YOLO v8 目标检测识别翻栏

一、行人翻栏识别背景介绍

1.1跨越围栏是人类活动中一个普遍但需要引起警惕的行为。它不仅可能导致各种意外事故，甚至可能对个人的生命安全构成威胁。在交通领域，跨越围栏可能导致严重的交通事故，造成人员伤亡。在公共场所，如公园、广场等，跨越围栏可能破坏公共设施，给他人带来不便。此外，在某些特定场所，如军事禁区或危险区域，跨越围栏可能触犯法律，甚至构成犯罪行为。

为了降低这种危害，我们需要在多个层面进行防范和治理。首先，公众需要提高安全意识，认识到跨越围栏的危害。其次，政府和社会组织应加强监管，制定并执行相关法规，对违规行为进行惩处。最后，技术手段也是防范跨越围栏的有效途径。例如，通过算法识别技术，可以实时监测和预警潜在的跨越围栏行为，从而减少事故的发生。

2、围栏摄像识别介绍

2.1 摄像头结构：围栏监控摄像头通常由镜头、传感器、图像处理器、存储器等组成。镜头负责采集图像，传感器负责将光信号转换为电信号，图像处理器负责处理图像，存储器负责存储视频。

2.2 图像采集：通过镜头和传感器，摄像头采集图像信息。传感器将光信号转换为电信号，然后通过图像处理器进行处理。

2.3 图像处理：图像处理器对采集的图像进行处理，包括清晰度调整、色彩平衡等，以提高图像质量。

2.4 目标识别：通过图像处理，摄像头能够识别特定目标，如人、车辆等。这通常通过特征提取和匹配来实现。

2.5 运动追踪：摄像头可追踪目标的运动轨迹，实时监测。这通常通过目标跟踪算法来实现。

2.6 视频存储：摄像头将采集的视频存储在存储器中，方便后续查看。存储器可以是内置的，也可以是外接的。

2.7 数据分析：通过数据分析技术，可对存储的视频进行分析，提取有价值的信息。例如，可以分析目标的运动轨迹、行为模式等。

2.8 智能警告：当识别到异常情况时，摄像头会触发报警系统，通知管理者。这可以通过声音、光线、短信等方式实现。

2.9 网络传输：摄像头通过网络将采集的视频实时传输到管理平台。这可以通过有线或无线网络实现。

2.10 电源管理：为了确保摄像头的正常运行，需要采取有效的电源管理措施。例如，可以使用太阳能电池板或备用电源等。

二、算法目标

识别指定区域是否有有人进入改区域，并进行生成相应报警逻辑。

 

三、业务逻辑分析及算法实现

越界识别的功能实现，主要包括行人目标检测、行人追踪及越界识别判断三部分

 

1） 行人目标检测

这一部分主要利用YOLOv8算法实现。

 

首先基于YOLOv8目标检测算法训练一个检测行人（person）的权重person.pt。

 

参考之前代码：

 

Ctrl CV：YOLOV8血细胞检测

2 ）行人目标追踪

目标追踪的实现主要是在实现目标检测的前提下，补充目标追踪功能，即通过追踪并绘制每个目标的track_id信息实现。

 

Ctrl CV：YOLOv8目标跟踪

Ctrl CV：YOLOv8_VisDrone2019目标跟踪、模型部署

3） 越界识别判断

（1）越界监测区域绘制

 

实现越界识别，即检测某个感兴趣区域，是否有人违规进入。所以首先需要设置一个感兴趣区域（监测区域），然后结合目标追踪判断是否有人员闯入检测区域内。代码如下：

 

# 绘制越界监测区域 points = [[593,176],[904,200],[835,323],[507,300]] color_light_green=(144, 238, 144) ##浅绿色 res_img = process_points(frame,points,color_light_green) cvs.imshow(res_img)

（2） 人体检测监测点调整

 

绘制好监测区域后，结合前面目标检测追踪部分，便可进行越界识别判断。这里需要注意的是在实际业务场景中，通常判断人体越界的点，主要用的是人体脚部的点。使用yolov8算法得到的是人物检测框的四个点信息[x，y，w，h]，即目标框的左上角点的x，y坐标和宽w、高h，因此需要通过代码，转换成人体下方的点，即[左上角点x+1/2*宽w，左上角点y+高h]。转换代码如下：

 

# 2.计算得到人体下方中心点的位置（人体检测监测点调整） pt = [tlwh[0]+1/2*tlwh[2],tlwh[1]+tlwh[3]]

（3） 人体状态追踪判断

 

获取了人体的坐标信息，需要结合绘制的检测区坐标，判断人体是否在监测区域内，并将将人体的状态进行区分。比如将人体在监测区域内设置为1，不在监测区域内设置为-1。所以代码中需要判断每个人的运动状态，将每个人运动轨迹中，每一帧在图片上的状态统计下来。

 

# 3. 人体和违规区域的判断（人体状态追踪判断） track_info = is_in_poly(pt, points) if tid not in track_id_status.keys(): track_id_status.update( {tid:[track_info]}) else: if track_info != track_id_status[tid][-1]: track_id_status[tid].append(track_info)

（4）越界行为判断

 

基于上面对行人在视频中每一帧的移动轨迹中状态的记录，便可进一步判断行人是否越界。比如某个人当前一帧的状态是-1，后一帧的状态变成1时，说明刚刚进入越界区域，此时就将当前的图片进行保存，留作告警记录。代码如下：

 

# 4. 判断是否有track_id越界，有的话保存成图片 # 当某个track_id的状态，上一帧是-1，但是这一帧是1时，说明越界了 if track_id_status[tid][-1] == 1 and len(track_id_status[tid]) >1: # 判断上一个状态是否是-1，是否的话说明越界，为了防止继续判别，随机的赋了一个3的值 if track_id_status[tid][-2] == -1: track_id_status[tid].append(3) cv2.imwrite("overstep.jpg",res_img)

（5）越界识别&系统告警

 

一般在实际应用的项目业务系统中，需要对最后检测的报警信息进行通知警告Warning! ID信息，因此可进一步将记录的报警信息进行相应处理，找出越界人员。