一种基于深度学习的野外车辆识别方法技术

本发明专利技术涉及一种基于深度学习的野外车辆识别方法，包括：步骤S1，通过传感器采集目标车辆产生的原始声音信号和震动信号；步骤S2，分别对采集到的原始声音信号和震动信号进行特征提取，分别得到声音信号以及震动信号的频谱图；步骤S3，将所述声音信号频谱图和震动信号频谱图分别输入至并行的MobileNet V1网络，得到声音信号和震动信号的特征图并将两者拼接融合；步骤S4，将所述拼接融合后的特征图输送至Softmax层，使用Softmax函数识别出目标车辆的种类。本发明专利技术融合声音震动信号来识别野外车辆，拥有较高的识别率，并且本发明专利技术基于深度学习的识别方法具有较强的泛化能力。

A field vehicle recognition method based on deep learning

【技术实现步骤摘要】
一种基于深度学习的野外车辆识别方法
本专利技术涉及车辆识别领域，更具体地涉及一种基于深度学习的野外车辆识别方法。
技术介绍
传统的野外车辆识别方法是对单一信号，例如图像信号或声音信号进行信号处理得到表征信号的特征，然后使用机器学习方法进行检测识别。常用的特征有：梅尔倒谱系数(Mel-FrequencyCepstrumCoefficients，简称MFCC)、离散小波变换(DiscreteWaveletTransform，简称DWT)、快速傅里叶变换频谱信息(FastFourierTransform，简称FFT)、短时能量、基于经验模式分解(EmpiricalModeDecomposition，简称EMD)以及线性预测倒谱系数(LinearPredictionCoefficient，简称LPCC)；而常用的分类方法有：支持向量机(SupportVectorMachine，简称SVM)、k近邻法(k-NearestNeighbor，简称KNN)、稀疏表示分类(SparseRepresentationClassification，简称SRC)以及混合高斯模型(GaussianMixedModel，简称GMM)。利用传统机器学习方法识别野外车辆流程如图1所示。目前，实际被广泛应用的野外车辆识别方法是对车辆声音信号提取梅尔倒谱系数(MFCC)，然后选择GMM模型来识别野外车辆。提取MFCC步骤如下：预加重、分帧、加窗、快速傅里叶变换、梅尔滤波器组以及离散余弦变换。然而，MFCC提取方法对噪声比较敏感，导致这种识别方法在信号噪声较大的情况下识别率不理想。另外，单一的声音信号不能完全表征车辆的特征。
技术实现思路
本专利技术提供一种基于深度学习的野外车辆识别方法，解决了现有技术中野外车辆识别方法在信号噪声较大的情况下识别率不理想的问题。本专利技术提供的一种基于深度学习的野外车辆识别方法，包括：步骤S1，通过传感器采集目标车辆产生的原始声音信号和震动信号；步骤S2，分别对采集到的原始声音信号和震动信号进行特征提取，分别得到声音信号以及震动信号的频谱图；步骤S3，将所述声音信号频谱图和震动信号频谱图分别输入至并行的MobileNetV1网络，得到声音信号和震动信号的特征图并将两者拼接融合；步骤S4，将所述拼接融合后的特征图输送至Softmax层，使用Softmax函数识别出目标车辆的种类。所述步骤S2中特征提取的方法为：首先对原始信号分帧加窗，然后作短时傅里叶变换得到能量密度谱，最后通过彩色映射得到信号频谱图。所述步骤S3中所述声音信号和震动信号的特征图通过MobileNetV1神经网络训练声音信号频谱图和震动信号频谱图而得。所述MobileNetV1神经网络训练频谱图的方法为：每训练一次计算损失函数，通过减小损失函数来修改MobileNetV1网络模型参数，直到达到预期要求。所述损失函数采用交叉熵函数。所述交叉熵函数按公式(1)计算：其中，p指的是真实概率分布，q指的是预测概率分布。所述步骤S4具体为：首先使用Softmax函数计算出每种车辆对应的概率，然后比较计算出的各概率值，取最接近1的概率值所对应的车辆为目标车辆。所述Softmax函数按公式(2)计算：其中，j＝1,K,K，zj是Softmax层的输入，K为车辆的种类数，e是自然常数。本专利技术将卷积神经网络引入到野外车辆识别，使用声音和震动双重信号为目标输入信号，借助两张并行MobileNetV1网络模型，将声音和震动信号的频谱图经训练而分别得到声音和震动信号的特征图(featuremap)，将这两种特征图耦合在一起实现两种信号之间特征级融合，最后使用Softmax函数来实现检测分类从而实现野外车辆种类的识别。本专利技术融合声音和震动信号来识别野外车辆，拥有较高的识别率，并且本专利技术基于深度学习的识别方法具有较强的泛化能力。附图说明图1是传统野外车辆识别方法流程图。图2是按照本专利技术的野外车辆识别方法流程图。图3是对声音和震动信号进行频谱图生成的流程图。图4(a)是车辆行驶一次采集到的一条完整声音信号的频谱图；图4(b)是车辆行驶一次采集到的一条完整震动信号的频谱图。图5(a)是传统卷积方式的流程图；图5(b)是深度可分离卷积方式的流程图。图6是MobileNetV1网络结构图。具体实施方式下面结合附图，给出本专利技术的较佳实施例，并予以详细描述。本专利技术提供的一种基于深度学习的野外车辆识别方法，应用于在水泥路、砂石路、硬土路等道路上行驶的车辆，如图2所示，包括：步骤S1，当野外车辆进入声音震动传感器检测范围时，传感器采集目标车辆产生的原始声音信号和震动信号。步骤S2，分别对采集到的原始声音信号和震动信号进行信号处理，得到卷积神经网络训练所需要的声音信号频谱图以及震动信号频谱图。信号处理的步骤如图3所示，具体为：首先对原始信号分帧加窗，然后作短时傅里叶变换得到能量密度谱，最后通过彩色映射得到信号频谱图。所述卷积神经网络常用于图像领域多维信号的处理识别，而声音震动信号是一维信号，本专利技术先将声音和震动信号进行处理转化为二维的频谱图。该频谱图是连接了时域和频域的二维平面图。如图4(a)和(b)所示，为某种车辆行驶一次采集到的一条完整声音和震动信号的频谱图。其横轴为时间，纵轴为频率，图中点的值代表在特定时间的特定频率的幅值。图中点颜色的深浅表示幅值的大小，颜色越深则幅值越大，颜色越浅则幅值越小，因而该频谱图用二维平面表达出了三维信息。本专利技术之所以选择频谱图作为信号特征，是因为卷积神经网络多用于图像领域的识别分类，而频谱图刚好将一维的声音震动信号转化为二维平面图，从而能通过卷积神经网络训练来得到信号特征图。步骤S3，随后，将声音信号频谱图和震动信号频谱图分别输入至两张并行的MobileNetV1网络，用并行MobileNetV1神经网络来训练频谱图分别得到声音和震动信号的特征图(featuremap)，并将两特征图拼接在一起，从而实现两种信号特征级上的融合。这里所述的特征图实质上是指一种多维向量，并没有生成实际的图片，而所述的拼接即指的是向量拼接。这里所述的MobileNetV1是一种为嵌入式设备设计的轻型卷积神经网络，它能够在计算资源受限时通过小型化参数来有效地最大化识别率。具体来说，首先，该网络参数数量少，降低了网络的过拟合可能性；其次，该网络计算量小，适用于嵌入式这种计算资源受限的平台。对于本案来说，该网络模型的主要贡献在于可以采用深度可分离卷积来代替传统的卷积。图5(a)和图5(b)是传统卷积方式与深度可分离卷积方式的对比图，其中的每个小框都是卷积神经网络的一小组成部分，conv对应卷积层，3*3和1*1指的是卷积核大小，BN指的是批量归一化(batchnomalization)层，RELU是激活函数。从图中可以看到，传统的卷积过程一本文档来自技高网...

【技术保护点】
1.一种基于深度学习的野外车辆识别方法，其特征在于，包括：/n步骤S1，通过传感器采集目标车辆产生的原始声音信号和震动信号；/n步骤S2，分别对采集到的原始声音信号和震动信号进行特征提取，分别得到声音信号以及震动信号的频谱图；/n步骤S3，将所述声音信号频谱图和震动信号频谱图分别输入至并行的MobileNet V1网络，得到声音信号和震动信号的特征图并将两者拼接融合；/n步骤S4，将所述拼接融合后的特征图输送至Softmax层，使用Softmax函数识别出目标车辆的种类。/n

【技术特征摘要】
1.一种基于深度学习的野外车辆识别方法，其特征在于，包括：
步骤S1，通过传感器采集目标车辆产生的原始声音信号和震动信号；
步骤S2，分别对采集到的原始声音信号和震动信号进行特征提取，分别得到声音信号以及震动信号的频谱图；
步骤S3，将所述声音信号频谱图和震动信号频谱图分别输入至并行的MobileNetV1网络，得到声音信号和震动信号的特征图并将两者拼接融合；
步骤S4，将所述拼接融合后的特征图输送至Softmax层，使用Softmax函数识别出目标车辆的种类。


2.根据权利要求1所述的野外车辆识别方法，其特征在于，所述步骤S2中特征提取的方法为：首先对原始信号分帧加窗，然后作短时傅里叶变换得到能量密度谱，最后通过彩色映射得到信号频谱图。


3.根据权利要求1所述的野外车辆识别方法，其特征在于，所述步骤S3中所述声音信号和震动信号的特征图通过并行MobileNetV1神经网络训练声音信号频谱图和震动信号频谱图而得。


4.根据权利要求3所述的野...

【专利技术属性】
技术研发人员：易强，覃荣华，李宝清，陈益刚，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
类型：发明
国别省市：上海;31