基于視頻智能分析技術(shù)的醫(yī)院制氧間遠(yuǎn)程監(jiān)控系統(tǒng)研究

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1671-0797（2025）13-0001-04

D0I：10.19514/j.cnki.cn32-1628/tm.2025.13.001

1醫(yī)院制氧間對(duì)智能監(jiān)控的迫切需求

醫(yī)院制氧間具有易燃易爆的特點(diǎn)，盡管其會(huì)被盡量安排在院內(nèi)相對(duì)偏僻的地點(diǎn)，但難免可能會(huì)有無(wú)關(guān)人員意外闖入造成嚴(yán)重后果。在某些敏感地區(qū)，制氧間甚至?xí)蔀槟承﹦e有用心的人蓄意制造社會(huì)騷亂的最佳場(chǎng)所，因此制氧間的防入侵受到醫(yī)院的高度重視，需要對(duì)此區(qū)域進(jìn)行密切監(jiān)控。然而，對(duì)于大部分醫(yī)院來(lái)說(shuō)，設(shè)置專職的值班人員從經(jīng)濟(jì)上并不劃算，因此醫(yī)院迫切尋求一個(gè)成本不高但又能可靠地智能監(jiān)控醫(yī)院制氧間的解決方案。

2 現(xiàn)有周界防護(hù)技術(shù)比較

根據(jù)葛妍的介紹，周界防護(hù)系統(tǒng)由5個(gè)基本要素組成[，分別是：1）阻止與威懾，阻止未經(jīng)授權(quán)人員靠近防護(hù)周界。2探測(cè)，系統(tǒng)可以對(duì)非法入侵提供早期探測(cè)和報(bào)警。3延遲，系統(tǒng)可以延滯非法入侵，給后續(xù)的分析和響應(yīng)留出時(shí)間。4分析，報(bào)警信息被分析識(shí)別是否為有效報(bào)警。5響應(yīng)，根據(jù)分析結(jié)果進(jìn)行有效的響應(yīng)。選擇探測(cè)技術(shù)時(shí)，不應(yīng)一味強(qiáng)調(diào)高探測(cè)率， 100% 的探測(cè)率一方面會(huì)帶來(lái)對(duì)應(yīng)的誤報(bào)率；另一方面也可能會(huì)增加系統(tǒng)成本。關(guān)于周界報(bào)警的具體技術(shù)有幾十種之多，筆者根據(jù)陳育智和繆圣凱等人的介紹，總結(jié)出目前主流的周界報(bào)警技術(shù)[2-3有如下8種，筆者將它們的優(yōu)缺點(diǎn)整理成表1。

3 醫(yī)院制氧間遠(yuǎn)程監(jiān)控系統(tǒng)方案選擇

從上述周界報(bào)警技術(shù)來(lái)看，每種技術(shù)都有各自

的優(yōu)點(diǎn)和缺點(diǎn)，適用的場(chǎng)所也不盡相同。對(duì)于醫(yī)院制氧間的智能監(jiān)控方案來(lái)說(shuō)，一定要選擇最適合自身情況的方案。

3.1 醫(yī)院制氧間的獨(dú)特要求

醫(yī)院制氧間的特點(diǎn)導(dǎo)致對(duì)其智能監(jiān)控方案的選擇會(huì)受到一定限制。下面是一些醫(yī)院制氧間的典型特點(diǎn)：1）制氧間周邊環(huán)境嘈雜，震動(dòng)多。2制氧間周邊難免會(huì)經(jīng)過(guò)一些毫無(wú)防備的路人，甚至是一些身體虛弱的患者。3）醫(yī)院的各類儀器往往自身會(huì)產(chǎn)生大量的電磁干擾，與此同時(shí)另一部分儀器卻非常容易受到電磁干擾。4各級(jí)醫(yī)院的財(cái)政情況參差不齊，對(duì)價(jià)格敏感。

3.2基于視頻智能分析的制氧間監(jiān)控系統(tǒng)介紹

基于上述醫(yī)院制氧間的特點(diǎn)，對(duì)比表1不難看出，許多周界報(bào)警技術(shù)無(wú)法在醫(yī)院制氧間的應(yīng)用場(chǎng)景使用。經(jīng)過(guò)權(quán)衡，筆者選擇了主動(dòng)紅外對(duì)射和視頻智能分析兩種周界報(bào)警技術(shù)相結(jié)合的方案，原因在于同時(shí)采用兩種周界報(bào)警技術(shù)，可以讓兩者優(yōu)勢(shì)互補(bǔ)，達(dá)到探測(cè)率和誤報(bào)率之間的平衡。紅外對(duì)射可以迅速檢測(cè)到各種入侵者，起到初篩的作用，而視頻智能分析可以在短時(shí)間內(nèi)精確判斷入侵者，對(duì)報(bào)警信息做一次細(xì)致的篩查。

整個(gè)智能監(jiān)控系統(tǒng)如圖1所示。

本智能監(jiān)控系統(tǒng)由5G通信主機(jī)、數(shù)字高清攝像機(jī)、聲光報(bào)警器、太陽(yáng)能續(xù)航系統(tǒng)、紅外對(duì)射傳感器、授權(quán)卡、后臺(tái)組成。通過(guò)特定算法，精確檢測(cè)人員的入侵，進(jìn)入監(jiān)控范圍內(nèi)可對(duì)其進(jìn)行自動(dòng)識(shí)別，并將報(bào)警信息通過(guò)5G網(wǎng)絡(luò)傳送給值班人員，同時(shí)在本地驅(qū)動(dòng)聲光報(bào)警器發(fā)出警示聲光。

4視頻智能分析檢測(cè)算法介紹

4.1 入侵檢測(cè)流程

在本套系統(tǒng)中，一個(gè)對(duì)硬件需求小且能夠快速準(zhǔn)確識(shí)別人員入侵的視頻智能分析算法至關(guān)重要。因此，下面對(duì)算法做一個(gè)比較詳盡的說(shuō)明。本方案采用紅外對(duì)射系統(tǒng)對(duì)疑似入侵進(jìn)行初篩，但紅外對(duì)射系統(tǒng)對(duì)于小動(dòng)物、晃動(dòng)的樹(shù)葉以及意外遮擋的物體都會(huì)報(bào)警，這部分“入侵\"是無(wú)效的，只有入侵的人員才可能會(huì)對(duì)制氧間造成實(shí)質(zhì)性威脅。因此，需要啟動(dòng)對(duì)視頻幀的分析來(lái)確定入侵是否真正有效。

入侵檢測(cè)算法流程圖如圖2所示。在本方案中，筆者采用ViBe運(yùn)動(dòng)目標(biāo)檢測(cè)算法和YOLOv5目標(biāo)檢測(cè)算法，在視頻幀上確定出現(xiàn)入侵人員的目標(biāo)區(qū)域，然后再通過(guò)融合檢測(cè)的算法，對(duì)目標(biāo)區(qū)域進(jìn)行精確檢測(cè)，進(jìn)一步排除誤報(bào)，提升報(bào)警的準(zhǔn)確度。因?yàn)榧t外對(duì)射檢測(cè)原理比較簡(jiǎn)單，所以本文重點(diǎn)介紹ViBe運(yùn)動(dòng)目標(biāo)檢測(cè)算法、YOLOv5目標(biāo)檢測(cè)算法和融合檢測(cè)算法。

4.2 檢測(cè)算法介紹

4.2.1 ViBe算法

ViBe算法作為最常見(jiàn)且最具代表性的背景建模法之一，在動(dòng)態(tài)背景影響下導(dǎo)致檢測(cè)效果不理想的情況中，相比其他傳統(tǒng)運(yùn)動(dòng)目標(biāo)檢測(cè)算法有其自身的優(yōu)勢(shì)。該算法的核心原理是利用相似像素的相似時(shí)空分布特征，只需一幀即可建立背景模型，將檢測(cè)的像素點(diǎn)與相應(yīng)的模型樣本相匹配并進(jìn)行校正，設(shè)置的閾值決定該像素點(diǎn)為前景還是背景[4]。

在本方案中，使用ViBe實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)檢測(cè)的具體步驟如下：1先讀取視頻流，再對(duì)幀執(zhí)行預(yù)處理，轉(zhuǎn)化為灰度圖后，進(jìn)行高斯濾波。2使用高斯濾波進(jìn)行模糊處理。3）將視頻畫(huà)面實(shí)時(shí)捕獲的第一幀作為背景圖像，然后將之后每一幀圖像與背景圖像進(jìn)行像素差比較，兩幀圖像相減后的圖像稱為差圖。4）使用固定閾值二值化得到黑白圖像，對(duì)得到的黑白圖像進(jìn)行膨脹處理，對(duì)白色區(qū)域內(nèi)部存在的空洞和缺陷進(jìn)行歸一化處理，膨脹處理迭代次數(shù)設(shè)置為2。5）通過(guò)OpenCV中的findContours函數(shù)計(jì)算運(yùn)動(dòng)目標(biāo)輪廓，并設(shè)定一個(gè)閾值1500。6）通過(guò)boundingRect函數(shù)計(jì)算運(yùn)動(dòng)目標(biāo)輪廓的矩形邊界框。

ViBe能夠有效標(biāo)記真實(shí)目標(biāo)的位置，雖然它能夠檢測(cè)到入侵對(duì)象，即存在移動(dòng)目標(biāo)的連續(xù)區(qū)域，但不能對(duì)它們進(jìn)行區(qū)分。因此，需要結(jié)合YOLOv5目標(biāo)檢測(cè)算法對(duì)入侵物體進(jìn)行精確定位并分類。

4.2.2 YOLOv5算法

本方案選擇體量最輕的YOLOv5模型來(lái)進(jìn)行實(shí)驗(yàn)改進(jìn)，YOLOv5主要由四部分組成[5-6]：

1）輸入端，首先對(duì)原始圖像進(jìn)行預(yù)處理，預(yù)處理操作包括Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)圖像縮放、自適應(yīng)錨框計(jì)算等。

2）骨干網(wǎng)絡(luò)（Backbone），骨干網(wǎng)絡(luò)由Focus結(jié)構(gòu)、CBL結(jié)構(gòu)、CSP結(jié)構(gòu)等模塊組成，從圖像中提取不同細(xì)粒度特征的卷積神經(jīng)網(wǎng)絡(luò)。

3）Neck網(wǎng)絡(luò)部分，主要由特征金字塔（FeaturePyramidNetworks，F(xiàn)PN）和路徑聚合網(wǎng)絡(luò)（Path AggregationNetworks，PAN）組成，F(xiàn)PN在網(wǎng)絡(luò)中自上而下傳遞語(yǔ)義信息，PAN自下而上傳遞位置信息。

4頭部網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)的輸出部分，三個(gè)檢測(cè)頭分別對(duì)原始圖像進(jìn)行8倍、16倍和32倍下采樣。

本方案采用大型目標(biāo)檢測(cè)公開(kāi)數(shù)據(jù)集COCO中的行人類數(shù)據(jù)子集作為訓(xùn)練集，使得YOLOv5算法識(shí)別入侵更加準(zhǔn)確和有針對(duì)性。YOLOv5算法雖然可以減少漏報(bào)，但是容易產(chǎn)生誤報(bào)，因此需要結(jié)合ViBe算法進(jìn)行融合檢測(cè)，以達(dá)到減少入侵誤檢的目的。

4.2.3 融合檢測(cè)算法

采用YOLOv5算法與ViBe算法相結(jié)合的方法，本文將兩種算法的檢測(cè)結(jié)果進(jìn)行比較和修正，達(dá)到減少入侵誤檢的目的。記ViBe算法檢測(cè)到的運(yùn)動(dòng)目標(biāo)邊框?yàn)? ，YOLOv5算法檢測(cè)出的目標(biāo)邊框?yàn)? ，其中 （_xiviBe ，y_i^ViBe） 和 （x_i^YOLOv5 y_i^YOLOv5） 分別為通過(guò)ViBe算法和YOLOv5算法得出的檢測(cè)框左上角點(diǎn)坐標(biāo)， （w_i^ViBe，h_i^ViBe） 和 則分別為檢測(cè)框的寬度和高度。兩種算法得到的檢測(cè)框是否是檢測(cè)到的同一個(gè)目標(biāo)的判斷標(biāo)準(zhǔn)如下：

標(biāo)準(zhǔn)1：如式（1）所示，當(dāng)兩檢測(cè)邊框的左上角坐標(biāo)和寬高分別比較且誤差全部在一定范圍 α 內(nèi)時(shí)，則判定為真實(shí)目標(biāo)。這里的 α 經(jīng)過(guò)多次實(shí)驗(yàn)測(cè)試，取值為40。若不滿足公式（1），則看是否滿足標(biāo)準(zhǔn)2。

標(biāo)準(zhǔn)2：根據(jù)式（2）判斷YOLOv5檢測(cè)框中心點(diǎn)坐 ，其縱坐標(biāo)在ViBe檢測(cè)框的特定高度范圍 $| ＼beta ＼rrangle$ 內(nèi)，其橫坐標(biāo)在ViBe檢測(cè)框?qū)挾确秶鷥?nèi)，則判定為真實(shí)入侵。經(jīng)過(guò)多次測(cè)試， β₁ 取

0.25，β₂ 取0.75，在實(shí)踐中能得到比較理想的結(jié)果。如果不滿足式（2），則看是否符合標(biāo)準(zhǔn)3。

標(biāo)準(zhǔn)3：假設(shè)YOLOv5和ViBe得到的目標(biāo)邊框面積分別為 Y_i 和 V_i， 計(jì)算 Y_i 和 V_i 重疊部分各自占總方框面積的比例M和 N_i， 當(dāng) M_i 或 N_i 大于閾值 ?γ 時(shí)，則認(rèn)定為真實(shí)入侵。經(jīng)過(guò)多次測(cè)試，將 γ 設(shè)定為0.9，即重合面積大于0.9則認(rèn)定為真實(shí)入侵。 Y_i，V_i，M_i 和 N_i 分別定義如式 （3）～（6） 所示：

Y_i=w_i^YOLOv5h_i^YOLOv5

綜上所述，如圖3所示的幾種情形都會(huì)被判定為真實(shí)的入侵，這時(shí)YOLOv5檢測(cè)框和ViBe檢測(cè)框至少滿足本文融合檢測(cè)算法所提到的三個(gè)標(biāo)準(zhǔn)之一。而如圖4所示的幾種入侵會(huì)被判定為虛假的入侵，這時(shí)YOLOv5檢測(cè)框和ViBe檢測(cè)框不滿足本文融合檢測(cè)算法提到的所有的三個(gè)標(biāo)準(zhǔn)。

本文采用的算法通過(guò)比較融合檢測(cè)得到的目標(biāo)框與入侵區(qū)域的重疊度，篩選出入侵目標(biāo)，不僅使得ViBe的檢測(cè)結(jié)果定位更加精確，而且一定程度上減少了YOLOv5的誤報(bào)率。兩種算法通過(guò)融合檢測(cè)進(jìn)行修正對(duì)比，在保證較低漏報(bào)率的同時(shí)也提升了檢測(cè)精度。因此，本文算法能夠有效檢測(cè)到醫(yī)院制氧間場(chǎng)景下的人員入侵行為。

5 結(jié)論

本文通過(guò)對(duì)現(xiàn)有周界報(bào)警技術(shù)的研究，開(kāi)發(fā)出適合醫(yī)院制氧間具體情況的基于視頻智能分析技術(shù)的醫(yī)院制氧間遠(yuǎn)程監(jiān)控報(bào)警系統(tǒng)。該系統(tǒng)采用紅外對(duì)射加視頻智能分析的入侵檢測(cè)方案，在低成本和高準(zhǔn)確度之間取得了一個(gè)很好的平衡。

在入侵檢測(cè)算法方面，本文結(jié)合了YOLOv5高精度檢測(cè)能力及ViBe在入侵自標(biāo)運(yùn)動(dòng)信息提取方面的優(yōu)勢(shì)，通過(guò)將兩種算法提取到的可疑目標(biāo)區(qū)域進(jìn)行融合校正排除單個(gè)算法的誤判，得到實(shí)時(shí)且比較準(zhǔn)確的入侵判斷，并遠(yuǎn)程和本地同時(shí)報(bào)警。

綜上所述，本方案非常好地切合了醫(yī)院制氧間的特殊需求，具備進(jìn)一步推廣到其他醫(yī)院的基本條件。

[參考文獻(xiàn)]

[1]葛妍.戶外周界防護(hù)系統(tǒng)綜述[J].中國(guó)安防產(chǎn)品信息，2004（5）：49-54.

[2]陳育智.智能視頻分析技術(shù)在周界報(bào)警系統(tǒng)中的應(yīng)用[J].自動(dòng)化儀表，2009（11）：14-18.

[3]繆圣凱.淺談周界報(bào)警市場(chǎng)現(xiàn)狀及發(fā)展趨勢(shì)［J].中國(guó)安防，2014（17）：24-28.

[4]張文雅，徐華中，羅杰.基于ViBe的復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)科學(xué)，2017，44（9）：304-307.

[5]賀愉婷，車進(jìn)，吳金蔓.基于YOLOv5和重識(shí)別的行人多目標(biāo)跟蹤方法[J].液晶與顯示，2022，37（7）：880-890.

[6]陳世權(quán)，王從慶，周勇軍.一種基于YOLOv5s和圖像融合的行人檢測(cè)方法[J].電光與控制，2022，29（7）：96-101.