張道鈺 王超宇 王健 劉鳳陵 陶欣 劉青 劉曉疆

摘要：機場安防領(lǐng)域向來是機場安全運行管理的重中之重，承擔著機場內(nèi)旅客、貨物、航空器及其他航空設(shè)施的安全保障職能。其中機場圍界是機場與外界隔離開來的最直接的保護屏障，做好圍界的安全和防護，就相當于守護住機場安防的第一道防線。文章提出了一種基于毫米波雷達和視頻分析融合技術(shù)來實現(xiàn)對圍界入侵進行防范的圍界安全防范技術(shù)，能有效解決機場現(xiàn)有圍界入侵報警技術(shù)易受復雜天氣、周圍環(huán)境影響以及漏報率和虛警率高的問題。

關(guān)鍵詞：圍界入侵報警；毫米波雷達；視頻行為識別；智能分析

中圖分類號：TP311? ? 文獻標識碼：A

文章編號：1009-3044（2023）35-0136-03

開放科學（資源服務(wù)）標識碼（OSID）

0 引言

在傳統(tǒng)的民航機場圍界安防中，現(xiàn)有技術(shù)主要采用振動傳感器、紅外對射、被動紅外、電子圍欄、視頻監(jiān)控、熱紅外等手段，以上技術(shù)同時存在“誤報率過高”等問題，這種缺陷是從技術(shù)原理中帶來的且無法消除的；本身系統(tǒng)易受復雜天氣、周圍環(huán)境影響，一定強度的風霜雨雪、小動物活動等均會觸發(fā)入侵報警，產(chǎn)生較高誤報和虛警，且無法做到高靈活性、高精準度的防區(qū)劃分，不能完全滿足機場圍界高等級的安全防范要求。

針對此問題，文獻[1]和文獻[2]提出了毫米波雷達與攝像頭的融合算法，基于雷達與攝像頭信息的融合技術(shù)，本文提出了一種基于毫米波雷達和視頻分析融合技術(shù)的機場圍界入侵報警系統(tǒng)，通過在機場圍界周邊劃分防區(qū)并配置入侵監(jiān)控報警單元，各個單元設(shè)置有毫米波雷達和多目攝像機，各監(jiān)控報警單元之間設(shè)置可旋轉(zhuǎn)球型攝像機。毫米波雷達對圍界防區(qū)進行實時運動目標監(jiān)測，多目攝像機和球型攝像機根據(jù)雷達識別到的入侵目標位置，自適應(yīng)焦點對準入侵目標，通過對實時視頻的行為分析，系統(tǒng)實現(xiàn)入侵類型及入侵行為的行為識別和智能分析。

1 技術(shù)原理

毫米波雷達和視頻分析融合圍界入侵報警系統(tǒng)是一種基于毫米波雷達探測技術(shù)、視頻行為分析識別技術(shù)來實現(xiàn)對圍界入侵進行防范的新一代圍界安全防范技術(shù)。

1.1 毫米波雷達

毫米波是指波長介于1～10mm的電磁波，波長短、頻帶寬，比較容易實現(xiàn)窄波束，其分辨率高，不易受干擾。毫米波雷達是通過收發(fā)電磁波的方式，實現(xiàn)對目標距離、速度、方位的測量。

測距[3]是利用發(fā)射信號和回波信號之間的時延，結(jié)合毫米波傳播速度以及雷達信號頻率差推算出毫米波雷達和檢測目標的相對距離。 雷達天線發(fā)射線性調(diào)頻脈沖信號，經(jīng)過時間t后，接收天線收到目標反射回來的信號，其頻率差為S*t，即可得到中頻信號f0（IF信號），由于延時t與目標距離d有如下關(guān)系：t=2d/c，其中S為線性調(diào)頻脈沖的斜率，c為光速，經(jīng)轉(zhuǎn)換即可得到d=f0*c/2S。

測速是利用多普勒效應(yīng)來確定目標的徑向速度。由于物體距離的變化ΔR會引起接收信號相位的變化，因此通過觀測一段時間內(nèi)的接收信號的相位變化，即可通過ΔR/t估算出此時目標的速度。

對于目標角方位的測量，目標距離的微小變化會導致range-FFT峰值的相位變化。角度估計至少需要2個RX天線，從目標到每個天線的差分距離Δd導致FFT峰值發(fā)生相位變化，該相位變化用于估計到達角。通過并列的接收天線收到同一目標反射的雷達波相位差計算得到目標的方位角。那么方位角就可以通過兩個接收天線之間的幾何距離以及兩天線收到雷達回波的相位差通過三角函數(shù)計算得到。

1.2 入侵探測

當毫米波雷達探測[4]到防區(qū)內(nèi)的入侵目標后，毫米波雷達實時測算得到入侵目標的距離、運動速度和方位數(shù)據(jù)，通過數(shù)字波束合成（DBF） 技術(shù)，能夠有效地提高雷達系統(tǒng)的抗干擾能力，具有高精度角度分辨能力，較低速度探測能力，借助邊緣計算信號處理和模式識別算法，可區(qū)分人、車目標，并有效濾除昆蟲、飛鳥等小動物以及一定強度的風霜雨雪干擾。多目攝像機根據(jù)入侵目標的距離自動選擇合適焦段對入侵行為進行錄像，可旋轉(zhuǎn)球型攝像機可根據(jù)入侵目標距離和方位自適應(yīng)焦點并旋轉(zhuǎn)對準入侵目標，對入侵行為進行補充錄像[5]。

2 入侵行為分析識別

多目攝像機和可旋轉(zhuǎn)球型攝像機兩路攝像頭通過光纖環(huán)網(wǎng)將實時視頻上傳至視頻分析服務(wù)器，視頻分析服務(wù)采用深度學習[6]建立模型，預先準備一系列系統(tǒng)關(guān)注的特定入侵行為[7]視頻作為時序多模態(tài)樣本數(shù)據(jù)，根據(jù)數(shù)據(jù)模態(tài)特征及因素特點，對多模態(tài)學習行為數(shù)據(jù)進行清洗與預處理，再使用智能算法進行淺層特征分析，然后將多模態(tài)學習行為數(shù)據(jù)進行歸一化與深度融合，具體包括：

運用深度混合判別受限玻爾茲曼機神經(jīng)網(wǎng)絡(luò)處理多模態(tài)學習行為數(shù)據(jù)，以此建立多模態(tài)學習行為分析模型[8]；然后將待分析的視頻時序圖像輸入到上一步建立的模型中進行分析。

首先，將視頻時序圖像進行清洗，將清洗后的圖像數(shù)據(jù)輸入到相應(yīng)模態(tài)的深度學習網(wǎng)絡(luò)中進行歸一化，為了進一步提取高維特征，采用深度混合判別受限玻爾茲曼機，構(gòu)建基于多模態(tài)數(shù)據(jù)的深度學習方法，對于訓練集Dtrain，生成玻爾茲曼機以最小化負對數(shù)似然為目標函數(shù)，即最小化目標函數(shù)，借鑒在強化學習中成熟且廣泛運用的e-greedy策略，使得混合判別受限玻爾茲曼機可以在數(shù)據(jù)集增多時自動降低生成模型對整個模型的影響比重，從而獲取更為靈活、更為準確的模型效果，從而構(gòu)建基于多模態(tài)數(shù)據(jù)的深度學習方法。

其次，通過分析特征數(shù)據(jù)集，獲得先驗信息，求得各個節(jié)點之間的相互關(guān)系，并建立相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)主要分為兩類，分別是基于評分搜索的方法和基于依賴統(tǒng)計分析的方法，其中前者過程簡單且規(guī)范，因此較為常用。評分函數(shù)用以評價網(wǎng)絡(luò)拓撲結(jié)構(gòu)與樣本集數(shù)據(jù)集擬合的程度，評分函數(shù)會基于一個空白的網(wǎng)絡(luò)，按照節(jié)點次序遍歷待求節(jié)點前面的所有節(jié)點，隨后選擇后驗概率值最大的節(jié)點作為該節(jié)點的父節(jié)點，然后通過有向邊相連，一直遍歷直到網(wǎng)絡(luò)構(gòu)建完成。再通過生成Moral圖、Moral圖的三角化、找出所有子團和建立聯(lián)合樹四個步驟，把網(wǎng)絡(luò)結(jié)構(gòu)轉(zhuǎn)換成相應(yīng)的聯(lián)合樹結(jié)構(gòu)，再把學習到的網(wǎng)絡(luò)以及相關(guān)參數(shù)進行分析與推理，得出入侵行為分析結(jié)論。

入侵行為分析結(jié)論包括對入侵目標類別的分析、入侵行為的分析；入侵目標類別包括人、車、無人裝置、動物移動目標和樹木、風霜雨雪虛警目標，入侵行為包括翻越、攀爬、沖撞、毀壞。

3 系統(tǒng)結(jié)構(gòu)

基于雷視融合的圍界入侵報警系統(tǒng)包括地理信息系統(tǒng)、入侵監(jiān)測模塊、行為分析模塊、數(shù)據(jù)融合模塊、報警處理模塊和防區(qū)配置模塊。入侵監(jiān)測模塊包括若干個入侵監(jiān)控報警單元，一個入侵監(jiān)控報警單元對應(yīng)一個圍界物理防區(qū)，入侵監(jiān)控報警單元包括毫米波雷達、多目攝像機、可旋轉(zhuǎn)球型攝像機、警告喇叭和照明射燈；入侵監(jiān)控報警單元的毫米波雷達、多目攝像機按照入侵監(jiān)控報警單元所對應(yīng)的圍界物理防區(qū)對應(yīng)布設(shè)，可旋轉(zhuǎn)球型攝像機、警告喇叭和照明射燈可根據(jù)防區(qū)實際地理情況在入侵監(jiān)控報警單元內(nèi)布設(shè)或跨單元布設(shè)。雷達用于監(jiān)測防區(qū)內(nèi)的入侵目標，多目攝像機可自動選擇合適焦段對入侵行為進行錄像，可旋轉(zhuǎn)球型攝像機可根據(jù)入侵位置自適應(yīng)焦點并旋轉(zhuǎn)對準入侵目標，對入侵行為進行補充錄像和跟蹤錄像。行為分析模塊用于接收上述兩類攝像機的實時視頻，并對視頻中的入侵行為進行分析，包括對入侵目標類別的分析、入侵行為的分析。進而將入侵初步分析結(jié)論發(fā)送至數(shù)據(jù)融合模塊，數(shù)據(jù)融合模塊接收雷達監(jiān)測上報的入侵目標位置信息，并融合行為分析模塊初步分析得到的入侵初步分析結(jié)論，最終判定是否觸發(fā)入侵報警。

入侵監(jiān)控報警單元的各個雷達依據(jù)圍界實際的地理狀況，按照合適的間距在圍界防區(qū)進行布設(shè)，各單元覆蓋防區(qū)范圍最大半徑為150米，并使各單元所監(jiān)控的范圍交叉覆蓋，避免監(jiān)控盲區(qū)。所有雷達通過千兆網(wǎng)線接入到交換機，實現(xiàn)與數(shù)據(jù)融合模塊的網(wǎng)絡(luò)互通，用于傳輸雷達監(jiān)測結(jié)果信息。所有攝像機通過千兆網(wǎng)線接入到交換機，實現(xiàn)與行為分析模塊的網(wǎng)絡(luò)互通，用于傳輸入侵監(jiān)控錄像視頻。

觸發(fā)入侵報警后，數(shù)據(jù)融合模塊將入侵報警傳輸至入侵監(jiān)控報警單元關(guān)聯(lián)的警告喇叭和照明射燈，警告喇叭自動播放警報。在日照光線不足的情況下，照明射燈自動開啟照明，以對入侵目標形成一定程度的震懾和驅(qū)離。

防區(qū)配置模塊根據(jù)監(jiān)控報警單元所覆蓋的防區(qū)設(shè)定圍界防區(qū)范圍，可根據(jù)圍界防區(qū)內(nèi)實際的地理狀況，劃分出更為精細的預警區(qū)和報警區(qū)，以設(shè)定不同區(qū)域的入侵報警級別和響應(yīng)級別。

數(shù)據(jù)融合模塊將匯總后的入侵報警信息傳輸至報警處理模塊，通過消息提醒的方式提醒監(jiān)控中心查看警情，消息提醒方式包括響鈴、震動、閃爍。匯總的報警內(nèi)容包括：入侵目標類別、入侵行為、入侵級別、入侵目標的行動軌跡、入侵行為視頻錄像。監(jiān)控中心同時可以查看關(guān)聯(lián)攝像機的實時視頻，通過球型攝像機旋轉(zhuǎn)控制云臺手動控制調(diào)節(jié)球型攝像機的旋轉(zhuǎn)角度，以便于從多個視角核實入侵行為是否已經(jīng)停止或消除。

監(jiān)控中心在遠程處理入侵報警事件時，可隨時將入侵監(jiān)控報警單元的警告喇叭和照明射燈切換至手動模式，通過警告喇叭對入侵目標直接進行喊話或播放特定的驅(qū)逐音效。同時手動控制開關(guān)照明射燈，以對入侵事件實施更為主動的人工介入處理，提高入侵事件的處理效率。

對于仍在持續(xù)中的入侵行為，監(jiān)控中心通過派工處理模塊，將警情信息下發(fā)派工至圍界巡查人員的手持設(shè)備終端，巡查人員立即前往報警位置查看，對入侵目標實施驅(qū)離或抓捕行動，待入侵行為解除后，巡查人員通過手持設(shè)備終端反饋驅(qū)離行動結(jié)束，完成本次入侵報警事件的處理。

圍界巡查人員的手持設(shè)備終端按間隔10秒的頻率上報所在位置信息至報警處理模塊，監(jiān)控中心在派工時可以實時查看并尋找距離入侵位置最近的圍界巡查人員，調(diào)度特定圍界巡查人員就近前往入侵位置，縮短入侵事件的處理時間。同時，監(jiān)控中心可以通過報警處理模塊實時查看圍界巡查人員抵達位置，以便于對入侵報警事件處理進程實現(xiàn)更高效率的調(diào)度。

4 結(jié)束語

基于毫米波雷達和視頻分析融合的圍界入侵報警技術(shù)，通過入侵監(jiān)控報警單元設(shè)置的雷達和多目攝像機以及球型攝像機的組合，任何入侵行為都能及時被監(jiān)測到并實時傳輸至行為分析模塊，通過融合雷達監(jiān)測到的入侵位置和行為分析模塊分析得到的入侵行為分析結(jié)論，綜合研判是否觸發(fā)入侵報警及報警級別，整體采用模塊化組合方式，布設(shè)安裝靈活，防區(qū)劃分操作方便，全域覆蓋無死角。雷達的全天時、全天候工作特性相對視覺監(jiān)控有很好的環(huán)境適應(yīng)能力，可以第一時間發(fā)現(xiàn)并跟蹤可疑目標。

通過融合毫米波雷達探測信息、視頻監(jiān)控以及行為分析，通過雷達技術(shù)的主動探測、高靈敏度，視頻行為分析的數(shù)據(jù)判斷、可視性，達到入侵目標的高檢測和高識別率，顯著降低了入侵誤報率和虛警概率。對入侵目標進行多源探測與協(xié)同識別與定位，刻畫目標軌跡，可以輔助監(jiān)控中心對圍界入侵事件迅速做出判斷和應(yīng)對處理，并及時派工至圍界巡查人員，可以降低圍界巡查頻率，提高圍界巡查效率。

參考文獻：

[1] 李洋，韓萌，王紫欣，等.毫米波雷達與攝像頭單應(yīng)性變換標定方法誤差因素分析[J].物聯(lián)網(wǎng)技術(shù)，2022，12（10）：16-20.

[2] 劉振東，宋春林.一種基于攝像頭和毫米波雷達的多模態(tài)信息融合算法[J].計算機科學與應(yīng)用，2022（11）：2544-2560.

[3] 李嘉浩，姚金杰，姬娜娜，等.基于ARM的高精度毫米波雷達測距傳感器[J].單片機與嵌入式系統(tǒng)應(yīng)用，2022，22（11）：58-61，69.

[4] 劉峰，劉恩曉，陳曉林.一種基于背景學習的毫米波雷達機場跑道外來物探測方法研究[J].中國科技期刊數(shù)據(jù)庫 工業(yè)A，2022（6）：222-225.

[5] 期治博，杜磊，霍如，等.基于邊緣計算的多攝像頭視頻協(xié)同分析方法[J].通信學報，2023，44（8）：14-26.

[6] 孟令睿，丁光耀，徐辰，等.基于深度學習的新型視頻分析系統(tǒng)綜述[J].軟件學報，2022，33（10）：3635-3655.

[7] 莫輝強，邵唐紅，王偉，等.一種基于視頻分析的異常行為識別算法及應(yīng)用[J].計算機與數(shù)字工程，2022，50（9）：1895-1898.

[8] 費寶頂，李鵬飛，張旭，等.基于AI芯片的視頻分析應(yīng)用開發(fā)框架研究[J].警察技術(shù)，2023（3）：4-7.

【通聯(lián)編輯：梁書】