基于深度残差收缩网络的车辆碰撞检测方法及装置制造方法及图纸

本申请涉及智能交通技术领域，公开了一种基于深度残差收缩网络的车辆碰撞检测方法及装置，具体包括以下步骤：S1、采集车辆碰撞事故多发地段的实时音频数据作为样本数据，并对音频数据进行类别标注；S2、对采集的音频数据进行预处理；S3、对预处理后的音频数据进行特征计算；S4、特征融合；S5、构造深度残差收缩网络模型并进行模型训练，保存训练好的模型；S6、车辆碰撞预测，对新的输入样本做预处理、特征计算以及特征融合后输入至保存好的模型中，计算其属于每个类别的概率值大小，以此来判断是否发生了车辆碰撞。本申请能够更好的消除噪声，提高模型的精度，并最终提高车辆碰撞预测的精度。

Vehicle collision detection method and device based on depth residual shrinkage network

【技术实现步骤摘要】
基于深度残差收缩网络的车辆碰撞检测方法及装置
本申请涉及智能交通
，具体涉及一种基于深度残差收缩网络的车辆碰撞检测方法。
技术介绍
随着社会经济不断的发展，道路上行驶的汽车逐渐增多，伴随着车辆碰撞事故的发生日益频繁，如何高效智能地检测车辆碰撞迫在眉睫。目前检测方法主要有基于视频图像的车流量统计判断方法和车辆车速突变检测方法。针对基于视频图像的车流量统计判断方法，在道路发生拥堵时，由于遮挡现象尤其严重，因此流量数据的可靠性大大降低，通过该方式反馈的事故信息比较滞后，并且由于视频检测的范围有限，如果碰撞导致的车辆停车行为不在视频画面中，还会会产生漏检的可能；而针对第二种方法，如果不是由于碰撞导致的车辆快速停车行为则会产生误判。基于碰撞声信号的方法可以通过提取声信号的声频特征，实时检测碰撞事故的发生，也无需安装高清摄像头，降低了成本，但是由于受到环境背景噪声的干扰太大，而车辆碰撞事故发生现场通常伴随复杂的背景噪声，因此很容易产生误判的情况。
技术实现思路
为了克服上述现有技术中存在的问题和不足，本申请提出了一种基于声信号特征融合和深度残差收缩网络的车辆碰撞检测方法，本申请融合多种声信号特征，使用深度残差收缩网络进行模型训练，具有更好的鲁棒性，提高了预测准确度。为了实现上述专利技术目的，本申请的技术方案如下：一种基于深度残差收缩网络的车辆碰撞检测方法，包括以下步骤：S1、采集车辆碰撞事故多发地段的实时音频数据作为样本数据，并对音频数据进行类别标注；S2、对采集的音频数据进行预处理；S3、对预处理后的音频数据进行特征计算，包括MFCC特征及其一阶差分计算、GFCC特征及其一阶差分计算以及小波能量特征计算，将计算得到的特征做归一化处理；S4、特征融合，使用基于DCA特征融合策略分别对归一化后的MFCC特性和GFCC特征、特征与特征做特征变换，最大化变换后两个特征集中对应特征的相关关系，同时最大化不同类之间的差异，然后将变换后得到的新的MFCC特征、GFCC特征、特征、特征与小波能量特征依次使用concat方法进行拼接形成新的特征，用于神经网络模型的训练；S5、构造深度残差收缩网络模型并进行模型训练，保存训练好的模型；S6、车辆碰撞预测，对新的输入样本做预处理、特征计算以及特征融合后输入至保存好的模型中，计算其属于每个类别的概率值大小，概率值最大的那个类别就代表输入样本声音的类别，以此来判断是否发生了车辆碰撞。进一步地，所述步骤S1中，采集的实时音频数据包括车辆碰撞声、喇叭声、人声、音乐以及轮胎摩擦声，存储为时长5s、采样频率为32kHz的音频文件，并进行类别标注。进一步地，所述步骤S2中，读取音频数据，首先进行幅值归一化和滤波去噪处理，然后对音频数据进行预加重、分帧以及加窗操作。进一步地，所述步骤S3中，MFCC特征及其一阶差分计算过程如下：1）对预处理后的数据进行快速傅里叶变换，将数据从时域转换到频域，得到频谱上的能量分布，取其模的平方得到谱线能量；然后送入Mel三角滤波器组得到梅尔频谱图；对得到的梅尔频谱图进行对数运算以获得梅尔对数功率频谱图；最后对该对数功率频谱图进行离散余弦变换后就可得到MFCC特征，MFCC特征计算公式如下：式（1）；其中，M是三角滤波器的个数；是第m个对数梅尔频谱图的对数能量；c是倒谱系数的索引；2）MFCC特征的一阶差分的计算公式如下：式（2）；其中，t表示第t帧，k表示取第t帧前后各k帧的MFCC特征参数。进一步地，所述步骤S3中，GFCC特征及其一阶差分计算过程如下：1）对预处理后的数据进行快速傅里叶变换，将数据从时域转换到频域，得到频谱上的能量分布，取其模的平方得到谱线能量；然后送入Ganmmatone滤波器组得到Ganmmatone频谱图；对得到的Ganmmatone频谱图进行对数运算以获得Ganmmatone对数功率频谱图；最后对该对数功率频谱图进行离散余弦变换后就可得到GFCC特征；Ganmmatone滤波器的时域表达式如下：式（3）；其中，为滤波器的增益，为滤波器的中心频率，为阶跃函数，为偏移相位，为滤波器的阶数，为滤波器数目，为滤波器的衰减因子，决定当前滤波器对脉冲响应的衰减速度，与中心频率的对应关系如下：式（4）；其中，为等效矩形带宽，与重心频率的关系如下：式（5）；最终得到GFCC特征，其计算公式如下：式（6）；其中，是Gammatone滤波器的个数，是第n个对数Gammatone频谱图的对数能量，c是倒谱系数的索引；2）GFCC特征的一阶差分的计算公式如下：式（7）；其中，t表示第t帧，k表示取第t帧前后各k帧的GFCC特征参数。进一步地，所述步骤S3中，小波能量特征计算具体过程如下：对预处理后的每帧数据做n层小波分解，得到低频概貌系数CA和高频细节系数；对高频细节系数采用改进的阈值和改进的Garrote阈值函数做进一步地阈值处理，使用经过阈值处理后的小波分解系数计算小波系数能量；改进的阈值计算公式如下：式（8）；式（9）；其中，表示第层的阈值，表示信号长度，表示自然对数，为噪声的标准方差，表示小波分解第一层的细节系数，函数表示取数组的中值；改进的Garrote阈值函数计算公式如下：式（10）；其中，表示小波分解第层细节系数的第个值，表示计算得到的第层的阈值；使用经过阈值处理后的小波分解系数计算小波系数能量，计算公式如下：式（11）；式（12）；其中，表示小波分解第层细节系数，表示第层细节系数的能量值，表示的长度，表示第层细节系数的第个值，表示小波分解的低频概貌系数，表示低频概貌系数的能量值，表示的长度，表示的第个值；经计算后，得到该帧声信号的小波能量特征如下：式（13）；其中，表示第h层的小波细节系数能量值。进一步地，所述步骤S3中，归一化处理具体过程如下：使用min-max归一化，对原始数据进行线性变换，映射到[0,1]区间，转换公式如下：式（14）；其中，x表示转换前的原始特征数值，表示归一化后的特征数值，max为原始数据的最大值，min为原始数据的最小值。进一步地，所述步骤S5具体如下：1）构造深度残差收缩网络模型所述深度残差收缩网络模型包括输入层、卷积层、深度残差收缩网络基本模块、全局均值池化层以及全连接输出层，构造过程如下：首先构造深度残差收缩网络基本模块，模块中嵌入了一个子网络，用于自动地设置软阈值化所需要的阈值，采用通道间共享阈值的残差收缩模块，首先对输入特征图经过两次批标准化、ReLu激活函数和卷积层操作；然后对所有特征求绝对值，取其平均值记为特征；在另一条路径中，将特征的绝对值通过全局均值池化之后，输入到一个两层的全连接网络，然本文档来自技高网...

【技术保护点】
1.一种基于深度残差收缩网络的车辆碰撞检测方法，其特征在于：包括以下步骤：/nS1、采集车辆碰撞事故多发地段的实时音频数据作为样本数据，并对音频数据进行类别标注；/nS2、对采集的音频数据进行预处理；/nS3、对预处理后的音频数据进行特征计算，包括MFCC特征及其一阶差分计算、GFCC特征及其一阶差分计算以及小波能量特征计算，将计算得到的特征做归一化处理；/nS4、特征融合，使用基于DCA特征融合策略分别对归一化后的MFCC特性和GFCC特征、

【技术特征摘要】
1.一种基于深度残差收缩网络的车辆碰撞检测方法，其特征在于：包括以下步骤：
S1、采集车辆碰撞事故多发地段的实时音频数据作为样本数据，并对音频数据进行类别标注；
S2、对采集的音频数据进行预处理；
S3、对预处理后的音频数据进行特征计算，包括MFCC特征及其一阶差分计算、GFCC特征及其一阶差分计算以及小波能量特征计算，将计算得到的特征做归一化处理；
S4、特征融合，使用基于DCA特征融合策略分别对归一化后的MFCC特性和GFCC特征、特征与特征做特征变换，最大化变换后两个特征集中对应特征的相关关系，同时最大化不同类之间的差异，然后将变换后得到的新的MFCC特征、GFCC特征、特征、特征与小波能量特征依次使用concat方法进行拼接形成新的特征，用于神经网络模型的训练；
S5、构造深度残差收缩网络模型并进行模型训练，保存训练好的模型；
S6、车辆碰撞预测，对新的输入样本做预处理、特征计算以及特征融合后输入至保存好的模型中，计算其属于每个类别的概率值大小，概率值最大的那个类别就代表输入样本声音的类别，以此来判断是否发生了车辆碰撞。


2.根据权利要求1所述的基于深度残差收缩网络的车辆碰撞检测方法，其特征在于：所述步骤S1中，采集的实时音频数据包括车辆碰撞声、喇叭声、人声、音乐以及轮胎摩擦声，存储为时长5s、采样频率为32kHz的音频文件，并进行类别标注。


3.根据权利要求1所述的基于深度残差收缩网络的车辆碰撞检测方法，其特征在于：所述步骤S2中，读取音频数据，首先进行幅值归一化和滤波去噪处理，然后对音频数据进行预加重、分帧以及加窗操作。


4.根据权利要求1所述的基于深度残差收缩网络的车辆碰撞检测方法，其特征在于，所述步骤S3中，MFCC特征及其一阶差分计算过程如下：
1）对预处理后的数据进行快速傅里叶变换，将数据从时域转换到频域，得到频谱上的能量分布，取其模的平方得到谱线能量；然后送入Mel三角滤波器组得到梅尔频谱图；对得到的梅尔频谱图进行对数运算以获得梅尔对数功率频谱图；最后对该对数功率频谱图进行离散余弦变换后就可得到MFCC特征，MFCC特征计算公式如下：

式（1）；
其中，M是三角滤波器的个数；是第m个对数梅尔频谱图的对数能量；c是倒谱系数的索引；
2）MFCC特征的一阶差分的计算公式如下：

式（2）；
其中，t表示第t帧，k表示取第t帧前后各k帧的MFCC特征参数。


5.根据权利要求1所述的基于深度残差收缩网络的车辆碰撞检测方法，其特征在于，所述步骤S3中，GFCC特征及其一阶差分计算过程如下：
1）对预处理后的数据进行快速傅里叶变换，将数据从时域转换到频域，得到频谱上的能量分布，取其模的平方得到谱线能量；然后送入Ganmmatone滤波器组得到Ganmmatone频谱图；对得到的Ganmmatone频谱图进行对数运算以获得Ganmmatone对数功率频谱图；最后对该对数功率频谱图进行离散余弦变换后就可得到GFCC特征；
Ganmmatone滤波器的时域表达式如下：

式（3）；
其中，为滤波器的增益，为滤波器的中心频率，为阶跃函数，为偏移相位，为滤波器的阶数，为滤波器数目，为滤波器的衰减因子，决定当前滤波器对脉冲响应的衰减速度，与中心频率的对应关系如下：

式（4）；
其中，为等效矩形带宽，与重心频率的关系如下：

式（5）；
最终得到GFCC特征，其计算公式如下：

式（6）；
其中，是Gammatone滤波器的个数，是第n个对数Gammatone频谱图的对数能量，c是倒谱系数的索引；
2）GFCC特征的一阶差分的计算公式如下：

式（7）；
其中，t表示第t帧，k表示取第t帧前后各k帧的GFCC特征参数。


6.根据权利要求1所述的基于深度残差收缩网络的车辆碰撞检测方法，其特征在于，所述步骤S3中，小波能量特征计算具体过程如下：
对预处理后的每帧数据做n层小波分解，得到低频概貌系数CA和高频细节系数；对高频细节系数采用改进的阈值和改进的Garrote阈值函数做进一步地阈值处理，使用经过阈值处理后的小波分解系数计算小波系数能量；
改进的阈值计算公式如下：

【专利技术属性】
技术研发人员：吴彩萍，申莲莲，张蓉，邓承刚，
申请(专利权)人：四川九通智路科技有限公司，
类型：发明
国别省市：四川;51