遠(yuǎn)程監(jiān)護(hù)場(chǎng)景下臥床病人異常姿態(tài)檢測(cè)

王巧真，李新福，田學(xué)東

(河北大學(xué) 網(wǎng)絡(luò)空間安全與計(jì)算機(jī)學(xué)院，河北 保定 071002)

0 引 言

隨著智能護(hù)理床市場(chǎng)化，臥床病人姿態(tài)異常情況下進(jìn)行遠(yuǎn)程操作的安全問(wèn)題變的尤為重要。目前對(duì)智能護(hù)理床安全方面的研究主要集中于精密儀器檢測(cè)研究，如可穿戴設(shè)備跌倒檢測(cè)[1]、人臉檢測(cè)技術(shù)檢測(cè)人員是否在床[2]、智能服裝安全防護(hù)[3]。由于穿戴設(shè)備使用不便，還會(huì)影響病人身體恢復(fù)，而不需要身體接觸的檢測(cè)儀器則對(duì)安全問(wèn)題檢測(cè)單一，對(duì)于隱患的預(yù)防效果欠佳。除上述異常檢測(cè)方式外，視頻監(jiān)控也是一種重要的檢測(cè)手段，但傳統(tǒng)的視頻監(jiān)控需人工監(jiān)督，耗時(shí)耗力且效率低。若將場(chǎng)景安全檢測(cè)領(lǐng)域中的視頻監(jiān)控異常分析技術(shù)引入遠(yuǎn)程監(jiān)護(hù)異常檢測(cè)中，將大大降低意外發(fā)生的概率。

目前監(jiān)控視頻目標(biāo)異常檢測(cè)方式主要包括基于特征分類、軌跡跟蹤以及深度學(xué)習(xí)的方法?；谔卣鞣诸惙椒╗4-6]工作量相對(duì)較少，這種方法依賴于特征提取，且易受外界因素影響；基于軌跡跟蹤方法[7-9]一般用于運(yùn)動(dòng)目標(biāo)異常檢測(cè)，對(duì)相對(duì)靜止、運(yùn)動(dòng)幅度較小的目標(biāo)檢測(cè)效果不佳；相較于傳統(tǒng)的異常檢測(cè)方法，深度學(xué)習(xí)方法[10,11]在特征提取環(huán)節(jié)不需要預(yù)先選定特征，而是通過(guò)學(xué)習(xí)獲取目標(biāo)特征，不易受外界因素干擾，但對(duì)于不同場(chǎng)景目標(biāo)的檢測(cè)效果大不相同。

以上方法僅適用于特定場(chǎng)景，因此需要具體場(chǎng)景具體分析。通過(guò)分析臥床病人與智能護(hù)理床的位置關(guān)系，以Mask RCNN(region-based convolutional neural network)+MROI Align(mix region of interest align)算法所提取的輪廓特征為基礎(chǔ)，采用特征相關(guān)算法進(jìn)行人員區(qū)分以及異常姿態(tài)檢測(cè)。

1 整體架構(gòu)

視頻和圖像的區(qū)別在于圖像是靜態(tài)的，視頻是動(dòng)態(tài)的，一般情況下對(duì)視頻進(jìn)行異常分析，需要考慮多幀之間的關(guān)聯(lián)關(guān)系[12]，但在對(duì)智能護(hù)理床監(jiān)控視頻進(jìn)行異常檢測(cè)過(guò)程中，智能護(hù)理床與臥床病人之間的位置關(guān)系不管是在圖像還是視頻中都處于相對(duì)靜止?fàn)顟B(tài)，無(wú)需考慮多幀之間的關(guān)聯(lián)關(guān)系，因此，可將處理對(duì)象轉(zhuǎn)換為幀圖像。為了提升監(jiān)控視頻處理速度，在對(duì)象轉(zhuǎn)化過(guò)程中，采用等時(shí)間間隔提取視頻幀的方式對(duì)視頻進(jìn)行處理分析[13]。

一般情況下對(duì)監(jiān)控視頻進(jìn)行異常處理的過(guò)程可分為3步：①目標(biāo)檢測(cè)；②特征提?。虎郛惓７治?。但是針對(duì)實(shí)際問(wèn)題，處理過(guò)程會(huì)發(fā)生細(xì)微的變化，針對(duì)遠(yuǎn)程監(jiān)護(hù)場(chǎng)景下臥床病人異常姿態(tài)檢測(cè)這一實(shí)際問(wèn)題，處理過(guò)程同樣可分為3步：①利用Mask RCNN+MROI Align算法進(jìn)行輪廓提取；②利用特征加權(quán)差值判別法進(jìn)行人員區(qū)分；③根據(jù)場(chǎng)景信息定義異常情況，利用基于對(duì)應(yīng)點(diǎn)的輪廓比較算法進(jìn)行異常姿態(tài)檢測(cè)。遠(yuǎn)程監(jiān)護(hù)場(chǎng)景下臥床病人異常姿態(tài)檢測(cè)流程如圖1所示。其中A為場(chǎng)景中人員，B為智能護(hù)理床，A1、A2為場(chǎng)景中的不同人員，Z1、Z2分別為A1、A2與智能護(hù)理床的特征加權(quán)差值，W為智能護(hù)理床的寬度，N為智能護(hù)理床與臥床病人輪廓坐標(biāo)點(diǎn)相同時(shí)對(duì)應(yīng)點(diǎn)的總數(shù)量，N1為對(duì)應(yīng)點(diǎn)橫坐標(biāo)差值中負(fù)值數(shù)量。

圖1 遠(yuǎn)程監(jiān)護(hù)場(chǎng)景下臥床病人異常姿態(tài)檢測(cè)流程

2 算法實(shí)現(xiàn)

2.1 基于改進(jìn)Mask RCNN的目標(biāo)輪廓提取

Mask RCNN算法[14]不僅能夠進(jìn)行目標(biāo)檢測(cè)、分類，還能夠進(jìn)行個(gè)體區(qū)分、獲取目標(biāo)掩膜，可應(yīng)用于多個(gè)方面，如進(jìn)行目標(biāo)分割、目標(biāo)定位、關(guān)鍵點(diǎn)檢測(cè)、輪廓提取。Mask RCNN網(wǎng)絡(luò)架構(gòu)包括骨干網(wǎng)絡(luò)(backbone)和網(wǎng)絡(luò)頭(head)，backbone采用具有一定深度的殘差網(wǎng)絡(luò)(residual network，ResNet)和特征金字塔網(wǎng)絡(luò)(feature pyramid network，F(xiàn)PN)進(jìn)行特征圖(feature map)提取，通常情況下ResNet的網(wǎng)絡(luò)層次越多特征提取效果越好，但是層數(shù)過(guò)多會(huì)降低網(wǎng)絡(luò)結(jié)構(gòu)的速率，由于所訓(xùn)練的智能護(hù)理床以及人體類別較簡(jiǎn)單，對(duì)網(wǎng)絡(luò)層數(shù)要求不高，為了保證算法的實(shí)時(shí)性，殘差網(wǎng)絡(luò)采用ResNet-50。head為目標(biāo)分類和目標(biāo)檢測(cè)框回歸預(yù)測(cè)頭以及掩膜(mask)預(yù)測(cè)頭，將feature map傳入?yún)^(qū)域推薦網(wǎng)絡(luò)(region proposal network，RPN)，利用anchors機(jī)制生成興趣區(qū)域(ROI)，對(duì)每一個(gè)ROI使用ROI Align進(jìn)行像素校正，其結(jié)果作為全連接層的輸入，對(duì)目標(biāo)進(jìn)行分類和框回歸，同時(shí)利用全卷積網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN)完成目標(biāo)物體像素級(jí)分割，預(yù)測(cè)mask，根據(jù)掩膜信息提取目標(biāo)輪廓。Mask RCNN實(shí)例分割算法的整體網(wǎng)絡(luò)架構(gòu)如圖2所示。

圖2 Mask RCNN網(wǎng)絡(luò)架構(gòu)

結(jié)合遠(yuǎn)程監(jiān)護(hù)場(chǎng)景信息，針對(duì)數(shù)據(jù)不足問(wèn)題，采用遷移學(xué)習(xí)的方式進(jìn)行預(yù)訓(xùn)練獲得訓(xùn)練權(quán)重，進(jìn)而對(duì)遠(yuǎn)程監(jiān)護(hù)場(chǎng)景數(shù)據(jù)集進(jìn)行訓(xùn)練檢測(cè)；通過(guò)分析輪廓提取的效果，結(jié)合場(chǎng)景信息以及目標(biāo)特征對(duì)RPN中的錨框選取參數(shù)進(jìn)行改進(jìn)，RPN中錨框(anchor)尺度、比例直接影響到最終目標(biāo)掩膜mask提取的效果；為進(jìn)一步提高目標(biāo)掩膜mask提取效果，應(yīng)用改進(jìn)的MROI Align代替原來(lái)的ROI Align。

2.1.1 RPN參數(shù)改進(jìn)

RPN將FPN獲得的不同層的特征圖作為輸入，采用固定滑動(dòng)窗口的方式在每張?zhí)卣鲌D上進(jìn)行滑動(dòng)，窗口滑動(dòng)默認(rèn)生成尺度為(64×64,128×128,256×256)和比例為(1∶1,1∶2,2∶1)的9個(gè)候選區(qū)域，然后采用非極大值抑制的方式對(duì)候選區(qū)域進(jìn)行篩選，進(jìn)而輸入到ROI Align中進(jìn)行后續(xù)操作。默認(rèn)參數(shù)中，最小尺度是64×64，比例中包含1∶1，而在遠(yuǎn)程監(jiān)護(hù)場(chǎng)景數(shù)據(jù)中，一部分圖片中的檢測(cè)目標(biāo)小于該尺度(如，兒童、殘疾人士)，并且場(chǎng)景中的目標(biāo)檢測(cè)框多數(shù)情況下為長(zhǎng)方形。因此，根據(jù)遠(yuǎn)程監(jiān)護(hù)場(chǎng)景下智能護(hù)理床與臥床病人特征對(duì)anchor尺度、比例進(jìn)行修改，尺度改為(32×32，64×64，128×128，256×256)，比例改為(1∶2，1∶2.5，2∶1，2.5∶1)，采用修改后的尺度和比例生成的候選區(qū)域更加貼近智能護(hù)理床與臥床病人的真實(shí)邊框。

2.1.2 改進(jìn)的ROI Align

ROI Align將RPN獲得的ROIS作為輸入，并導(dǎo)入feature map，將區(qū)域建議框映射到feature map上，通過(guò)雙線性插值以及max pooling操作得到固定尺寸的特征圖，進(jìn)而輸入到全連接網(wǎng)絡(luò)以及FCN網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行分類、框回歸以及mask提取。在原ROI Align操作過(guò)程中導(dǎo)入feature map后選用其中某一層feature map進(jìn)行映射操作，選取其中某一層feature map會(huì)導(dǎo)致后續(xù)操作因特征不足而降低檢測(cè)率以及mask提取精度，針對(duì)這一問(wèn)題，提出了MROI Align，將ROI Align中特征層選擇模塊轉(zhuǎn)換為特征融合模塊。對(duì)feature map進(jìn)行預(yù)處理(調(diào)整為相同尺寸)，將調(diào)整后的特征圖輸入到融合模塊進(jìn)行特征融合，通過(guò)采樣、降維以及特征融合操作得到融合后的特征圖。MROI Align框架結(jié)構(gòu)如圖3所示。

圖3 MROI Align框架結(jié)構(gòu)

2.2 特征加權(quán)差值判別法進(jìn)行人員區(qū)分

在對(duì)遠(yuǎn)程監(jiān)護(hù)場(chǎng)景下臥床病人異常姿態(tài)進(jìn)行研究的過(guò)程中，場(chǎng)景中會(huì)出現(xiàn)除臥床病人以外的其他人員，如：護(hù)理人員、醫(yī)生、臥床病人家屬。如果不對(duì)人員進(jìn)行區(qū)分，將會(huì)出現(xiàn)大量異常誤判，嚴(yán)重影響異常姿態(tài)檢測(cè)的準(zhǔn)確率。由于場(chǎng)景中臥床病人、其他人員與智能護(hù)理床之間的位置關(guān)系大不相同，因此根據(jù)人員與智能護(hù)理床之間的位置關(guān)系，以質(zhì)心距離與區(qū)域重疊率為指標(biāo)構(gòu)建一種特征加權(quán)差值判別法進(jìn)行人員區(qū)分。

2.2.1 質(zhì)心距離與區(qū)域重疊率

定義1 質(zhì)心是指目標(biāo)所在區(qū)域中心位置，可通過(guò)圖像矩計(jì)算[15]，計(jì)算方式如式(4)所示

(1)

(2)

(3)

(4)

其中，i，j分別為每個(gè)像素的x，y坐標(biāo)，V(i,j)是(i,j)點(diǎn)的灰度值，M00表示所有目標(biāo)區(qū)域的像素值的和，即目標(biāo)區(qū)域面積——零階矩；M10表示所有目標(biāo)區(qū)域像素的x坐標(biāo)的和，即一階矩；M01表示所有目標(biāo)區(qū)域y坐標(biāo)的和，即一階矩；(xc,yc)為質(zhì)心坐標(biāo)。

定義2 質(zhì)心距離是指智能護(hù)理床與場(chǎng)景中人員質(zhì)心坐標(biāo)間的距離，即兩坐標(biāo)點(diǎn)的歐氏距離，計(jì)算方式如下

(5)

其中，d為質(zhì)心距離，(xc,yc)為智能護(hù)理床的質(zhì)心坐標(biāo)，(xc1,yc1)為場(chǎng)景中人員的質(zhì)心坐標(biāo)。

定義3 區(qū)域重疊率[16]是指目標(biāo)所占面積比值，即場(chǎng)景中人員輪廓區(qū)域面積與智能護(hù)理床輪廓區(qū)域面積比值，計(jì)算方式如下

k=M001/M00

(6)

其中，k為區(qū)域重疊率，M001為場(chǎng)景中人員零階矩，M00為智能護(hù)理床零階矩。

2.2.2 特征加權(quán)差值判別法進(jìn)行人員區(qū)分

由于質(zhì)心距離與區(qū)域重疊率單獨(dú)使用情況下均存在誤判情況，為了提升人員區(qū)分的精確度，借鑒模糊識(shí)別理論格貼近度的思想，構(gòu)建了一種特征加權(quán)差值判別法。首先為獲取的指標(biāo)特征分配權(quán)重，對(duì)特征進(jìn)行加權(quán)處理，然后通過(guò)差值計(jì)算進(jìn)行人員區(qū)分。

定義4 設(shè)a，b為包含兩個(gè)特征元素的一維數(shù)組，稱D(a,b)=|ω1a[1]-ω1b[1]|+|ω2a[2]-ω2b[2]|為a與b的特征加權(quán)差值。

其中“兩個(gè)特征元素”是指質(zhì)心距離特征與區(qū)域重疊率特征，ω1,ω2分別為質(zhì)心距離特征與區(qū)域重疊率特征的權(quán)值，D(a,b)為a和b的特征加權(quán)差值，D(a,b)越大，a和b的差距越大。

假設(shè)遠(yuǎn)程監(jiān)護(hù)場(chǎng)景中除智能護(hù)理床C外只有兩人A1和A2，根據(jù)場(chǎng)景中目標(biāo)間關(guān)系可采用質(zhì)心距離d與區(qū)域重疊率k進(jìn)行人員區(qū)分，設(shè)A1=[d1,k1]，A2=[d2,k2]，C=[0,1]，其中d1、d2分別為人員A1、A2與C的質(zhì)心距離，k1、k2分別為人員A1、A2與C的區(qū)域重疊率，0、1為C與自身的質(zhì)心距離和區(qū)域重疊率。通過(guò)比較D(A1,C)與D(A2,C)區(qū)分臥床病人，若D(A1,C)D(A2,C)，則A2為臥床病人。

2.3 基于對(duì)應(yīng)點(diǎn)輪廓比較的異常姿態(tài)檢測(cè)報(bào)警

定義5 單鏈接算法(single linkage algorithm)是指簇類C1和C2的距離由兩個(gè)簇的最近樣本決定，計(jì)算方式如下

(7)

(8)

實(shí)驗(yàn)首先通過(guò)Mask RCNN+MROI Align進(jìn)行目標(biāo)檢測(cè)，目標(biāo)檢測(cè)結(jié)果可分為兩種情況，第一種情況視頻圖像中只有智能護(hù)理床與臥床病人；第二種情況視頻圖像中除智能護(hù)理床與臥床病人外，還存在其他人員(護(hù)理人員、陪護(hù)人員等)。第一種情況下，由于不存在臥床病人外的其他人員，直接利用基于對(duì)應(yīng)點(diǎn)的輪廓比較算法判斷臥床病人是否存在姿態(tài)異常即可。第二種情況下，由于存在多個(gè)人員目標(biāo)，無(wú)法直接檢測(cè)出臥床病人，因此需要利用特征加權(quán)差值判別法進(jìn)行人員區(qū)分，然后利用基于對(duì)應(yīng)點(diǎn)的輪廓比較算法進(jìn)行異常姿態(tài)檢測(cè)。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

實(shí)驗(yàn)所使用的環(huán)境配置如下：操作系統(tǒng)為Ubuntu16.04；CPU為i5-7500 CPU @ 3.40 GHz(3408 MHz)；GPU為NVIDIA GeForce GTX 1080Ti；深度學(xué)習(xí)框架為PyTorch 1.3.1；編程語(yǔ)言為Python 3.7。通過(guò)實(shí)驗(yàn)運(yùn)行調(diào)試，迭代次數(shù)設(shè)為12，迭代步數(shù)設(shè)為300，學(xué)習(xí)率設(shè)為0.01，權(quán)值衰減率設(shè)為0.0001。

3.2 訓(xùn)練與測(cè)試

目前市場(chǎng)上沒(méi)有智能護(hù)理床相關(guān)的公共數(shù)據(jù)集，因此，實(shí)驗(yàn)所需數(shù)據(jù)集采用網(wǎng)頁(yè)搜索以及人工拍攝方式獲取，數(shù)量800張，包含兩個(gè)類別，其中700張為訓(xùn)練數(shù)據(jù)集，全部進(jìn)行人工標(biāo)注，利用LabelMe標(biāo)注工具進(jìn)行目標(biāo)輪廓標(biāo)注。由于網(wǎng)頁(yè)以及人工拍攝所獲取的數(shù)據(jù)集數(shù)量有限，為提高實(shí)驗(yàn)效果，使用遷移學(xué)習(xí)方式獲取權(quán)重，從而對(duì)智能護(hù)理床的數(shù)據(jù)集進(jìn)行訓(xùn)練與測(cè)試。

實(shí)驗(yàn)以Mask RCNN模型框架為基礎(chǔ)結(jié)合MROI Align進(jìn)行目標(biāo)輪廓提取，采用典型的COCO2014[17]作為預(yù)訓(xùn)練數(shù)據(jù)集，再利用智能護(hù)理床的數(shù)據(jù)集進(jìn)行最終訓(xùn)練，訓(xùn)練完成后，網(wǎng)絡(luò)損失函數(shù)降至0.1，已達(dá)到預(yù)期效果；然后對(duì)測(cè)試集圖像進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，該數(shù)據(jù)集的檢測(cè)效果已達(dá)到后續(xù)實(shí)驗(yàn)的基本要求，測(cè)試結(jié)果如圖4所示(圖4(a)圖片來(lái)源www.gxnews.com.cn/staticpages/20181024/newgx5bd0484e-17747123.shtml)；最后通過(guò)目標(biāo)輪廓信息以及目標(biāo)掩膜信息提取相關(guān)特征，根據(jù)所提特征進(jìn)行人員區(qū)分，通過(guò)多次實(shí)驗(yàn)驗(yàn)證分析，人員區(qū)分過(guò)程中權(quán)重取ω1=0.3，ω2=0.7時(shí)，區(qū)分效果最佳，此時(shí)進(jìn)行異常檢測(cè)得到最終檢測(cè)結(jié)果如圖5所示。

圖4 測(cè)試前后對(duì)比

圖5 異常姿態(tài)檢測(cè)

3.3 結(jié)果分析

3.3.1 輪廓提取測(cè)試

人員區(qū)分以及異常姿態(tài)檢測(cè)所需特征均以目標(biāo)輪廓特征為基礎(chǔ)，輪廓提取的效果將直接影響到人員區(qū)分與異常姿態(tài)檢測(cè)的效果，為了檢測(cè)改進(jìn)后輪廓提取算法的有效性，將Mask RCNN+MROI Align輪廓提取算法與傳統(tǒng)的輪廓提取算法——Canny算子、LOG算子、Prewitt算子以及Sobel算子做對(duì)比實(shí)驗(yàn)，其實(shí)驗(yàn)效果如圖6所示。

圖6 傳統(tǒng)方法與Mask RCNN+MROI Align輪廓提取方法對(duì)比

由圖6可看出，與Mask RCNN+ROI Align輪廓提取方法比較，傳統(tǒng)方式輪廓提取過(guò)程中所選用的特征較為單一，所提取的輪廓偏差較大，且易受場(chǎng)景信息以及目標(biāo)狀態(tài)的影響。

為進(jìn)一步驗(yàn)證Mask RCNN+MROI Align輪廓提取算法在遠(yuǎn)程監(jiān)護(hù)場(chǎng)景中的適用性，對(duì)比實(shí)驗(yàn)采用遠(yuǎn)程監(jiān)護(hù)場(chǎng)景數(shù)據(jù)集作為訓(xùn)練集，將Mask RCNN+ROI Align輪廓提取算法與HED[18]、CEDN[19]、MNC[20]、FCIs[21]以及Mask RCNN等算法進(jìn)行對(duì)比，主要從輪廓檢測(cè)精度與檢測(cè)時(shí)間兩個(gè)方面進(jìn)行對(duì)比分析，其對(duì)比實(shí)驗(yàn)數(shù)據(jù)見表1。

表1 其它輪廓提取算法與Mask RCNN+MROI Align算法對(duì)比分析

分析表1可知，與其它輪廓提取算法相比，Mask RCNN+MROI Align輪廓提取算法輪廓檢測(cè)精度最高，雖然在用時(shí)上比HED算法、MNC算法分別多了0.05 s、0.09 s，但花費(fèi)少量的時(shí)間換取了相對(duì)較高的輪廓檢測(cè)精度，達(dá)到了較好的輪廓提取效果。

3.3.2 攝像位置測(cè)試以及人員區(qū)分測(cè)試

由于數(shù)據(jù)集為網(wǎng)頁(yè)以及人工拍攝獲取，以至于拍攝角度不固定，導(dǎo)致最終檢測(cè)效果大不相同。經(jīng)過(guò)多次實(shí)驗(yàn)觀察發(fā)現(xiàn)攝像頭固定在床尾上方位置所監(jiān)控的情況下識(shí)別率最高，具體實(shí)驗(yàn)結(jié)果見表2。

表2 異常姿態(tài)檢測(cè)精度

由表2可看出，遠(yuǎn)程監(jiān)護(hù)場(chǎng)景中有無(wú)其他人員對(duì)異常姿態(tài)檢測(cè)精確度有很大的影響，因此人員區(qū)分的效果將直接影響最終的異常姿態(tài)檢測(cè)精度，為了檢測(cè)所構(gòu)建人員區(qū)分方法的有效性，分別采用特征加權(quán)差值判別法、多特征融合方法[22]以及模糊識(shí)別理論[23]對(duì)相同場(chǎng)景下的人員進(jìn)行區(qū)分，對(duì)3種方法的區(qū)分精度和所耗時(shí)間進(jìn)行統(tǒng)計(jì)，得到具體實(shí)驗(yàn)數(shù)據(jù)見表3。

表3 3種人員區(qū)分方法比較結(jié)果

分析表3可知，特征加權(quán)差值判別法在區(qū)分精度上明顯優(yōu)于多特征融合方法與模糊識(shí)別理論，所耗時(shí)間比多特征融合方法、模糊識(shí)別理論分別多了0.046 s、0.021 s，用相對(duì)較少的時(shí)間換取相對(duì)較高的精度，達(dá)到了后續(xù)實(shí)驗(yàn)所需的效果，故特征加權(quán)差值判別法更具優(yōu)勢(shì)。

3.3.3 異常姿態(tài)檢測(cè)測(cè)試

異常姿態(tài)檢測(cè)是遠(yuǎn)程監(jiān)護(hù)場(chǎng)景下臥床病人異常姿態(tài)檢測(cè)的重中之重，異常姿態(tài)檢測(cè)的效果將直接影響臥床病人異常姿態(tài)檢測(cè)的準(zhǔn)確率。為了驗(yàn)證基于對(duì)應(yīng)點(diǎn)輪廓比較算法的有效性，對(duì)比人體外接矩形寬高比方法、質(zhì)心偏離水平方法[24]和目標(biāo)距離方法[25]，主要比較相同場(chǎng)景下4種方法的檢測(cè)精度和檢測(cè)時(shí)間，比較結(jié)果見表4。

表4 4種異常姿態(tài)檢測(cè)方法對(duì)比

分析表4可知，基于對(duì)應(yīng)點(diǎn)輪廓比較算法的檢測(cè)精度明顯優(yōu)于另外3種方法，檢測(cè)時(shí)間上比外接矩形寬高比方法、質(zhì)心偏離水平方法分別多了0.014 s、0.006 s，屬于可接受范圍，故基于對(duì)應(yīng)點(diǎn)輪廓比較算法更優(yōu)。

4 結(jié)束語(yǔ)

針對(duì)遠(yuǎn)程監(jiān)護(hù)場(chǎng)景中的異常姿態(tài)問(wèn)題，提出一種臥床病人異常姿態(tài)自動(dòng)識(shí)別方法。首先將Mask RCNN與MROI Align結(jié)合進(jìn)行輪廓特征提??；然后以智能護(hù)理床與人員間的質(zhì)心距離以及區(qū)域重疊率為指標(biāo)，通過(guò)特征加權(quán)差值進(jìn)行人員區(qū)分，最后利用基于對(duì)應(yīng)點(diǎn)輪廓比較算法完成遠(yuǎn)程監(jiān)護(hù)場(chǎng)景下臥床病人異常姿態(tài)的自動(dòng)識(shí)別報(bào)警。實(shí)驗(yàn)結(jié)果表明上述方法適用于特定場(chǎng)景，且在監(jiān)控?cái)z像頭固定在床尾上方位置時(shí)具有較高的識(shí)別率與準(zhǔn)確率。由于實(shí)驗(yàn)圍繞目標(biāo)輪廓特征進(jìn)行異常姿態(tài)檢測(cè)，對(duì)于被護(hù)理人員在智能護(hù)理床內(nèi)部的細(xì)微異常狀況無(wú)法進(jìn)行識(shí)別，未來(lái)將朝著這一方向進(jìn)行進(jìn)一步的分析研究。