ЖУРНАЛ СТА №2/2026

Введение В настоящее время глубокое обуче- ние систем с ИИ продемонстрировало значительные преимущества в раз- личных областях исследований, таких как финансы, медицина, автоматиче- ская классификация объектов и многих других. В частности, компьютерное зре- ние стало первой областью, в которой глубокое обучение получило широкое применение. Новые методы обработки на основе глубокого обучения заме- няют традиционные алгоритмы ком- пьютерного зрения, основанные на фи- зических представлениях, моделях и функциях объектов распознавания. Бо- лее совершенные системы способны обрабатывать огромные объёмы дан- ных в крупных вычислительных цент- рах. Текущие задачи связаны с трени- ровкой систем машинного обучения на достаточном количестве информа- ции, что требует разметки этих дан- ных. С другой стороны, в данной статье внимание концентрируется на узлах умных камер, распределённых по зоне наблюдения, а значит, требующих ав- тономности. Совершенствование технологий как на программном, так и на аппаратном уровне позволило проектировать ин- теллектуальные системы, способные не только управлять видеопотоками с замкнутой цепи камер, но и анализи- ровать и извлекать информацию из ви- деопотоков в реальном времени. Эти встраиваемые системы можно использовать как в общественных, так и в частных пространствах, позволяя контролировать количество людей в зоне, движение толпы, обнаруживать аномальное поведение и т.п. В боль- шинстве такие системы являются цент- рализованными, выполняющими алго- ритмы компьютерного зрения в одном ЦОДе. Эта центральная система обра- ботки получает и обрабатывает инфор- мацию со всей сети камер. Старые си- стемы видеонаблюдения (мониторин- га) не обрабатывали информацию и требовали анализа оператора, который был обязан внимательно следить за каждой камерой, и чья эффективность анализа могла снижаться из-за устало- сти и монотонности. Современные централизованные си- стемы обработки видео хранят и обра- батывают видеоинформацию, полу- ченную из сети камер. Только некото- рые предупреждения или видеофраг- менты отображаются на центральной консоли/оператору, не требуя высокого уровня внимания к управлению систе- мой наблюдения. С другой стороны, появление Интер- нета вещей и концепции вычислений на граничных узлах привело к появле- нию множества решений, интегриро- ванных в распределённых системах ви- деонаблюдения. Таким образом, интел- лект системы распределён между не- сколькими узлами, каждый из которых может включать камеру и систему об- работки, выполняющую простые зада- чи перед отправкой информации опе- ратору, облегчая его работу. Для более сложных задач современ- ные алгоритмы обнаружения систем компьютерного зрения включают ней- ронные сети с глубоким машинным об- учением (DNN). Для выполнения DNN обычно требуются высокопроизводи- тельные аппаратные системы с боль- шой вычислительной мощностью с графическими процессорами. Помимо высокой стоимости, эти аппаратные модули имеют высокое энергопотреб- ление, и их может быть сложно встроить в распределённые узлы ум- ных камер. Умная система видеоаналитики на основе встраиваемого ИИ В статье рассматривается архитектура интеллектуальной системы видеонаблюдения на базе встраиваемого искусственного интеллекта, ориентированной на обнаружение, подсчёт и отслеживание людей в реальном времени. Предложена распределённая конвейерная архитектура обработки видеопотоков с использованием нейронной сети MobileNet-SSD и специализированных аппаратных ускорителей VPU. Описаны аппаратно- программные компоненты системы, методы предварительной и постобработки данных, а также алгоритмы отслеживания объектов на основе фильтров Калмана. Приведён практический пример реализации в промышленной системе контроля опасных зон и обсуждены преимущества пограничных вычислений, включая низкую задержку, энергоэффективность и повышение конфиденциальности данных. Результаты показывают возможность обработки нескольких видеопотоков в реальном времени при низком энергопотреблении, что подтверждает перспективность встраиваемых платформ для интеллектуального видеонаблюдения и систем безопасности. ОБЗОРЫ СТА 2/2026 46 www.cta.ru Дмитрий Швецов