摘要针对公共场所安全监控中的异常行为检测需求本文设计并实现了一套基于深度学习的智能监控系统。系统采用YOLOv8目标检测算法实现实时人员检测结合质心跟踪算法进行多目标持续跟踪并通过时空行为分析实现徘徊和人群聚集异常检测。项目概览项目简介系统具有实时视频处理能力提供图形化用户界面支持参数动态调整和多维度统计分析。实验结果表明该系统在标准监控场景下检测准确率达到85%以上平均处理速度为30帧/秒能够有效识别异常行为并及时预警。系统采用模块化设计具有良好的可扩展性和实用价值可广泛应用于商场、校园、车站等公共场所的智能安防领域。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1YOLOv8与质心跟踪的高效融合机制针对传统监控系统中目标检测与跟踪分离导致的效率低下问题本系统创新性地设计了YOLOv8检测结果与质心跟踪算法的深度融合机制。通过将YOLOv8实时检测的边界框信息直接转换为质心坐标结合欧氏距离匹配算法实现目标ID的帧间关联避免了传统方法中特征提取与匹配的冗余计算在保证跟踪精度的同时将处理速度提升至30帧/秒实现了检测与跟踪的一体化高效处理。创新点2基于时空特征的双重异常检测算法针对徘徊和聚集行为的不同特征本系统提出了差异化的异常检测策略。徘徊检测算法通过对象ID去重机制和时间累积阈值判定确保每个徘徊对象仅触发一次预警有效降低了误报率聚集检测算法采用动态频率限制策略每30帧约1秒最多触发一次预警避免了持续状态下的告警泛滥。该双重检测机制不仅提高了检测准确性还显著提升了系统的实用性和用户体验。快速开始安装依赖后运行 pip install -r requirements.txt python run_gui.py 即可启动图形界面或使用 python run.py -i data/input.mp4 -o data/output.mp4 进行命令行处理。环境要求系统需要Python 3.7及以上版本推荐配置为Intel i7处理器、16GB内存、NVIDIA GPU支持CUDA加速操作系统支持Windows/Linux/macOS。运行展示图2 系统主界面图3 视频分析中图4 视频分析结果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-50-P原创声明本项目为原创作品