开源视频行为分析系统 v3 是一个完整的视频智能分析解决方案，集成了视频流处理、AI算法推理、报警管理和流媒体服务等功能。系统采用 C++ 和 Python 混合架构开发，支持多平台部署

Ne0inhk

— 15 min read

视频行为分析系统 v3

作者信息

开源仓库

相关项目

项目简介

视频行为分析系统 v3 是一个完整的视频智能分析解决方案，集成了视频流处理、AI算法推理、报警管理和流媒体服务等功能。系统采用 C++ 和 Python 混合架构开发，支持多平台部署（Windows/Linux），可应用于安防监控、智慧园区、工业安全等场景。

核心特性：

  • ✅ 多种 AI 检测算法（YOLOv8/YOLO11/火焰烟雾/打架/安全帽等）
  • ✅ 多推理引擎支持（OpenVINO/TensorRT/ONNXRuntime）
  • ✅ 跨平台部署（支持 Intel/NVIDIA/AMD/RK3588 等硬件）
  • ✅ 实时视频流分析和转发
  • ✅ 自动报警视频合成
  • ✅ Web 可视化管理界面
  • ✅ 周界入侵区域绘制
  • ✅ 多路并发视频分析

系统架构

┌─────────────────────────────────────────────────────────┐ │ 视频行为分析系统 v3 │ ├─────────────────┬─────────────────┬─────────────────────┤ │ Admin 模块 │ Analyzer 模块 │ MediaServer 模块 │ │ (后台管理) │ (视频分析器) │ (流媒体服务) │ │ │ │ │ │ - Django Web │ - 视频拉流 │ - RTSP/RTMP │ │ - 算法配置 │ - AI 推理 │ - HTTP-FLV │ │ - 布控管理 │ - 报警生成 │ - HLS/WebRTC │ │ - 报警查询 │ - 视频推流 │ - 流媒体转发 │ └─────────────────┴─────────────────┴─────────────────────┘

模块说明

Admin - 后台管理模块

基于 Django 开发的 Web 管理系统，提供可视化配置界面。

  • 技术栈：Python 3.8+ / Django 3.2+ / SQLite3
  • 主要功能：
    • 视频流管理（添加、删除、监控）
    • 算法配置（YOLO模型、检测类别、阈值设置）
    • 布控管理（绑定视频流、绘制检测区域）
    • 报警管理（查看报警视频、导出记录）
  • 访问地址：http://127.0.0.1:9991
  • 默认账号：admin / admin888

Analyzer - 视频分析器模块

基于 C++ 开发的高性能视频分析引擎，负责核心算法推理。

  • 技术栈：C++ / FFmpeg / OpenCV / 多推理引擎
  • 主要功能：
    • 多协议视频流拉取（RTSP/RTMP/HTTP）
    • AI 算法实时推理（目标检测、行为识别）
    • 周界入侵判断
    • 报警视频自动合成
    • 实时推流到流媒体服务器
  • 支持的推理引擎：
    • OpenVINO（Intel CPU/GPU）
    • TensorRT（NVIDIA GPU）
    • ONNXRuntime（通用，支持多平台）

MediaServer - 流媒体服务模块

基于 ZLMediaKit 的流媒体服务器，提供视频流分发能力。

  • 技术栈：C++ / ZLMediaKit
  • 主要功能：
    • 多协议视频流接入
    • 视频流格式转换
    • 低延迟流媒体分发
    • RESTful API 管理接口
  • 支持协议：RTSP、RTMP、HTTP-FLV、HLS、WebRTC
  • 服务端口：HTTP-9992、RTSP-9994

快速开始

Windows 平台（一键启动）

  1. 访问系统

停止系统

# 关闭窗口即可

启动系统

# 双击 VideoAnalyzer.exe 启动程序 # 观察窗口提示，无报错则启动成功

下载项目

# 下载 ZIP 包并解压到任意目录

Linux 平台（需要编译）

# 1. 编译 Analyzer 模块 cd Analyzer mkdir build && cd build cmake .. make -j4 # 2. 编译 MediaServer 模块 cd ../../MediaServer/source mkdir build && cd build cmake .. make -j4 # 3. 安装 Admin 模块依赖 cd ../../Admin python3 -m venv venv source venv/bin/activate pip install -r requirements-linux.txt # 4. 启动系统（请参考官方文档）

详细编译教程请参考官方文档：

配置文件说明

系统使用根目录的 config.json 作为主配置文件：

{ "code": "v352", // 节点编号（集群模式使用） "name": "name", // 节点名称 "describe": "describe", // 节点描述 "host": "127.0.0.1", // 服务器地址（外网访问需改为局域网IP） "adminPort": 9991, // 后台管理端口 "mediaHttpPort": 9992, // 流媒体 HTTP 端口 "analyzerPort": 9993, // 分析器端口 "mediaRtspPort": 9994, // 流媒体 RTSP 端口 "mediaSecret": "V3522025...", // API 访问密钥 "uploadDir": "Admin\\static\\upload", // 上传文件目录 "modelDir": "Analyzer\\models", // 算法模型目录 "saveAlarmType": 1, // 报警保存方式 (1:本地 2:上传 3:本地+上传) "saveAlarmUrl": "http://..." // 报警上传地址 }

重要提示：

  • Windows 路径使用双反斜杠 \\
  • Linux 路径使用正斜杠 /
  • 必须确保 uploadDir 和 modelDir 路径正确

端口说明

系统默认使用以下端口，启动前请确保端口未被占用：

端口服务说明
9991Admin后台管理 Web 服务
9992MediaServer流媒体 HTTP API
9993Analyzer视频分析器 HTTP API
9994MediaServerRTSP 流媒体服务
9995保留系统预留端口

支持的算法模型

算法类型说明应用场景
YOLOv8通用目标检测80种常见目标检测
YOLO11安全帽检测工地安全监控
火焰烟雾检测火灾早期预警消防安全监控
抽烟检测吸烟行为识别禁烟区域监控
打架检测暴力行为识别公共安全监控
周界入侵区域入侵检测周界安防监控

版本历史

v3.52（当前版本 - 2025/09/25）

  • ✨ 新增支持接入开源集群管理平台2.0
  • ✨ 新增支持视频文搜功能
  • 🔧 优化后台管理框架和数据库表结构
  • 🔧 优化算法增删改查配置

v3.51（2025/07/01）

  • ✨ 新增打架检测算法
  • ✨ 新增火焰烟雾检测算法
  • ✨ 新增抽烟检测算法
  • ✨ 新增安全帽检测算法

v3.48（2025/03/26）

  • ✨ 支持接入 Qwen2.5 VL 多模态大模型
  • ✨ 支持接入 MiniCPM-o 2.6 多模态大模型

v3.43（2024/10/02）

  • ✨ 新增人员管理模块
  • ✨ 新增人脸检测和识别功能
  • ✨ 新增无感考勤功能

v3.41（2024/05/20）

  • ✨ 新增 ONNXRuntime 推理引擎支持
  • ✨ 支持 AMD、RK3588 等硬件平台

更多版本历史请查看 v1,v2,v3 版本对比 章节。

应用场景

  • 🏢 智慧园区：周界入侵、人脸识别、车辆检测
  • 🏭 工业安全：安全帽检测、禁烟区监控、防护装备检测
  • 🔥 消防安全：火焰烟雾检测、逃生通道监控
  • 🏠 公共安全：打架检测、人群聚集检测、异常行为识别
  • 🛣 交通监控：车辆检测、违章停车、人车分离

技术特点

高性能

  • C++ 核心引擎，单路视频 CPU 占用 < 10%
  • 支持 GPU 加速，推理速度提升 5-10 倍
  • 多线程并发处理，支持 10+ 路视频同时分析

低延迟

  • 视频流拉取延迟 < 500ms
  • 算法推理延迟 < 100ms
  • 报警响应时间 < 2s

高可用

  • 支持视频流断线自动重连
  • 算法推理异常自动恢复
  • 7x24 小时稳定运行

注意事项

  1. 系统要求
    • Windows 10/11 或 Linux (Ubuntu 18.04+)
    • 内存：至少 4GB，推荐 8GB+
    • 硬盘：至少 10GB 可用空间
  2. 端口检查
    • 确保 9991-9995 端口未被占用
    • Windows 防火墙需要放行相应端口
  3. 配置文件
    • 首次运行必须修改 config.json 中的路径
    • 外网访问需将 host 改为局域网 IP
  4. 算法模型
    • 模型文件必须放置在 Analyzer/models/ 目录
    • 不同推理引擎需要不同格式的模型
  5. 性能优化
    • Intel 平台优先使用 OpenVINO
    • NVIDIA 平台优先使用 TensorRT
    • 其他平台使用 ONNXRuntime

资源链接

历史版本介绍

版本号介绍
v3.0查看v3.0介绍视频
主要新增支持C++版openvino算法推理功能/后台管理全面升级
v3.1查看v3.1介绍视频
主要新增支持C++版nvidia/tensorrt算法推理功能
v3.2查看v3.2介绍视频
主要新增兼容Linux/intel/openvino
v3.2【完整安装包下载链接】：https://pan.quark.cn/s/b8989d2cc312
v3.3查看v3.3介绍视频
支持Windows/Linux + intel + openvino
主要新增支持摄像头管理模块，升级播放器插件模块
v3.3【完整安装包下载链接】：https://pan.quark.cn/s/b8989d2cc312
v3.40查看v3.40介绍视频
支持Windows/Linux + 不限 + api
主要新增支持API类型的算法调用模块，新增支持C++版dlib库
v3.41查看v3.41介绍视频
支持Windows/Linux + intel,amd,rk3588等 + onnxruntime
主要新增支持onnxruntime推理引擎，优化性能，onnxruntime可以支持AMD，RK3588等硬件
v3.41【完整安装包下载链接】：https://pan.quark.cn/s/b8989d2cc312
v3.42查看v3.42介绍视频
支持Windows/Linux + intel,amd,rk3588等 + onnxruntime
主要新增支持基于cnnlstm视频分类网络的算法模型
v3.43查看v3.43介绍视频
支持Windows/Linux + intel,amd + openvino,onnxruntime
主要新增人员管理，人脸检测，人脸特征提取，人脸识别，无感考勤等功能
v3.43【完整安装包下载链接】：https://pan.quark.cn/s/b8989d2cc312
v3.44查看v3.44介绍视频
新增支持rk3588/rk3576/rknpu推理加速/rga加速，详细介绍编译和部署全过程
v3.45查看v3.45介绍视频
主要支持openvino/tensorrt/onnxruntime推理yolo，部署要求：设备必须包含支持CUDA12.0的英伟达显卡
v3.46发布于2025/02/05 查看v3.46介绍视频
最大的特点是引入了MiniCPM-o 2.6多模态视觉大模型，基于lamma.cpp直接推理
v3.47发布于2025/03/04 查看v3.47介绍视频
支持arm/x86-Linux/Windows编译，支持rk3588/昇腾/算能/树莓派/英特尔/AMD/海光，支持yolo8/yolo11/yolo12/openvino/onnxruntime
v3.48发布于2025/03/26 查看v3.48介绍视频
支持接入Qwen2.5 VL，Qwen2.0 VL，MiniCPM-o 2.6等多模态大模型
v3.48【完整安装包下载链接】：https://pan.quark.cn/s/b8989d2cc312
v3.51发布于2025/07/01
新增支持打架检测，火焰烟火检测，抽烟检测，安全帽检测等算法
v3.51【完整安装包下载链接】：https://pan.quark.cn/s/b8989d2cc312
v3.52发布于2025/09/25 查看v3.52介绍视频
v3.52新增支持接入开源集群管理平台2.0，新增支持通过开源集群管理平台2.0实现视频文搜功能，优化一系列系统设置
v3.52【完整安装包下载链接】：https://pan.quark.cn/s/b8989d2cc312

历史版本介绍完整源码下载地址

//视频行为分析系统 3.0/3.1/3.2,/3.3/3.40/3.41/3.42/3.43/3.44/3.45/3.46/3.47/3.48源码下载地址 【夸克】https://pan.quark.cn/s/18251f724618 提取码：Xw7c

相关视频

v1,v2,v3 主要区别

对比项v1/v2v3
推理引擎Python 版 OpenVINOC++ 版 OpenVINO/TensorRT/ONNXRuntime
检测算法YOLOv5/SSDYOLOv8/YOLO11 等
报警机制检测到目标即报警支持周界入侵区域检测
架构设计分析器和算法模块分离（C++/Python）分析器和算法模块合并（全 C++）
报警管理无后台管理功能完整的 Web 管理后台
区域绘制不支持支持可视化区域绘制
性能较低明显提升，支持 GPU 加速

软件截图

wensou

 

1

 

2

 

3

 

4

 

5

 

6

 

7

 

8

开源协议

本项目自有代码使用宽松的MIT协议，在保留版权信息的情况下可以自由应用于各自商用、非商业的项目。 但是本项目也零碎的使用了一些其他的开源代码，在商用的情况下请自行替代或剔除； 由于使用本项目而产生的商业纠纷或侵权行为一概与本项目及开发者无关，请自行承担法律风险。 在使用本项目代码时，也应该在授权协议中同时表明本项目依赖的第三方库的协议。

感谢使用视频行为分析系统 v3 ❤️

如果这个项目对您有帮助，欢迎 Star ⭐ 支持！

Read more

CustomTkinter终极指南：5分钟创建现代化Python桌面应用

CustomTkinter终极指南：5分钟创建现代化Python桌面应用 【免费下载链接】CustomTkinterA modern and customizable python UI-library based on Tkinter 项目地址: https://gitcode.com/gh_mirrors/cu/CustomTkinter CustomTkinter是一个基于Python Tkinter的现代化UI库，为传统Tkinter注入了全新的生命力。它提供了一系列美观、现代化且完全可定制的组件，支持自动适配系统外观模式和高DPI缩放，让Python桌面应用开发变得简单而优雅。 为什么选择CustomTkinter？🚀 在Python GUI开发领域，传统Tkinter界面陈旧，而PyQt等库学习曲线陡峭。CustomTkinter完美解决了这一痛点——它保留了Tkinter的简单语法，同时提供了媲美现代桌面应用的视觉效果。 深色主题的复杂应用界面，包含侧边栏、选项卡、文本框、滑块、按钮等多种组件 浅色主题的复杂应用界面，展示了CustomTkinter在ma

By Ne0inhk
Python快速落地的临床知识问答与检索项目(2025年9月教学配置部分)

Python快速落地的临床知识问答与检索项目(2025年9月教学配置部分)

项目概述与技术选型 本项目定位为临床辅助决策支持工具，而非替代临床诊断的独立系统，旨在解决医疗行业两大核心痛点：一是医学知识更新速率加快，2025 年临床指南年均更新量较 2020 年增长 47%，传统知识管理方式难以同步；二是科室规范呈现碎片化分布，不同院区、亚专科的诊疗流程存在差异，导致知识检索效率低下。技术路线采用 RAG 知识库 + ChatFlow 多轮对话 + 工具节点对接 的三层架构，通过整合指南文献、临床路径和院内 SOP 文档，满足门诊快速问诊、病房随访问答及科室知识库精准检索需求，最终实现医疗信息可及性提升 30%、基层医生决策效率提高 25% 的核心价值目标[1]。 技术栈选型分析 1. 大语言模型：领域专精与多模态融合 临床知识问答核心模型需兼顾专业性与部署灵活性。2025 年主流选型包括： * Chimed - GPT：基于 Ziya - V2 架构，通过预训练、

By Ne0inhk
Python中一切皆对象：深入理解Python的对象模型

Python中一切皆对象：深入理解Python的对象模型

Python中一切皆对象：深入理解Python的对象模型 * 什么是"一切皆对象"？ * Python对象的类型层次 * 1. 内置类型对象 * 2. 函数对象 * 3. 类对象和实例对象 * 4. 模块对象 * 对象行为的统一性 * 特殊方法：对象行为的背后 * 对象模型的实际应用 * 性能考虑 * 总结 Python以其"一切皆对象"的设计哲学而闻名，这种设计为语言带来了极大的灵活性和一致性。本文将深入探讨Python的对象模型，解释为什么说"Python中一切皆对象"，并通过实例展示这一特性如何影响我们的编程方式。 什么是"一切皆对象"？ 在Python中，从简单的数字、字符串到复杂的函数、类甚至模块，所有这些都是对象。这意味着它们都有： 1. 身份(identity)：对象在内存中的唯一地址，可通过id()函数获取 2.

By Ne0inhk
Python 识别携程中文验证码（95%正确率）并自动登陆携程+图灵图像验证码识别平台

Python 识别携程中文验证码（95%正确率）并自动登陆携程+图灵图像验证码识别平台

这两天有一个业务需求，需要登陆不同的携程账号获取订单信息，但是由于携程有验证码检测机制，而且是个中文验证码比较难识别，试了几家人工打码平台，要么贵，要么延时高，要么没办法24小时运行。最后总算让我找到一个可以通过机器识别出来的API接口，准确率超级高而且延迟只有0.03s左右。（不算上传图片的时间） 首先看一下携程验证码长啥样。。。 携程验证码分为小图和大图部分，小图部分如下：      大图部分的样子如下：   原理是要先识别小图的文字，然后点击到大图对应文字的正确位置。 这里借助了图灵验证码识别平台，不是人工打码的，所以识别很快，准确率也挺高： 在线图片验证码识别平台-图像验证码识别打码平台-图片验证码打码平台-图灵 官网网址：http://fdyscloud.com.cn 进入图灵验证码识别平台，点击中文类型：   可以看到图灵识别平台提供的几个中文识别模型。我们这里需要用到的就是 中文通用类型 和 图片识别类型9。分别点进去，会告诉你对应的模型ID和接口的调用方式。  我们也可以直接在网站上先上传图片测试一下该模型的识别效果，如下图：  可以看到效果是

By Ne0inhk