XV международная научно-практическая конференция молодых учёных и специалистов «ПРОБЛЕМЫ ТЕХНОСФЕРНОЙ БЕЗОПАСНОСТИ – 2026»·Применение современных информационных технологий, искусственного интеллекта в вопросах обеспечения техносферной безопасности УДК 614.87

МОДЕЛИ И ИНСТРУМЕНТЫ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ УГРОЗ В МЕСТАХ МАССОВОГО СКОПЛЕНИЯ ЛЮДЕЙ

MODELS AND TOOLS FOR AUTOMATIC THREAT DETECTION IN MASS GATHERINGS

  1. 1 ФГБОУ ВО «Академия Государственной противопожарной службы МЧС России»
16 марта 2026 4 просмотров 6 мин чтения
Аннотация

В статье рассматриваются современные методы и инструменты автоматического распознавания угроз в местах массового скопления людей. Показано, что рост плотности людских потоков и увеличение количества массовых мероприятий требуют совершенствования систем мониторинга общественной безопасности. Особое внимание уделено анализу традиционных и современных подходов к выявлению аномального поведения толпы, включая технологии машинного обучения, компьютерного зрения и интеллектуального анализа данных. Представлен алгоритм формализованной оценки потенциальной угрозы на основе совокупности наблюдаемых признаков. Сделан вывод о целесообразности применения комплексных интеллектуальных систем для повышения эффективности выявления опасных ситуаций.

#угрозы#толпа#безопасность#мониторинг#распознавание
Abstract

The article examines modern methods and tools for automatic threat detection in mass gatherings. It is shown that the increasing density of pedestrian flows and the growing number of mass events require the improvement of public safety monitoring systems. Special attention is paid to the analysis of traditional and modern approaches to detecting abnormal crowd behavior, including machine learning, computer vision, and intelligent data analysis technologies. An algorithm for the formalized assessment of potential threats based on a set of observable features is presented. It is concluded that the use of integrated intelligent systems is advisable for improving the effectiveness of dangerous situation detection.

#threats#crowd#safety#monitoring#detection
Полный текст1038 слов

Информационные технологии и модели анализа угроз в массовых скоплениях людей

Задача распознавания угроз в местах массового скопления людей сегодня выходит за рамки обычного видеоконтроля. Для объектов с интенсивным пешеходным потоком критично не только фиксировать инцидент, но и распознавать признаки его формирования до того, как ситуация перейдёт в стадию паники, давки или конфликта. Именно поэтому внимание исследователей смещается от пассивного наблюдения к системам аналитического предупреждения.

Опасное развитие событий в толпе обычно связано не с одним действием, а с последовательным накоплением отклонений: ростом плотности, снижением устойчивости траекторий, нарушением направленности потока, локальными остановками и появлением агрессивного либо некоординированного поведения. Следовательно, система оценки должна учитывать не отдельный кадр, а совокупность поведенческих индикаторов, наблюдаемых во времени.

На практике наибольшую информативность дают гибридные решения. Видеоаналитика позволяет оценивать движение и взаимодействие людей, сенсорные сети - насыщенность пространства, мобильные устройства и средства идентификации - подтверждать присутствие и перемещение объектов. Интеграция этих каналов повышает устойчивость системы к ошибкам и делает возможным более надёжное раннее предупреждение.

Для формализации оценки введём вектор признаков Xi, описывающий i-й наблюдаемый объект или локальную группу. Вероятность отнесения объекта к потенциально опасному классу может быть задана следующим выражением:

f(Xi) = σ(WXi + b), (1)

где Xi - набор биометрических и поведенческих признаков; W - весовые коэффициенты; b - параметр смещения; σ - функция нормировки результата. Такой вид модели удобен тем, что позволяет работать не только с бинарным ответом, но и со степенью выраженности риска.

Подбор параметров выполняется по размеченным наблюдениям. Для оценки качества приближения используется функция потерь:

L = Σ(f(Xi) − Yi)², (2)

где Yi = 1 соответствует угрозе, а Yi = 0 - штатному состоянию. Минимизация L позволяет согласовать расчётные оценки с реальными примерами опасного и нормального поведения.

Содержательно важнейшим элементом модели остаётся состав признаков. Для раннего обнаружения угроз в него следует включать характеристики плотности, скорости, ускорения, нарушений направленности потока, межличностной дистанции, повторяющихся остановок и аномалий группового взаимодействия. Чем точнее признаки отражают динамику сцены, тем выше вероятность выявить опасный сценарий до его открытой реализации.

Основные технологические решения, применяемые для автоматического распознавания угроз, приведены в табл. 1.

Таблица 1

Технологии, используемые при мониторинге угроз в местах массового скопления людей

Технология

Назначение в системе

RFID

Фиксация перемещения объектов через контрольные зоны и уточнение траекторий движения.

Технологии близости

Локализация скоплений людей и отслеживание изменения дистанции между участниками потока.

Радарные средства

Регистрация изменений плотности и структуры движения при ограниченной видимости.

RFID и лазерное сканирование

Совмещение идентификации и пространственной сегментации сцены.

Мобильный краудсорсинг

Использование сигналов смартфонов и носимых устройств для оценки загрузки пространства.

RFID, WSN и IP-камеры

Интеграция видеоаналитики, сенсоров и идентификационных данных в едином контуре мониторинга.

Сопоставление технологий показывает, что наилучший результат достигается не при выборе одного инструмента, а при построении многоуровневой архитектуры наблюдения. В такой системе видео служит основой для анализа сцены, сенсорные средства повышают устойчивость оценки, а алгоритмы машинного обучения объединяют разнотипные признаки в итоговый показатель риска.

Логика работы системы может быть представлена последовательностью из четырёх этапов: сбор данных, извлечение признаков, вычисление интегральной оценки угрозы и выдача предупреждения оператору. За счёт этого мониторинг приобретает проактивный характер: персонал получает сигнал не после инцидента, а в момент формирования опасной тенденции.

Рис. 1. Последовательность обработки данных в системе автоматического распознавания угроз

При внедрении подобных систем необходимо учитывать две практические проблемы. Первая связана с ложными срабатываниями: избыточное количество предупреждений приводит к тому, что оператор перестаёт воспринимать сигналы как значимые. Вторая касается переносимости модели: поведение толпы зависит от типа объекта, конфигурации пространства и сценария мероприятия, поэтому алгоритм должен адаптироваться к условиям конкретной площадки.

Следовательно, перспективным направлением становится разработка модульных решений, в которых можно изменять состав признаков, веса модели и пороги срабатывания без полного пересмотра архитектуры. Такой подход позволяет сочетать научную обоснованность модели с практическими требованиями систем общественной безопасности.

Выводы

1. Раннее обнаружение опасных сценариев в местах массового пребывания людей требует перехода от пассивного видеонаблюдения к аналитическим системам предупреждения.

2. Наиболее информативными являются модели, объединяющие признаки индивидуального и группового поведения, а также данные из нескольких каналов наблюдения.

3. Гибридная архитектура, включающая видеоаналитику, сенсорные сети и идентификационные технологии, повышает устойчивость распознавания угроз.

4. Для практического применения необходима настройка модели под условия конкретного объекта и контроль баланса между полнотой обнаружения и числом ложных тревог.

Литература

1. Мальцев А. И., Толстых О. В. Особенности обеспечения общественной безопасности при проведении мероприятий, связанных с массовым пребыванием людей // Образование. Наука. Научные кадры. 2022. № 2. С. 96–98.

2. Нуриахметов Б. И. Принципы обеспечения антитеррористической защищённости мест массового пребывания людей с помощью установления дифференцированных требований безопасности // Дневник науки. 2024. № 4 (88). С. 38.

3. Theodosiadou O., Chatzakou D., Tsikrika T., Vrochidis S., Kompatsiaris I. Real-time threat assessment based on hidden Markov models // Risk Analysis. 2023. Vol. 43, Is. 10. Pp. 2069–2081.

4. Srinivasan J., Biradar V. G., Fallahhusein M., Gummadi H. S. B., Kavitha R. Efficient video anomaly detection using one-class support vector machine // Proceedings of ICDCECE. 2025. Pp. 1–7.

5. Yasin A., Tahir Sh. B. U. D., Frnda J., Fatima R., Khan J. A., Anwar M. Sh. Anomaly prediction over human crowded scenes via associate-based data mining and k-ary tree hashing // International Journal of Intelligent Systems. 2023. Article 9822428.

6. Jebur S. A., Alzubaidi L., Saihood A., Hussein Kh. A., Hoomod H. K., Gu Yu. A scalable and generalised deep learning framework for anomaly detection in surveillance videos // International Journal of Intelligent Systems. 2025. Article 1947582.

Есть что обсудить?
Оставьте комментарий — автор и читатели увидят его в обсуждении.