针对公共区域中违法发放传单行为频发、人工监管效率低的问题，提出了一种基于 YOLO11 目标检测算法的公共区域违法发传单智能检测系统。该系统以监控视频为数据来源，通过构建包含行人和传单目标的数据集，对 YOLO11 模型进行训练与优化，实现对人员及传单的高精度实时检测。在此基础上，结合目标空间关系与时间连续性特征，设计了一套违法发传单行为判定规则，从而有效区分正常携带物品与实际发传单行为。实验结果表明，该系统在复杂公共场景下具备较高的检测准确率与实时性，能够稳定识别疑似违法发传单行为，具有良好的实用价值和推广意义，可为智慧城市管理和公共安全监管提供技术支持。
一、引言
随着城市化进程的不断推进，公共区域如商场、地铁站、校园和城市广场等人流密集场所日益增多。在这些区域中，违法发放传单的行为屡禁不止，不仅影响市容市貌，还容易造成环境污染，甚至引发人员聚集和安全隐患。传统依靠人工巡查的管理方式存在效率低、监管成本高、覆盖范围有限等问题，难以满足现代城市精细化管理的需求。
近年来，计算机视觉和深度学习技术的快速发展为公共安全智能化管理提供了新的解决思路。目标检测算法能够从视频图像中自动识别和定位目标，为违法行为的自动识别提供了技术基础。基于此，本文提出了一种基于 YOLO11 目标检测算法的公共区域违法发传单检测系统，实现对相关行为的自动识别与辅助监管。
二、相关技术概述
2.1 目标检测技术
目标检测是计算机视觉中的重要研究方向，其任务是在图像或视频中同时完成目标的定位与分类。相比传统的两阶段检测算法，单阶段目标检测算法在检测速度方面具有明显优势，更适合实时监控场景。
2.2 YOLO11 算法简介
YOLO（You Only Look Once）系列算法是一种典型的单阶段目标检测方法。YOLO11 在前代模型基础上进一步优化了网络结构与特征融合方式，在保证检测精度的同时显著提升了推理速度和对小目标的检测能力。由于传单通常尺寸较小、形态多样，YOLO11 在该应用场景中具有较好的适用性。
三、系统总体设计
3.1 系统架构
违法发传单检测系统主要由视频采集模块、目标检测模块、行为判定模块和结果展示模块组成。系统首先从监控摄像头或视频文件中获取视频流，对视频帧进行预处理后输入 YOLO11 模型进行目标检测，识别出行人与传单目标。随后，系统结合检测结果进行行为分析，最终输出检测结果和告警信息。
3.2 功能模块说明
视频采集模块：支持实时监控视频和本地视频输入
目标检测模块：基于 YOLO11 模型识别行人和传单目标
行为分析模块：通过规则判断是否存在违法发传单行为
结果展示模块：在画面中显示检测框、类别及置信度信息
四、数据集构建与模型训练
4.1 数据集构建
为提高模型在实际场景中的适用性，本文构建了包含多种公共区域场景的数据集。数据来源包括真实监控视频截帧、模拟拍摄场景以及公开视频素材。数据集中主要包含两类目标：行人和传单。
4.2 数据标注
采用专业标注工具对数据进行人工标注，并统一转换为 YOLO 格式。通过合理划分训练集、验证集和测试集，确保模型训练与评估的科学性。
4.3 模型训练与优化
在训练过程中，结合数据增强方法对模型进行优化，包括图像翻转、尺度变化和亮度调整等，以提升模型的鲁棒性。同时针对传单目标尺寸较小的问题，对模型参数进行调整，提高小目标检测能力。
五、违法发传单行为判定方法
仅通过目标检测无法直接判断是否存在违法发传单行为，因此本文引入基于规则的行为判定方法。通过分析行人与传单之间的空间关系、传单出现的时间连续性以及同一行人重复出现传单交互行为等特征，对疑似违法行为进行综合判断。该方法在保证系统实时性的同时，有效降低了误报率。
六、实验结果与分析
实验结果表明，基于 YOLO11 的检测系统在多种公共区域场景下均能稳定运行，对行人和传单目标具有较高的检测准确率。系统在实时视频中的检测帧率能够满足实际应用需求，具有较好的实用价值。同时，在复杂背景和多人场景下，系统仍能保持较好的检测效果。
七、不足与改进方向
尽管系统取得了一定效果，但在光照不足、目标遮挡等复杂场景下仍存在识别精度下降的问题。未来可考虑引入多目标跟踪、人体姿态识别以及行为识别模型，对违法发传单行为进行更精细化的分析。同时，通过边缘计算与云端协同部署，可进一步提升系统的实时性与稳定性。
八、结论
本文设计并实现了一种基于 YOLO11 的公共区域违法发传单检测系统。通过目标检测与行为判定相结合的方法，实现了对违法发传单行为的自动识别。实验结果验证了该系统在实际公共场景中的可行性与有效性，为智慧城市管理和公共安全监管提供了一种可行的技术方案。