基于本底做概率识别的区域智能监控系统及其识别方法与流程

本发明属于雷达技术领域，更具体地说，是涉及一种基于本底做概率识别的区域智能监控系统及其识别方法。

背景技术：

基于目前大范围探测的相控阵雷达的成本非常昂贵，系统较为庞大，对复杂的城市环境的探测困难的一个低成本替代！不管是激光相控阵雷达还是射频相控阵雷达，还是超声波相控阵雷达，都需要有若干发送/接收天线，每个单元还需要时序控制逻辑，以及高速ad/da，以及dsp或者fpga对每一路数据做实时处理。相控阵雷达的目的是精确的识别多个目标，它在对空探测时（本底噪声小）效果较好；相控阵雷达在对地探测时，由于环境本身的回波干扰（本底噪声大），加大了回波检测和过滤的难度，实现困难，即使是对空探测，由于需要同步处理，n路相控阵的成本也非常高，可能在单路的3n～5n倍以上，考虑到n通常为4*16路以上，如此高昂的成本，相对较差的探测效果，在可预见的将来，相控阵雷达均无法用于城市或高价值目标的安防领域。

技术实现要素：

本发明的目的在于提供一种基于本底做概率识别的区域智能监控系统和识别方法，以解决现有技术中存在的问题。

为实现上述目的，本发明采用的技术方案是：提供一种基于本底做概率识别的区域智能监控系统，由核心机房、安全机房、防火墙、控制盒及概率探测端组成；所述防火墙包括核心防火墙和外部防火墙；所述核心机房中设置有核心机房的服务器，所述核心机房的服务器与核心防火墙连接；所述安全机房设置于所述核心防火墙和所述外部防火墙之间，所述安全机房中部署有异常视频服务器、告警服务器和监控前端，所述异常视频服务器、告警服务器和监控前端之间相互连接；所述概率探测端至少包括在监控场所部署的多个射频探测端和声频概率探测端，均与控制盒相连接。

进一步地，所述核心机房的服务器至少部署有视频服务器和管理服务器，所述视频服务器和所述管理服务器且位于核心防火墙内，基于单向数据接口与安全机房的服务器连接。

本发明另一个目的在于提供基于本底做概率识别的区域智能监控系统的识别方法，包括如下步骤：

s001，先进行'本底'的环境学习；

s002，进行'小目标/干扰'的噪声识别；

s003，进行'大目标'的阈值统计和判断；

s004，识别得到的合适目标。

进一步地，在所述步骤s001步骤中，先进行'本底'的环境学习是基于射频信号或声频信号照射一个固定的环境时，将自身可收到稳定回波记为x，被动接收设备可以收到稳定的照射波记为y；对稳定回波x或照射波y，分别用环境函数表示为：x=f(s)或者y=f(s)，其中，f为回波算子，f为照射算子，s是发射信号；

发射信号s基于时间t变化时分别将稳定回波x和照射波y的函数记为：∑(x)和者∑(y)，按照1毫秒间隔，对接收射频调制信号的相邻m个波瓣，做高速同步采样，对采样结果做傅里叶变换。

进一步地，对采样结果做傅立叶变换时，令x=(f(x1)),(f(x2)),(f(x3))…….(f(xm))，其中x为瞬间回波采样矩阵，由m个向量构成，x1～xm为各个波瓣信号的采样，f为回波算子，（f(x1))为x1波瓣的回波向量，以此类推，（f(xm))为xm波瓣的回波向量；

将x的分量对应于空间s，记为x=s∑m(x)；

在稳定状态下，连续的n个ms(譬如8)，可以获得n个x；

n次采样获得的x对应获得一个f变换值组；

令每次的采样对应于时间t记为=t∑n(x)；

在学习一段时间，记录初始值为=t∑n(s∑m(x))，也可记为xori形成'本底'的环境学习；

每过一段时间，x会随环境变化而缓慢改变，即出现新本底记为：xnew；

通过对矩阵各向量的差值计算，计算xnew和xori的差值矩阵记为表示变化率。

进一步地，当变化率<=设定的阈值视为干扰，系统将调整xnew作为新本底，此时是进行'小目标/干扰'的噪声识别；当变化率大于阈值的2倍以上，系统报警，视为异常，调整xnew作为本底，进行二次识别，识别得到的合适目标。

本发明的有益效果：

1、本发明所系统的区域观察的概率判断成本，远低于相控阵雷达用于区域观察的概率判断的成本。而且可以作为一个低成本的替代相控阵雷达在民用领域的解决方案，提供：方位角，速度，距离等等参数给精确观察工具，譬如高清摄像头。

2、在本发明的系统及识别方法用于对一个较大的立体区域进行连续观察和扫描，并获得基于概率的初步筛选，能有效的降低报警的误报率，且提供大致的距离、速度等参数，并帮助高精度的摄像头基于ai做二次识别，从而识别高价值的结果后实时提醒监控人员人工甄别，并且将信号出现的前后一段时间标记为高价值事件段，单独存储，方便事后的人工分析和判断。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的区域智能监控系统的架构图；

图2为本发明实施例提供的识别方法的流程图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请一并参阅图1及图2，现对本发明提供的基于本底做概率识别的区域智能监控系统及其识别方法进行说明。

本发明的区域智能监控系统如图1所示，由核心机房s10、安全机房s30、防火墙、控制盒s50及概率探测端组成，其中，防火墙包括核心防火墙s20外和外部防火墙s40；核心机房s10中设置有核心机房的服务器，核心机房的服务器至少部署有视频服务器s12和管理服务器s11，且位于核心防火墙s20内，基于单向数据接口，连接到安全机房s30的服务器；核心机房的服务器与核心防火墙s20连接。安全机房s30设置于核心防火墙s20外和外部防火墙s40之间，安全机房s30中部署有相互连接的异常视频服务器s31、告警服务器s32和监控前端s33，优选的在本实施例中概率探测端至少包括在监控场所部署的多个射频探测端s62和声频概率探测端s61，均安装在监控区域环境中，与控制盒s50相连接。

系统的工作原理是对基于射频/声频的环境学习，提取特征数据a（即本底），持续计算a'（本底变化），在超出阈值的变化出现时，提交概率参数，给高精度设备做二次甄别的智能环境监控和安防系统。更具体是对一个较大立体区域实现低成本的探测，并借助于a'（本底变化）和a（即本底）的变化，进行概率化判断，然后，将触及阈值之后的物体的参数，提供给高精度识别设备（如带ai的高清摄像头）进行二次甄别、实时智能监控系统。概率探测端是基于本底改变，从而对一个较大区域实现扫描，并获得概率化的异常报警。例如射频探测端s62和声频概率探测端s61对一个较大的立体区域进行连续观察和扫描，并获得基于概率的初步筛选，并获得概率化的异常报警

由于探测设备不宜实现复杂的组网和配置，告警信息需由控制盒s50基于配置，通过网络转发。一方面触发高精度识别设备（如支持ai功能的摄像头）进行二次识别；另一方面，控制盒s50将报警信息提交到安全机房s30中的告警服务器s32。告警服务器s32将报警信息的时间戳用标准格式发送到视频服务器s12，同时，从视频服务器s12读取时间戳前后各1分钟的视频，并将其作为高价值视频段上传到异常视频服务器s31留存，告警服务器s32同时通知监控前端s33并下发消息到手机app，提醒监控人员查看告警，监控人员基于监控前端s33提供的异常（含有标记），访问异常视频服务器s31了解告警信息；由监控人员日常巡视各个监控设备在视频服务器s12上记录的实时和历史视频。

本发明的核心关键在于监控系统的识别方法，其如图2所示包括如下步骤：

s001，先进行'本底'的环境学习；

s002，进行'小目标/干扰'的噪声识别；

s003，进行'大目标'的阈值统计和判断；

s004，识别得到的合适目标。

在步骤s001-s003步骤中，先进行'本底'的环境学习是基于射频信号（或声频信号）照射一个固定的环境时，将自身可收到稳定回波（记为x），被动接收设备可以收到稳定的照射波（记为y）。

a发b收时，a发射照射波，b接收信号为照射波y，即对射被动方式。

a发a收时，a发射照射波，a收到环境稳定回波x，即自发自收方式。

对稳定回波x或照射波y，分别用环境函数表示为：x=f(s)或者y=f(s)，其中，f为回波算子，f为照射算子，s是发射信号。

发射信号s基于时间t变化时分别将稳定回波x和照射波y的函数记为：∑(x)和者∑(y)。

无论接收器接收的是自发自收的稳定回波x，还是发射器发射的稳定照射波y，对于稳定回波x和照射波y。我们均可按照1毫秒间隔，对接收射频调制信号的相邻m个波瓣，做高速同步采样，由于相邻波瓣即旁波瓣，由于频率偏移，它与主波瓣受到环境的影响不一样。因此，包含了旁波瓣采样的系统，反应了环境的空间影响，可视为空间的隐函数。

对采样结果做傅里叶变换（简称为f变换），也可做小波变换（简称b变换），或其他类似的卷积变换。

有x=(f(x1)),(f(x2)),(f(x3))…….(f(xm))。

x为瞬间回波采样矩阵，由m个向量构成，

x1～xm为各个波瓣信号的采样，f为回波算子，

（f(x1))为x1波瓣的回波向量，以此类推，（f(xm))为xm波瓣的回波向量。

x的分量对应于空间s，记为x=s∑m(x)。

对于稳定状态下，连续的n个ms(譬如8)，可以获得n个x。

这n次采样获得的x，每一次都是一个f变换值组，或一个b变换值组。

每次的采样对应于时间t，记为=t∑n(x)。

假设经过了一段时间的学习，记录初始值为=t∑n(s∑m(x))，也可记为xori就是包含了空间和时间的连续的本底值。

每过一段时间，x会随环境变化而缓慢改变，即出现新本底，记为：xnew。

通过对矩阵各向量的差值计算，计算xnew和xori的差值矩阵，差值矩阵记为，并用这个差值矩阵代表变化率，差值矩阵的每一分量的差值改变率对整体的变化率的贡献，可能需要使用经验公式做调整。

对射模式下，同样的物体在靠近发射端，对差值矩阵的影响，和靠近接收端对差值矩阵的影响，是不同的，可以由经验公式来推断物体的大概位置。

对射模式下，同样的物体运动速度不同，它对差值矩阵的影响，也是不同的，也可以由经验公式来推断物体的大概运动速度。

进行'小目标/干扰'的噪声识别是当差值<=设定的阈值，譬如设定的阈值=10%时，视为干扰，将调整xnew作为新本底。

进行'大目标'的阈值统计和判断是当差值大于阈值的2倍以上，譬如大于2倍，即变化率>=20%时，系统报警，视为异常，调整xnew作为本底，才交由高精度识别设备（譬如ai摄像头）做二次识别，识别得到的合适目标。

在本发明中，本系统借助于旁波瓣采样和连续采样，提供了对空间和时间的建模。范围内的空间中，突然出现的物体，就可以用概率的方法进行判断。当然，该判断的阈值也可以进行用ai譬如深度学习，来做自动调整。这在背景噪声大的地面环境中，可以低成本高可靠性的识别较大的物体。而且，不受恶劣天气的影响，譬如下雨，黑夜以及大雾，即使出现了一个阻挡得异物，也不会影响射频信号，不会出现持续的告警。

这个实时的学习和评估a'的逻辑，可以用于对一个较大的立体区域进行连续观察和扫描，并获得基于概率的初步筛选，能有效的降低报警的误报率，且提供大致的距离、速度等参数，并帮助高精度的摄像头基于ai做二次识别，从而识别高价值的结果后实时提醒监控人员人工甄别，并且将信号出现的前后一段时间标记为高价值事件段，单独存储，方便事后的人工分析和判断。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。