夜间入侵预警系统是物联网(IoT)技术的一些最重要的应用。由于夜间缺乏安全人员并且视野有限,夜间闯入危险区域的入侵者面临很高的受伤或死亡风险。拥有自动预警系统来阻止入侵者对于公众安全和禁区安全至关重要。夜间入侵警告最重要的应用之一是防溺水。根据世界卫生组织(WHO)的数据,每年有37.2万人死于溺水事故。尽管大多数溺水事故发生在白天,但防止溺水的夜间入侵预警系统很重要,因为在夜间可能会缺少救生员,救援行动也更加困难[。由于持续的努力,以防止这些溺水事故的一部分,一些智能监控系统已使用闭路电视与计算机视觉和机器学习技术。这些系统自动检测在图像中既定边界之间游动的人员,并在系统发现有人越过安全线时向主管发出警报。但是,大多数系统使用白天拍摄的图像进行操作,而在夜间检测水中人员的性能却大大降低。
为了在夜间更有效地检测人员,一些研究采用了基于机器学习的方法,使用了从红外摄像机图像中提取的特定特征。这些基于机器学习的人体检测方法可以根据应用的特征描述符和分类器的类型进行分类。例如,直方图梯度方向(HOG)的,尺度不变特征变换(SIFT)样取向特征,和强度分布为基础的惯性特征(惯量)被广泛地用于功能提取,和支持向量机(SVM),或AdaBoost算法经常用作分类器。此外,哈尔级联分类器,这是基于公知的物体检测方法类Haar与升压级联分类器的功能,也被在几个研究。如果选择适当的特征和特征提取技术,则经典的机器学习方法通常会显示令人满意的检测性能。在另一方面,这些方法从在含有暧昧或嘈杂特征。