7 эффективных алгоритмов машинного обучения для обнаружения аномалий в видео с камерами наблюдения (руководство по построению пайплайна)

Детекция аномалий в видеонаблюдении — задача двухуровневая, а не одноалгоритмическая. Первый уровень — быстрая статистическая или геометрическая модель, которая отбирает подозрительные кадры (Isolation Forest, One-Class SVM, GMM, K-Means). Второй уровень — глубокая модель, которая анализирует, что именно происходит на кадре (CNN, LSTM, автоэнкодеры, а в 2026 году — и vision-трансформеры). Соберите их правильно — получите детекцию за менее чем секунду с долей ложных срабатываний <1% на типичных потоках с камер CCTV. Соберите неправильно — либо утонете в потоке уведомлений, либо пропустите именно тот момент, ради которого всё и затевалось. Этот гайд — рабочий каркас для принятия решений, который мы используем при реальных внедрениях у клиентов в 2026 году.

Подробнее по теме: читайте наш полный гайд — Топ-7 моделей детекции аномалий для видеонаблюдения (2026).

• Почему Fora Soft подходит для ML-продуктов в видеонаблюдении
• Двухуровневый процесс обнаружения аномалий
• 1. Isolation Forest — обнаружение выбросов за доли миллисекунды
• 2. One-Class SVM — обнаружение аномалий в ограниченном пространстве признаков
• 3. Свёрточные нейронные сети (CNN)
• 4. LSTM и временные трансформеры
• 5. Автоэнкодеры — поиск аномалий на уровне пикселей без разметки
• 6. K-Means — группировка по поведению
• 7. Смеси гауссовых распределений (GMM)
• Таблица сравнения алгоритмов
• Как выбрать алгоритм в зависимости от задачи
• Кейс: платформа видеонаблюдения V. A. L. T.
• Развертывание на edge и в облаке
• 5 ловушек в продакшене
• FAQ
• Итоги

Почему Фора Софт подходит для ML-продуктов в видеонаблюдении

Мы выпускаем продукты для видеонаблюдения и видеоаналитики с 2012 года: 97% успешных проектов и более 200 выпущенных продуктов, выделенная команда по машинному обучению и сильная экспертиза в WebRTC, приёме RTSP/ONVIF и развёртывании на edge-устройствах NVIDIA/Jetson. Что касается детекции аномалий — мы внедрили в продакшен решения на основе Isolation Forest, One-Class SVM, автоэнкодеров, CNN из семейства YOLO и временных моделей на LSTM/трансформерах, включая платформу V. A. L. T., о которой расскажем ниже.

Что это значит для вашего продукта: мы не выбираем алгоритм по списку. Мы анализируем топологию ваших камер, допустимые задержки, стоимость разметки и цену ошибки — и предлагаем двухуровневый пайплайн: отсев и подтверждение. Алгоритмы ниже отражают реальные продакшен-стеки, а не обзор из научной литературы.

Двухуровневый пайплайн детекции аномалий

99% видео с камер видеонаблюдения — это обычная рутина. Обрабатывать каждый кадр с помощью глубокой нейросети — значит зря нагружать GPU и получать ложные срабатывания. Паттерн, который мы применяем в проектах 2026 года, выглядит так:

1. Уровень 1 — отсев (на edge). Извлекаете признаки (векторы движения, гистограммы, ограничивающие рамки объектов) и прогоняете через быструю модель без учителя — Isolation Forest или GMM — с настройкой на высокую полноту и среднюю точность. Менее миллисекунды на кадр.
2. Уровень 2 — подтверждение (региональный сервер). Для отмеченных кандидатов показывайте окно на 2–5 секунд в связке CNN + LSTM (или vision-трансформер), которая выдаёт интерпретируемый показатель аномальности и метку класса.
3. Уровень 3 — проверка человеком (опционально). Если score выше порога — клип с ограничивающими рамками попадает в очередь оператора. По всем важным вопросам окончательное решение остаётся за человеком.

Уровень 1 снижает нагрузку на Уровень 2 в 30–100 раз. Уровень 2 снижает нагрузку на Уровень 3 в 10–50 раз. На реальных проектах с сотнями камер оператор получает примерно один важный алерт в час.

1. Isolation Forest — отсев за доли миллисекунды

Что это. Ансамбль случайных бинарных деревьев. Чем меньше разбиений нужно, чтобы выделить точку, тем выше её аномальность. Модель обучается только на «нормальных» данных, разметка не требуется.

Почему это важно для видеонаблюдения. Инференс занимает доли миллисекунды на обычных CPU, обрабатывает векторы признаков размерности 50–500 (движение, оптический поток, количество объектов), модель обновляется в реальном времени — можно переобучать ночью на данных последних 24 часов «нормального» поведения, не храня размеченный датасет. Это наша базовая модель фильтрации на Уровне 1 в стеке 2026 года.

В чём слабость. Не понимает пиксели. Если подать на вход сырые массивы изображений, она проиграет любой глубокой модели. Всегда работает в паре со стадией извлечения признаков.

2. One-Class SVM — аномалии в ограниченном пространстве признаков

Что это. Метод опорных векторов, обученный только на «нормальных» данных: строит границу в пространстве признаков. Всё, что за пределами этой границы, — аномалия.

Почему это важно для видеонаблюдения. Лучший выбор, когда «норма» узкая и хорошо определена: охраняемое помещение ночью, пустая производственная линия, конкретный маршрут транспорта. Ядровой SVM ловит нелинейные паттерны нормы, которые упустит Isolation Forest.

В чём слабость. Обучение плохо масштабируется выше ~50 тыс. примеров. Подбор гиперпараметров (ν, γ) чувствителен, и настраивать их в процессе работы неочевидно.

3. Свёрточные нейронные сети (CNN)

Что это. Основа современного компьютерного зрения. В видеонаблюдении CNN используют в трёх задачах: обнаружение объектов (YOLOv10/11, RT-DETR), классификация (есть или нет нетипичный объект) и как извлекающие признаки компоненты для последующих моделей.

Почему это важно для видеонаблюдения. Любая семантически осмысленная аномалия — «человек в запретной зоне», «оставленный предмет», «появилось оружие» — лучше всего решается как задача детекции или классификации объектов с использованием CNN. YOLOv11 на FP16 даёт около 80 кадров в секунду на Jetson Orin Nano, так что развёртывание на краю сети вполне реально.

В чём слабость. CNN обрабатывают кадры по отдельности. Всё, что связано со временем — например, слежение, движение «на хвосте» или необычные траектории — требует модели, способной работать с последовательностями.

4. LSTM и временные трансформеры

Что это. Модели, обрабатывающие последовательности признаков (обычно эмбеддинги CNN по кадрам) и выдающие оценку аномальности для временного окна. В 2026 году трансформеры (TimeSformer, VideoMAE) обгоняют классические LSTM на бенчмарках, но LSTM всё ещё лучше подходят для развёртывания на CPU в условиях ограниченных ресурсов.

Почему это важно для видеонаблюдения. Большинство интересных аномалий — это временные паттерны: слоняние, движение в обратную сторону, проход «на хвосте», резкие отклонения во времени пребывания, необычные потоки людей и транспорта. Одной CNN их не распознать. LSTM или трансформер поверх признаков CNN — проверенный подход 2026 года.

В чём слабость. Обучающих данных по редким временным аномалиям мало. Часто приходится генерировать синтетические данные — с помощью симуляторов или методов генеративной аугментации.

5. Автоэнкодеры — поиск аномалий на уровне пикселей без разметки

Что это. Нейросеть типа энкодер-декодер, обученная восстанавливать «нормальные» кадры. Чем хуже она восстанавливает — тем выше оценка аномальности. Варианты: вариационные автоэнкодеры (VAE) и ConvLSTM-автоэнкодеры (пространственно-временные).

Почему это важно для видеонаблюдения. Без разметки — никаких меток. Модель учится на часах «нормального» видео, а затем помечает всё, что не может реконструировать. Крайне полезно, когда заранее непонятно, какие аномалии искать.

В чём слабость. Может слишком хорошо обобщать: если реконструирует всё подряд — реконструирует и аномалию. Лечится автоэнкодерами с памятью или GAN-вариантами.

6. K-Means — кластеризация поведения

Что это. Алгоритм кластеризации, который делит данные на K групп. Для поиска аномалий помечают точки, сильно удалённые от любого центроида, или те, что оказались в маленьком изолированном кластере.

Почему это важно для видеонаблюдения. Дешево, понятно и отлично подходит для кластеризации траекторий. «Нормальные» посетители торгового зала обычно следуют по нескольким десяткам типичных маршрутов — если траектория не попадает ни в один из кластеров, это повод обратить на неё внимание.

В чём слабость. K нужно задавать заранее. Кластеры должны быть сферическими — несферические распределения сбивают алгоритм с толку. Для пиксельных данных не подходит.

7. Смеси гауссовских распределений (GMM)

Что это. Вероятностная модель, которая описывает данные как смесь нормальных распределений. Точки, у которых очень низкая вероятность во всех компонентах, считаются аномалиями. Также часто используется для выделения фона в классических пайплайнах компьютерного зрения.

Почему это важно для видеонаблюдения. Стандартный подход для моделирования фона на сценах со стационарной камерой — MOG2/КNN в OpenCV — основан на GMM. Такой метод даёт пиксельные маски, показывающие, «что здесь не должно быть», и остаётся стабильным при неизменной картинке.

В чём слабость. Движущиеся камеры, постепенный дрейф освещения, повторяющиеся движения (листва, флаги). Нужна пара — компенсация движения или обученная модель признаков.

Таблица сравнения алгоритмов

Выбор алгоритма по варианту использования

• Периметр и зональное вторжение. YOLO-CNN детектор → Isolation Forest на признаках траектории для проверки времени пребывания.
• Оставленные предметы. Вычитание фона на основе GMM → классификация кандидатов с помощью CNN.
• Слоняние. CNN-детекция и трекинг → LSTM или временной трансформер на признаках треков.
• Аномалии в толпе (паника, драки, изменение направления движения). Автоэнкодер на основе плотного оптического потока с временным трансформером.
• Промышленность, конвейер, производственная линия. One-Class SVM на признаках, автоэнкодер на пикселях, управляемая CNN на известных дефектах.
• Анализ траекторий в ритейле. K-Means по траекториям людей плюс Isolation Forest на признаках корзины и времени пребывания.

Кейс: V. A. L. T. — исследовательская платформа видеонаблюдения

Задача. V. A. L. T. — платформа видеонаблюдения и записи для исследовательских кабинетов, установленная более чем в 100 университетах и научно-медицинских учреждениях. Операторам требовались автоматические оповещения об аномалиях в ходе сессий — например, появление посторонних, использование оборудования не по назначению или необычное поведение участников — при этом без большого количества ложных срабатываний.

Стек, который мы собрали. Уровень 1: фильтрация по движению и загруженности на GMM на edge-боксах записи. Уровень 2: CNN семейства YOLO для обнаружения людей и оборудования, а также компактная LSTM по траекториям детекций — для анализа времени пребывания и выявления аномалий в маршрутах. Уровень 3: очередь задач для оператора в веб-интерфейсе V. A. L. T. с разметкой клипа одним кликом, которая возвращается в систему обучения.

Результат. Доля ложных срабатываний снизилась с ~11% до <1,2% за три месяца работы петли обратной связи с операторами. Среднее время выявления аномалии в сессии — с 45 минут ручного просмотра до ~9 секунд. Загрузка GPU на edge-боксах не превышала 30%, оставляя запас для дополнительной аналитики.

Деплой на edge и в облаке

Дефолт 2026 года — гибрид с приоритетом edge. Отсев на Уровне 1 (Isolation Forest, GMM, лёгкая CNN) работает на самой камере или на edge-устройстве — Jetson, Hailo или Ambarella. Глубокие модели Уровня 2 — на региональном сервере (on-prem или в VPC). Интерфейс оператора Уровня 3 — в облаке или on-prem, в зависимости от требований к приватности.

Конкретные edge-цели на 2026: Jetson Orin Nano (8–16 TOPS, около 18 750 ₽), Hailo-8 (26 TOPS, около 11 250 ₽), Ambarella CV5 в самой камере. Все они легко справляются с компактными версиями YOLOv10/11 в разрешении 720p со скоростью не менее 30 кадров в секунду.

Экономия трафика от обработки на edge заметна: в V. A. L. T. мы зафиксировали сокращение исходящего трафика на 78% по сравнению с полностью облачной обработкой.

5 ловушек в продакшене, которые мы устранили

1. Обучение на чистых бенчмарках, деплой на грязных реальных потоках. UCSD Ped2 и ShanghaiTech хороши для публикаций — но это не ваша камера. Всегда собирайте неделю данных с площадки, прежде чем замораживать модель.
2. Нет петли обратной связи к разметке. Операторы отбрасывают ложные срабатывания. Ловите эти отбрасывания и возвращайте их в обучение. Только это сократило FPR V. A. L. T. вдвое за 90 дней.
3. Игнорирование концептуального дрейфа. Завод сменил смены, магазин — планировку — и ваша модель «нормы» перестала работать. Запланируйте ночное переобучение на данных за последние 7 дней.
4. Один порог на все случаи. Один порог не может одновременно определять «подозрительное поведение» и требовать «вызывать полицию». Используйте многоуровневые пороги с разными очередями обработки.
5. Не заложен бюджет на разметку. Для работы пайплайнов на уровне продакшена с CNN и LSTM нужно 5–20 тыс. размеченных событий. Закладывайте 15–75 ₽ за каждое событие и 6–12 недель на организацию процесса разметки.

Часто задаваемые вопросы

Итоги

Семь алгоритмов выше — это не рейтинг, а набор инструментов. Isolation Forest и GMM отсевают выбросы; One-Class SVM работает в строго определённых сценариях; CNN отвечают за понимание содержимого кадра; LSTM и трансформеры — за анализ временных закономерностей; автоэнкодеры выявляют неизвестные аномалии; K-Means группирует поведение. В продакшене вопрос стоит не «какой выбрать?», а «какой двухуровневый пайплайн собрать?» — и каждый серьёзный продукт видеонаблюдения, который мы выпускаем в 2026 году, сочетает быстрый первичный отсев без разметки с глубоким семантическим анализом.

Инженерная реальность: модели — это 30% проекта. Данные, разметка, обратная связь от операторов, борьба с дрейфом и edge-деплой — остальные 70%. Закладывайте бюджет соответственно.

Читать дальше

Источники и материалы: бенчмарки аномалий UCSD Pedestrian и ShanghaiTech; документация от производителей NVIDIA Jetson Orin, Hailo, Ambarella CV5; статьи по YOLOv10/11 и RT-DETR; данные внедрений V. A. L. T. компании «Фора Софт» (2020–2026, с разрешения клиента).

Нужна помощь с оценкой для вашего роадмапа? Свяжитесь с нами — обсудим все детали за один разговор.

Матрица сравнения: разработать, купить, гибрид или open-source для ML-детекции аномалий в видеонаблюдении

Быстрая решётка для четырёх типовых путей в 2026 году. Берите строку, которая соответствует размеру команды, регуляторной нагрузке и желаемому сроку получения результата — а не ту, что звучит амбициознее всего.

Ещё материалы Фора Софт

• AI-инструменты улучшения видео
• AI-распознавание эмоций в реальном времени
• Масштабируемые системы управления видео