ДЕТЕКЦИЯ ДЕТЕЙ БЕЗ СОПРОВОЖДЕНИЯ ВЗРОСЛЫХ В ЗОНАХ ОБЩЕСТВЕННЫХ ПРОСТРАНСТВ МЕТОДАМИ КОМПЬЮТЕРНОГО ЗРЕНИЯ

Введение

Крупные общественные пространства (торговые центры, вокзалы, аэропорты, парки) ежедневно посещают тысячи людей, среди которых много детей. Ребёнок без сопровождения взрослого в зоне повышенной опасности особенно уязвим: по данным МВД России, ежегодно регистрируются десятки тысяч случаев безвестного исчезновения несовершеннолетних, значительная часть которых приходится на места массового пребывания людей [2]. В традиционных системах видеонаблюдения выявление инцидентов возложено на оператора, одновременно наблюдающего за десятками камер, что ведёт к задержкам и пропускам.

Детекторы семейства YOLO [5, 6] в сочетании с алгоритмами многообъектного трекинга [3, 4, 8, 9] позволяют анализировать видеопоток в реальном времени, однако ни одна из коммерческих платформ видеоаналитики не содержит модуля контроля сопровождения ребёнка взрослым. Цель работы — разработка и экспериментальная оценка модели системы автоматической детекции детей без сопровождения взрослых методами компьютерного зрения; научная новизна — ансамблевый метод классификации возрастной категории, интегрированный с конечным автоматом проверки сопровождения в единый конвейер обработки видеопотока.

1. Постановка задачи

Входные данные — видеопоток V = (f1, f2, …, fT) фиксированной камеры; выход — множество тревожных событий A(V) = {(idk, tk, xk, yk, Δtk)}, где idk — обезличенный идентификатор трека ребёнка, tk — временная метка, (xk, yk) — координаты, Δtk — накопленная длительность отсутствия сопровождения. Отображение F: V → A(V) реализуется композицией четырёх модулей:

 (1)

Detector выполняет покадровую детекцию людей с оценкой 17 ключевых точек скелета; Tracker присваивает детекциям устойчивые идентификаторы; AgeClassifier разделяет объекты на детей Dc и взрослых Da; AlertLogic проверяет условие сопровождения и формирует тревожные события. Целевой профиль: точность и полнота тревог не ниже 0,85; не более 2 ложных тревог в час на камеру; не менее 30 кадров/с; среднее время реакции не более 6 с.

2. Выбор моделей детекции и трекинга

Сравнение архитектур детекции на наборе MS COCO показало, что трансформерный RT-DETR-l [10] наиболее точен, но малопригоден для реального времени, а YOLOv9t [7] не поддерживает оценку позы. Оптимальной признана модель YOLO26n-pose [6], совмещающая детекцию и оценку 17 ключевых точек скелета за один проход и устойчиво локализующая мелкие объекты — детей на удалённом плане.

Из алгоритмов парадигмы tracking-by-detection (SORT [4], DeepSORT [8], ByteTrack [9], BoT-SORT [3]) лучшую комбинацию метрик на бенчмарке MOT17 показывает BoT-SORT. Устойчивость идентификаторов (в системе — до 60 кадров) принципиальна: ребёнок может на несколько секунд скрываться за другими посетителями, и без сохранения идентификатора любое перекрытие сбрасывало бы таймер отсутствия сопровождения.

3. Ансамблевая классификация возрастной категории

Ни один метод классификации возраста не покрывает все сценарии видеонаблюдения: эвристика по высоте рамки (точность ≈ 65 %) неприменима при единственном объекте в кадре; методы по пропорциям скелета (≈ 75 %) чувствительны к перекрытиям; классификатор лица (≈ 88 %) не работает при съёмке сверху. Поэтому применён ансамбль: шесть независимых оценщиков формируют оценки si в диапазоне [0; 1] (0 — «ребёнок», 1 — «взрослый»), агрегируемые взвешенным голосованием по множеству A активных на данном кадре оценщиков:

(2)

Состав оценщиков и их веса приведены в таблице 1. Высотные оценщики используют нормализацию по перспективе; оценщики по скелету опираются на антропометрические закономерности (отношение высоты тела к высоте головы растёт с возрастом от ≈ 4 у младенца до 7–7,5 у взрослого); классификатор лица — MobileNetV2 с каскадным детектором Виолы – Джонса; шестой голос — дообученный на классы adult/child детектор YOLO26s, запускаемый раз в три кадра.

Таблица 1.

Оценщики ансамбля классификации возраста и их веса

Оценщик	Источник признаков	Вес
Head-to-body ratio	отношение высоты головы к росту (скелет)	3,0
Относительная высота	высота bbox относительно других людей	3,0
YOLO26s direct	прямая детекция классов adult/child	2,5
Абсолютная высота	высота bbox с поправкой на перспективу	2,0
Pose-пропорции	отношение ног к торсу, ширина плеч	1,0
ML по лицу	MobileNetV2 по изображению лица	1,0

 

Решение принимается сравнением S с порогом 0,5; при пустом множестве активных оценщиков объект помечается «unknown». «Мерцание» метки подавляется скользящим средним по десяти оценкам и гистерезисом (0,5 ± 0,1); дополнительно учитывается сидячая поза и выполняется групповая коррекция каскадной ошибки.

4. Логика обнаружения инцидентов

Для каждой пары «ребёнок c — взрослый a» вычисляется минимальное расстояние между гранями их ограничивающих прямоугольников:

(3)

где δx, δy — горизонтальная и вертикальная щели между прямоугольниками (при пересечении d = 0). Критерий сопровождения формулируется через минимум по множеству взрослых:

 (4)

где R — радиус сопровождения (200 пикселей, ≈ 1,5–2 м — типовая дистанция присмотра). Поскольку однократное нарушение не должно вызывать тревогу, решение формализовано конечным автоматом NORMAL → COUNTING → ALERTED: тревога формируется при накоплении времени нарушения свыше τ = 5 с, а ложные срабатывания подавляются сохранением состояния при кратковременной потере трека.

Тревожные события журналируются в формате JSON Lines с доставкой по веб-хуку; персональная идентификация не выполняется, что соответствует Федеральному закону № 152-ФЗ [1]. Статистика инцидентов накапливается в тепловой карте H с экспоненциальным затуханием:

 (5)

где γ = 0,995 — коэффициент затухания. Карта накладывается на кадр цветовой схемой JET и помогает выявлять систематически небезопасные участки планировки.

5. Метрики качества и оперативности

По числу истинно положительных (TP), ложноположительных (FP) и пропущенных (FN) тревог при сопоставлении с эталонной разметкой вычисляются точность и полнота:

 (6)

Дополнительно используется абсолютная характеристика — частота ложных тревог (False Alarm Rate):

 (7)

где NFP — число ложных тревог, Th — продолжительность наблюдения в часах. Оперативность характеризуется средним временем реакции:

 (8)

6. Программная реализация

Система реализована на Python (Ultralytics — YOLO26 и BoT-SORT; PyTorch и ONNX Runtime — классификатор лица; OpenCV — обработка видео; FastAPI — веб-интерфейс) по модульному принципу. Рабочее место оператора — веб-приложение с размеченным видеопотоком, журналом тревог и настройкой параметров; клиенту достаточно браузера. Развёртывание — в Docker-контейнере, инференс — на сервере с GPU NVIDIA; корректность модулей подтверждена 20 модульными тестами (pytest).

7. Обучение моделей и экспериментальные результаты

Детектор возрастной категории YOLO26s обучен на наборе Adult-Child (Roboflow, 3610 изображений); достигнуто mAP@50 = 0,78, что достаточно для вспомогательной роли в ансамбле. Классификатор лица MobileNetV2 обучен на объединённой выборке UTKFace и FGNET с порогом 12 лет; на валидации достигнуты accuracy = 0,97 и F1(child) = 0,91; модель экспортирована в ONNX.

Проверка системы проведена на собственной выборке: 6 видеофрагментов суммарной длительностью ≈ 22 мин, ≈ 18 эталонных эпизодов. Абляционное исследование (таблица 2) подтвердило целесообразность ансамбля: ни один отдельный оценщик не достигает требуемых 80 % точности, тогда как полный ансамбль обеспечивает 88 %.

Таблица 2.

Абляционное исследование точности классификации возраста

Конфигурация	Accuracy
Абсолютная высота bbox	0,66
Относительная высота bbox	0,70
Pose-пропорции скелета	0,74
Head-to-body ratio	0,76
YOLO26s direct	0,79
ML по лицу (подвыборка с видимым лицом)	0,86
Полный ансамбль (6 оценщиков)	0,88

 

Качество обнаружения инцидентов оценивалось на уровне эпизодов (таблица 3). Среднее время реакции 5,6 с складывается из порога накопления нарушения (5 с) и задержки конвейера (≈ 0,6 с); производительность 35–37 кадров/с на сервере с GPU NVIDIA превышает частоту типовых источников видеонаблюдения (25 кадров/с).

Таблица 3.

Качество обнаружения инцидентов и производительность

Метрика	Требование	Достигнуто
Точность тревог Palert	≥ 0,85	0,87
Полнота тревог Ralert	≥ 0,85	0,85
Частота ложных тревог FAR, событий/час	≤ 2	1,2
Среднее время реакции Treact, с	≤ 6	5,6
Скорость обработки (GPU NVIDIA), кадров/с	≥ 30	35–37

 

Полученные значения предварительны: объём выборки ограничивает статистическую значимость. К ограничениям относятся снижение точности классификатора лица на дальних планах, чувствительность высотных оценщиков к установке камеры, деградация в плотной толпе и при слабой освещённости, отсутствие поддержки PTZ-камер и ночного режима.

Заключение

Разработана и экспериментально проверена модель программной системы автоматической детекции детей без сопровождения взрослых в потенциально опасных зонах общественных пространств. Конвейер «детекция и оценка позы (YOLO26n-pose) → трекинг (BoT-SORT) → ансамблевая классификация возраста (шесть оценщиков) → конечный автомат проверки сопровождения» обеспечил точность классификации возраста 88 %, точность тревог 87 % при полноте 85 %, частоту ложных тревог 1,2 события в час и среднее время реакции 5,6 с при 35–37 кадрах в секунду, что удовлетворяет всем установленным требованиям.

Система может быть интегрирована в существующие системы видеонаблюдения и не выполняет персональной идентификации. Направления развития — расширение обучающих и тестовых выборок, ночной режим, многокамерные конфигурации, автоматическая калибровка перспективы, интеграция с системами оповещения.