CN105447444A - 一种基于差分窗和模板匹配的otdr事件分析算法 - Google Patents

Abstract

本发明公开了一种基于差分窗和模板匹配的OTDR事件分析算法，包括：将矩形差分窗沿OTDR曲线起始点平移直至移到OTDR曲线的终止点，差分窗左、右边界和OTDR曲线存在两个交点，每次平移前，计算这两点纵轴差值，在得到的差分数据中寻找局部极大值点，实现事件点的初步定位；分别以每个待定事件点为中心，用两侧若干点构成特征段，将特征段与模板库中的样本数据匹配，判断匹配度是否符合要求，若不符合，则舍弃待定事件点，若符合，保留待定事件点，并根据对应模板确定待测事件点类型。该算法所用阈值或参数内嵌在程序中无需人为干预，具有抗噪能力强，鲁棒性好，计算量小等优点，满足实时计算需求，便于在嵌入式系统中实现该算法。

Description

一种基于差分窗和模板匹配的OTDR事件分析算法

技术领域

本发明涉及一种基于差分窗和模板匹配的OTDR事件分析算法。

背景技术

目前，光纤通信技术由于具有传输容量大、传输速率高、抗电磁干扰、保密性强等优点，在现代化的生活中起着越来越重要的作用。与此同时，光纤物理网络的复杂性日益提高，其管理、维护工作日益繁重。为保证光纤网络的安全高效运行，必须及时准确地监测全网络光缆段可能发生的阻断故障，对光缆段的性能及时准确地进行汇报，因此对光纤自动监测系统的需求变的尤为迫切。

光时域反射计(OTDR)是一种利用光纤的背向散射光信号来检测光纤特性的测试仪器，测试整个光纤线路的衰减并提供与长度有关的衰减细节。通过分析OTDR曲线能够识别出光路中的各种事件并进行准确定位。近年来对光纤线路的实时在线检测逐渐成为业界标准，通过维护人员观察分析OTDR曲线已不能满足要求，这就需要OTDR能够对曲线进行自动分析。

OTDR作为一种非破坏性的光纤测量仪器，利用光纤中的后向瑞丽散射来检测光线特性，主要用于测试整个光纤线路的衰减，并提供与长度有关的衰减细节，这些衰减细节中的曲线突变就反映了光纤中的物理接头、熔接点、裂缝、弯曲等事件。OTDR曲线分析是光纤监测系统中一个最基本也是最重要的功能。

目前，常用的分析方法主要有：时域分析法、遗传算法、小波变换等。

时域分析法是基于两点法和最小二乘法的经典算法，该算法提出了两种提高精度的解决方法，分别是增加最小二乘法拟合的数据数量以及将待拟合的数据分段的方法，两种方法的根本原理是进行功率平均，该算法简单易于实现，但精度有限，对数据噪声敏感，存在较大误差。

遗传算法能够进行全局最优搜索，其抗噪能力较强，但该方法需要设置种群规模、初始种群、迭代次数、交叉概率、变异概率等参数，且需要较长的训练时间来确定最优参数，不适合实时运算。

小波变换法将信号分解成一系列小波函数的叠加，构建一个具有良好时域及频域局部化的时频信号，从而将时域内事件点的寻找转变为小波域对小波系数的分析。该方法检索准确度较高，并且对噪声和背景具有较强的抑制能力，但该方法需要跟据不同OTDR曲线的特点分别选择合适的小波母函数、尺度参数、平移参数等，需人为干预，计算量较大，也不适合实时运算。

综上亟需一种鲁棒性好、简单有效且不需人为干预的OTDR事件分析算法。本发明需解决如下问题：

1.算法所用阈值或参数应内嵌在程序中，在对OTDR曲线的分析过程中无需人为干预，只根据曲线固有特征即可较为准确的检测到事件点并确定事件点类型。

2.该方法对不同条件下测量得到的OTDR曲线均适用，即具有较强的鲁棒性。

3.该方法不需要对数据进行滤波去噪，平滑等预处理，计算简单易行，检验准确率高，能够满足实时计算的要求，便于在嵌入式系统中实现该算法。

现有技术目前存在如下几个方面的缺点：

1.为得到较高的分析准确度，大部分方法都需要针对不同类型、不同测量条件下得到的OTDR曲线设置不同的最优阈值或参数，人为干预较多，方法无法做到自适应，鲁棒性较差。

2.为过滤掉虚假事件点，需要进行滤波去噪，平滑等预处理，不仅步骤繁琐，计算复杂，而且在预处理过程中又不可避免地引入新的阈值或参数。

3.方法本身计算量比较大，再考虑数据预处理时间花费，无法满足实时性的计算要求，不适合在嵌入式系统中实现该算法。

发明内容

为解决现有技术存在的不足，本发明公开了一种基于差分窗和模板匹配的OTDR事件分析算法，该算法所用阈值或参数以内嵌在程序中，在分析过程中无需人为干预，只根据OTDR曲线固有的特征即可较为准确的检测到事件点并确定事件点类型。

本发明对不同条件下测量得到的OTDR曲线均适用，即具有较强的鲁棒性。本发明不需要对数据进行滤波去噪，平滑等预处理，计算简单易行，检验准确率高，能够满足实时计算的要求，便于在嵌入式系统中实现该算法。

为实现上述目的，本发明的具体方案如下：

一种基于差分窗和模板匹配的OTDR事件分析算法，包括：

选择与OTDR曲线相匹配的矩形差分窗；

将矩形差分窗沿OTDR曲线起始点开始进行平移直至移到OTDR曲线的终止点，差分窗左、右边界和OTDR曲线存在两个交点，每次进行平移前，计算这两点的纵轴差值，在得到的差分数据中寻找局部极大值点，实现事件点的初步定位，即得到多个待定事件点；

分别以每个待定事件点为中心，用两侧若干点构成特征段，将特征段与模板库中的样本数据进行匹配，判断匹配度是否符合要求，若不符合，则舍弃待定事件点，若符合，保留待定事件点，并根据对应模板确定待测事件点类型。

进一步的，矩形差分窗的选择时，首先解析OTDR数据文件获取测试条件，然后根据测试时选用的脉宽选择合适长度的矩形差分窗。

进一步的，得到多个待定事件点后，在每个待定事件点前等间隔取三个数据点，两两计算斜率，若斜率差值大于设定阈值，则可认为该点处受噪声影响，舍去该待定事件点。通过该步筛选可减小算法后续计算量。

进一步的，将特征段与模板库中的样本数据进行匹配时，通过选择具有位移、旋转、大小及起点的不变性质的描述子将特征段与模板库中的样本数据进行匹配。

选择对图像缩放、旋转、仿射变换保持不变性的特征描述算子(参考东南大学学报、第44卷第5期论文《一种非闭合曲线的傅里叶描述新算法》，特征描述算子有多种，如SIFT算子、HOG算子、傅里叶算子等)。

进一步的，模板库包含有3类事件点模板，分别为下降事件点模板、上升事件点模板及反射事件点模板。

进一步的，形状特征匹配流程为：

首先计算特征段的特征矢量，然后依次计算该特征矢量与样本特征矢量的最小欧氏距离，以最小欧氏距离作为判断依据，如小于设定阈值，则认为找到匹配度合适的模板数据，可确定该特征段对应的待定事件点为实际事件点，并确定事件点类型，如与所有模板数据匹配度均不匹配，则说明该特征段对应的待定事件点为误判点，应舍去。

本发明的有益效果：

本发明提出了一种基于差分窗和模板匹配的OTDR事件分析算法。通过差分窗进行数据差分，实现了事件点的初步定位。为减小下一步计算量，通过斜率比较对待定事件点进行筛选。进一步通过模板匹配提高识别准确率并确定事件点类型。该算法所用阈值或参数内嵌在程序中无需人为干预，具有抗噪能力强，鲁棒性好，计算量小等优点，满足实时计算的需求，便于在嵌入式系统中实现该算法。

附图说明

图1理想OTDR曲线；

图2差分窗移动示意图；

图3a-图3c三类事件点模板；

图4形状特征匹配流程图；

图5基于差分窗和模板匹配的OTDR事件分析算法流程图；

图6a-图6e下降事件点模板中的样本数据。

具体实施方式：

下面结合附图对本发明进行详细说明：

本发明引入差分窗对数据进行差分处理，通过寻找差分数据局部极大值点，实现事件点的初步定位。本发明为减小下一步的计算量，根据斜率差值对初步定位事件点进行筛选。

本发明引入模板匹配方法，使用具有仿射不变性的描述子实现对待定事件点的筛选，并确定与之对应的事件点类型。

理想OTDR曲线如图1所示，引入差分窗对数据进行差分处理。根据经验，针对不同脉宽下测量得到的OTDR曲线设计不同长度的矩形差分窗。对OTDR曲线进行分析时，本算法通过解析OTDR数据文件获取测试条件，根据测试时选用的脉宽选择合适长度的矩形差分窗，如图2所示，差分窗移动示意图，将差分窗左边界置于OTDR曲线的起始点，自左向右逐点平移，直至右边界位于OTDR曲线的终止点，差分窗左、右边界和OTDR曲线存在两个交点，每次进行平移前，计算这两点的纵轴差值。在得到的差分数据中寻找局部极大值点，即可实现事件点的初步定位，得到多个待定事件点。

OTDR数据采样点数较多，普遍在1万点以上，设总采样点数为N。[]该符号表示取整数。

取OTDR曲线数据前[N/100]个点的平均值的二倍作为差分数据比较用阈值(程序中已存有一经验值，若计算的值小于该值，则取经验值作为差分数据比较用阈值)。

将差分数据取绝对值后依次与差分数据比较用阈值作比较，若大于该阈值，则进行下一步判断，否则舍去，进行下一个点的判断。经过上步判断后的点，在其后[N/100]个点内寻找差分数据绝对值最大的点作为待定事件点。

以上步确定的待定事件点后[N/100]点为起点，重复进行上步操作，依次确定后续待定事件点。

如存在强噪声，经上述过程得到的定位结果仍容易出现误判，为进一步提高事件点识别的准确率，引入模板匹配方法。根据上述定位结果，分别以每个待定事件点为中心，用两侧若干点构成特征段，通过选择具有位移、旋转、大小、起点等不变性质的特征描述算子(如SIFT算子、HOG算子、傅里叶算子等)将特征段与模板库中的样本数据进行匹配。模板库包含有图3所示3类事件点模板，每类模板包含5种样本数据(为简化每次分析时的计算量，已将每个样本的特征矢量内嵌在程序中)。形状特征匹配流程图如图4所示，首先根据特征描述算子计算特征段的特征矢量，然后依次计算该特征矢量与样本特征矢量的最小欧氏距离，以最小欧氏距离作为判断依据，如小于经验阈值(该经验阈值已内嵌在程序中)，则认为找到匹配度合适的模板数据，可确定该特征段对应的待定事件点为实际事件点，并确定事件点类型。如与所有模板数据匹配度均不合适，则说明该特征段对应的待定事件点为误判点，应舍去。

5种样本数据是指与图3所示该类事件点模板形状相似，但大小互不相同，存在角度偏差。如下图6a-图6d所示(对应图3中下降事件点模板)。

基于差分窗和模板匹配的OTDR事件分析算法流程图如图5所示。

步骤一：输入OTDR信号；

步骤二：解析OTDR信号，根据测试脉宽选择合适的窗函数；

步骤三：对OTDR进行差分处理；

步骤四：寻找差分数据局部极大值点，实现事件点的初步定位；

步骤五：每个待定事件点前取三个数据点，两两计算斜率，判断斜率差值是否大于经验阈值，如果是，则舍弃待定事件点，否则，转入步骤六；

步骤六：以每个待定事件点为中心，用两侧若干点构成特征段；

步骤七：使用描述子将特征段与模板库中的样本数据进行匹配；

步骤八：判断匹配度是否符合要求，若不符合，则舍弃待定事件点，若符合，则转入步骤九；

步骤九：保留待定事件点，并根据对应模板确定事件点类型。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种基于差分窗和模板匹配的OTDR事件分析算法，其特征是，包括：

选择与OTDR曲线相匹配的矩形差分窗；

将矩形差分窗沿OTDR曲线起始点开始进行平移直至移到OTDR曲线的终止点，差分窗左、右边界和OTDR曲线存在两个交点，每次进行平移前，计算这两点的纵轴差值，在得到的差分数据中寻找局部极大值点，实现事件点的初步定位，即得到多个待定事件点；

分别以每个待定事件点为中心，用两侧若干点构成特征段，将特征段与模板库中的样本数据进行匹配，判断匹配度是否符合要求，若不符合，则舍弃待定事件点，若符合，保留待定事件点，并根据对应模板确定待测事件点类型。

2.如权利要求1所述的一种基于差分窗和模板匹配的OTDR事件分析算法，其特征是，矩形差分窗的选择时，首先解析OTDR数据文件获取测试条件，然后根据测试时选用的脉宽选择合适长度的矩形差分窗。

3.如权利要求1所述的一种基于差分窗和模板匹配的OTDR事件分析算法，其特征是，得到多个待定事件点后，在每个待定事件点前等间隔取三个数据点，两两计算斜率，若斜率差值大于设定阈值，则可认为该点处受噪声影响，舍去该待定事件点。通过该步筛选可减小算法后续计算量。

4.如权利要求1所述的一种基于差分窗和模板匹配的OTDR事件分析算法，其特征是，将特征段与模板库中的样本数据进行匹配时，通过选择具有位移、旋转、大小及起点的不变性质的描述子将特征段与模板库中的样本数据进行匹配。

5.如权利要求1或4所述的一种基于差分窗和模板匹配的OTDR事件分析算法，其特征是，模板库包含有3类事件点模板，分别为下降事件点模板、上升事件点模板及反射事件点模板。

6.如权利要求1所述的一种基于差分窗和模板匹配的OTDR事件分析算法，其特征是，形状特征匹配流程为：

首先计算特征段的特征矢量，然后依次计算该特征矢量与样本特征矢量的最小欧氏距离，以最小欧氏距离作为判断依据，如小于设定阈值，则认为找到匹配度合适的模板数据，可确定该特征段对应的待定事件点为实际事件点，并确定事件点类型，如与所有模板数据匹配度均不匹配，则说明该特征段对应的待定事件点为误判点，应舍去。