基于多维特征空间的低空声目标综合识别方法及装置制造方法及图纸

本发明专利技术涉及一种基于多维特征空间的低空声目标综合识别方法及装置，通过多通道声音传感器阵列采集信号；对采集信号进行分析计算，获得包括时频特征、空间特征和谐波特征的多维特征向量；将所述多维特征向量输入至目标分类模型，进行目标识别。本发明专利技术能够有效提高目标识别率。

【技术实现步骤摘要】
基于多维特征空间的低空声目标综合识别方法及装置
本专利技术涉及一种基于多维特征空间的低空声目标综合识别方法及装置。
技术介绍
利用声传感器被动接收低空运动目标(如直升机、战斗机等)辐射噪声信号，并利用阵列信号处理和模式识别等方法，可得到目标的方位、属性、运动状态等信息。声探测具有不受电磁干扰、隐蔽性好、生存能力强；声波具有绕射特性，不受通视、能见度条件限制，在山地、丘陵等复杂地形条件下，以及夜间、雨雾等不良气象条件下，对低空隐蔽目标能够准确探测；利用目标噪声提取声纹特征，可实现目标类型、型号的精准识别。声目标识别技术包括声信号特征提取和分类器设计两个阶段，其中前者是决定目标识别性能的关键。现有声音识别方法所采用的声信号特征主要包括时域特征(如短时能量、过零率、自相关系数等)、频域特征(如功率谱、AR谱、高阶谱等)、时频域特征(如小波包系数、短时幅度谱等)以及听觉感知类特征(如MFCC、Gammatone听觉谱特征等)。上述几类特征从原理上均属于单通道信号特征，即基于单个传声器信号便可完成特征提取，所提取的特征通常只能涵盖目标信号的时频统计特性。然而，仅提取这些特征对描述目标特性是不完备的，因为目标与环境干扰间在时频特性上往往存在较大相似性，如直升机目标和某些类型的汽车具有相似的线谱特征，战斗机与卡车等干扰源具有宽谱特性，从而会产生较多虚警。
技术实现思路
本专利技术的专利技术目的在于提供一种基于多维特征空间的低空声目标综合识别方法及装置，能够有效提高目标识别率。基于同一专利技术构思，本专利技术具有两个独立的技术方案：1、一种基于多维特征空间的低空声目标综合识别方法，其特征在于，包括以下步骤：步骤1：通过多通道声音传感器阵列采集信号；步骤2：对采集信号进行分析计算，获得包括时频特征、空间特征和谐波特征的多维特征向量；步骤3：将所述多维特征向量输入至目标分类模型，进行目标识别。进一步地，步骤2中，时频特征、谐波特征通过对单通道信号的分析计算获得；空间特征通过对多通道信号的分析计算获得。进一步地，步骤2中，信号的时频特征通过如下方法获得，将信号通过傅里叶变换获得频谱，对频谱取模平方获得其功率谱；通过Mel滤波器组对所述功率谱进行滤波，获得Mel谱；对所述Mel谱进行离散余弦变换获得Mel频率倒谱系数MFCC。进一步地，步骤2中，信号的谐波特征通过如下方法获得，通过谐波检测获得谐波谱；对所述谐波谱进行离散余弦变换获得谐波谱倒谱系数HPCC。进一步地，基于如下公式进行谐波检测,|frequency(k)/fm-imk|≤ε式中frequency(k)表示各功率谱谱峰对应的频率，fm是假定基频，imk对应谐波次数,ε是选定的阈值。进一步地，步骤2中，信号的空间特征通过如下方法获得，基于信号的时频谱，多通道计算每个时频单元的局部DOA估计，得到空间谱；对所述空间谱进行离散余弦变换获得空间倒谱系数SPCC。进一步地，步骤3中，目标分类模型采用GMM-HMM模型。进一步地，步骤3中，针对每个目标类型建立一个GMM-HMM模型；目标类型包括直升机、战斗机、环境干扰。进一步地，步骤3中，建立目标分类模型时，模型参数通过如下方法训练获得，步骤3.1：设置最大训练次数，并设置归一化收敛阈值ε；给定初始参数λ；步骤3.2：利用Baum-Welch重估算法对初始化参数λ进行参数重估，得到新的模型参数步骤3.3：利用维特比算法求所有观察值序列的输出概率步骤3.4：计算观察值序列的输出概率P的变化，如若则令并返回步骤3.2继续进行迭代，直到模型参数收敛；如果迭代次数大于最大训练次数，即使不收敛也停止运算。2、一种基于多维特征空间的低空声目标综合识别装置，其特征在于，包括：多通道声音传感器阵列，所述多通道声音传感器阵列用于采集声音信号；声音信号分析计算单元，所述声音信号分析计算单元用于对采集信号进行分析计算，获得包括时频特征、空间特征和谐波特征的多维特征向量；目标识别单元，所述目标识别单元包括目标分类模型，将所述多维特征向量输入至所述目标分类模型，进行目标识别；显示单元，所述显示单元用于将目标识别结果进行显示。。本专利技术具有的有益效果：本专利技术对采集信号进行分析计算，获得包括时频特征、空间特征和谐波特征的多维特征向量，其中空间特征可有效区分具有不同运动速率的目标，如直升机、战斗机和环境干扰(如汽车)等。谐波特征可对有谐波噪声的目标进行有效区分，比如直升机、无人机等典型目标具有独特的螺旋桨动力结构，其运动会辐射出高强度的谐波噪声。本专利技术结合时频特征、空间特征和谐波特征对目标进行识别，可有效提高目标识别率。本专利技术目标分类模型采用GMM-HMM模型；针对每个目标类型建立一个GMM-HMM模型；目标类型包括直升机、战斗机、环境干扰，进一步保证在复杂噪声环境下有效识别目标，剔除各类干扰引起的虚警，降低探测虚警率。附图说明图1是本专利技术方法流程图；图2是GMM-HMM模型组成示意图；图3是不同特征组合的平均识别率和混淆矩阵；图4是本专利技术装置的原理框图。具体实施方式下面结合附图所示的实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本专利技术的保护范围之内。实施例一：基于多维特征空间的低空声目标综合识别方法如图1所示，一种基于多维特征空间的低空声目标综合识别方法，包括如下步骤：步骤1：通过多通道声音传感器阵列采集信号。采样频率为1024Hz，对信号利用1s长重叠率为50％的短时窗进行分帧。步骤2：对采集信号进行分析计算，获得包括时频特征、空间特征和谐波特征的多维特征向量。时频特征、谐波特征通过对单通道信号的分析计算获得；空间特征通过对多通道信号的分析计算获得。(一)时频特征将信号通过傅里叶变换获得频谱，对频谱取模平方获得其功率谱；通过Mel滤波器组对所述功率谱进行滤波，获得Mel谱；对所述Mel谱进行离散余弦变换获得Mel频率倒谱系数MFCC。Mel频率倒谱系数(MFCC)是声目标识别中常用的特征。人耳在各种嘈杂环境中具有出众的目标辨识能力，其中耳蜗起了关键作用。耳蜗实质上相当于一个滤波器组，耳蜗滤波作用是在对数频率尺度上进行的，因而其低频分辨率高，高频分辨率低。由于低空目标噪声在低频的信息较之高频更为丰富，因而这种频率尺度划分对于提取特征具有重要意义。根据人耳音调感知关系，可得到Mel频率尺度及对应的滤波器组。Mel频率尺度与普通频率尺度的关系为MFCC的提取过程包括预加重、分帧、加窗、FFT、Mel频率滤波器组、对数计算、离散余本文档来自技高网...

【技术保护点】
1.一种基于多维特征空间的低空声目标综合识别方法，其特征在于，包括以下步骤：/n步骤1：通过多通道声音传感器阵列采集信号；/n步骤2：对采集信号进行分析计算，获得包括时频特征、空间特征和谐波特征的多维特征向量；/n步骤3：将所述多维特征向量输入至目标分类模型，进行目标识别。/n

【技术特征摘要】
1.一种基于多维特征空间的低空声目标综合识别方法，其特征在于，包括以下步骤：
步骤1：通过多通道声音传感器阵列采集信号；
步骤2：对采集信号进行分析计算，获得包括时频特征、空间特征和谐波特征的多维特征向量；
步骤3：将所述多维特征向量输入至目标分类模型，进行目标识别。


2.根据权利要求1所述的基于多维特征空间的低空声目标综合识别方法，其特征在于：步骤2中，时频特征、谐波特征通过对单通道信号的分析计算获得；空间特征通过对多通道信号的分析计算获得。


3.根据权利要求1所述的基于多维特征空间的低空声目标综合识别方法，其特征在于：步骤2中，信号的时频特征通过如下方法获得，
将信号通过傅里叶变换获得频谱，对频谱取模平方获得其功率谱；
通过Mel滤波器组对所述功率谱进行滤波，获得Mel谱；
对所述Mel谱进行离散余弦变换获得Mel频率倒谱系数MFCC。


4.根据权利要求1所述的基于多维特征空间的低空声目标综合识别方法，其特征在于：步骤2中，信号的谐波特征通过如下方法获得，
通过谐波检测获得谐波谱；
对所述谐波谱进行离散余弦变换获得谐波谱倒谱系数HPCC。


5.根据权利要求4所述的基于多维特征空间的低空声目标综合识别方法，其特征在于:基于如下公式进行谐波检测,
|frequency(k)/fm-imk|≤ε
式中frequency(k)表示各功率谱谱峰对应的频率，fm是假定基频，imk对应谐波次数,ε是选定的阈值。


6.根据权利要求4所述的基于多维特征空间的低空声目标综合识别方法，其特征在于：步骤2中，信号的空间特征通过如下方法获得...

【专利技术属性】
技术研发人员：杨立学，王志峰，周印龙，袁彦，
申请(专利权)人：中国电子科技集团公司第三研究所，
类型：发明
国别省市：北京;11