基于视频智能分析技术的医院制氧间远程监控系统研究

1 医院制氧间对智能监控的迫切需求

医院制氧间具有易燃易爆的特点,尽管其会被尽量安排在院内相对偏僻的地点,但难免可能会有无关人员意外闯入造成严重后果。在某些敏感地区,制氧间甚至会成为某些别有用心的人蓄意制造社会骚乱的最佳场所,因此制氧间的防入侵受到医院的高度重视,需要对此区域进行密切监控。然而,对于大部分医院来说,设置专职的值班人员从经济上并不划算,因此医院迫切寻求一个成本不高但又能可靠地智能监控医院制氧间的解决方案。

2现有周界防护技术比较

根据葛妍的介绍,周界防护系统由5个基本要素组成^[1],分别是:1)阻止与威慑,阻止未经授权人员靠近防护周界。2)探测,系统可以对非法入侵提供早期探测和报警。3)延迟,系统可以延滞非法入侵,给后续的分析和响应留出时间。4)分析,报警信息被分析识别是否为有效报警。5)响应,根据分析结果进行有效的响应。选择探测技术时,不应一味强调高探测率,100%的探测率一方面会带来对应的误报率;另一方面也可能会增加系统成本。关于周界报警的具体技术有几十种之多,笔者根据陈育智和缪圣凯等人的介绍,总结出目前主流的周界报警技术^[2—3]有如下8种,笔者将它们的优缺点整理成表1。

3 医院制氧间远程监控系统方案选择

从上述周界报警技术来看,每种技术都有各自的优点和缺点,适用的场所也不尽相同。对于医院制氧间的智能监控方案来说,一定要选择最适合自身情况的方案。

3.1 医院制氧间的独特要求

医院制氧间的特点导致对其智能监控方案的选择会受到一定限制。下面是一些医院制氧间的典型特点:1)制氧间周边环境嘈杂,震动多。2)制氧间周边难免会经过一些毫无防备的路人,甚至是一些身体虚弱的患者。3)医院的各类仪器往往自身会产生大量的电磁干扰,与此同时另一部分仪器却非常容易受到电磁干扰。4)各级医院的财政情况参差不齐,对价格敏感。

3.2基于视频智能分析的制氧间监控系统介绍

基于上述医院制氧间的特点,对比表1不难看出,许多周界报警技术无法在医院制氧间的应用场景使用。经过权衡,笔者选择了主动红外对射和视频智能分析两种周界报警技术相结合的方案,原因在于同时采用两种周界报警技术,可以让两者优势互补,达到探测率和误报率之间的平衡。红外对射可以迅速检测到各种入侵者,起到初筛的作用,而视频智能分析可以在短时间内精确判断入侵者,对报警信息做一次细致的筛查。

整个智能监控系统如图1所示。

本智能监控系统由5G通信主机、数字高清摄像机、声光报警器、太阳能续航系统、红外对射传感器、授权卡、后台组成。通过特定算法,精确检测人员的入侵,进入监控范围内可对其进行自动识别,并将报警信息通过5G网络传送给值班人员,同时在本地驱动声光报警器发出警示声光。

4视频智能分析检测算法介绍

4.1 入侵检测流程

在本套系统中,一个对硬件需求小且能够快速准确识别人员入侵的视频智能分析算法至关重要。因此,下面对算法做一个比较详尽的说明。本方案采用红外对射系统对疑似入侵进行初筛,但红外对射系统对于小动物、晃动的树叶以及意外遮挡的物体都会报警,这部分“入侵”是无效的,只有入侵的人员才可能会对制氧间造成实质性威胁。因此,需要启动对视频帧的分析来确定入侵是否真正有效。

入侵检测算法流程图如图2所示。在本方案中,笔者采用viBe运动目标检测算法和YOLOv5目标检测算法,在视频帧上确定出现入侵人员的目标区域,然后再通过融合检测的算法,对目标区域进行精确检测,进一步排除误报,提升报警的准确度。因为红外对射检测原理比较简单,所以本文重点介绍viBe 运动目标检测算法、YOLOv5目标检测算法和融合检测算法。

4.2检测算法介绍

4.2.1viBe算法

ViBe算法作为最常见且最具代表性的背景建模法之一,在动态背景影响下导致检测效果不理想的情况中,相比其他传统运动目标检测算法有其自身的优势。该算法的核心原理是利用相似像素的相似时空分布特征,只需一帧即可建立背景模型,将检测的像素点与相应的模型样本相匹配并进行校正,设置的阈值决定该像素点为前景还是背景^[4]。

在本方案中,使用viBe实现运动目标检测的具体步骤如下:1)先读取视频流,再对帧执行预处理,转化为灰度图后,进行高斯滤波。2)使用高斯滤波进行模糊处理。3)将视频画面实时捕获的第一帧作为背景图像,然后将之后每一帧图像与背景图像进行像素差比较,两帧图像相减后的图像称为差图。4)使用固定阈值二值化得到黑白图像,对得到的黑白图像进行膨胀处理,对白色区域内部存在的空洞和缺陷进行归一化处理,膨胀处理迭代次数设置为2。5)通过OpenCV中的findContours函数计算运动目标轮廓,并设定一个阈值1500。6)通过boundingRect函数计算运动目标轮廓的矩形边界框。

ViBe能够有效标记真实目标的位置,虽然它能够检测到入侵对象,即存在移动目标的连续区域,但不能对它们进行区分。因此,需要结合YOLOv5目标检测算法对入侵物体进行精确定位并分类。

4.2.2YOLOv5算法

本方案选择体量最轻的YOLOv5模型来进行实验改进,YOLOv5主要由四部分组成^[5—6]:

1)输入端,首先对原始图像进行预处理,预处理操作包括Mosaic数据增强、自适应图像缩放、自适应锚框计算等。

2)骨干网络(Backbone),骨干网络由Focus结构、CBL结构、CSP结构等模块组成,从图像中提取不同细粒度特征的卷积神经网络。

3)Neck网络部分,主要由特征金字塔 (Feature Pyramid Networks ,FPN)和路径聚合网络(Path Aggregation Networks,PAN)组成,FPN在网络中自上而下传递语义信息,PAN自下而上传递位置信息。

4)头部网络,即神经网络的输出部分,三个检测头分别对原始图像进行8倍、16倍和32倍下采样。

本方案采用大型目标检测公开数据集COCO中的行人类数据子集作为训练集,使得YOLOv5算法识别入侵更加准确和有针对性。YOLOv5算法虽然可以减少漏报,但是容易产生误报,因此需要结合viBe算法进行融合检测,以达到减少入侵误检的目的。

4.2.3融合检测算法

采用YOLOv5算法与ViBe算法相结合的方法,本文将两种算法的检测结果进行比较和修正,达到减少入侵误检的目的。记ViBe算法检测到的运动目标边框为(xi^ViBe,yi^ViBe,wi^ViBe,hi^ViBe),YOLOv5算法检测出的目标边框为(xi^YOLOv5,yi^YOLOv5,wi^YOLOv5,hi^YOLOv5),其中(xi^ViBe, yi^ViBe)和(xi^YOLOv5,yi^YOLOv5)分别为通过ViBe算法和YOLOv5算法得出的检测框左上角点坐标, (wi^ViBe,hi^ViBe)和(wi^YOLOv5,hi^YOLOv5)则分别为检测框的宽度和高度。两种算法得到的检测框是否是检测到的同一个目标的判断标准如下:

标准1:如式(1)所示,当两检测边框的左上角坐标和宽高分别比较且误差全部在一定范围α内时,则判定为真实目标。这里的α经过多次实验测试,取值为40。若不满足公式(1),则看是否满足标准2。

标准2:根据式(2)判断YOLOv5检测框中心点坐标

其纵坐标在viBe检测框的特定高度范围β内,其横坐标在viBe检测框宽度范围内,则判定为真实入侵。经过多次测试,β1取0.25,β2取0.75,在实践中能得到比较理想的结果。如果不满足式(2),则看是否符合标准3。

标准3:假设YOLOv5和ViBe得到的目标边框面积分别为yi和vi,计算yi和vi重叠部分各自占总方框面积的比例Mi和Ni,当Mi或Ni大于阈值丫时,则认定为真实入侵。经过多次测试,将丫设定为0.9,即重合面积大于0.9则认定为真实入侵。yi,vi,Mi和Ni分别定义如式(3)~(6)所示:

综上所述,如图3所示的几种情形都会被判定为真实的入侵,这时YOLOv5检测框和ViBe检测框至少满足本文融合检测算法所提到的三个标准之一。而如图4所示的几种入侵会被判定为虚假的入侵,这时 YOLOv5检测框和viBe检测框不满足本文融合检测算法提到的所有的三个标准。

本文采用的算法通过比较融合检测得到的目标框与入侵区域的重叠度,筛选出入侵目标,不仅使得ViBe的检测结果定位更加精确,而且一定程度上减少了YOLOv5的误报率。两种算法通过融合检测进行修正对比,在保证较低漏报率的同时也提升了检测精度。因此,本文算法能够有效检测到医院制氧间场景下的人员入侵行为。

5结论

本文通过对现有周界报警技术的研究,开发出适合医院制氧间具体情况的基于视频智能分析技术的医院制氧间远程监控报警系统。该系统采用红外对射加视频智能分析的入侵检测方案,在低成本和高准确度之间取得了一个很好的平衡。

在入侵检测算法方面,本文结合了YOLOv5高精度检测能力及viBe在入侵目标运动信息提取方面的优势,通过将两种算法提取到的可疑目标区域进行融合校正排除单个算法的误判,得到实时且比较准确的入侵判断,并远程和本地同时报警。

综上所述,本方案非常好地切合了医院制氧间的特殊需求,具备进一步推广到其他医院的基本条件。

[参考文献]

[1]葛妍.户外周界防护系统综述[J].中国安防产品信息,2004(5):49—54.

[2] 陈育智.智能视频分析技术在周界报警系统中的应用[J]. 自动化仪表,2009(11):14—18.

[3]缪圣凯.浅谈周界报警市场现状及发展趋势[J].中国安防,2014(17):24—28.

[4] 张文雅,徐华中,罗杰.基于viBe的复杂背景下的运动目标检测[J].计算机科学,2017,44(9):304—307.

[5] 贺愉婷,车进,吴金蔓.基于YOLOv5和重识别的行人多目标跟踪方法[J].液晶与显示,2022,37(7):880—890.

[6] 陈世权,王从庆,周勇军.一种基于YOLOv5s和图像融合的行人检测方法[J].电光与控制,2022,29(7):96—101.

《机电信息》2025年第13期第1篇