CN114998837A - 入侵事件的实时识别方法、装置、系统及介质 - Google Patents
入侵事件的实时识别方法、装置、系统及介质 Download PDFInfo
- Publication number
- CN114998837A CN114998837A CN202210671602.4A CN202210671602A CN114998837A CN 114998837 A CN114998837 A CN 114998837A CN 202210671602 A CN202210671602 A CN 202210671602A CN 114998837 A CN114998837 A CN 114998837A
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration
- channel
- candidate
- event
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 119
- 238000012216 screening Methods 0.000 claims abstract description 67
- 108091006146 Channels Proteins 0.000 claims description 242
- 239000013598 vector Substances 0.000 claims description 71
- 238000000605 extraction Methods 0.000 claims description 26
- 238000009432 framing Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000009545 invasion Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000005693 optoelectronics Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000253 optical time-domain reflectometry Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了一种入侵事件的实时识别方法、装置、系统及介质,所述方法包括:对每个通道的初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;基于每个通道对应的候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;对目标通道中的各候选振动信号进行事件识别,获得事件识别结果。如此,不仅提高事件识别效率,而且还提高了事件识别准确率,通用性强。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种入侵事件的实时识别方法、装置、系统及介质。
背景技术
光纤是一种常见的通讯媒介,随着光学技术和计算机技术的发展,光纤也越来越多作为一种探测外界振动的传感器,应用于安防工程、监控系统等多种场景。基于Ф-OTDR技术的分布式光纤传感系统,通过分析其解调后的相位信号,可定位和识别作用于光纤上的外部入侵事件。
目前,对外部入侵事件的准确分类识别仍是一大难点。大多数事件识别系统只能够在环境简单(如实验室环境)、振动事件间差异明显、数据量不大的情况有较好表现。例如,分布式光纤传感系统对外部振动的响应十分灵敏,容易受到环境因素干扰,包括恶劣天气(强风暴雨)、非入侵事件(人、动物的触碰)等,均可能引起误报。此外,不同事件的相位信号相似性也给识别带来困难,简单的分类手段难以区分入侵事件和非入侵事件,以及是哪一类入侵事件。此外,当光纤铺设长度增加时,系统需要处理的数据量急剧增加,有限的硬件计算资源和光纤覆盖范围的矛盾,也对事件识别的实时性也提出了挑战。
发明内容
基于此,本申请目的在于提供一种入侵事件的实时识别方法、装置、设备及介质,以解决以上至少一种技术问题。所述技术方案如下:
一方面,本申请提供了一种入侵事件的实时识别方法,包括:
获取周围环境的实时振动信息;所述实时振动信息包括多个通道的初始振动信号;
对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;
将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;
基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;
对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。
在一可选实施方式中,所述基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道包括:
基于所述候选信号矩阵中各矩阵列对应的信号振动能量,对多个所述通道进行划分,获得至少一个通道序列;
从每个所述通道序列中确定最大信号振动能量对应的通道,作为目标通道。
在一可选实施方式中,所述基于所述候选信号矩阵中各矩阵列对应的信号振动能量,对多个所述通道进行划分,获得至少一个通道序列包括:
获得所述候选信号矩阵中各矩阵列对应的信号振动能量;
比较所述各矩阵列的信号振动能量与预设能量阈值的大小;
基于比较结果对多个所述通道进行划分,将满足预设筛选条件的每个连续多个矩阵列作为一个通道序列,获得至少一个通道序列。
在一可选实施方式中,所述方法还包括:
获取每个所述通道序列中全部通道对应的信号振动能量分布;
以所述目标通道为分界线,从所述信号振动能量分布中确定第一局部振动能量和第二局部振动能量,所述第一局部振动能量是所述振动能量分布中在所述目标通道对应的信号振动能量之前的全部信号振动能量的和值,所述第二局部振动能量是所述振动能量分布中在所述目标通道对应的信号振动能量之后的全部信号振动能量的和值;
基于所述信号振动能量分布中第一个通道的通道编号、所述第一局部振动能量、所述第二局部振动能量和距离分辨率,确定所述目标通道对应的最终定位位置。
在一可选实施方式中,所述对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号包括:
获取每个所述通道中各个分帧窗口的信号向量;
针对每个分帧窗口对应的信号向量,基于所述信号向量对应的信号强度特征对所述初始振动信号进行信号筛选,确定第一级振动信号;
基于所述信号向量对应的信号能量特征对所述第一级振动信号进行信号筛选,确定第二级振动信号;
基于所述信号向量对应的信号差分特征对所述第二级振动信号进行信号筛选,确定第三级振动信号;
基于所述信号向量对应的过门限率特征对所述第三级振动信号进行信号筛选,确定第四级振动信号;
基于所述信号向量对应的频率重心特征对所述第四级振动信号进行信号筛选,确定候选振动信号。
在一可选实施方式中,所述对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果包括:
对所述目标通道中的各候选振动信号进行低通滤波处理,获得滤波后信号数据;
对所述滤波后信号数据进行特征提取,获得事件特征向量;
调用事件分类器对所述事件特征向量进行事件识别,获得事件识别结果。
在一可选实施方式中,所述对所述滤波后信号数据进行特征提取,获得事件特征向量包括:
对所述滤波后信号数据进行时域特征提取,获得事件时域特征;
对所述滤波后信号数据进行快速傅里叶变换,获得单边频谱,并对所述单边频谱进行频域特征提取,获得事件频域特征;
对所述滤波后信号数据进行小波分解,获得事件小波能量特征;
基于所述事件时域特征、所述事件频域特征和所述事件小波能量特征,获得事件特征向量,所述事件特征向量用于表征事件的不同振动类别。
另一方面,本申请还提供了一种入侵事件的实时识别装置,包括:
信息获取模块,用于获取周围环境的实时振动信息;所述实时振动信息包括多个通道的初始振动信号;
候选信号确定模块,用于对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;
信号拼接模块,用于将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;
通道筛选模块,用于基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;
事件识别模块,用于对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。
另一方面,本申请还提供了一种入侵事件的实时识别系统,包括光电元器件、候选区域提取模块和事件识别模块;
所述光电元器件用于获取周围环境的振动信息;所述振动信息包括多个通道的初始振动信号;
所述候选区域提取模块与所述光电元器件连接,用于对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;以及将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;以及用于基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;
所述事件识别模块与所述候选区域提取模块连接,用于对所述候选区域提取模块输出的目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。
另一方面,本申请还提供一种计算机设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由所述处理器加载并执行以实现如上述任一所述的入侵事件的实时识别方法。
另一方面,本申请还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述任一所述的入侵事件的实时识别方法。
本申请提供的一种入侵事件的实时识别方法、装置、系统及介质,通过获取周围环境的实时振动信息;所述实时振动信息包括多个通道的初始振动信号;对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。经过时序信号筛选得到候选振动信号筛除了大部分环境以及干扰等非目标事件,同时阻拦了无事件通道中数据的无效计算占用资源。不同环境下,需实时识别计算的数据量均大幅削减。此外,经过时序信号筛选,筛除了大部分非目标事件,压缩了解空间的范围,不仅提高事件识别效率,实现针对入侵事件的实时识别,而且还提高了事件识别准确率,通用性强。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1是本申请实施例提供的一种入侵事件的实时识别方法的流程示意图;
图2是本申请实施例提供的一种确定候选振动信号步骤的流程示意图;
图3是本申请实施例提供的一种确定候选振动信号步骤的部分过程示意图;
图4是本申请实施例提供的确定目标通道步骤的流程示意图;
图5是本申请实施例提供的获得事件识别结果步骤的流程示意图;
图6是本申请实施例提供的方法的识别结果准确率的对比示意图;
图7是本申请实施例提供的一种入侵事件的实时识别装置的框图。
图8是本申请实施例提供的一种入侵事件的实时识别系统的框图。
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述。显然,所描述的实施例仅仅是本申请一个实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
此处所称的“一个实施例”或“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本申请实施例中涉及的一种入侵事件的实时识别方法、装置、系统及介质进行详细描述。
目前,对外部入侵事件的准确分类识别是一大难点。大多数事件识别系统只能够在环境简单(如实验室环境)、振动事件间差异明显、数据量不大的情况有较好表现。例如,分布式光纤传感系统对外部振动的响应十分灵敏,容易受到环境因素干扰,包括恶劣天气(强风暴雨)、非入侵事件(人、动物的触碰)等,均可能引起误报。此外,不同事件的相位信号相似性也给识别带来困难,简单的分类手段难以区分入侵事件和非入侵事件,以及是哪一类入侵事件。此外,当光纤铺设长度增加时,系统需要处理的数据量急剧增加,有限的硬件计算资源和光纤覆盖范围的矛盾,也对事件识别的实时性也提出了挑战。
为了提高事件识别准确率,在一相关技术中,通过对初步分类结果对应的瀑布图进行图像相似性匹配,进而二次判断,虽然其可以提高识别准确率,但是需要更多的计算资源和计算时间,不利于实时检测,并且需要在前期准备完善的事件图像库,收集难度大,无法保证覆盖事件的所有可能性,且缺少通用性。另一相关技术中,通借鉴音频领域的MFCC特征来提高识别率,但是Mel频率是基于人耳听觉特性提出来的,光纤振动信号没有类似的物理意义,该方法难以保证更多场景下的识别准确率,且单次判断流程容易出现更多的误判。
本申请提供入侵事件的实时识别方法,通过获取周围环境的振动信息;所述振动信息包括多个通道的初始振动信号;对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;对所述目标通道中的各候选信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。如此不仅提高事件识别效率,实现针对入侵事件的实时识别,而且还提高了事件识别准确率,通用性强。
图1是本申请实施例中提供的一种入侵事件的实时识别方法的流程图。以该方法应用于上述数据处理系统为例进行说明,该方法可以由软件和/或硬件的方式实现,请参见图1,该方法可以包括:
S101,获取周围环境的实时振动信息;所述实时振动信息包括多个通道的初始振动信号。
其中,周围环境是指的光电元器件的探测区域的外界环境。该外界环境可以是简单环境(例如平静天气等),也可以是具有多个环境干扰因素的复杂环境(例如小雨天气、暴雨天气、小风天气、强风天气等)。
光电元器件作为一种探测外界振动的传感器,能够探测外界作用于光电元器件上的外部入侵事件。该光电元器件可以包括但不限于光纤等。振动信息用于反映作用于光电元器件的外部入侵事件的振动情况。该振动信息包括多个通道(例如n个通道)的初始振动信号。
S102,对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号。
可选地,在获取到多个通道的初始振动信号之后,可以对于每个通道的初始振动信号进行时序信号筛选,筛除掉与入侵事件无关的信号,获得每个通道对应的候选振动信号。该候选振动信号是用于反映入侵事件对应的有效信号。
在一可选实施方式中,如图2和3所示,所述对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号包括:
S201,获取每个所述通道中各个分帧窗口的信号向量。
由于振动是一种持续事件,单点数据包含信息有限,可以通过一定时间(t个采样点)内积累的数据来描述。
若输入的初始振动信号I∈Rt×n,对输入每个通道ci,,i=1,2,…,n的数据流进行分帧加窗处理,取窗长为len,步长为s。对于通道ci,其单个分帧窗口中的信号向量Xi=(xi,1,xi,2,…,xi,len)。
S202,针对各个分帧窗口对应的信号向量,基于所述信号向量对应的信号强度特征对所述初始振动信号进行信号筛选,确定第一级振动信号。
可选地,可以计算每个分帧窗口对应的信号向量对应的信号强度特征,该信号强度特征可以是第ci个通道中属于同一个分帧窗口的信号向量的绝对值之和,也即信号强度特征可以表示为:之后,可以通过筛选器g1(u1)来判断该信号强度特征是否大于0,若大于0,则将该分帧窗口对应的全部振动信号Xi作为第一级振动信号,送入下一步筛选,否则丢弃该分帧窗口对应的全部振动信号。
S203,基于所述信号向量对应的信号能量特征对所述第一级振动信号进行信号筛选,确定第二级振动信号。
可选地,可以计算第一级振动信号中每个分帧窗口对应的信号向量对应的信号能量特征,该信号能量特征可以是第ci个通道中属于同一个分帧窗口的信号向量的平方和,与窗长的比值,也即信号能量特征可以表示为:之后,可以通过筛选器g2(u2)来判断该信号能量特征是否大于0,若大于0,则将该分帧窗口对应的全部振动信号Xi作为第二级振动信号,送入下一步筛选,否则丢弃该分帧窗口对应的全部振动信号。
S204,基于所述信号向量对应的信号差分特征对所述第二级振动信号进行信号筛选,确定第三级振动信号。
可选地,可以计算第二级振动信号中每个分帧窗口对应的信号向量对应的信号差分特征,该信号差分特征可以是第ci个通道中属于同一个分帧窗口的相邻信号向量的差值的绝对值之和,与窗长的比值,也即信号差分特征可以表示为:之后,可以通过筛选器g3(u3)来判断该信号差分特征是否大于0,若大于0,则将该分帧窗口对应的全部振动信号Xi作为第三级振动信号,送入下一步筛选,否则丢弃该分帧窗口对应的全部振动信号。
S205,基于所述信号向量对应的过门限率特征对所述第三级振动信号进行信号筛选,确定第四级振动信号。
可选地,可以计算第三级振动信号中每个分帧窗口对应的信号向量对应的过门限率特征,该过门限率特征可以可以表示为: 其中δ是阈值常数。之后,可以通过筛选器g4(u4)来判断该过门限率特征是否大于0,若大于0,则将该分帧窗口对应的全部振动信号Xi作为第四级振动信号,送入下一步筛选,否则丢弃该分帧窗口对应的全部振动信号。
S206,基于所述信号向量对应的频率重心特征对所述第四级振动信号进行信号筛选,确定候选振动信号。
可选地,可以对第四级振动信号中每个分帧窗口中对应的信号进行快速傅里叶变换,取单边频谱得到(fi,1,fi,2,…,fi,len),计算频率重心特征,该频率重心特征可以表示为:之后,可以通过筛选器g5(u5)来判断该频率重心特征是否大于0,若大于0,则将该分帧窗口对应的全部振动信号Xi作为候选振动信号,否则丢弃该分帧窗口对应的全部振动信号。
应理解,对于全部n个通道均重复上述S201-S206的步骤来进行时序信号筛选,获得每个通道对应的候选振动信号。
S103,将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号。
可选地,可以维护一个候选信号矩阵M∈Rm×n,m≥len,m为正整数,该候选信号矩阵用于存储n个通道全部候选振动信号,将对应通道的初始振动信号经过上述筛选后得到的候选振动信号存储在该候选信号矩阵对应的矩阵列中,通过将筛选时间上连续的候选振动信号进行数据拼接,获得候选信号矩阵,候选信号矩阵中每个矩阵列对应一个通道的候选振动信号。
S104,基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道。
其中,目标通道是指事件最有可能发生的通道。通过对候选信号矩阵中各矩阵列对应的信号振动能量进行通道筛选,确定目标通道。
在一可选实施方式中,所述基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道包括:
S401,基于所述候选信号矩阵中各矩阵列对应的信号振动能量,对多个所述通道进行划分,获得至少一个通道序列。
可选地,所述基于所述候选信号矩阵中各矩阵列对应的信号振动能量,对多个所述通道进行划分,获得至少一个通道序列包括:
S4011,获得所述候选信号矩阵中各矩阵列对应的信号振动能量;
S4012,比较所述各矩阵列的信号振动能量与预设能量阈值的大小;
S4013,基于比较结果对多个所述通道进行划分,将满足预设筛选条件的每个连续多个矩阵列作为一个通道序列,获得至少一个通道序列。
示例性地,对于候选信号矩阵M,以矩阵列为单位进行绝对值求和构建信号振动能量向量(col1,col2,…,coln),其中该向量中的每个向量值表示每个矩阵列对应的信号振动能量。比较各矩阵列的信号振动能量与预设能量阈值threshold的大小,基于比较结果对多个所述通道进行划分,将满足预设筛选条件的每个连续多个矩阵列作为一个通道序列,获得至少一个通道序列。具体地,遍历信号振动能量向量,若colp>threshold,1≤p≤n,继续判断下一个通道对应的矩阵列的信号振动能量colp+1是否满足大于threshold的门槛条件,直到出现不满足该门槛条件的通道或者已经累计计算连续R个通道作为预设筛选条件,确定满足该预设筛选条件的每个连续多个矩阵列作为一个通道序列,获得至少一个通道序列。
S402,从每个所述通道序列中确定最大信号振动能量对应的通道,作为目标通道。
可选地,从每个通道序列中确定最大信号振动能量对应的通道,作为目标通道,将该目标通道送入事件识别环节,并记录该目标通道对应的通道编号作为定位信息。
在一可选实施方式中,所述方法还包括:
获取每个所述通道序列中全部通道对应的信号振动能量分布;
以所述目标通道为分界线,从所述信号振动能量分布中确定第一局部振动能量和第二局部振动能量,所述第一局部振动能量是所述振动能量分布中在所述目标通道对应的信号振动能量之前的全部信号振动能量的和值,所述第二局部振动能量是所述振动能量分布中在所述目标通道对应的信号振动能量之后的全部信号振动能量的和值;
基于所述信号振动能量分布中第一个通道的通道编号、所述第一局部振动能量、所述第二局部振动能量和距离分辨率,确定所述目标通道对应的最终定位位置。
可选地,若得到连续r个通道的通道序列(colp,colp+1,…colp+q,…,colp+r),r≤n-p,可作为信号振动能量分布。若目标通道(也即强度最大的通道)为colp+q,可以以该目标通道为分界线,从信号振动能量分布中确定第一局部振动能量和第二局部振动能量。该第一局部振动能量是振动能量分布中在目标通道对应的信号振动能量之前的全部信号振动能量的和值,该第二局部振动能量是振动能量分布中在目标通道对应的信号振动能量之后的全部信号振动能量的和值。接着,基于信号振动能量分布中第一个通道的通道编号、第一局部振动能量、第二局部振动能量和距离分辨率,确定目标通道对应的最终定位位置,该最终定位位置用于定位振动位置。具体地,最终定位位置可以表示为其中,表示第一局部振动能量,表示第二局部振动能量,resolution表示距离分辨率,p为通道编号。
S105,对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果。
其中,所述事件识别结果用于指示所述环境的入侵事件类型,其中,入侵事件类型可以包括但不限于攀爬、钻网、切割、挖掘等。
在一可选实施方式中,所述对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果包括:
S501,对所述目标通道中的各候选振动信号进行低通滤波处理,获得滤波后信号数据。
可选地,将单个通道ci的输入数据通过滤波器进行低通滤波处理,去掉存在的高频噪声分量,得到滤波后信号数据Yi=(yi,1,yi,2,…,yi,m)。
S502,对所述滤波后信号数据进行特征提取,获得事件特征向量。
可选地,可以通过对滤波后信号数据Yi=(yi,1,yi,2,…,yi,m)进行特征提取,例如可以提取事件时域特征、事件频域特征和事件小波能量特征中至少一种特征,并基于提取得到的特征组合成事件特征向量。
在一可选实施方式中,在事件特征向量包括事件时域特征、事件频域特征和事件小波能量特征的情况下,所述对所述滤波后信号数据进行特征提取,获得事件特征向量包括:
S5022,对所述滤波后信号数据进行快速傅里叶变换,获得单边频谱,并对所述单边频谱进行频域特征提取,获得事件频域特征。
其中,可以对滤波后信号数据进行快速傅里叶变换,取单边频谱得到(fi,1,fi,2,…,fi,m),然后对所述单边频谱进行频域特征提取,获得事件频谱特征,该事件频谱特征可以包括但不限于:提取谱质心均方频率方差频率
S5023,对所述滤波后信号数据进行小波分解,获得事件小波能量特征。
可选地,可以采用例如db7小波对滤波后信号数据进行小波分解,例如对振动信号进行5级分解,得到每层的节点系数,计算其小波能量特征向量(eA5,eD5,eD4,eD3,eD2,eD1)。
S5024,基于所述事件时域特征、所述事件频域特征和所述事件小波能量特征,获得事件特征向量,所述事件特征向量用于表征事件的不同振动类别。
可选地,可以对事件时域特征、所述事件频域特征和所述事件小波能量特征依次进行归一化处理以及特征组合,得到用于代表该振动信号的事件特征向量veci,该事件特征向量可以用于区分不同振动类别。该特征组合的组合顺序可以与模型输入特征顺序相匹配,示例性的,事件特征向量veci可以表示为{事件时域特征,事件频域特征,事件小波能量特征}。
S503,调用事件分类器对所述事件特征向量进行事件识别,获得事件识别结果。
可选地,针对每个通道ci,可以将该通道对应的特征向量veci送入事件分类器,通过投票得到本通道的特征向量对应类型,作为该振动信号的最终的类型输出。示例性的,该事件分类器可以是分类器组SVMs,每个支持向量机SVM模型只需要事先完成一次训练,训练集为预先采集的带标签的各种振动信号的特征向量,采用高斯核函数,训练时采用网格搜索和交叉验证策略,得到最优的支持向量机SVM模型。具体的,对于四分类(例如A,B,C,D四种事件类型)问题,训练6个分类器,每个分类器用于分别对应A-B,A-C,A-D,B-C,B-D,C-D两两事件分类问题。将输入的特征向量输入到这6个分类器中得到分类事件子结果,统计得票最多的事件类型作为最终事件类型输出。
应理解,上述的事件分类器不限于支持向量机SVM形式,还可以为其他适配的机器学习的分类模型。
上述实施例通过获取周围环境的实时振动信息;所述实时振动信息包括多个通道的初始振动信号;对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。经过时序信号筛选得到候选振动信号筛除了大部分环境以及干扰等非目标事件,同时阻拦了无事件通道中数据的无效计算占用资源。不同环境下,需实时识别计算的数据量均大幅削减。经验证,应用本申请的方法,在平静天气、小雨、暴雨、小风、强风天气下分别减少约90%、85%、70%、80%、60%数据量。此外,经过时序信号筛选,筛除了大部分非目标事件,压缩了解空间的范围,不仅提高事件识别效率,实现针对入侵事件的实时识别,而且还提高了事件识别准确率,通用性强。
此外,经验证,如图6所示,在环境越复杂的情况下,应用本申请的方法识别准确率准确率提升越明显。
下述为本申请装置和系统实施例,可以用于执行本申请上述方法实施例。对于本申请装置和系统实施例中未披露的细节和有益效果,请参照本申请方法实施例。
请参考图7,其示出了本申请实施例提供的一种入侵事件的实时识别装置的框图。该入侵事件的实时识别装置具有实现上述方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该入侵事件的实时识别装置可以包括:
信息获取模块710,用于获取周围环境的实时振动信息;所述实时振动信息包括多个通道的初始振动信号;
候选信号确定模块720,用于对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;
信号拼接模块730,用于将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;
通道筛选模块740,用于基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;
事件识别模块750,用于对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。
在一可选实施方式中,所述通道筛选模块包括:
序列获取子模块,用于基于所述候选信号矩阵中各矩阵列对应的信号振动能量,对多个所述通道进行划分,获得至少一个通道序列;
通道筛选子模块,用于从每个所述通道序列中确定最大信号振动能量对应的通道,作为目标通道。
在一可选实施方式中,所述序列获取子模块包括:
第一获取单元,用于获得所述候选信号矩阵中各矩阵列对应的信号振动能量;
比较单元,用于比较所述各矩阵列的信号振动能量与预设能量阈值的大小;
序列获取单元,用于基于比较结果对多个所述通道进行划分,将满足预设筛选条件的每个连续多个矩阵列作为一个通道序列,获得至少一个通道序列。
在一可选实施方式中,所述装置还包括:
分布获取模块,用于获取每个所述通道序列中全部通道对应的信号振动能量分布;
局部能量获取模块,用于以所述目标通道为分界线,从所述信号振动能量分布中确定第一局部振动能量和第二局部振动能量,所述第一局部振动能量是所述振动能量分布中在所述目标通道对应的信号振动能量之前的全部信号振动能量的和值,所述第二局部振动能量是所述振动能量分布中在所述目标通道对应的信号振动能量之后的全部信号振动能量的和值;
定位模块,用于基于所述信号振动能量分布中第一个通道的通道编号、所述第一局部振动能量、所述第二局部振动能量和距离分辨率,确定所述目标通道对应的最终定位位置。
在一可选实施方式中,所述候选信号确定模块具体用于:
获取每个所述通道中各个分帧窗口的信号向量;
针对每个分帧窗口对应的信号向量,基于所述信号向量对应的信号强度特征对所述初始振动信号进行信号筛选,确定第一级振动信号;
基于所述信号向量对应的信号能量特征对所述第一级振动信号进行信号筛选,确定第二级振动信号;
基于所述信号向量对应的信号差分特征对所述第二级振动信号进行信号筛选,确定第三级振动信号;
基于所述信号向量对应的过门限率特征对所述第三级振动信号进行信号筛选,确定第四级振动信号;
基于所述信号向量对应的频率重心特征对所述第四级振动信号进行信号筛选,确定候选振动信号。
在一可选实施方式中,所述事件识别模块包括:
滤波子模块,用于对所述目标通道中的各候选振动信号进行低通滤波处理,获得滤波后信号数据;
特征确定子模块,用于对所述滤波后信号数据进行特征提取,获得事件特征向量;
事件识别子模块,用于调用事件分类器对所述事件特征向量进行事件识别,获得事件识别结果。
在一可选实施方式中,所述特征确定子模块包括:
第一特征确定单元,用于对所述滤波后信号数据进行时域特征提取,获得事件时域特征;
第二特征确定单元,用于对所述滤波后信号数据进行快速傅里叶变换,获得单边频谱,并对所述单边频谱进行频域特征提取,获得事件频域特征;
第三特征确定单元,用于对所述滤波后信号数据进行小波分解,获得事件小波能量特征;
特征组合单元,用于基于所述事件时域特征、所述事件频域特征和所述事件小波能量特征,获得事件特征向量,所述事件特征向量用于表征事件的不同振动类别。
对于本申请系统实施例中未披露的细节和有益效果,请参照本申请上述实施例。
请参考图8,其示出了本申请实施例提供的一种入侵事件的实时识别系统的框图。该入侵事件的实时识别系统具有实现上述方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该入侵事件的实时识别系统可以包括光电元器件810、候选区域提取模块820和事件识别模块830;
所述光电元器件810用于获取周围环境的振动信息;所述振动信息包括多个通道的初始振动信号;
所述候选区域提取模块820与所述光电元器件810连接,用于对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;以及将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;以及用于基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;
所述事件识别模块830与所述候选区域提取模块820连接,用于对所述候选区域提取模块输出的目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。
在一可选实施方式中,所述候选区域提取模块可以包括候选信号确定模块、信号拼接模块和通道筛选模块。其中,候选信号确定模块用于对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;信号拼接模块用于将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;通道筛选模块,用于基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道。经过通道筛选之后,还可以对目标通道进行定位,获得振动位置。
所述事件识别模块可以包括滤波器、特征提取器和分类器。其中,滤波器用于对所述目标通道中的各候选振动信号进行低通滤波处理,获得滤波后信号数据;特征提取器用于对所述滤波后信号数据进行特征提取,获得事件特征向量;分类器用于对所述事件特征向量进行事件识别,获得事件识别结果。
上述实施例经过候选区域提取模块筛选得到候选振动信号筛除了大部分环境以及干扰等非目标事件,同时阻拦了无事件通道中数据的无效计算占用资源。不同环境下,需实时识别计算的数据量均大幅削减。经验证,应用本申请的方法,在平静天气、小雨、暴雨、小风、强风天气下分别减少约90%、85%、70%、80%、60%数据量。此外,经过候选区域提取模块筛选,筛除了大部分非目标事件,压缩了解空间的范围,不仅提高事件识别效率,实现针对入侵事件的实时识别,而且还提高了事件识别准确率;在环境越复杂的情况下,识别准确率准确率提升越明显,通用性强。
应理解,对于本申请系统实施例中未披露的细节和有益效果,请参照本申请上述实施例。
本申请还提供一种计算机设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由所述处理器加载并执行以实现如上述任一所述的入侵事件的实时识别方法。
本申请还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述任一所述的入侵事件的实时识别方法。
在一些实施例中,该计算机设备(未图示)可以包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种入侵事件的实时识别方法。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置和服务器实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本申请的保护范围。
Claims (10)
1.一种入侵事件的实时识别方法,其特征在于,包括:
获取周围环境的实时振动信息;所述实时振动信息包括多个通道的初始振动信号;
对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;
将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;
基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;
对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道包括:
基于所述候选信号矩阵中各矩阵列对应的信号振动能量,对多个所述通道进行划分,获得至少一个通道序列;
从每个所述通道序列中确定最大信号振动能量对应的通道,作为目标通道。
3.根据权利要求2所述的方法,其特征在于,所述基于所述候选信号矩阵中各矩阵列对应的信号振动能量,对多个所述通道进行划分,获得至少一个通道序列包括:
获得所述候选信号矩阵中各矩阵列对应的信号振动能量;
比较所述各矩阵列的信号振动能量与预设能量阈值的大小;
基于比较结果对多个所述通道进行划分,将满足预设筛选条件的每个连续多个矩阵列作为一个通道序列,获得至少一个通道序列。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取每个所述通道序列中全部通道对应的信号振动能量分布;
以所述目标通道为分界线,从所述信号振动能量分布中确定第一局部振动能量和第二局部振动能量,所述第一局部振动能量是所述振动能量分布中在所述目标通道对应的信号振动能量之前的全部信号振动能量的和值,所述第二局部振动能量是所述振动能量分布中在所述目标通道对应的信号振动能量之后的全部信号振动能量的和值;
基于所述信号振动能量分布中第一个通道的通道编号、所述第一局部振动能量、所述第二局部振动能量和距离分辨率,确定所述目标通道对应的最终定位位置。
5.根据权利要求1-4任一所述的方法,其特征在于,所述对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号包括:
获取每个所述通道中各个分帧窗口的信号向量;
针对每个分帧窗口对应的信号向量,基于所述信号向量对应的信号强度特征对所述初始振动信号进行信号筛选,确定第一级振动信号;
基于所述信号向量对应的信号能量特征对所述第一级振动信号进行信号筛选,确定第二级振动信号;
基于所述信号向量对应的信号差分特征对所述第二级振动信号进行信号筛选,确定第三级振动信号;
基于所述信号向量对应的过门限率特征对所述第三级振动信号进行信号筛选,确定第四级振动信号;
基于所述信号向量对应的频率重心特征对所述第四级振动信号进行信号筛选,确定候选振动信号。
6.根据权利要求1-4任一所述的方法,其特征在于,所述对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果包括:
对所述目标通道中的各候选振动信号进行低通滤波处理,获得滤波后信号数据;
对所述滤波后信号数据进行特征提取,获得事件特征向量;
调用事件分类器对所述事件特征向量进行事件识别,获得事件识别结果。
7.根据权利要求6所述的方法,其特征在于,所述对所述滤波后信号数据进行特征提取,获得事件特征向量包括:
对所述滤波后信号数据进行时域特征提取,获得事件时域特征;
对所述滤波后信号数据进行快速傅里叶变换,获得单边频谱,并对所述单边频谱进行频域特征提取,获得事件频域特征;
对所述滤波后信号数据进行小波分解,获得事件小波能量特征;
基于所述事件时域特征、所述事件频域特征和所述事件小波能量特征,获得事件特征向量,所述事件特征向量用于表征事件的不同振动类别。
8.一种入侵事件的实时识别装置,其特征在于,包括:
信息获取模块,用于获取周围环境的实时振动信息;所述实时振动信息包括多个通道的初始振动信号;
候选信号确定模块,用于对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;
信号拼接模块,用于将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;
通道筛选模块,用于基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;
事件识别模块,用于对所述目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。
9.一种入侵事件的实时识别系统,其特征在于,包括光电元器件、候选区域提取模块和事件识别模块;
所述光电元器件用于获取周围环境的振动信息;所述振动信息包括多个通道的初始振动信号;
所述候选区域提取模块与所述光电元器件连接,用于对每个通道的所述初始振动信号进行时序信号筛选,获得每个通道对应的候选振动信号;以及将每个通道对应的候选振动信号进行数据拼接,获得候选信号矩阵;所述候选信号矩阵中每个矩阵列对应一个通道的候选振动信号;以及用于基于所述候选信号矩阵中各矩阵列对应的信号振动能量,确定目标通道;
所述事件识别模块与所述候选区域提取模块连接,用于对所述候选区域提取模块输出的目标通道中的各候选振动信号进行事件识别,获得事件识别结果,所述事件识别结果用于指示所述环境的入侵事件类型。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-7任一所述的入侵事件的实时识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210671602.4A CN114998837B (zh) | 2022-06-14 | 2022-06-14 | 入侵事件的实时识别方法、装置、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210671602.4A CN114998837B (zh) | 2022-06-14 | 2022-06-14 | 入侵事件的实时识别方法、装置、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998837A true CN114998837A (zh) | 2022-09-02 |
CN114998837B CN114998837B (zh) | 2024-07-09 |
Family
ID=83034651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210671602.4A Active CN114998837B (zh) | 2022-06-14 | 2022-06-14 | 入侵事件的实时识别方法、装置、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998837B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313001A (zh) * | 2023-09-20 | 2023-12-29 | 华中科技大学 | 用于分布式光纤声波传感系统的混合事件分解及识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150296187A1 (en) * | 2014-04-11 | 2015-10-15 | Vivint, Inc. | Chronological activity monitoring and review |
CN110823356A (zh) * | 2019-10-09 | 2020-02-21 | 威海北洋光电信息技术股份公司 | 基于梅尔频谱的分布式光纤入侵检测方法 |
WO2020138154A1 (ja) * | 2018-12-29 | 2020-07-02 | ニューブレクス株式会社 | 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 |
-
2022
- 2022-06-14 CN CN202210671602.4A patent/CN114998837B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150296187A1 (en) * | 2014-04-11 | 2015-10-15 | Vivint, Inc. | Chronological activity monitoring and review |
WO2020138154A1 (ja) * | 2018-12-29 | 2020-07-02 | ニューブレクス株式会社 | 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 |
CN110823356A (zh) * | 2019-10-09 | 2020-02-21 | 威海北洋光电信息技术股份公司 | 基于梅尔频谱的分布式光纤入侵检测方法 |
Non-Patent Citations (3)
Title |
---|
ZHONGQI LI: "Fiber distributed acoustic sensing using convolutional long short-term memory network: a field test on high-speed railway intrusion detection", 《OPTICS EXPRESS》, 31 December 2020 (2020-12-31), pages 2925 - 2938 * |
张永康: "分布式光纤入侵信号检测与识别", 《光电工程》, 15 March 2021 (2021-03-15), pages 19 - 36 * |
马愈昭;冯磊;刘佳;熊兴隆;: "基于LCD和改进PNN的光纤周界振动信号识别", 光电子・激光, no. 05, 15 May 2020 (2020-05-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313001A (zh) * | 2023-09-20 | 2023-12-29 | 华中科技大学 | 用于分布式光纤声波传感系统的混合事件分解及识别方法 |
CN117313001B (zh) * | 2023-09-20 | 2024-05-07 | 华中科技大学 | 用于分布式光纤声波传感系统的混合事件分解及识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114998837B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570613A (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 | |
KR101969504B1 (ko) | 심층 신경망을 기반으로 한 사운드 이벤트 검출 방법 및 사운드 이벤트 검출 장치 | |
CN112597867B (zh) | 戴口罩人脸识别方法、系统、计算机设备及存储介质 | |
US9569531B2 (en) | System and method for multi-agent event detection and recognition | |
US10621506B2 (en) | Apparatus and method for activity detection and classification from sensor data | |
CN105959316A (zh) | 网络安全性验证系统 | |
CN108801437B (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 | |
CN117093947B (zh) | 一种发电柴油机运行异常监测方法及系统 | |
CN114998837B (zh) | 入侵事件的实时识别方法、装置、系统及介质 | |
Colonna et al. | Feature evaluation for unsupervised bioacoustic signal segmentation of anuran calls | |
Küçükbay et al. | Use of acoustic and vibration sensor data to detect objects in surveillance wireless sensor networks | |
CN105138886B (zh) | 机器人生物体征识别系统 | |
CN114093106B (zh) | 基于EfficientNET分类网络的入侵信号报警方法及系统 | |
Arslan et al. | Performance of deep neural networks in audio surveillance | |
Kandpal et al. | Classification of ground vehicles using acoustic signal processing and neural network classifier | |
CN111476965B (zh) | 火灾检测模型的构建方法、火灾检测方法及相关设备 | |
CN109271859A (zh) | 串并案方法和装置、电子设备、计算机存储介质 | |
CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
CN115719428A (zh) | 基于分类模型的人脸图像聚类方法、装置、设备及介质 | |
Biradar et al. | Fingerprint ridge orientation extraction: a review of state of the art techniques | |
Jeong et al. | Constructing an Audio Dataset of Construction Equipment from Online Sources for Audio-Based Recognition | |
Hachicha et al. | Multi-temporal SAR classification according to change detection operators | |
CN117312828B (zh) | 公共设施监控方法和系统 | |
CN112417007A (zh) | 一种数据分析方法、装置、电子设备及存储介质 | |
CN111651690A (zh) | 涉案信息查找方法、装置以及计算机设备 |
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 |