Video-Based Intrusion Detection System

System Development детекции вторжения (Intrusion Detection) по видео

Детекция вторжения — автоматическое обнаружение появления человека или транспортного средства в запретной зоне. Задача кажется простой, но на практике генерирует массу ложных срабатываний: ветер, тени, свет фар, мелкие животные. Хорошая система должна иметь recall > 95% при ложных срабатываниях < 1 в час на камеру.

Двухуровневый детектор

import cv2
import numpy as np
from ultralytics import YOLO

class IntrusionDetector:
    def __init__(self, model_path: str, zone_polygon: list,
                 sensitivity: str = 'medium'):
        self.detector = YOLO(model_path)
        self.zone = np.array(zone_polygon, dtype=np.int32)

        # Background subtractor для motion pre-filtering
        self.bg_subtractor = cv2.createBackgroundSubtractorMOG2(
            history=500,
            varThreshold=16,
            detectShadows=True
        )

        # Параметры чувствительности
        self.conf_thresholds = {
            'low': 0.7,
            'medium': 0.5,
            'high': 0.3
        }
        self.conf = self.conf_thresholds[sensitivity]

        # Фильтр ложных срабатываний
        self.confirmed_tracks = {}  # track_id -> frames_in_zone
        self.confirmation_frames = 3  # N кадров подряд = подтверждённое вторжение

    def detect(self, frame: np.ndarray) -> dict:
        result = {
            'intrusion_detected': False,
            'intruders': [],
            'motion_level': 0.0
        }

        # 1. Быстрая проверка: есть ли движение
        fg_mask = self.bg_subtractor.apply(frame)
        # Удаляем тени (серые пиксели)
        fg_mask[fg_mask == 127] = 0
        motion_level = float(fg_mask.sum()) / (frame.shape[0] * frame.shape[1])
        result['motion_level'] = motion_level

        # Если движения нет — пропускаем дорогой ML инференс
        if motion_level < 0.001:
            return result

        # 2. ML детекция
        detections = self.detector(frame,
                                    conf=self.conf,
                                    classes=[0, 2, 3, 5, 7])  # person + vehicles

        for box in detections[0].boxes:
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            cx, cy = (x1 + x2) // 2, (y1 + y2) // 2

            # Центр объекта в запретной зоне?
            in_zone = cv2.pointPolygonTest(
                self.zone,
                (float(cx), float(cy)),
                False
            ) >= 0

            if in_zone:
                result['intruders'].append({
                    'class': self.detector.model.names[int(box.cls)],
                    'confidence': float(box.conf),
                    'bbox': [x1, y1, x2, y2],
                    'center': (cx, cy)
                })

        if result['intruders']:
            result['intrusion_detected'] = True

        return result

Фильтрация ложных срабатываний

class FalsePositiveFilter:
    def __init__(self):
        self.event_buffer = []
        self.cooldown_seconds = 30  # минимум 30 сек между тревогами

    def should_trigger_alarm(self, intrusion_event: dict,
                              current_time: float) -> bool:
        # Минимальная площадь bounding box (фильтрует мелких животных)
        for intruder in intrusion_event.get('intruders', []):
            x1, y1, x2, y2 = intruder['bbox']
            area = (x2 - x1) * (y2 - y1)
            if area < 2000:  # пикселей
                return False

        # Cooldown период
        if self.event_buffer:
            last_event_time = self.event_buffer[-1]
            if current_time - last_event_time < self.cooldown_seconds:
                return False

        self.event_buffer.append(current_time)
        # Хранить только последние 10 событий
        self.event_buffer = self.event_buffer[-10:]
        return True

Ночная работа: ИК и тепловые камеры

Стандартные RGB-модели плохо работают в темноте. Решения:

• ИК-подсветка камеры (850nm или 940nm): модель обучаем на ИК-изображениях
• Тепловая камера (FLIR, Axis): люди хорошо детектируются по тепловому излучению; требует отдельной модели или дообучения на тепловых данных
• Фьюжн RGB + тепло: наилучшая точность в любых условиях

Мультизонная конфигурация

zones_config = {
    'perimeter': {
        'polygon': [[0,300],[1920,300],[1920,1080],[0,1080]],
        'alert_level': 'warning',
        'schedule': 'always'
    },
    'server_room': {
        'polygon': [[500,200],[900,200],[900,600],[500,600]],
        'alert_level': 'critical',
        'schedule': 'after_hours',  # только в нерабочее время
        'allowed_persons': ['id_001', 'id_002']  # whitelist
    }
}