CN108280950B - 一种基于高频能量分布的防区型光纤周界防护算法 - Google Patents
一种基于高频能量分布的防区型光纤周界防护算法 Download PDFInfo
- Publication number
- CN108280950B CN108280950B CN201711322105.9A CN201711322105A CN108280950B CN 108280950 B CN108280950 B CN 108280950B CN 201711322105 A CN201711322105 A CN 201711322105A CN 108280950 B CN108280950 B CN 108280950B
- Authority
- CN
- China
- Prior art keywords
- frequency energy
- energy distribution
- frequency
- optical fiber
- detail information
- 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.)
- Active
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Burglar Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明提供了一种基于高频能量分布的防区型光纤周界防护算法,所述算法包括:从光纤振动传感器采集原始信号;对原始信号进行多层小波包分解,计算各个尺度小波包细节信息的能量,并选取其中的某一高频细节信息;将选取的小波高频细节分量与窗函数进行卷积、平滑处理,得到高频能量分布数据;根据高频能量分布数据计算信号响应强度和响应时间;最后将信号响应强度和响应时间同各尺度小波细节信息能量构成特征向量输入到神经网络中,由神经网络输出相应的报警模式,本发明的防区型光纤周界防护算法可以准确的识别人为入侵事件,并且能够有效降低强风雨天气下的误报,具有环境适应能力强、维护简单方便等特点。
Description
技术领域
本发明涉及光纤周界安防领域,尤其涉及一种基于高频能量分布的防区型光纤周界防护算法。
背景技术
光纤传感技术在安防的许多领域已经得到广泛的应用,其中,防区型光纤周界防护系统是光纤传感技术在安防领域的一个成功典范,该系统可以实现在机场、高铁、学校、工业园区等场所对人为入侵行为的有效监控,并且防区型光纤周界防护系统相比传统的安防监控系统具有监控距离长、报警灵敏度高、维护简单的优点。
防区型光纤周界防护系统中信号的处理算法是实现高效准确识别的关键,目前的报警识别算法主要通过信号的时域特征(信号过零率、信号均值、信息熵等)和频域特征(小波分解系数、傅里叶变换或滤波器组提取不同频率的信号功率或能量等)使用阈值判断或模式识别的方式将不同的人为入侵行为识别出来,这些算法提取的特征大都表征当前帧信号的整体特性,缺少信号的局部细节特征,通过这些特征进行的入侵识别容易受到风雨、火车和重车经过等周围环境的影响,系统的环境适应性差,并且容易受到风雨天气的干扰,导致误报率很高。
发明内容
本发明针对上述存在的技术问题,提供了一种通过定位振动信号受到扰动的起始位置,提取振动信号高频能量分布的响应时间和响应强度来快速、准确的识别人为入侵事件,并且对强风雨的干扰,能够有效的降低误报,具有识别准确率高、环境适应能力强、维护简单方便的特点的基于高频能量分布的防区型光纤周界防护算法。
本发明通过以下措施达到:
一种基于高频能量分布的防区型光纤周界防护算法,其特征在于包括以下步骤:
步骤1:读取光纤振动传感器采集的数据;
步骤2:对采集到的振动数据进行小波包多尺度分解,计算各尺度小波细节信息的高频能量,并且选取某一尺度的细节信息用于以下步骤的计算;
步骤3:使用窗函数与选取的小波尺度信息相卷积的方式获取原始振动数据的高频能量分布;
步骤4:计算高频能量分布曲线的响应强度和响应时间,并同步骤2计算的高频能量构成特征向量;
步骤5:将特征向量输入到基于神经网络的分类器中,由分类器输出系统报警的模式。
本发明步骤2中,所述高频能量为原始信号经过小波包分解后各个尺度的细节信息的归一化能量,计算公式为:
其中,E为高频能量,H为选取的小波细节信息,M为小波细节信号的长度。
本发明步骤3中,所述高频能量分布表示的是步骤2选取的高频信号(小波细节信息)的分段能量在时域上的变化趋势,具体的实现步骤为:
步骤1;选取一定长度的矩形窗,矩形窗的长度为高频信号能量累积的时长;
步骤2:将矩形窗与高频信号进行卷积,以实现高频信号分段能量的连续分布计算,计算公式为:
其中,ED为高频能量分布,W为矩形窗,H为高频信号,M为高频信号的长度。
步骤3:对步骤2卷积后的结果进行平滑滤波处理,以消除因为信号噪声等不稳定因素引起的信号波动。
本发明步骤4中,所述响应时间和响应强度的计算过程为:
步骤1:寻找高频能量分布的极大值点,并对极大值点进行筛选,筛选的规则为极值点对应的峰高要满足一定的阈值条件,这样能够将无干扰环境下和风雨环境下的信号进行筛选,公式如下所示:
其中,peak(ED)为高频能量分布的极值,min(ED)为高频能量分布的最小值,max(ED)为高频能量分布的最大值。
步骤2:确定高频能量分布上升沿的起始位置为2-log(minUp),其中minUp为当前极值点与上一极值点或起始点之间的最小值。
步骤3:计算响应强度和响应时间:
upT=loc(pV)-loc(sV)
其中,upR为响应强度,upT为响应时间,pV为极值,sV为上升沿起始值,loc(pV)为极值点,loc(sV)为起始值的位置。
本发明步骤5中,所述的神经网络分类器是通过大量样本训练好的BP神经网络模型,将步骤1-4中取得的特征向量输入到分类器中,根据输出的结果判断是何种报警类型。
本发明的防区型光纤周界防护算法是基于信号局部特征,即通过定位光纤起振时信号的上升强度和上升时间来识别不同的行为事件,本发明的防护算法可以将人为的入侵行为准确的识别出来,并且在强风雨天气下,可以有效的降低误报,具有识别准确率高、环境适应能力强和维护简单方便的特点。
附图说明
附图1为本算法总体流程图
附图2为无干扰、风雨、人为入侵三种情况下的原始采集数据图
附图3为无干扰、风雨、人为入侵三种情况下的小波分解系数HHL波形
附图4为无干扰、风雨、人为入侵三种情况下的高频能量分布图
具体实施方式
为了使本发明的技术方案和算法优点更加清楚,以下我们参照附图进一步进行详细的描述,但本方面的保护范围并不只局限于以下实施方式,以权利要求限定。
本发明提出了一种基于高频能量分布的防区型光纤周界防护算法,本算法从不同行为事件在入侵时对振动信号表现出不同特性的角度出发,通过生成高频能量分布曲线,并从中计算出入侵响应强度和响应时间,结合小波包多尺度分解后计算的各频段能量,生成特征向量,输入到神经网络中,最后通过神经网络输出的报警模式判断系统是否报警,本算法的整体计算步骤如下:1)对采集器采集到的振动数据进行小波包多尺度分解,计算多尺度小波细节信息的高频能量,并且选取某一尺度的细节信息用于以下步骤的计算;2)使用窗函数与选取的小波尺度信息相卷积的方式获取原始振动数据的高频能量分布;3)计算高频能量分布曲线的响应时间和响应强度,并同步骤1计算的高频能量构成特征向量;4)将特征向量输入到基于神经网络的分类器中,由分类器输出系统报警的模式。
所述高频能量为小波细节信息的归一化能量;所涉及的高频能量分布表示的是高频信号的分段能量在时域上的变化趋势,其中,高频信号为小波包分解后根据现场环境选取的某一尺度的小波细节信息。高频能量分布的具体实现步骤为:1)选取一定长度的矩形窗,矩形窗的长度为高频信号能量累积的时长;2)将矩形窗与高频信号进行卷积,以实现高频信号分段能量的连续分布计算;步骤3:对步骤2卷积后的结果进行平滑滤波处理,以消除因为信号噪声等不稳定因素引起的信号波动。
所述响应强度表示外界入侵时高频能量信号的上升速率,响应时间表示高频能量信号上升到最大值时需要的时间,响应强度和响应时间的计算步骤为:1)寻找高频能量分布的极大值点,并对极大值点进行筛选,筛选的规则为极值点对应的峰高要满足一定的阈值条件,大于阈值的则保留,小于阈值的则丢弃;2)确定高频能量分布上升沿的起始位置,通常起始位置定义为2-log(minUp),其中minUp为当前极值点与上一极值点或起始点之间的最小值。
所述的,将特征向量输入到神经网络分类器中用于输出报警模式,具体为:1)通过选取不同入侵行为的大量样本,用于训练神经网络分类器;2)然后将未标记分类的特征向量输入到训练好的神经网络中,神经网络输出报警类别。
实施例一:
图1为本发明算法的总体设计流程图,结合流程图,具体的实施步骤为:
1、采集数据:采样频率为10KHZ,每秒数据设定为一帧,以下过程针对每帧数据进行处理,图2分别表示无干扰、刮风和人为入侵三种情况下采集的原始数据图形;
2、选取小波包分解系数:对当前帧信号进行3级小波包分解,结合现场的实验环境和信号的特征,选取HHL频段的分量,图3分别为无干扰、刮风和人为入侵三种情况下分解的HHL系数图形;
3、计算高频能量分布:使用长度为1000的矩形窗与HHL卷积求得高频能量分布,图4分别为无干扰、风雨、人为入侵三种情况下的高频能量分布曲线图,从图中可以看出无干扰和风雨条件下的高频能量分布比较均匀,而人为入侵时会出现一个波峰;
4、计算特征:首先,根据计算小波包分解的HHH、HHL、HLH、HLL、LHH、LHL六个频段分量的能量;其次,根据高频能量分布分别求得响应强度和响应时间;最后将响应强度、响应时间和小波各个频段的能量构成特征向量。下表为从无干扰、刮风和人为入侵三种条件下采集的部分样本中计算的特征,其中,响应时间和响应强度为0的表示信号高频能量分布均匀,没有人为入侵存在;在起风过程中,会存在响应强度比较大,但响应时间会比较长;对于人为入侵,响应强度非常大,但响应时间比较短,所以从响应强度和响应时间就可将无风和风雨条件下的信号进行过滤并识别出人为入侵行为。
5、入侵干扰识别:首先按照信号分类,将不同干扰下的数据作为输入,用于训练和构建BP神经网络,然后用训练好的网络用于识别实时采集的振动数据,输出的结果代表不同的事件,从而确定系统是否报警。
本发明的防区型光纤周界防护算法是基于信号局部特征,即通过定位光纤起振时信号的上升强度和上升时间来识别不同的行为事件,本发明的防护算法可以将人为的入侵行为准确的识别出来,并且在强风雨天气下,可以有效的降低误报,具有识别准确率高、环境适应能力强和维护简单方便的特点。
Claims (4)
1.一种基于高频能量分布的防区型光纤周界防护算法,其特征在于包括以下步骤:
步骤1:读取光纤振动传感器采集的数据;
步骤2:对采集到的振动数据进行小波包多尺度分解,计算各尺度小波细节信息的高频能量,并且选取某一尺度的细节信息用于以下步骤的计算;
步骤3:使用窗函数与选取的小波尺度细节信息相卷积的方式获取原始振动数据的高频能量分布;
步骤4:计算高频能量分布曲线的响应强度和响应时间,并同步骤2计算的高频能量构成特征向量;
步骤5:将特征向量输入到基于神经网络的分类器中,由分类器输出系统报警的模式;
步骤4中,所述响应时间和响应强度的计算过程为:
步骤4-1:寻找高频能量分布的极大值点,并对极大值点进行筛选,筛选的规则为极大值点对应的峰高要满足一定的阈值条件,这样能够将无干扰环境下和风雨环境下的信号进行筛选,公式如下所示:
其中,peak(ED)为高频能量分布的极大值,min(ED)为高频能量分布的最小值,max(ED)为高频能量分布的最大值;
步骤4-2:确定高频能量分布上升沿的起始位置为2-log(minUp),其中minUp为当前极大值点与上一极大值点或起始点之间的最小值;
步骤4-3:计算响应强度和响应时间:
upT=loc(pV)-loc(sV)
其中,upR为响应强度,upT为响应时间,pV为极大值,sV为上升沿起始值,loc(pV)为极大值点的位置,loc(sV)为上升沿的起始位置。
4.根据权利要求1所述的一种基于高频能量分布的防区型光纤周界防护算法,其特征在于步骤5中,所述的神经网络分类器是通过大量样本训练好的BP神经网络模型,将步骤1-4中取得的特征向量输入到分类器中,根据输出的结果判断是何种报警类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711322105.9A CN108280950B (zh) | 2017-12-12 | 2017-12-12 | 一种基于高频能量分布的防区型光纤周界防护算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711322105.9A CN108280950B (zh) | 2017-12-12 | 2017-12-12 | 一种基于高频能量分布的防区型光纤周界防护算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280950A CN108280950A (zh) | 2018-07-13 |
CN108280950B true CN108280950B (zh) | 2021-02-26 |
Family
ID=62801540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711322105.9A Active CN108280950B (zh) | 2017-12-12 | 2017-12-12 | 一种基于高频能量分布的防区型光纤周界防护算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280950B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109470352B (zh) * | 2018-10-19 | 2021-03-16 | 威海北洋光电信息技术股份公司 | 基于自适应阈值的分布式光纤管道安全监测算法 |
CN110164071B (zh) * | 2019-04-29 | 2022-02-01 | 西人马联合测控(泉州)科技有限公司 | 一种安防系统 |
US20240061137A1 (en) * | 2022-08-18 | 2024-02-22 | Network Integrity Systems, Inc. | Intrusion detection algorithm with wind rejection heuristic |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107894276A (zh) * | 2017-12-08 | 2018-04-10 | 威海北洋光电信息技术股份公司 | 一种高频响的分布式光纤振动传感装置和实现方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045120B (zh) * | 2010-10-29 | 2013-11-13 | 成都九洲电子信息系统股份有限公司 | 光纤周界系统的振动信号识别方法 |
US8577830B2 (en) * | 2010-11-24 | 2013-11-05 | Technion Research And Development Foundation Ltd. | Method for detection of tunnel excavation by brillouin optical time domain reflectometry using multiple underground optical fibers |
US20130015878A1 (en) * | 2011-06-20 | 2013-01-17 | Erlphase Power Technologies Limited | Power system fault zone detection |
CA2780396A1 (en) * | 2012-06-13 | 2013-12-13 | Robert Keith Harman | Fiber optic interferometric perimeter security apparatus and method |
CN103617684B (zh) * | 2013-12-12 | 2016-08-24 | 威海北洋电气集团股份有限公司 | 干涉型光纤周界振动入侵识别算法 |
CN104008622B (zh) * | 2014-06-03 | 2016-06-15 | 天津求实飞博科技有限公司 | 基于短时能量和过零率的光纤周界安防系统端点检测方法 |
CN105261136B (zh) * | 2015-10-23 | 2017-06-16 | 长沙学院 | 一种光纤监测报警系统中屏蔽天气干扰的方法及装置 |
CN106225907B (zh) * | 2016-06-28 | 2018-11-20 | 浙江大学 | 一种基于φ-otdr技术的光纤振动识别系统及方法 |
-
2017
- 2017-12-12 CN CN201711322105.9A patent/CN108280950B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107894276A (zh) * | 2017-12-08 | 2018-04-10 | 威海北洋光电信息技术股份公司 | 一种高频响的分布式光纤振动传感装置和实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108280950A (zh) | 2018-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111157099B (zh) | 一种分布式光纤传感器振动信号分类方法及识别分类系统 | |
CN102045120B (zh) | 光纤周界系统的振动信号识别方法 | |
CN108280950B (zh) | 一种基于高频能量分布的防区型光纤周界防护算法 | |
CN109616140B (zh) | 一种异常声音分析系统 | |
CN105931402A (zh) | 基于图像识别的光纤周界入侵监测方法 | |
CN104751580A (zh) | 分布式光纤传感信号模式识别方法及系统 | |
WO2009046359A2 (en) | Detection and classification of running vehicles based on acoustic signatures | |
Dalir et al. | Classification of vehicles based on audio signals using quadratic discriminant analysis and high energy feature vectors | |
CN113283331A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
Zhu et al. | Self-learning filtering method based on classification error in distributed fiber optic system | |
CN114093106B (zh) | 基于EfficientNET分类网络的入侵信号报警方法及系统 | |
Kandpal et al. | Classification of ground vehicles using acoustic signal processing and neural network classifier | |
CN109614887B (zh) | 一种基于支持向量机的汽车鸣笛分类方法 | |
Xie et al. | Detecting frog calling activity based on acoustic event detection and multi-label learning | |
Lee et al. | Feature extraction algorithm based on adaptive wavelet packet for surface defect classification | |
CN110146922A (zh) | 高速铁路地震预警系统单双地震计干扰识别方法 | |
CN105609110A (zh) | 一种应用在网络设备中的语音识别方法及系统 | |
CN116152735A (zh) | 一种基于边缘云计算的安防监控危险源识别系统与方法 | |
Changjun et al. | The research of vehicle classification using SVM and KNN in a ramp | |
CN107548007B (zh) | 一种音频信号采集设备的检测方法及装置 | |
CN111025288B (zh) | 安防雷达监测装置及系统 | |
CN114626420A (zh) | 一种基于CWT-Xception-RF的φ-OTDR振动事件分类方法 | |
Dedeoglu et al. | Surveillance using both video and audio | |
Khan et al. | Non stationary signal analysis and classification using FTT transform and Naive Bayes classifier | |
Thu et al. | Vehicle type classification based on acoustic signals using denoised MFCC |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |