一种高速公路隧道安全监控系统技术方案

本发明专利技术公开了一种高速公路隧道安全监控系统，包括设置在隧道中的多个声音采集模块、与所述声音采集模块相连接的声音识别模块、设置在隧道进口上方的显示屏以及用于隧道监控信息处理与控制的隧道监控中心；所述显示屏用于显示隧道监控信息；所述声音采集模块用于连续采集隧道内的声音信号；所述声音识别模块用于识别所采集的声音信号中是否杂含碰撞声/人声并以此判断隧道内是否出现异常事件断隧道内是否出现异常事件。采用本发明专利技术的技术方案，通过将声音识别技术应用于隧道监控领域，并根据隧道场景的特殊应用要求采用深度神经网络实现隧道声音识别，从而进一步完善了隧道安全的全方位监控，并能及时预警隧道中的异常事件。

【技术实现步骤摘要】
一种高速公路隧道安全监控系统
本专利技术涉及智能交通领域，尤其涉及一种能够快速检测重大交通事故的高速公路隧道安全监控系统。
技术介绍
随着我国隧道工程技术的进步，目前高速公路隧道长度动辄数公里，甚至几十上百公里，正是这些隧道极大缩短了高速行程，拉近了人们的时空距离。然而，高速公路隧道也是交通流的重大瓶颈，也是交通事故频发之地。随着智能交通时代的来临，“智能隧道”已经兴起，一些新近建成的隧道设有隧道监控站，在隧道内埋设光纤，能直接接入智能交通系统；为了提高隧道交通的安全性，现有技术采用在隧道内安装集成化智能化监控系统，主要包括通风控制系统、照明控制系统、火灾报警系统、交通引导系统、广播系统和视频监控系统，这些系统在一定程度上保障了隧道交通的安全。但现有隧道监控系统依然存在以下缺陷：1、无法直接监控交通事故事件，现有技术中交通事故事件主要通过车流量、车流速度、车道占有率等参数间接判断，无法及时预警，影响事故救援；2、事故发生后，只能通过拨打报警电话求救，然而隧道内手机通讯信号时常不佳，无法及时求救；虽然在隧道内设有专线求救电话装置，但在实际事故现场，人们往往没有意识通过隧道内的电话装置进行求救，导致电话装置形同虚设，需要一种直接而自动的报警方式。故，针对目前现有技术中存在的上述缺陷，实有必要进行研究，以提供一种方案，解决现有技术中存在的缺陷。
技术实现思路
有鉴于此，确有必要提供一种能够快速检测重大交通事故的高速公路隧道安全监控系统，从而能够及时预警、救援，避免造成后发事故。为了克服现有技术的缺陷，本专利技术的技术方案如下：一种高速公路隧道安全监控系统，包括设置在隧道中的多个声音采集模块、与所述声音采集模块相连接的声音识别模块、设置在隧道进口上方的显示屏以及用于隧道监控信息处理与控制的隧道监控中心；所述显示屏用于显示隧道监控信息；所述声音采集模块用于连续采集隧道内的声音信号；所述声音识别模块用于识别所采集的声音信号中是否杂含碰撞声/人声并以此判断隧道内是否出现异常事件；如果判断为出现异常事件，所述隧道监控中心控制所述显示屏显示警报信息以提醒未驶入隧道车辆；所述声音识别模块包括特征第一提取模块、第一归一化模块、神经网络分类模块和神经网络训练模块，其中，所述第一特征提取模块用于接收原始采集声音数据，并对原始采集声音数据进行特征提取；所述第一归一化模块用于对特征提取后的数据进行高斯归一化处理，输出归一化数据；所述神经网络分类模块用于接收归一化数据及预先训练好的深度神经网络，并通过深度神经网络对所述归一化数据进行分类识别获得分类结果信息，所述分类结果信息为原始采集声音数据是否杂含碰撞声/人声的概率值，当该概率值超过预先设定的阈值时，则判定隧道内出现异常事件；所述神经网络训练模块用于接收训练数据并根据训练数据进行神经网络的训练，得到充分学习带噪样本和干净样本之间的非线性映射关系的深度神经网络，并输出所述深度神经网络至所述神经网络分类模块；所述神经网络训练模块包括第二特征提取模块、第二归一化模块、无监督学习预训练模块和监督学习优化模块，其中，所述无监督学习预训练模块用于发现输入数据中深层的抽象特征，采用受限制玻尔兹曼机(RBM)模型进行预训练并通过无监督学习的方式逐层渐进学习神经网络参数；所述监督学习优化模块采用反向传播(back-propagation，BP)算法，利用标注数据对神经网络参数进行有监督的精细调整。优选地，所述第一特征提取模块/第二特征提取模块进一步包括分帧模块、DFT变换模块、谱减滤波模块和对数功率谱处理模块，其中，所述分帧模块用于对输入数据进行分帧处理；所述DFT变换模块用于对分帧处理后的数据进行离散傅里叶变换得到频域信息；所述谱减滤波模块用于将所述频域信息在频谱上减去预先获得的稳态风机噪声频谱模板，输出滤波数据；所述对数功率谱处理模块用于对所述滤波数据进行对数功率谱处理。优选地，所述声音识别模块还包括平均能量检测模块和帧能量比较模块,其中，所述平均能量检测模块用于计算当前帧对数功率谱的平均能量值并发送给所述帧能量比较模块；所述帧能量比较模块用于计算相邻帧平均能量值的差值并判断该差值是否超出预设的阈值，如果超过则开启所述神经网络分类模块。优选地，所述帧能量比较模块接收当前车流量信息，并计算当前帧平均能量值是否超出预设的相应车流量信息所对应的能量值范围，如果超过则开启所述神经网络分类模块。优选地，所述声音识别模块设置在所述隧道监控中心中，所述声音采集模块与所述隧道监控中心采用光纤通讯。优选地，所述声音采集模块进一步包括由多个麦克风组成的麦克风阵列、音频处理模块、控制模块和传输模块，其中，所述麦克风阵列中多个麦克风呈一定几何形状固定设置在隧道内且每个麦克风具有唯一标识ID；所述控制模块与所述音频处理模块和传输模块相连接，用于控制所述音频处理模块和传输模块的工作；所述音频处理模块用于同步获取并标识每个麦克风采集的声音信号并对所述声音信号进行处理后输出音频信息，发送给所述传输模块；所述传输模块用于将音频信息传输至隧道监控中心；所述隧道监控中心还设置有声音定位模块，当所述声音识别模块判定隧道内出现异常事件时，获取该异常事件的时间信息；所述声音定位模块获取相应麦克风阵列在该时间信息内的音频信息，并根据每个麦克风固定的位置关系以及每个麦克风在该时间信息中对应音频信息的参数信息确定声音所处的具体位置；所述参数信息为每个麦克风在该时间信息中对应音频信息的峰值强度以及每个麦克风在峰值强度对应的时间差。优选地，还包括可旋转摄像装置，所述可旋转摄像装置设置在隧道中并与所述隧道监控中心相连接，当所述声音识别模块判定隧道内出现异常事件时，所述隧道监控中心控制所述可旋转摄像装置旋转至所述声音定位模块所确定的具体位置。优选地，所述隧道监控中心还设置有实时声音处理模块，当所述声音识别模块判定隧道内出现异常事件时，所述实时声音处理模块用于接收所述声音采集模块发送的音频信息并进行实时处理从而能够实时获取隧道内的声音信号。优选地，所述声音采集模块与隧道照明系统一体设置。优选地，还包括车流量检测装置，所述车流量检测装置用于采集车流量信息并发送给所述隧道监控中心。与现有技术相比较，本专利技术将声音识别技术应用于隧道监控领域，并根据隧道场景的特殊应用要求采用深度神经网络实现隧道声音识别，从而进一步完善了隧道安全的全方位监控，并能及时预警隧道中的异常事件。附图说明图1为本专利技术高速公路隧道安全监控系统的原理框图。图2为本专利技术高速公路隧道安全监控系统中声音识别模块的原理框图。图3为受限制玻尔兹曼机(RBM)结构示意图。图4为本专利技术中RBM的预训练示意图。图5为训练得到的深度神经网络的结构框图。图6为本专利技术中特征提取模块的原理框图。图7为本专利技术中声音识别模块另一种实施方式的原理框图。图8为本专利技术系统的另一种优选实施方式的原理框图。图9为本专利技术中声音采集模块的原理框图。图10为麦克风阵列排布的示意图。图11为本专利技术系统的又一种优选实施方式的原理框图。如下具体实施例将结合上述附图进一步说明本专利技术。具体实施方式以下将结合附图对本专利技术提供的高速公路隧道安全监控系统作进一步说明。近几年，随着云计算、大数据、人工智能、高性能计算硬件技术的成熟，尤其是机器学习领域深本文档来自技高网...

【技术保护点】
一种高速公路隧道安全监控系统，其特征在于，包括设置在隧道中的多个声音采集模块、与所述声音采集模块相连接的声音识别模块、设置在隧道进口上方的显示屏以及用于隧道监控信息处理与控制的隧道监控中心；所述显示屏用于显示隧道监控信息；所述声音采集模块用于连续采集隧道内的声音信号；所述声音识别模块用于识别所采集的声音信号中是否杂含碰撞声/人声并以此判断隧道内是否出现异常事件；如果判断为出现异常事件，所述隧道监控中心控制所述显示屏显示警报信息以提醒未驶入隧道车辆；所述声音识别模块包括特征第一提取模块、第一归一化模块、神经网络分类模块和神经网络训练模块，其中，所述第一特征提取模块用于接收原始采集声音数据，并对原始采集声音数据进行特征提取；所述第一归一化模块用于对特征提取后的数据进行高斯归一化处理，输出归一化数据；所述神经网络分类模块用于接收归一化数据及预先训练好的深度神经网络，并通过深度神经网络对所述归一化数据进行分类识别获得分类结果信息，所述分类结果信息为原始采集声音数据是否杂含碰撞声/人声的概率值，当该概率值超过预先设定的阈值时，则判定隧道内出现异常事件；所述神经网络训练模块用于接收训练数据并根据训练数据进行神经网络的训练，得到充分学习带噪样本和干净样本之间的非线性映射关系的深度神经网络，并输出所述深度神经网络至所述神经网络分类模块；所述神经网络训练模块包括第二特征提取模块、第二归一化模块、无监督学习预训练模块和监督学习优化模块，其中，所述无监督学习预训练模块用于发现输入数据中深层的抽象特征，采用受限制玻尔兹曼机(RBM)模型进行预训练并通过无监督学习的方式逐层渐进学习神经网络参数；所述监督学习优化模块采用反向传播(back‑propagation，BP)算法，利用标注数据对神经网络参数进行有监督的精细调整。...

【技术特征摘要】
1.一种高速公路隧道安全监控系统，其特征在于，包括设置在隧道中的多个声音采集模块、与所述声音采集模块相连接的声音识别模块、设置在隧道进口上方的显示屏以及用于隧道监控信息处理与控制的隧道监控中心；所述显示屏用于显示隧道监控信息；所述声音采集模块用于连续采集隧道内的声音信号；所述声音识别模块用于识别所采集的声音信号中是否杂含碰撞声/人声并以此判断隧道内是否出现异常事件；如果判断为出现异常事件，所述隧道监控中心控制所述显示屏显示警报信息以提醒未驶入隧道车辆；所述声音识别模块包括特征第一提取模块、第一归一化模块、神经网络分类模块和神经网络训练模块，其中，所述第一特征提取模块用于接收原始采集声音数据，并对原始采集声音数据进行特征提取；所述第一归一化模块用于对特征提取后的数据进行高斯归一化处理，输出归一化数据；所述神经网络分类模块用于接收归一化数据及预先训练好的深度神经网络，并通过深度神经网络对所述归一化数据进行分类识别获得分类结果信息，所述分类结果信息为原始采集声音数据是否杂含碰撞声/人声的概率值，当该概率值超过预先设定的阈值时，则判定隧道内出现异常事件；所述神经网络训练模块用于接收训练数据并根据训练数据进行神经网络的训练，得到充分学习带噪样本和干净样本之间的非线性映射关系的深度神经网络，并输出所述深度神经网络至所述神经网络分类模块；所述神经网络训练模块包括第二特征提取模块、第二归一化模块、无监督学习预训练模块和监督学习优化模块，其中，所述无监督学习预训练模块用于发现输入数据中深层的抽象特征，采用受限制玻尔兹曼机(RBM)模型进行预训练并通过无监督学习的方式逐层渐进学习神经网络参数；所述监督学习优化模块采用反向传播(back-propagation，BP)算法，利用标注数据对神经网络参数进行有监督的精细调整。2.根据权利要求1所述的高速公路隧道安全监控系统，其特征在于，所述第一特征提取模块/第二特征提取模块进一步包括分帧模块、DFT变换模块、谱减滤波模块和对数功率谱处理模块，其中，所述分帧模块用于对输入数据进行分帧处理；所述DFT变换模块用于对分帧处理后的数据进行离散傅里叶变换得到频域信息；所述谱减滤波模块用于将所述频域信息在频谱上减去预先获得的稳态风机噪声频谱模板，输出滤波数据；所述对数功率谱处理模块用于对所述滤波数据进行对数功率谱处理。3.根据权利要求1或2所述的高速公路隧道安全监控系统，其特征在于，所述声音识别模块还包括平均能量检测模块和帧能量比较模块,其中，所述平均能量检测模块用于计算当前帧对数功率谱的平均能量...

【专利技术属性】
技术研发人员：吴建锋，秦会斌，
申请(专利权)人：杭州派尼澳电子科技有限公司，
类型：发明
国别省市：浙江,33