基于特定类型物体检测的药店视频监管系统

黄叶珏

摘 要：针对目前医保基金交易结算监管的新形势，传统视频监控已无法满足对药店非准许范围内交易进行监管的要求。提出一种基于特定类型物体检测的药店视频监管系统，该系统在传统视频监控的基础上，针对药店监管的具体场景进行设计，并进一步采用智能视频分析方法检测和识别药店典型的非准许经营范围的商品。在后台管理系统中，医保中心的监管工作人员可以非常方便地对药店产品的医保基金结算交易进行监管。

关键词：医保基金监管；视频监控；视频分析；特定类型物体检测；高斯混合模型

DOIDOI：10.11907/rjdk.162272

中图分类号：TP319

文献标识码：A文章编号：1672-7800（2016）012-0080-02

0 引言

随着国家开放药店准入机制，药店经营门槛降低，监管部门为了加强对药店的管理，在药店里安装了视频监控系统，但是传统的视频监控系统难以满足监管部门的监控需求。由于药店处于市场自由竞争状态，很多药店为了自身利益，会出售一些准许经营范围之外的物品，如大米、红枣、酱油等。为进一步获取利益，不少药店甚至违规使用医保基金，诱导消费者使用医保基金购买非药品类商品，从而达到骗取医保基金的目的。一般情况下，一个地级市有近1 000家药店，监管部门采用普通的视频监控系统根本不可能完成对所有药店非法行为进行监管的任务。因此，本文根据目前药店的实际情况，提出一种基于特定类型物体检测的药店视频监管系统，它在传统视频监控的基础上，采用视频分析方式对非准许经营范围的典型物品进行检测[1-2]。系统可以对药店每笔发生医保基金结算的交易提取现场视频片段摘要，并把检测结果推荐给监管部门负责人，以方便对药店交易行为进行监管[3-4]。

1 基于交易的现场视频片段摘要提取前端系统

基于交易的现场视频片段摘要提取前端系统安装在药店的计算机上，通过Onvif或GB18181协议与药店现场的网络监控相机相连。前端系统对药店营业时间内所有的监控视频进行解析，当药店产生交易时，药店的HIS系统与医保中心的医保结算系统产生结算记录。在该时间点上，医保中心的后台系统推送一个时间戳给前端系统，前端系统则抓拍一张当时现场发生交易时的全景图像，并保存该时间戳前后5分钟的视频数据，然后把两个数据组成一个包组上传到后台管理系统中。由于前端系统与医保中心的后台系统发生关系时，时间点非常重要，所以前端系统每天上午启动时，都会与医保中心的后台系统进行时间同步。

前端系统在药店早上打开计算机进行营业时自启动程序，程序启动后首先隐藏自身界面，然后创建10分钟的视频码流缓冲区；通过预先配置好的设置，通过Onvif或GB18181协议访问药店现场的网络相机，获取视频流，并把视频码流放入预先创建的视频码流缓冲区中；当前端系统收到医保中心后台系统推送的时间戳时，从视频码流缓冲区中找到时间戳的位置，取出当前位置的视频帧解码成全景抓拍照片，再向前与向后分别截取5分钟视频码流，组成10分钟交易视频片段；最后将全景抓拍照片与10分钟的视频片段组包上传到后台管理系统中[5-6]。

2 特定类型物体检测后端识别系统

为进一步方便医保中心的监管，系统引入图像识别算法，对特定类型商品（非准许经营的商品）进行识别。当发生医保基金结算时，后端识别系统根据前端系统提交的全景照片，识别是否存在特定类型的商品。当出现特定类型商品时，系统把该笔交易的审查优先级提高，优先推荐给医保中心的监管工作人员进行审查。考虑到药店数量多，交易量大，为了减轻后台系统的计算压力，根据相机视野固定的特点，可以在安装时设置感兴趣的区域，特定类型的物体检测只在预设的感兴趣区域中进行。考虑到交易过程中，商品必定会产生移动，所以可引入移动侦测算法，只有当出现移动物体时才进行识别。

特定类型的商品识别采用检测的方式实现，首先收集特定商品图片作为训练集的正例，以及不包含特定商品的图片作为训练集的负例，然后针对每一种特定商品进行分类器训练。分类器采用支持向量机算法SVM[9]，分类器特征采用HOG特征算法[7-8]。在检测时，特征值与SVM的参数向量相乘得到一个分数，当分数小于零时，判定不是该类商品；当分数大于零时，则判定属于该类商品。

当后端识别系统收到前端系统传来的组包后，采用视频移动侦测的方式计算感兴趣区域内是否存在移动物体，移动侦测采用高斯混合模型GMM算法[10-11]。当存在移动物体时，求出其外接包围盒，并使用之前预告训练好的特定商品分类器，识别是否为特定商品。

3 后端管理系统

后端管理系统提供给医保中心的监管工作人员使用，主要由人员管理、药店注册、实时交易视频摘要浏览、药店摄像机异常报警与违规交易统计5大模块组成：人员管理模块主要用于设置监管工作人员的使用权限，该功能比较常见，实现也很简单；药店注册模块用于关联前端系统、后端识别系统和后端管理系统。注册时系统自动生成一个唯一的GID号代表药店一个相机的标识，安装人员在安装前端系统时，需要在系统中设置该药店摄像机的GID号，3大系统即可根据GID进行关联。由于药店摄像机数量众多，系统还可提供批量导出GID号的功能，以方便前端安装人员配置系统；实时交易视频摘要浏览模块是整个系统的核心部分，可方便医保中心监管工作人员审核药店交易是否违规。浏览模式可以选择按药店名称、交易时间、大图或中图模式、识别优先级等进行浏览。其中，按识别优先级浏览指后端识别系统在进行识别后，会根据违规商品检测结果计算一个检测分数，检测分数高时，则优先级也高。监管工作人员浏览时，可以根据系统提供的正常播放、快速播放、暂停、切片等方式审核交易，并进行标记；药店摄像机异常报警模块主要用于检测药店摄像机是否存在异常，如摄像机是否正常连接、是否被遮挡、图像品质是否正常等。当出现异常情况时，则在系统上报警或发短信给管理人员；违规交易统计模块主要用于统计审核后的结果，并提供各种统计方式。

管理系统为B/S架构，主要由Java编程实现。与图像和视频处理相关的部分，比如视频播放由C++编程实现，并包装成OCX控件提供给页面JavaScript进行调用；后端摄像机异常检测也由C++实现，由于系统布置在Centos上，所以需要编译成动态链接库SO文件，由Java通过JNI进行调用。

4 结语

鉴于目前药店监管的新形势，本文提出一种基于特定类型物体检测的药店视频监管系统，在传统通用视频监控系统的基础上，引入智能视频分析算法实现对特定类型商品的检测和识别，从而对药店的违规经营情况进行监管。

参考文献：

[1] TAO KONG，ANBANG YAO，YURONG CHEN，et al.HyperNet：towards accurate region proposal generation and joint object detection[C].Conference on Computer Vision and Pattern Recognition，2016.

[2] KEZE WANG，LIANG LIN，WANGMENG ZUO，et al.Dictionary pair classifier driven convolutional neural networks for object detection[C].Conference on Computer Vision and Pattern Recognition，2016.

[3] DAVID NOVOTNY，JI MATAS.Cascaded sparse spatial bins for efficient and effective generic object detection[C].ICCV，2015.

[4] CEWU LU，YONGYI LU，HAO CHEN，et al.Square localization for efficient and accurate object detection[C].ICCV，2015.

[5] 高仕博，程咏梅，肖利平，等.面向目标检测的稀疏表示方法研究进展[J].电子学报，2015（2）：78-85.

[6] 罗大鹏，罗琛，魏龙生，等.基于在线随机蕨分类器的实时视觉感知系统[J].电子学报，2016，44（5）：56-62.

[7] DALAL N，TRIGGS B.Histograms of oriented gradients for human detection[C].Computer Vision and Pattern Recognition，2005.

[8] ZHU Q，YEH M C，CHENG K T，et al.Fast human detection using a cascade of histograms of oriented gradients[C].Computer Vision and Pattern Recognition，2006.

[9] P H CHEN，C J LIN，B SCHLKOPF.A tutorial on ν-support vector machines[J].Applied Stochastic Models in Business and Industry，2005，21（2）：111-136.

[10] STAUFFER C，GRIMSON W E L.Adaptive background mixture models for real-time tracking[C].Conference on Computer Vision and Pattern Recognition，1999.

[11] STAUFFER C，GRIMSON W E L.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2000，22（8）：747-757.

（责任编辑：黄 健）