CN112257533B - 一种周界入侵检测识别方法 - Google Patents

一种周界入侵检测识别方法 Download PDF

Info

Publication number
CN112257533B
CN112257533B CN202011099109.7A CN202011099109A CN112257533B CN 112257533 B CN112257533 B CN 112257533B CN 202011099109 A CN202011099109 A CN 202011099109A CN 112257533 B CN112257533 B CN 112257533B
Authority
CN
China
Prior art keywords
data
intrusion
target
intrusion detection
characteristic value
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
Application number
CN202011099109.7A
Other languages
English (en)
Other versions
CN112257533A (zh
Inventor
周求湛
姚欣宜
胡继康
陈禹竺
贺琦
鲍雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin Riyue Zhigan Interconnection Technology Co ltd
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202011099109.7A priority Critical patent/CN112257533B/zh
Publication of CN112257533A publication Critical patent/CN112257533A/zh
Application granted granted Critical
Publication of CN112257533B publication Critical patent/CN112257533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

本发明公开了一种周界入侵检测识别方法，所述方法包括如下步骤：S100：搭建数据采集系统；S200：建立入侵目标和环境噪声样本数据库；S300：提取样本数据库中入侵目标运动数据和环境数据的特征值；S400：建立入侵检测模型；S500：建立入侵目标分类模型；S600：搭建周界入侵检测识别系统，采集环境数据，自动调整环境系数，将实时采集的数据输入入侵检测模型和入侵目标分类模型，判断是否存在入侵行为并识别入侵目标类型。本发明能够实现微弱入侵信号检测和入侵目标识别，有效提高入侵检测准确率并降低系统虚警率，实现对入侵行为的有效检测，提高兼容性和适应性。

Description

一种周界入侵检测识别方法
技术领域
本发明属于周界安防领域及信号处理与检测领域，涉及一种入侵检测识别方法，具体涉及一种周界入侵检测识别方法。
背景技术
周界入侵检测系统是基于振动传感探测手段，依靠互联网信息融合构建出的立体化预警系统，广泛地应用于边境、大型仓库、监狱、博物馆、机场等重点区域。周界入侵检测系统能对涉及到国家和人民人身财产安全的重点区域的安全起到防护作用，有效的安全防范将能够营造严谨合理的周界安全规划措施，杜绝因安全隐患出现意外状况。
在现有的周界入侵检测系统中，入侵信号检测的常用方法通常可以分为时域方法、频域方法和时频域三种方法。时域的检测方法如基于能量的恒虚警率算法，该算法根据噪声水平变化调整检测门限，使入侵检测的虚警率保持恒定。频域的检测方法如最大功率检测法，该方法将信号进行谱分析，根据不同频段的频谱变化情况来判断是否出现目标，文献采用峰值挑选算法来检测震动信号。最典型的时频检测方法是基于小波分析的方法。
上述方法所检测的入侵信号多为幅值较高的明显信号，对于幅值较小、整体幅度微弱的入侵信号不能很好地检测到，因此在实际应用中，目前周界入侵检测系统对不在系统工作近距离范围内的入侵目标检测能力较差，且存在误报率、漏报率较高的问题。此外，大多数周界入侵检测系统还存在普适性差的问题，一种周界入侵检测系统一般只针对一种应用场景。因此，现有周界入侵检测系统的安全防范能力和不同应用场景的适应能力有待提高。
发明内容
为了解决现有周界入侵检测系统误报率、漏报率较高和普适性较差等问题，本发明提供了一种周界入侵检测识别方法。该方法通过结合特征提取和机器学习算法处理传感子节点采集到的数据，实现微弱入侵信号检测和入侵目标识别，有效地提高入侵检测准确率并降低系统虚警率，实现对入侵行为的有效检测，同时通过自适应调整机制提高了该方法对不同应用环境的兼容性和适应性。
本发明的目的是通过以下技术方案实现的：
一种周界入侵检测识别方法，包括如下步骤：
S100：搭建数据采集系统；
S200：利用数据采集系统，采集入侵目标运动数据和环境数据，收集数据并建立入侵目标和环境噪声样本数据库；
S300：对大量样本数据进行分析，通过特征提取算法提取样本数据库中入侵目标运动数据和环境数据的特征值；
S400：将入侵目标运动数据和环境数据的特征向量输入BP神经网络模型，训练并得到网络权值和阈值，建立入侵检测模型；
S500：将人员运动数据和车辆运动数据的特征向量输入SVM模型，训练并得到系数和截距，建立入侵目标分类模型；
S600：搭建周界入侵检测识别系统，采集环境数据，自动调整环境系数，将实时采集的数据输入入侵检测模型和入侵目标分类模型，判断是否存在入侵行为并识别入侵目标类型。
相比于现有技术，本发明具有如下优点：
1、本发明的方法可以改善现有周界入侵检测系统对于微弱入侵信号检测能力较差的问题，通过结合信号的时频域特性和机器学习算法，能有效地检测到距离较远信号强度较弱的入侵信号，提高周界入侵检测系统单点入侵的检测距离与准确性。
2、本发明的方法可以针对不同应用环境自动调整入侵检测模型，提高了系统的普适性，具有较强的兼容性和自适应能力，适用于多种应用场景，且操作简单，方便操作人员使用。
3、本发明的方法采用拼接判断策略，解决了现有周界入侵检测系统存在的误报率、漏报率较高的问题，对我国的周界入侵检测系统是一次重要的升级。
附图说明
图1是本发明周界入侵检测识别方法的整体流程图。
图2是数据采集系统的硬件架构图。
图3是建立样本数据库的流程图。
图4是提取环境数据和入侵目标运动数据特征值的流程图。
图5是建立入侵检测模型的流程图。
图6是建立入侵目标分类模型的流程图。
图7是BP神经网络的网络结构。
图8是周界入侵检测系统的硬件架构图。
图9是调整应用环境系数，应用入侵检测模型和入侵目标分类模型实现入侵目标检测和入侵目标类型识别的流程图。
图10是应用实例1的检测识别结果，图中，报警指示灯和人：显示红色，车：显示绿色。
图11是应用实例2的检测识别结果，图中，报警指示灯和车：显示红色，人：显示绿色。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种周界入侵检测识别方法，如图1所示，所述方法包括以下步骤：
S100：搭建数据采集系统。
本步骤中，所述数据采集系统的系统基本架构如图2所示，具体包括以下步骤：
S101：搭建由惯性传感器、放大器、数据采集卡和上位机(电脑)组成的数据采集系统；
S102：选择惯性传感器和放大器组成传感单元；
S103：传感单元连接数据采集卡信号输入，数据采集卡USB接口连接电脑。
S200：利用数据采集系统，采集入侵目标运动数据和环境数据，收集样本数据并建立入侵目标和环境噪声样本数据库。
本步骤中，建立样本数据库的流程图如图3所示，具体包括以下步骤：
S201：将数据采集系统布置在周围没有运动目标的测试场地；
S202：采集不同时间和不同天气情况下的环境数据；
S203：采集不同运动模式和不同距离的人员运动信号，采集不同车速和不同距离的车辆运动信号；
S204：建立入侵目标运动数据和环境数据样本数据库。
S300：对大量样本数据进行分析，通过特征提取算法提取样本数据库中入侵目标运动数据和环境数据的特征值。
本步骤中，所述特征值提取的流程图如图4所示，具体包括以下步骤：
S301：提取环境数据和目标运动运动数据；
S302：计算数据的时域特征值和频域特征值，时域特征值包括信号的峰值指标、峰峰值、均值、方差、峰度和偏斜度，频域特征值包括信号的谱峰信息、谐波信息、功率谱和能量谱；
S303：记录不同天气条件下环境数据的特征值、不同距离和运动强度的人员运动数据特征值、不同车速和不同距离的车辆运动数据特征值；
S304：计算不同天气条件下环境数据特征值变换，记为样本数据的特征值变换，计算公式如下所示：
Figure BDA0002724758880000051
其中，A2i代表第i种特征值，A2ij代表第i种特征值中的第j组数特征值，n代表特征值总数。
S400：将入侵目标运动数据和环境数据的特征向量输入BP神经网络模型，训练并得到网络权值和阈值，建立入侵检测模型。
本步骤中，建立入侵检测模型的流程图如图5所示，具体包括以下步骤：
S401：将训练数据分为环境数据和目标运动数据两类，其中：将环境数据特征值归为0类，将目标运动数据特征值归为1类，并和相应的标签组合成特征向量；
S402：将环境数据特征向量和目标运动数据特征向量输入BP神经网络训练模型，训练得到网络权值wih、who和阈值ah和bk，建立入侵检测模型。
BP神经网络的网络结构如图6所示，BP神经网络隐层计算公式为：
Figure BDA0002724758880000061
其中，Hib为隐层的输出，wih为输入层和隐层之间的网络权值，xib为特征值输入，ah为阈值，h为隐层神经元数量，ib为输入层神经元数量，函数f为隐层激励函数，此处选择为sigmoid函数，函数的计算公式如下：
Figure BDA0002724758880000062
其中，hx为激励函数的输入，此处：
Figure BDA0002724758880000063
然后，根据隐层输出计算输出层输出，计算公式如下：
Figure BDA0002724758880000071
其中，Ro为输出层的输出，Hib为隐层的输出，who为输出层和隐层之间的网络权值，bk为阈值。
其次，根据网络的预测的样本输出和样本真实类别计算误差并更新网络权值和阈值，更新公式如下：
Figure BDA0002724758880000072
who＝who+αHibek，ib＝1，2，......，10；h＝1，2，......，8；，k＝1，2
Figure BDA0002724758880000073
bk＝bk+ek，k＝1，2
其中，Hib为隐层的输出，wih为输入层和隐层之间的网络权值，who为输出层和隐层之间的网络权值，xib为特征值输入，ah和bk为阈值，ek为误差预测输出与真实输出的样本误差，α为学习率，设置为0.01。满足迭代次数(设置为100)或误差(设置为0.001)后，停止迭代，结束训练。
S500：将人员运动数据和车辆运动数据的特征向量输入SVM模型，训练并得到系数wvi和截距b，建立入侵目标分类模型。
本步骤中，建立入侵目标分类模型的流程图如图7所示，具体包括以下步骤：
S501：将训练数据分为人员运动数据和车辆运动数据两类，其中：将人员运动数据特征值归为1类，将车辆运动数据特征值归为-1类，并和相应的标签组合成特征向量；
S502：将人员运动数据特征向量和车辆运动数据特征向量输入SVM训练模型，选择径向基核函数的高斯版本作为SVM分类器的核函数，径向基函数的具体函数为：
Figure BDA0002724758880000081
其中，k(x,y)为径向基函数，σ是用于确定到达率的速度参数，x和y表示两个不同的训练样本；同时设置模型容错率为Aa，设置取消前最大循环次数为Bb，训练样本并得到目标识别模型系数和截距项，建立入侵目标分类模型。
S600：搭建周界入侵检测识别系统，采集环境数据，自动调整环境系数，将实时采集的数据输入入侵检测模型和入侵目标分类模型，判断是否存在入侵行为并识别入侵目标类型。
本步骤的流程图如图8所示，具体包括以下步骤：
S601：搭建周界入侵检测识别系统，周界入侵检测识别系统的整体架构如图9所示：
(1)周界入侵检测识别系统由传感子节点和通信主节点组成，传感子节点包括惯性传感器、放大器、无人值守控制器和通信单元，通信主节点包括无人值守控制器和通信单元；
(2)组合惯性传感器和放大器搭建传感单元，传感子节点的无人值守控制器连接传感单元并控制传感单元采集数据；
(3)传感子节点和通信主节点通过通信单元以无线方式传输控制指令和数据；
S602：将周界入侵检测系统布置在周围没有运动目标干扰的测试场地；
S603：通过无线通信模块远程启动周界入侵检测系统；
S604：周界入侵检测系统自动进入应用环境数据采集和特征值计算流程，主要包括以下步骤：
(1)采集环境数据；
(2)计算环境数据特征值，并分别计算各特征值变换，记为A1i，计算公式如下所示：
Figure BDA0002724758880000091
其中，A1i为变换后的第i种特征值，A1ij为变换后的第i种特征值中的第j组数特征值，n代表特征值总数，A1iMA为最大值，A1iMI为最小值；
(3)从控制器内存中提取通过步骤S304计算得到的样本数据的特征值变换A2i，计算A2i与A1i的商得到环境系数pi，其中i代表第i个特征值对应的环境系数；
S605：周界入侵检测系统进入入侵检测流程，采用数据拼接算法实时计算数据计算的一次采样周期内的数据的特征值，并乘以环境系数，得到处理后的特征值，这种处理方法消除了不同应用环境环境噪声差异带来的信号特征变化，使该算法具有环境自适应性；
S606：处理后的特征值通过入侵检测模型，入侵判断模型的计算公式为：
Figure BDA0002724758880000101
其中，wih为输入层和隐层之间的网络权值，who为输出层和隐层之间的网络权值，xib为特征值输入，ah和bk为阈值，xi为第i个特征值，Ro为模型输出结果，输出结果为0类表示没有入侵目标；输出结果为1类则表示有入侵目标。
S607：将特征值和报警信号通过无线通信模块传输给通信主节点的无人值守控制器，在无人值守控制器上判断目标类型；
S608：特征值通过入侵目标分类模型，入侵目标分类模型的计算公式为：
Figure BDA0002724758880000102
其中，avi为第vi个特征值，wvi为系数，b为截距，LL为模型输出结果，判断LL值的大小：如果LL≥SV，则判断入侵目标是人员；如果LL＜SV，则判断入侵目标是车辆，其中SV为常数；
S609：输出报警信息和入侵目标识别信息。
应用实例1：
以一段远距离人员入侵数据为例，该算法能准确检测并识别出入侵目标，如图10所示，该算法能检测出淹没在噪声中的入侵目标信号(横坐标在40-41之间)，并判断该断信号为人员入侵导致。
应用实例2：
以一段远距离车辆入侵数据为例，该算法能准确检测并识别出入侵目标，如图11所示，该算法能检测出淹没在噪声中的入侵目标信号(横坐标在50-52之间)，并判断该断信号为车辆入侵导致。

Claims (10)

1.一种周界入侵检测识别方法，其特征在于所述方法包括如下步骤：
S100：搭建数据采集系统；
S200：利用数据采集系统，采集入侵目标运动数据和环境数据，收集数据并建立入侵目标和环境噪声样本数据库；
S300：对大量样本数据进行分析，通过特征提取算法提取样本数据库中入侵目标运动数据和环境数据的特征值；
S400：将入侵目标运动数据和环境数据的特征向量输入BP神经网络模型，训练并得到网络权值和阈值，建立入侵检测模型；
S500：将人员运动数据和车辆运动数据的特征向量输入SVM模型，训练并得到系数和截距，建立入侵目标分类模型；
S600：搭建周界入侵检测识别系统，采集环境数据，自动调整环境系数，将实时采集的数据输入入侵检测模型和入侵目标分类模型，判断是否存在入侵行为并识别入侵目标类型。
2.根据权利要求1所述的周界入侵检测识别方法，其特征在于所述S100的具体步骤如下：
S101：搭建由惯性传感器、放大器、数据采集卡和电脑组成的数据采集系统；
S102：选择惯性传感器和放大器组成传感单元；
S103：传感单元连接数据采集卡信号输入，数据采集卡USB接口连接电脑。
3.根据权利要求1所述的周界入侵检测识别方法，其特征在于所述S200的具体步骤如下：
S201：将数据采集系统布置在周围没有运动目标的测试场地；
S202：采集不同时间和不同天气情况下的环境数据；
S203：采集不同运动模式和不同距离的人员运动信号，采集不同车速和不同距离的车辆运动信号；
S204：建立入侵目标运动数据和环境数据样本数据库。
4.根据权利要求1所述的周界入侵检测识别方法，其特征在于所述S300的具体步骤如下：
S301：提取环境数据和目标运动数据；
S302：计算数据的时域特征值和频域特征值，时域特征值包括信号的峰值指标、峰峰值、均值、方差、峰度和偏斜度，频域特征值包括信号的谱峰信息、谐波信息、功率谱和能量谱；
S303：记录不同天气条件下环境数据的特征值、不同距离和运动强度的人员运动数据特征值、不同车速和不同距离的车辆运动数据特征值；
S304：计算不同天气条件下环境数据特征值变换，记为样本数据的特征值变换。
5.根据权利要求4所述的周界入侵检测识别方法，其特征在于所述样本数据的特征值变换的计算公式如下所示：
Figure FDA0002724758870000021
其中，A2i代表第i种特征值，A2ij代表第i种特征值中的第j组数特征值，n代表特征值总数。
6.根据权利要求1所述的周界入侵检测识别方法，其特征在于所述S400的具体步骤如下：
S401：将训练数据分为环境数据和目标运动数据两类，其中：将环境数据特征值归为0类，将目标运动数据特征值归为1类，并和相应的标签组合成特征向量；
S402：将环境数据特征向量和目标运动数据特征向量输入BP神经网络训练模型，训练得到网络权值和阈值，建立入侵检测模型，其中：
Figure FDA0002724758870000031
who＝who+αHibek，ib＝1，2，......，10；h＝1，2，......，8；k＝1，2
Figure FDA0002724758870000032
bk＝bk+ek，k＝1，2
其中，Hib为隐层的输出，wih为输入层和隐层之间的网络权值，who为输出层和隐层之间的网络权值，xib为特征值输入，ah和bk为阈值，ek为误差预测输出与真实输出的样本误差，α为学习率。
7.根据权利要求1所述的周界入侵检测识别方法，其特征在于所述S500的具体步骤如下：
S501：将训练数据分为人员运动数据和车辆运动数据两类，其中：将人员运动数据特征值归为1类，将车辆运动数据特征值归为-1类，并和相应的标签组合成特征向量；
S502：将人员运动数据特征向量和车辆运动数据特征向量输入SVM训练模型，选择径向基核函数的高斯版本作为SVM分类器的核函数，同时设置模型容错率为Aa，设置取消前最大循环次数为Bb，训练样本并得到目标识别模型系数和截距项，建立入侵目标分类模型。
8.根据权利要求1所述的周界入侵检测识别方法，其特征在于所述S600的具体步骤如下：
S601：搭建周界入侵检测识别系统；
S602：将周界入侵检测系统布置在周围没有运动目标干扰的测试场地；
S603：通过无线通信模块远程启动周界入侵检测系统；
S604：周界入侵检测系统自动进入应用环境数据采集和特征值计算流程；
S605：周界入侵检测系统进入入侵检测流程，采用数据拼接算法实时计算数据计算的一次采样周期内的数据的特征值，并乘以环境系数，得到处理后的特征值；
S606：处理后的特征值通过入侵检测模型，入侵判断模型的计算公式为：
Figure FDA0002724758870000041
其中，wih为输入层和隐层之间的网络权值，who为输出层和隐层之间的网络权值，xib为特征值输入，ah和bk为阈值，xi为第i个特征值，Ro为模型输出结果，输出结果为0类表示没有入侵目标；输出结果为1类则表示有入侵目标；
S607：将特征值和报警信号通过无线通信模块传输给通信主节点的无人值守控制器，在无人值守控制器上判断目标类型；
S608：特征值通过入侵目标分类模型，入侵目标分类模型的计算公式为：
Figure FDA0002724758870000051
其中，avi为第vi个特征值，wvi为系数，b为截距，LL为模型输出结果，判断LL值的大小：如果LL≥SV，则判断入侵目标是人员；如果LL＜SV，则判断入侵目标是车辆，其中SV为常数；
S609：输出报警信息和入侵目标识别信息。
9.根据权利要求8所述的周界入侵检测识别方法，其特征在于所述S601的具体步骤如下：
(1)周界入侵检测识别系统由传感子节点和通信主节点组成，传感子节点包括惯性传感器、放大器、无人值守控制器和通信单元，通信主节点包括无人值守控制器和通信单元；
(2)组合惯性传感器和放大器搭建传感单元，传感子节点的无人值守控制器连接传感单元并控制传感单元采集数据；
(3)传感子节点和通信主节点通过通信单元以无线方式传输控制指令和数据。
10.根据权利要求8所述的周界入侵检测识别方法，其特征在于所述S604的具体步骤如下：
(1)采集环境数据；
(2)计算环境数据特征值，并分别计算各特征值变换，记为A1i，计算公式如下所示：
Figure FDA0002724758870000061
其中，A1i为变换后的第i种特征值，A1ij为变换后的第i种特征值中的第j组数特征值，n代表特征值总数，A1iMA为最大值，A1iMI为最小值；
(3)从控制器内存中提取通过步骤S304计算得到的样本数据的特征值变换A2i，计算A2i与A1i的商得到环境系数pi，其中i代表第i个特征值对应的环境系数。
CN202011099109.7A 2020-10-14 2020-10-14 一种周界入侵检测识别方法 Active CN112257533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011099109.7A CN112257533B (zh) 2020-10-14 2020-10-14 一种周界入侵检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011099109.7A CN112257533B (zh) 2020-10-14 2020-10-14 一种周界入侵检测识别方法

Publications (2)

Publication Number Publication Date
CN112257533A CN112257533A (zh) 2021-01-22
CN112257533B true CN112257533B (zh) 2022-04-12

Family

ID=74243493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011099109.7A Active CN112257533B (zh) 2020-10-14 2020-10-14 一种周界入侵检测识别方法

Country Status (1)

Country Link
CN (1) CN112257533B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758305A (zh) * 2022-06-15 2022-07-15 成都西物信安智能系统有限公司 一种构建入侵预警监控数据库的方法
CN116504006B (zh) * 2023-06-21 2023-09-19 吉林省日月智感互联科技有限公司 一种带有环境参数补偿功能的微震动无人值守报警系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544791A (zh) * 2012-07-10 2014-01-29 中国矿业大学(北京) 基于地震波的地下入侵监测系统
CN105577685A (zh) * 2016-01-25 2016-05-11 浙江海洋学院 云计算环境中的自主分析入侵检测方法及系统
CN206516016U (zh) * 2016-08-28 2017-09-22 烟台三环锁业集团股份有限公司 一种基于多传感器融合技术主动防御智能入侵探测设备
CN107369282A (zh) * 2017-08-23 2017-11-21 武汉理工光科股份有限公司 一种地埋式cotdr周界入侵报警系统及信号处理方法
CN110136378A (zh) * 2019-05-09 2019-08-16 上海卓希智能科技有限公司 一种机场周界入侵报警系统及入侵报警方法
CN110488258A (zh) * 2019-08-30 2019-11-22 成都纳雷科技有限公司 一种周界区域安防中虚警抑制方法及装置
CN110706197A (zh) * 2019-08-06 2020-01-17 北方工业大学 一种基于迁移学习的特殊场景下铁路异物侵限检测方法
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
CN111698258A (zh) * 2020-06-18 2020-09-22 上海第二工业大学 一种基于WiFi的环境入侵检测方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544791A (zh) * 2012-07-10 2014-01-29 中国矿业大学(北京) 基于地震波的地下入侵监测系统
CN105577685A (zh) * 2016-01-25 2016-05-11 浙江海洋学院 云计算环境中的自主分析入侵检测方法及系统
CN206516016U (zh) * 2016-08-28 2017-09-22 烟台三环锁业集团股份有限公司 一种基于多传感器融合技术主动防御智能入侵探测设备
CN107369282A (zh) * 2017-08-23 2017-11-21 武汉理工光科股份有限公司 一种地埋式cotdr周界入侵报警系统及信号处理方法
CN110136378A (zh) * 2019-05-09 2019-08-16 上海卓希智能科技有限公司 一种机场周界入侵报警系统及入侵报警方法
CN110706197A (zh) * 2019-08-06 2020-01-17 北方工业大学 一种基于迁移学习的特殊场景下铁路异物侵限检测方法
CN110488258A (zh) * 2019-08-30 2019-11-22 成都纳雷科技有限公司 一种周界区域安防中虚警抑制方法及装置
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
CN111698258A (zh) * 2020-06-18 2020-09-22 上海第二工业大学 一种基于WiFi的环境入侵检测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Early Warning Model for Marine Organism Detection Based on BP Neural Network";Liu Yang等;《2018 37th Chinese Control Conference》;20181008;全文 *
"基于小波包和BP神经网络的周界入侵防御系统目标识别";周求湛等;《2015年光学精密工程论坛》;20160712;807-814 *
"基于改进卷积神经网络的周界入侵检测方法";张永良等;《计算机科学》;20170414;第44卷(第3期);182-186 *

Also Published As

Publication number Publication date
CN112257533A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN109522793B (zh) 基于机器视觉的多人异常行为检测与识别方法
WO2020253308A1 (zh) 矿井下皮带运输人员人机交互行为安全监控与预警方法
CN112257533B (zh) 一种周界入侵检测识别方法
CN102254394A (zh) 一种基于视频差异分析的输电线路杆塔防盗监控方法
CN110388926B (zh) 一种基于手机地磁和场景图像的室内定位方法
CN109901130B (zh) 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法
CN110717464B (zh) 一种基于雷达数据的铁路路基病害智能识别方法
Sherafat et al. Automated activity recognition of construction equipment using a data fusion approach
CN103745238A (zh) 基于AdaBoost和主动形状模型的受电弓识别方法
CN106846297A (zh) 基于激光雷达的行人流量检测系统及方法
CN111275744B (zh) 基于深度学习及图像处理的非接触振动频率测量方法
CN110309717A (zh) 一种基于深度神经网络的行人计数方法
Kim et al. Sequential pattern learning of visual features and operation cycles for vision-based action recognition of earthmoving excavators
CN112364768A (zh) 一种基于空域特征和机器学习的分布式光纤入侵识别方法
CN117288094B (zh) 基于激光传感器的掘进机实时定位系统
CN114266271A (zh) 基于神经网络的分布式光纤振动信号模式分类方法和系统
CN113159984A (zh) 一种变电站工作人员工作路径追踪方法
CN116311775B (zh) 一种穿戴式近电报警设备及监控系统
CN116894223A (zh) 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法
CN115761803A (zh) 一种电力作业区域外围行人安全预警方法
CN114415246B (zh) 一种基于机器学习的地下金属物体的定位方法及系统
CN113534276B (zh) 基于Faster R-CNN的铁路入侵行为检测方法
CN105957093A (zh) 一种纹理区分优化hog算子的atm滞留物检测方法
CN112381021B (zh) 一种基于深度学习的人员检测计数方法
CN118072447A (zh) 集成红外及超声波传感器的电动防护门安全监测系统、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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221209

Address after: Room 451-11, College Student Pioneer Park, No. 1357H, Jinhu Road, Changchun Hi tech Development Zone, 130000 Jilin Province

Patentee after: JILIN RIYUE ZHIGAN INTERCONNECTION TECHNOLOGY Co.,Ltd.

Address before: 130012 No. 2699 Qianjin Street, Changchun, Jilin, Chaoyang District

Patentee before: Jilin University