Умное видеонаблюдение: что такое видеоаналитика

Обычные камеры пишут всё подряд, а смотрит запись человек — когда уже что-то случилось. Умное видеонаблюдение переворачивает логику: система сама понимает, что в кадре, и зовёт человека только на событие. Не «вот вам 240 часов архива, ищите», а «в 14:07 на складе человек без каски, вот кадр». Разберём, что за этим стоит и где проходит граница между маркетингом и реальной пользой.

Чем умное видеонаблюдение отличается от обычного

Обычная система — это запись и хранение. Детектор движения там тоже есть, но он тупой: реагирует на любое изменение пикселей. Качнулась ветка, проехала тень от облака, кошка прошла — тревога. К утру у охранника сотни ложных уведомлений, которые он перестаёт открывать.

Умная система отвечает не на «что-то поменялось», а на «что именно произошло»:

• не «движение в кадре», а «человек пересёк линию периметра»;
• не «объект появился», а «автомобиль с номером А123ВС въехал на парковку»;
• не «изменение в зоне», а «на витрине закончился товар на полке №3».

Разница — в понимании сцены. Система классифицирует объекты (человек, машина, животное), отслеживает их и срабатывает по осмысленному правилу, а не по дрожанию пикселей.

Что реально умеет видеоаналитика

Набор сценариев давно вышел за рамки «детекции движения». Что работает на практике:

• Распознавание автономеров — въезд/выезд по белому списку, шлагбаум без оператора, учёт транспорта, фиксация нарушителей.
• Распознавание лиц — доступ по лицу, чёрные/белые списки, поиск человека по архиву, учёт рабочего времени.
• Подсчёт людей — поток на входе, посещаемость по часам, заполненность зала, конверсия «зашёл/купил».
• Детекция вторжения — пересечение виртуального периметра, появление в запретной зоне, оставленный предмет.
• Детекция огня и дыма — раннее обнаружение возгорания по картинке, до срабатывания обычных датчиков на открытых площадях и складах.
• Контроль СИЗ — каска, жилет, очки, перчатки: система видит, что рабочий вошёл в зону без защиты.
• Аналитика очередей — длина очереди на кассе, время ожидания, сигнал «откройте второй терминал».
• Контроль выкладки товара — пустые полки, соответствие планограмме, мониторинг ассортимента в ритейле.

Один сервер обычно тянет несколько сценариев параллельно на разных камерах: на въезде — номера, в цеху — СИЗ, в зале — подсчёт людей.

Как это работает: нейросети, edge и сервер

Под капотом — нейросети. Сначала детектор находит на кадре объекты и рисует рамки (человек, лицо, номер). Дальше специализированные модели уже разбираются с деталями: распознают символы номера, сравнивают лицо с базой, проверяют наличие каски. Модели обучены на тысячах размеченных примеров и инферят на видеопотоке в реальном времени.

Где крутится этот инференс — два подхода:

Edge (на камере или мини-устройстве). Нейросеть работает прямо в камере или в коробочке рядом. Плюсы: минимум трафика (по сети идут только события, не весь поток), низкая задержка, поток не покидает объект. Минусы: ограниченная мощность, на одной камере не запустишь десяток тяжёлых моделей.

Сервер (центральная обработка). Камеры отдают потоки на сервер с GPU, он гоняет аналитику централизованно. Плюсы: мощность, сложные сценарии, единое место настройки и обновления. Минусы: нужен сам сервер и сеть, чтобы дотащить до него потоки.

Реальные внедрения часто комбинируют: лёгкое — на edge, тяжёлое и требующее общей базы (то же распознавание лиц с большим списком) — на сервере. Подробнее про выбор схемы хранения и обработки — в разборе облачного и локального видеонаблюдения.

Поверх каких камер это работает

Хорошая новость: чаще всего менять камеры не нужно. Видеоаналитика работает поверх уже стоящего парка по стандартным протоколам — RTSP, ONVIF. Подключается к существующему потоку с камеры или регистратора и анализирует его.

Требования к камере зависят от задачи, а не от бренда:

• Номера и лица — нужны разрешение и резкость на нужной дистанции, адекватная выдержка (чтобы номер не смазывался), правильный ракурс и свет. Тут камеру иногда докручивают или ставят целевую на конкретную зону.
• Подсчёт людей, СИЗ, вторжение — менее требовательны, обычная IP-камера 2–4 Мп с вменяемым обзором справляется.

Главное — не мегапиксели на коробке, а геометрия установки: угол, дистанция, освещение, отсутствие засветок и контрового света.

Мифы и реальность

Миф: «точность 99,9%, ошибок не бывает». Реальность: точность зависит от условий. На чистом кадре с хорошим ракурсом распознавание номеров и лиц работает отлично. На грязном номере под острым углом ночью — цифры падают. Честный интегратор называет точность для ваших условий, а не из презентации.

Миф: «поставил — и забыл». Реальность: систему настраивают под объект. Зоны, линии, пороги срабатывания, белые списки — это конфигурация, а не «коробка из магазина». Первые недели уходят на калибровку, чтобы убрать ложные тревоги.

Миф: «ложных срабатываний не будет». Реальность: будут, вопрос — сколько. Цель не «ноль», а уровень, при котором оператор реагирует на каждое уведомление. Грамотная настройка зон и классификации (человек vs животное vs тень) убирает основную массу ложняка, на котором спотыкается тупой детектор движения.

Миф: «нужно всё снести и купить новое». Реальность: в большинстве случаев аналитика ложится поверх существующих камер. Замена точечная — только там, где камера физически не видит нужное.

С чего начать

Не «купить умную систему», а пройти по шагам:

1. Сформулируйте задачу в событиях. Не «хочу аналитику», а «фиксировать въезд по номеру», «ловить людей без каски в цеху», «считать поток на входе». Сценарий определяет всё остальное.
2. Проверьте камеры под задачу. Покрывают ли существующие камеры нужные зоны с нужным качеством. Где-то докрутить, где-то добавить одну целевую.
3. Выберите, где обрабатывать. Edge или сервер, локально или с облаком — зависит от числа камер, требований к приватности и каналу.
4. Запуститесь на одном сценарии. Один объект, одна задача, калибровка пару недель — затем тиражируйте на проверенной конфигурации.

Полный список того, что можно автоматизировать, — в разделе сценарии видеоаналитики. Умное видеонаблюдение окупается не «вообще», а на конкретной задаче: когда система снимает с человека рутину просмотра и зовёт его ровно тогда, когда что-то действительно произошло.