CN113593161A - 一种周界入侵检测方法 - Google Patents
一种周界入侵检测方法 Download PDFInfo
- Publication number
- CN113593161A CN113593161A CN202110720514.4A CN202110720514A CN113593161A CN 113593161 A CN113593161 A CN 113593161A CN 202110720514 A CN202110720514 A CN 202110720514A CN 113593161 A CN113593161 A CN 113593161A
- Authority
- CN
- China
- Prior art keywords
- moving object
- perimeter
- intrusion detection
- warning
- early warning
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 241001465754 Metazoa Species 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000007123 defense Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/22—Electrical actuation
- G08B13/24—Electrical actuation by interference with electromagnetic field distribution
- G08B13/2491—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Electromagnetism (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种周界入侵检测方法，包括：基于深度学习算法获取覆盖周界区域的监控视频图像中的运动对象的实体类型、二维坐标和行为类型；根据所述二维坐标获取该对象的三维坐标；根据所述三维坐标获取该对象与警戒区和缓冲区的位置关系；根据该位置关系、所述实体类型、所述行为类型和视频报警策略判断运动对象是否符合预警或告警规则；检测部署于周界区域的集成式周界入侵检测系统是否发出预警或告警信息，若是，对相应运动对象的坐标进行适应性转换；当运动对象符合预警或告警规则，和/或检测到预警或告警信息时，基于贝叶斯决策算法判断运动对象是否为入侵对象，若是，对外预警或告警。根据本发明，能解决现有周界防范技术的误报率高的问题。
Description
技术领域
本发明属于周界防范领域，更具体地，涉及一种周界入侵检测方法。
背景技术
随着社会的发展和进步，周界的安全监测与防范问题越来越受到人们的重视。周界防范是公共安全防范中最为基础的系统，是防止非法入侵和异常事件的第一道防线，也是非常重要的一道防线，为社会平安保障做出了应有的贡献。
现有的周界防范技术主要包括红外对射、激光探测、电子围栏、视频摄像和光纤传感等，这些周界防范技术在各自的适用场景内都有着大量的应用，但由于受到客观技术条件等因素的限制，这些周界防范技术在监测原理、监测能力、抗环境因素干扰和误报漏报率等方面都还存在各自的问题和不足。
在实际应用中，上述周界防范技术主要存在误报率较高的问题，例如，对内外部人员在周界内外两侧正常活动的情况常常触发大量报警，对异常天气以及周界旁边的树木摇动等情况也触发报警等，从而导致报警确认的工作量过大，工作人员常常处理不过来，进而使得真正的报警事件被各种误报所淹没，周界防范的实际效果不佳。
发明内容
本发明的目的在于解决现有周界防范技术的误报率较高的问题。
为了实现上述目的，本发明提供一种周界入侵检测方法，所述周界入侵检测方法包括以下步骤：
采用预定的深度学习算法对覆盖周界区域的监控视频图像中的运动对象进行识别，并获取所述运动对象的实体类型、二维坐标数据和行为类型；
根据所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据；
根据所述运动对象的三维坐标数据获取所述运动对象与预设的警戒区和缓冲区的位置关系；
根据所述运动对象与所述警戒区和所述缓冲区的位置关系、所述运动对象的实体类型和行为类型以及预定的视频报警策略，判断所述运动对象是否符合预定的预警规则或者告警规则；
检测预先部署于所述周界区域的基于多传感器的集成式周界入侵检测系统是否发出预警信息或者告警信息，若是，将所述预警信息或者所述告警信息所包含的运动对象的坐标数据转换为所述三维坐标数据对应的坐标系下的坐标数据；
当所述运动对象符合所述预警规则或者所述告警规则，和/或，检测到所述预警信息或者所述告警信息时，基于贝叶斯决策算法判断所述运动对象是否为入侵对象，若是，对外预警或者告警。
作为优选的是，所述深度学习算法为Faster R-CNN算法；
所述实体类型包括车辆、行人、动物、树木和光影；
所述行为类型包括徘徊、奔跑、攀爬和打闹。
作为优选的是，所述根据所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据包括：
获取覆盖所述周界区域的监控视频图像；
将所述监控视频图像投影到相应的覆盖所述周界区域的三维空间中，得到第一映射变换矩阵；
基于所述第一映射变换矩阵和所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据。
作为优选的是，所述警戒区以预定的第一宽度环绕设置于所述周界区域，所述缓冲区以预定的第二宽度环绕设置于所述警戒区。
作为优选的是，所述视频报警策略包括所述预警规则、所述免预警规则和告警规则；
所述预警规则包括：当预定实体类型的运动对象从预定的安全区进入所述缓冲区时，发出预警信息，所述预警信息包括所述运动对象的实体类型和行为类型；
所述免预警规则包括：当所述预定类型的运动对象属于预定的免预警对象时，不发出预警信息；
所述告警规则包括：当所述预定实体类型的运动对象从所述缓冲区进入所述警戒区时，发出告警信息，所述告警信息包括所述运动对象的实体类型和行为类型。
作为优选的是，所述预警规则还包括：
当所述运动对象在所述缓冲区的停留时间超出预定的第一停留时间阈值时，发出预警信息；
当所述运动对象从所述缓冲区移动到预定的安全区时，发出预警信息；
所述告警规则还包括：
当所述运动对象在所述警戒区的停留时间超出预定的第二停留时间阈值时，发出告警信息；
当所述运动对象从所述警戒区移动到所述缓冲区时，发出告警信息。
作为优选的是，所述基于多传感器的集成式周界入侵检测系统包括基于振动光纤传感器的周界入侵检测子系统、基于泄露电缆传感器的周界入侵检测子系统、基于激光对射传感器的周界入侵检测子系统、基于红外对射传感器的周界入侵检测子系统和基于电子围栏的周界入侵检测子系统；
所述周界区域划分为五个子区域，各个周界入侵检测子系统分别部署于对应的子区域。
作为优选的是，所述将所述预警信息或者所述告警信息所包含的运动对象的坐标数据转换为所述三维坐标数据对应的坐标系下的坐标数据包括：
将所述集成式周界入侵检测系统对应的坐标系映射到所述三维坐标数据对应的坐标系，得到第二映射变换矩阵；
基于所述第二映射变换矩阵和所述运动对象的坐标数据获取所述运动对象在所述三维坐标数据对应的坐标系下的坐标数据。
作为优选的是，所述对外预警或者告警包括：
获取覆盖所述运动对象的监控视频图像，通过颜色区分的方式识别所述监控视频图像中的所述运动对象，并采用卡尔曼滤波算法对所述运动对象进行跟踪预测，直至所述运动对象离开监控范围。
作为优选的是，在所述对外预警或者告警之后，还包括：
对相应的预警信息或者告警信息进行复核，并基于预定时段内的复核结果对所述深度学习算法和/或所述集成式周界入侵检测系统进行优化。
本发明的有益效果在于：
本发明的周界入侵检测方法，第一步采用预定的深度学习算法对覆盖周界区域的监控视频图像中的运动对象进行识别，并获取所述运动对象的实体类型、二维坐标数据和行为类型；第二步根据所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据；第三步根据所述运动对象的三维坐标数据获取所述运动对象与预设的警戒区和缓冲区的位置关系；第四步根据所述运动对象与所述警戒区和所述缓冲区的位置关系、所述运动对象的实体类型和行为类型以及预定的视频报警策略，判断所述运动对象是否符合预定的预警规则或者告警规则；第五步检测预先部署于所述周界区域的基于多传感器的集成式周界入侵检测系统是否发出预警信息或者告警信息，若是，将所述预警信息或者所述告警信息所包含的运动对象的坐标数据转换为所述三维坐标数据对应的坐标系下的坐标数据；最后，当所述运动对象符合所述预警规则或者所述告警规则，和/或，检测到所述预警信息或者所述告警信息时，基于贝叶斯决策算法判断所述运动对象是否为入侵对象，若是，对外预警或者告警。
本发明的周界入侵检测方法，基于对覆盖周界区域的监控视频图像进行智能分析，获取防区内的多个运动对象；然后通过开放的接口获取所述基于多传感器的集成式周界入侵检测系统监测到的异常数据；再将获取的异常数据叠加于智能视频分析结果之上，采用贝叶斯决策算法进行入侵判定。由此可知，与现有的周界防范技术相比，本发明的周界入侵检测方法对目标的识别更准确，对入侵行为的判断更智能，误报率更低，能够行之有效地解决现有周界防范技术的误报率较高的问题。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的实施例的周界入侵检测方法的实现流程图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
实施例：图1示出了本发明实施例的周界入侵检测方法的实现流程图。
参照图1，本发明实施例的周界入侵检测方法包括以下步骤：
采用预定的深度学习算法对覆盖周界区域的监控视频图像中的运动对象进行识别，并获取所述运动对象的实体类型、二维坐标数据和行为类型；
根据所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据；
根据所述运动对象的三维坐标数据获取所述运动对象与预设的警戒区和缓冲区的位置关系；
根据所述运动对象与所述警戒区和所述缓冲区的位置关系、所述运动对象的实体类型和行为类型以及预定的视频报警策略，判断所述运动对象是否符合预定的预警规则或者告警规则；
检测预先部署于所述周界区域的基于多传感器的集成式周界入侵检测系统是否发出预警信息或者告警信息，若是，将所述预警信息或者所述告警信息所包含的运动对象的坐标数据转换为所述三维坐标数据对应的坐标系下的坐标数据；
当所述运动对象符合所述预警规则或者所述告警规则，和/或，检测到所述预警信息或者所述告警信息时，基于贝叶斯决策算法判断所述运动对象是否为入侵对象，若是，对外预警或者告警。
具体地，本发明实施例中，通过接口适配对接多种周界防范的产品，通过国标协议采集视频监控设备的实时视频流。
进一步地，本发明实施例中，所述深度学习算法为Faster R-CNN算法；
所述实体类型包括车辆、行人、动物、树木和光影；
所述行为类型包括徘徊、奔跑、攀爬和打闹。
具体地，本发明实施例中，采用增强的基于区域的卷积神经网络算法(Faster R-CNN)对覆盖周界区域的监控视频图像进行实时处理：对监控视频图像中的物体进行目标分割和目标识别，准确识别出监控视频图像中的实体类型，例如车辆、行人、动物、树木和光影等，同时获得每个目标对象的图像坐标信息，再根据视频流中连续多帧画面的对象连续变化形态，判断目标对象的行为类型，例如徘徊、奔跑、攀爬和打闹等。
再进一步地，本发明实施例中，所述根据所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据包括：
获取覆盖所述周界区域的监控视频图像；
将所述监控视频图像投影到相应的覆盖所述周界区域的三维空间中，得到第一映射变换矩阵；
基于所述第一映射变换矩阵和所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据。
具体地，本发明实施例中，实时采集覆盖所述周界区域的监控视频图像，将所述监控视频图像与相应的覆盖所述周界区域的三维空间进行映射，以获得所述监控视频图像中的图像特征点的二维坐标与所述三维空间中的三维特征点的三维坐标的坐标变换投影矩阵，即第一映射变换矩阵。
再进一步地，本发明实施例中，所述警戒区以预定的第一宽度环绕设置于所述周界区域，所述缓冲区以预定的第二宽度环绕设置于所述警戒区。
再进一步地，本发明实施例中，所述视频报警策略包括所述预警规则、所述免预警规则和告警规则；
所述预警规则包括：当预定实体类型的运动对象从预定的安全区进入所述缓冲区时，发出预警信息，所述预警信息包括所述运动对象的实体类型和行为类型；
所述免预警规则包括：当所述预定类型的运动对象属于预定的免预警对象时，不发出预警信息；
所述告警规则包括：当所述预定实体类型的运动对象从所述缓冲区进入所述警戒区时，发出告警信息，所述告警信息包括所述运动对象的实体类型和行为类型。
再进一步地，本发明实施例中，所述预警规则还包括：
当所述运动对象在所述缓冲区的停留时间超出预定的第一停留时间阈值时，发出预警信息；
当所述运动对象从所述缓冲区移动到预定的安全区时，发出预警信息；
所述告警规则还包括：
当所述运动对象在所述警戒区的停留时间超出预定的第二停留时间阈值时，发出告警信息；
当所述运动对象从所述警戒区移动到所述缓冲区时，发出告警信息。
具体地，本发明实施例中，当所述运动对象符合预警规则或者告警规则时，将该运动对象记录下来。针对目标对象离周界界线的距离远近，距离较远但需要持续关注的区域设置为缓冲区，进入该区域则进行预警，同时设置免预警规则，直接过滤部分目标对象，减少预警量；距离很接近界线或重要区域设置为警戒区，进入该区域则直接触发入侵告警。
本发明实施例中，通过在缓冲区内设置免预警规则，只对普通运动目标进行预警，在免预警规则内的运动目标可直接过滤，例如穿着特定工作服的工作人员。
再进一步地，本发明实施例中，所述基于多传感器的集成式周界入侵检测系统包括基于振动光纤传感器的周界入侵检测子系统、基于泄露电缆传感器的周界入侵检测子系统、基于激光对射传感器的周界入侵检测子系统、基于红外对射传感器的周界入侵检测子系统和基于电子围栏的周界入侵检测子系统；
所述周界区域划分为五个子区域，各个周界入侵检测子系统分别部署于对应的子区域。
具体地，本发明实施例中，将周界区域分为多个防区并行处理，每一个防区独立分析信号、独立运行，当有人同时从不同防区入侵时，被入侵防区可同时报警互不影响。每个防区可根据该防区所处环境的不同，单独设置入侵判定参数，如单防区灵敏度调节，每个防区的灵敏度等报警参数可以单独进行调节，以适应不同周界环境，如天气变化、动物的活动和附近公路的车辆等。
再进一步地，本发明实施例中，所述将所述预警信息或者所述告警信息所包含的运动对象的坐标数据转换为所述三维坐标数据对应的坐标系下的坐标数据包括：
将所述集成式周界入侵检测系统对应的坐标系映射到所述三维坐标数据对应的坐标系，得到第二映射变换矩阵；
基于所述第二映射变换矩阵和所述运动对象的坐标数据获取所述运动对象在所述三维坐标数据对应的坐标系下的坐标数据。
具体地，本发明实施例中，主动获取或者被动接收所述集成式周界入侵检测系统的当前监测数据，以检测是否有预警事件或者告警事件，并在有预警事件或者告警事件时获取预警类型或者告警类型、目标对象的坐标数据、目标对象的实体类型以及其他相关信息。
再进一步地，本发明实施例中，所述对外预警或者告警包括：
获取覆盖所述运动对象的监控视频图像，通过颜色区分的方式识别所述监控视频图像中的所述运动对象，并采用卡尔曼滤波算法对所述运动对象进行跟踪预测，直至所述运动对象离开监控范围。
具体地，本发明实施例中，针对视频分析和所述集成式周界入侵检测系统均触发预警/告警，或者单方触发预警/告警的情况，基于贝叶斯决策算法进行双向参考，最后判定外部干扰类型，例如徘徊、攀爬、翻越、按压围墙、区域内奔跑或行走、以及可能威胁周界建筑物的机械施工等。进入预设的缓冲区、行为有潜在威胁的触发预警，进入警戒区或确认有正在实施的入侵行为(如翻越等)则触发告警。
再进一步地，本发明实施例中，在所述对外预警或者告警之后，还包括：
对相应的预警信息或者告警信息进行复核；
基于预定时段内的复核结果对所述深度学习算法和/或所述集成式周界入侵检测系统进行优化。
具体地，本发明实施例中，针对触发的预警/告警信息，人工进行复核和相应的处理，再根据人工复核的结果定期优化调整所述深度学习算法和所述集成式周界入侵检测系统持续优化处理精度。
本发明实施例的周界入侵检测方法，能够解决以下现有周界防范技术存在的问题：
一、周界两侧临近区域的运动目标类型识别能力不够，运动目标的行为分析能力不够，导致误报率较高。例如不能准确分析出运动目标是人、车辆、动物或其他，也难以过滤掉树木摇动、大风、雷雨等导致的影响；不能有效过滤掉周界围栏临近区域的正常行为(如跑步、园区日常维护工作等)。
二、当前多种周界防范技术只能独立部署，不能进行有效的集成协作，无法相互之间取长补短，无法实现多技术、多层次的立体化协同周界防范。
三、触发报警后的人工复核及处理不便，触发报警后视频联动时无法对视频监控界面中的目标进行自动识别与跟踪。
本发明实施例的周界入侵检测方法，具有以下有益效果：
一、通过深度学习算法实时处理周界监控视频信号，准确识别周界两侧的移动目标类型和入侵行为，有效过滤非入侵事件，降低误报率。
二、与振动光纤、泄露电缆、激光/红外对射、电子围栏等周界防范技术集成，根据场景的变化，实时调整两方监测数据的影响权重，通过概率决策贝叶斯算法更准确地判定目标对象的行为是否属于入侵行为。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种周界入侵检测方法，其特征在于，包括：
采用预定的深度学习算法对覆盖周界区域的监控视频图像中的运动对象进行识别，并获取所述运动对象的实体类型、二维坐标数据和行为类型；
根据所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据；
根据所述运动对象的三维坐标数据获取所述运动对象与预设的警戒区和缓冲区的位置关系；
根据所述运动对象与所述警戒区和所述缓冲区的位置关系、所述运动对象的实体类型和行为类型以及预定的视频报警策略，判断所述运动对象是否符合预定的预警规则或者告警规则；
检测预先部署于所述周界区域的基于多传感器的集成式周界入侵检测系统是否发出预警信息或者告警信息，若是，将所述预警信息或者所述告警信息所包含的运动对象的坐标数据转换为所述三维坐标数据对应的坐标系下的坐标数据；
当所述运动对象符合所述预警规则或者所述告警规则，和/或，检测到所述预警信息或者所述告警信息时，基于贝叶斯决策算法判断所述运动对象是否为入侵对象，若是，对外预警或者告警。
2.根据权利要求1所述的周界入侵检测方法，其特征在于，所述深度学习算法为FasterR-CNN算法；
所述实体类型包括车辆、行人、动物、树木和光影；
所述行为类型包括徘徊、奔跑、攀爬和打闹。
3.根据权利要求2所述的周界入侵检测方法，其特征在于，所述根据所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据包括：
获取覆盖所述周界区域的监控视频图像；
将所述监控视频图像投影到相应的覆盖所述周界区域的三维空间中，得到第一映射变换矩阵；
基于所述第一映射变换矩阵和所述运动对象的二维坐标数据获取所述运动对象的三维坐标数据。
4.根据权利要求3所述的周界入侵检测方法，其特征在于，所述警戒区以预定的第一宽度环绕设置于所述周界区域，所述缓冲区以预定的第二宽度环绕设置于所述警戒区。
5.根据权利要求4所述的周界入侵检测方法，其特征在于，所述视频报警策略包括所述预警规则、所述免预警规则和告警规则；
所述预警规则包括：当预定实体类型的运动对象从预定的安全区进入所述缓冲区时，发出预警信息，所述预警信息包括所述运动对象的实体类型和行为类型；
所述免预警规则包括：当所述预定类型的运动对象属于预定的免预警对象时，不发出预警信息；
所述告警规则包括：当所述预定实体类型的运动对象从所述缓冲区进入所述警戒区时，发出告警信息，所述告警信息包括所述运动对象的实体类型和行为类型。
6.根据权利要求5所述的周界入侵检测方法，其特征在于，所述预警规则还包括：
当所述运动对象在所述缓冲区的停留时间超出预定的第一停留时间阈值时，发出预警信息；
当所述运动对象从所述缓冲区移动到预定的安全区时，发出预警信息；
所述告警规则还包括：
当所述运动对象在所述警戒区的停留时间超出预定的第二停留时间阈值时，发出告警信息；
当所述运动对象从所述警戒区移动到所述缓冲区时，发出告警信息。
7.根据权利要求6所述的周界入侵检测方法，其特征在于，所述基于多传感器的集成式周界入侵检测系统包括基于振动光纤传感器的周界入侵检测子系统、基于泄露电缆传感器的周界入侵检测子系统、基于激光对射传感器的周界入侵检测子系统、基于红外对射传感器的周界入侵检测子系统和基于电子围栏的周界入侵检测子系统；
所述周界区域划分为五个子区域，各个周界入侵检测子系统分别部署于对应的子区域。
8.根据权利要求6所述的周界入侵检测方法，其特征在于，所述将所述预警信息或者所述告警信息所包含的运动对象的坐标数据转换为所述三维坐标数据对应的坐标系下的坐标数据包括：
将所述集成式周界入侵检测系统对应的坐标系映射到所述三维坐标数据对应的坐标系，得到第二映射变换矩阵；
基于所述第二映射变换矩阵和所述运动对象的坐标数据获取所述运动对象在所述三维坐标数据对应的坐标系下的坐标数据。
9.根据权利要求7所述的周界入侵检测方法，其特征在于，所述对外预警或者告警包括：
获取覆盖所述运动对象的监控视频图像，通过颜色区分的方式识别所述监控视频图像中的所述运动对象，并采用卡尔曼滤波算法对所述运动对象进行跟踪预测，直至所述运动对象离开监控范围。
10.根据权利要求9所述的周界入侵检测方法，其特征在于，在所述对外预警或者告警之后，还包括：
对相应的预警信息或者告警信息进行复核，并基于预定时段内的复核结果对所述深度学习算法和/或所述集成式周界入侵检测系统进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110720514.4A CN113593161A (zh) | 2021-06-28 | 2021-06-28 | 一种周界入侵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110720514.4A CN113593161A (zh) | 2021-06-28 | 2021-06-28 | 一种周界入侵检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113593161A true CN113593161A (zh) | 2021-11-02 |
Family
ID=78244965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110720514.4A Pending CN113593161A (zh) | 2021-06-28 | 2021-06-28 | 一种周界入侵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113593161A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114218992A (zh) * | 2021-12-29 | 2022-03-22 | 重庆紫光华山智安科技有限公司 | 异常对象的检测方法及相关装置 |
| CN114550060A (zh) * | 2022-02-25 | 2022-05-27 | 北京小龙潜行科技有限公司 | 周界入侵识别方法、系统及电子设备 |
| CN117456471A (zh) * | 2023-12-22 | 2024-01-26 | 深圳市纳泽科技有限公司 | 一种周界安防方法、系统、终端设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150009031A1 (en) * | 2013-07-03 | 2015-01-08 | Honeywell International Inc. | Multilayer perimeter instrusion detection system for multi-processor sensing |
| CN105389920A (zh) * | 2015-11-30 | 2016-03-09 | 北京正安维视科技股份有限公司 | 基于二维激光雷达和视频分析的周界报警方法 |
| CN106355162A (zh) * | 2016-09-23 | 2017-01-25 | 江西洪都航空工业集团有限责任公司 | 一种基于视频监控的入侵检测方法 |
| CN111144232A (zh) * | 2019-12-09 | 2020-05-12 | 国网智能科技股份有限公司 | 基于智能视频监控的变电站电子围栏监测方法、存储介质及设备 |
| CN112150749A (zh) * | 2020-09-08 | 2020-12-29 | 成都红云鼎科技有限公司 | 一种基于多防区的分层预警方法 |
-
2021
- 2021-06-28 CN CN202110720514.4A patent/CN113593161A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150009031A1 (en) * | 2013-07-03 | 2015-01-08 | Honeywell International Inc. | Multilayer perimeter instrusion detection system for multi-processor sensing |
| CN105389920A (zh) * | 2015-11-30 | 2016-03-09 | 北京正安维视科技股份有限公司 | 基于二维激光雷达和视频分析的周界报警方法 |
| CN106355162A (zh) * | 2016-09-23 | 2017-01-25 | 江西洪都航空工业集团有限责任公司 | 一种基于视频监控的入侵检测方法 |
| CN111144232A (zh) * | 2019-12-09 | 2020-05-12 | 国网智能科技股份有限公司 | 基于智能视频监控的变电站电子围栏监测方法、存储介质及设备 |
| CN112150749A (zh) * | 2020-09-08 | 2020-12-29 | 成都红云鼎科技有限公司 | 一种基于多防区的分层预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张言荣: "《智能建筑安全防范自动化技术》", 31 October 2002, 中国建筑工业出版社 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114218992A (zh) * | 2021-12-29 | 2022-03-22 | 重庆紫光华山智安科技有限公司 | 异常对象的检测方法及相关装置 |
| CN114218992B (zh) * | 2021-12-29 | 2023-09-08 | 重庆紫光华山智安科技有限公司 | 异常对象的检测方法及相关装置 |
| CN114550060A (zh) * | 2022-02-25 | 2022-05-27 | 北京小龙潜行科技有限公司 | 周界入侵识别方法、系统及电子设备 |
| CN117456471A (zh) * | 2023-12-22 | 2024-01-26 | 深圳市纳泽科技有限公司 | 一种周界安防方法、系统、终端设备及存储介质 |
| CN117456471B (zh) * | 2023-12-22 | 2024-04-12 | 深圳市纳泽科技有限公司 | 一种周界安防方法、系统、终端设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113593161A (zh) | 一种周界入侵检测方法 | |
| CN111144291B (zh) | 基于目标检测的视频监控区域人员入侵判别方法及装置 | |
| US8908034B2 (en) | Surveillance systems and methods to monitor, recognize, track objects and unusual activities in real time within user defined boundaries in an area | |
| CN107911653B (zh) | 驻所智能视频监控模组、系统、方法以及存储介质 | |
| CN103606236B (zh) | 一种基于分布式光纤入侵报警单元的实时安全监测系统 | |
| CA2275893C (en) | Low false alarm rate video security system using object classification | |
| CA2662444A1 (en) | A method and system for determining a threat against a border | |
| CN107645652A (zh) | 一种基于视频监控的非法越界报警系统 | |
| KR101036947B1 (ko) | 컴퓨터 영상 분석기술을 이용한 범죄 및 사고예방 자동경비 시스템 | |
| JP2005506740A (ja) | ビデオトリップワイヤ | |
| JP6110183B2 (ja) | 防犯システム | |
| KR102509570B1 (ko) | 영상들과 전기 신호들을 학습하는 인공지능을 이용한 제어 장치와 이를 포함하는 침입 경계 시스템 | |
| CN209993060U (zh) | 一种基于物联网技术的电子围栏联动系统 | |
| WO2006022594A1 (en) | Multi-sensor intrusion detection system | |
| JPH0337354B2 (zh) | ||
| CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
| KR101454644B1 (ko) | 보행자 추적기를 이용한 서성거림을 탐지하는 방법 | |
| CN114913654A (zh) | 一种基于边缘计算的机场围界入侵预报警处理设备及方法 | |
| KR102113489B1 (ko) | 카메라 입력 영상을 딥러닝 활용한 행동 감지 시스템 및 방법 | |
| CN113096337B (zh) | 用于复杂背景的移动目标识别处理方法及智能安防系统 | |
| KR101046819B1 (ko) | 소프트웨어 휀스에 의한 침입감시방법 및 침입감시시스템 | |
| CN116704411A (zh) | 一种基于物联网的安防管控方法、系统及存储介质 | |
| KR102513372B1 (ko) | 음향과 영상을 연계한 하이브리드형 객체 연속 추적시스템 및 제어방법 | |
| KR102440169B1 (ko) | 멀티센서 신호 융합과 ai 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템 | |
| KR102434154B1 (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 |
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: 20211102 |
|
| RJ01 | Rejection of invention patent application after publication |