厂区人员徘徊游荡判别——基于时序轨迹速度的逗留行为分级算法落地

传统厂区徘徊检测仅依赖区域停留时长单一规则误报率极高员工原地巡检、临时沟通频繁触发告警而外来人员缓慢踩点游荡却往往漏检。本文提出一套时序轨迹 瞬时速度 折返系数的逗留行为分级算法基于 YOLOv8 人体检测与 ByteTrack 多目标跟踪提取连续轨迹通过路程位移比、滑动窗口平均速度对人员行为做三级分级在工厂禁区、物资仓库、围墙周边场景落地有效区分正常停留、可疑逗留与高危徘徊误报率大幅下降。1 业务痛点单纯时间阈值人员站在禁区超过 N 秒直接告警员工临时交接、设备点检频繁误报无轨迹特征无法区分静止站立沟通和来回折返踩点游荡像素速度不可靠不同相机焦距、安装高度导致像素位移无法跨摄像机复用夜间红外画质差小目标人员轨迹抖动严重容易断跟踪行为识别中断。2 算法核心思路整体链路视频流输入 → YOLOv8 人体检测 → ByteTrack 跨帧 ID 跟踪 → 时序轨迹采样与地面坐标校正 → 滑动窗口提取速度、路程、位移、折返系数特征 → 分级判别引擎 → 分级告警。第一步坐标校正。通过相机标定将图像像素坐标转换为厂区物理世界坐标输出真实米级位移从根源上消除镜头远近带来的速度偏差保证同一套阈值可在不同机位复用。第二步滑动时序窗口。设置 T30s 滑动窗口对同一个 ID 人员持续采样轨迹点计算四个核心指标窗口首末两点直线位移 D、窗口内轨迹累计行走路程 S、折返系数 RS/D、窗口平均速度 V。R 越大代表来回折返越严重。第三步三级分级规则。等级判定条件业务含义处理动作L0 正常通行V 0.4 m/sR 接近 1直线快速通过不告警仅记录轨迹L1 可疑逗留V 0.2 m/sR 1.5小范围静止站立记录事件不推送告警L2 高危徘徊V 0.25 m/sR 2.0禁区内来回折返游荡触发平台告警 截图录像3 系统架构与部署采用边缘 云端架构边缘 AI 盒子RK3588完成检测、跟踪、轨迹特征计算只把事件结果、截图、短片段上传云端节省 80% 以上带宽云端做事件汇总、告警推送与报表统计。系统支持绘制多边形电子围栏仓库、围墙、办公区可独立配置阈值夜间与白天策略自动切换。4 工程踩坑与实测指标轨迹抖动过滤增加卡尔曼滤波平滑轨迹点减少红外低画质下坐标跳变导致的速度虚高ID 跳变处理ID 丢失超过 2s 视为目标离开不继续累计逗留时间避免跟踪中断后状态错乱实测效果厂区实测高危徘徊识别召回率 94.7%误报率由传统单时间阈值方案的 18.6% 降至 3.2%。5 小结基于时序轨迹 速度 折返系数的分级方案不依赖复杂姿态模型算力开销低适合端侧部署。核心优势是区分静止停留与来回游荡更贴合厂区安防真实风险逻辑可直接移植到园区、港口、变电站禁区监测场景。