行車噪聲環(huán)境下快速聲學(xué)事件的檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于無人車聲學(xué)事件檢測領(lǐng)域。
【背景技術(shù)】
[0002] 無人車研宄的核心內(nèi)容之一是智能行為決策，而智能行為決策的前提則是其行駛 過程中對周邊環(huán)境的自動感知。感知環(huán)境信息的手段可以有多種，其中視聽覺信息的自動 感知在無人車的行駛中起著重要的作用，但是外部世界與無人車間的很多交互信息還有很 多是基于聲音的，如各種車輛提示避讓的鳴笛聲，警車和救護(hù)車的警笛聲、鐵路道口的警笛 聲等，感知周圍這些基于聲音的交互信息，并做出正確的智能決策對無人車而言至關(guān)重要。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是為了解決現(xiàn)有無人車無法感知周圍環(huán)境聲音的問題，本發(fā)明提供 一種行車噪聲環(huán)境下快速聲學(xué)事件的檢測方法。
[0004] 本發(fā)明的行車噪聲環(huán)境下快速聲學(xué)事件的檢測方法，
[0005] 所述方法包括如下步驟：
[0006] 步驟一：在訓(xùn)練階段，將各種目標(biāo)聲學(xué)事件的音頻信號和行車噪聲信號作為訓(xùn)練 數(shù)據(jù)，對每個聲學(xué)事件的音頻信號進(jìn)行特征截取，并進(jìn)行相應(yīng)的標(biāo)注；
[0007] 步驟二：根據(jù)截取的特征，提取每個目標(biāo)聲學(xué)事件的MFCC系數(shù)，所述特征為僅包 含聲學(xué)事件的音頻片段；
[0008] 步驟三：根據(jù)提取的MFCC系數(shù)，采用兩兩比對的多類分類策略，使用SVMLIB工具 包為每個目標(biāo)聲學(xué)事件建立一個SVM模型；
[0009] 步驟四：對行車噪聲信號進(jìn)行快速傅里葉變換，獲得行車噪聲的低頻子帶與高頻 子帶能量，根據(jù)獲得的各子帶能量訓(xùn)練BPNN噪聲模型；
[0010] 步驟五：在識別階段，對行車噪聲環(huán)境下實時采集的待檢測目標(biāo)聲學(xué)事件的音頻 信號進(jìn)行過濾，濾除與目標(biāo)聲學(xué)事件無關(guān)的音頻片段；
[0011] 步驟六：利用步驟四獲得BPNN噪聲模型，對過濾后的音頻信號進(jìn)行降噪和增強(qiáng)；
[0012] 步驟七：對步驟六中降噪和增強(qiáng)后的音頻信號提取MFCC系數(shù)，根據(jù)提取的MFCC系 數(shù)，采用步驟三獲得的SVM模型進(jìn)行分類識別，獲得待檢測目標(biāo)聲學(xué)事件的類別；
[0013] 步驟八：在步驟七確定類別的聲學(xué)事件中，對鳴笛事件進(jìn)行基于時序和方位的綜 合分析，獲得相應(yīng)的笛語序列編碼，根據(jù)獲得的笛語序列編碼，對當(dāng)前的鳴笛序列庫進(jìn)行檢 索，確定對應(yīng)的笛語信息。
[0014] 步驟五中，對行車噪聲環(huán)境下實時采集的待檢測目標(biāo)聲學(xué)事件的音頻信號進(jìn)行過 濾，濾除與目標(biāo)聲學(xué)事件無關(guān)的音頻片段的方法：
[0015] 對行車噪聲環(huán)境下實時采集的音頻信號進(jìn)行基音周期的提取，根據(jù)提取到的基音 周期，判斷是否是目標(biāo)聲學(xué)事件，若不是，則過濾掉，若是，則保留。
[0016] 所述步驟六，利用步驟四獲得BPNN噪聲模型，對過濾后的音頻信號進(jìn)行降噪和增 強(qiáng)的方法為：
[0017] 使用步驟四獲得BPNN噪聲模型對過濾后的音頻信號的高頻噪聲進(jìn)行預(yù)測，使用 子帶譜減法對過濾后的音頻信號的高頻部分進(jìn)行降噪和增強(qiáng)處理。
[0018] 步驟七，對步驟六中降噪和增強(qiáng)后的音頻信號提取MFCC系數(shù)的方法為：
[0019] 使用LPC譜估計的方法提取步驟五過濾后的音頻信號的數(shù)據(jù)幀的共振峰的頻譜 分布及能量大小，使用模擬耳蝸基底膜的頻率選擇增益的函數(shù)，對Mel濾波器組進(jìn)行加權(quán)；
[0020] 通過加權(quán)后的Mel濾波器組對步驟六中降噪和增強(qiáng)后的目標(biāo)聲學(xué)事件提取MFCC 系數(shù)。
[0021] 所述頻率選擇增益的函數(shù)為：
[0023] 式中：
[0024] 獲得的頻譜分布中，子帶個數(shù)為B，i = 1，2, "·，Β，k個共振峰，j = 1，2, "·，1?，Mi 表示第i個子帶的頻率中心，Li表示第i個子帶的寬度；
[0025] 匕表示第j個共振峰的所在的頻率，P ^表示第j個共振峰的振幅；
[0026] Indicator(MpI^Fj)為示性函數(shù)，如果共振峰Fj在以Mi為中心，以L $寬度的 Mel子帶中，則返回1，否則返回0。
[0027] 本發(fā)明的有益效果在于，本發(fā)明可以準(zhǔn)確的檢測出無人車在行駛環(huán)境下，周圍車 輛的鳴笛等目標(biāo)聲學(xué)事件，并且在噪聲環(huán)境下也有較準(zhǔn)確的檢出率和較低的誤識率。實現(xiàn) 了行車噪聲環(huán)境下的快速聲學(xué)事件檢測，對噪聲有一定的魯棒性。
【附圖說明】
[0028] 圖1為【具體實施方式】一中在識別階段的原理示意圖。
[0029] 圖2為行車噪聲的低頻子帶與高頻子帶能量的原理示意圖，F(xiàn)L為頻率長度，Ms為 中心頻率，η為幀序號。
[0030] 圖3為圖2中低頻子帶與高頻子帶之間的KL散度的示意圖。
[0031] 圖4為鳴笛聲學(xué)事件的頻譜圖以及鳴笛的頻域信號示意圖。
[0032] 圖5為圖4中鳴笛聲學(xué)事件的共振峰信息加權(quán)前后的Mel濾波器組的頻率示意 圖。
【具體實施方式】
【具體實施方式】 [0033] 一：結(jié)合圖1說明本實施方式，本實施方式所述的行車噪聲環(huán)境下 快速聲學(xué)事件的檢測方法，
[0034] 所述方法包括如下步驟：
[0035] 在訓(xùn)練階段：
[0036] (1)利用在不同車輛中的車載麥克風(fēng)陣列錄音系統(tǒng)，采集各種目標(biāo)聲學(xué)事件的音 頻信號和行車噪聲信號（例如，顛簸、會車、風(fēng)噪、發(fā)動機(jī)的振動聲等），將各種目標(biāo)聲學(xué)事 件的音頻信號和行車噪聲信號作為訓(xùn)練數(shù)據(jù)，對每個聲學(xué)事件的音頻信號進(jìn)行特征截取， 并進(jìn)行相應(yīng)的標(biāo)注；
[0037] (2)根據(jù)截取的特征，提取每個目標(biāo)聲學(xué)事件的MFCC系數(shù)，所述特征為僅包含聲 學(xué)事件的音頻片段；
[0038] (3)根據(jù)提取的MFCC系數(shù)，采用兩兩比對的多類分類策略，使用SVMLIB工具包為 每個目標(biāo)聲學(xué)事件建立一個SVM模型；
[0039] (4)對行車噪聲信號進(jìn)行快速傅里葉變換，獲得行車噪聲的低頻子帶與高頻子帶 能量，根據(jù)獲得的能量訓(xùn)練BPNN噪聲模型；
[0040] 所述（4)需要建立低頻子帶能量與高頻子帶能量的之間的關(guān)系；首先對Mel頻域 進(jìn)行頻域子帶的劃分，劃分方式如圖2所示，通過對低頻子帶與高頻子帶之間的KL散度進(jìn) 行計算，KL散度分布如圖3所示，驗證了可以用低頻子帶能量來預(yù)測高頻子帶能量的方案， 使用傳統(tǒng)的BPNN模型進(jìn)行訓(xùn)練。
[0041] 結(jié)合圖1，在識別階段：
[0042] (1)利用無人車內(nèi)的麥克風(fēng)陣列錄音系統(tǒng)實時采集到所有的聲音信號，首先進(jìn)行 對采集的聲音信號進(jìn)行預(yù)處理，預(yù)處理包括預(yù)加重、分幀、加窗和FFT變換；
[0043] (2)對預(yù)處理后的信號進(jìn)行基音周期的提取，根據(jù)提取到的基音周期，判斷是否是 目標(biāo)聲學(xué)事件，若不是，則過濾掉，若是，則保留