一种基于多级预警策略的船舶监控入侵检测方法

1.本发明涉及监控入侵检测技术领域，具体而言，尤其涉及一种基于多级预警策略的船舶监控入侵检测方法。


背景技术：

2.航运业在全球经济和社会的高速发展中有着不可替代的意义和作用。世界原油贸易运输最主要且重要的方式是海洋运输，但是在船舶加油、运输原油时，油品海面泄漏事故总有发生。当发生甲板溢油事故，极可能导致所在海洋内氧含量大幅度降低，导致海洋生物的死亡，当溢油积累后油膜扩大，会急剧导致海洋与大气的交换氧气的效率。海面溢油遗留越久，就会在海洋生物中积累越多，最后人类身体健康被危害。


技术实现要素：

3.根据上述提出的技术问题，而提供一种基于多级预警策略的船舶监控入侵检测方法。
4.本发明采用的技术手段如下：
5.一种基于多级预警策略的船舶监控入侵检测方法，包括：
6.s1、根据预先准备的数据集，采用前级检测器估计数据集中的入侵目标；
7.s2、根据预先准备的数据集，训练后级检测器；
8.s3、对场景进行观测，得到观测图像；
9.s4、将观测图像送入前级检测器，得到若干潜在入侵目标子图；
10.s5、将若干潜在入侵目标子图送入后级检测器，分为已知报警目标、已知无警目标和未知目标，将已知报警目标和未知目标存入磁盘，并发出报告；
11.s6、返回步骤s3，循环执行步骤s3至步骤s6。
12.进一步地，所述根据预先准备的数据集，采用前级检测器估计入侵目标，包括：
13.所述前级检测器采用统计特征的异常值检测技术，估计入侵目标，具体为，因无入侵情况下场景在一段时间内保持静止不变，观测数据映射到特征空间后表现为特征服从一定参数的正态分布，从而可以依据正态分布3σ原则检测出异常值，判定为潜在入侵目标；
14.所述前级检测器采用模式匹配的入侵检测技术，估计入侵目标，具体为，因无入侵情况下场景长时间保持静态，可以在不同光照条件、不同气象条件等情况下记录若干观测，提取模式向量并存入数据库。后期对场景进行观测后，提取模式并计算与数据库中的模式距离，若距离大于阈值，判定为场景存在入侵目标。
15.进一步地，所述前级检测器采用统计特征的异常值检测技术，估计入侵目标，包括：
16.获取观测图像形成数据集，并设定观测图像的分辨率(w，h)、分块策略(m，n)和比对时间δt；
17.基于设定的观测图像的分辨率(w，h)、分块策略(m，n)和比对时间δt，初始化正态
分布参数μ，∑；
18.通过摄像头持续捕获图像，获取观测图像i
t
；基于获取的观测图像i
t
，根据入侵检测理论进行异常值检测；
19.将陆续获取的观测图像i
t
作为新样本，基于进化自学习算法更新参数μ，∑，再根据入侵检测理论进行异常值检测。
20.进一步地，所述基于获取的观测图像i
t
，根据入侵检测理论进行异常值检测，包括：
21.将观测图像i
t
划分为m
×
n的图像块并在每个图像块内进行异常值检测；
22.将监控设备在时刻t观测得到的图像记为矩阵：
23.i
t
∈rh×w×324.式中，h、w分别代表观测图像的纵向分辨率和横向分辨率，3代表该图像为rgb三通道真彩图像；
25.考虑正常无入侵情况，在无入侵情况下，场景观测在一定时间差内不产生任何变化，即理想情况下，在一段时间差δt内，观测矩阵的差值为0矩阵，即：
26.i
t+δt-i
t
＝0
27.受设备电气特性影响，监控设备得到的观测存在噪声，所以上述理想情况不存在，不失合理性，假设该噪声服从三元正态分布，则有：
[0028][0029]
式中，(i，j)代表观测矩阵像素的坐标，∈～n(μ，∑)表示噪声服从数学期望向量为μ、协方差矩阵为∑的三元正态分布，其概率密度函数为：
[0030][0031]
为了简化问题，假设组成像素的三个分量的噪声相互独立，即：
[0032][0033]
则有：
[0034][0035]
依据单元正态分布3σ原则，得到：
[0036]
[0037]
即：将噪声各分量标准化为标准正态分布后，其无穷范数在(-3，+3)区间内的概率为99.19％，超出这一范围的概率不足1％，因此，一旦其中一个像素在一段时间δt内的变化超出这一范围，则这一变化不是噪声，而是异常数据。
[0038]
进一步地，所述将陆续获取的观测图像i
t
作为新样本，基于进化自学习算法更新参数μ，∑，再根据入侵检测理论进行异常值检测，包括：
[0039]
为实现估计参数的进化自学习，构造基于迭代计算方式的进化自学习方程，具备如下形式：
[0040][0041]
式中，s2是由历史观测产生的对数学期望和方差的无偏估计，是由新观测样本计算的样本均值和样本方差，δs、δs是进化增量函数，λ是进化因子向量，(s2)
′
是进化之后的对数学期望和方差的无偏估计；
[0042]
假设历史上已经对噪声进行了n次观测，产生的对分布期望和方差可等价表示为：
[0043][0044][0045]
在后期使用过程中，监控设备对噪声进行了新一轮n0次观测，并计算了样本均值和方差：
[0046][0047][0048]
则进化后的对分布期望和方差的估计应等价于：
[0049][0050][0051]
分别计算进化增量函数：
[0052]
[0053][0054][0055]
系统历史上进行了n次观测，估计的期望和方差分别为s2，随设备运行，重新进
行了n0次观测，得到样本均值和方差分别为令进化因子向量为则基于新的观测数据进行进化自学习的方程为：
[0056][0057][0058]
进一步地，所述前级检测器采用模式匹配的入侵检测技术，估计入侵目标，包括：
[0059]
根据亮度差异、对比度差异和伽马差异，得到两图像之间的结构模式子向量；
[0060]
将结构模式子向量作为特征向量，计算模式距离，计算公式如下：
[0061][0062]
根据模式距离，通过优化方法得出最佳决策阈值，从而判断是否存在入侵物。
[0063]
进一步地，所述根据亮度差异、对比度差异和伽马差异，得到两图像之间的结构模式子向量，包括：
[0064]
对于每一个分块，为一w'
×
h'
×
c的张量，其中：
[0065][0066][0067]
上式中，w为图像像素宽度，h为图像像素高度，c为色彩通道数，m为横向分块数量，n为纵向分块数量，w'每个分块内的像素宽度，h'为每个分块内的像素高度；
[0068]
计算亮度差异度：设历史观测图像为x
i,j,k
，最新观测图像为y
i,j,k
，对于第(m',n')个分块，分块的亮度差异度为：
[0069][0070][0071][0072]
其中，m'为分块横坐标，n'为分块纵坐标，i表示像素横向索引，j表示像素纵向索引，k表示通道索引，x
i,j,k
为历史观测图像，y
i,j,k
为最新观测图像，为特征值，由公式计算得出，ε为一实数，防止除零；
[0073]
计算对比度差异度：对于第(m',n')个分块，分块的对比度差异度为：
[0074][0075][0076][0077]
其中，为特征值，由公式计算得出；
[0078]
计算伽马差异度：对于第(m',n')个分块，分块的伽马差异度为：
[0079][0080][0081]
其中，为特征值，由公式计算得出；
[0082]
基于计算的亮度差异度、对比度差异度和伽马差异度，得到结构模式子向量为：
[0083][0084]
进一步地，所述根据模式距离，通过优化方法得出最佳决策阈值，从而判断是否存在入侵物，包括：
[0085]
在同一监控视角下，预先收集k张w
×h×
c的观测图像，将观测图像各自分为m
×
n块，由人工对各分块进行标定，标定结果如下：
[0086][0087]
当阈值为变量α时，设定损失函数：
[0088][0089]
其中，
[0090]
依据最优化理论，最佳阈值α
best
为：
[0091][0092]
若模式距离dist
m',n'
＞α
best
，则判定当前观测的第(m',n')块存在入侵物。
[0093]
进一步地，所述根据预先准备的数据集，训练后级检测器，包括：
[0094]
所述后级检测器的主要目标在于从潜在入侵目标中识别出数据库中已知的真实入侵物，并将未知的潜在入侵目标图像存入磁盘等待执行人工反馈训练策略，所述后级检测器基于现代深度学习技术实现，根据实际场景不同，选取的算法包括yolov5算法和sdd算法，其中：
[0095]
所述yolov5算法：输入端是应用mosaic数据增强，对图片随机缩小或是放大，再以多种方式对图片随机拼接，对相对小目标的数量增加，使整体的鲁棒性升高；使用自适应锚框计算的方式，不同数据有对应的锚框；经过fpn对传入特征信息以上采样的操作获得预测特征图；又结合pan对特征图以下采样的方式建立一个特征金字塔，完成特征的聚合；输出端是目标bounding box，将入侵目标类别识别，若有需要则报警；
[0096]
所述sdd算法：直接使用卷积的特征图来进行检测，对于形状为m
×n×
p的特征图，采用3
×3×
p的卷积得到检测值，对于每个单元的预选框，都输出一套独立的检测值，对应一个边界框；将入侵目标类别识别，若有需要则报警。
[0097]
进一步地，所述人工反馈训练策略包括：
[0098]
a1、读取磁盘文件；
[0099]
a2、依次查看已知报警目标，并作出处理；
[0100]
a3、依次查看未知目标，若忽略该目标，则直接执行步骤a6；若需处理该目标，则执行步骤a4；
[0101]
a4、将该未知目标进行类别标注，存入数据库；
[0102]
a5、采用新的数据集训练后端检测器，训练完成后，得到新的后级检测器，替换原有后级检测器；
[0103]
a6、若还存在未处理的未知目标，则返回执行步骤a3，否则结束。
[0104]
较现有技术相比，本发明具有以下优点：
[0105]
1、本发明提供的基于多级预警策略的船舶监控入侵检测方法，其前级检测器采用统计特征的异常值检测技术，因无入侵情况下场景长时间保持静态，可以在不同光照条件、不同气象条件等情况下记录若干观测图像并存入数据库，并在后期计算最新观测与数据库中历史图像的模式距离判定是否存在入侵物。方法简单，相比深度学习，只需收集少量图片，就可正常工作。所需算力较小，可以在嵌入式设备正常工作。可解释性强，出现异常结果方便排查。
[0106]
2、本发明提供的基于多级预警策略的船舶监控入侵检测方法，其前级检测器采用前级检测器采用模式匹配的入侵检测技术，因无入侵情况下场景长时间保持静态，可以在不同光照条件、不同气象条件等情况下记录若干观测，提取模式向量并存入数据库。后期对场景进行观测后，提取模式并计算与数据库中的模式距离，若距离大于阈值，判定为场景存在入侵目标。具备自学习、自适应、自进化等优良特性，实现了应用于船舶等固定场景的监控入侵检测
[0107]
3、本发明提供的基于多级预警策略的船舶监控入侵检测方法，多级检测器系统综合检测精确率和召回率在自建数据集上均可达到95％以上。其中，前级检测器召回率可达98.31％，精确率为80.26％，达到了检出场景中一切潜在目标的目的；后级检测器精确率为97.23％，召回率为90.25％，达到了筛选候选目标的目的。
[0108]
基于上述理由本发明可在监控入侵检测等领域广泛推广。
附图说明
[0109]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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。
[0110]
图1为本发明系统结构框图。
具体实施方式
[0111]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0112]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0113]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0114]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0115]
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0116]
为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
[0117]
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
[0118]
如图1所示，本发明提供了一种基于多级预警策略的船舶监控入侵检测方法，包括：
[0119]
s1、根据预先准备的数据集，采用前级检测器估计数据集中的入侵目标；
[0120]
s2、根据预先准备的数据集，训练后级检测器；
[0121]
s3、对场景进行观测，得到观测图像；
[0122]
s4、将观测图像送入前级检测器，得到若干潜在入侵目标子图；
[0123]
s5、将若干潜在入侵目标子图送入后级检测器，分为已知报警目标、已知无警目标和未知目标，将已知报警目标和未知目标存入磁盘，并发出报告；
[0124]
s6、返回步骤s3，循环执行步骤s3至步骤s6。
[0125]
具体实施时，作为本发明优选的实施方式，所述步骤s1中，根据预先准备的数据集，采用前级检测器估计数据集中的入侵目标，包括：
[0126]
所述前级检测器采用统计特征的异常值检测技术，估计入侵目标，具体为，因无入侵情况下场景在一段时间内保持静止不变，观测数据映射到特征空间后表现为特征服从一定参数的正态分布，从而可以依据正态分布3σ原则检测出异常值，判定为潜在入侵目标；具体包括：
[0127]
获取观测图像形成数据集，并设定观测图像的分辨率(w，h)、分块策略(m，n)和比对时间δt；
[0128]
基于设定的观测图像的分辨率(w，h)、分块策略(m，n)和比对时间δt，初始化正态分布参数μ，∑；
[0129]
通过摄像头持续捕获图像，获取观测图像i
t
；基于获取的观测图像i
t
，根据入侵检测理论进行异常值检测，包括：
[0130]
将观测图像i
t
划分为m
×
n的图像块并在每个图像块内进行异常值检测；
[0131]
将监控设备在时刻t观测得到的图像记为矩阵：
[0132]it
∈rh×w×3[0133]
式中，h、w分别代表观测图像的纵向分辨率和横向分辨率，3代表该图像为rgb三通道真彩图像；
[0134]
考虑正常无入侵情况，在无入侵情况下，场景观测在一定时间差内不产生任何变化，即理想情况下，在一段时间差δt内，观测矩阵的差值为0矩阵，即：
[0135]it+δt-i
t
＝0
[0136]
受设备电气特性影响，监控设备得到的观测存在噪声，所以上述理想情况不存在，不失合理性，假设该噪声服从三元正态分布，则有：
[0137][0138]
式中，(i，j)代表观测矩阵像素的坐标，∈～n(μ，∑)表示噪声服从数学期望向量为μ、协方差矩阵为∑的三元正态分布，其概率密度函数为：
[0139][0140]
为了简化问题，假设组成像素的三个分量的噪声相互独立，即：
[0141][0142]
则有：
[0143][0144]
依据单元正态分布3σ原则，得到：
[0145][0146]
即：将噪声各分量标准化为标准正态分布后，其无穷范数在(-1，+3)区间内的概率为99.19％，超出这一范围的概率不足1％，因此，一旦其中一个像素在一段时间δt内的变化超出这一范围，则这一变化不是噪声，而是异常数据。
[0147]
将陆续获取的观测图像i
t
作为新样本，基于进化自学习算法更新参数μ，∑，再根据入侵检测理论进行异常值检测，具体包括：
[0148]
为实现估计参数的进化自学习，构造基于迭代计算方式的进化自学习方程，具备如下形式：
[0149][0150]
式中，s2是由历史观测产生的对数学期望和方差的无偏估计，是由新观测样本计算的样本均值和样本方差，δ
∈
、δs是进化增量函数，λ是进化因子向量，(s2)
′
是进化之后的对数学期望和方差的无偏估计；
[0151]
假设历史上已经对噪声进行了n次观测，产生的对分布期望和方差可等价表示为：
[0152][0153][0154]
在后期使用过程中，监控设备对噪声进行了新一轮n0次观测，并计算了样本均值和方差：
[0155][0156][0157]
则进化后的对分布期望和方差的估计应等价于：
[0158][0159][0160]
分别计算进化增量函数：
[0161][0162]
[0163][0164]
系统历史上进行了n次观测，估计的期望和方差分别为s2，随设备运行，重新进行了n0次观测，得到样本均值和方差分别为令进化因子向量为则基于新的观测数据进行进化自学习的方程为：
[0165][0166][0167]
所述前级检测器采用模式匹配的入侵检测技术，估计入侵目标，具体为，因无入侵情况下场景长时间保持静态，可以在不同光照条件、不同气象条件等情况下记录若干观测，
提取模式向量并存入数据库。后期对场景进行观测后，提取模式并计算与数据库中的模式距离，若距离大于阈值，判定为场景存在入侵目标。具体包括：
[0168]
根据亮度差异、对比度差异和伽马差异，得到两图像之间的结构模式子向量，包括：
[0169]
对于每一个分块，为一w'
×
h'
×
c的张量，其中：
[0170][0171][0172]
上式中，w为图像像素宽度，h为图像像素高度，c为色彩通道数，m为横向分块数量，n为纵向分块数量，w'每个分块内的像素宽度，h'为每个分块内的像素高度；
[0173]
计算亮度差异度：设历史观测图像为x
i,j,k
，最新观测图像为y
i,j,k
，对于第(m',n')个分块，分块的亮度差异度为：
[0174][0175][0176][0177]
其中，m'为分块横坐标，n'为分块纵坐标，i表示像素横向索引，j表示像素纵向索引，k表示通道索引，x
i,j,k
为历史观测图像，y
i,j,k
为最新观测图像，为特征值，由公式计算得出，ε为一实数，防止除零；
[0178]
计算对比度差异度：对于第(m',n')个分块，分块的对比度差异度为：
[0179][0180][0181][0182]
其中，为特征值，由公式计算得出；
[0183]
计算伽马差异度：对于第(m',n')个分块，分块的伽马差异度为：
[0184][0185][0186]
其中，为特征值，由公式计算得出；
[0187]
基于计算的亮度差异度、对比度差异度和伽马差异度，得到结构模式子向量为：
[0188][0189]
将结构模式子向量作为特征向量，计算模式距离，计算公式如下：
[0190][0191]
根据模式距离，通过优化方法得出最佳决策阈值，从而判断是否存在入侵物，包括：
[0192]
在同一监控视角下，预先收集k张w
×h×
c的观测图像，将观测图像各自分为m
×
n块，由人工对各分块进行标定，标定结果如下：
[0193][0194]
当阈值为变量α时，设定损失函数：
[0195][0196]
其中，
[0197]
依据最优化理论，最佳阈值α
best
为：
[0198][0199]
若模式距离dist
m',n'
＞α
best
，则判定当前观测的第(m',n')块存在入侵物。
[0200]
具体实施时，作为本发明优选的实施方式，所述步骤s2中，根据预先准备的数据集，训练后级检测器，包括：
[0201]
所述后级检测器的主要目标在于从潜在入侵目标中识别出数据库中已知的真实入侵物，并将未知的潜在入侵目标图像存入磁盘等待执行人工反馈训练策略，所述后级检测器基于现代深度学习技术实现，根据实际场景不同，选取的算法包括yolov5算法和sdd算
法，其中：
[0202]
所述yolov5算法：输入端是应用mosaic数据增强，对图片随机缩小或是放大，再以多种方式对图片随机拼接，对相对小目标的数量增加，使整体的鲁棒性升高；使用自适应锚框计算的方式，不同数据有对应的锚框；经过fpn对传入特征信息以上采样的操作获得预测特征图；又结合pan对特征图以下采样的方式建立一个特征金字塔，完成特征的聚合；输出端是目标bounding box，将入侵目标类别识别，若有需要则报警；
[0203]
所述sdd算法：直接使用卷积的特征图来进行检测，对于形状为m
×n×
p的特征图，采用3
×3×
p的卷积得到检测值，对于每个单元的预选框，都输出一套独立的检测值，对应一个边界框；将入侵目标类别识别，若有需要则报警。
[0204]
具体实施时，作为本发明优选的实施方式，所述人工反馈训练策略包括：
[0205]
a1、读取磁盘文件；
[0206]
a2、依次查看已知报警目标，并作出处理；
[0207]
a3、依次查看未知目标，若忽略该目标，则直接执行步骤a6；若需处理该目标，则执行步骤a4；
[0208]
a4、将该未知目标进行类别标注，存入数据库；
[0209]
a5、采用新的数据集训练后端检测器，训练完成后，得到新的后级检测器，替换原有后级检测器；
[0210]
a6、若还存在未处理的未知目标，则返回执行步骤a3，否则结束。
[0211]
实施例
[0212]
应用本发明提供的基于多级预警策略的船舶监控入侵检测方法，进行船舶监控入侵检测，其工作过程如下：
[0213]
(1)初始条件：数据库中保存有人、油的特征，可以实现两种物体的精确检测。
[0214]
(2)通过摄像头采集图像，图像中含有人、海鸟、噪声数据(如水面剧烈波动导致画面变化较大引发的误检)、和其他无关背景元素。
[0215]
(3)送入前级检测器，检出了人、海鸟和噪声元素，将其裁剪出来，送入后级检测器。
[0216]
(4)后级检测器检出了数据库中的已知目标(人)，采取直接预警策略。
[0217]
(5)同时，后级检测器检出了未知目标(海鸟)和噪声元素，将该裁剪图像保存，等待人工定期筛选。
[0218]
(6)人员定期对未知元素进行筛选，发现噪声元素，采取忽略动作；发现海鸟，将该元素标注为海鸟，存入数据库，下次检测时，海鸟将会作为已知元素参与检测。
[0219]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于多级预警策略的船舶监控入侵检测方法，其特征在于，包括：s1、根据预先准备的数据集，采用前级检测器估计数据集中的入侵目标；s2、根据预先准备的数据集，训练后级检测器；s3、对场景进行观测，得到观测图像；s4、将观测图像送入前级检测器，得到若干潜在入侵目标子图；s5、将若干潜在入侵目标子图送入后级检测器，分为已知报警目标、已知无警目标和未知目标，将已知报警目标和未知目标存入磁盘，并发出报告；s6、返回步骤s3，循环执行步骤s3至步骤s6。2.根据权利要求1所述的基于多级预警策略的船舶监控入侵检测方法，其特征在于，所述根据预先准备的数据集，采用前级检测器估计数据集中的入侵目标，包括：所述前级检测器采用统计特征的异常值检测技术，估计入侵目标，具体为，因无入侵情况下场景在一段时间内保持静止不变，观测数据映射到特征空间后表现为特征服从一定参数的正态分布，从而可以依据正态分布3σ原则检测出异常值，判定为潜在入侵目标；所述前级检测器采用模式匹配的入侵检测技术，估计入侵目标，具体为，因无入侵情况下场景长时间保持静态，可以在不同光照条件、不同气象条件等情况下记录若干观测，提取模式向量并存入数据库。后期对场景进行观测后，提取模式并计算与数据库中的模式距离，若距离大于阈值，判定为场景存在入侵目标。3.根据权利要求2所述的基于多级预警策略的船舶监控入侵检测方法，其特征在于，所述前级检测器采用统计特征的异常值检测技术，估计入侵目标，包括：获取观测图像形成数据集，并设定观测图像的分辨率(w，h)、分块策略(m，n)和比对时间δt；基于设定的观测图像的分辨率(w，h)、分块策略(m，n)和比对时间δt，初始化正态分布参数μ，∑；通过摄像头持续捕获图像，获取观测图像i
t
；基于获取的观测图像i
t
，根据入侵检测理论进行异常值检测；将陆续获取的观测图像i
t
作为新样本，基于进化自学习算法更新参数μ，∑，再根据入侵检测理论进行异常值检测。4.根据权利要求3所述的基于多级预警策略的船舶监控入侵检测方法，其特征在于，所述基于获取的观测图像i
t
，根据入侵检测理论进行异常值检测，包括：将观测图像i
t
划分为m＝n的图像块并在每个图像块内进行异常值检测；将监控设备在时刻t观测得到的图像记为矩阵：i
t
∈r
h
×
wx3
式中，h、w分别代表观测图像的纵向分辨率和横向分辨率，3代表该图像为rgb三通道真彩图像；考虑正常无入侵情况，在无入侵情况下，场景观测在一定时间差内不产生任何变化，即理想情况下，在一段时间差δt内，观测矩阵的差值为0矩阵，即：i
t+δt-i
t
＝0
受设备电气特性影响，监控设备得到的观测存在噪声，所以上述理想情况不存在，不失合理性，假设该噪声服从三元正态分布，则有：式中，(i，j)代表观测矩阵像素的坐标，∈～n(μ，∑)表示噪声服从数学期望向量为μ、协方差矩阵为∑的三元正态分布，其概率密度函数为：为了简化问题，假设组成像素的三个分量的噪声相互独立，即：则有：依据单元正态分布3σ原则，得到：即：将噪声各分量标准化为标准正态分布后，其无穷范数在(-3，+3)区间内的概率为99.19％，超出这一范围的概率不足1％，因此，一旦其中一个像素在一段时间δt内的变化超出这一范围，则这一变化不是噪声，而是异常数据。5.根据权利要求3所述的基于多级预警策略的船舶监控入侵检测方法，其特征在于，所述将陆续获取的观测图像i
t
作为新样本，基于进化自学习算法更新参数μ，∑，再根据入侵检测理论进行异常值检测，包括：为实现估计参数的进化自学习，构造基于迭代计算方式的进化自学习方程，具备如下形式：式中，s2是由历史观测产生的对数学期望和方差的无偏估计，是由新观测样本计算的样本均值和样本方差，δ
∈
、δ
s
是进化增量函数，λ是进化因子向量，(s2)
′
是进化之后的对数学期望和方差的无偏估计；假设历史上已经对噪声进行了n次观测，产生的对分布期望和方差可等价表示为：
在后期使用过程中，监控设备对噪声进行了新一轮n0次观测，并计算了样本均值和方差：差：则进化后的对分布期望和方差的估计应等价于：则进化后的对分布期望和方差的估计应等价于：分别计算进化增量函数：
系统历史上进行了n次观测，估计的期望和方差分别为s2，随设备运行，重新进行了n0次观测，得到样本均值和方差分别为令进化因子向量为则基于新的观测数据进行进化自学习的方程为：数据进行进化自学习的方程为：6.根据权利要求2所述的基于多级预警策略的船舶监控入侵检测方法，其特征在于，所
述前级检测器采用模式匹配的入侵检测技术，估计入侵目标，包括：根据亮度差异、对比度差异和伽马差异，得到两图像之间的结构模式子向量；将结构模式子向量作为特征向量，计算模式距离，计算公式如下：根据模式距离，通过优化方法得出最佳决策阈值，从而判断是否存在入侵物。7.根据权利要求6所述的基于多级预警策略的船舶监控入侵检测方法，其特征在于，所述根据亮度差异、对比度差异和伽马差异，得到两图像之间的结构模式子向量，包括：对于每一个分块，为一w'
×
h'
×
c的张量，其中：c的张量，其中：上式中，w为图像像素宽度，h为图像像素高度，c为色彩通道数，m为横向分块数量，n为纵向分块数量，w'每个分块内的像素宽度，h'为每个分块内的像素高度；计算亮度差异度：设历史观测图像为x
i,j,k
，最新观测图像为y
i,j,k
，对于第(m',n')个分块，分块的亮度差异度为：为：为：其中，m'为分块横坐标，n'为分块纵坐标，i表示像素横向索引，j表示像素纵向索引，k表示通道索引，x
i,j,k
为历史观测图像，y
i,j,k
为最新观测图像，为特征值，由公式计算得出，ε为一实数，防止除零；计算对比度差异度：对于第(m',n')个分块，分块的对比度差异度为：为：
其中，为特征值，由公式计算得出；计算伽马差异度：对于第(m',n')个分块，分块的伽马差异度为：为：其中，为特征值，由公式计算得出；基于计算的亮度差异度、对比度差异度和伽马差异度，得到结构模式子向量为：8.根据权利要求6所述的基于多级预警策略的船舶监控入侵检测方法，其特征在于，所述根据模式距离，通过优化方法得出最佳决策阈值，从而判断是否存在入侵物，包括：在同一监控视角下，预先收集k张w
×
h
×
c的观测图像，将观测图像各自分为m
×
n块，由人工对各分块进行标定，标定结果如下：当阈值为变量α时，设定损失函数：其中，依据最优化理论，最佳阈值α
best
为：若模式距离dist
m',n'
＞α
best
，则判定当前观测的第(m',n')块存在入侵物。9.根据权利要求1所述的基于多级预警策略的船舶监控入侵检测方法，其特征在于，所述根据预先准备的数据集，训练后级检测器，包括：
所述后级检测器的主要目标在于从潜在入侵目标中识别出数据库中已知的真实入侵物，并将未知的潜在入侵目标图像存入磁盘等待执行人工反馈训练策略，所述后级检测器基于现代深度学习技术实现，根据实际场景不同，选取的算法包括yolov5算法和sdd算法，其中：所述yolov5算法：输入端是应用mosaic数据增强，对图片随机缩小或是放大，再以多种方式对图片随机拼接，对相对小目标的数量增加，使整体的鲁棒性升高；使用自适应锚框计算的方式，不同数据有对应的锚框；经过fpn对传入特征信息以上采样的操作获得预测特征图；又结合pan对特征图以下采样的方式建立一个特征金字塔，完成特征的聚合；输出端是目标bounding box，将入侵目标类别识别，若有需要则报警；所述sdd算法：直接使用卷积的特征图来进行检测，对于形状为m
×
n
×
p的特征图，采用3
×3×
p的卷积得到检测值，对于每个单元的预选框，都输出一套独立的检测值，对应一个边界框；将入侵目标类别识别，若有需要则报警。10.根据权利要求9所述的基于多级预警策略的船舶监控入侵检测方法，其特征在于，所述人工反馈训练策略包括：a1、读取磁盘文件；a2、依次查看已知报警目标，并作出处理；a3、依次查看未知目标，若忽略该目标，则直接执行步骤a6；若需处理该目标，则执行步骤a4；a4、将该未知目标进行类别标注，存入数据库；a5、采用新的数据集训练后端检测器，训练完成后，得到新的后级检测器，替换原有后级检测器；a6、若还存在未处理的未知目标，则返回执行步骤a3，否则结束。

技术总结
本发明提供一种基于多级预警策略的船舶监控入侵检测方法，包括S1、根据预先准备的数据集，采用前级检测器估计数据集中的入侵目标；S2、根据预先准备的数据集，训练后级检测器；S3、对场景进行观测，得到观测图像；S4、将观测图像送入前级检测器，得到若干潜在入侵目标子图；S5、将若干潜在入侵目标子图送入后级检测器，分为已知报警目标、已知无警目标和未知目标，将已知报警目标和未知目标存入磁盘，并发出报告；S6、返回S3，循环执行S3至S6。本发明多级检测器系统综合检测精确率和召回率在自建数据集上均可达到95％以上。前级检测器召回率可达98.31％，精确率为80.26％，能够检出场景中一切潜在目标；后级检测器精确率为97.23％，召回率为90.25％，能够筛选候选目标。能够筛选候选目标。能够筛选候选目标。


技术研发人员：安泓郡 张皓铖 侯登凯
受保护的技术使用者：大连海事大学
技术研发日：2023.04.13
技术公布日：2023/8/14