abbosaliboev/worker-abnormal-behavior-detection

# 工人异常行为检测 一个基于规则的实时系统，利用姿态估计和目标跟踪来检测工人的异常行为。无需训练模型 —— 将纯粹的生物力学规则应用于 YOLO11n-pose 关键点。 **[한국어](README_KO.md) | [O'zbek](README_UZ.md)** ## 检测行为 | 行为 | 描述 | 准确率 | |---|---|---| | **跌倒检测** | 检测工人何时突然跌倒 | 92.4% | | **不安全奔跑** | 检测在受限/危险区域内的奔跑行为 | 91.0% | | **长时间静止** | 检测保持静止超过 5 分钟的工人 | 95.8% | ## 项目结构 ``` worker-abnormal-behavior-detection/ │ ├── fall_detection/ # Fall Detection module │ ├── detector.py # Detection logic (rules) │ └── evaluate.py # Evaluation script │ ├── running_detection/ # Unsafe Running module │ ├── detector.py # Detection logic (rules) │ └── evaluate.py # Evaluation script │ ├── inactivity_detection/ # Long-time Inactivity module │ ├── detector.py # Detection logic (rules) │ └── evaluate.py # Evaluation script │ ├── src/ # Shared core modules │ ├── config.py # All thresholds and settings │ ├── pose_extractor.py # YOLO11n-pose + ByteTracker │ ├── feature_extractor.py # Biomechanical feature computation │ └── behavior_monitor.py # Orchestrates all three detectors │ ├── datasets/ # Dataset utilities │ ├── npy_loader.py # Load pre-extracted keypoints (X.npy) │ └── download_running.py # Download KTH Action dataset │ ├── evaluation/ │ └── feature_utils.py # Shared feature extraction helper │ ├── main.py # Real-time demo entry point ├── requirements.txt ├── REPORT.md # Detailed technical report └── README.md / README_UZ.md / README_KO.md ``` ## 工作原理 ``` CCTV / Camera ↓ YOLO11n-pose → 17 body keypoints per person ↓ ByteTracker → Unique ID assigned to each worker ↓ ┌──────────────────┬──────────────────┬──────────────────┐ │ fall_detection/ │running_detection/│inactivity_ │ │ detector.py │ detector.py │detection/ │ │ │ │ detector.py │ └──────────────────┴──────────────────┴──────────────────┘ ↓ Alert (FALL | RUNNING | INACTIVITY) ``` ### 跌倒检测逻辑 - 计算 **身体倾斜角度** 和 **角度变化率** (°/sec) - 规则：`body_angle > 70° AND angle_rate > 65°/sec` - 核心见解：跌倒发生得非常快 (74–140°/sec)，而故意的躺下动作很慢 (2–5°/sec) ### 不安全奔跑逻辑 - 逐帧跟踪 **水平质心速度** - 规则：`horizontal_speed > calibrated_threshold` - 在侧向摄像机设置中，奔跑速度大约是步行的 2 倍 ### 静止逻辑 - 测量 **静止帧占比** 和 **姿态稳定性** - 规则：`still_fraction > 0.70 AND body_angle_std < 3.5°` - 计时器：在持续静止 5 分钟后触发警报 ## 结果 | 检测器 | 准确率 | 数据集 | 协议 | |---|---|---|---| | 跌倒 | **92.40%** ± 3.4% | UP-Fall (4 名受试者) | LOOCV | | 奔跑 | **90.99%** ± 0.4% | KTH Action (25 名受试者) | LOOCV | | 静止 | **95.83%** ± 4.2% | UP-Fall (4 名受试者) | LOOCV | | **平均值** | **93.07%** | | | ## 数据集 ### UP-Fall Detection 数据集 - Martinez-Velasco 等人，*Data* 2019 - 活动：跌倒（5 种类型）、行走、站立、坐下、捡起物品 - 用于：跌倒和静止评估 ### KTH Action 数据集 - Schuldt 等人，*ICPR* 2004 - 25 名受试者，200 个片段（100 个奔跑 + 100 个行走） - 用于：奔跑检测评估 ## 安装 ``` pip install -r requirements.txt ``` **环境要求：** Python 3.10+、PyTorch、Ultralytics YOLO、OpenCV、SciPy ## 评估 分别运行每个检测器的评估： ``` # 跌倒检测 → 92.4% python -m fall_detection.evaluate # 不安全奔跑 → 91.0% python -m running_detection.evaluate # 长时间不活动 → 95.8% python -m inactivity_detection.evaluate ``` 在运行检测评估之前下载 KTH 数据集： ``` python -m datasets.download_running ``` ## 实时演示 ``` # Webcam python main.py # 视频文件 python main.py --source path/to/video.mp4 # RTSP 流 python main.py --source rtsp://192.168.1.10/stream ``` ## 核心技术 - **YOLO11n-pose** — 实时 17 关键点姿态估计 - **ByteTracker** — 多人持久 ID 跟踪 - **Butterworth Filter** — 用于跌倒运动学的信号平滑 - **基于规则的逻辑** — 无需模型训练，完全可解释

标签：YOLO, 凭据扫描, 姿态估计, 目标跟踪, 行为识别, 计算机视觉, 逆向工具