Une caméra qui enregistre ce qui se passe est utile pour la revue après action. Une caméra qui comprend ce qui se passe en temps réel est opérationnellement décisive. L'analyse vidéo par IA à site fixe transforme l'infrastructure de caméras existante d'une base en un système de détection actif qui classe les personnes et les véhicules, détecte les intrusions et les maraudes, pilote les caméras PTZ de façon autonome, et pousse des alertes géolocalisées vers la console des forces de garde et la plateforme C2 — le tout sans exiger qu'un opérateur regarde tous les flux simultanément. Cet article couvre l'architecture complète : en quoi l'analyse à site fixe diffère de l'ISR par drone au niveau système, les approches de deep learning qui réduisent les taux de fausses alarmes sur les périmètres extérieurs, le choix des modèles pour la classification aux points d'étranglement, l'automatisation PTZ, et les chemins d'intégration qui relient les événements périmétriques aux verrouillages de contrôle d'accès et aux pistes C2. Ces sujets se rattachent directement à la discipline plus large des systèmes de vision par ordinateur pour la défense et des architectures d'inférence qui les animent en périphérie.
Analyse vidéo à site fixe vs analyse par drone ISR — différences d'architecture
L'analyse vidéo à site fixe et l'ISR par drone partagent une pile de vision par ordinateur mais divergent sur presque tous les paramètres systèmes qui comptent pour le déploiement. Comprendre ces différences évite aux équipes d'appliquer de travers des architectures conçues pour un contexte à l'autre.
La différence la plus fondamentale est la géométrie des capteurs. Une charge utile ISR par drone couvre une large zone au sol mouvante depuis une altitude, un angle et une vitesse de plateforme changeants. La géométrie caméra-sujet est inconnue d'une image à l'autre et doit être estimée. Une caméra fixe a une position de montage connue et stable, un champ de vision étalonné et une relation fixe au plan terrestre qui permet de convertir les coordonnées de pixels en coordonnées au sol avec une homographie simple. Cela signifie qu'un système à site fixe peut produire des événements de détection géolocalisés précis — « une personne à la référence de grille XY » — sans aucune fusion de capteurs supplémentaire, tandis qu'un système par drone exige des données de position et d'attitude de la cellule pour faire de même.
Les exigences de latence divergent aussi fortement. Une mission ISR par drone tolère typiquement plusieurs secondes de latence de traitement avant qu'un analyste ne revue une détection ; la valeur est dans l'identification de cibles pour la planification plutôt que dans le déclenchement d'une réponse immédiate des forces de garde. La sécurité périmétrique à site fixe exige une latence inférieure à deux secondes entre le moment où une personne franchit la clôture et le moment où une alerte apparaît sur la console de garde — la garde doit pouvoir répondre avant que l'intrus n'atteigne un actif critique. Cette cible de latence pousse l'inférence vers le boîtier en périphérie plutôt que vers un serveur central, car le temps d'aller-retour sur un LAN de base peut dépasser le budget si la vidéo doit circuler avant que le traitement ne commence.
Les exigences de disponibilité sont catégoriques. Une charge utile ISR par drone opère des heures par mission et peut être récupérée pour maintenance entre les sorties. Un système périmétrique à site fixe doit soutenir une opération continue — la cible est une disponibilité de 99,9 % ou mieux, équivalente à moins de neuf heures d'indisponibilité par an — car une brèche de couverture est une brèche de sécurité. Cela exige une alimentation redondante, des chemins de stockage redondants, une supervision de santé avec basculement automatique, et des fenêtres de maintenance mesurées en minutes plutôt qu'en heures. La densité de caméras aggrave cela : un déploiement à l'échelle d'une base peut faire tourner de 200 à 500 caméras simultanément, qui toutes doivent être surveillées et maintenues à jour, contre la charge utile unique d'une mission de drone.
Enfin, l'architecture de bande passante diffère fondamentalement. Une mission ISR par drone peut diffuser une vidéo en mouvement complet sur une liaison de données à haut débit ou la stocker à bord pour une analyse post-mission. Un système à site fixe avec 300 caméras en 1080p générerait environ dix gigabits par seconde de vidéo brute — impossible à router vers un serveur central en continu. La réponse architecturale est le prétraitement en périphérie : chaque cluster de caméras a un boîtier de calcul local qui exécute l'inférence sur les flux bruts et n'envoie que les événements de détection et les extraits signalés à la plateforme centrale, réduisant la demande réseau de deux à trois ordres de grandeur.
Détection d'intrusion périmétrique — deep learning vs détection par déclencheurs à base de règles
Tout système de détection d'intrusion périmétrique doit résoudre le même problème central : signaler de façon fiable une personne ou un véhicule franchissant une limite, tout en ignorant tout ce qui bouge dans un environnement extérieur. L'écart entre les approches à base de règles et celles par deep learning sur ce problème est large et opérationnellement significatif.
Les systèmes de déclenchement à base de règles fonctionnent en extrayant le premier plan d'un modèle de fond — typiquement des mélanges de gaussiennes ou une différence d'images — et en alertant lorsqu'un blob au premier plan franchit une ligne tracée par l'utilisateur. Ils sont simples, déterministes et faciles à auditer. Ils sont aussi extrêmement sensibles à tout ce qui change la scène : la végétation agitée par le vent, la pluie, les changements d'éclairage entre le jour et la nuit, les véhicules qui passent et créent des artefacts de mouvement, et les animaux génèrent tous des blobs au premier plan qui franchissent le fil virtuel. Dans une installation militaire extérieure typique, un système de déclencheurs non étalonné produit des dizaines à des centaines de fausses alertes par caméra et par jour. La conséquence opérationnelle est la fatigue d'alarme : les gardes cessent de répondre aux alertes parce que la grande majorité sont des nuisances, ce qui signifie que des intrusions réelles sont manquées non pas parce que le système a échoué à les détecter mais parce que l'alerte était noyée dans le bruit.
Les détecteurs d'intrusion par deep learning ajoutent une étape de classification qui change fondamentalement le rapport signal/bruit. Au lieu d'alerter sur n'importe quel blob au premier plan qui franchit la ligne, le système classe le blob comme une personne, un véhicule, un animal ou un artefact environnemental avant de décider s'il faut alerter. Une personne franchissant la clôture génère une alerte ; une branche agitée par le vent non, car le classificateur par deep learning reconnaît que le blob n'a ni la forme, ni les proportions, ni la signature de mouvement d'un corps humain. Les détecteurs périmétriques par deep learning bien étalonnés atteignent couramment moins d'un faux positif par caméra et par période de 24 heures en environnements extérieurs opérationnels. Le compromis est que le modèle doit être entraîné et étalonné sur des données qui représentent les conditions de l'installation précise — un modèle entraîné uniquement sur des séquences de surveillance intérieure bien éclairées ne se généralisera pas aux franchissements périmétriques avant l'aube sous la pluie.
La performance sous contrainte environnementale est le test critique. Trois conditions sont responsables de la majorité des faux positifs comme des faux négatifs dans les déploiements de terrain. Le vent crée des mouvements d'herbe et d'arbres qui produisent des régions persistantes au premier plan ; les modèles de deep learning entraînés avec une augmentation des conditions de vent apprennent à les rejeter. La pluie produit des artefacts de bruit sur toute l'image et réduit le contraste ; les caméras thermiques combinées à des caméras en lumière visible permettent au système de maintenir sa capacité de détection lorsque l'imagerie visible se dégrade. Les transitions d'éclairage — le passage de la caméra du mode jour au mode vision nocturne au crépuscule et à l'aube — créent de brèves périodes d'aspect de scène modifié pendant lesquelles le modèle de fond doit se restabiliser ; un détecteur par deep learning avec une représentation de caractéristiques robuste est moins sensible à ces transitions qu'un système de déclencheurs qui dépend d'un modèle de fond au niveau des pixels.
Métrique clé : la cible de taux de fausses alarmes opérationnel pour les systèmes périmétriques militaires est typiquement énoncée comme moins d'une alerte nuisible par caméra et par période de 24 heures, mesurée sur une période d'évaluation de 30 jours couvrant toutes les conditions météo et d'éclairage. Les systèmes qui atteignent ce seuil permettent à un opérateur de la console des forces de garde de faire confiance au fait que chaque alerte justifie une investigation, ce qui est le préalable pour que le système ait une valeur opérationnelle plutôt que de générer une fatigue d'alarme.
Classification de personnes et de véhicules aux points d'étranglement
La détection de franchissement périmétrique est un problème binaire — quelque chose a franchi ou non. La classification aux points d'étranglement est un problème plus riche : le système doit distinguer le personnel autorisé du personnel non autorisé, identifier les types de véhicules, détecter des objets d'intérêt (armes, grands sacs, équipements), et produire un résultat de classification assez vite pour soutenir une décision de contrôle d'accès avant que le sujet n'ait traversé le portail. L'architecture de modèle et les seuils de confiance qui fonctionnent pour la détection périmétrique ne sont pas les mêmes que ceux nécessaires pour la classification aux points d'étranglement.
YOLOv8 et RT-DETR sont les deux architectures les plus largement déployées pour la classification aux points d'étranglement dans les applications de défense. YOLOv8 est un détecteur monocouche sans ancrage qui atteint un débit très élevé sur matériel GPU : un modèle YOLOv8-medium tournant sur un GPU de milieu de gamme peut traiter 400 images par seconde ou plus, ce qui rend pratique une analyse approfondie sur plusieurs flux vidéo simultanés depuis un seul boîtier en périphérie. Sa précision sur les benchmarks standard de détection d'objets est à quelques points de pourcentage de modèles bien plus grands. RT-DETR applique un encodeur transformateur à la carte de caractéristiques extraite par un backbone convolutif, ce qui améliore la précision sur les sujets partiellement occlus et les points de vue inhabituels — les conditions courantes aux portails où les sujets peuvent approcher sous des angles obliques, porter des charges qui modifient leur silhouette, ou être partiellement obscurcis par des véhicules. Le mécanisme d'attention du transformateur lui permet de raisonner sur le contexte global de l'image, ce qui aide à distinguer une personne portant un sac à outils autorisé d'une personne portant une arme. Le coût est une empreinte de calcul quelque peu supérieure à celle de modèles YOLO comparables.
Le seuil de confiance est le paramètre à l'impact opérationnel le plus élevé et celui le plus souvent mal réglé. Un seuil de confiance bas maximise le rappel — le système signale presque tout ce qui pourrait être une menace — au prix d'un taux de faux positifs élevé qui submerge l'opérateur de console. Un seuil élevé réduit les faux positifs mais augmente le taux de défaillance. L'étalonnage opérationnel fixe un seuil d'alerte primaire (typiquement 0,60–0,70) qui déclenche une notification vers la console, et une fenêtre de confirmation secondaire qui exige que la classification persiste sur trois à cinq images consécutives avant que l'alerte n'escalade en signal de haute priorité. Les détections sur une seule image sont conservées dans une file de faible priorité pour revue mais n'interrompent pas l'opérateur. Cette approche à double seuil atteint à la fois un taux de défaillance faible et un volume d'alertes gérable.
La classification de véhicules aux points d'étranglement va au-delà du binaire personne/véhicule. Les opérations de portails militaires doivent distinguer les voitures particulières des camions de fret, des motos et des véhicules militaires, et signaler les véhicules qui ne correspondent pas au type de trafic attendu pour le portail et l'heure du jour. Un classificateur de véhicules fin tournant sur la caméra du point d'étranglement peut fournir cette ventilation. La condition critique est la résolution : au moins 40 pixels couvrant la hauteur du véhicule à la distance de maintien maximale que la géométrie du portail permet, et de préférence plus. Sous ce seuil, la précision du type de véhicule fin chute fortement, et le système ne peut que confirmer qu'un véhicule est présent. C'est une considération pour la reconnaissance automatique de cibles en périphérie, où les arbitrages résolution et portée pour la précision de classification sont examinés en profondeur.
Détection de maraude et d'anomalies
La détection de maraude traite un scénario de menace que la détection de franchissement périmétrique manque entièrement : une personne ou un véhicule qui ne franchit pas le périmètre mais passe un temps inhabituellement long à proximité d'un point sensible, potentiellement en train de faire une reconnaissance, d'attendre une occasion ou de préparer une approche. Détecter la maraude exige de suivre les sujets dans le temps et de comparer leur comportement à une ligne de base attendue.
L'implémentation de maraude la plus simple est le seuil de temps de présence : un sujet classé comme une personne ou un véhicule qui reste dans une zone définie plus longtemps qu'une période configurée déclenche une alerte. La zone peut être un polygone tracé autour d'un emplacement sensible — un portail, un mât de communications, un dépôt de carburant — et le seuil de temps de présence est fixé par la politique opérationnelle en fonction de la sensibilité de l'actif protégé. Un véhicule immobile à moins de 100 mètres d'un dépôt de carburant pendant plus de 120 secondes peut justifier une investigation ; le même véhicule immobile pendant 30 secondes peut ne pas la justifier. Le seuil de temps de présence est facile à implémenter et à auditer, mais il produit des faux positifs lorsque des activités autorisées impliquent une présence immobile — équipes de maintenance, véhicules de livraison en attente de traitement — et des faux négatifs lorsqu'un sujet maraude dans plusieurs brefs intervalles qui restent individuellement sous le seuil.
L'analyse de trajectoire traite ces limites en modélisant les schémas de déplacement attendus pour chaque lieu et en signalant les écarts par rapport à ces schémas. À un portail véhicules, le trafic légitime suit un flux prévisible : approche, bref arrêt au lecteur, poursuite. Un véhicule qui approche et recule à plusieurs reprises, ou qui s'arrête et maintient sa position à une distance inhabituelle du lecteur, s'écarte du schéma attendu et est signalé comme anormal quel que soit son temps de présence individuel dans une position donnée. Cela exige de regrouper les données de trajectoire historiques de la caméra pour apprendre les schémas de déplacement normaux, puis de comparer chaque nouvelle trajectoire à la ligne de base apprise en temps réel.
La modélisation du comportement inhabituel pour les environnements militaires exige des données d'entraînement qui capturent les activités et les schémas spécifiques de l'installation — pas des séquences de surveillance commerciales génériques. Les schémas de déplacement attendus au portail d'une base opérations avancée sont différents de ceux d'un campus d'entreprise ; le flux de véhicules typique d'un dépôt logistique diffère d'un bâtiment administratif. Collecter des données de trajectoire annotées depuis le site précis sur au moins 30 jours, couvrant toutes les équipes et tous les rythmes opérationnels, est le préalable pour construire un modèle d'anomalie qui a de faibles taux de faux positifs sur les activités autorisées tout en détectant les anomalies réelles.
Les indices comportementaux visibles par analyse d'étendue étendent la détection de maraude pour inclure la nature de l'activité du sujet pendant la période de présence. Une personne qui se tient immobile et photographie à plusieurs reprises la même direction est plus préoccupante qu'une personne qui se tient immobile et semble attendre un moyen de transport. L'estimation d'étendue dans la surveillance militaire peut fournir ces indices comportementaux — la position des bras d'une personne utilisant un téléphone par rapport à un appareil photo, l'orientation de la tête indiquant ce que le sujet regarde — qui peuvent être fusionnés avec les données de temps de présence et de trajectoire pour produire un score d'anomalie plus riche.
Pilotage de caméras PTZ à partir de déclenchements IA
Les caméras panoramique-inclinaison-zoom (PTZ) sont le suivi haute résolution de la couverture de vue d'ensemble de large zone que fournissent les caméras fixes. Une caméra fixe voit tout le périmètre ; une caméra PTZ peut zoomer pour lire une plaque d'immatriculation, identifier un visage ou examiner un objet suspect en détail. Le problème opérationnel est que les caméras PTZ sont inutiles si un opérateur doit les orienter manuellement vers le bon emplacement plus vite qu'un intrus ne peut se déplacer ; la latence de la détection à l'orientation manuelle puis à l'acquisition par zoom dépasse typiquement 15 secondes, pendant lesquelles un sujet en déplacement rapide peut couvrir une distance significative. Le pilotage PTZ piloté par IA réduit cette latence à moins de deux secondes et élimine entièrement l'étape manuelle.
Le pilotage PTZ à partir de déclenchements IA fonctionne par traduction de coordonnées et gestion des préréglages. Lorsque le moteur d'analyse tournant sur la caméra de vue d'ensemble détecte et classe une personne franchissant le périmètre, il calcule la position du sujet dans le plan terrestre à l'aide de l'homographie étalonnée de la caméra. Le système consulte alors une table de préréglages qui mappe les positions au sol aux numéros de préréglages PTZ sur chaque caméra PTZ capable de couvrir ce point au sol. Il envoie la commande de rappel du préréglage au contrôleur PTZ approprié, qui exécute le mouvement panoramique-inclinaison vers la position stockée en moins d'une seconde. Lorsque la PTZ arrive au préréglage, son algorithme de suivi embarqué — typiquement un traceur par corrélation ou un traceur deep léger — se verrouille sur le sujet par apparence et commence à le suivre dans le champ de vision de la PTZ.
La gestion des préréglages est une discipline opérationnelle fréquemment sous-estimée. Un périmètre avec 40 caméras PTZ, chacune couvrant des zones au sol chevauchantes, exige une table de préréglages précise, à jour et audité régulièrement. Les changements physiques de l'installation — nouvelles structures, clôtures déplacées, supports de caméras modifiés — invalident le mappage de coordonnées et font que la PTZ arrive à la mauvaise position. L'étalonnage des préréglages doit être traité comme une tâche de maintenance planifiée, re-vérifiée trimestriellement et après tout changement physique de la zone couverte.
La passation multi-caméras pour le suivi périmétrique est la capacité qui permet de suivre un seul intrus par caméras PTZ en continu sur une limite périmétrique étendue. Lorsque le sujet se déplace vers la bordure de la plage de suivi de la première PTZ, la logique de passation compare la position et la trajectoire actuelles du sujet aux zones de couverture des caméras PTZ adjacentes, identifie la caméra suivante dans la séquence, et la pré-positionne au point d'interception prédit avant que le sujet n'y arrive. La PTZ sortante continue de suivre jusqu'à ce que la PTZ entrante confirme l'acquisition, puis transmet proprement. Une passation bien implémentée est invisible pour l'opérateur de console : il voit une piste vidéo continue du sujet sans trous, en commutant automatiquement entre les sources caméra à mesure que le sujet se déplace.
Intégration aux systèmes de contrôle d'accès et C2
La capacité de détection et de classification d'un système d'analyse vidéo crée sa valeur opérationnelle uniquement lorsqu'elle est connectée aux systèmes qui peuvent agir sur cette information. L'intégration a trois destinations principales : la console des forces de garde, le système de gestion du contrôle d'accès et la plateforme C2.
La transmission des alertes vers la console des forces de garde est l'intégration la plus immédiate. Lorsqu'une intrusion périmétrique est confirmée — personne classée, seuil franchi, persistance temporelle atteinte — une alerte est poussée vers la console en temps réel. L'alerte porte la classe de détection et la confiance, l'identifiant de la caméra, une miniature de la détection et un lien vers le flux vidéo en direct. La console affiche les alertes actives par ordre de priorité, avec les alertes de la plus forte confiance et de la zone la plus sensible en haut. Les alertes non acquittées escaladent après un intervalle configurable, en bippant le superviseur d'équipe si l'officier de permanence ne répond pas. L'extrait vidéo encadrant l'événement de détection est automatiquement joint à l'enregistrement de l'alerte, garantissant que chaque alerte a des preuves à l'appui que l'opérateur revue ou non le flux en direct en temps réel.
L'intégration avec le système de gestion du contrôle d'accès opère de façon bidirectionnelle. Du contrôle d'accès vers l'analyse : les événements d'identification — badges, correspondances biométriques, refus d'accès — sont publiés sur la plateforme d'analyse en tant que superpositions contextuelles. Lorsqu'un opérateur regarde la caméra du portail, il voit l'identité et le statut d'autorisation de toute personne qui a récemment présenté ses identifiants, fournissant un contexte immédiat pour tout comportement anormal. De l'analyse vers le contrôle d'accès : une intrusion confirmée près d'un portail déclenche une commande de verrouillage — les portes adjacentes sont automatiquement verrouillées, les alarmes sur le panneau de contrôle d'accès sont activées, et l'officier de permanence reçoit une notification hors bande. Le protocole d'intégration est typiquement un webhook d'API REST pour les plateformes de contrôle d'accès modernes, ou une interface de relais matériel pour les armoires héritées qui acceptent des entrées d'alarme à contact sec.
La génération de pistes C2 à partir d'événements périmétriques est l'intégration à la plus forte valeur pour le commandement tactique. Au lieu de traiter chaque détection comme une alerte isolée, la plateforme d'analyse génère un objet de piste C2 lorsqu'une intrusion est confirmée, portant la classe de détection, la position géolocalisée, un score de confiance et la référence vidéo associée. La piste est publiée sur le TAK Server en événement CoT, apparaissant sur chaque client ATAK connecté sous forme de marqueur cartographique typé que l'officier des opérations peut affecter à une patrouille, corréler avec d'autres rapports de capteurs et gérer via le cycle de vie standard des pistes. À mesure que le sujet se déplace le long du périmètre et est passé entre caméras PTZ, la piste est mise à jour avec de nouveaux rapports de position, maintenant une image continue de l'emplacement et du cap de l'intrus.
La jointure automatique d'extraits vidéo aux rapports d'incident est le flux de documentation qui garantit qu'aucune détection n'est perdue à cause de trous de processus. Lorsqu'un opérateur acquitte une alerte et la confirme comme un événement réel, le système crée automatiquement une entrée de rapport d'incident pré-remplie avec les métadonnées de détection, l'extrait vidéo associé et l'horodatage de la détection et de l'acquittement. Cela crée un enregistrement auditable qui survit au moment opérationnel et est disponible pour la revue après action, les procédures judiciaires ou l'analyse de renseignement sans exiger que l'opérateur capture et archive manuellement les preuves sous pression temporelle.
Architecture matérielle pour un déploiement à l'échelle d'une base
Un déploiement couvrant une installation militaire entière avec des centaines de caméras exige une architecture matérielle qui équilibre capacité de calcul, bande passante réseau, stockage et résilience sur l'ensemble du système — pas seulement les exigences par caméra. La solution standard est une architecture à deux niveaux périphérie-plus-centre.
Au niveau périphérie, les caméras sont regroupées en clusters selon la proximité physique et la topologie réseau. Un cluster contient typiquement quatre à seize caméras, choisies pour minimiser les tirages de câbles et la commutation réseau nécessaires. Chaque cluster est desservi par un boîtier en périphérie dédié — un serveur GPU durci, un rack d'inférence IA ou un ensemble d'accélérateurs — qui gère l'ingestion vidéo et l'inférence en temps réel pour chaque caméra du cluster. Le boîtier exécute en continu les modèles de détection, de classification et de suivi, génère les événements de détection, gère les commandes de pilotage PTZ pour les caméras PTZ du cluster, et maintient un tampon de stockage local de la vidéo brute. Le boîtier n'envoie que les flux d'événements de détection à la plateforme centrale dans les conditions d'exploitation normales, les demandes de récupération vidéo étant traitées à la demande.
Choisir le bon boîtier en périphérie pour chaque cluster exige de calculer le budget d'inférence. Un cluster de 16 caméras en 1080p à 15 i/s a besoin d'un boîtier capable d'exécuter un modèle de classification sur les 16 flux simultanément sans perdre d'images. Pour YOLOv8-medium en entrée 640x640, chaque flux à 15 i/s nécessite environ 15 inférences par seconde, et 16 flux nécessitent 240 inférences par seconde au total. Un seul NVIDIA A2 ou Jetson AGX Orin 64 Go fournit ce débit confortablement, avec de la marge pour la logique de pilotage PTZ et la transmission des alertes. Pour les clusters plus denses ou les modèles plus lourds, deux boîtiers en parallèle traitent la charge.
# Example edge appliance sizing calculation
cameras_per_cluster = 16
fps_per_camera = 15
model_throughput = 350 # inferences/sec, YOLOv8-medium, A2 GPU (INT8)
headroom_factor = 0.75 # use 75% of rated throughput to allow for spikes
inferences_needed = cameras_per_cluster * fps_per_camera # 240 inf/sec
capacity_available = model_throughput * headroom_factor # 262 inf/sec
print(f"Single A2 adequate: {inferences_needed < capacity_available}")
# Single A2 adequate: True
# For 24-camera clusters or real-time loitering trajectory analysis:
# provision dual-A2 or move to Jetson AGX Orin 64 GB.
La plateforme de gestion centrale agrège les événements de détection de tous les boîtiers en périphérie, exécute la fusion multi-caméras pour le suivi et l'analyse de maraude, gère la file d'alertes pour la console des forces de garde, et stocke les métadonnées de détection et les extraits vidéo signalés pour le reporting et l'analyse d'incidents. Le besoin de calcul de la plateforme centrale est bien inférieur à la somme des charges d'inférence des boîtiers en périphérie, car elle reçoit des événements de détection prétraités plutôt que de la vidéo brute. Un serveur avec 16 à 32 cœurs CPU et 128 Go de RAM traite la fusion, la gestion des alertes et l'indexation de stockage pour un déploiement de 300 caméras sans accélération GPU. Le stockage est le principal pilote de dimensionnement : avec 30 jours de métadonnées d'événements de détection et 7 jours de stockage d'extraits signalés sur une installation de 300 caméras, le besoin de stockage central se situe typiquement entre 20 et 50 To selon la durée des extraits et les paramètres de compression.
La réduction de bande passante est le principe habilitant de toute l'architecture. Entre la caméra et le boîtier en périphérie, la vidéo pleine résolution circule sur un réseau de caméras dédié — séparé physiquement ou logiquement du LAN de la base pour l'isolation de sécurité et de bande passante. Entre le boîtier en périphérie et la plateforme centrale, seuls les flux d'événements de détection et les extraits vidéo à la demande circulent sur le LAN de la base. Le flux d'événements de détection d'un cluster de 16 caméras génère environ 1 à 5 Mbps en conditions actives, contre les 800 Mbps de vidéo brute 1080p que le même cluster produit. Une installation de 300 caméras qui exigerait 15 Gbps de connectivité vidéo brute entre les caméras et la plateforme centrale n'exige que 20 à 100 Mbps de bande passante de flux d'événements sur le LAN de la base. C'est la différence entre exiger une superposition réseau dédiée à haut débit et s'insérer confortablement dans un LAN d'entreprise standard.
La résilience au niveau périphérie est obtenue en concevant chaque boîtier comme capable d'une opération complète de façon indépendante. Si le LAN de la base tombe en panne et que les boîtiers en périphérie perdent la connectivité vers la plateforme centrale, ils continuent d'exécuter l'inférence, de générer des événements de détection, d'envoyer des commandes de pilotage PTZ et d'alerter le terminal des forces de garde local connecté directement au boîtier. Les événements sont mis en tampon localement pendant la panne et rejoués vers la plateforme centrale lorsque la connectivité est rétablie, reconstituant la chronologie des événements pour la revue après action. La résilience d'alimentation exige une protection onduleur pour chaque boîtier en périphérie et pour la plateforme centrale, avec un secours par générateur aligné sur le niveau des systèmes critiques de l'installation.
Sécurisez votre périmètre avec l'analyse vidéo pilotée par IA
Corvus SENSE intègre l'analyse vidéo en périphérie avec les systèmes de contrôle d'accès et C2, fournissant aux bases militaires et aux sites d'infrastructures critiques une protection périmétrique continue à faible taux de fausses alarmes et une intégration complète de l'image opérationnelle.
Cette analyse a été préparée par des ingénieurs de Corvus Intelligence qui construisent des applications ISR critiques pour la mission et de surveillance de terrain pour des organisations de défense et gouvernementales. Découvrir notre équipe →