CN102663032B - 一种光纤光栅围栏入侵事件模式识别方法 - Google Patents

Abstract

本发明公开了一种光纤光栅围栏入侵事件模式识别方法，在对局部异常进行检测和定位后，通过主分量分析方法对入侵事件模式进行识别和分类：（1）建立样本数据库；（2）通过样本信号的主分量分析构建特征空间的基矢量；（3）提取所有入侵样本信号的主分量特征参数；（4）将入侵测试信号向由样本数据库构建的特征空间基矢量上进行投影，得到测试信号的主分量特征参数；（5）根据测试信号与样本信号特征矢量间的欧式距离，利用最近邻分类方法对测试信号的具体事件类型进行分类和识别。该方法误报率低，实时性好，执行效率高，可分类的对象类别多，识别率较高，可满足光纤光栅围栏入侵监测等非可视安防系统对入侵对象智能识别和分类的要求。

Description

一种光纤光栅围栏入侵事件模式识别方法

技术领域

本发明涉及安全监测、安防及传感网络信号处理方法领域，具体涉及一种光纤光栅围栏入侵事件模式识别方法。

背景技术

对于军事基地、机场、博物馆、大型石化工厂等重要区域的安全监测与防范是全球目前最重要的一项任务，也是最困难的挑战之一。近年来，报道了多种入侵监测技术，如电子围栏、红外摄像、视频监控、基于电类震动传感器的系统等，最近几年随着物联网技术的发展，光纤传感器在安全监测和安防领域的应用已成为一个热点。其中基于布拉格光纤光栅(FBG)传感器的光纤围栏入侵监测系统，不仅拥有一般光纤传感器的所有优点，如全程无源，本质安全，抗电磁干扰，耐高温、高湿、高压等极度恶劣地理与气候环境等，同时由于它是波长检测型，相对于干涉等光强检测型传感器具有较强的抗干扰能力，而且FBG传感器对温度、应变等多种参数同时敏感，能够实现多点同时检测与定位，因此被广泛用于安防监测领域。此外，FBG传感器成熟的复用和解调技术使得FBG传感网络在安防监测领域具有潜在的应用前景。然而，和大多数传感监测系统一样，基于FBG光纤传感器的光纤光栅围栏入侵监测系统，在对入侵信号进行实时检测和定位的同时，还需要判断和识别入侵事件的模式类型，提供一种高效率的智能安防手段。

申请号为201010181996.2的中国专利申请公开了一种防入侵系统传感网络非均匀灵敏度节点的入侵检测与定位方法，该方法利用信号自身的相关特性，即有入侵的信号自相关时间长度大于无入侵的信号自相关时间长度，通过计算信号的自相关函数，比较非零时延抽头处的信号相关系数值，来辨别入侵信号的有无。该方法适用于非均匀灵敏度传感节点的检测，无需进行一致性软件或硬件标定，检测与定位的准确性极高，误警率低，而且适用于多种材质混合的大型或长距离周界围栏防入侵应用。但该方法没有公开对入侵事件模式的识别方法。

目前，由于围栏材质、传感器安装方式、外界自然环境等一些不确定因素的影响，入侵事件的模式识别仍然是困扰非可视性防入侵监测系统的一个棘手问题。因此如何有效识别不同模式的入侵事件是光纤光栅围栏入侵监测系统面临的一个重要问题，直接决定着该系统的实际应用价值和应用前景。

发明内容

本发明所要解决的问题是：如何提供一种实时高效、识别率高、分类目标比较多的光纤光栅围栏入侵事件模式识别方法，克服现有技术中所存在的缺陷，满足光纤光栅围栏入侵监测系统对入侵对象的智能识别和分类的要求。

本发明所提出的技术问题是这样解决的：一种光纤光栅围栏入侵事件模式识别方法，对局部异常进行检测和定位后，通过主分量分析(PCA)方法对入侵事件模式进行识别并分类，其包括如下步骤：

(1)首先对于某种防御周界通过实验建立各种典型入侵事件信号的样本数据库；

(2)对样本数据库里面的入侵样本信号集通过主分量分析，构建特征空间的基矢量；

(3)提取数据库中所有类型事件所有入侵样本信号的主分量特征参数，作为下面最近邻分类方法中每类事件的参照特征；

(4)在检测传感信号异常后，从发生异常开始截取测试信号，长度与样本信号相同，将入侵测试信号向由样本数据库构建的特征空间基矢量上进行投影，得到测试信号的主分量特征参数；

(5)计算测试信号与所有样本信号特征矢量间的欧式距离，根据测试信号与样本信号特征矢量间的欧式距离，并利用最近邻分类方法将测试信号的具体事件类型进行分类与识别。

步骤(1)的具体方法为：固定时间长度采集各种入侵模式下的实际信号，该固定时间长度确保所有入侵事件能够完整发生，另外，防御周界不同，需要重新建立新的数据库以适应新的环境，设各种入侵事件数分别为N₁、N₂、N₃...N_n，那么数据库中采集的所有入侵事件信号总数N＝N₁+N₂+N₃+...+N_n；设采集长度为L，单个事件采集信号为x_i(i＝1，2，…N)，为行向量，N个样本信号行向量构成样本数据库X＝{x_i(i＝1，2，…N)}，为N×L的矩阵。

步骤(2)的具体方法为：对所有入侵样本信号进行去均值处理，计算入侵样本信号集的信号协方差矩阵C_X＝(X-mean(X))(X-mean(X))^T，协方差矩阵C_X为N×N的方阵；对协方差矩阵进行奇异值分解得到C_X的N个特征值{λ_i(i＝1，2，…N)}和相对应的N个特征向量{U_i(i＝1，2，…N)}；特征值按从大到小顺序排列，λ₁＞λ₂＞...＞λ_N，根据式子

选取所占比重大于90％的特征值，即起主导作用的M个主分量特征参数；与M个主分量特征参数对应的归一化特征矢量，为N×M矩阵U_p，

利用去均值样本矩阵X与M个归一化主分量特征矢量，共同构建特征空间基矢量Base，计算公式为Base＝(X-mean(X))^T·U_p，Base即为由样本数据库经主分量分析方法构建的特征空间基矢量，维数为L×M，将构建的特征空间基矢量Base存储起来。

步骤(3)的具体方法为：将数据库中所有样本信号x_i(i＝1，2，…N)向构建的特征空间基矢量Base上进行投影，得到各个样本信号的特征矢量集F＝(F_i＝[f_i1，f_i2，…，f_iM](i＝1，2，…N)}，包含N个1×M维的特征矢量，将从样本信号集中得到的入侵信号特征矢量集F存储起来。

步骤(4)的具体方法为：在检测传感信号异常后，从发生异常开始截取测试信号，长度与样本信号相同，将入侵测试信号向由样本数据库构建的特征空间基矢量Base上进行投影，得到测试信号的主分量特征参数，即测试信号特征矢量T＝[t₁，t₂，…，t_M]。

步骤(5)的具体方法为：根据以下公式计算测试信号特征矢量与所有样本信号特征矢量的欧式距离：

$\left|\right|T-F_i\left|\right|=\sqrt{{(t_1-f_{i1})}^2+\·\·\·+{(t_M-f_{\mathrm{iM}})}^2},(i=\mathrm{1,2},\·\·\·,N);$

按照所计算的测试信号与各样本信号特征矢量间的欧式距离，取三个离测试信号最近的样本信号，根据这三个最近邻样本的事件类型，对测试信号的入侵事件类型进行分类。

进一步地，分类的方法为：若三个样本类型一致，则认为该测试信号类型以＞90％概率属于这三个近邻样本的入侵类型；若只有两个样本类型一致，则认为该测试信号以＞60％概率属于这两个近邻样本的入侵类型；若三个样本类型均不一致，则取欧式距离最近的样本事件类型作为该测试信号的事件类型，认为该测试信号以＞30％的概率属于最近邻样本的入侵类型，或者给出结论该入侵信号可能属于新入侵类型，可将该信号放入样本数据库中作为一种新入侵事件类型信号，并记录其特征矢量及对应的事件类型，对样本数据库进行更新。

进一步地，对局部异常进行检测和定位时需要进行大范围环境因素的虚警源排除。

大范围环境因素的虚警源排除方法如下：判断

时，如果

为单点局部入侵，不是环境因素；如果

可能为环境因素引起的异常，也可能为多点同时入侵事件，首先对R_i＝1的连续几个节点i进行聚类，能够聚类的几个节点判断是由一个点的干扰引起，聚类后最终确定的类的个数即为实际入侵点数Num，当实际入侵点数Num＞3时，认为外界干扰为环境因素；当0＜Num≤3时分两种情况：当有些类里入侵节点个数超过10个时，认为外界干扰为环境因素；否则认为是该时刻有多点同时入侵。

本发明的有益技术效果是，在排除虚警源基础上对真实入侵信号进行模式识别，误警率低，实时性好，执行效率高，可分类的对象类别多，识别率较高，可满足光纤光栅围栏入侵监测系统对入侵对象智能识别和分类的要求。

附图说明

图1是本发明的入侵监测信号处理流程图；

图2是本发明的入侵事件模式识别流程图。

具体实施方式

下面结合附图对本发明作进一步描述：

作为本发明具体实施例一，基于准分布式FBG光纤传感器的光纤光栅围栏入侵监测系统，由三个主要部分组成：挂设在围栏上的传感光缆(光缆里串联有N个FBG传感器，每个传感器的安装间隔距离根据用户需求及周界情况确定)，用于感知周界上入侵的振动或应变信号以及外界的温度变化情况，监测整个周界区域的安全状况；光源、信号解调仪及光开关(光开关为可选用)等解调装置，分别用于提供光源，并对反射回的光信号进行解调、光电转换与A/D模数转换，若系统容载能力有限还可以通过光开关进行通道扩展；报警系统或处理主机，用于将传输过来的传感网络节点信号进行实时处理。本发明涉及的光纤光栅围栏入侵监测系统工作流程为：

携带有入侵信息的光传感信号通过光缆传输给解调仪，经过解调、光电转换和A/D模数转换，通过以太网或串口形式传输给处理主机，主机将接收的传感网络所有节点的信号进行实时处理，判断异常的发生、异常点的位置，对异常情况的具体类别进行分类，并启动报警，给出以上具体报警信息。

入侵的检测与识别是本发明的关键，作为本发明光纤光栅围栏入侵监测系统的具体实施例二，所采用的信号处理流程，如图1所示：

主机将接收的传感网络所有节点的信号进行预处理以后，通过提取异常特征信息，判断监测的周界区域是否有异常发生；如有异常，首先排除常见的发生频率较高的虚警源，如风、雨、雪、雷电等大范围环境因素；排除环境因素引起的虚警后，对局部真实入侵信号的具体事件模式进行识别和分类。

由于传感网络各节点灵敏度不均匀，直接通过比较监测信号幅值或能量来判断异常信号的有无，容易造成漏警和误警，而且设定的阈值大小与围栏材质、天气、环境等条件有关，不容易确定，因此需要一种新的异常检测方法。作为实施例三，异常信号的检测及定位方法为：

设接收到的传感信号阵列为X＝{x_i(n)，i＝1，2，…，N；n＝1，2，…，M}，N为传感网络的节点数，M为每个节点信号的分析长度，各节点信号的归一化自相关函数为C_i＝{E_i(x(n)，x(n-l))，l＝0，1，…，M}，l为时间延迟量，单位为采样点，|C_i|≤1；设第I节点为无入侵的节点，无入侵时信号时间自相关长度为l₁，第J节点为有入侵的节点，有入侵时信号时间自相关长度为l₂，二者相关时间长度关系总有0≤l₁＜l₂。

选择一个确定的时间延迟量l₁＜L＜l₂，必有归一化相关系数E_I(x(n)，x(n-L))＜E_J(x(n)，x(n-L))，且有 $E_I(x\left(n\right),x(n-L))\≅0$ $,E_J(x\left(n\right),x(n-L))\≅1$ 或E_J(x(n)，x(n-L))＞＞0。设定一个归一化自相关系数阈值η_c，0.5＜η_c＜1，可以根据以下公式判断入侵信号是否存在：

$R_i=\{\begin{array}{cc}1,& \left|E_i(x\left(n\right),x(n-L))\right|\&GreaterEqual;{\mathrm{\&eta;}}_c\\ 0,& \left|E_i(x\left(n\right),x(n-L))\right|<{\mathrm{\&eta;}}_c\end{array}$

当

时，判断周界没有入侵；当

时，判断周界有入侵，但要对有入侵的信号进行虚警排除，根据其频率特征或所影响的传感节点个数及范围判断是局部异常引起还是大范围环境变化引起。

作为本发明的实施例四，大范围环境因素的虚警源排除方法如下：判断

时，如果

为单点局部入侵，不是环境因素；如果

可能为环境因素引起的异常，也可能为多点同时入侵事件。首先对R_i＝1的连续几个节点i进行聚类，能够聚类的几个节点判断是由一个点的干扰引起，聚类后最终确定的类的个数即为实际入侵点数Num。当实际入侵点数Num＞3时，认为外界干扰为环境因素；当0＜Num≤3时分两种情况：当有些类里入侵节点个数超过10个时，认为外界干扰为环境因素；否则认为是该时刻有多点同时入侵。

对环境因素排除后确定有人为入侵，相应的R_i≠0的节点下标i即为入侵动作所影响的传感节点，根据该节点的安装位置进行入侵的定位。如果

该点传感器所对应的地理位置即为入侵点位置；如果

对R_i＝1的连续几个节点i进行聚类后，各个聚类里的节点序数求平均再取整，分别得到多点入侵的定位信息。

对局部异常进行检测和定位后，进入识别与分类环节，给出具体入侵事件类型。若是多点事件，则每个点分别进行入侵类型的分类和识别。作为本发明的实施例五，基于主分量分析(PCA)方法对入侵事件进行模式识别的具体实施方法，如图2所示：

(1)首先对于某种防御周界通过实验建立各种典型入侵事件信号的样本数据库：如固定时间长度采集围栏上攀爬、围栏上敲击、地面上行走、地面上跑跳、地面上挖掘、局部加热仿真可疑火灾事件、动物攀爬、动物行走等8种入侵模式下的实际信号，该固定时间长度确保所有入侵事件能够完整发生，另外，防御周界不同，需要重新建立新的数据库以适应新的环境：围栏上攀爬事件数为N₁，围栏上敲击事件数为N₂，地面上行走事件数为N₃，地面上跑跳事件数为N₄，地面上挖掘事件数为N₅，可疑火灾事件数为N₆，动物攀爬事件数为N₇，动物行走事件数为N₈，那么数据库中采集的所有入侵事件信号总数为N，N＝N₁+N₂+N₃+N₄+N₅+N₆+N₇+N₈；设采集长度为L，单个事件采集信号为x_i(i＝1，2，…N)，为行向量，N个样本信号行向量构成样本数据库X＝{x_i(i＝1，2，…N)}，为N×L的矩阵；

(2)对样本数据库里面的入侵样本信号集通过主分量分析(PCA)，构建特征空间的矢量基：对所有入侵样本信号进行去均值处理，计算入侵样本信号集的信号协方差矩阵C_X＝(X-mean(X))(X-mean(X))^T，协方差矩阵C_X为N×N的方阵；对协方差矩阵进行奇异值分解得到C_X的N个特征值{λ_i(i＝1，2，…N)}和相对应的N个特征向量{U_i(i＝1，2，…N)}；特征值按从大到小顺序排列，λ₁＞λ₂＞...＞λ_N，根据式子

选取所占比重大于90％的特征值，即起主导作用的M个主分量特征参数；与M个主分量特征参数对应的归一化特征矢量，为N×M矩阵U_p，

利用去均值样本矩阵X与M个归一化主分量特征矢量，共同构建特征空间基矢量Base，计算公式为Base＝(X-mean(X))^T·U_p，Base即为由样本数据库经主分量分析方法构建的特征空间基矢量，维数为L×M，将构建的特征空间基矢量Base存储起来；

(3)提取数据库中所有类型事件所有入侵样本信号的主分量特征参数，作为下面最近邻分类方法中每类事件的参照特征：将数据库中所有样本信号x_i(i＝1，2，…N)向构建的特征空间基矢量Base上进行投影，得到各个样本信号的特征矢量集F＝{F_i＝[f_i1，f_i2，…，f_iM](i＝1，2，…N)}，包含N个1×M维的特征矢量，将从样本信号集中得到的入侵信号特征矢量集F存储起来；

(4)在检测传感信号异常后，从发生异常开始截取测试信号，长度与样本信号相同，将入侵测试信号向由样本数据库构建的特征空间基矢量Base上进行投影，得到测试信号的主分量特征参数，即测试信号特征矢量T＝[t₁，t₂，…，t_M]；

(5)根据以下公式计算测试信号与所有样本信号特征矢量间的欧式距离：

$\left|\right|T-F_i\left|\right|=\sqrt{{(t_1-r_{i1})}^2+\&CenterDot;\&CenterDot;\&CenterDot;+{(t_M-f_{\mathrm{iM}})}^2},(i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,N)$

根据测试信号与样本信号特征矢量间的欧式距离，利用最近邻分类方法将测试信号的具体事件类型进行分类与识别：按照所计算的测试信号与各样本信号的欧式距离，取三个离测试信号最近的样本信号，称为最近邻方法，根据这三个最近 邻样本的事件类型，对测试信号的入侵事件类型进行分类：若三个样本类型一致，则认为该测试信号类型以＞90％概率属于这三个近邻样本的入侵类型；若只有两个样本类型一致，则认为该测试信号以＞60％概率属于这两个近邻样本的入侵类型；若三个样本类型均不一致，则取欧式距离最近的样本事件类型作为该测试信号的事件类型，认为该测试信号以＞30％的概率属于最近邻样本的入侵类型，或者给出结论该入侵信号可能属于新入侵类型，可将该信号放入样本数据库中作为一种新入侵事件类型信号，并记录其特征矢量及对应的事件类型，对样本数据库进行更新。

(1)-(5)整个流程中，步骤(1)-(3)作为训练过程，步骤(4)-(5)作为实际入侵事件模式识别即测试过程。若在识别过程出现新的未知模式，可选作训练样本数据库一种新的分类目标，对数据库进行补充和完善。

本发明实施例中列举的是基于FBG光纤传感器的准分布式光纤围栏入侵监测系统的入侵事件模式识别方法，该发明的信号处理方法完全可以应用到其他光学、电类或混合型安防系统中。

Claims (3)

1.一种光纤光栅围栏入侵事件模式识别方法，其特征在于，对局部异常进行检测和定位后，通过主分量分析方法对入侵事件模式进行识别和分类，包括如下步骤： 

（1）首先对于某种防御周界通过实验建立各种典型入侵事件信号的样本数据库； 

（2）对样本数据库里面的入侵样本信号集通过主分量分析，构建特征空间的基矢量； 

（3）提取数据库中所有类型事件所有入侵样本信号的主分量特征参数，作为下面最近邻分类方法中每类事件的参照特征； 

（4）在检测传感信号异常后，从发生异常开始截取测试信号，长度与样本信号相同，将入侵测试信号向由样本数据库构建的特征空间基矢量上进行投影，得到测试信号的主分量特征参数； 

（5）计算测试信号与所有样本信号特征矢量间的欧式距离，根据测试信号与样本信号特征矢量间的欧式距离，利用最近邻分类方法将测试信号的具体事件类型进行分类与识别； 

步骤（1）的具体方法为：固定时间长度采集各种入侵模式下的实际信号，该固定时间长度确保所有入侵事件能够完整发生，另外，防御周界不同，需要重新建立新的数据库以适应新的环境，设各种入侵事件数分别为N₁、N₂、N₃…N_n，那么数据库中采集的所有入侵事件信号总数N＝N₁+N₂+N₃+...+N_n；设采集长度为L，单个事件采集信号为x_i(i＝1,2,…N)，为行向量，N个样本信号行向量构成样本数据库X＝{x_i(i＝1,2,…N)}，为N×L的矩阵； 

步骤(2)的具体方法为：对所有入侵样本信号进行去均值处理，计算入侵样本信号集的信号协方差矩阵C_X＝(X-mean(X))(X-mean(X))^T，协方差矩阵C_X为 N×N的方阵；对协方差矩阵进行奇异值分解得到C_X的N个特征值{λ_i(i＝1,2,…N)}和相对应的N个特征向量{U_i(i＝1,2,…N)}；特征值按从大到小顺序排列，λ₁>λ₂>…>λ_N，根据式子

选取所占比重大于90%的特征值，即起主导作用的M个主分量特征参数；与M个主分量特征参数对应的归一化特征矢量，为N×M矩阵U_p，

利用去均值样本矩阵X与M个归一化主分量特征矢量，共同构建特征空间基矢量Base，计算公式为Base＝(X-mean(X))^T·U_p，Base即为由样本数据库经主分量分析方法构建的特征空间基矢量，维数为L×M，将构建的特征空间基矢量Base存储起来； 

步骤(3)的具体方法为：将数据库中所有样本信号x_i(i＝1,2,…N)向构建的特征空间基矢量Base上进行投影，得到各个样本信号的特征矢量集F＝{F_i＝[f_i1,f_i2,…,f_iM](i＝1,2,…N)}，包含N个1×M维的特征矢量，将从样本信号集中得到的入侵信号特征矢量集F存储起来； 

步骤（4）的具体方法为：在检测传感信号异常后，从发生异常开始截取测试信号，长度与样本信号相同，将入侵测试信号向由样本数据库构建的特征空间基矢量Base上进行投影，得到测试信号的主分量特征参数，即测试信号特征矢量T＝[t₁,t₂,…,t_M]； 

步骤（5）的具体方法为：根据以下公式计算测试信号特征矢量与所有样本信号特征矢量的欧式距离： 

按照所计算的测试信号与各样本信号特征矢量间的欧式距离，取三个离测试信号最近的样本信号，根据这三个最近邻样本的事件类型，对测试信号的入侵 事件类型进行分类。 

2.根据权利要求1所述的一种光纤光栅围栏入侵事件模式识别方法，其事件识别及分类特征在于，分类的方法为：若三个样本类型一致，则认为该测试信号类型以>90%概率属于这三个近邻样本的入侵类型；若只有两个样本类型一致，则认为该测试信号以>60%概率属于这两个近邻样本的入侵类型；若三个样本类型均不一致，则取欧式距离最近的样本事件类型作为该测试信号的事件类型，认为该测试信号以>30%的概率属于最近邻样本的入侵类型，或者给出结论该入侵信号可能属于新入侵类型，将该信号放入样本数据库中作为一种新入侵事件类型信号，并记录其特征矢量及对应的事件类型，对样本数据库进行更新。

3.根据权利要求2所述的一种光纤光栅围栏入侵事件模式识别方法，其特征在于，对局部异常进行检测和定位时需要进行大范围环境因素的虚警源排除，方法如下： 

判断

时，如果

为单点局部入侵，不是环境因素；如果 

可能为环境因素引起的异常，也可能为多点同时入侵事件，首先对R_i＝1的连续几个节点i进行聚类，能够聚类的几个节点判断是由一个点的干扰引起，聚类后最终确定的类的个数即为实际入侵点数Num，当实际入侵点数Num＞3时，认为外界干扰为环境因素；当0＜Num≤3时分两种情况：当有些类里入侵节点个数超过10个时，认为外界干扰为环境因素；否则认为是该时刻有多点同时入侵。 

Images