基于Python计算机视觉识别应急门人员违规进入的技术咨询

核心逻辑 #

核心是通过目标轨迹的方向判定区分合规外出与违规进入：预先定义门的边界线，将画面划分为「门内区」和「门外区」，跟踪人员的移动轨迹，若出现从「门外区」到「门内区」的穿越行为，即判定为违规进入。

具体实施步骤 #

• 第一步：划定门的边界与区域
  在视频帧上标记一条虚拟边界线（对应门的物理出入口），通过坐标定义线的两端点（如line_start=(x1,y1)、line_end=(x2,y2)），以此区分门内、门外区域。
• 第二步：目标检测与持续跟踪
  用你熟悉的目标检测模型（如YOLO系列）识别画面中的人员，搭配跟踪算法（如DeepSORT、ByteTrack）为每个人员分配唯一ID，持续记录其位置坐标，保证轨迹的连续性。
• 第三步：轨迹方向判断
  保留每个跟踪目标的最近2-3个坐标点，计算其穿越边界线前后的区域归属：
  • 若目标之前在门外区、之后进入门内区，触发违规告警；
  • 若从门内区到门外区，判定为合规外出，忽略即可。
    可通过向量叉乘或区域坐标范围判断，快速确定点所属区域。
• 第四步：违规事件处理
  检测到违规时，记录时间戳、截取当前帧保存，或联动硬件触发声光告警（若有需求）。

关键代码片段示例 #

import cv2
import numpy as np

# 自定义门的边界线（根据实际场景调整坐标）
line_start = (300, 100)
line_end = (300, 500)

# 判断点位于门线的哪一侧：1=门内，-1=门外
def get_region(point, line_s, line_e):
    cross_product = (line_e[0] - line_s[0])*(point[1] - line_s[1]) - (line_e[1] - line_s[1])*(point[0] - line_s[0])
    return 1 if cross_product > 0 else -1

# 存储跟踪目标的历史轨迹：key=跟踪ID，value=坐标点列表
track_history = {}

# 读取视频（可替换为实时摄像头流：cv2.VideoCapture(0)）
cap = cv2.VideoCapture("door_monitor.mp4")

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # --------------------------
    # 此处替换为实际目标检测代码（YOLO等）
    # 示例：模拟人员检测框，格式为(x1,y1,x2,y2)
    person_bboxes = [(240, 160, 290, 310), (360, 180, 410, 330)]
    # --------------------------

    # 处理每个检测到的人员
    for idx, bbox in enumerate(person_bboxes):
        track_id = idx + 1
        # 计算检测框中心作为跟踪点
        center = ((bbox[0]+bbox[2])//2, (bbox[1]+bbox[3])//2)

        # 更新轨迹历史
        if track_id not in track_history:
            track_history[track_id] = []
        track_history[track_id].append(center)

        # 用最近2个点判断方向
        if len(track_history[track_id]) >= 2:
            prev_point = track_history[track_id][-2]
            curr_region = get_region(center, line_start, line_end)
            prev_region = get_region(prev_point, line_start, line_end)

            # 判定违规：从门外到门内
            if prev_region == -1 and curr_region == 1:
                print(f"[告警] 检测到违规进入，跟踪ID: {track_id}")
                cv2.putText(frame, "UNAUTHORIZED ENTRY!", (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2)

    # 绘制门线便于可视化
    cv2.line(frame, line_start, line_end, (0,255,0), 2)
    cv2.imshow("Door Monitor", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

优化建议 #

• 场景校准：首次部署时需反复调整门线坐标，确保区域划分准确，避免因边界模糊导致误判。
• 遮挡处理：若门附近有遮挡物，可延长轨迹判断窗口（如连续3帧确认方向一致），降低误报率。
• 光照适配：室外门需考虑昼夜光照差异，可使用红外摄像头，或在检测前添加图像增强（如直方图均衡化）预处理。
• 模型选型：优先选择轻量型检测模型（如YOLOv8n）搭配高效跟踪算法（如ByteTrack），保证实时性。

内容的提问来源于stack exchange，提问作者PVic