Модуль ИИ-анализа аномалий в биометрических данных, получаемых с камер видеонаблюдения — чтобы выявлять несоответствия между признаками (рост, пол, тип фигуры) и снижать количество ложных срабатываний в системах безопасности на 30–40%.

Системы видеонаблюдения часто ошибаются при распознавании людей — из-за плохого освещения, маскировки, технических сбоев или просто неточности детекторов. Это приводит к ложным тревогам, перегрузке операторов и потере доверия к системе.

Мы создадим систему обнаружения аномалий, которая:

1. Получает данные от детектора силуэта

• Вход: последовательность кадров с координатами силуэта человека, его высотой, шириной, скоростью движения, направлением.

• Данные передаются в реальном времени (потоковое видео).

• Можно использовать готовый детектор (например, YOLOv8 + OpenPose) или симуляцию.

2. Оценивает логическую согласованность признаков

• Для каждого человека рассчитывается:

  • соотношение рост/ширина плеч,

  • скорость походки vs. тип фигуры (например, высокий человек с медленной походкой может быть аномалией),

  • динамика движений (неестественные остановки, резкие изменения направления).

• Сравнивается с эталонными профилями:

  • мужчины: средний рост 175–185 см, ширина плеч 45–55 см,

  • женщины: 160–170 см, ширина плеч 35–45 см,

  • дети: рост < 150 см, походка более энергичная.

3. Выявляет аномалии и классифицирует их причины

• Алгоритм определяет:

  • Ошибка детектора (например, женщина определена как мужчина — но параметры силуэта не соответствуют ни одному полу),

  • Маскировка (например, человек носит широкую одежду — ширина силуэта не соответствует росту),

  • Технический сбой (резкое изменение размеров силуэта между кадрами).

• Выдаёт уровень уверенности и объяснение:
  «Аномалия: вероятность маскировки — 89%. Причина: ширина плеч 60 см при росте 170 см — не соответствует ни одному типу фигуры».

4. Интегрируется в систему видеонаблюдения

• Модуль работает в реальном времени, обрабатывая каждый кадр.

• При обнаружении аномалии отправляет сигнал в систему управления (например, звуковой сигнал, всплывающее окно, запись в лог).

• Предоставляет API для интеграции с внешними системами (например, платформами видеонаблюдения).

5. Обучается на своих ошибках

• Оператор может помечать ложные срабатывания.

• Система использует эти метки для дообучения модели (online learning).

• Сохраняет историю аномалий для анализа и отчётов.

Результат — интеллектуальный аудитор, который проверяет логику системы и защищает её от ошибок — человеческих и технических.

На страницу проекта