Система анализа данных с камер видеонаблюдения в жилом секторе
Описание проекта: Система анализа данных с камер видеонаблюдения в жилом секторе предназначена для автоматизированного анализа видеопотока. Программа обнаруживает людей и автомобили в кадре, отслеживает их перемещение и присваивает обнаруженным объектам уникальные идентификаторы (ID). Информация об объектах может сохраняться в локальной базе данных для последующего сопоставления и повторного обнаружения. Система также предусматривает возможность автоматического формирования уведомлений при обнаружении заданных событий. Это позволяет снизить необходимость постоянного ручного просмотра видеоматериалов и ускорить реакцию на происходящие события.
Идея проекта: Создать программную систему, которая с помощью технологий компьютерного зрения автоматически анализирует видеопоток с камер наблюдения в жилом секторе, обнаруживает людей и автомобили и присваивает им уникальные ID. В дальнейшем система должна запоминать ранее обнаруженные объекты и при их повторном появлении сопоставлять их с сохранёнными данными. Такой подход позволит автоматизировать часть процесса мониторинга видеонаблюдения.
Связь с НПТЛ: Соответствует по 05 теме НТПЛ средства производства автоматизации, микроэлектроника.
Направление технологического лидерства
Проект «Система анализа данных с камер видеонаблюдения в жилом секторе» реализуется в рамках национального проекта технологического лидерства «Экономика данных и цифровая трансформация государства», который включает федеральный проект «Искусственный интеллект». Данное направление охватывает развитие технологий компьютерного зрения, интеллектуальной обработки видеоданных и внедрение ИИ-решений в городскую инфраструктуру.
Соответствие целям НПТЛ
Национальные проекты технологического лидерства направлены на достижение технологического суверенитета и формирование перспективных продуктов, основанных на технологиях «завтрашнего дня». Проект напрямую соответствует следующим приоритетам:
1. Развитие сквозных технологий искусственного интеллекта
Система использует методы компьютерного зрения и машинного обучения для автоматического анализа видеопотоков, что соответствует задаче формирования и поддержки технологических команд в области ИИ. Применение нейросетевых архитектур (YOLO, FaceNet, Vision Language Models) для детекции и распознавания объектов в реальном времени обеспечивает технологическую независимость в критически важной сфере.
2. Цифровая трансформация городской инфраструктуры
Проект интегрируется в экосистему «Умный город» и системы ситуационной осведомлённости. Формализация ситуационной осведомлённости через трёхуровневую модель (восприятие — понимание — прогнозирование) позволяет перейти от пассивного видеонаблюдения к проактивному выявлению угроз. Это соответствует целям НПТЛ по созданию современных систем безопасности и повышению качества жизни граждан.
3. Обеспечение безопасности жилых территорий
Системы интеллектуального видеонаблюдения решают задачу автоматического выявления аномального поведения и потенциальных угроз в жилом секторе. Исследования показывают, что интеграция YOLO и FaceNet обеспечивает точность распознавания до 97,6% при средней задержке 9,12 мс на кадр. Это позволяет в реальном времени идентифицировать незнакомых лиц, отслеживать инциденты (падения, драки, проникновения) и автоматически оповещать службы безопасности.
Цель проекта: Разработать программное обеспечение для автоматизированного анализа видеопотока с камер видеонаблюдения в жилом секторе, обеспечивающее обнаружение, идентификацию и отслеживание людей и автомобилей с возможностью последующего повторного распознавания ранее обнаруженных объектов.
Задачи проекта :
Создание системы мониторинга энергетической инфраструктуры жилого сектора
Использовать видеоданные для контроля состояния объектов энергетики в жилой среде:
- автоматическое выявление повреждений линий электропередач, трансформаторных подстанций, уличного освещения;
- детекция несанкционированного подключения к энергосетям;
Ожидаемые результаты: В результате выполнения проекта должна быть создана работающая программа, которая способна в режиме реального времени обнаруживать людей и автомобили на видеопотоке и присваивать им уникальные идентификаторы. В перспективе программа должна сохранять информацию об обнаруженных объектах и при их повторном появлении определять, встречался ли данный объект ранее. При обнаружении ранее зарегистрированного человека или автомобиля система должна формировать соответствующее оповещение.
Актуальность проекта
Российский рынок видеонаблюдения и видеоаналитики демонстрирует устойчивый рост, создавая благоприятную среду для новых ИИ-решений. По итогам 2025 года объём B2B- и B2G-сегмента рынка видеонаблюдения достиг 67,6 млрд рублей, увеличившись более чем вдвое по сравнению с 2021 годом. Среднегодовой темп роста (CAGR) зафиксирован на уровне 23,4% . Прогнозируется, что к 2030 году ёмкость рынка удвоится и достигнет 135 млрд рублей . Особенно динамично растёт сегмент видеоаналитики: в 2025 году его объём составил 9,4 млрд рублей против 4 млрд в 2021 году .
Системы интеллектуального видеонаблюдения в жилом секторе — это растущий сегмент с высоким потенциалом. Традиционные системы видеонаблюдения доминируют в денежном выражении (51,5 млрд рублей, или 76,2% рынка), однако отрасль переживает структурный сдвиг в сторону облачных и ИИ-решений. Видеоаналитика с использованием нейросетей показывает темпы роста 40%, значительно опережая классическое аппаратно-программное обеспечение (17%) .
Бизнес-модель
Проблема
В жилом секторе системы видеонаблюдения выполняют преимущественно пассивную функцию — запись и хранение видео. Просмотр записей происходит постфактум, при разборе инцидентов. Охранники и службы безопасности физически не способны отслеживать десятки камер в реальном времени. Системы не различают «своих» и «чужих»: любое движение в кадре требует внимания оператора. Это приводит к перегрузке уведомлений, снижению бдительности и пропуску реальных угроз.
Существующие альтернативы
зарубежные решения с распознаванием лиц (Plumerai Familiar Face Identification), работающие на камерах с ограниченной вычислительной мощностью , либо открытые платформы (Frigate, ZoneMinder), требующие технической экспертизы для настройки и интеграции , либо коммерческие SaaS-платформы (Verkada).
Потребительский сегмент
В2В. Ключевыми покупателями являются управляющие компании и ТСЖ (жилые комплексы, многоквартирные дома), службы эксплуатации жилых комплексов бизнес-класса, частные охранные организации, обслуживающие жилой сектор, а также органы местного самоуправления (программы «Безопасный город» на уровне муниципалитетов).
Ценностное предложение
Система анализа данных с камер видеонаблюдения — это единственное отечественное решение, которое в жилом секторе автоматически обнаруживает людей и автомобили, присваивает им уникальные ID и запоминает их для последующего распознавания при повторном появлении, работает локально, без облачной обработки.
Решение
Программная система использует технологии компьютерного зрения (YOLO, FaceNet) для автоматического анализа видеопотока с камер в жилом секторе. Система обнаруживает людей и автомобили, отслеживает их перемещение, присваивает уникальные ID и сохраняет информацию об объектах в локальной базе данных. При повторном появлении объекта система сопоставляет его с сохранёнными данными и формирует соответствующее оповещение.
Каналы распространения
Покупатели узнают о продукте через прямые продажи управляющим компаниям и ТСЖ, партнёрство с интеграторами систем безопасности и «Умного города», участие в отраслевых выставках и конференциях по ЖКХ и безопасности, пилотные проекты как канал демонстрации, а также через программы поддержки отечественных ИТ-решений (реестр отечественного ПО).
Потоки поступления доходов
Заработок строится на годовой подписке на программный комплекс для управляющих компаний и ТСЖ (фиксированная стоимость в зависимости от числа камер). Дополнительно продаются лицензии на модули (обнаружение людей, распознавание автомобилей, мониторинг энергоинфраструктуры), интеграционные услуги по настройке взаимодействия с существующими системами видеонаблюдения заказчика, консалтинг и обучение персонала.
Модель монетизации
Выбрана комбинированная модель: подписка (SaaS), лицензии на модули, интеграционные услуги, консалтинг и обучение.
Структура расходов
Для работы продукта требуются затраты на разработку и поддержку ПО (нейросетевые модели YOLO, FaceNet, система трекинга, база данных для хранения ID), создание системы мониторинга энергетической инфраструктуры, интеграцию с существующими системами видеонаблюдения, пилотное внедрение на реальных объектах, а также маркетинг и продажи, ФОТ, налоги.
Ключевые метрики
Успешность решения оценивается по точности обнаружения людей и автомобилей, точности повторного распознавания (доля успешных сопоставлений при повторном появлении), числу активных подписок, годовому удержанию подписчиков, числу интегрированных систем видеонаблюдения, а также по количеству жилых объектов, охваченных системой.
Скрытое преимущество
Патент на разработку. Накопленная база данных ID людей и автомобилей в конкретном жилом секторе. алгоритмов и оптимизации точности.
