摘要随着城市化进程的加快和公共安全需求的提升智能视频监控系统在安全防范领域发挥着越来越重要的作用。徘徊行为作为一种潜在的安全隐患其自动检测对于公共安全管理具有重要意义。本文设计并实现了一个基于深度学习的实时徘徊行为检测系统。项目概览项目简介本系统采用YOLOv8作为目标检测模型实现对视频场景中人员的高精度实时检测利用ByteTrack算法进行多目标追踪解决目标遮挡和跨帧关联问题通过自定义的区域驻留时间分析算法准确判定徘徊行为。系统采用PyQt5框架开发了友好的图形用户界面支持检测区域的交互式绘制、检测参数的实时调整、事件日志记录和视频导出等功能。实验结果表明本系统在NVIDIA RTX 3070 Ti GPU上可达到30-50 FPS的处理速度满足实时性要求在多种场景下的测试中人员检测准确率达到92%以上徘徊行为识别准确率达到88%以上。系统具有检测精度高、响应速度快、界面友好、易于部署等优点可广泛应用于商场、地铁站、校园等公共场所的安全监控。系统架构本系统采用分层架构设计底层基于YOLOv8深度学习模型实现高精度人员检测中间层利用ByteTrack算法进行鲁棒的多目标追踪上层通过自定义的区域驻留时间分析算法实现徘徊行为智能判定系统使用PyQt5框架构建了友好的图形用户界面支持检测区域的交互式绘制、检测参数的实时调整和多维度的结果输出整个系统实现了从视频输入、目标检测、轨迹追踪、行为分析到结果可视化的完整闭环具有实时性强、准确率高、易于部署的特点能够在CPU和GPU两种模式下灵活运行。图1 系统架构图技术创新创新点1基于底部中心点的区域占比判定机制针对传统边界框完全包含判定方法易受目标姿态和遮挡影响的问题本系统提出了基于底部中心点人体脚部位置的区域占比判定机制。该方法通过计算目标边界框与检测区域的交集面积占比当占比超过设定阈值默认30%且底部中心点位于区域内时判定目标进入区域。这种双重判定策略有效提高了区域判定的准确性和鲁棒性特别是在人员部分进入区域或存在遮挡的复杂场景下能够准确识别目标的真实位置降低误判率。创新点2带宽限期的徘徊判定算法为解决目标在区域边界频繁进出导致的误判问题本系统设计了带宽限期Grace Period的徘徊判定算法。该算法引入时间容忍机制当目标短暂离开检测区域时系统不立即重置其停留时间计数器而是给予一定的宽限时间默认2秒只有当目标离开时间超过宽限期后才清零计时。这种机制有效过滤了因检测抖动或目标正常移动造成的虚假离开信号显著提高了徘徊行为判定的稳定性和准确性减少了系统的误报率。创新点3自适应GPU加速与智能设备选择机制针对不同硬件环境下的部署需求本系统实现了自适应GPU加速与智能设备选择机制。系统启动时自动检测硬件环境中的GPU可用性当检测到NVIDIA GPU且PyTorch支持CUDA时自动切换至GPU加速模式处理速度可达30-50 FPS在无GPU环境下系统自动降级为CPU模式运行保证基本的检测功能5-15 FPS。用户也可以手动切换计算设备系统会自动将用户友好的设备名称”gpu”/”cpu”转换为底层框架所需的设备标识。这种智能适配机制使系统能够在不同硬件条件下灵活部署兼顾了性能和兼容性快速开始克隆项目后安装依赖包pip install -r requirements.txt在test环境中运行python app.py启动程序选择视频文件、绘制检测区域、点击开始检测即可实现徘徊行为的实时识别和分析。环境要求系统需要Python 3.8及以上版本、PyQt5图形界面库、OpenCV视频处理库、Ultralytics YOLOv8模型库和NumPy数值计算库推荐配备NVIDIA GPU和CUDA环境以获得30-50 FPS的实时处理性能最低4GB内存推荐8GB。运行展示图2 系统主界面图3 徘徊设置图4 输出设置图5 区域设置图6 导入视频图7 绘制检测区域图8 绘制检测区域完成图9 开始分析图10 徘徊人数图11 当前人数图12 帮助项目资源配套文件包括完整的项目源代码、演示视频、运行截图开箱即用。项目信息作者信息作者Bob (张家梁)项目编号AI-49-P原创声明本项目为原创作品