摘要：本文提出了一种基于深度学习的地铁站台智能安全监控系统，旨在解决传统监控系统响应滞后、人工成本高、误报率高等问题。系统采用 YOLOv26n-pose 轻量级姿态检测模型和 ResNet18 门状态分类模型，实现对乘客跌倒、异常姿态预警和危险区域入侵的实时检测与预警。
项目概览
项目简介
系统创新性地提出了三级智能预警机制，通过姿态分析算法在人员完全跌倒前提前1-2秒触发预警，为救援争取宝贵时间。实验结果表明，系统在跌倒检测准确率达到94.3%，预警触发成功率达到89.7%，平均处理延迟低于120ms，能够满足地铁站台7×24小时实时监控需求。
系统采用多线程架构和智能缓存机制，支持同时监控多个摄像头，具有良好的可扩展性和鲁棒性。通过实际部署验证，系统有效降低了人工监控成本，提升了地铁站台安全管理水平，为智慧交通建设提供了技术支撑。
系统架构
系统采用多层解耦架构：前端使用 PyQt5 构建可视化监控界面，后端采用多线程引擎并发处理多路视频流，每个摄像头独立运行 YOLO Pose 姿态检测和 ResNet18 门状态分类模型，检测结果通过消息队列实时传递给 UI 层和数据库管理模块，实现了高并发、低延迟的实时监控。
图1 系统架构图
技术创新
创新点1：三级智能预警机制
创新性提出”正常-预警-跌倒”三级分层检测算法，通过分析人体关键点速度、姿态比例和运动轨迹，在完全跌倒前1-2秒触发预警，显著提高救援响应速度。
创新点2：自适应阈值优化
设计了基于连续帧数和多特征融合的自适应检测算法，将预警触发阈值优化至1帧（传统方法需3-5帧），在保证准确率的同时将响应时间缩短60%。
创新点3：多模态特征融合
融合人体姿态关键点、运动速度向量、边界框宽高比、关键点跨度比例等多维特征，构建鲁棒的跌倒判别模型，有效降低误报率。
创新点4：轻量化实时推理
采用 YOLOv26n-pose 轻量级模型（2.9M参数，7.5 GFLOPs），相比传统姿态检测方法减少70%计算资源，实现30 FPS实时检测，支持CPU环境部署，降低硬件成本。
创新点5：完整的工程化实践
构建包含配置验证、日志追踪、异常恢复、性能监控的完整监控系统，实现7×24小时稳定运行，为实际部署提供工程保障。
快速开始
安装依赖后运行 `python launch.py` 即可启动系统，支持Windows/Linux/Mac跨平台部署。
环境要求
Python 3.8+，8GB+ RAM，推荐 NVIDIA GPU（CPU亦可运行），依赖 PyTorch、OpenCV、PyQt5。
运行展示
图2 系统主界面
图3 系统实时监测
图4 系统暂停预览
图5 系统性能趋势
图6 系统历史记录
图7 实时视频监测Cam1
图8 实时视频监测Cam2
图9 实时视频监测Cam3
项目资源
配套文档
点击查看：基于深度学习的城市轨道交通站台智能安全监测与风险预警系统研究 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-61-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。
评论(2)