[发明专利]基于振动光纤和深度学习的入侵报警系统、方法及介质

权利要求书

1.一种基于振动光纤和深度学习的入侵报警系统，其特征在于，包括：

一级定位报警模块：对瑞利散射信号进行拉平、高通滤波、阈值设置和提取特征量，得到一级报警位置点；

二级检测报警模块：根据一级报警位置点，获取视频流信息，根据深度学习YOLOV3模型融合背景差分法GMM完成入侵行为的检测，进行二级检测报警。

2.根据权利要求1所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述一级定位报警模块包括：

模块A1：在振动光纤传感系统中接入光纤，得到瑞利散射信号；

模块A2：对瑞利散射信号进行归一化拉平处理；

模块A3：对归一化拉平后的瑞利散射信号进行高通滤波处理；

模块A4：对高通滤波处理后的瑞利散射信号进行阈值设置；

模块A5：提取特征量，根据预设阈值判断是否为入侵信号，并输出一级报警位置点。

3.根据权利要求1所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述二级检测报警模块包括：

模块B1：根据一级定位报警位置点，调用附近的摄像头，提取入侵点的视频流；

模块B2：搭建基于深度学习的YOLOV3框架；

模块B3：根据高斯混合模型的背景差分法对运动目标进行检测；

模块B4：进行融合检测，得到行人矩形框；

模块B5：根据行人矩形框判断行人是否存在入侵行为。

4.根据权利要求1所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述特征量包括能量和过阈值率。

5.根据权利要求3所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述模块B2包括：先配置运行环境，然后运行环境下搭建YOLOV3框架，进行模型的训练操作。

6.根据权利要求3所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述模块B4包括：根据YOLOV3框架对行人的检测边框和背景差分法对运动目标的检测边框是否存在重合区域，判断检测的是否为同一目标，若是同一目标则确定为行人矩形框。

7.根据权利要求3所述的基于振动光纤和深度学习的入侵报警系统，其特征在于，所述模块B5包括：判断矩形框的底线即行人的脚部运动位置是否位于围栏区域，若不在底线区域，则判定不存在入侵行为；若在底线区域，则计算矩形框与围栏区域的面积交集比是否大于预设阈值，若大于预设阈值，则判定为入侵，并进行二级检测报警。

8.一种基于振动光纤和深度学习的入侵报警方法，其特征在于，采用权利要求1所述的基于振动光纤和深度学习的入侵报警系统，执行步骤包括：

步骤1：在振动光纤传感系统中接入光纤，得到瑞利散射信号；

步骤2：对瑞利散射信号进行归一化拉平处理；

步骤3：对归一化拉平后的瑞利散射信号进行高通滤波处理；

步骤4：对高通滤波处理后的瑞利散射信号进行阈值设置；

步骤5：提取特征量，根据预设阈值判断是否为入侵信号，并输出一级报警位置点；

步骤6：根据一级定位报警位置点，调用附近的摄像头，提取入侵点的视频流；

步骤7：搭建基于深度学习的YOLOV3框架；

步骤8：根据高斯混合模型的背景差分法对运动目标进行检测；

步骤9：进行融合检测，得到行人矩形框；

步骤10：根据行人矩形框判断行人是否存在入侵行为。

9.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求8所述的方法的步骤。