基于YOLOv8和ByteTrack的智能徘徊行为检测系统

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

配套文档

点击查看：基于YOLOv8和ByteTrack的智能徘徊行为检测系统 注意：收费提供！

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

联系方式

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。