[發明專利]行車噪聲環境下快速聲學事件的檢測方法

在審

• 申請號: 201510324584.2
• 申請日: 2015-06-12
• 公開（公告）號: CN104916289A
• 公開（公告）日: 2015-09-16
• 發明（設計）人: 鄭鐵然;韓紀慶;裴孝中
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G10L21/0232
• 分類號: G10L21/0232;G10L25/24;G10L25/21;G10L15/07
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 岳昕

技術領域

本發明屬于無人車聲學事件檢測領域。

背景技術

無人車研究的核心內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境的自動感知。感知環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重要。

發明內容

本發明的目的是為了解決現有無人車無法感知周圍環境聲音的問題，本發明提供一種行車噪聲環境下快速聲學事件的檢測方法。

本發明的行車噪聲環境下快速聲學事件的檢測方法，

所述方法包括如下步驟：

步驟一：在訓練階段，將各種目標聲學事件的音頻信號和行車噪聲信號作為訓練數據，對每個聲學事件的音頻信號進行特征截取，并進行相應的標注；

步驟二：根據截取的特征，提取每個目標聲學事件的MFCC系數，所述特征為僅包含聲學事件的音頻片段；

步驟三：根據提取的MFCC系數，采用兩兩比對的多類分類策略，使用SVMLIB工具包為每個目標聲學事件建立一個SVM模型；

步驟四：對行車噪聲信號進行快速傅里葉變換，獲得行車噪聲的低頻子帶與高頻子帶能量，根據獲得的各子帶能量訓練BPNN噪聲模型；

步驟五：在識別階段，對行車噪聲環境下實時采集的待檢測目標聲學事件的音頻信號進行過濾，濾除與目標聲學事件無關的音頻片段；

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行降噪和增強；

步驟七：對步驟六中降噪和增強后的音頻信號提取MFCC系數，根據提取的MFCC系數，采用步驟三獲得的SVM模型進行分類識別，獲得待檢測目標聲學事件的類別；

步驟八：在步驟七確定類別的聲學事件中，對鳴笛事件進行基于時序和方位的綜合分析，獲得相應的笛語序列編碼，根據獲得的笛語序列編碼，對當前的鳴笛序列庫進行檢索，確定對應的笛語信息。

步驟五中，對行車噪聲環境下實時采集的待檢測目標聲學事件的音頻信號進行過濾，濾除與目標聲學事件無關的音頻片段的方法：

對行車噪聲環境下實時采集的音頻信號進行基音周期的提取，根據提取到的基音周期，判斷是否是目標聲學事件，若不是，則過濾掉，若是，則保留。

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行降噪和增強的方法為：

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行預測，使用子帶譜減法對過濾后的音頻信號的高頻部分進行降噪和增強處理。

步驟七，對步驟六中降噪和增強后的音頻信號提取MFCC系數的方法為：

使用LPC譜估計的方法提取步驟五過濾后的音頻信號的數據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，對Mel濾波器組進行加權；

通過加權后的Mel濾波器組對步驟六中降噪和增強后的目標聲學事件提取MFCC系數。

所述頻率選擇增益的函數為：