本發(fā)明屬于分布式光纖傳感，具體涉及一種基于條件gan網(wǎng)絡(luò)的分布式光纖傳感數(shù)據(jù)處理及監(jiān)測方法。

背景技術(shù)：

1、基于分布式光纖傳感(distributed?acoustic?sensing,das)的交通監(jiān)測技術(shù)受到越來越多關(guān)注，相較于其他傳統(tǒng)交通監(jiān)測技術(shù)，具有可獲得連續(xù)分布信息、長探測距離、高空間分辨率、低部署成本、高抗干擾能力、保護隱私等優(yōu)勢?？蓾M足智慧高速公路全時空交通監(jiān)測的需求。智慧交通和智慧基礎(chǔ)設(shè)施管理，是國家發(fā)展和建設(shè)過程中必不可少的環(huán)節(jié)。在交通監(jiān)測和管理方法中，監(jiān)控攝像頭是最為直觀的監(jiān)測手段，但是攝像頭部署成本高、存在隱私問題、視頻數(shù)據(jù)處理量大、存在巨大盲區(qū)、受光照及雨雪等氣象因素影響也較大。移動電話數(shù)據(jù)雖然也被用來監(jiān)測車流量，但這種方法和利用監(jiān)控攝像頭的方法一樣也存在隱私問題，多數(shù)人對于自己的移動數(shù)據(jù)被監(jiān)視有抵觸和警惕態(tài)度。

2、分布式光纖聲學(xué)傳感技術(shù)(das)是發(fā)射1550nm波長的脈沖激光束，利用光纖中的瑞麗散射原理，檢測環(huán)境中聲音、振動信號的傳感技術(shù)。如圖1所示，光纖鋪設(shè)在道路下方，當車輛經(jīng)過時車輛產(chǎn)生的振動信號會影響局部光纖折射率，從而影響反向瑞麗散射光的強度。通過差分車輛經(jīng)過前后的反向瑞麗散射光強，就能夠解調(diào)到振動信號。上述的圖1是das交通檢測系統(tǒng)原理示意圖。具體而言，如圖1所示，光纖1鋪設(shè)在道路2下方，光纖內(nèi)傳輸?shù)某}沖激光引起反向瑞利散射，該反向瑞麗散射的光強與光纖局部折射率有關(guān)，當車輛、行人通過時地面振動引起光纖局部折射率改變，從而使反向瑞麗散射光光強發(fā)生變化，差分某位置(即某個虛擬通道)振動發(fā)生前的反向瑞麗散射光4與振動發(fā)生后的反向瑞麗散射光5，就能解調(diào)出該位置處發(fā)生的振動信息6。在das系統(tǒng)中，會把長達數(shù)幾十公里的光纖分成許多的虛擬通道，通道長度有可能為2米，有可能為1米，具體需要人為設(shè)定，圖1表示的是其中一個虛擬通道的情況。

3、利用das進行交通數(shù)據(jù)分析是一項新興技術(shù)，該技術(shù)有望徹底改變交通網(wǎng)絡(luò)的監(jiān)測管理方式。高性能das系統(tǒng)需要高度相干的輻射源、高速光調(diào)制器、高性能光放大器和光探測器、以及幾公里到幾十公里的特種光纖。這樣的系統(tǒng)相當昂貴，部署這樣的系統(tǒng)用于交通監(jiān)測沒有意義。所以一般的das系統(tǒng)部署在原有的空閑通信光纖上。這樣的系統(tǒng)具有地震噪聲、工廠噪聲、河流噪聲、以及光纖周圍各種各樣的人為噪聲因此具有極低的信噪比，例如，如圖2所示，將數(shù)百米的虛擬通道拼接在一起，可以看出有許多的車輛軌跡7，但也存在大量的噪聲8。而且空閑光纖在鋪設(shè)的時候，有的部分與道路耦合性不好會造成信號丟失。有研究表明此類信號難以用來分析和用于深度學(xué)習。

4、das系統(tǒng)交通監(jiān)測的傳統(tǒng)方法，需要經(jīng)驗豐富的信號處理工程師對原始信號進行復(fù)雜的預(yù)處理來提高信號的信噪比。信號處理工程師在信號預(yù)處理過程的每一步，都會調(diào)整許多的參數(shù)來提高信噪比。例如在歸一化階段需要選擇進行線性歸一化或非線性歸一化，在帶通濾波時需要調(diào)整信號的頻帶，在移動平均和移動差分時需要選擇滑動窗口的大小，進行小波變換時需要選擇使用哪個小波進行分解，需要分解多少層，閾值應(yīng)該選擇多少等。這些參數(shù)嚴重影響預(yù)處理后的信噪比，若調(diào)整不好反而會丟失某些信號。

5、每個das系統(tǒng)有著不同的采樣頻率和空間分辨率，所以對每一個部署的das系統(tǒng)都需要信號處理工程師進行信號預(yù)處理。而且即便通過長期的調(diào)整，das系統(tǒng)的信噪比可能得不到很大的提升。所以預(yù)處理后的信號通過圖像處理，再利用霍夫直線提取算法進行車輛軌跡提取，會引入很多的錯誤軌跡。并且，傳統(tǒng)的das車輛監(jiān)測算法中把車輛軌跡均當作直線來處理。

6、也就是說，傳統(tǒng)信號預(yù)處理方法不僅繁瑣而且需要一定的經(jīng)驗去對各種參數(shù)進行調(diào)節(jié)，并且各個步驟都是對das的一個個虛擬通道的一維信息進行處理，所以丟失了信號的時空關(guān)聯(lián)性，最終預(yù)處理后的信號的信噪比依舊非常低。另外，傳統(tǒng)的das車輛監(jiān)測算法中把車輛軌跡均當作直線來處理，不符合實際情況，無法實現(xiàn)有效監(jiān)測。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中所存在的上述問題，本發(fā)明提供了一種基于條件gan網(wǎng)絡(luò)的分布式光纖傳感數(shù)據(jù)處理及監(jiān)測方法。

2、本發(fā)明要解決的技術(shù)問題通過以下技術(shù)方案實現(xiàn)：

3、本發(fā)明提供一種基于條件gan網(wǎng)絡(luò)的分布式光纖傳感數(shù)據(jù)處理方法，包括：

4、獲取目標交通區(qū)域的第一預(yù)設(shè)時間內(nèi)的原始das數(shù)據(jù)；所述原始das數(shù)據(jù)是對物體經(jīng)過光纖鋪設(shè)區(qū)域前、后的反向瑞麗散射光的強度進行差分后獲得的所述物體的震動信號；

5、對所述第一預(yù)設(shè)時間內(nèi)的原始das數(shù)據(jù)進行不同的數(shù)據(jù)處理，得到多張數(shù)據(jù)圖像；

6、將所述多張數(shù)據(jù)圖像同時輸入訓(xùn)練好的生成器，得到一張掩碼圖像；所述掩碼圖像表征所述第一預(yù)設(shè)時間內(nèi)，在所述目標交通區(qū)域中每種類別的每個對象的運動軌跡；其中，所述訓(xùn)練好的生成器是采用多組訓(xùn)練圖像和所述多組訓(xùn)練圖像一一對應(yīng)的多個真實的掩碼圖像，對條件gan網(wǎng)絡(luò)進行訓(xùn)練得到，每組訓(xùn)練圖像為第二預(yù)設(shè)時間內(nèi)的原始das數(shù)據(jù)的所述多張數(shù)據(jù)圖像。

7、本發(fā)明還提供一種基于條件gan網(wǎng)絡(luò)的分布式光纖傳感車輛行人監(jiān)測方法，包括：

8、獲取采用上述的基于條件gan網(wǎng)絡(luò)的分布式光纖傳感數(shù)據(jù)處理方法生成的待檢測的掩碼圖像；

9、將所述待檢測的掩碼圖像輸入訓(xùn)練好的目標檢測網(wǎng)絡(luò)，得到所述待檢測的掩碼圖像的檢測結(jié)果；所述檢測結(jié)果包括：每條運動軌跡所屬的子類別、屬于每種子類別的運動軌跡的數(shù)量、每條運動軌跡的標注框的大小和位置；其中，所述訓(xùn)練好的目標檢測網(wǎng)絡(luò)是采用多張用于訓(xùn)練的掩碼圖像，對初始目標檢測網(wǎng)絡(luò)進行訓(xùn)練得到；每張用于訓(xùn)練的掩碼圖像中帶有批注，所述批注用于表示該掩碼圖像中的每條運動軌跡所屬的子類別、每條運動軌跡在該掩碼圖像中所占的矩形區(qū)域的位置；

10、根據(jù)每條運動軌跡的標注框的大小，計算該條運動軌跡的運動速度。

11、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

12、1)傳統(tǒng)軌跡檢測算法需要經(jīng)過歸一化、帶通濾波、移動差分移動平均、小波去噪、圖像閾值化、圖像形態(tài)學(xué)處理、直線檢測、軌跡挑選等過程，并且，每一步都有大量參數(shù)需要專業(yè)人士去調(diào)整。而本發(fā)明所述的數(shù)據(jù)處理方法只需簡單數(shù)據(jù)處理后，根據(jù)簡單數(shù)據(jù)處理后的數(shù)據(jù)和訓(xùn)練好的生成器，便可生成目標交通區(qū)域中每種類別的每個對象的運動軌跡，并且，只需做好對條件gan網(wǎng)絡(luò)的數(shù)據(jù)集收集和訓(xùn)練，提高了對信號去噪的能力，并使信號處理流程變得十分簡單。

13、2)傳統(tǒng)信號去噪算法如小波去噪、維納濾波、短時傅里葉變換去噪等都對噪聲做了一定假設(shè)，如噪聲是隨機的，噪聲是高頻的等等，但在das系統(tǒng)中有各種豐富的信號，如工廠、河流、音樂會、地震波等，這些信號并不符合人們對噪聲的定義，所以傳統(tǒng)信號去噪算法無法將這些信號全部剔除。而本發(fā)明所述的數(shù)據(jù)處理方法把這些信號一律視為背景，所以信號信噪比能得到極大的提升。

14、3)傳統(tǒng)信號處理的步驟注重對一維信號去噪(某一個虛擬通道信號去噪)。而本發(fā)明利用條件gan網(wǎng)絡(luò)的損失函數(shù)注重圖像結(jié)構(gòu)性信息的這一特性，能夠?qū)W習到運動軌跡的時空特性，并且，在學(xué)習到運動軌跡的時空特性之后還能對一些很淡的軌跡做到軌跡補齊。

15、4)傳統(tǒng)交通檢測算法使用的是直線檢測算法，當車速較低、加速、減速、停車時軌跡都不是直線，并且，行人軌跡更無法用直線檢測算法進行檢測。而本發(fā)明中利用目標檢測網(wǎng)絡(luò)進行交通檢測，對任何形式的軌跡都能夠檢測并分類，并且，還可以計算每條運動軌跡的速度車速，實現(xiàn)了精確且有效地監(jiān)測。

16、以下將結(jié)合附圖及具體實施方式對本發(fā)明做進一步詳細說明。