Аналіз методів та технологій інтелектуального відеоспостереження

Анотація

Інтелектуальні системи відеоспостереження є одним із ключових напрямів розвитку сучасних інформаційних технологій, оскільки вони забезпечують автоматичний аналіз відеопотоків, виявлення об’єктів і подій у реальному часі. Завдяки розвитку методів глибинного навчання та комп’ютерного зору з’явилася можливість створення високоточних систем, здатних працювати в умовах змінного освітлення, шумів і складного фону. Водночас залишається актуальним завдання підвищення ефективності таких систем за рахунок вибору оптимальних архітектур нейронних мереж і технологій апаратного прискорення, що дозволяють зменшити затримку обробки кадрів і споживання енергії на вбудованих пристроях (Edge AI). В роботі проведено аналіз сучасних методів і технологій створення інтелектуальних систем відеоспостереження, визначенно найбільш ефективні архітектури глибинних нейронних мереж для задач детекції й трекінгу об’єктів, а також проведено оцінку можливостей їх оптимізації для роботи у реальному часі. Розглянуто архітектури згорткових нейронних мереж (CNN) та трансформерні моделі (ViT, DETR), а також гібридні підходи, що поєднують просторовий і часовий аналіз відео. Проведено порівняння фреймворків YOLOv5/YOLOv8, OpenVINO, TensorRT і RKNN Toolkit, які забезпечують апаратне прискорення на платформах GPU та NPU. Додатково проаналізовано ефективність алгоритмів трекінгу DeepSORT і ByteTrack, що забезпечують стійке відстеження об’єктів у потоковому відео. Результати дослідження показали, що поєднання компактних CNN-моделей з апаратно оптимізованими бібліотеками дозволяє зменшити затримку обробки кадру до 30 мс при збереженні точності детекції понад 90 %. Отримані висновки підтверджують доцільність використання гібридних архітектур і технологій апаратного прискорення для створення ефективних систем інтелектуального відеоспостереження нового покоління.