[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

说明书

本发明提供了一种基于振动光纤和深度学习的入侵报警系统，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。本发明能快速得到可疑入侵信号的位置点，发生一级报警；可以准确快速地识别出是否为人为入侵，实现二级报警；成本低，准确率高。

技术领域

本发明涉及光纤传感技术领域，具体地，涉及一种基于振动光纤和深度学习的入侵报警系统、方法及介质。尤其地，涉及一种定位型振动光纤探测入侵事件的一级定位报警及基于深度学习YOLOV3框架的视频流中入侵事件的二级检测报警系统。

背景技术

光纤周界安防系统是新一代的周界监控系统，它通过监测和分析传导至光纤的振动信息，对入侵干扰信号进行判断和定位，在周界安防领域中，随着围栏型周界的广泛使用，远程可定位周界入侵监控系统的需求越来越大，它在军队周界、边境线、机场、监狱以及其他重要部门的周界安防中均大有可为。

针对围栏型周界入侵探测的需求，本研究开发了定位型振动光纤入侵探测系统，该系统是基于相位敏感的光时域技术实现的，即通过探测光脉冲的返回时间确定事件发生的位置，脉冲的宽度决定空间的精度，而返回的相干瑞利散射光的强度反映了振动的变化，其利用光纤作为传感器来探测外界扰动并通过信号处理判别是否入侵。

然而，定位型振动光纤入侵探测主机输出的是巨大的传感器阵列信号，数据量巨大，通过传统的信号处理技术，对阵列信号进行预处理操作，人工提取信号中相对明显的特征，并将其输入到传统模式识别模型中进行分类识别，该过程不仅花费较长的时间，无法满足实时监测的要求。

同时在自然环境中存在各种各样的干扰，如大风、大雨、冰雹等恶劣天气的影响，这些环境干扰使得光纤传感器产生类似于正常入侵干扰的信号，导致传统模式的识别率较低，造成严重的虚警误报现象。近年来，深度学习在自然图像分类、通用目标检测、语义分割等计算机视觉领域取得了突破性的成绩并逐渐应用于工程实践。将深度学习用于视频运动目标检测的方法，能够有效描述目标外观、结构、色彩等视觉特征，从而检测定位目标。因此，研究一种基于定位型振动光纤探测技术和YOLOV3深度学习视频检测技术相融合的入侵报警系统，实现入侵事件的一级定位报警和二级检测报警是十分必要的。

YOLO算法对所有可能的目标都给出属于某个类的概率以及预测框的左上角坐标和宽高，其中包括背景中形似人的虚警目标，当虚警目标和人相似程度较高时，其概率和真人比较接近，通过手动设置阈值的方式无法有效地排除所有虚警信息，当检测阈值设置较低时，会对一些形似目标的静止物体产生虚警误判，当阈值设置较高时，又可能出现漏检的情况。要达到阈值和准确率两者的平衡，势必要损失某一参数性能来提高另一个参数，并且过于依赖人为设定的参数。

介于以上原因，本算法将深度学习方法和传统视频运动目标检测方法相结合，利用深度学习方法对行人目标准确、全面的外观描述的同时，挖掘行人目标的运动信息，利用运动信息去除深度学习方法产生的虚警目标，以期提高行人检测准确率。选择的GMM算法是基于像素样本统计信息的背景表示方法，可以有效地检测出运动目标。

针对上述现有技术中的缺陷，本发明要解决的技术问题体现在以下几点：

1、预处理操作是一级定位报警算法中信号处理部分的重要环节，旨在大量的信号中滤除干扰信号，筛选出入侵信号，降低数据的运算量，提升入侵事件的运算效率，完成入侵信号的一级定位报警。

2、利用一级定位报警的输出找到可疑入侵点，触发附近的摄像头转向可疑位置点获取实时的视频流信息，利用深度学习YOLOV3模型融合GMM算法完成入侵行为的检测。利用此方法代替传统的模式识别方法，从而降低入侵事件的误报率，提升人为入侵行为的检测精度，实现入侵事件的二级检测报警。

3、结合一级定位报警和二级检测报警实现对围栏型周界入侵事件的探测，能满足人为入侵事件实时监测的需求。