CN104766099A - 基于图像的分布式光纤周界振动信号处理与识别方法 - Google Patents

Abstract

本发明公开了一种基于图像的分布式光纤周界振动信号处理与识别方法，包括以下步骤：实时采集整个分布式周界探测范围内的所有探测点位的扰动数据；当某探测点位的扰动数据大于设定的阈值时，采集此刻该探测点及其周围M×N区域范围内的扰动数据，将其数值映射到0~255之间；根据映射值计算灰度共生矩阵，并计算灰度共生矩阵中多个方向的纹理特征统计参数；比较多个方向的纹理特征统计参数数值，若相近，则认为此区域发生的是不定时的系统噪声；若偏离超过设定值，则认为此时发生了入侵扰动；对入侵扰动信号进行模式识别，以判定入侵行为的种类。

Description

基于图像的分布式光纤周界振动信号处理与识别方法

技术领域

本发明涉及光纤周界安防技术领域，尤其涉及一种基于图像的分布式光纤周界振动信号处理与识别方法。

背景技术

分布式光纤传感技术对沿光纤几何路径分布的环境物理参量进行连续实时的测量，非常适合应用于较大空间范围。光纤既作为传感元件，又作为传输元件，其优势是敏感度高、成本低、连续实时、监控距离长、隐蔽性高、抗电磁等环境因素干扰。为进一步满足安防性能的需求，需要对触发系统监控区域的行为信息进行判别，同时屏蔽风雨环境以及系统噪声的影响。专利号为201110005667.7的《一种基于相干外差检测的全分布式光纤应变及振动传感器》提到分布式周界系统的入侵检测和定位，但没涉及运动行为的识别。专利号为201310026578.X的《一种光纤周界安防系统屏蔽气候影响的方法》通过对采集信号做短时能量比和短时过零率的计算，设置短时能量比和短时过零率的阈值，将由于气候产生的干扰信号剔除。专利号为201310158343.6的《一种相敏光时域反射仪扰动信号检测与识别方法》提出对空间某点的纵向时间序列信号进行分形特征提取，并基于分形特征进行外界扰动检测和定位，分形特征作为阈值，判断是否有扰动信号发生，再基于该时间序列信号的多尺度时频能量分布特征结合BP神经网络进行识别和分类。专利《基于分布式周界系统的运动行为模式识别方法及系统》(201410571160.1)基于分布式探测的原理，提取各种运动行为模式的特征参量，其中包括响应形状，响应范围，持续时间，响应斜率及运动速度等，再利用特征样本库的数据进行相关性分析。

分布式光纤传感器的应用环境范围较广且复杂多样，测量信号的一致性较难保证。光源功率波动，电路噪声等因素也会导致测量信号不稳定，系统噪声出现的时间与位置是随机的。随着测量距离的延长，有用信号和噪声的幅度均呈减弱趋势。基于单点信号提取的特征容易受到以上因素影响，干扰识别效果。本发明基于分布式光纤传感测量连续实时的优势，结合图像处理算法，提出一种分布式周界振动信号处理与识别方法。

发明内容

本发明的目的在于：利用分布式光纤传感技术连续实时的优势，结合图像处理算法，对测量信号不稳定带来的干扰进行识别和屏蔽，降低误报率，同时对需要报警的行为进行有效识别。

本发明为实现目的所采用的技术方案是：

提供一种基于图像的分布式光纤周界振动信号处理与识别方法，包括以下步骤：

实时采集整个分布式周界探测范围内的所有探测点位的扰动数据；

当某探测点位的扰动数据大于设定的阈值时，采集此刻该探测点及其周围M×N区域范围内的扰动数据，将其数值映射到0～255之间；

根据映射值计算灰度共生矩阵，并计算灰度共生矩阵中多个方向的纹理特征统计参数；

比较多个方向的纹理特征统计参数数值，若相近，则认为此区域发生的是不定时的系统噪声；

若沿时间方向的纹理特征统计参数的数值与其他方向的数值的偏离超过设定值，则认为此时发生了入侵扰动信号；

对入侵扰动信号进行模式识别，以判定入侵行为的种类。

本发明所述的方法中，所述多个方向为沿0°、45°、90°、135°的四个方向。

本发明所述的方法中，步骤“对入侵扰动信号进行模式识别，以判定入侵行为的种类”具体为：

计算M×N区域范围的局部二值模式LBP直方图特征，与样本库中已知行为模板的LBP直方图特征进行匹配，当与某类行为模板的相似度超过设定阈值时，则将此时的扰动信号判别为此类行为。

本发明所述的方法中，步骤“对入侵扰动信号进行模式识别，以判定入侵行为的种类”还包括：

若计算得到的LBP直方图特征与样本库中已知模式的相似度未超过设定阈值时，则此时的扰动行为判别为未知行为，采集并保存此段数据，以备分析。

本发明所述的方法中，计算M×N区域范围内的LBP特征，采用均匀化LBP算子。

本发明所述的方法中，纹理特征统计参数包括纹理特征统计参数为惯性矩、熵、逆差距、灰度相关、能量。

本发明还提供了一种基于图像的分布式光纤周界振动信号处理与识别系统，包括：

采集模块，用于实时采集整个分布式周界探测范围内的所有探测点位的扰动数据；

图像生成模块，用于当某探测点位的扰动数据大于设定的阈值时，采集此刻该探测点及其周围M×N区域范围内的扰动数据，将其数值映射到0～255之间；

特征参数计算模块，用于根据映射值计算灰度共生矩阵，并计算灰度共生矩阵中多个方向的纹理特征统计参数；

扰动判定模块，用于比较多个方向的纹理特征统计参数数值，若相近，则认为此区域发生的是不定时的系统噪声；若沿时间方向的纹理特征统计参数的数值与其他方向的数值的偏离超过设定值，则认为此时发生了入侵扰动；

模式识别模块，用于对入侵扰动信号进行模式识别，以判定入侵行为的种类。

本发明所述的系统中，所述多个方向为沿0°、45°、90°、135°的四个方向。

本发明所述的系统中，模式识别模块具体用于：

计算M×N区域范围的局部二值模式LBP直方图特征，与样本库中已知行为模板的LBP直方图特征进行匹配，当与某类行为模板的相似度超过设定阈值时，则将此时的扰动信号判别为此类行为。

本发明所述的系统中，模式识别模块还用于：

若计算得到的LBP直方图特征与样本库中已知模式的相似度未超过设定阈值时，则此时的扰动行为判别为未知行为，采集并保存此段数据，以备分析。

本发明产生的有益效果是：本发明针对光源功率不稳定带来的检测信号基底波动，系统噪声不定时出现以及有用信号和噪声的幅度均随探测距离延长呈减弱趋势等问题，基于图像处理的思路，利用灰度共生矩阵算法以及描述光照不均匀情况下的图像特征具有鲁棒性的特点，从图像纹理描述方面考虑，可有效抑制系统噪声干扰，降低误报率，同时从图像识别方面考虑，对扰动信号进行模式识别，能够进一步提高分布式光纤传感技术的智能识别能力。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例基于图像的分布式光纤周界振动信号处理与识别方法的流程图；

图2是本发明实施例基于图像的分布式光纤周界振动信号处理与识别系统。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明基于图像的分布式光纤周界振动信号处理与识别方法，如图1所示，包括以下步骤：

S11、实时采集整个分布式周界探测范围内的所有探测点位的扰动数据；

S12、当某探测点位的扰动数据大于设定的阈值时，采集此刻该探测点及其周围M×N区域范围内的扰动数据，将其数值映射到0～255之间；

S13、根据映射值计算灰度共生矩阵(GLCM)，并计算灰度共生矩阵中多个方向的纹理特征统计参数；

S14、比较多个方向的纹理特征统计参数数值；

S15、若多个方向的纹理特征统计参数数值相近，则认为此区域发生的是不定时的系统噪声；

S16、若沿时间方向的纹理特征统计参数的数值与其他方向的数值不相近且偏离超过设定值，则认为此时发生了入侵扰动；

S17、对入侵扰动信号进行模式识别，以判定入侵行为的种类。基于图像的模式识别方法可包括：LBP特征匹配、模板匹配(如预定模板、多模板匹配、主动形状模板等)、基于概率统计的Bayes分类器、神经网络分类器等。

步骤S13中，多个方向为沿0°、45°、90°、135°的四个方向。其中90°方向为时间方向。

步骤S15中，可以将多个方向的纹理特征统计参数数值与预先设置的值进行比较，若未超过，则认为相近。还可以计算各个方向的纹理特征统计参数数值的中值，并比较多个方向的纹理特征统计参数数值与中值之差，若未超过所设阈值，则认为相近，认为此区域发生的是不定时的系统噪声。

本发明的一个实施例中，步骤S17具体为：

计算M×N区域范围的局部二值模式LBP直方图特征，与样本库中已知行为模板的LBP直方图特征进行匹配，当与某类行为模板的相似度超过设定阈值时，则将此时的扰动信号判别为此类行为。

本发明的一个实施例中，步骤S17还包括：

若计算得到的LBP直方图特征与样本库中已知模式的相似度未超过设定阈值时，则此时的扰动行为判别为未知行为，采集并保存此段数据，以备分析。

本发明的另一实施例中，计算M×N区域范围的LBP(局部二值模式)直方图特征，与已知行为模板的LBP直方图特征进行匹配，当与某类行为模板的相似度超过设定阈值时，则将此时的扰动信号判别为此类行为。具体步骤为：

1、通过LBP算法求出此M×N区域的LBP直方图特征；

2、依次求此M×N区域LBP直方图与数据库中每一种行为模板的LBP直方图的相似度；

3、通过概率统计，若与某类行为模板的LBP直方图计算得到的相似度较高，则此时的扰动信号判别为此类行为；若与样本库中所有行为模板计算得到的相似度均较低，则此时的扰动行为判别为未知行为，采集并保存此段数据，以备分析。

本发明的一个实施例中，步骤S12中，所设定的阈值包括时域能量、时域极值、时域均值、频域能量、频域极值的阈值。

本发明的一个实施例中，计算灰度共生矩阵的纹理特征统计参数包括惯性矩、熵、逆差距、灰度相关和能量。

本发明的一个实施例中，计算M×N区域范围LBP特征，采用均匀化LBP算子，处理图中的散点而并不会弱化图像的边缘信息，同时降低了图像特征向量的维数，提高计算效率。

本发明实施例的分布式周界振动信号处理与识别方法，可在信号基底不稳定且随着测量距离减弱，系统噪声不定时出现的情况下，能够有效识别入侵或破坏信号，同时减少误报。本发明的一个较佳实施例中，包括以下步骤：

采集整个分布式周界探测范围内的所有探测点位的扰动数据。

当某探测点位的扰动数据大于设定的阈值时，采集此刻这个探测点及其周围10×30区域范围内的扰动数据，将其数值映射到0～255之间，计算其灰度共生矩阵以相隔距离1，沿0°、45°、90°、135°四个方向的GLCM惯性矩。其中，90°方向指在图像中按照垂直位置关系来统计灰度对，0°方向指按照水平位置关系来统计灰度对，45°和135°则是指按照两个斜对角方向来统计灰度对。由于在本发明实施例中所形成图像的横轴表示探测点距离，纵轴表示时间，因此当入侵激励发生时，沿90°方向的图像纹理会呈现更为明显的空间相关特性，而系统噪声的图像则没有此规律。对于GLCM参数数值，计算四个方向的中值以及四个方向与中值的差值，若其中90°方向差值超过所设阈值，则可认为此时发生入侵扰动信号，进入模式识别步骤，否则视为不定时出现的系统噪声。

灰度共生矩阵描述的是图像的二阶纹理特征，被定义为：

P(i,j,d,θ)＝#{x1,x2∈M×N|f(x1)＝i,f(x2)＝j,|x1,x2|＝d,＜x1,x2＞＝θ}

其中，图像的大小为M×N，x1和x2是图像中的两个独立像素点的位置，f(·)表示图像中对应位置的灰度值，|x1,x2|表示两个像素点之间的距离，＜x1,x2＞表示两个像素点之间的角度。像素对的间距为d，夹角为θ。灰度共生矩阵是基于像素点灰度分布、指定间距和指定角度的统计，可以很好地表征灰度的空间分布，更加全面地描述图像的纹理特征。灰度共生矩阵提供了图像灰度的方向、间隔和变化幅度的信息，在灰度共生矩阵的基础上，提取用来定量描述纹理特征的统计属性。可选择灰度共生矩阵的惯性矩(对比度)来反应图像的纹理特征。惯性矩反映图像中局部灰度变化总量，在图像中，局部像素对的灰度差别越大，则图像的惯性矩(对比度)越大，其计算表达式如下，式中，p(i,j)表示灰度值分别为i和j的灰度对在图像中出现的频率：

表1和表2分别记录了10个人敲击行为数据样本和5个人挖掘行为数据样本的惯性矩在4个方向算得的数值：

表1 人敲击行为数据样本的GLCM惯性矩在4个方向之值

样本序号	0°	45°	90°	135°
					1	1094.832	1389.445	367.0501	1405.754
2	1266.954	1541.792	341.1251	1543.903
					3	722.5052	918.4988	231.4937	912.478
4	1541.275	1809.914	386.578	1845.067
					5	1926.933	2387.478	597.5408	2370.915
6	1714.325	2244.149	700.7273	2252.237
					7	2132.777	2498.287	542.925	2492.968
8	731.7472	894.4797	209.4168	892.1122
					9	1020.631	1316.681	386.7372	1327.181
10	1915.952	2221.241	402.5604	2216.799

表2 人挖掘行为数据样本的GLCM惯性矩在4个方向之值

样本序号	0°	45°	90°	135°
					1	209.6025	245.2248	43.79907	245.1771
2	409.4663	452.4259	59.65555	453.3126
					3	282.2682	329.6124	62.50266	329.8428
4	217.0173	271.7123	70.85759	271.7676
					5	878.5541	1029.736	193.087	1031.086

模式识别步骤，计算此10×30区域范围的LBP特征，与已知行为模板进行LBP特征匹配，样本库中的已知行为模版包括：人敲击10个、人挖掘5个，在后续可增加其他行为的样本模板。基于直方图交叉核方法或卡方统计方法，依次求此10×30区域LBP直方图与数据库中行为模板的LBP直方图相似度。

LBP(local binary pattern)局部二值模式是一种通过二进制的衍生方式来刻画某一像素点邻域的方法，它通过比较某一像素点与其邻域的采样点的像素差而产生一系列编码，可以用来提取图像的局部纹理特征。对于一个给定的中心点，比较此点和邻近8个点的灰度值，如果中心点的灰度值大于邻域点灰度值，则将邻域点灰度值置0，如果中心点的灰度值小于邻域点灰度值，则将邻域点灰度值置1，从左上角顺时针排列就得到了该点的LBP码。

计算M×N区域范围LBP特征，采用均匀化LBP算子，一串二进制码内如果前后两位数值不同则称为二进制码内的转变，即从0到1或从1到0。LBP算子的均匀模式定义为：将转变次数小于等于2的LBP码保持不变，即为均匀化的LBP码，而将转变次数大于2的LBP码归为同一个编码.如果一个LBP码与它的循环移位一位后的LBP码的差值的绝对值≤2则可断定该LBP码是均匀化的。

$U\left(G_p\right)=|s(g_{p-1}-g_c)-s(g_0-g_c)|+\underset{p=1}{\overset{P-1}{\mathrm{\Σ}}}|s(g_p-g_c)-s(g_{p-1}-g_c)|$

上式中，定义中心点的灰度值为g_c，邻域点的灰度值为g_p，s(.)为阶跃函数 $s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right..$ 如果上式中的U(G_p)≤2，则该LBP码就是均匀化的，LBP码各自为一类，其他非均匀的LBP码统一为一类，则P个领域点的LBP码由2^p个减少为P(P-1)+2个。均匀化LBP算子的应用使图像特征向量的维数降低，可节约大量计算机内存空间，提高运算速度。而且均匀化LBP算子着重描述重要的局部特征，如点线端点边缘和角点，能够减弱图像中的散点带来的干扰而并不会弱化图像的边缘信息。

依次求此10×30区域LBP直方图与数据库中行为模版的LBP直方图相似度，若与某类模板各自算得的相似度求均值超过0.5，则将此扰动信号归为这一类。若与样本库中所有模板计算得到的相似度均较低，则此时的扰动行为判别为未知，采集并保存此段数据以备分析。

如图2所示，本发明实施例基于图像的分布式光纤周界振动信号处理与识别系统，用于实现上述实施例的方法，该系统包括：

采集模块，用于实时采集整个分布式周界探测范围内的所有探测点位的扰动数据；

图像生成模块，用于当某探测点位的扰动数据大于设定的阈值时，采集此刻该探测点及其周围M×N区域范围内的扰动数据，将其数值映射到0～255之间；

特征参数计算模块，用于根据映射值计算灰度共生矩阵，并计算灰度共生矩阵中多个方向的纹理特征统计参数；

扰动判定模块，用于比较多个方向的纹理特征统计参数数值，若相近，则认为此区域发生的是不定时的系统噪声；若沿时间方向的纹理特征统计参数的数值与其他方向的数值的偏离超过设定值，则认为此时发生了入侵扰动信号；

模式识别模块，用于通过灰度图对扰动信号进行模式识别，以判定入侵行为的种类。

本发明的一个实施例中，多个方向为沿0°、45°、90°、135°的四个方向。

其中，模式识别模块具体用于：

计算M×N区域范围的局部二值模式LBP直方图特征，与样本库中已知行为模板的LBP直方图特征进行匹配，当与某类行为模板的相似度超过设定阈值时，则将此时的扰动信号判别为此类行为。

模式识别模块还用于：

若计算得到的LBP直方图特征与样本库中已知模式的相似度未超过设定阈值时，则此时的扰动行为判别为未知行为，采集并保存此段数据，以备分析。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于图像的分布式光纤周界振动信号处理与识别方法，其特征在于，包括以下步骤：

实时采集整个分布式周界探测范围内的所有探测点位的扰动数据；

当某探测点位的扰动数据大于设定的阈值时，采集此刻该探测点及其周围M×N区域范围内的扰动数据，将其数值映射到0~255之间；

根据映射值计算灰度共生矩阵，并计算灰度共生矩阵中多个方向的纹理特征统计参数；

比较多个方向的纹理特征统计参数数值，若相近，则认为此区域发生的是不定时的系统噪声；

若沿时间方向的纹理特征统计参数的数值与其他方向的数值的偏离超过设定值，则认为此时发生了入侵扰动；

对入侵扰动信号进行模式识别，以判定入侵行为的种类。

2.根据权利要求1所述的方法，其特征在于，所述多个方向为沿0°、45°、90°、135°的四个方向。

3.根据权利要求1所述的方法，其特征在于，步骤“对入侵扰动信号进行模式识别，以判定入侵行为的种类”具体为：

计算M×N区域范围的局部二值模式LBP直方图特征，与样本库中已知行为模板的LBP直方图特征进行匹配，当与某类行为模板的相似度超过设定阈值时，则将此时的扰动信号判别为此类行为。

4.根据权利要求3所述的方法，其特征在于，步骤“对入侵扰动信号进行模式识别，以判定入侵行为的种类”还包括：

若计算得到的LBP直方图特征与样本库中已知模式的相似度未超过设定阈值时，则此时的扰动行为判别为未知行为，采集并保存此段数据，以备分析。

5.根据权利要求4所述的方法，其特征在于，计算M×N区域范围内的LBP特征，采用均匀化LBP算子。

6. 根据权利要求1所述的方法，其特征在于，所述纹理特征统计参数包括纹理特征统计参数为惯性矩、熵、逆差距、灰度相关、能量。

7.一种基于图像的分布式光纤周界振动信号处理与识别系统，其特征在于，包括：

采集模块，用于实时采集整个分布式周界探测范围内的所有探测点位的扰动数据；

图像生成模块，用于当某探测点位的扰动数据大于设定的阈值时，采集此刻该探测点及其周围M×N区域范围内的扰动数据，将其数值映射到0~255之间；

特征参数计算模块，用于根据映射值计算灰度共生矩阵，并计算灰度共生矩阵中多个方向的纹理特征统计参数；

扰动判定模块，用于比较多个方向的纹理特征统计参数数值，若相近，则认为此区域发生的是不定时的系统噪声；若沿时间方向的纹理特征统计参数的数值与其他方向的数值的偏离超过设定值，则认为此时发生了入侵扰动；

模式识别模块，用于对入侵扰动信号进行模式识别，以判定入侵行为的种类。

8.根据权利要求7所述的系统，其特征在于，所述多个方向为沿0°、45°、90°、135°的四个方向。

9.根据权利要求7所述的系统，其特征在于，模式识别模块具体用于：

计算M×N区域范围的局部二值模式LBP直方图特征，与样本库中已知行为模板的LBP直方图特征进行匹配，当与某类行为模板的相似度超过设定阈值时，则将此时的扰动信号判别为此类行为。

10.根据权利要求9所述的系统，其特征在于，模式识别模块还用于：

若计算得到的LBP直方图特征与样本库中已知模式的相似度未超过设定阈值时，则此时的扰动行为判别为未知行为，采集并保存此段数据，以备分析。