Поведенческая видеоаналитика: зоны и вторжение

Кратко

Поведенческая аналитика – это семейство правил наблюдения, которые следят за тем, куда движутся объекты и как долго остаются: человек пересёк линию, вошёл в запретную зону, слишком долго стоит, толпа стала слишком плотной или оставлена сумка, – а не за тем, кто этот человек. Современные поведенческие правила работают поверх детекции и трекинга объектов, поэтому правило срабатывает только когда классифицированный отслеженный человек или машина делает то самое, – и потому хорошо настроенная система снижает ложные тревоги с 80–95% старой пиксельной детекции движения до единиц процентов. Эти правила – не просто фишки вендоров: спецификация ONVIF Analytics Service Specification задаёт их как стандартные типы – Line Detector, Field Detector, Loitering Detector и правила подсчёта, – которые VMS умеет настраивать и которые приходят как стандартные события через ONVIF Profile M. Поскольку поведенческая аналитика читает движение и присутствие, а не лицо, это обычные персональные данные, а не биометрия особой категории – её легче развернуть, чем распознавание лиц, но ей всё равно нужны правовое основание, уведомление и оценка рисков для систематического наблюдения, и она переходит в тяжёлый правовой режим в тот момент, когда начинает опознавать людей.

Почему это важно

Поведенческая аналитика – это место, где большинство покупателей наблюдения впервые ощущают разрыв между гладким демо и развёрнутой системой, с которой реально может жить оператор. Тот, кто её заказывает, – обычно интегратор безопасности, руководитель эксплуатации или объекта, менеджер ритейла или логистики или продакт, который увидел чистое срабатывание растяжки на стенде вендора, а теперь должен заставить её работать на реальном периметре в ветер, дождь, фары и пешеходный поток. Эта статья написана так, чтобы нетехнический читатель понял три вещи, решающие успех: что именно детектит каждое поведенческое правило, почему сбой – это ложные тревоги, а не пропуски, и где правило перестаёт быть задачей геометрии и становится вопросом приватности. Старший видеоинженер найдёт формулировки про стандарты и точность точными; но текст служит прежде всего тому, кто принимает решение.

Что значит «поведенческая аналитика» – и что нет

Начнём с чёткого определения, потому что слово «поведенческая» обещает больше, чем эти системы делают. Поведенческая аналитика в наблюдении – это набор правил, превращающих положение и движение объекта во времени в тревогу. Она отвечает на вопросы геометрии и времени: пересёк ли кто-то эту линию? вошёл ли в эту зону? остался ли слишком долго? собрался ли в толпу? оставлен ли предмет? В обыденной форме она не понимает намерение, не читает эмоцию и не знает, кто этот человек. Это различие важно и для точности, и для права, и мы к нему вернёмся.

Полезно отделить поведенческую аналитику от соседей по каталогу. Детекция объектов отвечает на вопрос что в кадре – человек, машина, сумка. Трекинг объектов отвечает куда это движется во времени, сшивая детекции в путь, который называют треком. Поведенческая аналитика – слой сверху: она применяет к этим трекам правило. Трек, пересёкший нарисованную линию, запускает правило пересечения линии; трек, просидевший в нарисованной зоне тридцать секунд, запускает правило праздношатания. Так что поведенческая аналитика – не отдельный вид ИИ, а детекция и трекинг плюс правило геометрии и времени. Где каждая аналитика стоит в общей картине – см. карту видеоаналитики.

Правило можно задать двумя способами, и большинство реальных систем используют первый. Правила-детерминированные – это вы рисуете линию или полигон и ставите порог: предсказуемо, объяснимо, рабочая лошадка этой статьи. Обучаемая аналитика аномалий вместо этого учит, как выглядит «норма» в сцене, и помечает отклонения без нарисованного правила; это другой инструмент с другим профилем точности и ложных тревог – см. детекцию аномалий в видео наблюдения. Эта статья владеет семейством правил – линии, зоны, таймеры пребывания, подсчёты – и ИИ-детекцией-и-трекингом, который их теперь питает.

Пять поведенческих правил, которые вы реально используете

Почти любое поведенческое развёртывание собрано из небольшого набора типов правил. Назвать их прямо – значит заземлить ожидания.

Пересечение линии (виртуальная растяжка). Вы рисуете линию через сцену; правило срабатывает, когда отслеженный объект её пересекает, и можно задать направление – во двор, но не из него. Это самое чистое поведенческое правило, потому что пересечение линии – однозначное событие. Растяжка с направлением, срабатывающая только на входящего человека, – стандартный способ следить за границей, не тревожась на каждого прохожего.

Вторжение / зона (поле). Вы рисуете полигон – защищённую область, – и правило срабатывает, когда отслеженный объект входит, появляется внутри или остаётся в ней. Это правило за фразой «после закрытия на разгрузочной рампе никого быть не должно» или «эта подстанция – запретная зона». Где линия ловит момент пересечения, зона ловит состояние нахождения внутри.

Праздношатание. Правило зоны с приставленными часами: оно срабатывает, только когда объект остаётся внутри дольше заданного времени пребывания, обычно настраиваемого от нескольких секунд до нескольких минут. Праздношатание отделяет человека, прошедшего через дверной проём (норма), от человека, замешкавшегося у него на две минуты (стоит взглянуть), не тревожась на каждого проходящего.

Плотность толпы и подсчёт заполненности. Вместо одного объекта эти правила считают или оценивают, сколько объектов в зоне – людей на площади, машин на стоянке, – и тревожатся на порог («больше 200 человек», «стоянка полна»). Подсчёт горстки хорошо разделённых людей надёжен; оценка плотной толпы – приближение, и это мы уточним в разделе про точность.

Оставленный предмет (и его зеркало – убранный предмет). Правило следит за вещью, которая стала неподвижной и остаётся, – сумка на платформе, коробка в коридоре – или, наоборот, за исчезновением объекта обстановки. Это сложнейшее из пяти, потому что система должна держать память о сцене сквозь людей, проходящих перед предметом, смену освещения и частичное перекрытие.

Нажмите, чтобы увеличить

Как на самом деле работает поведенческое правило: описание сцены, затем движок правил

Под капотом современная поведенческая аналитика – это две части, работающие последовательно, и стандарт ONVIF называет их именно так. Первая часть – движок аналитики на камере или сервере: он запускает детекцию и трекинг объектов и выдаёт описание сцены – структурированный список того, что в кадре, где сидит рамка каждого объекта, его центр тяжести и его класс (человек, машина и так далее). Вторая часть – движок правил: он читает это описание сцены и сверяет с геометрическими правилами, которые вы задали, – линиями, которые нельзя пересекать, полигонами, отмечающими защищённую область, таймерами пребывания (ONVIF, Analytics Service Specification). Когда правило выполнено, движок выдаёт событие.

Эта двухэтапная схема – главная мысль статьи, потому что она объясняет, почему современная поведенческая аналитика настолько точнее детекции движения, которую заменила. Старые системы срабатывали на сырое изменение пикселей – любой пиксель, что сдвинулся достаточно, от любой причины. Новая схема срабатывает, только когда классифицированный отслеженный объект выполняет геометрическое правило. Качающаяся ветка даёт изменение пикселей, но никакого трека «человек», пересёкшего вашу линию, – поэтому она никогда не тревожит. В этом вся суть.

Практическое следствие для того, кто настраивает систему: задать поведенческое правило в системе видеоуправления – софте, который принимает и записывает множество потоков камер, называемом VMS, – это короткий повторяемый рецепт. Вы рисуете геометрию (линию или полигон) на виде камеры. Вы прикрепляете фильтр класса объектов, чтобы правило рассматривало только нужные классы – срабатывать на человеке, игнорировать кошку. Вы ставите параметры: направление для линии, время пребывания для праздношатания, порог подсчёта для заполненности. Вы добавляете расписание, чтобы правило было живым, только когда нужно (зона разгрузки встаёт на охрану после закрытия). И вы выбираете отклик: поднять тревогу оператору, начать запись, повернуть поворотную камеру к месту или запустить интеграцию вроде сигнализации или света. Сделайте геометрию и фильтр класса правильно – и остальное это настройка.

Нажмите, чтобы увеличить

Ложные тревоги – настоящая метрика, и настоящая математика

Вот правило, на котором держится весь раздел аналитики, применённое к поведению: точность – это диапазон, привязанный к сцене, свету, углу и настройке, никогда не одно число и никогда не 100%. Для поведенческой аналитики число, решающее, переживёт ли система контакт с реальностью, – это не доля детекций. Это доля ложных тревог, потому что поведенческие системы обычно смотрят тихие сцены, где почти ничего не является реальным событием, и поток ложных тревог их разрушает.

Механизм называется усталостью от тревог, и он хорошо задокументирован в мониторинговых центрах. Когда операторы получают сотни нерелевантных тревог за смену, их отклик на настоящие тревоги падает – они приучены ждать шума – и в худшем случае выключают аналитику целиком, чтобы выполнять свою работу. Во многих развёртываниях камер подавляющее большинство тревог ложны; для старых установок часто называют цифры 90–99% шумовых тревог. Весь смысл поведенческой аналитики – снизить это число.

Пройдём арифметику вслух, потому что суть – в понимании. Представьте одну уличную камеру периметра.

• На старой пиксельной детекции движения камера срабатывает на всё, что движется: ветер в деревьях, дождь, фары, скользящие по забору, кошка. Скажем, она даёт 300 тревог в день, из которых 95% – шум.
• 300 × 0,95 = 285 ложных тревог в день с одной камеры. Оператор, следящий за двадцатью такими камерами, тонет.

Теперь переключимся на растяжку с направлением и фильтром класса объекта – срабатывать, только когда человек пересекает линию внутрь:

• Ветка, дождь, фары и кошка отфильтрованы, потому что ни одно из них не трек-«человек», пересёкший линию в охраняемом направлении.
• Отраслевой опыт с аналитикой на классах объектов – срез шумовых тревог на 90% и больше, а хорошо настроенные периметры сообщают о более чем 95%. Возьмём 90% как консервативную цифру: 285 × (1 − 0,90) ≈ 29 ложных тревог в день, и большинство теперь правдоподобны.

Это разница между системой, которой оператор доверяет, и той, что он заглушил. Хорошо настроенная ИИ-система поведения целит в долю ложных в пределах единиц процентов против 80%+ у сырой детекции движения – но «хорошо настроенная» – несущая фраза, и настройка это работа на внедрении, а не заводская установка.

Нажмите, чтобы увеличить

Что двигает число, примерно по порядку: фильтр класса объекта (главный единственный рычаг – срабатывать на людях, не на животных или погоде); геометрия (линия там, где происходят только реальные пересечения, бьёт зону, накрывающую оживлённую дорожку); сцена (дождь, туман, сильные тени и слабый свет ухудшают детекцию); угол и дистанция камеры (слишком маленький или косой объект трекается плохо); и пороги (слишком короткое время пребывания превращает обычные паузы в тревоги праздношатания). Каждое – это ручка настройки, и честный вендор сообщает долю ложных тревог, измеренную на вашей сцене, а не лабораторное число.

Частая ошибка, которой стоит избегать

Самый дорогой шаблон, что мы видим, – спецификация по демо и развёртывание на реальной сцене. Растяжка, идеально срабатывавшая на чистом полу в помещении, ведёт себя совсем иначе на периметре в деревьях в сумерках, и система, заложенная по числу со стенда, затопит оператора на первой неделе. Следующая – ленивая геометрия: зона, наезжающая на публичную дорожку, линия, где люди регулярно проходят по невинным причинам, – она производит ложные тревоги, которые не починит ни одна модель. Третья – пропуск фильтра класса объекта, оставляющий правило срабатывать на всём, что движется, и выбрасывающий бóльшую часть точности, которую ИИ должен был купить. И четвёртая, специфичная для оставленного предмета: ожидание, что он сработает в толпе, где перекрытие и постоянное движение делают неподвижную вещь трудной для удержания в памяти. Требуйте полевой пилот на ваших реальных камерах, вашем реальном трафике и вашей реальной погоде, с отчётом в виде измеренной доли ложных тревог при заявленных условиях, прежде чем кто-то назовёт поведенческое развёртывание «готовым».

Насколько точно каждое поведенческое правило?

Точность не одинакова по пяти правилам, и притворяться обратным – вводить покупателя в заблуждение. Расставим их примерно от самого надёжного к наименее.

Пересечение линии и вторжение в зону – самые надёжные, потому что лежащее в основе событие чёткое, а правило простое: отслеженный человек либо пересёк линию, либо нет. С хорошим фильтром класса и разумной геометрией это правила за сертифицированными системами периметра. Честная формулировка всё равно диапазон – детекция проседает в непогоду и на дистанции, и всегда есть остаточная доля ложных, – но эти два это рабочие лошадки.

Праздношатание надёжно как таймер, но чувствительно к порогу. Детекция-и-трек те же, что у зоны; суждение – это время пребывания. Поставьте слишком коротко – и тревожитесь на людей, остановившихся прочитать вывеску; слишком долго – пропустите поведение, которое хотели. Точность праздношатания – в основном вопрос настройки, а не модели.

Подсчёт толпы – это оценка, и относиться к ней надо как к оценке. Подсчёт горстки разделённых людей точен; оценка плотной толпы приблизительна, потому что головы перекрывают друг друга. Исследовательские модели подсчёта измеряют средней абсолютной ошибкой (MAE) – средним промахом счёта – и на стандартном бенчмарке ShanghaiTech ведущие модели 2025 года сообщают MAE около 50 и больше на плотных сценах (Part A) и около 6–7 на разреженных (Part B). По-простому: в разреженной сцене счёт ошибается на горстку; в плотной толпе – на десятки. Это годится для порога («на площади больше 200 человек?») или тренда и неверно для всего, где нужен точный счёт голов. Подбирайте правило под вопрос.

Оставленный предмет – самое сложное и честное в оговорках. Детектировать статичный объект, удерживая ложные тревоги низкими, – известная трудная задача: система должна отличить по-настоящему брошенную сумку от стоящего неподвижно человека, удержать объект сквозь людей, проходящих перед ним, и справиться со сменой освещения. Лучше всего работает на изолированных объектах в спокойных сценах и проседает в толпе. Британский государственный бенчмарк именно для этих сценариев – Imagery Library for Intelligent Detection Systems (i-LIDS) – сертифицирует аналитику для мониторинга стерильной зоны и детекции брошенного багажа как раз потому, что отработать ложные тревоги в реальных условиях достаточно трудно, чтобы понадобился государственный тест (UK Home Office CAST, i-LIDS). Если вендор заявляет оставленный предмет в оживлённом вестибюле, спросите результат i-LIDS или эквивалентную измеренную цифру.

Нить через все пять: поведенческая аналитика даёт сильный сигнал, а не приговор. Рабочий процесс должен изящно терпеть пропущенное или ложное событие – срабатывание периметра, подтверждаемое оператором, взглянувшим на клип, порог толпы как повод посмотреть, а не автоматическая блокировка.

Стандарт под капотом: движок правил ONVIF и Profile M

Легко предположить, что поведенческая аналитика – это куча проприетарных фишек вендоров. Бóльшая часть настройки таковой и является, но базовые типы правил стандартизированы, и знание этого защищает от вендор-лока. ONVIF Analytics Service Specification задаёт нормативный набор правил, которые совместимое устройство выставляет, а клиент может настроить: Line Detector (полилиния, выдающая событие «Crossed», когда объект пересекает её в заданном направлении), Field Detector (полигон, сообщающий, какие объекты внутри него), Loitering Detector и правила подсчёта пересечений и заполненности (ONVIF, Analytics Service Specification, Annex A). Спецификация даже называет «детектор потерянного багажа» как пример цепочки обработки. VMS может спросить камеру, какие правила она поддерживает, создавать и менять их и подписываться на их события – через стандартный интерфейс, между вендорами.

ONVIF – общий язык, позволяющий камерам и софту разных производителей понимать друг друга, а ONVIF Profile M – профиль для метаданных и событий аналитики. Поведенческое событие – пересечённая линия, входная зона, истёкший таймер праздношатания – приходит в VMS с Profile M как стандартное событие, переносимое внутри видеопотока, через ONVIF event service или по лёгкому протоколу обмена сообщениями MQTT (ONVIF, Profile M). Этот стандартный канал – причина, по которой поведенческая тревога с камеры одного вендора может поднять сигнал, начать запись или наполнить индекс событий для поиска в VMS другого вендора. Мост между аналитикой камеры и VMS разобран в статье события, метаданные и интерфейс аналитики ONVIF.

Вот граница, на которой спотыкаются команды, и она та же, что управляет любой аналитикой. ONVIF стандартизирует тип правила и то, как сообщается событие, – а не то, насколько точно правило и как оно настроено. Модель детекции, качество трекинга, доля ложных тревог, хитрая логика, отличающая праздношатающегося от очереди на автобус, – это собственное вендора, доступное через его SDK, а не гарантированное ONVIF. Совместимость с ONVIF – базовый уровень интероперабельности, а не обещание паритета функций или точности. Держите «совместимые с ONVIF поведенческие события» и «поведенческую систему, которая реально работает на вашем объекте» строго раздельно. Коммерческий обзор того, как профили ложатся в системы безопасности, – у Фора Софт в статье профили ONVIF в системах безопасности.

Где правило работает – на камере, на локальном сервере или в облаке – это отдельное решение со своим профилем задержки и трафика. Поведенческие правила чувствительны к задержке (тревога периметра бесполезна, если приходит после того, как нарушитель ушёл), поэтому обычно работают на краю, на камере или ближнем боксе; внутренности моделей детекции и трекинга, которые их питают, живут в разделе AI for Video Engineering. Компромисс развёртывания разобран в статье аналитика на краю против облака.

Нажмите, чтобы увеличить

Юридическая граница: поведение – персональные данные, но обычно не биометрия

Поведенческая аналитика стоит на более лёгкой стороне закона о приватности наблюдения – но «легче» не значит «никак», и есть граница, которую она может перейти. Понять это правильно – значит уберечься и от чрезмерной осторожности, и от беспечности.

Поведенческая аналитика обрабатывает персональные данные. По европейскому Общему регламенту защиты данных персональные данные – это любая информация, относящаяся к опознанному или опознаваемому человеку. Трек человека, движущегося по сцене, относится к этому человеку даже без имени, поэтому поведенческая аналитика по опознаваемым людям – это обработка персональных данных: ей нужно правовое основание, людям надо сообщить, что система существует, а систематическое наблюдение за публично доступным местом запускает оценку воздействия на защиту данных (DPIA) по ст. 35 GDPR, как разъясняет руководство Европейского совета по защите данных по видеоустройствам (GDPR, Рег. (ЕС) 2016/679, ст. 4(1) и ст. 35; EDPB Guidelines 3/2019).

Но поведенческая аналитика обычно не биометрия. Это ключевое отличие от распознавания лиц. Биометрия в смысле ст. 9 GDPR возникает из технической обработки физических характеристик человека – лица, отпечатка – для уникального опознания этого человека. Правило пересечения линии, таймер праздношатания и подсчёт толпы не делают ничего такого: они измеряют, где находится анонимный объект и как долго остаётся, а не кто он. Сам EDPB располагает видеоаналитику на шкале от менее навязчивой – его пример «простые алгоритмы подсчёта» – до более навязчивых биометрических технологий (EDPB Guidelines 3/2019). Поведенческая аналитика живёт на менее навязчивом конце. Поэтому режим особой категории ст. 9 и американские биометрические законы вокруг неё (Illinois BIPA, Texas CUBI), что регулируют распознавание лиц, к простому поведенческому правилу не применяются. Это реальное и полезное отличие: ритейлер может запустить счётчик людей или правило праздношатания там, где никогда не запустил бы распознавание лиц.

Где граница пересекается. Поведенческая аналитика переходит в тяжёлый режим в тот момент, когда начинает опознавать людей или биометрически их категоризировать – связывая праздношатающегося со списком распознавания лиц, выводя эмоцию или намерение из поведения человека или строя профиль, выделяющий конкретного человека. Особенно тяжёл вывод эмоции и намерения: EU AI Act ограничивает системы распознавания эмоций на рабочих местах и в образовании, а удалённую биометрическую идентификацию в реальном времени в публичных местах сильно урезает (EU AI Act, Рег. (ЕС) 2024/1689, ст. 5). Чистое инженерное правило: держите поведенческую аналитику анонимной по умолчанию. Считайте и детектируйте поведение, не опознавая человека; где сценарий реально требует личности, относитесь к этому как к развёртыванию распознавания лиц со всем биометрическим законом, что оно несёт, и проведите его через режим приватности в статье GDPR для видеонаблюдения. Один бонус приватности выпадает из архитектуры: поскольку полезный вывод часто это счёт или событие, а не видео, можно держать сырую запись локально или удалять её и отдавать наружу только метаданные – приватность и трафик улучшаются вместе.

Нажмите, чтобы увеличить

Поведенческая аналитика одним взглядом

Табл. 1. Пять поведенческих правил, что каждое делает лучше всего и предел, в котором его стоит держать. Все делят форму «камера-в-событие», правило «никогда не 100%» и тот факт, что измеренная доля ложных тревог на вашей сцене бьёт любое число из даташита.

Где здесь Фора Софт

Фора Софт строит ПО реального времени для видео, стриминга и компьютерного зрения с 2005 года, через 250+ выпущенных проектов, и поведенческая аналитика – место, где усилие уходит в части, которые скрывает демо: геометрию правила, фильтр класса объекта и долю ложных тревог, измеренную на собственной сцене и погоде клиента. Мы ведём сначала тем, как система ведёт себя под реальной нагрузкой – долей шумовых тревог, которую реально увидит оператор, порогами пребывания и направления, настроенными под объект, изящным рабочим процессом для неизбежного ложного события и анонимной по умолчанию архитектурой, что держит правило подсчёта или зоны на более лёгкой стороне закона, – и лишь затем возможностями. Поведенческая система, которой оператор доверяет в три часа ночи, бьёт ту, что идеально показала себя на демо и была заглушена на первой неделе.

Главное

• Поведенческая аналитика превращает положение и время пребывания объекта в тревоги – пересечение линии, зоны, праздношатание, подсчёт толпы, оставленный предмет.
• Современные правила стоят на детекции и трекинге, поэтому срабатывают на классифицированном отслеженном объекте, а не на движении пикселей.
• Главная метрика – доля ложных тревог; фильтры класса и хорошая геометрия срезают шум на 90%+ и побеждают усталость от тревог.
• Точность разная: линия/зона надёжнее всего, подсчёт толпы – оценка, оставленный предмет сложнее всего и требует измеренного доказательства.
• ONVIF стандартизирует типы правил (Line/Field/Loitering Detectors) и событие Profile M – но не настройку и не точность.
• Поведение – персональные данные, не биометрия: легче распознавания лиц, но держите его анонимным по умолчанию и проводите DPIA для систематического наблюдения.

Что почитать дальше

• Детекция аномалий в видео наблюдения
• Настройка аналитики: ложные тревоги, точность и реальность оператора
• Периметр и детекция вторжения