前言

隨著社會的發(fā)展和科技的進步，周界安防領域也是日新月異，從很久以前單靠圍墻鐵絲網(wǎng)，到后來配置上攝像頭，再到如今的多技術多層級周界安防。

然而目前普遍使用的多技術多層級周界安防，其是否有進行智能AI算法融合，在實際使用場景中卻有著很大的優(yōu)劣對比，今天我們就通過五個案例進行深度分析。

融合和非融合

上圖為我們周界安防案例示意圖，我們將布置有周界傳感器的圍欄分成A到F六個大區(qū)域（每個大區(qū)域通過多個傳感器劃分為四個子區(qū)域），每個大區(qū)域分別對應一臺具有分析功能的安防攝像頭可以識別入侵是否為人員。

傳感器和攝像頭：非融合的情況

此時需要傳感器和攝像頭都正常工作，為了減少誤報的發(fā)生，兩者是“和”的判斷邏輯關系，若只有一個探測到入侵，不會觸發(fā)報警。

傳感器和攝像頭：融合的情況

此時通過傳感器和攝像頭兩者發(fā)現(xiàn)是否有入侵的行為，不同的是會通過智能AI算法將兩者的數(shù)據(jù)進行關聯(lián)，這些數(shù)據(jù)經(jīng)過機器學習和訓練后，不僅不會發(fā)生誤報，更能解決漏報發(fā)生的可能。

下面我們將通過五個案例來說明融合和非融合的區(qū)別。

案例一：大風下的入侵

如圖所示，入侵人員（紅色）正在試圖爬上A區(qū)域的第三子區(qū)域，與此同時一場大風把A、B區(qū)域柵欄吹得晃動不已。

非融合的情況下：

此時A、B兩區(qū)域的傳感器均感受到柵欄的入侵活動，但是通過攝像頭B沒發(fā)現(xiàn)人員存在，故排除B區(qū)域的報警；而攝像頭A發(fā)現(xiàn)人員存在，故會通過A區(qū)域四個子區(qū)域的報警，這意味著會產(chǎn)生1個真實報警和3個錯誤報警。

融合的情況下：

使用融合后不僅會查看傳感器的分析結(jié)果，還會將其原始數(shù)據(jù)和智能AI系統(tǒng)相結(jié)合，通過機器學習技術，會發(fā)現(xiàn)A、B兩區(qū)域具有風干擾的特征信號模式，因此不會報告風吹產(chǎn)生的活動。

同時傳感器還發(fā)現(xiàn)A區(qū)域第三子區(qū)域圍欄存在人員入侵的行為，并經(jīng)由攝像頭A對該區(qū)域進行檢測，從而正確發(fā)出A區(qū)的第三子區(qū)域的1個真實報警。

案例二：行人在風中路過

如圖所示，此案例也是刮著大風把A、B區(qū)域柵欄吹得晃動不已，但是沒有入侵人員，只有一個行人（綠色）在旁邊路過。

非融合的情況下：

此時A、B兩區(qū)域的傳感器均感受到柵欄的入侵活動，但是通過攝像頭B沒發(fā)現(xiàn)人員存在，故排除B區(qū)域的報警；但是攝像頭A發(fā)現(xiàn)人員存在，故會通過A區(qū)域四個子區(qū)域的報警，這意味著會產(chǎn)生4個錯誤報警。

融合的情況下：

使用融合后可以區(qū)分路過行人和入侵人員，因為通過智能AI算法和機器學習，可以發(fā)現(xiàn)攝像頭和傳感器數(shù)據(jù)中的細微差別：例如人面向側(cè)面而不是正面，并且人稍微遠離圍欄，A、B區(qū)域具有風干擾的特征但沒有人員入侵的行為等，從而不會發(fā)出錯誤報警。

在日常使用過程中，類似這樣引發(fā)誤報的情況可能成百上千，但是有了融合后的智能AI算法和機器學習，在攝像頭和傳感器發(fā)出誤報之前，系統(tǒng)會將信號數(shù)據(jù)與非入侵行為進行匹配，以排除不存在的威脅，從而大幅減少錯誤報警的可能。

案例三：帶梯子的入侵

如圖所示，在這個案例中，入侵人員非常狡猾，他帶著一個高大的梯子，設法躲避D區(qū)域圍欄上的傳感器。

非融合的情況下：

此時攝像頭D發(fā)現(xiàn)了入侵人員，但是因為攝像頭和傳感器是“和”的判斷邏輯關系，若只有攝像頭發(fā)現(xiàn)入侵，并不會觸發(fā)報警。

融合的情況下：

由于使用融合后能大幅減少錯誤報警，因此圍欄傳感器可以設置為最高靈敏度，在這種情況下，額外敏感的傳感器，能夠檢測到人員意外接觸或梯子搭在圍欄的壓力，結(jié)合攝像頭識別的人員存在，通過智能AI算法和機器學習將發(fā)現(xiàn)入侵行為，并正確地發(fā)出真實警報。

案例四：大風、警衛(wèi)和入侵

如圖所示，大風吹得A、B、F三個區(qū)域柵欄晃動不已，安保人員（藍色）正在F區(qū)域進行巡邏，同時入侵人員（紅色）正在試圖爬上B區(qū)域的第四子區(qū)域。

非融合的情況下：

此時傳感器檢測到A、B、F區(qū)域的入侵活動，其中攝像頭A排除了A區(qū)域的入侵，而攝像頭B、F發(fā)現(xiàn)人員存在，故會通過B、F區(qū)域八個子區(qū)域的報警，這意味著會產(chǎn)生1個真實報警和7個錯誤報警。

融合的情況下：

使用融合后通過智能AI算法和機器學習，會發(fā)現(xiàn)并排除具有風干擾的特征信號，同時傳感器還發(fā)現(xiàn)B區(qū)域第四子區(qū)域圍欄存在人員入侵的行為，并經(jīng)由攝像頭B對該區(qū)域進行檢測，從而正確發(fā)出B區(qū)的第四子區(qū)域的1個真實報警。

案例五：冰雪中的入侵

如圖所示，一場罕見的暴風雪過后，冰雪覆蓋遮擋住攝像頭C、D和F，而入侵人員（紅色）正在試圖爬上C區(qū)域的第四子區(qū)域。

非融合的情況下：

因為被冰雪遮擋住了攝像頭的視線，而攝像頭和傳感器是“和”的判斷邏輯關系，所以即便傳感器發(fā)現(xiàn)入侵，也不會觸發(fā)報警。

融合的情況下：

使用融合后并不會完全依賴攝像頭，通過智能AI算法和機器學習，當攝像頭被冰雪覆蓋失去功能后，系統(tǒng)會只判斷該區(qū)域圍欄傳感器的狀態(tài)。

即使只通過圍欄傳感器，系統(tǒng)也可以分辨出人為的運動和風吹引起的運動，因此可以準確地檢測到C區(qū)域的第四子區(qū)域的1個真實報警。

結(jié)尾

雖然上述五個案例是為了展示融合優(yōu)勢的場景，但是在真實使用過程中很可能也會發(fā)生。當傳感器和攝像頭進行融合后，通過智能AI算法和機器學習，將會擁有極高的探測靈敏度、入侵檢測率和識別率，從而有效的避免誤報和漏報，對比非融合的情況，融合擁有巨大優(yōu)勢。