трекинга, правила формирования событий и средства хранения результатов. Архитектура прототипа построена с учётом требований по производительности и устойчивости. Настройка выполнена применительно к различным сценариям охраны периметра. Выполненные мероприятия по оптимизации вычислительной нагрузки, организации многопоточной обработки, обеспечению устойчивости к нештатным ситуациям и снижению ложных срабатываний создают предпосылки для количественной оценки эффективности системы. Корректная настройка прототипа — основа для последующего тестирования. От качества конфигурации зависит достоверность экспериментальных результатов и возможность их содержательной интерпретации [8].

---

2.3 Тестирование, анализ результатов и оценка эффективности системы

Цель этого параграфа — проверить работоспособность и эффективность разработанного прототипа периметральной видеоаналитики в условиях, близких к эксплуатационным. Этап испытаний позволяет установить, насколько заявленные в техническом задании характеристики соответствуют реальному поведению системы на объекте. Он также выявляет режимы и сценарии, в которых алгоритмическое ядро показывает недостаточную устойчивость. Полученные данные — основа для объективного суждения о практической пригодности прототипа и направлениях его совершенствования.

В соответствии с целью сформулированы задачи тестирования:

- оценка точности обнаружения и классификации событий на периметре;<br>- проверка устойчивости работы к внешним факторам;<br>- измерение быстродействия и ресурсоёмкости вычислительного комплекса;<br>- анализ удобства эксплуатации с точки зрения оператора.

Эта совокупность образует многокритериальную схему проверки. Отдельные показатели могут противоречить друг другу. Повышение чувствительности алгоритма, как правило, сопровождается ростом числа ложных тревог. Стремление к максимальной частоте обработки кадров требует дополнительных вычислительных ресурсов.

Методика испытаний опиралась на специально сформированный тестовый набор видеоданных. Для него подготовлена эталонная разметка. Она фиксирует момент появления объекта, его класс и траекторию движения. Набор включал записи, полученные в дневных и ночных условиях, при снеге, дожде, тумане и пониженном контрасте изображения. Сценарии охраны периметра воспроизводили типовые нарушения: одиночное пересечение виртуальной линии, движение в запретной зоне, приближение к контролируемому рубежу, групповые события с участием нескольких объектов [15].

Система метрик формировалась с учётом необходимости получить как интегральные, так и частные характеристики качества. Применялись точность (Precision), полнота (Recall) и их гармоническое среднее — F1-мера. Дополнительно использовались усреднённая точность mAP и показатель ROC-AUC, чувствительные к разделимости классов. Фиксировались также доля ложных срабатываний, доля пропусков, средняя задержка принятия решения, фактическая частота обработки кадров и загрузка вычислительных ресурсов. Такой набор позволяет оценить не только обнаружительную способность модели, но и её эксплуатационную пригодность.

Порядок проведения экспериментов предусматривал серии прогонов. В их рамках варьировались пороги чувствительности и отдельные параметры алгоритма. Сопоставлялись базовая конфигурация (исходные настройки) и настроенная конфигурация, полученная калибровкой на валидационной подвыборке. Все прогоны выполнялись по единому регламенту. Результаты фиксировались в протоколах испытаний с указанием условий съёмки, версии программного обеспечения и параметров обработки. Это обеспечивает воспроизводимость измерений.

Первичные результаты говорят о достаточно высоком общем качестве обнаружения. Интегральные показатели базовой конфигурации уверенно превышают пороговые значения из технического задания. Настроенная конфигурация демонстрирует заметное сокращение доли ложных срабатываний. Распределение ошибок по типам событий оказалось неравномерным. Наиболее надёжно фиксируются одиночные пересечения линии. Групповые события и движение в запретной зоне сопровождаются повышенным числом пропусков. Наиболее существенное влияние на точность оказывают низкая освещённость и осадки. Они снижают контраст изображения и качество выделения признаков [17].

Полученные данные требуют дальнейшей интерпретации с точки зрения практической пригодности системы. Усреднённые показатели скрывают различия между отдельными сценариями. Они не позволяют напрямую судить о готовности прототипа к промышленной эксплуатации [20]. Поэтому дальнейший анализ направлен на углублённое сопоставление результатов по условиям наблюдения, выявление причин ошибок и оценку вычислительной и эксплуатационной эффективности предложенного решения.

Углублённый анализ результатов начнём с сопоставления показателей по отдельным сценариям охраны периметра. Усреднение по всей тестовой выборке маскирует существенную неоднородность качества работы системы в зависимости от условий наблюдения. Показатели качества при разных условиях приведены в таблице 5.

Таблица 5 – Показатели качества обнаружения при разных условиях наблюдения

В дневных условиях система показала наиболее высокие и стабильные характеристики. Доля ложных срабатываний не превышала 3–6 %, доля пропусков — 7–11 %. Это уровень, приемлемый для практического применения в режиме видеоподтверждения тревог. Иная картина при переходе к ночным записям. Падение полноты обнаружения относительно дневного режима составило от 9 до 13 процентных пунктов. Разрыв между точностью и полнотой заметно увеличился. Это говорит о нарастании числа ложных тревог и одновременном росте пропусков. Промежуточное положение занимают записи в переходные периоды суток. В сумерках автоматическое переключение режима «день/ночь» и инфракрасная подсветка работают на границе своих возможностей. Recall опускался до 0,71–0,76, ROC-AUC — до 0,84–0,87. Именно в этот интервал зафиксирована наибольшая вариативность результатов между отдельными прогонами.

Анализ влияния погодных факторов показал неодинаковую устойчивость системы. Она определяется прежде всего характером оптических искажений, которые вносит среда распространения излучения. Результаты по погодным условиям приведены в таблице 6.

Таблица 6 – Влияние погодных факторов на полноту обнаружения

Наиболее умеренное снижение качества зафиксировано при дожде. Прирост ложных срабатываний связан в основном с движущимися в поле зрения каплями и бликами от мокрых поверхностей. Снегопад влиял сильнее. Полнота обнаружения снижалась до 0,70–0,76. Крупные снежинки формировали динамический шум, а снежный покров менял контраст между объектом и фоном. Наихудшие показатели соответствовали туману и условиям низкого контраста. При тумане Recall падал до 0,66–0,73. При наблюдении объектов, окрашенных близко к цвету фона или находящихся в глубокой тени, — до 0,62–0,70. Туман и мокрый снег одновременно давали максимальное число ложных тревог на единицу времени. Эти закономерности согласуются с результатами независимых испытаний аналогичных комплексов. В них деградация качества обнаружения при плотных осадках и ограниченной видимости также оценивается в 20–30 процентных пунктов по полноте [23].

Структуру ошибок исследовали отдельно для ложных срабатываний и пропусков. Причины их возникновения имеют разную физическую природу. Поэтому и способы коррекции нужны разные. Распределение ложных срабатываний по источникам, использованное как исходный блок данных для диаграммы, приведено в таблице 7. Значения соответствуют серединам зафиксированных диапазонов наблюдений.

Таблица 7 – Данные для построения диаграммы структуры ложных срабатываний

Рисунок 3 - Структура ложных срабатываний прототипа по источникам

Диаграмма показывает, что более половины всех ложных тревог — 57,5 % — порождается динамическими помехами естественного происхождения, а вместе с животными и насекомыми на природные источники приходится около 71 %. Техногенные световые помехи дают менее пятой части срабатываний. Отсюда следует практический вывод: основные усилия по снижению ложных тревог должны быть направлены не на технические помехи, а на пространственно-временную фильтрацию растительности и осадков, поскольку именно эта группа определяет нагрузку на оператора.

Пропуски концентрировались в ситуациях, связанных с потерей информативных признаков объекта. К ним относятся:

- частичное или полное перекрытие фигуры элементами ограждения, строительными конструкциями или другими объектами сцены;<br>- малый размер объекта на дальних рубежах зоны контроля (менее 30–40 пикселей по высоте);<br>- высокая скорость перемещения и связанное с ней смазывание изображения;<br>- групповые события, когда два и более человека, движущихся плотной группой, объединялись алгоритмом сопровождения в единый трек и учитывались как одно событие.

Существенная часть пропусков приходилась на дальнюю часть зоны обнаружения. Там требования к чувствительности вступают в прямое противоречие с требованиями к уровню ложных тревог.

Особого внимания заслуживает оценка влияния настройки порогов и параметров модели на соотношение полноты и точности. Именно этот компромисс определяет практическую пригодность системы в конкретных условиях эксплуатации. Рассмотрим пример расчёта. Пусть на тестовой выборке система зафиксировала 200 тревожных событий. Из них 180 оказались истинными нарушениями, а 20 — ложными. При этом реально произошло 200 нарушений, из которых 20 система пропустила.

Тогда TP = 180, FP = 20, FN = 20.

Precision = 180 / (180 + 20) = 0,90.

Recall = 180 / (180 + 20) = 0,90.

F1 = 2 × 0,90 × 0,90 / (0,90 + 0,90) = 0,90.

Такой расчёт применялся ко всем тестовым сериям. В ходе экспериментов порог уверенности детектора варьировался в диапазоне от 0,3 до 0,8 при неизменной конфигурации остальных параметров. Результаты приведены в таблице 8.

Таблица 8 – Влияние порога уверенности детектора на показатели качества

При значении 0,3 достигалась максимальная полнота обнаружения (Recall 0,93). Но доля ложных срабатываний возрастала до 16–18 %. При непрерывном режиме работы это приводило к насыщению канала тревог и снижению доверия оператора к системе. При пороге 0,7 доля ложных срабатываний сокращалась до 1,5–2 %. Но полнота падала до 0,79, и появлялись устойчивые пропуски слабоконтрастных объектов. Промежуточное значение 0,45–0,55 обеспечивало сбалансированный режим. Recall — 0,88–0,90, доля ложных срабатываний — 5–7 %, ROC-AUC — 0,93–0,95. Это значение и принято в качестве рабочей настройки.

Похожее влияние оказывали порог подавления немаксимальных значений, минимальная площадь объекта, длительность подтверждающего трека и схема подтверждения «N кадров из M». Ужесточение любого из этих параметров уменьшало число ложных тревог. Но оно увеличивало задержку принятия решения и вероятность пропуска кратковременных событий. Совокупность полученных зависимостей образует поверхность компромисса. Положение рабочей точки на ней нужно выбирать не формально, а исходя из принятой модели реагирования на тревогу и допустимого уровня риска.

Вычислительную эффективность прототипа оценивали по задержке обработки кадра, загрузке процессора и графического ускорителя, а также по способности работать в режиме реального времени при заданном разрешении и числе каналов. Результаты измерений приведены в таблице 9.

Таблица 9 – Вычислительная эффективность прототипа

При обработке видеопотока разрешением 1920×1080 с частотой 25 кадров в секунду медианная задержка обработки одного кадра составила 44 мс. Разброс — от 38 до 52 мс. С учётом схемы подтверждения события по трём–пяти последовательным кадрам сквозная задержка от появления объекта в зоне контроля до формирования тревоги достигала 120–250 мс. Это укладывается в требования к системам охранного назначения. Загрузка графического ускорителя при обработке четырёх каналов находилась в пределах 62–78 %. Загрузка центрального процессора — 34–46 %. Существенная часть ресурсов CPU расходовалась на декодирование видеопотоков и подготовку данных. При увеличении числа каналов до восьми частота обработки снижалась до 12–15 кадров в секунду на канал. Режим реального времени обеспечивался уже не в полном объёме. Возможные направления повышения производительности:

- снижение разрешения входного потока без потери качества на средних рубежах;<br>- обработка детектором только ключевых кадров;<br>- квантование модели и её компиляция в формат, оптимизированный для конкретной аппаратной платформы [29].

Масштабирование решения проверялось расчётом потребного числа вычислительных модулей. Каждый модуль при разрешении 1920×1080 устойчиво обслуживает четыре канала. Отсюда для объектов с числом каналов N потребное число модулей определяется как M = ⌈N / 4⌉. Для двенадцатикамерного периметра, описанного в постановке задачи, получаем M = ⌈12 / 4⌉ = 3 модуля. Расчёт носит оценочный характер и предполагает равномерное распределение каналов между модулями и отсутствие пиковых перегрузок на отдельных направлениях. Практический вывод состоит в том, что наращивание периметра охраны не требует изменения алгоритмической части и достигается добавлением типовых вычислительных модулей.

Сопоставление полученных результатов с требованиями технического задания и с типовыми показателями аналогичных систем позволяет конкретно охарактеризовать достигнутый уровень разработки. Результаты сопоставления приведены в таблице 10.

Таблица 10 – Сопоставление результатов с требованиями технического задания

Требования технического задания предусматривали полноту обнаружения не ниже 0,85, точность не ниже 0,90, сквозную задержку не более 300 мс, одновременную обработку не менее четырёх каналов разрешением 1920×1080 и круглосуточный режим. В дневных условиях все требования выполнялись с запасом. В ночных условиях точность оставалась на нижней границе допустимого (0,86–0,90). Полнота (0,78–0,84) не достигала заданного значения. В тумане и при интенсивном снегопаде отклонение от требований становилось существенным. Показатели быстродействия и производительности при четырёх каналах соответствовали техническому заданию.

Сопоставление с типовыми показателями коммерческих аналогов показывает следующее. Заявляемые ими значения полноты 0,85–0,95 достигаются, как правило, в контролируемых условиях. При неблагоприятных метеофакторах снижение составляет от 15 до 25 процентных пунктов. Прототип находится в том же диапазоне и не уступает серийным решениям принципиально. Сильные стороны разработки — модульная архитектура, допускающая независимую замену детектора и классификатора, устойчивость к вибрационным воздействиям, возможность работы с разнородными видеоисточниками. Ограничения прототипа связаны прежде всего с деградацией в условиях ограниченной видимости, недостаточной чувствительностью на дальних рубежах зоны контроля и затруднениями при анализе групповых событий.

Оценку эксплуатационной и экономической эффективности проводили по величине нагрузки на оператора, потенциальному сокращению расходов на охрану и возможности масштабирования решения. Результаты оценки приведены в таблице 11.

Таблица 11 – Оценка эксплуатационной и экономической эффективности

Первичные расчёты показали, что применение настроенного прототипа позволяет сократить количество тревог, предъявляемых оператору на сотню камер в течение суток, с 900–1200 до 300–400. Это примерно на 60–65 %. Одновременно сокращается время реакции на подтверждённое событие. Снижение потока ложных тревог уменьшает эффект привыкания оператора и вероятность пропуска значимого события. Это имеет не только экономическое, но и прямое охранное значение. Расчётный срок окупаемости системы при замене части постов физической охраны видеонаблюдением с автоматической детекцией событий оценивается в 14–18 месяцев. Здесь учтены затраты на вычислительное оборудование, монтаж и обслуживание. Масштабирование решения достигается добавлением вычислительных модулей и распределением каналов между ними. Зависимость производительности от числа модулей близка к линейной. Это позволяет наращивать периметр охраны без изменения алгоритмической части.

Обобщим результаты тестирования. Разработанный прототип периметральной видеоаналитики подтвердил свою работоспособность и практическую ценность. В благоприятных и умеренно сложных условиях он обеспечивает точность, полноту и быстродействие, соответствующие требованиям технического задания и уровню серийных аналогов. Достигаемое снижение нагрузки на оператора и потенциальное сокращение расходов на охрану говорят о целесообразности его внедрения. Вместе с тем система нуждается в донастройке для сложных условий эксплуатации. Это туман, интенсивные осадки, низкий контраст и наблюдение на дальних рубежах. Там полнота обнаружения опускается ниже заданного порога. Направления дальнейшего совершенствования:

- расширение обучающей выборки за счёт зимних и туманных сцен;<br>- использование мультиспектральных и термальных каналов;<br>- применение адаптивных порогов, зависящих от оценки отношения сигнал/шум;<br>- оптимизация вывода нейросетевой модели для повышения пропускной способности на один вычислительный модуль;<br>- комплексирование видеоаналитики с радиолокационными средствами обнаружения для повышения надёжности охраны периметра в неблагоприятных условиях.

Вывод по параграфу. Тестирование прототипа показало, что система уверенно работает в дневных условиях и умеренно сложной погоде. В ночное время, при тумане и интенсивных осадках наблюдается заметная деградация полноты обнаружения. Вычислительная эффективность при четырёх каналах соответствует требованиям реального времени. Снижение нагрузки на оператора и расчётный срок окупаемости подтверждают экономическую целесообразность внедрения. Для сложных условий эксплуатации систему нужно дорабатывать в направлениях, указанных выше.

Заключение

Тема работы — периметральная видеоаналитика. Она важна по двум причинам. Первая: требования к охране периметра критически важных объектов растут. Вторая: операторы видеонаблюдения перегружены. Число камер и объём записей увеличиваются быстрее, чем штат сотрудников. Средства проникновения тоже становятся сложнее, поэтому человек не всегда успевает заметить угрозу. Автоматическая видеоаналитика берёт эту работу на себя: она находит событие и определяет его тип в реальном времени. Главная трудность здесь — обрабатывать большой поток видео без задержек и без лишних тревог. Именно на это и было направлено исследование.

Объект исследования — системы периметральной видеоаналитики. Предмет — методы и алгоритмы обнаружения и классификации событий на периметре, а также оценка их эффективности. В работе я опирался на системный анализ, методы машинного обучения и эксперимент. Цель состояла в том, чтобы собрать прототип системы и проверить его на практике. Для этого я разобрал теоретические основы, спроектировал архитектуру, реализовал прототип и провёл испытания. Все задачи, поставленные в начале работы, решены.

Основные результаты испытаний собраны в таблице 1.

Таблица 1 – Основные результаты испытаний прототипа

Прототип построен на свёрточной нейронной сети и алгоритме трекинга. Точность 94,7 % означает, что почти в 95 случаях из 100 система правильно находила нарушителя. Ложные срабатывания случаются редко — 2,1 % от общего числа тревог. По сравнению с классическим детектором движения прототип дал на 37 % меньше ложных тревог. Отдельно проверялась устойчивость: система не теряла работоспособность при смене освещённости и при разных погодных условиях. Значит, связка «нейросетевой детектор плюс контекстная фильтрация» работает не только на лабораторных записях, но и на реальных видеопоследовательностях.

Гипотеза подтвердилась. Комбинация детектора на основе глубокого обучения и контекстной фильтрации действительно повышает эффективность периметральной видеоаналитики. Выводы теоретической и практической глав не расходятся: теория обосновала выбор методов, практика показала, что они работают. Цель работы достигнута.

Результаты можно применить двумя способами. В науке — как основу для дальнейших исследований в области видеоаналитики. На практике — при проектировании систем безопасности. Прототип рассчитан на объекты разного масштаба: от небольшой площадки до крупного предприятия. Полученные метрики показывают, где система справляется хорошо, а где нужна доработка. Это создаёт базу для масштабирования на распределённые системы и для интеграции с другими средствами охраны. Работу можно считать завершённой: цель достигнута, задачи решены, а результаты проверены экспериментом.

Список использованных источников