一种周界入侵事件的识别方法与系统

摘要

本发明涉及一种周界入侵事件的识别方法与系统，利用特征结构的多模光纤感应入侵信号，基于入侵信号经通过小波变换对其滤波、进行短时傅里叶变换获取时频图，基于训练样本与测试样本，根据工程应用指标选择合适的网络模型；再利用选定的网络模型对入侵信号进行识别。本发明能够在对复杂环境下的人为入侵和非人为入侵事件进行模式识别，对人为入侵信号和非人为入侵信号进行区分，并能够减小误报率和漏报率，并提高了多模光纤在周界防区的监测领域以及在工程领域中的应用。

权利要求

1.一种周界入侵事件的识别方法，其特征在于，步骤如下：

1)选定适用于已知类型的入侵信号进行识别的网络模型；

2)利用包含多种噪音的已知类型的入侵信号组成的训练集，利用选定的网络模型进行训练，利用训练完成的网络模型对实时采集的入侵信号进行识别；

步骤1)中，选择适用的网络模型的方法如下：

1.1)采集一定数量的已知类型的入侵信号作为训练样本与测试样本，并采用小波变换对训练样本与测试样本进行滤波，再进行短时傅里叶变换，获得对应的时频图；

1.2)利用时频图的图像特征，分别通过不同的网络模型对训练样本进行训练；

1.3)利用网络模型对测试样本进行识别；

1.4)计算在不同的网络模型网络中，训练样本的运算时间、对训练样本的训练时间总和，以及对每个测试样本的识别时间，选定运算时间、训练时间总和、识别时间最短的网络模型；

步骤1.1)中，比较用于短时傅里叶变换的不同的窗函数和窗宽，选择适配已知类型的入侵信号的窗函数和窗；

步骤1.2)中，通过网络模型对训练样本进行训练之前，先选择深度学习优化器，并设定批次大小、迭代次数，初始化网络模型的权值w与偏置值b；然后计算输出值存在的偏差，再计算损失值；根据损失值优化权值w与偏置值b，直至偏差符合要求；

选定的网络模型为Inception‑v2结构的卷积神经网络模型。

2.根据权利要求1所述的周界入侵事件的识别方法，其特征在于，已知类型的入侵信号包括人为入侵信号、非人为人侵信号；其中，人为入侵信号包括敲击、摇晃，非人为人侵信号包括刮风、下雨。

3.一种周界入侵事件的识别系统，其特征在于，包括光源、多模光纤、光电二极管、数据采集卡，光源信号经多模光纤、光电二极管后，通过数据采集卡进行数据采集；通过多模光纤感应入侵信号，在入侵信号的影响下采集的数据，基于权利要求1至2任一项所述的识别方法进行识别。

4.根据权利要求3所述的周界入侵事件的识别系统，其特征在于，多模光纤包括依次耦合的前单模光纤段、多模光纤段、后单模光纤段。

5.根据权利要求3所述的周界入侵事件的识别系统，其特征在于，将多模光纤缠绕固定在围成周界的围网上，用于感应入侵信号。

说明书

一种周界入侵事件的识别方法与系统

技术领域

[0001] 本发明涉及光纤周界安防领域，更具体地说，涉及一种周界入侵事件的识别方法，以及一种周界入侵事件的识别系统。

背景技术

[0002] 光纤周界安防通常具备抗电磁干扰，耐腐蚀以及灵敏度高，结构简单以及安全可靠等效果，一般用于基站，主要目的是为了阻止在复杂环境下的非法入侵的行为，提高系统对人为入侵事件的识别准确率，同时提高对非人为入侵的准确率。因而，在博物馆安全领域、政府利害部门、航空以及军事领域都获得很高的重视。

[0003] 现有技术中，中国发明专利申请201611266625.8公开了一种分布式光纤围栏振动入侵识别系统中，但其技术方案需要计算分帧处理，计算分帧的过零率和过零率，需要对有用信号的截取，对信号处理不灵敏，实时性差，计算量冗余。

[0004] 中国发明专利申请201410494088.7公开了一种光纤预警及模式识别方法，但其技术方案中，系统光路复杂，存在着样本过于简单，对复杂环境下入侵事件的特征没法进行提取，只能仅限于理想环境中的入侵信号，存在着不切合工程实际应用的场合。

发明内容

[0005] 本发明的目的在于克服现有技术的不足，提供一种周界入侵事件的识别方法，以及一种周界入侵事件的识别系统，实现对复杂环境下的人为入侵和非人为入侵事件的模式识别，并能够实现低误报率和低漏报率。

[0006] 本发明的技术方案如下：

[0007] 一种周界入侵事件的识别方法，步骤如下：

[0008] 1)选定适用于已知类型的入侵信号进行识别的网络模型；

[0009] 2)利用包含多种噪音的已知类型的入侵信号组成的训练集，利用选定的网络模型进行训练，利用训练完成的网络模型对实时采集的入侵信号进行识别；

[0010] 步骤1)中，选择适用的网络模型的方法如下：

[0011] 1.1)采集一定数量的已知类型的入侵信号作为训练样本与测试样本，并采用小波变换对训练样本与测试样本进行滤波，再进行短时傅里叶变换，获得对应的时频图；

[0012] 1.2)利用时频图的图像特征，分别通过不同的网络模型对训练样本进行训练；

[0013] 1.3)利用网络模型对测试样本进行识别；

[0014] 1.4)计算在不同的网络模型网络中，训练样本的运算时间、对训练样本的训练时间总和，以及对每个测试样本的识别时间，选定运算时间、训练时间总和、识别时间最短的网络模型。

[0015] 作为优选，步骤1.1)中，比较用于短时傅里叶变换的不同的窗函数和窗宽，选择适配已知类型的入侵信号的窗函数和窗宽。

[0016] 作为优选，步骤1.2)中，通过网络模型对训练样本进行训练之前，先选择深度学习优化器，并设定批次大小、迭代次数，初始化网络模型的权值w与偏置值b；然后计算输出值存在的偏差，再计算损失值；根据损失值优化权值w与偏置值b，直至偏差符合要求。

[0017] 作为优选，已知类型的入侵信号包括人为入侵信号、非人为人侵信号；其中，人为入侵信号包括敲击、摇晃，非人为人侵信号包括刮风、下雨。

[0018] 作为优选，选定的网络模型为Inception‑v2结构的卷积神经网络模型。

[0019] 一种周界入侵事件的识别系统，包括光源、多模光纤、光电二极管、数据采集卡，光源信号经多模光纤、光电二极管后，通过数据采集卡进行数据采集；通过多模光纤感应入侵信号，在入侵信号的影响下采集的数据，基于所述的识别方法进行识别。

[0020] 作为优选，多模光纤包括依次耦合的前单模光纤段、多模光纤段、后单模光纤段。

[0021] 作为优选，将多模光纤缠绕固定在围成周界的围网上，用于感应入侵信号。

[0022] 本发明的有益效果如下：

[0023] 本发明所述的周界入侵事件的识别方法与系统，利用特征结构的多模光纤感应入侵信号，基于入侵信号经通过小波变换对其滤波、进行短时傅里叶变换获取时频图，基于训练样本与测试样本，根据工程应用指标选择合适的网络模型；再利用选定的网络模型对入侵信号进行识别。本发明能够在对复杂环境下的人为入侵和非人为入侵事件进行模式识别，对人为入侵信号和非人为入侵信号进行区分，并能够减小误报率和漏报率，并提高了多模光纤在周界防区的监测领域以及在工程领域中的应用。

附图说明

[0024] 图1是本发明所述的方法的流程示意图；

[0025] 图2是本发明所述的系统的原理示意图；

[0026] 图3是入侵信号(敲击)的时频图；

[0027] 图4是入侵信号(摇晃)的时频图；

[0028] 图5是入侵信号(刮风)的时频图；

[0029] 图6是入侵信号(下雨)的时频图；

[0030] 图中：10是多模光纤，11是前单模光纤段，12是多模光纤段，13是后单模光纤段。

具体实施方式

[0031] 以下结合附图及实施例对本发明进行进一步的详细说明。

[0032] 本发明为了解决现有技术存在的不足，提供一种周界入侵事件的识别方法，以及一种周界入侵事件的识别系统。其中，本发明所述的周界入侵事件的识别方法，如图1所示，步骤如下：

[0033] 1)选定适用于已知类型的入侵信号进行识别的网络模型；

[0034] 2)利用包含多种噪音的已知类型的入侵信号组成的训练集，利用选定的网络模型进行训练，利用训练完成的网络模型对实时采集的入侵信号进行识别。

[0035] 为了简化识别过程，并减小误报率和漏报率，本发明需要筛选出与某些特定类型的入侵信号最适配的网络模型，本实施例中，步骤1)中，选择适用的网络模型的方法如下：

[0036] 1.1)采集一定数量的已知类型的入侵信号作为训练样本与测试样本，并采用小波变换对训练样本与测试样本进行滤波，再进行短时傅里叶变换，获得对应的时频图；

[0037] 其中，为了选定适配已知类型的入侵信号的窗函数和窗宽，则在步骤1.1)中，比较用于短时傅里叶变换的不同的窗函数和窗宽，选择适配已知类型的入侵信号的窗函数和窗宽；

[0038] 1.2)利用时频图的图像特征，分别通过不同的网络模型对训练样本进行训练；

[0039] 其中，为了选择最合适的网络参数，则在步骤1.2)中，通过网络模型对训练样本进行训练之前，先选择深度学习优化器，并设定批次大小、迭代次数，初始化网络模型的权值w与偏置值b；然后计算输出值存在的偏差，再计算损失值；根据损失值优化权值w与偏置值b，直至偏差符合要求；

[0040] 1.3)利用网络模型对测试样本进行识别；

[0041] 1.4)计算在不同的网络模型网络中，训练样本的运算时间、对训练样本的训练时间总和，以及对每个测试样本的识别时间，选定运算时间、训练时间总和、识别时间最短的网络模型。

[0042] 本实施例中，已知类型的入侵信号包括人为入侵信号、非人为人侵信号；其中，人为入侵信号包括敲击、摇晃，非人为人侵信号包括刮风、下雨。进而，选定的网络模型为Inception‑v2结构的卷积神经网络模型。

[0043] 基于所述的识别方法，本发明还提供一种周界入侵事件的识别系统，如图2所示，包括光源、多模光纤10、光电二极管、数据采集卡，光源信号经多模光纤10、光电二极管后，通过数据采集卡进行数据采集；通过多模光纤10感应入侵信号，在入侵信号的影响下采集的数据，基于所述的识别方法进行识别。

[0044] 本实施例中，多模光纤10包括依次耦合的前单模光纤段11、多模光纤段12、后单模光纤段13。其中，前单模光纤段11与多模光纤段12的熔接处，损耗为0.02db，后单模光纤段13与多模光纤段12的熔接处，损耗为0.01db。

[0045] 实施时，将多模光纤10缠绕固定在围成周界的围网上，用于感应入侵信号。具体地，整条多模光纤10长度为300米，将其缠绕在铁丝网上，并用铁箍锁住，则所述的敲击为铁棒子敲击铁丝网，摇晃为使用手摇晃的铁丝网。

[0046] 本实施例采用的光源为激光器，其波长为1550nm，强度为13dbm，用耦合器连接到前单模光纤段的熔接点处。数据采集卡采用为16位25MSPS的1601B数据采集卡，采样深度设置为256k，采样率设置为100khz。

[0047] 本实施例中，对每个类型的入侵信号采集300次，作为样本，四类信号一共有1200个样本。将这些样本分为训练集和测试集，其中训练集为1020个信号，测试集为180个信号，测试比例为0.15。

[0048] 本实施例中，进行小波变换时，选择db8小波基，并使用10层分解。选定的用于短时傅里叶变换的窗函数为旁瓣为0.5的凯塞窗窗函数，窗宽为4800，在傅里叶变换中窗口与窗口之间的重叠数为4200，采样率为10000hz。

[0049] 其中，短时傅里叶变换公式为

[0050] 本实施例中，损失值采用交叉熵函数进行计算。深度学习优化器采用adam优化器其中，学习率设置为0.0003，batch_size设置为16，epoch设置为8，迭代次数为383次。

[0051] 具体实施时，预先选择了三种经典的卷积网络结构Inception‑v2，Inception‑v3，Resnet，通过工程应用指标选择实际应用参数，挑选出的有利于本实施例实际应用的卷积神经网络模型为Inception‑v2结构。

[0052] 选定网络模型后，步骤2)中，制作含有大量噪声的数据集，分为训练集和测试集。该训练集包括含有每类信号高斯噪声为30db、40db、50db、60db、70db五种入侵信号，一共为
6000个样本，将这6000个样本用于训练，然后另外设计12组测试样本，每组测试样本为4类信号各50个样本，这50个样本中包含了5类噪声各10个。将训练集在inception‑v2结构的网络模型中进行训练。

[0053] 采集恶劣环境下的入侵信号，制作成时频图，如图3至图6所示，放入到该网络模型中进行测试。经过实测，本发明对恶劣环境下的于敲击、摇晃、刮风、下雨等入侵信号的识别率可以达到93.83％、99.49％、95.93％和99.83％，满足对不同的入侵信号进行识别。

[0054] 上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。