当前位置：首页 > news >正文

YOLO+ByteTrack路口违章抓拍实战：多目标稳定追踪与违章判定

news 2026/4/17 23:24:12

一、项目背景与目标

路口违章抓拍是智能交通的核心应用，但传统方案存在两个痛点：一是多目标遮挡时追踪ID频繁切换，导致轨迹断裂；二是违章判定依赖复杂的硬件设备，部署成本高。

本文将用YOLOv11做检测+ByteTrack做追踪，实现一个轻量、高效的路口违章抓拍系统，核心解决：

多目标（车辆/行人/非机动车）稳定追踪，ID切换率<5%
实时判定闯红灯、压实线、逆行3种常见违章
纯软件方案，无需额外硬件，普通GPU即可实时运行

所有代码基于最新开源库，可直接复现，适合作为智能交通项目的基础框架。

二、技术栈选型

选择轻量、高效、易部署的技术组合：

目标检测：YOLOv11n（速度快，精度高，适合实时场景）
多目标追踪：ByteTrack（对低置信度检测框处理优秀，遮挡场景下追踪稳定）
视频处理：OpenCV 4.10（轻量，易集成）
开发框架：PyTorch 2.4 + Ultralytics 8.3

三、系统整体架构

整个系统分为5个核心模块，逻辑清晰，便于扩展：

四、核心模块实现

4.1 环境准备

先安装必要的依赖库：

pipinstallultralytics opencv-python numpy torch torchvision

4.2 YOLOv11目标检测

我们需要检测车辆、行人、非机动车3类目标，直接使用YOLOv11n的COCO预训练模型即可（COCO数据集中包含这些类别）：

importcv2importnumpyasnpfromultralyticsimportYOLOfromcollectionsimportdefaultdict,deque# 加载YOLOv11n模型model=YOLO("yolov11n.pt")# 定义我们关注的类别：0=人, 1=自行车, 2=汽车, 3=摩托车, 5=公交车, 7=卡车TARGET_CLASSES=[0,1,2,3,5,7]CLASS_NAMES={0:"行人",1:"自行车",2:"汽车",3:"摩托车",5:"公交车",7:"卡车"}

4.3 ByteTrack多目标追踪

ByteTrack是目前最稳定的轻量追踪算法之一，核心思想是同时利用高置信度和低置信度的检测框，大幅提升遮挡场景下的追踪稳定性。Ultralytics已经内置了ByteTrack，我们只需要在track()方法中指定即可：

# 初始化轨迹存储：每个ID对应一个轨迹队列，最多保存30帧track_history=defaultdict(lambda:deque(maxlen=30))defprocess_frame(frame):# YOLOv11检测+ByteTrack追踪results=model.track(frame,classes=TARGET_CLASSES,# 只检测目标类别persist=True,# 保持追踪状态tracker="bytetrack.yaml",# 使用ByteTrack追踪器conf=0.3,# 置信度阈值iou=0.5# NMS的IOU阈值)# 提取检测结果ifresults[0].boxes.idisnotNone:boxes=results[0].boxes.xywh.cpu().numpy()# 中心点坐标+宽高track_ids=results[0].boxes.id.int().cpu().numpy()# 追踪IDclasses=results[0].boxes.cls.int().cpu().numpy()# 类别# 绘制检测框和轨迹forbox,track_id,clsinzip(boxes,track_ids,classes):x,y,w,h=box x1,y1=int(x-w/2),int(y-h/2)x2,y2=int(x+w/2),int(y+h/2)# 绘制检测框color=(0,255,0)ifcls==0else(255,0,0)ifclsin[1,3]else(0,0,255)cv2.rectangle(frame,(x1,y1),(x2,y2),color,2)cv2.putText(frame,f"{CLASS_NAMES[cls]}ID:{track_id}",(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,color,2)# 更新轨迹track_history[track_id].append((int(x),int(y)))# 绘制轨迹线iflen(track_history[track_id])>1:points=np.array(track_history[track_id],dtype=np.int32).reshape((-1,1,2))cv2.polylines(frame,[points],False,color,2)returnframe,results

4.4 违章判定：以闯红灯为例

闯红灯是最常见的路口违章，判定逻辑需要结合：

红绿灯状态（需要额外的红绿灯检测，这里简化为手动标注停止线和红绿灯区域）
车辆是否越过停止线
越过停止线时红绿灯是否为红灯

# 预先标注的停止线坐标（实际应用中可通过车道线检测自动获取）STOP_LINE_Y=400# 停止线的Y坐标# 红绿灯区域坐标（实际应用中可通过YOLO检测红绿灯）TRAFFIC_LIGHT_ROI=(50,50,150,150)# (x1, y1, x2, y2)# 存储已判定的违章ID，避免重复记录violation_ids=set()defcheck_red_light_violation(frame,results):# 简化版：假设当前是红灯（实际应用中需检测红绿灯状态）is_red_light=Trueifnotis_red_lightorresults[0].boxes.idisNone:returnframe boxes=results[0].boxes.xywh.cpu().numpy()track_ids=results[0].boxes.id.int().cpu().numpy()classes=results[0].boxes.cls.int().cpu().numpy()forbox,track_id,clsinzip(boxes,track_ids,classes):# 只检测车辆ifclsnotin[2,5,7]:continuex,y,w,h=box# 车辆底部Y坐标vehicle_bottom_y=int(y+h/2)# 判定逻辑：红灯时，车辆底部越过停止线，且未被记录过ifvehicle_bottom_y>STOP_LINE_Yandtrack_idnotinviolation_ids:violation_ids.add(track_id)# 绘制违章标记cv2.putText(frame,"闯红灯违章!",(int(x-w/2),int(y-h/2)-30),cv2.FONT_HERSHEY_SIMPLEX,0.8,(0,0,255),3)# 保存违章截图（实际应用中需保存）cv2.imwrite(f"violation_{track_id}.jpg",frame)print(f"记录违章：车辆ID{track_id}闯红灯")# 绘制停止线cv2.line(frame,(0,STOP_LINE_Y),(frame.shape[1],STOP_LINE_Y),(0,255,255),2)returnframe

五、完整系统运行

将所有模块整合起来，处理视频流：

defmain(video_path):# 打开视频cap=cv2.VideoCapture(video_path)whilecap.isOpened():ret,frame=cap.read()ifnotret:break# 处理帧frame,results=process_frame(frame)# 闯红灯判定frame=check_red_light_violation(frame,results)# 显示结果cv2.imshow("路口违章抓拍系统",frame)# 按q退出ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()if__name__=="__main__":# 替换为你的视频路径main("intersection.mp4")