moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2021.33.2.007 928 Детектор объектов непостоянного движения в задаче обнаружения криминалистически значимой информации The detector of variable motion objects in the task of identifying forensically relevant information 0000-0001-8745-1725 Афанасьев Александр Диомидович Afanas'ev Aleksandr Diomidovich aad@istu.edu aff-1 0000-0001-6261-4102 Причко Илья Олегович Prichko Il'ya Olegovich nofix.irk@gmail.com aff-2 Иркутский национальный исследовательский технический университет Irkutsk National Research Technical University Судебно-экспертного центра Следственного комитета Российской Федерации Forensic Expert Center of the Investigative Committee of the Russian Federation 01 01 2026 1 1 10.26102/2310-6018/2021.33.2.007 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В современном мире все большую роль в расследовании правонарушений занимают цифровые следы, оставляемые участниками преступления. Одним из наиболее значимых видов цифровых следов является информация из стационарных систем наблюдения. Для органов следствия и дознания данные, которые содержатся в видеозаписях таких систем, имеют большое, а в некоторых случаях – ключевое значение. Работа посвящена описанию разработки детектора подвижных и неподвижных объектов на видеозаписях стационарных систем видеонаблюдения. На основании проведенного анализа литературных источников по теме обнаружения объектов в видеоданных, а также на основании анализа большого количества видеозаписей из предметной области сформулированы основные ограничения и допущения, налагаемые на детектор. Проведено сравнение существующих решений на реальных данных с учетом поставленных ограничений и допущений. По результатам исследования была предложена модель обнаружения объектов, которая наиболее предпочтительна для решения задачи полноценного детектирования с требуемой точностью и производительностью. Применение детектора как один из этапов позволяет решить задачу обнаружения криминалистически значимой информации в видеоданных систем наблюдения. Также полученный детектор может применяться в других системах компьютерного зрения для выделения как подвижных, так и неподвижных объектов на видеозаписях.

In the modern world, digital evidence is taking an increasing role in crime investigations, video recordings from CCTV being one of the most common types of such evidence. For investigative authorities, the information contained in video recordings is of significant, and in some cases of key importance. This paper focuses on describing the development of a detector of moving and motionless objects on video recordings of CCTV systems. An analysis of a wide range of video materials from the subject area is performed based on the overview of scientific publications on object detection in video data, with the main constraints and assumptions formulated with the use of a mathematical model. The existing solutions are compared, given the set constraints and assumptions. A model of object detection is proposed on the basis of the results of the study, with the most preferable solution for the problem of detection with the required accuracy and performance. Use of the detector as one of the stages helps solve the problem of identifying criminally significant information in video data of surveillance systems. The detector can also be used in other computer vision systems for detecting both moving and inactive objects on video recordings.

 детектор объектов вычитание фона видеоаналитика сегментация объектов средний кадр компьютерное зрение object detector background subtraction video analytics object segmentation medium frame computer vision Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Состояние преступности в Российской Федерации. Доступно по: https://мвд.рф/reports (дата обращения: 12.02.2021) Zou Z., Shi Z., Guo Y, Ye J. Object detection in 20 years: A survey. arXiv, 2019. Zivkovic Z. Improved adaptive Gaussian mixture model for background subtraction. Proceedings of the 17th International Conference on Pattern Recognition. 2004;2:28-31. Ko T., Stefano S., Deborah E. Background subtraction on distributions. European Conference on Computer Vision. 2008:276-289. Yu X., Chen X., Jiang M. Motion detection in moving background using a novel algorithm based on image features guiding self-adaptive Sequential Similarity Detection Algorithm. Optik. 2012;123(22):2031-2037. Alandkar L., Gengaje S.R. Dealing Background Issues in Object Detection using GMM: A Survey. International Journal of Computer Applications. 2016;150(5):50-55. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Техносфера; 2012. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. Вильямс; 2004. Лукьяница А.А., Шишкин А.Г. Цифровая обработка видеоизображений. Ай-эс-эс Пресс; 2009. Яне Б. Цифровая обработка изображений. Техносфера; 2007. Patel M.P., Parmar S.K. Moving object detection with moving background using optic flow. International Conference on Recent Advances and Innovations in Engineering. 2014:1-6. Чеурин Я.Е., Машкин С.В. Сравнение методов вычитания фона, построенных на основе смеси гауссиан (mog) и устойчивых к дрожанию камеры. Физика для Пермского края. 2019:168-173. Vid.stab – Transcode video stabilization plugin. Доступно по: http://public. hronopik.de/vid.stab (дата обращения: 12.02.2021) Краснящих А.В. Обработка оптических изображений. НИУ ИТМО; 2012. Sreedhar K., Panlal B. Enhancement of Images Using Morphological Transformations. International Journal of Computer Science and Information Technology. 2012;4(1):33-50. Pritch Y., Rav-Acha A., Peleg S. Nonchronological Video Synopsis and Indexing. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2008;30(11):1971-1984.

The authors declare that there are no conflicts of interest present.