具体实施方式

如果想要对传感器的数据进行进一步分析和挖掘，第一，必须扩展传感器的数据信息数量，不能用简单的“0”和“1”表达；第二，另外需要增加传感器的信息类型，以便综合多维信息，提高判断准确率；第三，增加数据信息上报频率，增加数据信息量，只有数量多了，算法分析才有足够的数据用以分析。

第一，无论是微波传感器还是振动传感器，可以生成感知到的强度和频率信息。例如，微波传感器采用多普勒原理，移动物体的移动速度和距离远近，可以产生不同频率和不同电压强度的信号，将这个信息抽象成单位时间达到或超过某个强度阈值的次数，如下图1所示。

速度越快，多普勒频移越大，频率越快，单位时间内超过阈值的次数越多；距离越远强度越小，超过阈值的次数越小，反之，距离近，强度大，超过阈值的次数越多。

所以，通过单位时间微波幅度超过阈值的次数，可以刻画物体移动的速度和距离。这样通过每秒的次数变化，可以组成一个“次数-时间”变化的强度分布谱，如下图所示是一个典型人员接近传感器时，传感器感应到的微波触发次数。通过次数和时间形成了一个人员接近的“触发特征”谱。如图2所示。

第二，单独微波的传感器，只能检测是否有移动物体靠近，增加另外一个维度的传感数据类型，与微波数据相互配合和印证，可以提高检测准确度，适应不同的复杂场景。采用多个高灵敏度传感器，采集信息更准确，与微波传感器类似，振动传感器也强度信息。即，单位时间内振动的次数较多，表明在传感器周围有比较明显的振动源，如果这种振动源短时间突然出现，就可以判断为异常场景。

第三，无论是微波数据还是振动数据上报的频率必须足够快，以反映数据的变化信息。目前系统采用RS485通信方式将传感器的数据上报至上位机，采集频率在500ms以内。通过提高采样频率，捕获传感器采集数据的微小变化。

通过上面三点的描述，将传统的开关式传感器的数据改造成有价值的动态的实时数据，数据多，采样时间短，可以刻画出不同的场景特征，例如：人员徘徊，翻越护栏，破坏墙体等。通过本文介绍的算法，进行数据分析，即，进行特征波形的相关性检测。如果待检测波形与预先确定的“人员徘徊”，“翻越护栏”，“破坏墙体”等的波形相似，那么就认为，发生了相关的行为，判定为相关告警。

通过以上三个方面，将传统传感器进行了深度改造，不但扩展了数据源，从“0或1的触发”式，变成了“单位时间的上报次数”，形成了数据谱；同时增加了数据维度，从单一微波数据扩展出振动数据，增加了数据的关联性；提高了数据的上报频率，可以捕获更小粒度的数据变化。

如图4所示，人体移动会令传感器产生下图所示的波形。通过多次反复的测试，将这个波形稳定下来，就得到了微波数据特征波模板，图5为人徘徊，翻越护栏，破坏墙体对应的特征波模板。

图6为待检测波形与特征波模板相识度计算结果，可见与最上边的波形相识度达到了0.99。

图7为微波多传感器示例，不再做赘述。

图8为振动传感器波形示例，其为本领域公知常识，不再赘述。

在实际安防场景中，如果传感器产生了和微波数据特征波模板波形相同或相似的微波数据特征波，就认为，传感器周围，再次发生了人员近处徘徊的情况。

这样整个方法就分成两个部分：

1、在开发阶段或系统上线前，对不同的入侵行为多次测试，形成多个不同的特征波形，预置在系统中，作为特征波模板。

2、在使用阶段或系统工作时，实时检测传感器产生的波形，如果与特征波模板的波形相同或相似，就认为发生了对应的入侵行为。

至此，算法的基本原理已经阐述清楚。还有一点就是如何选择相关检测算法。相关检测算法很多，主要的作用就是评估待检测波形与特种波形的相似程度，有匹配滤波算法，欧式距离算法，余弦相似度算法。

考虑到应用场景的特点，采用余弦相似度算法作为相关检测算法。余弦相似度是最常见的相似度算法。基本原理如下：

可扩展至多维，公式如下：

这里 , 的分别代表向量A和B的各分量。

最后的结果是一个余弦数值，是大于等于0小于等于1的数值，与原始数值大小无关。如果等于1表示待检测信号的波形与特征波形完全一致，如果等于0，怎表示两个信号完全不同。

在实际使用中当然不能如此简单。首先，特征波形之间不能明显相似，特征波形需要“正交”，即，特征波形要有区分度。通过实验发现单一传感器并不能满足特征波形区分度高的要求。所以需要对算法进行改进，采用过个传感器联合的方式，因为传感器部署的位置不同，具有空间区分度。

，t1时刻在三个传感器产生的微波次数分别为,,;

最后特征波形是一个n*3维矩阵，“n”是时间粒度，“3是”传感器个数。这样就引入了空间位置的信息。即使单个传感器的特种波形一致，但是由于传感器的位置不同，特种波形也行彼此区分。

上面说的特征波形主要是针对微波传感器产生的数据而言，为了是入侵场景的信息更加全面，引入振动传感器数据，振动传感器不同于微波传感器，是一种被动触发的传感器，即需要外部振动源使传感器产生振动。振动传感器产生的书数值信号量。振动越强烈，单位统计周期内的状态变化（从0到1或从1到0）越多。这样我们就可以建立和微波一样的特征波形。因此可以在“振动”这个维度上表示入侵特征。

同样根据传感器的空间位置，每一时刻，都是一个基于空间的振动数据的多维向量。如下公式，是t1时刻，三个传感器数值组成的空间向量。那么连续一段时间就组成了振动数据的特种矩阵。

值得注意的是振动采用B表示是为了方便区分，本领域即使人员也可采用其他字母表示；

由此我们得到了微波数据的特种矩阵和振动数据的特征矩阵。通过实验分析发现，两个特征矩阵数据上相互独立，但是时间上又相互关联。例如，如果持续检测出微波的特征波形，说明有人员在传感器周围活动，当检测出微波的特征波形后一段时间，在同样的位置，检测出振动的特征波形，说明在传感器周围产生了振动源，可能是人员破坏传感器或者破坏墙体和护栏，需要报警，并高度关注。所以微波和振动的特征波形在时间上的关联关系，可以刻画入侵行为的时间顺序和具体的入侵程度。

另外，该算法有一定的变形和扩展，特征波形较多或者比较难以稳定，为了简便计算，可以将特征波形向量，从高维压缩成低维，从特征波形，变成数据增量，即表示成当前时刻相对于前一段时刻的数据变化量，数据变化的波形可能比较多，但是变化的数量相对一致，我们认为数据变化量是由人员入侵带来的，这样简化了特征波形的形态，减少了计算量和特征波形的数量。同样的，微波特征波形和振动特征波形都可以做这样的简化，简化后，二者的关联关系同样存在。这样做的好处是大大简化了特征波形的数量，减少了计算量。

实施例

采用图2所示的特征波作为特征波模板H，图3的特征波作为待检测信号S，于是有:

H=[0,10,20,30,40,50,45,30,20,10,1,0,0],

S=[0,0,0,10,30,30,30,40,40,20,10,1,0]

不足的部分补0处理;

定义S*H表示S与H中位置相同的数相乘，然后相加求和，数学表示如下：

S*H=0*0+0*10+0*20+10*30+30*40+30*50+30*45+40*30+40*20+20*10+10*1+1*0+0*0

同理表示 、 :

=[0*0+0*0+0*0+10*10+30*30+30*30+30*30+40*40+40*40+20*20+10*10+1*1+0*0]

=[0*0+10*10+20*20+30*30+40*40+50*50+45*45+30*30+20*20+10*10+1*1+0*0+0*0]

，即得到待检测信号S与特征波模板H的相似度为0.86。

多传感器情况下相似度计算方法，本法发明列举3个传感器的情况，如图7所示，3个传感器在3个时刻产生的待检测波如下：

相似度计算方法如下：

，其中中下标1为传感器下标， 为时间刻度；第一行表示传感器1的基于时间的序列；第二行表示传感器2的基于时间的序列；第三行表示传感器3的基于时间的序列；

特征波模板为：

这个时候相似度不再是一个数，而是一个三维的向量，维度数与传感器个数相等;

权重：

Total_Sim即为相似度，其中i为传感器下标，j为时间刻度下标。

上式中：

则有

Total_Sim即为相似度。

如选用其他个数的传感器同理计算相似度。