Pourquoi la détection de mouvement ne suffit pas

Le principe est simple : le système compare une image à la précédente. Si un nombre suffisant de pixels a changé dans une zone, il déclenche.

C'est efficace en calcul, peu coûteux, et cela fonctionne depuis des décennies. Le problème n'est pas la fiabilité de la détection — elle détecte très bien. Le problème est ce qu'elle détecte.

Voici ce qui déclenche une détection de mouvement classique, en dehors de ce qui vous intéresse :

• Les animaux. Chat, chien, oiseau, rongeur.
• Les ombres. Un nuage qui passe, un véhicule qui longe le bâtiment et projette son ombre.
• La lumière. Un éclairage qui s'allume, un reflet, un phare, le passage du jour à la nuit.
• Les végétaux. Une branche, un arbuste, une plante d'intérieur près d'une climatisation.
• Les objets mobiles. Rideau, banderole, bâche, porte battante.
• Les intempéries. Pluie, insectes attirés par l'éclairage nocturne — un classique sous-estimé.
• Le bruit du capteur. En faible lumière, le capteur produit un grain qui peut suffire à déclencher.

Un site extérieur peut générer plusieurs centaines de déclenchements par nuit sans qu'aucun ne corresponde à un événement réel.

C'est le point que les fabricants n'évoquent pas.

Un utilisateur qui reçoit trente notifications la première nuit en regarde vingt. La deuxième nuit, il en regarde cinq. La troisième, il désactive.

Le système n'a pas cessé de fonctionner : il a cessé d'être écouté. Et une installation dont les alertes sont ignorées est, en pratique, une installation sans alerte.

Les réglages classiques n'aident qu'à la marge. Réduire la sensibilité fait manquer de vraies détections. Réduire les zones laisse des angles morts. On arbitre entre trop d'alertes et pas assez, sans jamais résoudre le problème de fond.

Le système ne compare plus des pixels : il identifie ce qu'il voit. Une personne, un véhicule, un animal, un objet.

Trois conséquences directes.

Le chat ne déclenche plus. Le système sait que ce n'est pas une personne. C'est ce qui fait que les notifications restent activées, et c'est le changement principal.

L'ombre et la lumière ne déclenchent plus. Il n'y a pas d'objet, donc pas d'événement — quelle que soit l'ampleur du changement de pixels.

La règle devient formulable. On ne dit plus « déclencher si ça bouge dans cette zone », mais « déclencher si une personne est présente dans cette zone, après telle heure, pendant plus de tant de secondes ».

La détection seule ne suffit pas. Ce qui produit une alerte fiable, c'est l'enchaînement.

La détection identifie l'objet dans chaque image.

Le suivi relie les détections dans le temps. Sans lui, on ne distingue pas une personne qui reste dix minutes de dix passages successifs. Le suivi conserve la trajectoire même quand la détection décroche brièvement — derrière un obstacle, dans un contre-jour.

Le filtrage temporel confirme la présence après une durée mesurée en secondes réelles. C'est un détail technique déterminant : la cadence d'un flux vidéo varie avec la charge réseau, et un compteur indexé sur le nombre d'images dérive dès que le débit baisse. Le nôtre est indexé sur l'horloge.

C'est cet étage, plus que la détection elle-même, qui fait tomber le taux de fausses alertes.

Les faux positifs ne tombent pas à zéro. Ils descendent assez bas pour que les alertes restent crédibles. Un système qui promet zéro faux positif promet ce qu'il ne peut pas tenir, et il faut s'en méfier.

Le calibrage reste indispensable. Les seuils, les durées, les zones se règlent sur site, à différents moments de la journée. Un système livré avec des paramètres par défaut reproduira le problème qu'il devait résoudre.

Une caméra mal placée reste mal placée. L'IA travaille sur ce que la caméra voit.

La détection de mouvement ne souffre pas d'un défaut de sensibilité : elle souffre de ne pas savoir ce qu'elle voit. La détection d'objets, complétée par le suivi et le filtrage temporel, produit des alertes assez fiables pour rester regardées — et c'est le seul critère qui compte.