传统厂区徘徊检测仅依赖"区域停留时长"单一规则，误报率极高：员工原地巡检、临时沟通频繁触发告警，而外来人员缓慢踩点游荡却往往漏检。本文提出一套时序轨迹 + 瞬时速度 + 折返系数的逗留行为分级算法，基于 YOLOv8 人体检测与 ByteTrack 多目标跟踪提取连续轨迹，通过路程位移比、滑动窗口平均速度对人员行为做三级分级，在工厂禁区、物资仓库、围墙周边场景落地，有效区分正常停留、可疑逗留与高危徘徊，误报率大幅下降。
1 业务痛点
- 单纯时间阈值：人员站在禁区超过 N 秒直接告警，员工临时交接、设备点检频繁误报；
- 无轨迹特征：无法区分"静止站立沟通"和"来回折返踩点游荡"；
- 像素速度不可靠：不同相机焦距、安装高度导致像素位移无法跨摄像机复用；
- 夜间红外画质差：小目标人员轨迹抖动严重，容易断跟踪，行为识别中断。
2 算法核心思路
整体链路：视频流输入 → YOLOv8 人体检测 → ByteTrack 跨帧 ID 跟踪 → 时序轨迹采样与地面坐标校正 → 滑动窗口提取速度、路程、位移、折返系数特征 → 分级判别引擎 → 分级告警。
**第一步，坐标校正。**通过相机标定，将图像像素坐标转换为厂区物理世界坐标，输出真实米级位移，从根源上消除镜头远近带来的速度偏差，保证同一套阈值可在不同机位复用。
**第二步，滑动时序窗口。**设置 T=30s 滑动窗口，对同一个 ID 人员持续采样轨迹点，计算四个核心指标：窗口首末两点直线位移 D、窗口内轨迹累计行走路程 S、折返系数 R=S/D、窗口平均速度 V。R 越大代表来回折返越严重。
第三步，三级分级规则。
|---------|------------------------|-----------|---------------|
| 等级 | 判定条件 | 业务含义 | 处理动作 |
| L0 正常通行 | V > 0.4 m/s，R 接近 1 | 直线快速通过 | 不告警，仅记录轨迹 |
| L1 可疑逗留 | V < 0.2 m/s，R < 1.5 | 小范围静止站立 | 记录事件，不推送告警 |
| L2 高危徘徊 | V < 0.25 m/s，R > 2.0 | 禁区内来回折返游荡 | 触发平台告警 + 截图录像 |
3 系统架构与部署
采用边缘 + 云端架构：边缘 AI 盒子（RK3588）完成检测、跟踪、轨迹特征计算，只把事件结果、截图、短片段上传云端，节省 80% 以上带宽；云端做事件汇总、告警推送与报表统计。系统支持绘制多边形电子围栏，仓库、围墙、办公区可独立配置阈值，夜间与白天策略自动切换。
4 工程踩坑与实测指标
- **轨迹抖动过滤：**增加卡尔曼滤波平滑轨迹点，减少红外低画质下坐标跳变导致的速度虚高；
- **ID 跳变处理：**ID 丢失超过 2s 视为目标离开，不继续累计逗留时间，避免跟踪中断后状态错乱；
- **实测效果：**厂区实测高危徘徊识别召回率 94.7%，误报率由传统单时间阈值方案的 18.6% 降至 3.2%。
5 小结
基于时序轨迹 + 速度 + 折返系数的分级方案，不依赖复杂姿态模型，算力开销低，适合端侧部署。核心优势是区分静止停留与来回游荡，更贴合厂区安防真实风险逻辑，可直接移植到园区、港口、变电站禁区监测场景。