CN106600870A - 一种分布式光纤围栏振动入侵识别系统 - Google Patents
一种分布式光纤围栏振动入侵识别系统 Download PDFInfo
- Publication number
- CN106600870A CN106600870A CN201611266625.8A CN201611266625A CN106600870A CN 106600870 A CN106600870 A CN 106600870A CN 201611266625 A CN201611266625 A CN 201611266625A CN 106600870 A CN106600870 A CN 106600870A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- vibration
- distributed optical
- fence
- invasion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
- G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
- G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
- G08B13/124—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence with the breaking or disturbance being optically detected, e.g. optical fibers in the perimeter fence
Abstract
本发明公开一种分布式光纤振动入侵识别系统,包括分布式光纤振动传感系统,用以识别围栏入侵光纤振动信号;异常振动块截取模块,对采集的光纤振动信号进行分帧处理,计算分帧光纤振动信号的过零率;截取异常振动块;特征提取模块,为人工网络模式识别方法提供特征参数;人工神经网络模块,通过对已知入侵事件特征参数进行训练,对未知入侵事件的振动数据进行精确识别。本发明在光纤围栏安防系统中运用了两级入侵行为识别机制,即先对振动异常事件进行截取,再对异常事件数据进行人工网络识别,从而避免了对振动正常数据段进行智能识别的计算,使围栏安防入侵事件识别过程更具有针对性,提高了光纤围栏入侵报警系统的工作效率。
Description
技术领域
本发明涉及光纤围栏安防领域,尤其涉及一种分布式光纤围栏振动入侵识别系统。
背景技术
光纤围栏以光纤振动作为传感对象,具有监测范围广、灵敏度高、环境适应性好、抗干扰能力强等多方面优势,在安防领域有着广泛地应用。
光纤围栏安防报警系统的工作原理为:当围栏入侵行为产生时(如攀爬、踩踏、摇晃、挤压等),可使围栏上的光纤产生微小振动;利用传感光纤对上述振动信号进行实时采集,结合先进的信号处理及模式识别手段,对围栏入侵行为进行识别,并将入侵报警信息(包含报警位置、报警类型、持续时间等)实时、可靠地上报给安防管理系统。安防报警系统的关键是入侵识别算法。
现有大多数光纤围栏安防系统依靠能量阈值或过零率阈值方式对入侵事件进行识别,较好的解决了入侵行为报警问题,但它不能准确辨识脚踹、攀爬等具体入侵行为。与此同时,大风暴雨等恶劣自然环境下的光纤振动也极易被识别为入侵行为,导致大量误报现象的发生。
虽然具有模式识别功能的光纤围栏安防系统能精准识别围栏入侵具体行为事件,但该系统存在着大量冗余计算,即对所有光纤振动信号进行模式识别处理,缺乏对正常振动数据和异常数据的区分,导致光纤围栏安防系统数据处理量大的问题。
事实上,屏蔽大风大雨等无害事件的干扰,对围栏入侵主要事件(如剪网、攀爬等)进行精准识别,已成为光纤围栏安防系统实际应用急需解决的两个重要问题。本发明提出一种新型的分布式光纤振动入侵识别方法。
发明内容
本发明所要解决的技术问题是提供一种分布式光纤振动入侵识别系统,其通过简单的光纤围栏振动信号测量,采用过零率阈值方法截取光纤振动异常数据块;接着采用特征提取技术,从振动异常数据块中提取出特征参数;最后利用人工神经网络对振动入侵事件进行识别。
为了解决上诉问题,本发明是通过以下方案实现的:一种分布式光纤振动入侵识别系统,其特征在于所述分布式光纤振动入侵识别系统包括
分布式光纤振动传感系统,用以识别围栏入侵光纤振动信号;
异常振动块截取模块,对采集的光纤振动信号进行滑动窗分帧处理,并计算分帧光纤振动信号的过零率;通过设定过零率阈值,对大于过零率阈值参数的光纤振动异常的异常振动块进行截取;
特征提取模块,分别计算异常振动块的过零率总数、短时能量、持续时间、最大振动上升沿角度及极值末尾下降沿斜率,为人工网络模式识别方法提供特征参数;
人工神经网络模块,通过对已知入侵事件特征参数进行训练,对未知入侵事件的振动数据进行精确识别。
优选地,所述的分布式光纤振动传感系统将传感光纤挂网安装在围栏上,利用M-Z干涉原理,以识别围栏入侵光纤振动信号。
优选地,所述的滑动窗分帧处理使用的窗函数为海明窗。
优选地,所述的分帧光纤振动信号Xn(m)的过零率Zn的计算方法为:
其中,sgn[]是符号函数,即:
所述的短时能量方法为:
其中,N为信号帧长。
优选地,所述的为最大振动上升沿角度定义为:
假设异常振动块的起始振动坐标点为(x1,y1),幅值最大振动点的坐标为(x2,y2),则最大振动上升沿角度θ是
θ=argtan((y2-y1)/(x2-x1))
所述的为末尾极值下降沿斜率定义为:
假设异常振动块第一个极大值点的振动坐标点为(x3,y3),截止点的坐标为(x4,y4),则末尾极值下降沿斜率k是:
k=(y4-y3)/(x4-x3)
优选地,所述的人工神经网络使用的是多层前向网络,即BP神经网络。
优选地,所述的人工神经网络使用BP神经网络选用三层感知器网络,输入层单元数为5个,对应5个特征提取参数;输出层单元数为4个,对应剪网、攀爬、风雨和拍击4个入侵行为事件;隐层神经单元数据取8~10之间。
与现有技术相比,本发明具有如下特点:
1.解决依靠能量阈值或过零率阈值识别方法不能准确辨识剪网、攀爬、风雨等具体入侵行为的不足;
2.在光纤围栏安防系统中运用了两级入侵行为识别机制,即先对振动异常事件进行截取,再对异常事件数据进行人工网络识别,从而避免了对振动正常数据段进行智能识别的计算,使围栏安防入侵事件识别过程更具有针对性,提高了光纤围栏入侵报警系统的工作效率。
附图说明
图1为本发明的系统框图。
图2为一种分布式光纤振动入侵识别方法流程图。
具体实施方式
如图1所示,一种分布式光纤振动入侵识别系统,其特征在于所述分布式光纤振动入侵识别系统包括
分布式光纤振动传感系统,用以识别围栏入侵光纤振动信号;
异常振动块截取模块,对采集的光纤振动信号进行滑动窗分帧处理,并计算分帧光纤振动信号的过零率;通过设定过零率阈值,对大于过零率阈值参数的光纤振动异常的异常振动块进行截取;
特征提取模块,分别计算异常振动块的过零率总数、短时能量、持续时间、最大振动上升沿角度及极值末尾下降沿斜率,为人工网络模式识别方法提供特征参数;
人工神经网络模块,通过对已知入侵事件特征参数进行训练,对未知入侵事件的振动数据进行精确识别。
如图2所示,一种分布式光纤振动入侵识别方法,包括如下步骤:
(1)围栏挂网光纤振动信号拾取,利用分布式光纤振动传感系统,对围栏挂网光纤振动信号进行拾取;
(2)信号分帧和过零率计算,对采集的光纤振动信号进行滑动窗分帧处理,并计算分帧光纤振动信号的过零率;
(3)异常振动块信号截取,设定过零率阈值,对大于过零率阈值参数的光纤振动异常信号块进行截取,以获取异常振动块;
(4)特征提取,分别提取异常振动块的五组特征参数,它们分别是:过零率总数、短时能量、持续时间、最大振动上升沿角度及末尾极值下降沿斜率;
(5)人工神经网络识别,利用人工神经网络方法,对已知入侵行为的五组特征参数进行训练,并对未知入侵行为的光纤振动信号进行识别。
上述步骤(1)中所述的分布式光纤振动传感系统利用M-Z干涉原理,分布式光纤振动传感系统包括系统主机、光中继模块以及传感光缆。
上述步骤(2)中所述的滑动窗分帧处理使用的窗函数为海明窗。
上述步骤(2)中分帧光纤振动信号xn(m)的过零率Zn的计算方法为:
其中,sgn[]是符号函数,即:
上述步骤(4)中所述的短时能量方法为:
其中,N为信号帧长。
上述步骤(4)中所述的为最大振动上升沿角度定义为:
假设异常信号块的起始振动坐标点为(x1,y1),幅值最大振动点的坐标为(x2,y2),则最大振动上升沿角度θ是
θ=argtan((y2-y1)/(x2-x1))
上述步骤(4)中所述的为末尾极值下降沿斜率定义为:
假设异常信号块第一个极大值点的振动坐标点为(x3,y3),截止点的坐标为(x4,y4),则末尾极值下降沿斜率k是:
k=(y4-y3)/(x4-x3)。
上述步骤(5)中所述的人工神经网络使用的是多层前向网络,即BP神经网络。
上述步骤(5)中所述的人工神经网络使用BP神经网络选用三层感知器网络,输入层单元数为5个,对应5个特征提取参数;输出层单元数为4个,对应剪网、攀爬、风雨和拍击4个入侵行为事件;隐层神经单元数据取8~10之间。
本发明在光纤围栏安防系统中运用了两级入侵行为识别机制,即先对振动异常事件进行截取,再对异常事件数据进行人工网络识别,从而避免了对振动正常数据段进行智能识别的计算,使围栏安防入侵事件识别过程更具有针对性,提高了光纤围栏入侵报警系统的工作效率,此外,本发明可有效地降低大风大雨对围栏安防入侵识别的干扰,精确分辨围栏主要入侵事件。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明具体实施只局限于上述这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种分布式光纤振动入侵识别系统,其特征在于所述分布式光纤振动入侵识别系统包括
分布式光纤振动传感系统,用以识别围栏入侵光纤振动信号;
异常振动块截取模块,对采集的光纤振动信号进行滑动窗分帧处理,并计算分帧光纤振动信号的过零率;通过设定过零率阈值,对大于过零率阈值参数的光纤振动异常的异常振动块进行截取;
特征提取模块,分别计算异常振动块的过零率总数、短时能量、持续时间、最大振动上升沿角度及极值末尾下降沿斜率,为人工网络模式识别方法提供特征参数;
人工神经网络模块,通过对已知入侵事件特征参数进行训练,对未知入侵事件的振动数据进行精确识别。
2.如权利要求1所述的一种分布式光纤振动入侵识别系统,其特征在于所述的分布式光纤振动传感系统将传感光纤挂网安装在围栏上,利用M-Z干涉原理,以识别围栏入侵光纤振动信号。
3.如权利要求1所述的一种分布式光纤振动入侵识别系统,其特征在于所述的滑动窗分帧处理使用的窗函数为海明窗。
4.如权利要求1所述的一种分布式光纤振动入侵识别系统,其特征在于所述的分帧光纤振动信号Xn(m)的过零率Zn的计算方法为:
其中,sgn[]是符号函数,即:
所述的短时能量方法为:
其中,N为信号帧长。
5.如权利要求1所述的一种分布式光纤振动入侵识别系统,其特征在于所述的为最大振动上升沿角度定义为:
假设异常振动块的起始振动坐标点为(x1,y1),幅值最大振动点的坐标为(x2,y2),则最大振动上升沿角度θ是
θ=argtan((y2-y1)/(x2-x1))
所述的为末尾极值下降沿斜率定义为:
假设异常振动块第一个极大值点的振动坐标点为(x3,y3),截止点的坐标为(x4,y4),则末尾极值下降沿斜率k是:
k=(y4-y3)/(x4-x3)。
6.如权利要求1所述的一种分布式光纤振动入侵识别系统,其特征在于所述的人工神经网络使用的是多层前向网络,即BP神经网络。
7.如权利要求1所述的一种分布式光纤振动入侵识别系统,其特征在于所述的人工神经网络使用BP神经网络选用三层感知器网络,输入层单元数为5个,对应5个特征提取参数;输出层单元数为4个,对应剪网、攀爬、风雨和拍击4个入侵行为事件;隐层神经单元数据取8~10之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611266625.8A CN106600870A (zh) | 2016-12-31 | 2016-12-31 | 一种分布式光纤围栏振动入侵识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611266625.8A CN106600870A (zh) | 2016-12-31 | 2016-12-31 | 一种分布式光纤围栏振动入侵识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600870A true CN106600870A (zh) | 2017-04-26 |
Family
ID=58582068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611266625.8A Pending CN106600870A (zh) | 2016-12-31 | 2016-12-31 | 一种分布式光纤围栏振动入侵识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600870A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107124221A (zh) * | 2017-04-28 | 2017-09-01 | 国网上海市电力公司 | 一种通信排管孔通道侵占无源在线监测系统 |
CN107730800A (zh) * | 2017-11-13 | 2018-02-23 | 浙江众盟通信技术有限公司 | 基于光纤振动安全预警系统的抗干扰分析方法 |
CN108399696A (zh) * | 2018-03-22 | 2018-08-14 | 中科润程(北京)物联科技有限责任公司 | 入侵行为识别方法及装置 |
CN108682101A (zh) * | 2018-05-23 | 2018-10-19 | 重庆科技学院 | 基于双门限法的振动光纤入侵事件检测方法 |
CN110852187A (zh) * | 2019-10-22 | 2020-02-28 | 华侨大学 | 一种周界入侵事件的识别方法与系统 |
CN111160106A (zh) * | 2019-12-03 | 2020-05-15 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 一种基于gpu的光纤振动信号特征提取及分类的方法及系统 |
CN112212898A (zh) * | 2020-09-09 | 2021-01-12 | 山东科技大学 | 一种基于小尺寸分布式光纤传感阵列的智能皮肤 |
CN112541480A (zh) * | 2020-12-25 | 2021-03-23 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息系统有限责任公司 | 光纤周界系统的振动信号识别方法 |
CN103116957A (zh) * | 2013-01-21 | 2013-05-22 | 复旦大学 | 一种光纤周界安防系统屏蔽气候影响的方法 |
CN105608823A (zh) * | 2016-03-14 | 2016-05-25 | 北京北邮国安技术股份有限公司 | 基于主成分分析的光纤安防方法及系统 |
CN106023499A (zh) * | 2016-04-28 | 2016-10-12 | 北京北邮国安技术股份有限公司 | 一种光纤安防信号双重识别方法及系统 |
-
2016
- 2016-12-31 CN CN201611266625.8A patent/CN106600870A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息系统有限责任公司 | 光纤周界系统的振动信号识别方法 |
CN103116957A (zh) * | 2013-01-21 | 2013-05-22 | 复旦大学 | 一种光纤周界安防系统屏蔽气候影响的方法 |
CN105608823A (zh) * | 2016-03-14 | 2016-05-25 | 北京北邮国安技术股份有限公司 | 基于主成分分析的光纤安防方法及系统 |
CN106023499A (zh) * | 2016-04-28 | 2016-10-12 | 北京北邮国安技术股份有限公司 | 一种光纤安防信号双重识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
MAHMOUD等: "Robust event classification for a fiber optic perimeter intrusion detection system using level crossing features and artificial neural networks", 《PROC.OF SPIE》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107124221A (zh) * | 2017-04-28 | 2017-09-01 | 国网上海市电力公司 | 一种通信排管孔通道侵占无源在线监测系统 |
CN107730800A (zh) * | 2017-11-13 | 2018-02-23 | 浙江众盟通信技术有限公司 | 基于光纤振动安全预警系统的抗干扰分析方法 |
CN108399696A (zh) * | 2018-03-22 | 2018-08-14 | 中科润程(北京)物联科技有限责任公司 | 入侵行为识别方法及装置 |
CN108682101A (zh) * | 2018-05-23 | 2018-10-19 | 重庆科技学院 | 基于双门限法的振动光纤入侵事件检测方法 |
CN110852187A (zh) * | 2019-10-22 | 2020-02-28 | 华侨大学 | 一种周界入侵事件的识别方法与系统 |
CN110852187B (zh) * | 2019-10-22 | 2023-04-07 | 华侨大学 | 一种周界入侵事件的识别方法与系统 |
CN111160106A (zh) * | 2019-12-03 | 2020-05-15 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 一种基于gpu的光纤振动信号特征提取及分类的方法及系统 |
CN111160106B (zh) * | 2019-12-03 | 2023-12-12 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 一种基于gpu的光纤振动信号特征提取及分类的方法及系统 |
CN112212898A (zh) * | 2020-09-09 | 2021-01-12 | 山东科技大学 | 一种基于小尺寸分布式光纤传感阵列的智能皮肤 |
CN112541480A (zh) * | 2020-12-25 | 2021-03-23 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及系统 |
CN112541480B (zh) * | 2020-12-25 | 2022-06-17 | 华中科技大学 | 一种隧道异物入侵事件在线识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600870A (zh) | 一种分布式光纤围栏振动入侵识别系统 | |
CN106600869A (zh) | 一种用于光纤围栏安防系统的围栏入侵识别方法 | |
CN107067605A (zh) | 一种分布式光纤围栏振动入侵识别方法 | |
Kim et al. | Method of intrusion detection using deep neural network | |
CN101399672B (zh) | 一种多神经网络融合的入侵检测方法 | |
CN106888205A (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
CN102045120B (zh) | 光纤周界系统的振动信号识别方法 | |
CN105608823B (zh) | 基于主成分分析的光纤安防方法及系统 | |
CN104751580B (zh) | 分布式光纤传感信号模式识别方法及系统 | |
JP7126722B2 (ja) | 光ファイバ信号の特徴に基づき振動を検知及び識別し且つ時空間を特定する方法及びシステム | |
CN108197575A (zh) | 一种基于目标检测和骨点检测的异常行为识别方法及装置 | |
CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
CN103234767A (zh) | 基于半监督流形学习的非线性故障检测方法 | |
CN108449366B (zh) | 基于人工智能的关键信息基础设施安全威胁情报分析系统 | |
CN106023499A (zh) | 一种光纤安防信号双重识别方法及系统 | |
CN105469523A (zh) | 抗风雨干扰的光纤周界防护方法 | |
CN108801437A (zh) | 基于扰动信号特征提取的分布式光纤振动传感定位方法及装置 | |
Harkous et al. | A two-stage machine learning method for highly-accurate drunk driving detection | |
CN106650644A (zh) | 驾驶员危险行为识别方法及系统 | |
Khan et al. | Flash floods prediction using real time data: An implementation of ANN-PSO with less false alarm | |
Smailov et al. | A Novel Deep CNN-RNN Approach for Real-time Impulsive Sound Detection to Detect Dangerous Events | |
CN105139869A (zh) | 一种基于区间差分特征的婴儿啼哭检测方法 | |
Jiang et al. | Multi-target recognition used in airpoty fiber fence warning system | |
CN107689127B (zh) | 具有自适应调参功能的光纤安防信号双重识别方法与系统 | |
CN111951505B (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |