CN109448389B - 一种汽车鸣笛智能检测方法 - Google Patents

Abstract

本发明提供了一种汽车鸣笛智能检测方法，用空气声呐传感器阵列接收声信号，对接收到的信号进行放大滤波并采样；通过训练好的支持向量机来实现汽车鸣笛信号和环境噪声的分类；通过机械扫描的方式改变信号入射角度θ，估计出声源信号的方向；通过波束形成定位来实现违法车辆的定位，然后通过高清摄像头进行违法车辆的抓拍取证。本发明能够对马路上的声音信号进行实时监控，准确识别鸣笛声音，并根据采集的车辆鸣笛声实时定位。

Description

一种汽车鸣笛智能检测方法

技术领域

本发明属于信号处理领域，涉及机器学习、声呐波束形成、声信号检测定位等理论。

背景技术

随着汽车工业的迅速发展，汽车每年增长率越来越高，人们对于鸣笛噪音的关注越来越密切。据有关资料表明，城市70％的噪声来源于交通噪声，而交通噪声中汽车鸣笛噪声占据很大比重。汽车鸣笛噪声干扰人们的正常生活和休息，严重时甚至影响人们的身心健康，如引起心血管疾病、内分泌疾病等。此外汽车鸣笛噪声可造成学习工作效率降低、产品质量下降，在特定条件下甚至成为社会不稳定的因素。近年来，人民对汽车鸣笛噪声污染治理的诉求越来越强烈，各地交警所受理的关于鸣笛扰民的投诉也络绎不绝。许多城市在各个路段都设立禁止鸣笛的区域。但由于违法鸣笛事件本身现场取证较难，难以分辨等因素，各地交警很难对违法鸣笛事件进行现场取证处罚，这给各个城市噪声污染的治理带来了很大的难度。

阵列信号处理技术目前已被广泛应用于通讯、雷达、声呐、医学、语音信号处理等诸多领域，自上世纪80年代以来，阵列信号处理技术被广泛的应用于声源被动定位的研究，如在潜艇上携带的用于探潜的舷侧阵声呐，在视频会议室内用于定位声源的麦克风阵列，军事中用于反狙击手的声传感器阵列等。用于被动定位的声传感器设备在海洋中主要以水听器基阵为代表，而在空气中主要以各种阵型的麦克风阵列为代表，它们被动的接收声音信息，利用阵列信号处理技术对信号滤波增强，获取信号特征，计算传输方向。声音传播的多径效应导致接收的信号中含有除信号源以外的其他反射信号，这些经过多径传播到达的信号与原始信号相关性很高，很难被滤除，会给计算结果带来一定程度的偏差。

发明内容

为了克服现有技术的不足，本发明提供一种基于空气声呐系统的智能检测方法，能够对马路上的声音信号进行实时监控，准确识别鸣笛声音，并根据采集的车辆鸣笛声实时定位，配合高清摄像机准确捕捉到鸣笛车辆，同时还会录取鸣笛车辆的喇叭声音作为证据，通过科技手段对鸣笛车辆进行抓拍，辅助交警部门执法取证。

本发明解决其技术问题所采用的技术方案包括以下步骤：

第一步，用空气声呐传感器阵列接收声信号，第i个声传感器接收到的信号x_i(t)＝h_i(t)*s(t)+n_i(t)，i＝1，2，…，N，其中，h_i(t)是声源与第i个声传感器之间的环境冲激响应，s(t)代表原始信号，n_i(t)代表环境噪声；

第二步，对接收到的信号进行放大滤波并采样；

第三步，通过训练好的支持向量机来实现汽车鸣笛信号和环境噪声的分类；最优分类曲线y_i＝wx_i+b，i＝1...n，其中w为最优分类线斜率，b为最优分类线截距；此时的最优化分类问题转换为

式中，ξ_i表示一个具有弹性伸缩的松弛因子，C表示惩罚系数；

第四步，计算波束形成器的输出功率，通过机械扫描的方式改变信号入射角度θ找到输出功率谱峰值所对应的角度，估计出声源信号的方向；

第五步，通过波束形成定位来实现违法车辆的定位，然后通过高清摄像头进行违法车辆的抓拍取证。

所述的第二步对采集的信号进行两级放大，第一级放大10倍，第二级放大的增益在1、2、5、10倍间调节。

所述的第三步中，对接收信号进行分帧加窗处理，提取接收信号的以下五类声信号特征；

(1)子带能量

其中Y(ω)表示接收信号的傅里叶变换，n、m分别表示关注频带的起始频率与截止频率；

(2)子带能量方差

其中S_i表示恒定带宽的第i个子带的频域归一化能量；

(3)频带总峰度

其中δ是样本数据的标准差，

表示Y(ω)的均值

(4)子带峰度均值

其中K_i表示第i个子带的峰度；

(5)短时平均过零率

其中w(n)是窗函数；

将汽车鸣笛声信号记为u_i＝1，环境噪声信号记为u_i＝-1，则有

其中x_i为第三步中接收信号所对应的五个声信号特征组成的特征向量，w为最优分类线的斜率矩阵，b为最优分类线的偏置项；构造决策函数w使得u_i(wx_i+b)＞1成立；

计算训练样本x_i与超平面之间的欧式距离|u_iy_i|/||w||，所有的训练数据均满足|u_iy_i|/||w||≥δ，其中δ为间隔，同时令δ||w||＝1；则求解最优超平面就是找到满足上式的w的最小欧式范数，则转化为以下优化问题：

式中，ξ_i表示一个具有弹性伸缩的松弛因子，C表示惩罚系数；

取若干训练样本重复执行本步骤，通过超平面将训练样本分为有鸣笛声和环境噪声，得到训练好的支持向量机。

所述的松弛因子ξ_i在0到1范围内取值；惩罚系数C的取值为100或200。

所述的第四步中波束形成输出端的功率谱P(θ)＝E[|y(t，θ)|²]＝w^H(θ)Rw(θ)，式中，t为时间，w为加权矩阵，阵元接收信号的协方差矩阵R＝E[X(t)X^H(t)]；对于N个声传感器组成的阵列，第k包快拍内接收数据矩阵

假设快拍数为K，总协方差矩阵

本发明的有益效果是：能够对马路上的声音信号进行实时监控，准确识别鸣笛声音，并根据采集的车辆鸣笛声实时定位，配合高清摄像机可以准确捕捉到鸣笛车辆，同时还会录取鸣笛车辆的喇叭声音作为证据。通过科技手段对鸣笛车辆进行抓拍，辅助交警部门执法取证，解决了交警治理违法鸣笛事件执法难、取证更难的痛点。

通过安装违法鸣笛抓拍系统可以有效降低违法鸣笛频率，治理汽车鸣笛噪声污染，对于建设绿色、文明、和谐社会具有深远意义。本发明采用了最新的机器学习及人工智能技术，成功的将人工智能技术应用在了智能交通领域，推动了该技术在安防、监控等领域的应用与发展。

附图说明

图1是本发明的方法流程图；

图2是本发明的传感器阵列安装示意图

图3是本发明的预处理电路图；

图4是本发明的支持向量机最优分类示意图；

图5是本发明的波束形成定位仿真结果示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

针对交通违法鸣笛取证难及识别率低的问题，本发明提出的基于空气声呐系统的智能检测方法步骤如下：

第一步：空气声呐传感器接收信号

选用MEMS级麦克风作为阵元，搭建16元平面阵，将其搭载在路灯杆平台上。空气声呐主要由一定数量与一定阵型的麦克风组成，声呐被动的接收监控区域内的声音信息，在多径环境下，声音经过多种途径传播先后到达声传感器的过程可以看作是声场环境对声源信号滤波的过程，则第i个声传感器接收到的信号x_i(t)可以表示为：

x_i(t)＝h_i(t)*s(t)+n_i(t)，i＝1，2，…，N (1)

式中*表示卷积运算，h_i(t)是声源与第i个声传感器之间的环境冲激响应。n_i(t)代表环境噪声，不同声传感器间的环境噪声可以是相关的。环境冲激响应h_i(t)包含了声源多径传播的所有信息，接收信号x_i(t)不仅包含原始信号s(t)，还叠加了经过多种途径传播、衰减之后若干反射波与环境噪声。

第二步：预处理

系统的信号预处理模块主要设计一块带有滤波功能的前置放大电路，对于麦克风采集的信号进行简单的放大滤波处理。预处理电路放大部分由两级放大电路组成，第一级放大电路放大10倍，可调节截止频率的低通滤波器，以避免噪声饱和，第二级放大电路的增益则可在1、2、5、10倍间调节。放大器的芯片选用MC33204，整个预处理电路使用5V供电，选用2.5V作为信号的偏置电压，预处理电路图如图3所示。

第三步：信号采集

本发明设计的被动定位系统为16元阵，因此需要16通道的采集卡。对于16通道采集卡选型应该考虑采样速率、传输方式、稳定性、硬件成本等要素。

本声源被动定位系统因为采集的是16个阵元的同步信号，因此16通道数据采集卡的采样频率与采样精度不易过高，否则会给阵列信号处理带来巨大的运算量，增加系统负担，这里采集卡的采样速率最高不宜超过20480Hz，采样位数不宜高于16位。

采集卡采集到信号后仍需要传输给PC机终端，目前主流的传输方式有串口传输、USB传输、网口传输等，相比前两种数据传输方式，网口传输在传输距离，传输稳定性与实时性上都具有一定优势，因此本系统选择使用网口传输采集信号的方式。

最终本文选择国内某采集卡厂家型号为HK_NET6360_16AD的以太网数据采集卡作为本系统的信号采集单元，该采集卡采用双8通道的AD采样芯片实现16路同步采集，采用以太网的信号传输方式，

第四步：基于支持向量机的信号检测

通过基于支持向量机的分类方法，对线谱类信号与常见环境噪声进行分类，以达到信号检测的效果。按照线性可分的原则已经无法寻找到一条“最优化分类线”对两类样本进行完全区分，而“近似线性可分支持向量机”分类的思路是允许分类曲线的分类存在错误情况，但对错误点数与该点距离分类线的几何距离都有限制。假设最优分类曲线可用公式表示。

y_i＝wx_i+b，i＝1...n (2)

此时的最优化分类问题如式3所示：

式中，ξ_i表示一个具有弹性伸缩的松弛因子，其在0到1范围内取值；C表示惩罚系数。他们一起用来调节错误分类点的数量与偏差。常数C的经验取值一般为100或200。

如图4所示，总可以寻找到两条互相平行的直线S1、S2，这两条直线能分别将两类样本分隔开，且两条平行线之间距离最大，此时两平行线的中线则是要寻找的“最优化分类线”。通过训练好的支持向量机来实现汽车鸣笛信号和环境噪声的分类。

第五步：波束形成被动定位

确定有鸣笛声音信号以后，由波束形成进行声源定位，N个声传感器构成接收阵列，对每一路接收信号x_i(t)只需要选取一定的加权向量w_i(θ)再进行加权求和就可以得到基阵的输出y(t，θ)。假设目标信号为窄带信号，信号中心频率为f，则波束形成的输入可以表示为：

所有阵元的采样数据与复加权系数的向量表示为：

x(t)＝[x₁(t) x₂(t) … x_N(t)]^T (9)

w(θ)＝[w₁(θ) w(θ) … w_N(θ)]^T (10)

则波束形成输出用向量内积的形式可以表示为：

y(t，θ)＝w^H(θ)x(t)＝x^H(t)w(θ) (11)

式中，上标“*”表示复共轭算子，上标“T”表示向量或者矩阵的转置，上标“H”表示向量或矩阵的复共轭转置。

波束形成输出端的功率谱可以表示为：

P(θ)＝E[|y(t，θ)|²]＝w^H(θ)Rw(θ) (12)

计算出常规波束形成器的输出功率，通过机械扫描的方式，改变θ找到输出功率谱峰值所对应的角度，就可以估计出声源信号的方向。矩阵R定义为阵元接收信号的协方差矩阵，表示为：

R＝E[X(t)X^H(t)] (13)

对于N个声传感器组成的阵列，第k包快拍内接收数据矩阵X(k)为：

假设快拍数为K，总协方差矩阵可以表示为：

声源相对平面阵中心法线的偏角理论上应为(0°，0°)，以3000Hz单频信号为声源，在接收信噪比为0dB的条件下进行16元阵的平面常规波束形成仿真，仿真结果如图5所示。

第六步：抓拍车牌

通过波束形成定位来实现违法车辆的定位，然后通过高清摄像头进行违法车辆的抓拍取证。

Claims (4)

1.一种汽车鸣笛智能检测方法，其特征在于包括以下步骤：

第一步，用空气声呐传感器阵列接收声信号，第i个声传感器接收到的信号x_i(t)＝h_i(t)*s(t)+n_i(t)，i＝1，2，…，N，其中，h_i(t)是声源与第i个声传感器之间的环境冲激响应，s(t)代表原始信号，n_i(t)代表环境噪声；

第二步，对接收到的信号进行放大滤波并采样；

第三步，通过训练好的支持向量机来实现汽车鸣笛信号和环境噪声的分类；最优分类曲线y_i＝wx_i+b，i＝1...n，其中w为最优分类线斜率，b为最优分类线截距；此时的最优化分类问题转换为

式中，ξ_i表示一个具有弹性伸缩的松弛因子，C表示惩罚系数；

对接收信号进行分帧加窗处理，提取接收信号的以下五类声信号特征；

(1)子带能量

其中Y(ω)表示接收信号的傅里叶变换，n、m分别表示关注频带的起始频率与截止频率；

(2)子带能量方差

其中S_i表示恒定带宽的第i个子带的频域归一化能量；

(3)频带总峰度

其中δ是样本数据的标准差，

表示Y(ω)的均值；

(4)子带峰度均值

其中K_i表示第i个子带的峰度；

(5)短时平均过零率

其中w(n)是窗函数；

将汽车鸣笛声信号记为u_i＝1，环境噪声信号记为u_i＝-1，则有

其中x_i为第三步中接收信号所对应的五个声信号特征组成的特征向量，w为最优分类线的斜率矩阵，b为最优分类线的偏置项；构造决策函数w使得u_i(wx_i+b)＞1成立；

计算训练样本x_i与超平面之间的欧式距离|u_iy_i|/||w||，所有的训练数据均满足|u_iy_i|/||w||≥δ，其中δ为间隔，同时令δ||w||＝1；则求解最优超平面就是找到满足上式的w的最小欧式范数，则转化为以下优化问题：

式中，ξ_i表示一个具有弹性伸缩的松弛因子，C表示惩罚系数；

取若干训练样本重复执行本步骤，通过超平面将训练样本分为有鸣笛声和环境噪声，得到训练好的支持向量机；

第四步，计算波束形成器的输出功率，通过机械扫描的方式改变信号入射角度θ找到输出功率谱峰值所对应的角度，估计出声源信号的方向；

第五步，通过波束形成定位来实现违法车辆的定位，然后通过高清摄像头进行违法车辆的抓拍取证。

2.根据权利要求1所述的汽车鸣笛智能检测方法，其特征在于：所述的第二步对采集的信号进行两级放大，第一级放大10倍，第二级放大的增益在1、2、5、10倍间调节。

3.根据权利要求1所述的汽车鸣笛智能检测方法，其特征在于：所述的松弛因子ξ_i在0到1范围内取值；惩罚系数C的取值为100或200。

4.根据权利要求1所述的汽车鸣笛智能检测方法，其特征在于：所述的第四步中波束形成输出端的功率谱P(θ)＝E[|y(t，θ)|²]＝w^H(θ)Rw(θ)，式中，t为时间，w为加权矩阵，阵元接收信号的协方差矩阵R＝E[X(t)X^H(t)]；对于N个声传感器组成的阵列，第k包快拍内接收数据矩阵

假设快拍数为K，总协方差矩阵

Images