基于視頻智能分析技術的醫院制氧間遠程監控系統研究

中圖分類號：TP391.4 文獻標志碼：A 文章編號：1671-0797（2025）13-0001-04

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

1醫院制氧間對智能監控的迫切需求

醫院制氧間具有易燃易爆的特點，盡管其會被盡量安排在院內相對偏僻的地點，但難免可能會有無關人員意外闖入造成嚴重后果。在某些敏感地區，制氧間甚至會成為某些別有用心的人蓄意制造社會騷亂的最佳場所，因此制氧間的防入侵受到醫院的高度重視，需要對此區域進行密切監控。然而，對于大部分醫院來說，設置專職的值班人員從經濟上并不劃算，因此醫院迫切尋求一個成本不高但又能可靠地智能監控醫院制氧間的解決方案。

2 現有周界防護技術比較

根據葛妍的介紹，周界防護系統由5個基本要素組成[，分別是：1）阻止與威懾，阻止未經授權人員靠近防護周界。2探測，系統可以對非法入侵提供早期探測和報警。3延遲，系統可以延滯非法入侵，給后續的分析和響應留出時間。4分析，報警信息被分析識別是否為有效報警。5響應，根據分析結果進行有效的響應。選擇探測技術時，不應一味強調高探測率， 100% 的探測率一方面會帶來對應的誤報率；另一方面也可能會增加系統成本。關于周界報警的具體技術有幾十種之多，筆者根據陳育智和繆圣凱等人的介紹，總結出目前主流的周界報警技術[2-3有如下8種，筆者將它們的優缺點整理成表1。

3 醫院制氧間遠程監控系統方案選擇

從上述周界報警技術來看，每種技術都有各自

的優點和缺點，適用的場所也不盡相同。對于醫院制氧間的智能監控方案來說，一定要選擇最適合自身情況的方案。

3.1 醫院制氧間的獨特要求

醫院制氧間的特點導致對其智能監控方案的選擇會受到一定限制。下面是一些醫院制氧間的典型特點：1）制氧間周邊環境嘈雜，震動多。2制氧間周邊難免會經過一些毫無防備的路人，甚至是一些身體虛弱的患者。3）醫院的各類儀器往往自身會產生大量的電磁干擾，與此同時另一部分儀器卻非常容易受到電磁干擾。4各級醫院的財政情況參差不齊，對價格敏感。

3.2基于視頻智能分析的制氧間監控系統介紹

基于上述醫院制氧間的特點，對比表1不難看出，許多周界報警技術無法在醫院制氧間的應用場景使用。經過權衡，筆者選擇了主動紅外對射和視頻智能分析兩種周界報警技術相結合的方案，原因在于同時采用兩種周界報警技術，可以讓兩者優勢互補，達到探測率和誤報率之間的平衡。紅外對射可以迅速檢測到各種入侵者，起到初篩的作用，而視頻智能分析可以在短時間內精確判斷入侵者，對報警信息做一次細致的篩查。

整個智能監控系統如圖1所示。

本智能監控系統由5G通信主機、數字高清攝像機、聲光報警器、太陽能續航系統、紅外對射傳感器、授權卡、后臺組成。通過特定算法，精確檢測人員的入侵，進入監控范圍內可對其進行自動識別，并將報警信息通過5G網絡傳送給值班人員，同時在本地驅動聲光報警器發出警示聲光。

4視頻智能分析檢測算法介紹

4.1 入侵檢測流程

在本套系統中，一個對硬件需求小且能夠快速準確識別人員入侵的視頻智能分析算法至關重要。因此，下面對算法做一個比較詳盡的說明。本方案采用紅外對射系統對疑似入侵進行初篩，但紅外對射系統對于小動物、晃動的樹葉以及意外遮擋的物體都會報警，這部分“入侵\"是無效的，只有入侵的人員才可能會對制氧間造成實質性威脅。因此，需要啟動對視頻幀的分析來確定入侵是否真正有效。

入侵檢測算法流程圖如圖2所示。在本方案中，筆者采用ViBe運動目標檢測算法和YOLOv5目標檢測算法，在視頻幀上確定出現入侵人員的目標區域，然后再通過融合檢測的算法，對目標區域進行精確檢測，進一步排除誤報，提升報警的準確度。因為紅外對射檢測原理比較簡單，所以本文重點介紹ViBe運動目標檢測算法、YOLOv5目標檢測算法和融合檢測算法。

4.2 檢測算法介紹

4.2.1 ViBe算法

ViBe算法作為最常見且最具代表性的背景建模法之一，在動態背景影響下導致檢測效果不理想的情況中，相比其他傳統運動目標檢測算法有其自身的優勢。該算法的核心原理是利用相似像素的相似時空分布特征，只需一幀即可建立背景模型，將檢測的像素點與相應的模型樣本相匹配并進行校正，設置的閾值決定該像素點為前景還是背景[4]。

在本方案中，使用ViBe實現運動目標檢測的具體步驟如下：1先讀取視頻流，再對幀執行預處理，轉化為灰度圖后，進行高斯濾波。2使用高斯濾波進行模糊處理。3）將視頻畫面實時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，對得到的黑白圖像進行膨脹處理，對白色區域內部存在的空洞和缺陷進行歸一化處理，膨脹處理迭代次數設置為2。5）通過OpenCV中的findContours函數計算運動目標輪廓，并設定一個閾值1500。6）通過boundingRect函數計算運動目標輪廓的矩形邊界框。

ViBe能夠有效標記真實目標的位置，雖然它能夠檢測到入侵對象，即存在移動目標的連續區域，但不能對它們進行區分。因此，需要結合YOLOv5目標檢測算法對入侵物體進行精確定位并分類。

4.2.2 YOLOv5算法

本方案選擇體量最輕的YOLOv5模型來進行實驗改進，YOLOv5主要由四部分組成[5-6]：

1）輸入端，首先對原始圖像進行預處理，預處理操作包括Mosaic數據增強、自適應圖像縮放、自適應錨框計算等。

2）骨干網絡（Backbone），骨干網絡由Focus結構、CBL結構、CSP結構等模塊組成，從圖像中提取不同細粒度特征的卷積神經網絡。

3）Neck網絡部分，主要由特征金字塔（FeaturePyramidNetworks，FPN）和路徑聚合網絡（Path AggregationNetworks，PAN）組成，FPN在網絡中自上而下傳遞語義信息，PAN自下而上傳遞位置信息。

4頭部網絡，即神經網絡的輸出部分，三個檢測頭分別對原始圖像進行8倍、16倍和32倍下采樣。

本方案采用大型目標檢測公開數據集COCO中的行人類數據子集作為訓練集，使得YOLOv5算法識別入侵更加準確和有針對性。YOLOv5算法雖然可以減少漏報，但是容易產生誤報，因此需要結合ViBe算法進行融合檢測，以達到減少入侵誤檢的目的。

4.2.3 融合檢測算法

采用YOLOv5算法與ViBe算法相結合的方法，本文將兩種算法的檢測結果進行比較和修正，達到減少入侵誤檢的目的。記ViBe算法檢測到的運動目標邊框為 ，YOLOv5算法檢測出的目標邊框為 ，其中 （_xiviBe ，y_i^ViBe） 和 （x_i^YOLOv5 y_i^YOLOv5） 分別為通過ViBe算法和YOLOv5算法得出的檢測框左上角點坐標， （w_i^ViBe，h_i^ViBe） 和 則分別為檢測框的寬度和高度。兩種算法得到的檢測框是否是檢測到的同一個目標的判斷標準如下：

標準1：如式（1）所示，當兩檢測邊框的左上角坐標和寬高分別比較且誤差全部在一定范圍 α 內時，則判定為真實目標。這里的 α 經過多次實驗測試，取值為40。若不滿足公式（1），則看是否滿足標準2。

標準2：根據式（2）判斷YOLOv5檢測框中心點坐 ，其縱坐標在ViBe檢測框的特定高度范圍 $| ＼beta ＼rrangle$ 內，其橫坐標在ViBe檢測框寬度范圍內，則判定為真實入侵。經過多次測試， β₁ 取

0.25，β₂ 取0.75，在實踐中能得到比較理想的結果。如果不滿足式（2），則看是否符合標準3。

標準3：假設YOLOv5和ViBe得到的目標邊框面積分別為 Y_i 和 V_i， 計算 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 M_i 或 N_i 大于閾值 ?γ 時，則認定為真實入侵。經過多次測試，將 γ 設定為0.9，即重合面積大于0.9則認定為真實入侵。 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被判定為真實的入侵，這時YOLOv5檢測框和ViBe檢測框至少滿足本文融合檢測算法所提到的三個標準之一。而如圖4所示的幾種入侵會被判定為虛假的入侵，這時YOLOv5檢測框和ViBe檢測框不滿足本文融合檢測算法提到的所有的三個標準。

本文采用的算法通過比較融合檢測得到的目標框與入侵區域的重疊度，篩選出入侵目標，不僅使得ViBe的檢測結果定位更加精確，而且一定程度上減少了YOLOv5的誤報率。兩種算法通過融合檢測進行修正對比，在保證較低漏報率的同時也提升了檢測精度。因此，本文算法能夠有效檢測到醫院制氧間場景下的人員入侵行為。

5 結論

本文通過對現有周界報警技術的研究，開發出適合醫院制氧間具體情況的基于視頻智能分析技術的醫院制氧間遠程監控報警系統。該系統采用紅外對射加視頻智能分析的入侵檢測方案，在低成本和高準確度之間取得了一個很好的平衡。

在入侵檢測算法方面，本文結合了YOLOv5高精度檢測能力及ViBe在入侵自標運動信息提取方面的優勢，通過將兩種算法提取到的可疑目標區域進行融合校正排除單個算法的誤判，得到實時且比較準確的入侵判斷，并遠程和本地同時報警。

綜上所述，本方案非常好地切合了醫院制氧間的特殊需求，具備進一步推廣到其他醫院的基本條件。

[參考文獻]

[1]葛妍.戶外周界防護系統綜述[J].中國安防產品信息，2004（5）：49-54.

[2]陳育智.智能視頻分析技術在周界報警系統中的應用[J].自動化儀表，2009（11）：14-18.

[3]繆圣凱.淺談周界報警市場現狀及發展趨勢［J].中國安防，2014（17）：24-28.

[4]張文雅，徐華中，羅杰.基于ViBe的復雜背景下的運動目標檢測[J].計算機科學，2017，44（9）：304-307.

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

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