Экспертные заключения: 11
Консультации: 0

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.

Ссылка

На страницу проекта

Направление

IT, Безопасность и оборонная сфера

Рынки

TechNet

Сквозные технологии

Искусственный интеллект, Технологии машинного обучения и когнитивные технологии, Технологии информационной безопасности