基于时域特征的光纤安防系统信号识别算法

卢 娜， 安博文， 李玉涟， 卢学佳

(上海海事大学 信息工程学院，上海 201306)

基于时域特征的光纤安防系统信号识别算法

卢 娜， 安博文， 李玉涟， 卢学佳

(上海海事大学 信息工程学院，上海 201306)

在分布式光纤周界安防系统中，为实时有效分辨出系统所受的入侵事件和干扰事件，提出了一种基于时域特征的振动信号模式识别算法。对原始振动信号进行降噪处理，然后提取降噪后信号的短时能量和短时过阈值率两类特征值，将提取的特征值作为特征向量输入到支持向量机(SVM)中进行训练和测试，建立分类模型，将分类模型应用于安防系统，实时识别出入侵和干扰事件。实验结果可知：模式识别算法的分类效率高，误差小，具有有效性和可行性。

分布式光纤周界； 时域特征； 模式识别； 支持向量机

0 引 言

目前，以光纤作为传感器的光纤周界安防系统因其抗电磁干扰、低功耗、安全性高、分布式监测等特点在机场、炸药库、油气管道、边境等领域逐渐取代了传统的周界安防解决方案。本系统采用的光纤周界安防系统基于相位敏感光时域反射原理，沿线各点都可以作为传感器，可以实现分布式测量，测量范围达几十公里[1]。光纤周界振动信号识别中，特征提取是关键，识别效果的优劣主要由特征提取的好坏直接决定。如何通过光纤振动信号快速实时地判别出系统所受的扰动是入侵事件还是干扰事件，制约光纤周界安防系统的应用。

光纤周界安防系统对入侵报警响应时间和断纤报警响应时间都有较高要求，时域处理的方法直接快速，因此,在对振动信号的模式识别中，在保证模式识别准确率的情况下，采用时域的方法对信号进行识别快速有效，更适合用于实际应用[2]。在实际的应用系统中，数据的采集频率为10 kHz，每隔0.409 6 s将采集的数据进行时域特征提取，选择基于支持向量机(SVM)的模式识别算法对提取的特征进行识别，数据处理时间小于0.409 6 s，达到实时在线监测的效果。同时,为了降低背景噪声和非入侵事件对识别效果的影响，利用巴特沃斯滤波器对原始信号进行降噪，减少噪声干扰，降低了误报率。

1 光纤振动信号处理

1.1 光纤振动信号降噪

在光纤周界安防系统中，采集到的光纤振动信号因自然环境因素会含有一定的噪声信号，而车辆经过是通过路面—光纤栅栏—光纤的方式作用在光纤上，产生的振动信号多分布在中低频率段，风作用在光纤上的振动信号亦分布在中低频率段。因此,为体现入侵信号的振动特征，减少噪声干扰，降低非入侵事件对误报率的影响，在提取特征向量前对原始信号进行降噪处理，采用的降噪方法为施加巴特沃斯滤波器[3,4]。

1.2 信号时域特征提取

在光纤周界安防系统中，系统所处的状态分为正常、入侵、干扰3种情况。当系统未受到外界影响时，光纤振动信号幅度和波动都比较小，对应的短时能量和短时过阈值率也比较低；而当系统受到外界因素微弱干扰时，其振动信号的幅度变化不大，但振动频率会显著增加；当系统受到入侵时，其振动信号的幅度和波动都会显著增加[5]。在信号的时域特征中，短时能量与信号的幅度有关，短时过阈值率与信号的振动频率有关，因此，时域特征的短时能量和短时过阈值率的大小客观反映出系统有无发生入侵行为。选取正常情况下光纤信号的短时能量和短时过阈值率作为参考值，当光纤振动信号的两类时域特征值同时大于正常情况下的特征值，则判断有入侵发生，否则判断无入侵发生[6]。训练样本需要分帧处理，在线测试时，每隔0.409 6 s采集的数据相当于1帧数据，可以直接进行处理。

提取信号时域特征的步骤为：

1)对采集到的信号x(n)作加窗分帧处理，将每一帧信号记为si(n)，帧长N=409 6；

2)对每帧信号进行降噪处理；

2 信号模式识别算法

SVM是一种快速判别两类问题的分类器，其基本的思想是利用SVM算法在两类问题数据寻找最优分类超平面，建立分类模型，然后通过分类超平面来对数据分类[7,8]。

采集的扰动类型包括敲击、攀爬、车辆经过和微风，其中敲击和攀爬为入侵事件，样本标记为1，车辆经过和微风为干扰事件，样本标记为0。首先对采集的原始振动信号进行降噪处理，然后提取降噪后信号的两类时域特征值，短时能量和短时过阈值率，再将两类时域特征值组成特征向量输入SVM中，最后通过SVM分类器对数据样本进行处理，寻找最优分类超平面，建立分类模型。在实际应用中，实时采集的信号，首先通过降噪预处理，然后提取时域特征值，组成特征向量，最后SVM通过建立的最优分类超平面对数据进行判别，确定振动信号的扰动类型，如果振动信号为入侵信号则判别结果为1，这时启动报警装置。其模式识别流程图如图1所示。

图1 振动信号模式识别流程图

3 实验结果与分析

为了验证该算法的实际效果，该光纤周界安防系统所测试的光纤长度为1 500 m，振动信号的采样频率为10 kHz，空间分辨率为5 m/传感点。

首先选择处理围栏前端处的四类不同的事件，处理结果如图2所示，其中攀爬的作用时间大约出现在5～10s范围内。每一类图中横坐标表示时间，纵坐标表示幅度，自上而下分别表示该类事件的原始信号、降噪后信号、短时能量、短时过阈值率。

图2 围栏前端4种不同事件的时域特征图

图2(c)和(d)中车辆经过和微风的原始信号的幅度上较大，但经过降噪之后，信号相对比较干净，噪声较少。图2(a)和(b)中后敲击和攀爬的原始信号经过降噪处理后，振动信号的主要特征保留下来，特征信号更为明显。这主要源于车辆和微风对光纤的扰动信号频率段集中在中低频段，而巴特沃斯滤波器为高通滤波器，通过滤波器可对车辆移动和风等中低频的干扰信号进行抑制，降低了误报率。因此,对降噪后的信号再进行短时能量和短时过阈值率的时域特征提取更有利于表示信号的特征。选择短时能量的阈值为3×107，短时过阈值率的阈值为30，从图中可以看出，入侵信号的时域特征值都大于设定的阈值，而干扰信号的时域特征值则远小于设定的阈值。

为进一步验证算法的有效性，选择光纤围栏的后端位置，同样对该位置进行四类不同事件的作用，其事件的时域特征图如图3所示。在图3(a)中每1.5 s敲击一次围栏，图3(b)中，攀爬围栏作用在2～10 s，从原始信号中不能直接观察出信号特征，但经过降噪后，信号的特征比较明显，对应的短时能量和短时过阈值率充分体现了振动信号的特征。图3(c)和图3(d)分别表示车辆经过和微风的信号特征，从图中可以看出干扰信号经过降噪处理后，能去除大部分噪声，这样对信号的分析才有价值，选择短时能量的阈值为3×107，短时过阈值率的阈值为30，从图3可以看出，入侵事件的时域特征值全部大于设定的阈值，而干扰事件则未超过阈值，从而可以区分入侵事件和干扰事件，实验证明，该算法具有可行性。

图3 围栏后端4种不同事件的时域特征图

为验证分类效果的准确率，实验共处理3 542组数据样本，其中入侵事件包括1 038组，干扰事件包括2 504组，选择其中500组含入侵的信号与1 262组干扰信号，作为SVM分类器的训练集，对训练集进行训练获得分类超平面，建立分类模型。然后通过建立的分类模型分别对训练集和剩下的所有样本组成的测试集进行测试，该模型的事件样本识别结果见表1所示。

对训练集进行训练获得分类超平面的过程中，为了去掉偏离正常位置很远的数据点对寻优超平面的影响[9]，本文设定了松弛变量，因此,训练集建立的超平面对训练集本身进行分类时，出现了3 %的误差。该模型测试的效果在95 %以上，说明以振动信号的短时能量和短时过阈值率作为SVM的输入特征向量具有良好的分类效果，实际运行结果证明了该算法具有较高的准确率，具有有效性和可行性。

表1 事件样本识别结果

4 结束语

在分布式光纤振动信号模式识别中，利用巴特沃斯滤波器可以有效地对原始信号进行降噪，减少噪声干扰，突出信号特征，同时对车辆移动和风等中低频的干扰信号进行了抑制，降低了误报率；降噪信号的短时能量和短时过阈值率作为入侵信号和干扰信号的分类特征，将该两种时域特征值作为SVM的输入向量进行分类，可以有效区分出入侵事件和干扰事件，识别率较高，该方法在信号处理效率上有显著优势，可以达到实时监测的效果。

[1] 谢孔利.基于φ-OTDR的分布式光纤传感系统[D].成都：电子科技大学,2008.

[2] 张 嵩.光纤周界安防系统的振动信号识别研究[D].西安：西安电子科技大学,2014.

[3] 朱程辉,左冬森,王建平.基于Sagnac传感器的周界安防入侵信号识别[J].传感器与微系统,2016,35(1):19-21.

[4] 章 巍,刘志勤,胡东平,等.一种可靠的人体入侵探测系统设计[J].传感器与微系统,2013,32(3):110-112.

[5] 朱程辉,瞿永中,王建平.基于时频特征的光纤周界振动信号识别[J].光电工程,2014(1):16-22.

[6] Udd Eric,Du Henry H,Wang Anbo.Elimination of rain-induced nuisance alarms in distributed fiber-optic perimeter intrusion detection systems[C].Proceedings of SPIE,Fiber-Optic Sensors and Application International Society for Optics and photonics,2009:1-11.

[7] 刘学谦,于宏毅.SVM在通信信号处理中的研究与应用[J].信息工程大学学报,2013(6):713-718.

[8] 陈中杰,蒋 刚,蔡 勇.基于SVM一对一多分类算法的二次细分法研究[J].传感器与微系统,2013,32(4):44-47.

[9] 张学工.模式识别[M].北京：清华大学出版社，2010.

Signal recognition algorithm of fiber-optic security system based on time-domain features

LU Na, AN Bo-wen, LI Yu-lian, LU Xue-jia

(College of Information Engineering，Shanghai Maritime University，Shanghai 201306，China)

In distributed optical fiber perimeter security system,in order to recognize intrusion and interference events effectively in realtime,a vibration signal pattern recognition algorithm based on time-domain features in actual optical fiber perimeter security system is proposed.Original vibration signal is processed to reduce the noise,short-term energy and short-term threshold rate are extracted and formed feature vector.Next,the feature vector is input into support vector machine(SVM)for training and test and establish classification model,which is used to security system and recognize intrusion and interference event.Experimental results show that the pattern recognition algorithm classification is high-efficiency,high-accurate,effectiveness and feasibility.

distributed optical fiber perimeter; time-domain features; pattern recognition; support vector machine(SVM)

10.13873/J.1000—9787(2017)04—0150—03

2016—04—22

TN 929.1

A

1000—9787(2017)04—0150—03

卢 娜(1990-)，女，硕士研究生，主要研究方向为光通信与光纤振动信号模式识别。