# illegal-parking

**Repository Path**: jsicu/illegal-parking

## Basic Information

- **Project Name**: illegal-parking
- **Description**: 违停识别
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-07
- **Last Updated**: 2026-07-29

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

---
title: Illegal Parking And Loitering Detector
emoji: car
colorFrom: red
colorTo: yellow
sdk: docker
pinned: false
---

## GPU / CPU 自动切换

程序创建 YOLO 检测器时会自动检查当前 Python 环境中可用于推理的 CUDA GPU：

- CUDA 可用时，车辆和人员检测自动使用 GPU。
- GPU 模型加载失败，或运行过程中遇到驱动、CUDA、显存异常时，会重新在 CPU 加载模型并重试当前帧。
- GPU 推理保持 FP32，检测阈值和后处理逻辑不变，避免为了提速降低识别精度。
- 没有可用 GPU 时直接使用 CPU，程序可以正常运行。

如果启动日志显示 `the installed PyTorch build is CPU-only`，说明当前环境安装的是 CPU 版
PyTorch。请根据显卡驱动支持的 CUDA 版本，从
[PyTorch 官方安装页](https://pytorch.org/get-started/locally/) 安装 CUDA 版 PyTorch，然后重新启动程序。

启动时终端会显示最终使用的设备和发生 CPU 回退的原因。

# 违停与人员入侵检测 Demo

这是一个基于离线视频的规则检测 Demo，核心链路为 `YOLOv8 + SORT + 区域/警戒线规则`。

当前支持三类能力：

- 车辆违停
- 人员逗留
- 人员入侵

整体处理流程如下：

1. 使用 `yolov8n.pt` 检测画面中的车辆和人员
2. 分别使用独立的 SORT 跟踪器跟踪车辆和人员
3. 按多边形区域和警戒线规则逐帧判定
4. 输出告警结果、裁剪图、JSON 和标注视频

## 当前能力

### 车辆规则

- `vehicle_no_parking_zone` / `no_parking_zone`
  - 车辆进入禁停区域并满足停留阈值后触发
- `footpath`
  - 车辆进入人行道区域并满足停留阈值后触发 `footpath_parking`
- `crossing`
  - 车辆持续遮挡斑马线区域后触发 `blocking_crossing`

### 人员规则

- `person_loitering_zone`
  - 人员在指定区域内停留达到阈值后触发 `person_loitering`
- `person_intrusion_zone`
  - 人员底部中心点进入禁入区域并达到阈值后触发 `person_intrusion`
- `person_intrusion_line`
  - 人员穿越警戒线时触发 `person_line_crossing`
  - 若为单向线且反方向穿越，则触发 `person_reverse_crossing`

## 标注与配置方式

页面中的 Step 2 现支持三种绘制模式：

- `Polygon`
  - 用于车辆违停区域
  - 用于人员逗留区域
  - 用于人员入侵 ROI 区域
- `Line`
  - 用于人员入侵警戒线
- `Transform/Edit`
  - 用于移动、选择、删除已绘制对象

每个对象都可以单独配置：

- 规则类型
- 对象编号 / 显示名称
- 阈值
- 启用时间窗
- 白名单时间窗
- 线类型
- 允许方向

## 人员入侵规则说明

### 1. ROI 入侵

- 判定点使用人员框的底部中心点
- 人员进入禁入区域后开始计时
- 达到阈值后触发 `person_intrusion`
- 默认阈值为 `2 秒`

### 2. 警戒线越线

- 支持 `Bidirectional` 和 `Single direction`
- 默认确认帧数为 `2 帧`
- 方向依赖于画线时的起点和终点顺序
- 单向线逆向穿越时触发 `person_reverse_crossing`

### 3. 时间窗

启用时间窗和白名单时间窗都使用“视频相对秒数区间”表示，例如：

```text
0-60,120-180
```

规则如下：

- 启用时间窗为空：始终启用
- 白名单时间窗为空：不做白名单抑制
- 当前 `timestamp_sec` 不在启用时间窗内：跳过该规则
- 当前 `timestamp_sec` 落在白名单时间窗内：抑制该告警

## 输出结果

运行后会生成：

- `output/violations_raw.json`
- `output/violations.json`
- `output/crops/`
- `output/annotated.mp4`

其中告警 JSON 在原有字段基础上，新增了以下字段（有值时输出）：

- `zone_id`
- `zone_name`
- `rule_label`
- `trigger_point`
- `direction`
- `dwell_sec`
- `threshold_sec`

另外，入侵相关截图文件名中也会带上 `zone_id`。

## 主要文件

- `src/app.py`
  - Streamlit 页面，负责视频上传、绘制、参数配置和结果展示
- `src/pipeline.py`
  - 主处理流程，负责检测、跟踪、规则判定和结果输出
- `src/violations.py`
  - 违停、逗留、ROI 入侵、越线/逆行规则引擎
- `src/zone_checker.py`
  - 多边形区域和警戒线几何判定
- `src/dedup_violations.py`
  - 告警去重逻辑

## 运行方式

三个算法共用 `E:\model\.venv`。在 `E:\model` 下执行：

```powershell
.\setup-env.ps1
.\run.ps1 -Target illegal-park
```

浏览器打开：

```text
http://localhost:8501
```

## 测试命令

在 `E:\model` 下使用共享环境做回归：

```powershell
.\.venv\Scripts\python.exe IllegalParkModel\test_violations.py
.\.venv\Scripts\python.exe IllegalParkModel\test_tracker.py
.\.venv\Scripts\python.exe IllegalParkModel\test_dedup.py
.\.venv\Scripts\python.exe -m py_compile IllegalParkModel\src\zone_checker.py IllegalParkModel\src\violations.py IllegalParkModel\src\pipeline.py IllegalParkModel\src\app.py IllegalParkModel\src\detector.py IllegalParkModel\src\trackers.py IllegalParkModel\src\sort_tracker.py
```

`test_violations.py` 当前覆盖：

- 车辆违停
- 人员逗留
- 人员 ROI 入侵阈值触发
- 离开后再次进入时的计时重置
- 双向警戒线越线
- 单向警戒线逆向穿越
- 启用时间窗抑制
- 白名单时间窗抑制

## 当前边界

- 当前仍是离线视频 Demo，不是 RTSP 实时服务
- 时间窗基于视频相对秒数，不接真实日期/班次
- 人员检测仍然只使用 COCO `person`
- 不包含身份识别、PPE 识别、外部白名单系统集成
- 警戒线方向依赖于 UI 中画线时的起点和终点顺序