Опубликовано: 19.09.2026, 20:00
Камеры в российских мегаполисах уже не просто записывают происходящее. Алгоритмы компьютерного зрения учатся самостоятельно замечать человека на проезжей части, остановившуюся машину, неправильную парковку, яму, мусор, поврежденный дорожный знак и другие события. В отдельных системах используется распознавание лиц. Камера постепенно превращается из устройства видеозаписи в один из датчиков цифрового города.
Москва, Санкт-Петербург и Казань используют эту технологию по-разному. В столице особенно заметна автоматизация контроля дорожного движения, Петербург активно применяет нейросети для наблюдения за состоянием городской среды, а Казань развивает мобильный мониторинг с использованием общественного транспорта и одновременно расширяет инфраструктуру видеонаблюдения.
Редакция READ Новости изучила, как устроены системы видеонаблюдения Москвы, Санкт-Петербурга и Казани, и сравнила их по ключевым показателям – от количества камер и возможностей компьютерного зрения до способов применения видеоаналитики.
Москва, Петербург и Казань: основные цифры
Сравнить три города только по количеству камер невозможно: власти публикуют статистику по разной методике. Петербург раскрывает общее количество устройств городской системы, Казань – число работающих камер, а в доступной актуальной официальной статистике Москвы гораздо подробнее представлены отдельные подсистемы, прежде всего транспортные.
| Показатель | Москва | Санкт-Петербург | Казань |
|---|---|---|---|
| Население на 1 января 2025 года | 13,3 млн | 5,653 млн | 1,330 млн |
| Камеры/устройства городской системы | нет сопоставимой актуальной официальной цифры | 113 296 | более 42 тыс.* |
| Потоки с видеоаналитикой | нет единой опубликованной цифры | 31 500 | нет сопоставимой цифры |
| Камеры в метро | более 90 тыс. | – | – |
| Дорожные комплексы фотовидеофиксации | около 3,7 тыс. | – | используются |
| Типы нарушений, распознаваемые дорожными комплексами | 67 | – | – |
| Типы инцидентов дорожной видеоаналитики | 15 | – | – |
| Распознавание лиц | применяется | применяется | применяется |
| Компьютерное зрение для благоустройства | применяется | применяется | применяется |
| Мобильная видеоаналитика | применяется | 8 автомобилей комплекса «Городовой»** | оборудование установлено на 25 автобусах*** |
* Последняя найденная официальная городская цифра по Казани относится к опубликованным данным за 2023 год.
** По опубликованным данным ГАТИ о работе комплекса «Городовой».
*** По данным мэрии о внедренной в 2022 году системе «СитиСофт».
Население Москвы на начало 2025 года составляло 13,3 млн человек. В Петербурге проживали 5,653 млн, в Казани – 1,3298 млн человек.
Петербург по итогам 2025 года сообщал о 113 296 устройствах мониторинга. Из них 31 500 видеопотоков обрабатывались алгоритмами видеоаналитики. Таким образом, если сопоставить эти показатели, объем потоков с автоматическим анализом эквивалентен примерно 27,8% от числа устройств мониторинга. При этом в систему были интегрированы еще 16 191 камера сторонних систем.
Для Казани последняя найденная сопоставимая официальная городская статистика сообщала о более чем 42 тыс. камер. Видеомониторингом было охвачено более половины жилого сектора, а также парки и скверы. С использованием записей в течение 2023 года было раскрыто более 1,1 тыс. преступлений и выявлено 922 административных правонарушения.
Для Москвы корректнее анализировать отдельные системы. Только в метро в 2025 году работало более 90 тыс. камер. На дорогах столицы в 2026 году действуют около 3,7 тыс. комплексов фотовидеофиксации, использующих нейросети и распознающих 67 видов нарушений.
Уже эти данные показывают важную особенность «умного города»: количество камер само по себе все меньше характеризует возможности системы. Значение имеет то, какая доля видеопотока анализируется автоматически и какие объекты способен распознать алгоритм.
Москва: 1,7 млн событий за восемь месяцев
Один из наиболее наглядных примеров компьютерного зрения в Москве – система видеоаналитики Центра организации дорожного движения.
В 2026 году нейросети ЦОДД способны автоматически распознавать 15 типов происшествий. После обнаружения события данные передаются в Ситуационный центр, сотрудники которого при необходимости направляют Дорожный патруль или взаимодействуют с экстренными службами.
С января по начало сентября 2026 года система обнаружила более 1,7 млн дорожных инцидентов.
Среди них:
- более 920 тыс. – выход людей на проезжую часть;
- свыше 650 тыс. – неправильная парковка;
- более 36 тыс. – остановившиеся или неисправные автомобили.
Если использовать минимальные опубликованные значения, две первые категории вместе дают более 1,57 млн событий, то есть свыше 92% от 1,7 млн.
Именно здесь становится видна разница между классическим видеонаблюдением и компьютерным зрением. Если 2 тыс. камер непрерывно передают изображение, человеку пришлось бы следить за тысячами видеопотоков. Алгоритм вместо этого самостоятельно выделяет из потока потенциально значимые события.
Еще показательнее результаты за полный 2025 год. Ситуационный центр ЦОДД обработал 2,3 млн инцидентов, автоматически переданных умными камерами. После этого специалисты:
- 37 тыс. раз направляли дорожный патруль;
- 14 тыс. раз корректировали работу светофоров;
- 15 тыс. раз выводили информацию на дорожные табло;
- ежедневно передавали сведения о ситуации на дорогах навигационным сервисам.
Получается последовательная цифровая цепочка: камера → распознавание события → Ситуационный центр → решение → действие городской инфраструктуры.
Камера здесь уже не архив. Она становится источником данных для управления городом.
41 млн нарушений: другой тип машинного зрения
От системы видеоаналитики ЦОДД необходимо отделять комплексы автоматической фотовидеофиксации нарушений ПДД.
В 2025 году более 3,7 тыс. московских комплексов зафиксировали свыше 41 млн нарушений – на 6% меньше, чем годом ранее. Комплексы распознают 67 видов нарушений. Ежегодно до 20% камер перераспределяют на участки, где требуется дополнительный контроль.
Это в среднем более 11 тыс. зафиксированных нарушений на один комплекс в год, если условно разделить общий показатель на 3,7 тыс. устройств. Разумеется, фактическая нагрузка конкретных камер неодинакова.
Нейросети способны определять не только скорость автомобиля. В официальной статистике ЦОДД отдельно фигурируют использование телефона водителем, непристегнутые ремни и движение без включенных фар. Только по этим категориям к концу марта 2026 года было зафиксировано более 150 тыс. нарушений.
Таким образом, машина для алгоритма превращается в набор признаков: номер, положение на дороге, траектория движения и действия находящихся внутри людей.
Петербург: почти 28% видеопотоков анализируют алгоритмы
Петербург публикует одну из наиболее подробных статистик городской системы видеонаблюдения.
По итогам 2025 года она включала:
- 113 296 устройств мониторинга;
- 31 500 видеопотоков, обрабатываемых видеоаналитикой;
- 16 191 камеру сторонних систем, интегрированную в городскую систему;
- 3 875 пользователей городской системы видеонаблюдения.
При населении 5,653 млн человек получается примерно 20 устройств мониторинга на каждую тысячу жителей. Это расчет редакции на основании официальных данных о населении и городской системе видеонаблюдения.
Однако петербургский пример интересен не столько количеством камер, сколько постепенным расширением задач компьютерного зрения.
Нейросеть вместо городского инспектора
С июня 2023 года Государственная административно-техническая инспекция Петербурга использует комплекс нейросетевой видеоаналитики «Городовой». Камеры установлены на автомобилях, которые передвигаются по городу, а алгоритм ищет потенциальные нарушения благоустройства.
Первоначально система определяла, в частности:
- посторонние изображения на фасадах;
- незаконно установленные кондиционеры;
- ямы на проездах во дворах и на частных территориях.
К 2025 году количество видов нарушений, которые умели фиксировать комплексы «Городовой», достигло 15.
Особенно интересна статистика результатов. За один из опубликованных периодов нейросеть обнаружила более 10 тыс. детектов – событий, потенциально похожих на нарушение. Но постановления со штрафами были вынесены по 664 нарушениям. Из них 278 касались посторонних изображений, еще 246 – кондиционеров на нежилых зданиях.
| Результат работы «Городового» | Количество |
|---|---|
| Потенциальные нарушения, обнаруженные ИИ | более 10 000 |
| Нарушения, по которым вынесены постановления | 664 |
| Посторонние изображения | 278 |
| Кондиционеры | 246 |
Если механически сопоставить 664 постановления и 10 тыс. детектов, получится около 6,6%. Но считать это «точностью нейросети» нельзя. Петербургские власти прямо отмечали, что часть обнаруженных событий относилась к компетенции других ведомств.
Зато статистика показывает другое: компьютерное зрение и окончательное административное решение – не одно и то же. Алгоритм выступает первым фильтром огромного массива информации, после чего включается административная процедура.
Казань: камеры посадили на городские автобусы
Казань использует похожую идею, но выбрала для одного из проектов необычный носитель – общественный транспорт.
В 2022 году город внедрил систему «СитиСофт». Оборудование установили на 25 городских автобусах, которые во время обычной работы одновременно контролируют улично-дорожную сеть и прилегающие территории.
Компьютерное зрение способно фиксировать:
- заснеженность дорог;
- дорожные дефекты;
- отсутствие дорожных знаков;
- неисправные опоры.
Система также позволяет увидеть, было ли устранено ранее обнаруженное нарушение. Данные объединяются с информацией датчиков, контролирующих уборочную технику, в городском дашборде. По данным мэрии Казани, применение системы позволило сократить время уборки дорог от снега на 40%.
Это другой подход к построению цифрового города. Чтобы регулярно получать изображение одной и той же улицы, необязательно устанавливать на ней отдельную стационарную камеру. Источником данных становится автобус, который все равно проходит по маршруту несколько раз в день.
В Казани четыре из пяти протоколов формировались с помощью автоматики
Автоматизация применяется и в работе казанской административно-технической инспекции.
За первое полугодие 2025 года управление составило 5825 протоколов, причем 4633 были зафиксированы автоматически. Это около 79,5% всех протоколов за указанный период.
| Показатель, I полугодие 2025 года | Казань |
|---|---|
| Всего протоколов | 5 825 |
| Зафиксировано автоматически | 4 633 |
| Расчетная доля автоматической фиксации | 79,5% |
Комплексы используются для обнаружения автомобилей на зеленых зонах и возле контейнерных площадок. Новые устройства «Дозор-М3», о которых сообщала мэрия, должны расширить перечень распознаваемых объектов: в него входят листовки на фасадах, сосульки и снежные шапки на крышах.
В результате сфера применения машинного зрения постепенно выходит далеко за пределы дорожных штрафов.
Три города – три специализации
Собранные данные позволяют увидеть различия в подходах.
| Направление | Москва | Санкт-Петербург | Казань |
|---|---|---|---|
| Управление дорожными инцидентами | одно из наиболее развитых направлений | используется видеонаблюдение и аналитика | развивается |
| Автоматическая фиксация ПДД | масштабная система | применяется | применяется |
| Контроль парковки | да | да | да |
| Контроль состояния дорог | да | да | да |
| Контроль благоустройства | да | одно из ключевых направлений нейросетевых комплексов | одно из заметных направлений |
| Мобильный мониторинг | есть мобильные комплексы | автомобили «Городового» | автобусы и мобильные комплексы |
| Распознавание лиц | да | да | да |
| Автоматическое обнаружение событий | да | да | да |
| Передача информации городским службам | да | да | да |
Условно различия можно описать так:
- Москва – транспорт как крупная цифровая система. Камера становится частью механизма управления дорожной ситуацией.
- Петербург – нейросеть как городской инспектор. Видеоаналитика активно применяется для автоматического поиска нарушений благоустройства.
- Казань – мобильный мониторинг. Помимо стационарной инфраструктуры, город собирает данные камерами, которые перемещаются вместе с автобусами и специальными автомобилями.
Разумеется, это не означает, что каждый город занимается только своим направлением. Все три системы пересекаются, однако опубликованная статистика показывает разные акценты.
Когда камера начинает узнавать человека
С точки зрения приватности принципиальная граница проходит между распознаванием события и идентификацией человека.
Нейросеть может определить, что на дороге появилась машина или образовалась яма, не устанавливая ничью личность. Распознавание лица – другая технология: изображение преобразуется в биометрическую модель и может сопоставляться с другими данными.
В Петербурге технологию распознавания лиц официально внедрили в городскую систему видеонаблюдения еще в 2018 году. Тогда сообщалось, что система в реальном времени идентифицирует лица и формирует биометрические модели для последующего сопоставления. Те же интеллектуальные камеры технически могли распознавать автомобильные номера, оставленные предметы, пожары и ДТП.
В Казани применение распознавания лиц также подтверждалось городскими властями. В 2022 году представители полиции сообщали, что камеры помогали устанавливать маршруты передвижения и приметы подозреваемых, а камеры с распознаванием лиц использовались для задержания находившихся в розыске людей.
Сейчас технология масштабируется уже на уровне Татарстана. В конце 2025 года республика завершила первый этап создания отечественной системы видеонаблюдения с распознаванием лиц совместно с МВД. Было разработано ядро системы и подключено 100 умных камер. На 2026 год власти заявили увеличение их количества и расширение функций.
От 12 тысяч до 42 тысяч камер за несколько лет
Динамика Казани отдельно показывает, насколько быстро росла инфраструктура видеонаблюдения.
| Период опубликования данных | Количество камер |
|---|---|
| 2021 год | более 12 тыс. |
| 2022 год | более 21 тыс. |
| 2023 год | 31 615 |
| данные за 2023 год, опубликованные позднее | более 42 тыс. |
Источники разных лет фиксировали последовательное увеличение масштаба: более 12 тыс., затем более 21 тыс., 31 615 и позднее более 42 тыс. камер.
Но эти значения нельзя превращать в точный временной ряд без оговорки: состав учитываемых систем в разных сообщениях мог различаться. Зато направление изменения очевидно – видеонаблюдение стало массовой городской инфраструктурой.
Что камера способна узнать за обычный день
Если посмотреть на систему не со стороны администрации, а со стороны горожанина, возможности компьютерного зрения становятся нагляднее.
| Ситуация | Что технически способны фиксировать используемые в трех городах системы |
|---|---|
| Человек находится на улице | видеозапись, а в системах соответствующего типа – лицо |
| Пешеход выходит на проезжую часть | появление человека на дороге |
| Человек садится в автомобиль | автомобиль и его номер |
| Водитель движется по дороге | скорость, разметка и ряд других нарушений |
| Водитель пользуется телефоном | может быть распознано камерой соответствующего типа |
| Не пристегнут ремень | может фиксироваться нейросетью |
| Автомобиль остановился на магистрали | система может определить остановку как инцидент |
| Машина оставлена с нарушением | автоматическая или мобильная фиксация |
| Человек входит в метро | попадает в инфраструктуру видеонаблюдения |
При этом из наличия камер не следует, что каждый человек непрерывно распознается и автоматически отслеживается по всему городу. Обычная видеозапись, видеоаналитика объектов и биометрическая идентификация – разные технологические режимы.
Камеры помогают не только штрафовать
Публичная статистика показывает, что результатом видеоаналитики далеко не всегда становится административное наказание.
В Москве умные камеры используются для быстрого обнаружения происшествий, после чего ЦОДД может направить патруль, изменить режим работы светофора или предупредить автомобилистов.
В Петербурге нейросеть выполняет первичный поиск проблем благоустройства, освобождая инспектора от необходимости самостоятельно обнаруживать каждую яму или незаконный объект.
В Казани система на автобусах не только обнаруживает проблему, но и позволяет увидеть ее последующее устранение.
Таким образом, наиболее перспективный сценарий использования компьютерного зрения выглядит следующим образом:
- камера получает изображение;
- алгоритм обнаруживает событие;
- информационная система определяет его категорию;
- информация поступает ответственному ведомству;
- человек принимает решение или служба выполняет работу;
- система может проконтролировать результат.
В такой модели компьютерное зрение становится не столько системой наблюдения, сколько частью автоматизированного управления городом.
Но алгоритм не равен решению
Чем больше функций передается программному обеспечению, тем важнее вопрос ошибок.
Петербургский пример с более чем 10 тыс. детектов «Городового» и 664 постановлениями показывает, насколько велико расстояние между фразами «алгоритм обнаружил» и «нарушение подтверждено».
Аналогичный принцип действует при автоматической фиксации ряда нарушений: камера формирует материал, однако дальнейшая процедура зависит от конкретной системы и законодательства.
Поэтому эффективность компьютерного зрения нельзя оценивать только количеством обнаруженных объектов. Для анализа нужны как минимум четыре показателя:
- сколько событий обнаружил алгоритм;
- сколько из них подтвердились;
- сколько потребовали вмешательства человека;
- сколько закончились конкретным действием городской службы.
Именно такой статистики в открытых источниках пока значительно меньше, чем данных о количестве камер и детектов.
Камеры на тысячу жителей: сравнивать нужно осторожно
Для Петербурга и Казани можно приблизительно оценить обеспеченность видеонаблюдением по последним доступным сопоставимым данным.
| Город | Население | Камеры/устройства | На 1000 жителей |
|---|---|---|---|
| Санкт-Петербург | 5,653 млн | 113 296 | около 20,0 |
| Казань* | 1,330 млн | более 42 тыс. | более 31,6 |
* Численность населения приведена на начало 2025 года, а последняя найденная официальная цифра количества камер относится к более раннему периоду, поэтому показатель предназначен только для оценки масштаба и не является точным значением на одну дату.
Расчет показывает, почему рейтинги городов по количеству камер требуют осторожности. Даже показатель «камер на тысячу жителей» ничего не говорит о том, подключена ли конкретная камера к видеоаналитике, умеет ли она распознавать лица, сколько хранится запись и кому она доступна.
Главный вопрос – не сколько камер, а что они умеют
Еще несколько лет назад развитие городского видеонаблюдения можно было описывать количеством установленных камер. Сейчас этого показателя недостаточно.
Для оценки реального масштаба цифрового наблюдения необходимо учитывать как минимум пять параметров:
- Охват. Сколько камер подключено к городской инфраструктуре.
- Автоматизация. Какая часть видеопотоков анализируется без постоянного участия оператора.
- Глубина анализа. Определяет ли алгоритм просто объект или способен распознавать действия и события.
- Идентификация. Может ли система связать изображение с конкретным человеком или автомобилем.
- Последствия. Может ли обнаружение автоматически запустить административную или управленческую процедуру.
По этим критериям Москва, Петербург и Казань уже заметно вышли за пределы классического видеонаблюдения.
Москва показывает, как компьютерное зрение становится частью управления транспортом: 2,3 млн автоматически переданных дорожных инцидентов за 2025 год и более 1,7 млн событий за неполные восемь месяцев 2026-го дают представление о масштабе потока, который уже анализируют машины.
Петербург демонстрирует другой масштаб автоматизации: 31,5 тыс. видеопотоков обрабатываются алгоритмами, а нейросетевые комплексы научились выявлять 15 видов нарушений благоустройства.
Казань показывает, что для построения цифровой картины города не обязательно бесконечно увеличивать число стационарных камер. 25 автобусов с компьютерным зрением могут постоянно обследовать улицы во время обычной работы общественного транспорта, а автоматические комплексы уже обеспечивали около 79,5% протоколов административно-технической инспекции за первое полугодие 2025 года.
Где заканчивается умный город
У компьютерного зрения есть очевидная практическая ценность. Алгоритму не нужно уставать, отвлекаться или одновременно смотреть на тысячи мониторов. Он может круглосуточно искать заранее определенные события и показывать человеку только то, что требует внимания.
Для городского хозяйства это означает возможность быстрее обнаружить яму, снег, мусор или поврежденный объект. Для транспорта – заметить остановившийся автомобиль или опасное поведение. Для полиции – быстрее найти нужную запись или разыскиваемого человека.
Но чем ближе технология подходит к идентификации конкретного человека, тем сильнее меняется характер системы.
Есть существенная разница между камерой, которая сообщает: «на дороге находится человек», и системой, которая отвечает на вопрос: «кто именно этот человек».
Еще один шаг – возможность сопоставлять информацию с разных камер и восстанавливать перемещения. Казанская полиция, например, официально сообщала об использовании видеонаблюдения для установления маршрутов передвижения подозреваемых.
Поэтому граница между полезной городской автоматизацией и чрезмерным наблюдением проходит не по количеству объективов на улицах.
Она определяется тем, какие данные извлекаются из изображения, можно ли идентифицировать человека, с какими информационными системами сопоставляются результаты, кто получает к ним доступ и какое решение может быть принято на основании машинного распознавания.
Камеры становятся городской нервной системой
Сравнение Москвы, Петербурга и Казани показывает общий технологический сдвиг.
Первый этап – город устанавливает камеры и получает возможность посмотреть запись после происшествия.
Второй – алгоритм начинает самостоятельно искать нужное событие в видеопотоке.
Третий – обнаруженное событие автоматически поступает нужной службе.
Четвертый – цифровая система не только обнаруживает проблему, но и помогает управлять реакцией на нее и контролировать результат.
Москва уже демонстрирует эту модель в управлении дорожным движением. Петербург применяет ее при контроле благоустройства. Казань использует компьютерное зрение для обследования города прямо с движущегося общественного транспорта.
Поэтому соревнование мегаполисов постепенно перестает быть соревнованием в количестве камер.
Следующий показатель «умного города» – сколько городских процессов способны запустить данные, которые камера получила и алгоритм понял без участия человека.
И здесь же возникает главный вопрос ближайших лет. Технология, которая автоматически находит ДТП, яму или неубранный снег, экономит время городских служб. Технология, способная идентифицировать человека и сопоставить его появление на разных камерах, создает уже совершенно другой уровень наблюдения.
Камеры Москвы, Петербурга и Казани постепенно превращаются в распределенную сенсорную сеть города. И потому спор об их развитии все меньше касается самих камер. В центре дискуссии оказываются алгоритмы – что именно им разрешено видеть, запоминать и делать с увиденным.
При подготовке материала редакция READ Новости использовала открытые данные органов власти Москвы, Санкт-Петербурга, Казани и Татарстана, городских ведомств и нормативные документы. Для расчетных показателей использованы опубликованные официальные данные.
Автор: Кирилл Ларин
