基于热成像和深度学习的入侵检测技术

《IEEE Sensors Journal》：Thermal Imaging-Based Intrusion Detection Using Deep Learning

入侵检测系统通过热成像技术实现全天候监控，利用YOLOv12n架构检测五种入侵姿势（ creeping, crawling, stooping, climbing, 其他），在精度94.1%、召回率95.3%下表现优异，并适配边缘计算平台实现实时检测。

　　

摘要：

入侵报警系统是住宅和商业环境中防止未经授权的访问、盗窃、破坏以及其他安全漏洞的第一道防线。自动入侵报警系统通过持续监控敏感区域并在检测到可疑活动时立即发出警报来增强安全性。与基于RGB摄像头的入侵检测方法相比，热成像技术在户外环境中具有更高的隐私性和可用性，无论天气条件和照明如何。准确地对热图像中的个体进行分类对于识别潜在威胁和实施有效的安全措施至关重要。在本文中，我们提出了一种基于热成像的人体姿态检测模型，该模型采用了“你只需看一次”（YOLO）架构，用于入侵报警系统。该模型能够检测五种入侵者的姿态，包括匍匐、爬行、弯腰、攀爬以及“其他”姿态，从而识别入侵者的存在。我们还研究了不同YOLO架构在入侵检测中的有效性。实验结果表明，基于YOLOv12n的人体姿态分类模型在性能上优于许多先进的模型，精确度为94.1%，召回率为95.3%，平均精度为97.7%，五个类别的准确率均超过96%。该模型在各种图像退化和几何变换情况下表现出强大的性能。YOLO架构还被部署在各种边缘计算平台上，展现了良好的实时性能。

引言

安全和监控是大多数商业场所中防止未经授权访问和安全漏洞的重要组成部分[1]、[2]、[3]。入侵检测对于确保受保护区域内人员和财产的安全至关重要[4]。传统的安全措施，如物理屏障或人工监控，由于覆盖范围和响应时间的限制，往往效果不佳。自动检测和报警可疑情况对于通过防止未经授权的进入、可疑行为和非法越境来增强安全性至关重要[2]、[5]。在大多数传统的安全和监控系统中，使用RGB摄像头来及时检测任何可疑活动[3]、[4]。可见光谱对象检测算法存在局限性，包括动态范围低、曝光调整缓慢以及在高对比度和恶劣天气条件下的效率低下[6]。尽管激光检测和测距（LADAR）、光检测和测距（LiDAR）、3D激光扫描或超声波传感器可以在恶劣天气条件下用于人体存在检测[6]、[7]，但热成像能够提供更好的视觉表现，并根据人体姿态帮助区分入侵者和非入侵者。