面向安防场景的多摄像头协同智能监控系统研究

摘  要：本文提出了一种实时视频基于多模型动态的监控系统架构分配，旨在解决检测精度和不合理的资源分配复杂场景下的传统监控系统。这系统使用模型-视频源动态关联将不同的检测模型分配给不同的场景（本地摄像机、IP 摄像机）。核心创新在于在设计高效的多线程异步处理框架实现视频的并行处理流采集和对象检测。与传统的单模型系统相比，该系统对危险行为的影响，例如火灾、打架斗殴，摔倒等危险行为具有良好的检测能力。

关键词：目标检测；异常行为检测；多模型动态分配；YOLOv5

中图分类号：TP18                   文献标识码：A

0 引言

安全是一个一直都很热门的话题，校园作为人员密集的场所，其安全问题一直是社会关注的焦点。近年来，校园暴力、火灾等安全事件频发，对师生的生命财产安全构成了严重威胁[1-2]。本项目的主要目的是开发一个基于深度学习和计算机视觉的校园安全系统，以实现对校园内异常行为的实时检测和早期预警。利用先进的深度学习算法为安全管理提供数据支持，并帮助优化安全策略。系统采用模型-场景动态关联机制，为不同场景中的视频源（本地摄像头和IP摄像头）分配最优检测模型。核心创新之处在于设计了一个高效的多线程异步处理框架，通过视频采集线程池、线程安全队列和检测处理线程的解耦与协作，实现了视频流采集和目标检测的并行处理。其系统架构如图1所示。

图1 系统架构

1 相关研究

目标检测算法是异常行为检测中的关键技术，本项目采用以YOLO（You Only Look Once）为代表的基于候选框的目标检测算法[3-4]。与传统视频监控系统采用单一模型处理所有视频源的方式不同，本系统设计了一种基于场景特征的多模型动态分配机制。系统采用模块化分层设计，包括视频采集层、模型管理层、检测处理层和应用交互层，支持注册多个基于YOLOv5[5]的检测模型，这些模型针对特定场景（如火灾检测、烟雾监测、人员识别等）进行优化训练，从而显著提高了在特定场景下的检测准确率。系统能够根据视频源的特性（如摄像头位置、监控场景等）动态分配最适合的检测模型，实现了“一源一模型”的精准匹配。为了进一步提高检测效率，还实现了模型缓存机制，与每次检测都重新加载模型相比，本系统对频繁使用的模型进行内存缓存，从而显著降低了模型切换的性能开销。

2 关键技术实施与分析

2.1 多线程异步处理框架

多线程异步处理框架是系统的核心技术基础，它解决了实时视频流处理中的关键问题：如何同时处理多个视频源，而确保检测过程不会影响整体系统。线程异步架构极大提升了实时处理能力。在16路摄像头同时工作的高负载环境下，本系统的平均检测延迟仅为180.3ms，保证了危险行为的及时发现与响应。多线程异步处理框架如图 2 所示。

图2 多线程异步处理框架

2.2 模型缓存和内存优化技术

在具有多模型动态分配的视频监控系统中，深度学习模型[6-8]的加载是一个计算密集型操作，它直接影响系统的实时性、性能和资源消耗。例如，标准的YOLOv5模型（如yolov5s.pt）通常占用大约14MB的存储空间，但在加载到GPU内存中时，可能会占用数百MB的显存。在多相机环境中，如果每次检测都重新加载模型，会导致显著的内存压力和检测延迟。

为了解决这一问题，图3展示了模型缓存架构的整体设计。该架构通过缓存频繁使用的模型来减少每次检测时的模型加载时间，从而显著降低内存压力并提高检测效率。系统根据视频源的特性（如摄像头位置、监控场景等）动态分配最适合的检测模型，并通过缓存管理机制优化资源利用。此外，还可以采用模型压缩技术，在不影响检测性能的前提下，对YOLOv5模型进行剪枝、量化等操作，以进一步减少模型的存储空间和计算量。通过这些优化措施，系统能够在多相机环境中高效运行，同时保持较高的检测准确率和实时性。

图3 模型缓存和内存优化框架

2.3 异常行为检测

系统使用多级异常行为检测架构，并深度融合了先进的深度学习模型。通过这种多级设计，系统能够灵活地针对不同环境和场景调整并优化其检测策略，并且管理人员可以动态设置并调整适用于各种特定场景的检测模型。这种灵活性使得系统可以根据不同的环境条件、人员活动以及其他相关因素选择最合适的检测模型，如图4所示。

图4 异常行为检测

3 实验与分析

3.1 异常行为检测的性能评估

在图4中，我们对系统的检测能力进行了全面测试，并评估了系统在不同场景下使用不同模型识别异常行为的性能。最终，我们得到了测试结果，如图5，6所示。图5展示了不同YOLO模型在火灾、打斗和跌倒行为检测中的准确性对比。YOLOv5l模型在所有行为类型中表现最佳，尤其是在跌倒行为检测中，准确率达到了94.2%。：通过根据摄像头位置和监控目标选择合适的模型，可以在保持高准确率的同时，优化系统资源的使用。

图5 不同模型对各个危险行为的检测准确率

图6 不同危险行为的检测置信度分布

3.2 危险行为检测时间测试

为了评估所提出的系统，我们精心挑选了5个具有代表性的应用场景，包括弱光条件以及高密度人群场景。在每个场景中，我们均采用常规监控系统进行了录制，并计算了平均检测时间。最终的测试结果如图7所示。

图7 不同场景下的检测时间对比

4 结束语

在这项研究中，开发了一套先进的安全问题早期预警系统。该系统通过深度融合深度学习算法以及高效的多线程异步处理技术，能够精准的对危险行为进行早期预警。深度学习算法使其可以捕捉到危险行为的迹象。而多线程异步处理技术则极大地提升了系统的运行效率，确保了在复杂的监控环境中，系统能够实时处理多路视频信号，及时发出预警信息，从而为保障人员安全和维护公共秩序提供了有力的技术支持。

5 致谢

本工作得到了国家自然科学基金项目的资助(62061019；62261026；62262026)；江西省自然科学基金杰出青年项目(20232 ACB 212006)；江西省自然科学基金项目(20232BAB202020)；江西省教育厅青年基金项目（GJJ2201358）；江西省教育厅一般项目（GJJ211111）。

参考文献

[1] 艾飞,时东晓,黄建波,等.基于第三级等保的高校一卡通系统安全体系研究[J].电子设计工程,2022,30(10):66-70.

[2] 白皓,刘志鹏.基于联盟区块链的高校数据平台安全共享研究[J].现代电子技术,2024,47(18):52-56.

[3] 曹嘉禹,乔贵方,陈梦源,等.面向高空视角小目标检测的YOLO算法改进策略[J].计算机应用,2024,44(S2):280-285..

[4] 郑华伟,王飞,高建邦.DES-YOLO：一种更精确的目标检测方法[J].光电工程,2024,51(11):74-88.

[5] 何凌志,王玉珏,周月娥,等.基于改进的YOLOv5算法路面检测设计[J].工业仪表与自动化装置,2023(4):93-97.

[6] 黄金铃.深度学习算法的P2P流量识别与控制[J].沈阳工业大学学报,2022,44(02):209-213..

[7] 忻腾浩,李菲菲.基于深度学习的行为识别方法[J].电子科技,2024,37(10):64-70.

[8] 杨洁,易立,毛宇,等.基于深度学习的设备效用值关联数据分析技术[J].信息技术,2025,(01):56-60,67.

作者简介：阿卜力克木（2002-），男，新疆喀什，本科生。研究方向：人工智能。

通讯作者*：陈艳（1982-），女，江西萍乡，硕士，副教授。研究方向：控制理论与控制工程。

基金项目：江西省教育厅青年基金项目（GJJ2201358）；

江西省教育厅一般项目（GJJ211111）。