feat(panorama_camera): 重构全景摄像头及检测器代码并新增检测图片保存功能

- 重构PanoramaCamera和ObjectDetector类，提升代码结构和可维护性
- 添加基于配置的检测图片保存功能，支持保存检测结果图像以便分析
- 支持模型类型自动识别（YOLO、RKNN、ONNX）并加载对应模型
- 优化视频流处理，RTSP流重连及错误处理更健壮
- 引入 pathlib 管理检测图片保存路径，实现目录自动创建
- 增加检测图片保存次数限制和时间间隔控制，避免频繁保存
- 保留和完善原有SDK及RTSP视频流读取、物体检测和跟踪逻辑

dual_camera_system/config/detection.py

@@ -8,6 +8,10 @@ DETECTION_CONFIG = {
     'confidence_threshold': 0.5,     # 置信度阈值
     'detection_interval': 0.1,       # 检测间隔(秒)
     
+    # 检测图片保存配置
+    'save_detection_image': True,    # 是否保存检测到人的图片
+    'detection_image_dir': '/home/admin/dsh/detection_images',  # 图片保存目录
+    
     # RK3588 平台使用 RKNN 安全检测模型 (包含人体检测)
     # 类别映射: 0=安全帽, 3=人, 4=反光衣
     'model_path': '/home/admin/dsh/testrk3588/yolo11m_safety.rknn',
@@ -50,4 +54,9 @@ SAFETY_DETECTION_CONFIG = {
     # 告警控制
     'alert_cooldown': 3.0,           # 同一目标告警冷却时间(秒)
     'max_alerts_per_minute': 10,     # 每分钟最大告警数
+    
+    # 检测图片保存配置
+    'save_detection_image': True,    # 是否保存检测到人的图片
+    'detection_image_dir': '/home/admin/dsh/detection_images',  # 图片保存目录
+    'detection_image_max_count': 1000,  # 最大保存图片数量，超过后自动清理旧图片
 }

dual_camera_system/panorama_camera.py

@@ -14,8 +14,10 @@ import threading
 import queue
 import time
 import logging
+from datetime import datetime
 from typing import Optional, List, Tuple, Dict, Any
 from dataclasses import dataclass
+from pathlib import Path
 
 from config import PANORAMA_CAMERA, DETECTION_CONFIG
 from dahua_sdk import DahuaSDK, PTZCommand
@@ -420,6 +422,17 @@ class ObjectDetector:
         self.config = DETECTION_CONFIG
         self.device = 'cuda:0' if use_gpu else 'cpu'
         
+        # 检测图片保存配置
+        self._save_image_enabled = self.config.get('save_detection_image', False)
+        self._image_save_dir = Path(self.config.get('detection_image_dir', './detection_images'))
+        self._image_max_count = self.config.get('detection_image_max_count', 1000)
+        self._last_save_time = 0
+        self._save_interval = 1.0  # 最小保存间隔（秒），避免保存过于频繁
+        
+        # 创建保存目录
+        if self._save_image_enabled:
+            self._ensure_save_dir()
+        
         # 根据扩展名自动判断模型类型
         if model_path:
             ext = os.path.splitext(model_path)[1].lower()
@@ -502,6 +515,96 @@ class ObjectDetector:
         """使用OpenCV加载模型"""
         pass
     
+    def _ensure_save_dir(self):
+        """确保保存目录存在"""
+        try:
+            self._image_save_dir.mkdir(parents=True, exist_ok=True)
+            logger.info(f"检测图片保存目录: {self._image_save_dir}")
+        except Exception as e:
+            logger.error(f"创建检测图片目录失败: {e}")
+            self._save_image_enabled = False
+    
+    def _cleanup_old_images(self):
+        """清理旧图片，保持目录下图片数量不超过上限"""
+        try:
+            image_files = list(self._image_save_dir.glob("*.jpg"))
+            if len(image_files) > self._image_max_count:
+                # 按修改时间排序，删除最旧的
+                image_files.sort(key=lambda x: x.stat().st_mtime)
+                to_delete = image_files[:len(image_files) - self._image_max_count]
+                for f in to_delete:
+                    f.unlink()
+                logger.info(f"已清理 {len(to_delete)} 张旧检测图片")
+        except Exception as e:
+            logger.error(f"清理旧图片失败: {e}")
+    
+    def _save_detection_image(self, frame: np.ndarray, detections: List[DetectedObject]):
+        """
+        保存带有检测标记的图片
+        Args:
+            frame: 原始图像
+            detections: 检测结果列表
+        """
+        if not self._save_image_enabled or not detections:
+            return
+        
+        # 检查保存间隔
+        current_time = time.time()
+        if current_time - self._last_save_time < self._save_interval:
+            return
+        
+        try:
+            # 复制图像避免修改原图
+            marked_frame = frame.copy()
+            
+            # 绘制检测结果
+            for det in detections:
+                x, y, w, h = det.bbox
+                # 绘制边界框（绿色）
+                cv2.rectangle(marked_frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
+                
+                # 绘制标签背景
+                label = f"{det.class_name}: {det.confidence:.2f}"
+                (label_w, label_h), baseline = cv2.getTextSize(
+                    label, cv2.FONT_HERSHEY_SIMPLEX, 0.6, 2
+                )
+                cv2.rectangle(
+                    marked_frame, 
+                    (x, y - label_h - 10), 
+                    (x + label_w, y), 
+                    (0, 255, 0), 
+                    -1
+                )
+                
+                # 绘制标签文字（黑色）
+                cv2.putText(
+                    marked_frame, label,
+                    (x, y - 5),
+                    cv2.FONT_HERSHEY_SIMPLEX, 0.6,
+                    (0, 0, 0), 2
+                )
+                
+                # 绘制中心点（红色）
+                cv2.circle(marked_frame, det.center, 5, (0, 0, 255), -1)
+            
+            
+            # 生成文件名（时间戳）
+            timestamp = datetime.now().strftime("%Y%m%d_%H%M%S_%f")
+            filename = f"detection_{timestamp}.jpg"
+            filepath = self._image_save_dir / filename
+            
+            # 保存图片
+            cv2.imwrite(str(filepath), marked_frame, [cv2.IMWRITE_JPEG_QUALITY, 90])
+            self._last_save_time = current_time
+            
+            logger.info(f"已保存检测图片: {filepath}，检测到 {len(detections)} 个目标")
+            
+            # 定期清理旧图片
+            self._cleanup_old_images()
+            
+        except Exception as e:
+            logger.error(f"保存检测图片失败: {e}")
+    
     def _letterbox(self, image, size=(640, 640)):
         """Letterbox 预处理"""
         h0, w0 = image.shape[:2]
@@ -593,21 +696,24 @@ class ObjectDetector:
         """检测物体返回所有类别结果"""
         if frame is None:
             return []
-        
+    
         if hasattr(self, 'rknn') and self.rknn is not None:
             results = self._detect_rknn(frame)
             if results:
                 self._log_detections("RKNN", results, frame)
+                self._save_detection_image(frame, results)
             return results
         elif hasattr(self, 'session') and self.session is not None:
             results = self._detect_rknn(frame)
             if results:
                 self._log_detections("ONNX", results, frame)
+                self._save_detection_image(frame, results)
             return results
         elif self.model is not None:
             results = self._detect_yolo(frame)
             if results:
                 self._log_detections("YOLO", results, frame)
+                self._save_detection_image(frame, results)
             return results
         else:
             logger.error("[YOLO] 没有可用的检测模型")