CN105931402B - 基于图像识别的光纤周界入侵监测方法 - Google Patents

Abstract

本发明涉及一种基于图像识别的光纤周界入侵监测方法，该监测方法由光纤振动传感系统完成，该系统包括有连接在一起的探测光缆，监测主机和上位机；该监测方法包括：外界入侵引起的振动由探测光缆探知并将光信号传输至监测主机；监测主机将接收的光信号先转为电信号，再对电信号采样并模数转换，得到离散的数字信号，该数字信号传输至上位机；由上位机对采集的数字信号进行处理，获得处理后信号的特征量，以形成一个或多个瀑布图，根据瀑布图的形态，进行图像的模式识别，若判别为入侵事件则触发入侵报警。本发明的光纤周界入侵监测方法不需要额外增加设备，也不需要风雨数据库即可实时来识别入侵行为，具有高入侵识别率和低误报率的特点。

Description

基于图像识别的光纤周界入侵监测方法

技术领域

本发明涉及智能监测，特别涉及到一种基于图像识别技术的光纤周界入侵监测方法。

背景技术

伴随着智慧城市的建设，当前周界安全呈现出越来越重要的地位。以分布式光纤传感为基础的周界安防监测系统，正显示出比传统周界安防更加优越的性能。分布式光纤周界安防系统也会受到风雨、重型卡车、火车等的扰动，产生一定的误报。为了更好的提高性能，不仅要基于现有的信号解调技术，还要充分的利用目前日益发展的模式识别技术。

在实际的场站环境中，风、雨、冰雹、树枝触碰、动物触碰、鸟起停、非报警信号、过往车辆形成的振动，会产生与入侵强度级别类似的扰动信号，从而产生误报，但是这些扰动在瀑布图中的形态会有所差异，如图1所示，图中A为风吹行为，B为3次敲打行为。敲打栅栏，会形成一个相对对称的较规则的轮廓，而风吹的轮廓更加不规则，类似的还可以提取其他差异性的特征，对敲打行为和风吹行为进行区分。所以可以通过入侵行为形成的瀑布图的轮廓或者区域信息来排除风或者其他原因造成的误报。

在现有技术中，武汉安通的发明专利《光纤传感智能定址周界入侵报警系统》采用了风雨模型数据库技术，包含风雨状态光纤光栅传感器的信号数据。基准波与该数据库比较，得到当天的天气情况。具体步骤如下：1、记录周期T起始的布拉格波作为基准波信号；2、当前收到的测量波信号和在T周期开始时所测定基准波信号的波长比较，得到一个差值，用这个差值表示振动量；3、根据每个测量波的振动量大小、天气突变情况，采用动态规划的方法判断是否有入侵。无锡科晟光子科技高限公司的两项专利《分布式光纤传感应用系统自适应型扰动信号识别模块》和《环境补偿式宽域全光纤扰动传感围栏型安全防卫监控系统》中均采用环境补偿的方法，环境传感装置包括雨量计、温度计及风力传感器，其是利用小波特征提取法、双谱特征提取法或希尔伯特变换特征提取法，基于小波包分解的能量特征、希尔伯特谱特征及双谱特征。采用SVMNBBT-SVM (非平衡二叉树支持向量机)分类器进行识别。电子科技大学的专利《一种分布式光纤围栏入侵检测与定位的方法》是采用解调方法，该方法为：对预处理信号进行短时傅里叶变换获得局部能量；计算背景噪声能量；计算各时间段能量与其背景能量相减，即可得到局部能量。其具体识别方法为：在时间维度，找到4个时间片的最大能量，在距离维度上找到5个节点极大能量点（该点能量大于相邻4点能量和除以2），认为是突变点，突变点大于3个则认为是环境扰动。

上述现有技术主要针对信号的处理技术，或者称为解调技术，希望通过对某个位置的信号处理，来区分风雨，并减少风雨的误报。然而，往往入侵行为是在一定的时间和一定距离发生的。入侵行为在空间上的震动会造成栅栏向周围传播，同时在时间维度上，震动会经过一定的周期才衰减。所以，在其时间和距离维度的瀑布图上，入侵会呈现出与其他干扰不同的特征。入侵实际上是一个具有时间和距离维度的连续事件，必须综合判决。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提供一种基于图像识别技术的光纤周界入侵监测方法。本发明的光纤周界入侵监测方法不需要额外增加设备，也不需要风雨数据库即可实时来识别入侵而屏蔽风雨等非入侵行为，并提高入侵识别率，降低误报率。

为了达到上述发明目的，本发明专利提供的技术方案如下：

一种基于图像识别的光纤周界入侵监测方法，该监测方法由光纤振动传感系统完成，该系统包括有：

探测光缆，该探测光缆布置于监测现场以感知振动，探测光缆的敷设形式包括固定在铁丝网围栏上、直埋于裸露地面下、隐蔽敷设在地板或地毯下；

监测主机，实时检测并获得探测光缆内单根光纤上的原始信号数据，并向上位机输出，该原始信号数据包含有探测光缆内光纤分布振动的信息；

上位机，该上位机内设有入侵报警模块，该入侵报警模块从接收的原始信号数据中实时解析并呈现出光纤分布振动信号，并根据防区、报警参数的设定，触发入侵报警；

利用上述光纤振动传感系统，该监测方法包括如下步骤：

第一步，铺设于需防护区域内的探测光缆组成一个M-Z干涉仪，外界入侵引起的振动由探测光缆探知以改变传输光信号的特性，该探测光缆将光信号传输至监测主机；

第二步，所述的监测主机接收到变化后的光信号，先转换为电信号，然后对电信号采样并进行模拟数字转换，得到离散的数字信号，该数字信号传输至上位机；

第三步，由上位机内入侵报警模块对采集的数字信号进行处理，获得处理后信号的特征量，以形成一个或多个瀑布图，该瀑布图是以时间、距离以及特征量数值形成的二维图像，特征量映射为图像的像素值；

第四步，根据瀑布图的形态，进行图像的模式识别，进而判别是否为入侵事件，若判定为是则触发入侵报警。

在本发明基于图像识别的光纤周界入侵监测方法中，上述第三步内特征量可以是直接的信号差值、信号方差、相关度值、FFT变换后某个频段的功率或能量特征、小波分解后的各尺度的细节能量特征。

在本发明基于图像识别的光纤周界入侵监测方法中，更进一步来讲，所述特征量的获得方式包括：

3a.信号的差值，即本时刻的数据减去上一个时刻的数据：

d[t][1:5000]=x[t][1:5000]-x[t-1][1:5000] ；

x[t][1:5000]表示5000个采样点在t时刻的信号，

x[t-1][1:5000]表示5000个采样点在t-1时刻的信号，

d[t][1:5000]表示5000个采样点在t时刻的信号差值，即特征量的值。

3b. 信号的方差，任一光纤位置的信号差值计算公式如下：

n表示在某个位置计算方差数据的个数，表示第i个数据，表示n个数据的均值

3c. 相关度，任一光纤位置的信号相关度计算公式如下：

其中 表示(i-1)T时刻的原始信号数值，

表示(i-1-k)T时刻的原始信号数值，

k表示延迟的采样周期数；

3d. FFT变换的频点系数，任一光纤位置的信号FFT变换计算公式如下：

输入的x(n)为当前t时刻之前的第n个信号数据。

对于N点序列的离散傅里叶变换（DFT）为：

公式中e 是自然对数的底数，i是虚数单位，输出量为傅里叶变换后各个频点的系数；

3e. 小波变换的在每个时刻，输出各层小波在各个缩放因子下的幅值，获取信号变换后的一个或多个瀑布图后，还要进行相应的滤波、平滑，震动的波动性导致采样得到的数据也是波动的，需要对转换后的瀑布图进行平滑滤波，可以采用指数平滑、平均值、中值滤波的方式减少信号的波动性。

在本发明基于图像识别的光纤周界入侵监测方法中，所述第四步在瀑布图上对入侵行为的识别，主要是通过对入侵斑点图像的轮廓和区域信息进行识别的，其具体识别过程为：

4a.采用一个阈值、多个阈值，或自适应阈值，对图像做二值化处理，变成二值图像，瀑布图是一个多种颜色的图像，因此要对这个图像进行二值化处理，使其变为一个由0、1组成的黑白图像，以获取入侵的区域轮廓信息；

4b.获取图像中所有扰动信号的轮廓，轮廓包括了可能的入侵信号、风雨信号及其他噪声，获得了二值图像后，可以求取图像中所有的轮廓；

4c.基于区域或轮廓的计算方法，获取该区域或轮廓的特征。观察得到的各种轮廓，发现入侵的轮廓和区域特征与大风的轮廓和区域特征间的区别，提取这些二维特征，用于进行后续的分类识别；

4d.对所有轮廓做基本的筛选，如果轮廓内图像的像素平均值即平均强度大于最小强度阈值，并且轮廓的宽度大于最小宽度阈值，并且持续时间大于最小持续时间，只有这种轮廓才会进入分类器的判别；

4e.采用分类器进行识别。

在本发明基于图像识别的光纤周界入侵监测方法中，一个分类器识别方案中，所述的分类器为神经网络，在每个样本我们可以得到K个特征Fea（1：K），在训练阶段，我们会形成M个入侵的样本，N个大风扰动的样本，将获取到的这M+N个Fea（1：K）输入到神经网络中，可以训练得到神经网络的系数，建立神经网络的模型；在实际运行阶段，每次将瀑布图的新的Fea（1：K）输入到神经网络中，就可以得到分类的结果。

在本发明基于图像识别的光纤周界入侵监测方法中，另一个分类器识别方案中，对于每张瀑布图，其自身的特征输入到自身的分类器中进行识别，然后对多张瀑布图的分类结果进行综合判决，如果50%以上的瀑布图上的分类器判别为入侵才最终判断为入侵行为。

在本发明基于图像识别的光纤周界入侵监测方法中，更进一步来说，所述的二值化处理的阈值是单一的阈值设置或多个阈值设置，

7a.瀑布图为0～255之间的灰度图，可以采用单一的阈值为80，对瀑布图进行剖分，得到一个二值图像，求得一系列的轮廓；

7b.采用多个阈值，例如80、90、100，得到多个二值图像，得到多层次的轮廓图形，类似立体的等高线；

7c.根据外界扰动信号的强弱，动态地调整阈值大小，计算图像的某容易受风影响区域的平均强度，若强度越大采用越大的阈值，强度越小采用越小的阈值，该阈值或者采用线性函数确定：

阈值y=k*大风平均强度+b；

或者采用分段函数确定阈值：

阈值y= 大阈值 （大风强度超过某阈值S）

小阈值 （大风强度小于某阈值S） 。

在本发明基于图像识别的光纤周界入侵监测方法中，更进一步来说，所述的二维特征包括有基本特征和组合特征，所述的基本特征包括：1）轮廓的点数、轮廓的周长和区域的面积，2）最小外接矩形的宽度、高度和面积；3）最小外接凸包的面积、周长、凸缺陷的最大深度、平均深度，凸包是指外接的最大轮廓，凸缺陷是指谷底部分；4）几何特征中对称性、紧密度、实心度、偏心率和不规则度；5）统计特征中粗糙度、均值和方差；6）变换域特征中的矩、傅里叶描绘子和小波描绘子；7）区域强度信息中的平均强度、最大强度、局部区域强度、与扰动信号区域之前区域的强度差值、与旁边区域强度的差值；所述的组合特征是基本特征的比值，其包括高度与宽度和比值、区域面积和外接矩形面积的比值、区域面积和外接凸包面积的比值、区域周长和外接矩形周长的比值。

基于上述技术方案，本发明的光纤周界入侵监测方法与现有技术相比具有如下技术优点：

1．本发明的监测方法由光纤振动传感系统完成，不需要增加额外的设备或装置，例如雨量计、温度计及风力传感器。

2．本发明的光纤振动传感系统中不需要风雨数据库，可以实时的来识别入侵行为并且能屏蔽风雨等非入侵行为。

3．本发明的监测方法基于图像识别技术来对光纤周界的入侵行为进行监测，其可以提高入侵行为的识别率，以降低误报率。

附图说明

图1是现有技术中基于分布式光纤传感的周界安防监测系统监测到的扰动信号瀑布图。

图2是本发明基于图像识别的光纤周界入侵监测方法的工作流程示意图。

具体实施方式

下面我们结合附图和具体的实施例来对本发明的基于图像识别的光纤周界入侵监测方法做进一步的详细阐述，以求更为清楚明了地理解本发明的工作原理和工作过程，但不能以此来限制本发明的保护范围。

本发明基于图像识别的光纤周界入侵监测方法是由光纤振动传感系统来完成的，该系统结构上包括有探测光缆、监测主机和上位机，探测光缆连接在监测主机上，监测主机与上位机连接。

其中，探测光缆布置于监测现场以感知振动，监测现场即是光纤周界防护区域，探测光缆在防护区域的敷设形式包括三种：一种是固定在铁丝网围栏上，另一种是直埋于裸露地面下，第三种是隐蔽地敷设在地板或地毯下，由一条网络化布置的探测光缆组成一个M-Z干涉仪（即Mach-Znhder干涉仪），铺设于需要防护的区域内，外界入侵所引起的各种振动都会改变探测光缆内传感光纤所传输信号的特性。

监测主机用于实时检测并获得探测光缆内单根光纤上的原始信号数据，并向上位机输出，该原始信号数据包含有探测光缆内光纤分布振动的信息。

上位机是一台计算机，该上位机内设有入侵报警模块，该入侵报警模块从接收的原始信号数据中实时解析并呈现出光纤分布振动信号，并根据防区、报警参数的设定，处理过程中通过处理数据参数与预设值比较并根据比较结果来判断是否入侵行为，若判断入侵行为，触发入侵报警。

本发明入侵监测方法是先由探测光缆探测振动信息，再由监测主机将振动信息进行采集并转换为离散的数字信号，最后由上位机对数字信号进行信号处理和模式识别，进而灵敏地检测出入侵行为。该方法具体包括有如下步骤：

第一步，铺设于需防护区域内的探测光缆组成一个M-Z干涉仪（即Mach-Znhder干涉仪），探测光缆探知外界入侵引起的振动，这些振动会导致探测光缆中单根探测光纤中传输光信号的特性变化，该探测光缆将载有振动信息的光信号传输至监测主机，若是不存在振动，则光信号为正常信号，不会产生变化，若是载有振动信息则会产生变化。

第二步，所述的监测主机接收到变化后的光信号，先将光信号通过光电转换变化为电信号，然后对电信号采样，再对采样后的电信号进行模拟信号和数字信号转换，就会得到离散的数字信号，监测主机再将该数字信号传输至上位机。

第三步，在上位机内设有入侵报警模块，由入侵报警模块对采集到的数字信号进行处理，获得处理后信号的特征量，以形成一个或多个瀑布图。

第四步，根据瀑布图的形态，进行图像的模式识别，进而判别是否为入侵事件，若判定为是则触发入侵报警。

上述第三步中特征量可以是直接的信号差值、信号方差、相关度值、FFT变换后某个频段的功率或能量特征、小波分解后的各尺度的细节能量特征。瀑布图是以时间、距离以及特征量数值形成的二维图像，特征量映射为图像的像素值。

例如对安装在栅栏上的5000m的光纤，每10ms进行一次采样，采样点个数为5000，那么相当于每个数据点代表1m。第i次采样得到1*5000的一个数组x[t][5000]，每秒钟会采样100次。

算法的输入为OTDR数据，如果光纤长度为5000m，则输入数据如下表所示：

如果信号处理时候计算的是信号差值，那么每10ms，会得到一个d[t][1:5000]，而每1s会得到100*5000的二维数据，此时就形成了以Y轴为时间轴（采样周期），X轴为距离的二维图像，随着时间的推移，这幅图像是自上而下的移动（最新的采样在上端），这就形成了一个类似瀑布的图像，故而称之为瀑布图。如果信号处理是多种方式，例如信号差值、信号方差、相关度值，那么将会得到多个瀑布图。

如果信号处理是FFT变换方式，那么每个FFT变换后的系数都会形成一个瀑布图，例如128点的FFT会得到64个有用的系数，此时会形成64张瀑布图。由于不是每个频点信息都是很有价值的，所以可以对最重要，或者说是入侵和大风差异性最大、分类性最好的频段求平均值，从而只得到这个频段功率的瀑布图，即将64张瀑布图转换为1张瀑布图，从而方便后面的图像处理。当然也可以根据计算机的性能，同时处理多张瀑布图。

如果信号处理是小波变换方式，那么提取的特征是小波分解后的各尺度的细节能量特征，从而形成一个或者多个瀑布图。

在本发明基于图像识别的光纤周界入侵监测方法中，更进一步来讲，所述特征量的获得方式包括：

3a.信号的差值，即本时刻的数据减去上一个时刻的数据：

d[t][1:5000]=x[t][1:5000]-x[t-1][1:5000] ；

x[t][1:5000]表示5000个采样点在t时刻的信号，

x[t-1][1:5000]表示5000个采样点在t-1时刻的信号，

d[t][1:5000]表示5000个采样点在t时刻的信号差值，即特征量的值。

3b. 信号的方差，任一光纤位置的信号差值计算公式如下：

n表示在某个位置计算方差数据的个数，表示第i个数据，表示n个数据的均值

3c. 相关度，任一光纤位置的信号相关度计算公式如下：

其中 表示(i-1)T时刻的原始信号数值，

表示(i-1-k)T时刻的原始信号数值，

k表示延迟的采样周期数

3d. FFT变换的频点系数，任一光纤位置的信号FFT变换计算公式如下：

输入x(n)为当前t时刻之前的第n个信号数据。

对于N点序列的离散傅里叶变换（DFT）为：

公式中e 是自然对数的底数，i是虚数单位，输出量为傅里叶变换后各个频点的系数；

3e. 小波变换的在每个时刻，输出各层小波在各个缩放因子下的幅值，

获取信号变换后的一个或多个瀑布图后，还要进行相应的滤波、平滑，震动的波动性导致采样得到的数据也是波动的，需要对转换后的瀑布图进行平滑滤波，可以采用指数平滑、平均值、中值滤波的方式减少信号的波动性。

上述第四步在瀑布图上对入侵行为的识别，主要是通过对入侵斑点图像的轮廓和区域信息进行识别的，其具体识别过程为：

4a.采用一个阈值、多个阈值，或自适应阈值，对图像做二值化处理，变成二值图像，瀑布图是一个多种颜色的图像，因此要对这个图像进行二值化处理，使其变为一个由0、1组成的黑白图像，以获取入侵的区域轮廓信息；

4b.获取图像中所有扰动信号的轮廓，轮廓包括了可能的入侵信号和风雨信号，获得了二值图像后，可以求取图像中所有的轮廓；

4c.基于区域或轮廓的计算方法，获取该区域或轮廓的特征，观察得到的各种轮廓，发现入侵的轮廓和区域特征与大风的轮廓和区域特征间的区别，提取这些二维特征，用于进行后续的分类识别；

4d.对所有轮廓做基本的筛选，如果轮廓内图像的像素平均值即平均强度大于最小强度阈值，并且轮廓的宽度大于最小宽度阈值，并且持续时间大于最小持续时间，只有这种轮廓才会进入分类器的判别；

4e.采用分类器进行识别。

在本发明基于图像识别的光纤周界入侵监测方法中，上述的二值化处理的阈值是单一的阈值设置或多个阈值设置，

7a.瀑布图为0～255之间的灰度图，可以采用单一的阈值为80，对瀑布图进行剖分，得到一个二值图像，求得一系列的轮廓；

7b.采用多个阈值，例如80、90、100，得到多个二值图像，得到多层次的轮廓图形，类似立体的等高线；

7c.根据外界扰动信号的强弱，动态地调整阈值大小，计算图像的某容易受风影响区域的平均强度，若强度越强大越采用越大的阈值，强度越小采用越小的阈值，该阈值或者采用线性函数确定：

阈值y=k*大风平均强度+b；

或者采用分段函数确定阈值：

阈值y= 大阈值 （大风强度超过某阈值S）

小阈值 （大风强度小于某阈值S）。

更进一步来说，上述的二维特征包括有基本特征和组合特征：

上述的基本特征包括：1）轮廓的点数、轮廓的周长和区域的面积，2）最小外接矩形的宽度、高度和面积；3）最小外接凸包的面积、周长、凸缺陷的最大深度、平均深度，凸包是指外接的最大轮廓，凸缺陷是指谷底部分；4）几何特征中对称性、紧密度、实心度、偏心率和不规则度；5）统计特征中粗糙度、均值和方差；6）变换域特征中的矩、傅里叶描绘子和小波描绘子；7）区域强度信息中的平均强度、最大强度、局部区域强度、与扰动信号区域之前区域的强度差值、与旁边区域强度的差值；

上述的组合特征是基本特征的比值，其包括高度与宽度和比值、区域面积和外接矩形面积的比值、区域面积和外接凸包面积的比值、区域周长和外接矩形周长的比值。

上述分类器识别包括两种方式，一种分类器为神经网络，在每个样本我们可以得到K个特征Fea（1：K），在训练阶段，我们会形成M个入侵的样本，N个大风扰动的样本，将这M+N个Fea（1：K）输入到神经网络中，可以训练得到神经网络的系数，建立神经网络的模型；在实际运行阶段，每次将瀑布图的新的Fea（1：K）输入到神经网络中，就可以得到分类的结果。

另一个分类器识别方案中，对于每张瀑布图，其自身的特征输入到自身的分类器中进行识别，然后对多张瀑布图的分类结果进行综合判决，如果50%以上的瀑布图上的分类器判别为入侵才最终判断为入侵行为。

本发明的监测方法由光纤振动传感系统完成，不需要增加额外的设备或装置，例如雨量计、温度计及风力传感器，也不需要在光纤振动传感系统中针对性地设置风雨数据库，可以实时的来识别入侵行为并且能屏蔽风雨等非入侵行为。本发明的监测方法是基于图像识别技术来对光纤周界的入侵行为进行监测的，可以大大地提高入侵行为的识别率，降低了误报率。

Claims (5)

1.一种基于图像识别的光纤周界入侵监测方法，在需防护区域内铺设探测光缆，外界入侵引起的振动由探测光缆探知以改变传输光信号的特性，该探测光缆将光信号传输至监测主机，所述的监测主机接收到变化后的光信号，先转换为电信号，然后对电信号采样并进行模拟数字转换，得到离散的数字信号，该数字信号传输至上位机，其特征在于，由上位机内入侵报警模块对采集的数字信号进行处理，获得处理后信号的特征量，以形成一个或多个瀑布图，该瀑布图是以时间、距离以及特征量数值形成的二维图像，特征量映射为图像的像素值；根据瀑布图的形态，进行图像的模式识别，进而判别是否为入侵事件，若判定为是则触发入侵报警；该监测方法由光纤振动传感系统完成，该系统包括有：

探测光缆，该探测光缆布置于监测现场以感知振动，探测光缆的敷设形式包括固定在铁丝网围栏上、直埋于裸露地面下、隐蔽敷设在地板或地毯下；

监测主机，实时检测并获得探测光缆内单根光纤上的原始信号数据，并向上位机输出，该原始信号数据包含有探测光缆内光纤分布振动的信息；

上位机，该上位机内设有入侵报警模块，该入侵报警模块从接收的原始信号数据中实时解析并呈现出光纤分布振动信号，并根据防区、报警参数的设定，触发入侵报警；

所述特征量是直接的信号差值、信号方差、相关度值、FFT变换后某个频段的功率或能量特征、小波分解后的各尺度的细节能量特征，计算完所述特征量并形成瀑布图之后，还要对瀑布图进行相应的平滑，具体方法采用指数平滑、平均值、中值平滑的方式，

在瀑布图上对入侵行为的识别，主要是通过对入侵斑点图像的轮廓和区域信息进行识别的，其具体识别过程为：

4a.采用一个阈值、多个阈值，或自适应阈值，对图像做二值化处理，变成二值黑白图像；

4b.获取图像中所有扰动信号的轮廓，轮廓包括了可能的入侵信号和风雨信号；

4c.基于区域或轮廓的计算方法，获取该区域或轮廓的特征；

4d.对所有轮廓做筛选，如果轮廓内图像的像素平均值即平均强度大于最小强度阈值，并且轮廓的宽度大于最小宽度阈值，并且持续时间大于最小持续时间，只有这种轮廓才会进入分类器的判别；

4e.采用分类器进行识别。

2.根据权利要求1所述的基于图像识别的光纤周界入侵监测方法，其特征在于，所述的分类器为神经网络，在每个样本我们可以得到K个特征Fea（1：K），在训练阶段，我们会形成M个入侵的样本，N个大风扰动的样本，将这提取的M+N个Fea（1：K）输入到神经网络中，可以训练得到神经网络的系数，建立神经网络的模型；在实际运行阶段，每次将瀑布图的新的Fea（1：K）输入到神经网络中，就可以得到分类的结果。

3.根据权利要求1所述的基于图像识别的光纤周界入侵监测方法，其特征在于，对于每张瀑布图，其自身的特征输入到自身的分类器中进行识别，然后对多张瀑布图的分类结果进行综合判决，如果50%以上的瀑布图上的分类器判别为入侵才最终判断为入侵行为。

4.根据权利要求1所述的基于图像识别的光纤周界入侵监测方法，其特征在于，所述的二值化处理的阈值是单一的阈值设置或多个阈值设置，

7a.采用单一的阈值，对瀑布图进行剖分，得到一个二值图像，求得一系列的轮廓；

7b.采用多个阈值，得到多个二值图像，得到多层次的轮廓图形，类似立体的等高线；

7c.根据外界扰动信号的强弱，动态地调整阈值大小，计算图像的某容易受风影响区域的平均强度，若强度越大越采用越大的阈值，强度越小采用越小的阈值，该阈值或者采用线性函数确定：

阈值y=k*大风平均强度+b；

或者采用分段函数确定阈值：

当大风强度超过某阈值S时，y为大阈值，当大风强度小于某阈值S时，y为小阈值。

5.根据权利要求1所述的基于图像识别的光纤周界入侵监测方法，其特征在于，所述的二维特征包括有基本特征和组合特征，所述的基本特征包括：1）轮廓的点数、轮廓的周长和区域的面积；2）最小外接矩形的宽度、高度和面积；3）最小外接凸包的面积、周长、凸缺陷的最大深度、平均深度，凸包是指外接的最大轮廓，凸缺陷是指谷底部分；4）几何特征中对称性、紧密度、实心度、偏心率和不规则度；5）统计特征中粗糙度、均值和方差；6）变换域特征中的矩、傅里叶描绘子和小波描绘子；7）区域强度信息中的平均强度、最大强度、局部区域强度、与扰动信号区域之前区域的强度差值、与旁边区域强度的差值；所述的组合特征是基本特征的比值，其包括高度与宽度和比值、区域面积和外接矩形面积的比值、区域面积和外接凸包面积的比值、区域周长和外接矩形周长的比值。