Highway Incident Detection System

工业级高速公路事件监测系统，基于YOLO视觉算法实现目标检测和多种事件识别。

功能特性

• 多事件检测：

  • 道路施工（施工车、工人）
  • 车辆逆行
  • 摩托车
  • 行人
  • 路面抛洒物

• 多路RTSP流处理：支持同时处理多个RTSP视频流，高效异步处理

• 自动保活机制：视频流自动重连、推理进程自动重启

• 资源管理：完善的资源监控、内存管理和故障恢复

• 实时推理：基于YOLO模型的高效目标检测

• 异步摘要生成：不阻塞实时推理的摘要、关键帧和视频生成

• 可配置参数：YOLO模型参数、事件参数、视频流参数均可配置

• 高效日志系统：精准的日志记录，便于复现与跟踪分析

项目结构

HighwayIncidentDetection/
├── highway_incident_detection/    # 主包
│   ├── __init__.py
│   ├── config/                    # 配置管理
│   │   ├── __init__.py
│   │   └── settings.py
│   ├── models/                    # YOLO模型封装
│   │   ├── __init__.py
│   │   └── yolo_model.py
│   ├── detectors/                 # 事件检测器
│   │   ├── __init__.py
│   │   ├── event_types.py
│   │   └── event_detector.py
│   ├── stream/                    # RTSP流处理
│   │   ├── __init__.py
│   │   └── rtsp_stream.py
│   ├── summary/                   # 摘要生成
│   │   ├── __init__.py
│   │   └── summary_generator.py
│   └── utils/                     # 工具函数
│       ├── __init__.py
│       ├── logger.py
│       └── tracker.py
├── config/                        # 配置文件目录
│   └── config.yaml
├── logs/                          # 日志目录
├── output/                        # 输出目录
│   ├── keyframes/                 # 关键帧图片
│   ├── videos/                    # 事件视频片段
│   └── summaries/                 # 摘要JSON文件
├── main.py                        # 主程序入口（向后兼容）
├── pyproject.toml                 # 现代打包配置（PEP 518/621）
├── requirements.txt               # 依赖包（传统方式）
├── MANIFEST.in                    # 打包清单
├── README.md                      # 本文档
└── INSTALLATION.md                # 详细安装指南

安装

方式一：使用 pip 安装（推荐）

# 从源码安装
pip install .

# 或者以开发模式安装（可编辑模式）
pip install -e .

# 安装开发依赖
pip install -e ".[dev]"

方式二：使用 requirements.txt（传统方式）

pip install -r requirements.txt

方式三：从 Git 仓库安装

pip install git+https://github.com/M4D-AI/highway-incident-detection.git

配置

编辑 config/config.yaml 文件，配置以下参数：

• YOLO模型参数：模型路径、置信度阈值、IOU阈值、设备等
• 事件参数：各类事件的检测阈值、冷却时间等
• RTSP流参数：流地址、帧跳过、缓冲区大小等
• 输出参数：输出目录、视频时长、FPS等
• 日志参数：日志目录、级别、轮转等

准备YOLO模型

系统使用Ultralytics YOLO模型。首次运行时会自动下载默认模型（yolov8n.pt），也可以指定自定义模型路径。

使用方法

方式一：使用命令行工具（推荐）

安装后可以直接使用命令行工具：

# 使用默认配置
highway-incident-detection

# 使用自定义配置文件
highway-incident-detection --config config/config.yaml

# 查看版本
highway-incident-detection --version

方式二：使用 Python 脚本

# 基本使用
python main.py

# 使用自定义配置文件
python main.py --config config/config.yaml

方式三：作为 Python 模块使用

from highway_incident_detection import HighwayIncidentDetectionSystem
import asyncio

system = HighwayIncidentDetectionSystem(config_path="config/config.yaml")
asyncio.run(system.run())

配置说明

YOLO配置

yolo:
  model_path: "yolov8n.pt"          # YOLO模型路径
  confidence_threshold: 0.5         # 置信度阈值
  iou_threshold: 0.45               # IOU阈值
  device: "cuda"                    # 设备 (cuda/cpu)
  img_size: 640                     # 输入图像尺寸

事件配置

event:
  construction_vehicle_class_ids: [2, 3, 5, 7]  # 施工车辆类别ID
  worker_class_id: 0                             # 工人类别ID
  motorcycle_class_id: 3                         # 摩托车类别ID
  pedestrian_class_id: 0                          # 行人类别ID
  debris_class_ids: [24, 25, 26, 27, 28]        # 抛洒物类别ID
  construction_detection_frames: 10              # 施工检测帧数
  reverse_detection_frames: 15                   # 逆行检测帧数
  reverse_speed_threshold: -0.5                  # 逆行速度阈值
  event_cooldown_seconds: 30                      # 事件冷却时间（秒）

RTSP流配置

stream:
  streams:
    - name: "stream_1"
      url: "rtsp://example.com/stream1"
      enabled: true
    - name: "stream_2"
      url: "rtsp://example.com/stream2"
      enabled: false
  frame_skip: 1                    # 帧跳过（处理每N帧）
  buffer_size: 30                  # 缓冲区大小
  reconnect_interval: 5            # 重连间隔（秒）
  max_reconnect_attempts: 10       # 最大重连次数
  read_timeout: 10                 # 读取超时（秒）

输出配置

output:
  output_dir: "./output"
  keyframe_dir: "./output/keyframes"
  video_dir: "./output/videos"
  summary_dir: "./output/summaries"
  video_duration_seconds: 10       # 视频时长（秒）
  video_fps: 25                    # 视频FPS

输出说明

系统会为每个检测到的事件生成：

1. 关键帧图片：包含事件标注的图片，保存在 output/keyframes/
2. 视频片段：10秒的事件视频，保存在 output/videos/
3. 摘要JSON：包含事件详细信息的JSON文件，保存在 output/summaries/

摘要JSON格式：

{
  "event_id": "stream_1_construction_2024-01-01T12:00:00",
  "event_type": "construction",
  "stream_name": "stream_1",
  "timestamp": "2024-01-01T12:00:00",
  "frame_number": 12345,
  "confidence": 0.85,
  "description": "Construction detected: 2 vehicles, 3 workers",
  "bbox": [100, 200, 300, 400],
  "metadata": {
    "vehicle_count": 2,
    "worker_count": 3
  },
  "keyframe_path": "./output/keyframes/...",
  "video_path": "./output/videos/..."
}

日志

日志文件保存在 logs/ 目录：

• highway_incident_YYYY-MM-DD.log：所有日志
• errors_YYYY-MM-DD.log：错误日志

日志自动轮转和压缩，便于长期保存和分析。

资源管理与自动保活

系统实现了完善的资源管理和自动保活机制：

• 视频流自动重连：无限重连机制，自动检测连接状态，失败时自动重连
• 心跳检测：定期检查流连接健康状态，无帧超时自动触发重连
• 推理进程自动重启：模型故障时自动重启，确保服务连续性
• 资源监控：实时监控内存、CPU使用情况，自动触发垃圾回收
• 故障恢复：完善的异常处理和资源清理机制

性能优化

• 多路流处理：使用异步处理，支持同时处理多个RTSP流
• 帧跳过：可配置帧跳过，降低计算负载
• 异步摘要生成：摘要生成不阻塞实时推理
• 高效推理：支持GPU加速，批量推理优化
• 资源管理：自动资源清理和内存管理

代码风格

代码遵循Google Python代码风格规范。

许可证

[Apache License 2.0]

贡献

欢迎提交Issue和Pull Request。

联系方式

[xiezl_cjlu@foxmail.com]