[发明专利]一种基于空域特征和机器学习的分布式光纤入侵识别方法

权利要求书

1.一种基于空域特征和机器学习的分布式光纤入侵识别方法，其特征在于，所述方法包括以下步骤：

步骤1：通过一分布式光纤振动传感系统，感应光纤周围的振动信号，产生多条后向瑞利散射曲线，多条后向瑞利散射曲线构成二维时空信号，横轴对应光纤长度L，范围是L＝[L₁,L₂,L₃…L_P],纵轴对应时间t，时间t的范围是t＝[t₁,t₂,t₃…t_Q]，多条散射曲线按照时间排列构成二维时空信号为：

采集到的M条瑞利散射曲线，后向瑞利散射曲线的点数为N，可以组成一幅M*N的二维图像数据f(x,y)；

步骤2：对图像数据f(x,y)进行图像预处理，以达到图像去噪和增强的目的，去噪预处理后的图像为f₁(x,y)，增强后的图像为f₂(x,y)；

步骤3：获取f₂(x,y)二值化阈值k^*后将图像f₂(x,y)二值化，分割后的图像为g(x,y)，输入的图像为f₂(x,y)，将图像分为前景g(x,y)＝1,f₂(x,y)＞k^*和背景g(x,y)＝0，f₂(x,y)≤k^*两部分：

步骤4：二值化后的图像g(x,y)利用图像降噪方法消去噪点，处理后的图像为g₁(x,y)，获取图像事件连通区域的重心坐标，将对应的像素点坐标转换为对应光纤长度和时间的直角坐标，将获得的坐标点拟合成曲线为：

W＝F(L,t)

步骤5：计算曲线中每个点的一阶导数F¹和二阶导数F²，及高阶导数Fⁿ，一阶导数的意义是事件发生的瞬时速率的倒数，二阶导数的意义是事件发生的瞬时加速率的倒数，将此事件速率和加速率的平均值作为信号空域特征，为后续的模式识别做准备；

步骤6：将获得的空域特征作为特征向量并结合机器学习算法对入侵扰动事件进行模式识别。

2.如权利要求1所述的一种基于空域特征和机器学习的分布式光纤入侵识别方法，其特征在于，所述步骤1中，通过采集多条后向瑞利散射曲线构成二维图像数据，用于步骤2的图像预处理。

3.如权利要求1或2所述的一种基于空域特征和机器学习的分布式光纤入侵识别方法，其特征在于，所述步骤2中，图像去噪的方法可采用均值滤波，对于图像中的目标像素(x,y)，计算目标像素周围9个像素的均值作为目标像素的灰度值，如下所示：

式中，m为掩模中包含当前像素值在内的像素总数，8邻域掩模如下所示：

图像锐化增强可采用Sobel算子，对于图像中像素点(x,y)，将8邻域上各点权值与灰度值相乘最为目标像素的灰度值，锐化增强后的图像为f₂(x,y)。

4.如权利要求1或2所述的一种基于空域特征和机器学习的分布式光纤入侵识别方法，其特征在于，所述步骤3中，获取类间方差σ²_B，全局均值m_G以及图像像素被分到灰度值在[0,k]范围内的概率P₁(k)，获取图像阈值，使用的是最大类间方差法方法自动获取图像最佳阈值k^*：

5.如权利要求1或2所述的一种基于空域特征和机器学习的分布式光纤入侵识别方法，其特征在于，所述步骤4中，图像上消去噪声点的方法利用开操作方法，结构元b对图像f的开操作表示为fob。

6.如权利要求1或2所述的一种基于空域特征和机器学习的分布式光纤入侵识别方法，其特征在于，所述传感信号是通过分布式光纤振动传感系统收集通信光缆附近的扰动信号，机器学习采用支持向量机算法。