重点区域人员徘徊识别监测系统

重点区域人员徘徊识别监测基于yolo5模型对画面中重要区域进行实时检测分析。首先使用yolov5m模型进行物体检测，筛选出行人，卡车和汽车。考虑到运行效 率和使用背景，只进行三个行人，一辆卡车和一辆汽车的徘徊判定。如果行人过多，就发出人员密集的提示信息。

使用deep_sort进行目标跟踪。在实现过程中，发现跟踪算法对视频中连续的物体移动跟踪效果很不错，但对物体（或者身体一部分）移动到视频外，会发生ID跳变，识别并不准确，需要使用行人重识别进行track_id的更正。

每50帧进行一次轨迹判断，计算物体移动的路程和位移，若路程和位移相差30，记为警告一次，如果发生警告2次，即发出警告提示(发出警报），并开始保存并绘画运动轨迹，每50帧修正一次运动轨迹。考虑到警告提示发出后，在边防背景下，会立刻安排人进行处理，如果没有响应，可能就会默认接受，因此警告提示会持续100帧，100帧后会自行消失。在整个徘徊检测过程中，五个物体是独立进行检测的，互不干扰

 import os
from torch.utils.data import Dataset
from utils import *
from torchvision import transforms
transform = transforms.Compose([
    transforms.ToTensor()
    ])

class MyDataset(Dataset):
    def __init__(self, path):   
        self.path = path
        self.name = os.listdir(os.path.join(path, 'notedata'))
    def __len__(self):         
        return len(self.name)
    def __getitem__(self, index):  
        segment_name = self.name[index] #XX.png
        segment_path = os.path.join(self.path, 'notedata', segment_name)