本发明专利技术涉及一种基于独立分量分析的车辆声音识别方法，属于音频处理和模式识别技术领域。其步骤是：对各类车辆声音进行预处理，得到各类车辆声音的频谱，并根据车辆声音的特点对频谱进行了裁减，并将频域的系数变换到对数域，提高了车辆声音识别的鲁棒性；利用独立分量分析来提取车辆声音的特征，能够适应车辆识别的小样本训练特征；将待识别样本在独立分量构成的特征空间上重建，并得到待识别样本与车辆类中心欧几里德距离，并根据这一欧几里德距离对待识别样本归类。本发明专利技术可快速、高效的识别车辆声音，特别适用于实时计算环境。可应用于：军事中的通过车辆侦查；民用中的智能交通系统等应用场景。
【技术实现步骤摘要】
本专利技术涉及一种，属于音频处理和模式识别技术 领域。技术背景独立分量分析(Independent Component Analysis, ICA)禾口主分量分析(Principal Component Analysis, PCA)在模式识别领域中，处理的方法和思路有很多相似之处，这两种 方法都可以实现观测数据的线性表示，都可以将数据从高维空间投影到更有意义的低维空间， 以达到降维和减少冗余的目的，并进行相应的处理，如数据结构分析、数据特征提取等。按 PCA原理做出的分解只能保证分解出来的各分量不相关，不能保证这些分量互相独立(除非它 们都是高斯型过程，因为对高斯型不相关便意味着独立)。这就使得这种分解缺少实际意义， 因而降低了所提取特征的典型性。在这种情况下，采用ICA来分解独立分量，再从各独立分 量中提取有关特征，更有实际意义，也有助于进一步的模式识别。实验表明，在小样本情况下，ICA比PCA特征抽取的能力要强得多，这证明了ICA特征 抽取具有良好的快速性，能够从有限的样本中迅速抽取有效的特征。这主要是由于PCA只利 用了样本基于协方差矩阵的二阶统计规律，而ICA则是利用样本的高阶统计规律.从统计的 观点，大部分重要的模式信息往往包含在高阶统计特性中PCA分解出的主分量只是去相关(彼 此正交)，而ICA不仅实现了 PCA的去相关，而且得到的高阶统计量是相互独立的，在统计 理论中，独立是比不相关要强得多的条件，统计独立性包含着相关性；PCA建立在高斯性假 设的基础上，而ICA建立在非高斯性假设的基础上，在小样本情况下，样本分布的高斯性假 设一般是不成立的，这时ICA的特征提取能力明显比PCA好，在大样本情况下，样本分布接 近于高斯分布，这时PCA的特征提取能力将得到显著提高.而在车辆声音的识别中，由于环境对提取声音的影响、车速的快慢、同种类车辆仍存在 个体的差异，这使得建立车辆声音的特征库是一个从小样本训练集中提取有效特征的问题。 基于车辆声音识别的这一特点，ICA比PCA更加适合车辆声音的识别。
技术实现思路
本专利技术的目的是提出一种，它通过声音对车辆进 行识别分类，将输出检测到的车辆属于何种车辆类型，或者输出无法进行分类的结果。可用 于进行车辆识别分类以及特定车辆的数量统计。本专利技术是这样实现的利用车辆声音的频域信息来进行车辆的识别分 类，包括车辆声音特征库的训练和车辆声音特征识别分类两个过程。其中-车辆声音特征库的训练过程是监督式训练，对每一个特定种类的车辆都需要预先学习特 音都进行如下的特征学习过程。步骤1:利用音频采集装置采集车辆声音信号。音频采集装置的采样频率R可以根据需 要的识别精度和计算处理速度决定，但要比人耳的敏感度高(人类能听到的音频大约在20Hz 20KHz)。步骤2:频谱化前的预处理。首先将声音波形的平均振幅归零化(所谓平均振幅归零化 就是将所有采样点的采样值相加等于0，可以通过将所有采样值与一个合适的常量相加来实 现波形的平均振幅归零化)；将获得的音频数据分成N帧(F ;" = l，2，...,AO ，每帧包含M 个声音采样点(S, ;n = l,2,...,A^' = l,2,...,M)，并且为保证结果的平滑可使每帧与相邻帧之 间有L个采样点的重合。再利用预处理海明窗平滑滤波器滤波来减弱吉布斯效应对后面的傅 立叶变换的影响。海明窗平滑滤波器具体如下w,;0.54-0.46cos(2tT"^)，^0,1,…,M-1 (1)M —1x,x",w,.,w = l,2,...,A^ = l,2,.."Af (2)步骤3:建立频谱。首先利用快速傅立叶变换将每帧的车辆声音信号变换到频域，本方 法仅对信号的功率谱进行处理，为了减小计算量及特征库的大小可以选择前T个功率谱系数 (《={K2，...,0,};" = 1,2,...,AO。最后为了进一步处理的方便对前T个功率谱系数按照式(3)进行归一化处理，即使t《,.二l。,=0《=^,4"."<C} = {^7，^^",,,#7};" = i,2"."AM = i，2,.."r (3)步骤4:频谱调整。对频谱进行如下对数化处理 & = F2 lg(F丄+1);" = 1,2,…力=1,2，…，r (4)其中，式(4)中的巧和《的确定使用以下规则下面步骤6中PCA降维处理时随着声 音特征训练集的增大，声音特征训练集的协方差矩阵的特征值将会变化，《和《的选取要使 声音特征训练集的协方差矩阵的特征值变化较小。第二，叙述利用独立分量分析提取车辆声音特征。经过以上的预处理后 0 =^,,,，1,.= 1,2,...,W 。以下的车辆声音特征提取和识别过程均基于该功率谱。步骤 5 : 将(D ;w = l,2,...，iV连接为一个 NXT 维的行向量 (H,…，^,……(^，&2,…,&^ ，对于K个同类车辆声音的训练样本，组成KX N*T矩阵X，样本均值f = ￡(义)。步骤6:为了提高识别率可以采取较多的训练样本，这样可以用PCA对其降维，取其前d 个主分量，降维后的X为dXN*T矩阵.将X看作是由d个N*T维观测信号向量组成的矩阵， 设这组观测信号是由d个独立分量线性混合而成。步骤7:对X进行独立分量分析，分离出d个独立分量，由这些独立分量ul，u2…ud构 成特征空间的一组基，这d个基向量张成的子空间就形成了描述一类车辆声音的特征空间。步骤8:建立环境噪音类及各种车辆声音的特征库。将环境噪音作为一个类别，为提高 识别率可以建立不同的环境噪音类阴雨天的路边噪音类，阴雨天的野外噪音类，晴朗天的 路边噪音类，强风环境噪音类等等。对各种车辆的特征提取也应该在各种典型的环境下采集 声音并提取特征来组成一类车辆的特征库。第三，叙述利用独立分量分析识别车辆声音。步骤9:对于一个待识别的车辆声音X，按照下面三个公式在所有的声音类别的特征空间 中重建其模型。<formula>formula see original document page 5</formula> (5)<formula>formula see original document page 5</formula> (6)<formula>formula see original document page 5</formula> (7)式(5)为求在某一特征空间去均值后的投影系数，式(6)表示在该特征空间对车辆声音的 重建模型，式(7)表示在该特征空间的重建模型和待识别的车辆声音之间的重建误差。其中， O/)—1为独立分量组成矩阵的伪逆，5为在特征空间对待识别的车辆声音x的重建模型，五O) 为重建模型和实际原输入的误差。对于待识别的车辆声音，如果相对于某个特征空间的重建误差最小，表明这个车辆声音最符合相应特征空间的描述，则对应类即为识别结果。对于待识别的车辆声音，给定待识别样本x，如果r满足 <formula>formula see original document page 5</formula>(8)则待识别的车辆声音样本属于第r类车辆声音模式。本文档来自技高网...
【技术保护点】
一种基于独立分量分析的车辆声音识别方法，其特征在于包括以下步骤：１）对各类车辆声音进行预处理，得到各类车辆声音的频谱；２）利用独立分量分析方法分别提取各类车辆声音的特征；３）将待识别样本分别在以独立分量构成的各类车辆 的特征空间上重建其模型，分别求取待识别样本与各类车辆的欧几里德距离，将其中距离最小者所对应的模型对应的车辆类别作为识别结果。
【技术特征摘要】
【专利技术属性】
技术研发人员：吴威，曹靖，耿云霄，周忠，赵沁平，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。