随着如今科技的不断进步,民众的生活水平也得到了提高,与此同时,潜在的威胁也在慢慢渗透到民众的生活中,许多威胁公共安全的事件屡有发生,这些都会对社会的和谐稳定发展造成影响。因此,民众对于公共安全越来越重视,也亟待寻求一种有效的方式来对公共场景下是否安全进行判断和预警。囿于传统方式的缺点且随着深度学习的快速发展,一种基于深度学习网络的检测模式逐步成为流行趋势。因此,针对以上问题的陈述和剖析,本文开发了基于深度学习方法的公共安全监控系统,通过该系统可以实现对监控区域的目标进行检测并对可能存在潜在威胁的人进行判别和追踪。本文所作的主要工作总结如下:1.深度神经网络模型YOLOv3的搭建与改进。通过从现实世界和电影场景中获取的画面进行数据收集整理并使用Label Img工具进行图像标注自制了数据集。之后基于Pytorch深度学习框架搭建当下较常用的三种典型深度学习的目标检测网络模型Faster R-CNN、SSD及YOLOv3,并对比其在潜在威胁检测数据集的检测效果。通过对比,发现YOLOv3网络在具有相对较高的平均精度的同时也具有较低的误检率,在本文中具有更好的适用性。之后,本文从训练策略,先验框选择和损失函数三个方面对其进行了优化。最终使得改进后的YOLOv3网络的检测精度提升到了71.62%,person类、thugs tools类和knife类的检测精确度都得到了提升。2.潜在威胁的判别算法实现与跟踪算法的改进。为了实现潜在威胁检测的判别,本文基于目标检测的结果,设计并实现了基于检测到的person类和其他武器类thugs tools、knife之间的距离关系和Io U关系进行潜在威胁判别算法,实现了对于潜在威胁的成功检测,并且通过图像预处理输入监测网络再反向映射的方式实现了监控区域的划分。对于目标跟踪任务,本文基于SORT目标跟踪算法并通过引入外观特征相似度优化匈牙利匹配算法的方式实现了目标追踪算法的优化。3.公共安全监控系统的设计与实现。本文对公共安全监控系统所需的功能性和非功能性需求进行分析,并通过总体设计对系统逻辑进行整理,结合Py QT5界面开发库和Open CV图像处理库的实现了公共安全监控系统的软件开发。本文应用动态测试的方式对公共安全监控系统进行了功能性测试并展示了系统操作流程。