基于YOLOv8的智能监控系统中徘徊与聚集行为检测研究

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1：YOLOv8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