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。