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
