一种基于多源信息融合的周界入侵识别方法技术

本发明专利技术公开了一种基于多源信息融合的周界入侵识别方法，所述方法包括如下步骤：步骤S1：搭建基于多传感器的数据采集系统；步骤S2：通过步骤S1搭建的数据采集系统采集环境信号和入侵目标信号，通过小波阈值去噪、图像增强的方式建立入侵目标和环境噪声的样本数据库；步骤S3：对步骤S2构建的样本数据库，通过多域特征提取算法提取样本数据库的环境数据和目标数据的特征值；步骤S4：将步骤S3构建的不同类型特征值利用融合网络进行多特征融合，最后送入目标识别算法，判断当前是否入侵。本发明专利技术的方法结合图像、声音和振动传感器构建目标识别技术，弥补了图像传感器被遮挡破坏时系统无法正常工作的问题，提高了周界预警系统的容错能力。能力。能力。

【技术实现步骤摘要】
一种基于多源信息融合的周界入侵识别方法


[0001]本专利技术属于周界安防领域及信号处理与识别领域，涉及一种多源信息融合的目标识别方法。

技术介绍

[0002]当前的周界预警系统防入侵手段比较单一，且检测识别准确性受环境影响较大，在实际应用中可靠性较低，难以起到预先防范的效果。
[0003]利用单一传感器来检测是否入侵并不完全准确，而多源信息融合，采用多传感器进行检测，就能避免检测结果不准确的问题。多源信息融合一般分为数据级融合、特征级融合和决策级融合。其中数据级融合是将原始数据在输入分类器之前进行融合，但是这必然会丢失部分入侵目标的独有特征。决策级融合则是将分类结果进行融合，决策级融合具有良好的实时性和容错能力，但预处理成本较高。特征级融合的方法既能有效提取传感器的独立特征，实现良好的信息压缩，也能达到很高的识别精度。

技术实现思路

[0004]为了解决现有周界入侵检测系统误报率、入侵对象识别不准确和缺乏智能化等问题，本专利技术提供了一种基于多源信息融合的周界入侵识别方法。该方法通过结合振动传感器、声音传感器和图像传感器采集不同的数据，利用彼此之间的互补性，采用多协同表示学习方法，提升多目标在特征级的特征融合能力，从而实现现对入侵行为的有效检测与识别。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于多源信息融合的周界入侵识别方法，包括如下步骤：
[0007]步骤S1：搭建基于多传感器的数据采集系统，其中：
[0008]所述数据采集系统包括振动感知单元阵列、声阵列感知单元、图像感知单元和远程通信单元；
[0009]步骤S2：通过步骤S1搭建的数据采集系统采集环境信号和入侵目标信号，通过小波阈值去噪、图像增强的方式建立入侵目标和环境噪声的样本数据库，具体步骤如下：
[0010]步骤S21：将数据采集系统布置在周围没有运动目标的测试场地，采集不同时间和不同天气情况下的环境数据；
[0011]步骤S22：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；
[0012]步骤S23：根据步骤S21采集的环境数据和步骤S22采集的运动信号，建立入侵目标运动数据和环境数据样本数据库；
[0013]步骤S24：对步骤S23建立的样本数据库中一维的振动信号和声音信号采用小波降噪的方法实现信号预处理，对二维的图像信号采用图像增强的方法实现信号预处理；
[0014]步骤S3：对步骤S2构建的样本数据库，通过多域特征提取算法提取样本数据库的环境数据和目标数据的特征值，具体步骤如下：
[0015]步骤S31：提取入侵目标振动信号特征值
[0016]步骤S311：通过提取大量行人振动信号和多种车辆振动信号的特征值，分析多种人员和车辆振动信号数据，提取目标运动的节奏和幅度特征，建立特征之间的差异性与关联性评估；
[0017]步骤S312：利用基于L1正则化的线性模型特征选择方法，筛选人车分类的有效分类特征；
[0018]步骤S313：通过基于时域、频域和时频域特征的特征向量，设计轻量级神经网络，利用神经网络训练输入信号，将某一隐藏层作为特征提取层，构建基于神经网络的振动信号特征提取模型，利用该模型提取入侵目标振动信号有效特征值；
[0019]步骤S32：提取入侵目标声音信号特征值
[0020]步骤S321：对声音信号进行有效特征提取，从中提取能区别人、车、环境等信息；
[0021]步骤S322：结合轻量化神经网络训练S321提取的有效特征，构建基于神经网络的声音信号特征提取模型；
[0022]步骤S33：提取入侵目标图像信号特征值
[0023]步骤S331：输入一幅图片，将其进行尺寸纬度转换，然后输入到预训练好的提取网络中获得不同大小的特征映射；
[0024]步骤S332：抽取Conv4_3、Conv7_2、Conv8_2、Conv9_2、Conv10_2、Conv11_2层的特征图，分别在这些特征图上面的每一个点构造6个不同尺度大小的边缘框进行检测，生成多个初步符合条件的边缘框；
[0025]步骤S333：将不同特征图获得的边缘框结合起来，经过非极大值抑制方法得到目标位置结果；
[0026]步骤S4：将步骤S3构建的不同类型特征值利用融合网络进行多特征融合，最后送入目标识别算法，判断当前是否入侵，具体步骤如下：
[0027]步骤S41：使用深度神经网络构造融合网络Net，将振动信号的特征值F
振
、F
图
、F
声
输入到第一轮交替优化的融合网络中：
[0028][Net,T]＝(σ；h1,h2...h
n
；F
振
，F
图
，F
声
)；
[0029]σ＝{W，b}；
[0030]式中，Net为训练完毕的融合网络，T为训练完毕的网络参数，σ为神经网络参数，h为隐藏层，n为隐藏层数，F
振
、F
图
、F
声
分别为振动信号提取的特征值、图像信号提取的特征值、声音信号提取的特征值，其中振动特征值、声音特征值为一维特征，图像特征值为二维特征；
[0031]步骤S42：计算融合网络的总误差：
[0032]L
i
＝L
N1
+L
N2
+L
N3
；
[0033]式中，L
i
为第i轮交替优化的总误差，L
Ni
(i＝1,2,3)为融合网络的子网络的误差；当L
i
<ε时，第i轮交替优化合格时终止训练，保存融合网络模型Net、网络参数T和融合特征F，否则，返回步骤步骤S41；
[0034]步骤S43：把步骤S42融合网络提取的融合特征送入目标识别算法，实现入侵目标的类别分类。
[0035]相比于现有技术，本专利技术具有如下优点：
[0036]1、本专利技术的方法结合图像、声音和振动传感器构建目标识别技术，弥补了图像传感器被遮挡破坏时系统无法正常工作的问题，提高了周界预警系统的容错能力。
[0037]2、本专利技术的方法实现了基于多源信息融合的多模态目标识别，利用多模态之间的互补性剔除模态间的冗余性，采用多模态的协同表示学习方法提升多目标在特征级的融合能力。
[0038]3、本专利技术的方法可以提升现有的微弱信号检测能力较差的问题，改善探测手段单一的问题，通过结合振动信号的多域特性和现有的深度学习算法，能够有效的解决周界入侵检测系统的多种问题。
附图说明
[0039]图1为基于多源信息融合的周界入侵识别方法的整体流程图；
[0040]图2为数据采集系统框架图；
[0041]图3为建立样本数据库流程图；
[0042]图4为振动信号特征提取示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源信息融合的周界入侵识别方法，其特征在于所述方法包括如下步骤：步骤S1：搭建基于多传感器的数据采集系统，其中：所述数据采集系统包括振动感知单元阵列、声阵列感知单元、图像感知单元和远程通信单元；步骤S2：通过步骤S1搭建的数据采集系统采集环境信号和入侵目标信号，通过小波阈值去噪、图像增强的方式建立入侵目标和环境噪声的样本数据库；步骤S3：对步骤S2构建的样本数据库，通过多域特征提取算法提取样本数据库的环境数据和目标数据的特征值；步骤S4：将步骤S3构建的不同类型特征值利用融合网络进行多特征融合，最后送入目标识别算法，判断当前是否入侵。2.根据权利要求1所述的基于多源信息融合的周界入侵识别方法，其特征在于所述步骤S1中，振动感知单元阵列由振动传感器组成，声阵列感知单元由声传感器组成，图像感知单元由图像传感器组成。3.根据权利要求2所述的基于多源信息融合的周界入侵识别方法，其特征在于所述振动传感器采用地埋式无源动圈传感器，图像传感器采用红外摄像头。4.根据权利要求1所述的基于多源信息融合的周界入侵识别方法，其特征在于所述步骤S2的具体步骤如下：步骤S21：将数据采集系统布置在周围没有运动目标的测试场地，采集不同时间和不同天气情况下的环境数据；步骤S22：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；步骤S23：根据步骤S21采集的环境数据和步骤S22采集的运动信号，建立入侵目标运动数据和环境数据样本数据库；步骤S24：对步骤S23建立的样本数据库中一维的振动信号和声音信号采用小波降噪的方法实现信号预处理，对二维的图像信号采用图像增强的方法实现信号预处理。5.根据权利要求1所述的基于多源信息融合的周界入侵识别方法，其特征在于所述步骤S3的具体步骤如下：步骤S31：提取入侵目标振动信号特征值步骤S311：通过提取大量行人振动信号和多种车辆振动信号的特征值，分析多种人员和车辆振动信号数据，提取目标运动的节奏和幅度特征，建立特征之间的差异性与关联性评估；步骤S312：利用基于L1正则化的线性模型特征选择方法，筛选人车分类的有效分类特征；步骤S313：通过基于时域、频域和时频域特征的特征向量，设计轻量级神经网络，利用神经网络训练输入信号，将某一隐藏层作为特征提取层，构建基于神经网络的振动信号特征提取模型，利用该模型提取入侵目标振动信号有效特征值；步骤S32：提取入侵目标声音信号特征值步骤S321：对声音信号进行有效特征提取，从中提取能区别人、车、环境信息；步骤S322：结合轻量化神经网络训练S321提取的有效特征，构建基于神经网络的声音
信号特征提取模型；步骤S33：提取入侵目标图像信号特征值步骤S331：输入一幅图片，将其进行尺寸纬度转换，然后输入到预训练好的提取网络中获得不同大小的特征映射；步骤S332：抽取Conv4_3、Conv7_2、Conv8_2、Con...

【专利技术属性】
技术研发人员：周求湛，刘志宏，牟岩，
申请(专利权)人：吉林大学，
类型：发明
国别省市：