基于YOLOv8的智能徘徊行为检测系统设计与实现

摘要随着公共安全需求的日益增长智能监控系统在安防领域的应用越来越广泛。本文设计并实现了一个基于 YOLOv8 深度学习模型的智能徘徊行为检测系统。该系统采用目标检测与追踪相结合的方法通过分析人员在监控区域内的停留时间和移动范围实现对徘徊行为的自动识别和预警。项目概览项目简介系统主要由人员检测、目标追踪、徘徊行为判定、警报与存证以及图形用户界面五个模块组成。首先利用YOLOv8对监控画面中的人员目标进行实时检测并通过目标追踪模块实现持续跟踪为每个目标分配唯一ID随后徘徊行为判定模块计算目标在固定时间窗口内的位移范围判断其是否存在徘徊行为当检测到徘徊行为时警报与存证模块自动触发告警并保存现场截图生成带有时间戳标记的证据文件最后基于PyQt5构建图形用户界面实现监控画面、目标追踪信息和检测结果的实时可视化展示并提供检测参数配置功能。实验结果表明该系统能够准确识别监控区域内的徘徊行为检测准确率达到 90% 以上平均响应时间小于 1 秒。系统支持多种视频源输入包括本地视频文件和实时摄像头具有良好的实用性和可扩展性。系统采用模块化设计易于维护和功能扩展可广泛应用于商场、停车场、住宅小区等公共场所的安全监控。系统架构本系统采用分层模块化架构设计主要由五个核心模块组成底层的视频采集模块负责从摄像头或视频文件获取实时画面检测模块基于 YOLOv8 深度学习模型对每帧画面进行人员目标检测识别画面中的所有人员并获取其位置坐标追踪模块利用目标追踪算法为每个检测到的人员分配唯一 ID 并持续追踪其运动轨迹判定模块通过分析目标在固定时间窗口内的位移范围当某人在指定半径内停留时间超过阈值时判定为徘徊行为警报模块在检测到徘徊行为时自动触发警报并截图保存证据最上层的 PyQt5 图形界面模块将检测结果实时可视化展示并提供参数配置和系统控制功能整个系统采用多线程异步处理确保实时性能各模块间通过信号槽机制实现松耦合通信。图1 系统架构图技术创新创新点1自适应徘徊判定算法本系统提出了一种基于”初始位置锚点动态半径范围”的自适应徘徊判定算法。系统首次检测到目标时记录其初始位置作为锚点并以该锚点为中心设置一个动态监控圆默认半径 80 像素。只要目标在该范围内活动系统持续累计停留时间一旦目标移出范围停留时间清零并重新锚定新位置。这种方法既允许人员在小范围内自然移动避免误报又能准确捕捉长时间停留行为减少漏报实现了严格性与容错性的平衡。创新点2多线程异步处理架构本系统设计了一套基于信号槽机制的多线程异步处理架构。将耗时的视频处理和 YOLOv8 检测任务放在独立的后台线程执行主线程专注于界面交互和事件响应检测结果通过 Qt 信号槽机制异步传递到主线程进行界面更新实现了检测与展示的完全解耦。同时引入了冷却机制对同一目标的重复警报设置时间间隔默认 10 秒避免频繁截图消耗系统资源。创新点3模块化可配置系统设计本系统采用”核心引擎 配置文件”的模块化设计思想将所有业务参数徘徊时间阈值、检测半径、警报冷却时间、模型路径等统一抽取到独立配置文件 detection_config.py 中核心检测引擎与具体参数完全解耦。系统分为五个独立模块视频采集、人员检测、目标追踪、徘徊判定、图形界面各模块通过标准接口通信支持单模块替换升级而不影响整体系统。用户无需编程知识即可通过修改配置文件快速适配不同场景降低了部署门槛。快速开始安装依赖后运行 python main.py 即可启动系统选择本地视频或打开摄像头开始检测系统将自动识别徘徊行为并保存警报截图到 data/detection_alerts/ 目录。环境要求系统需要 Python 3.8 环境依赖 YOLOv8、OpenCV、PyQt5 等库通过 pip install -r requirements.txt 安装推荐配置为 8GB 内存和多核 CPU支持 NVIDIA GPU 加速但非必需运行展示图2 系统主界面图3 视频徘徊检测结果图4 视频徘徊检测结果图5 实时摄像头徘徊检测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-48-P原创声明本项目为原创作品