[發明專利]一種基于機器學習的反黑飛聲探測方法

在審

• 申請號: 201811070678.1
• 申請日: 2018-09-13
• 公開（公告）號: CN109243486A
• 公開（公告）日: 2019-01-18
• 發明（設計）人: 韋娟;王立宏;鄭偉哲;寧方立
• 申請（專利權）人: 西安電子科技大學;西北工業大學
• 主分類號: G10L25/24
• 分類號: G10L25/24;G10L25/30;G10L25/51;G06F17/14
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 陳星

本發明提出一種基于機器學習的反黑飛聲探測方法，采集包含無人機噪聲信號以及不存在無人機的環境噪聲信號的訓練樣本；之后對訓練樣本進行以下處理：對聲音信號進行分幀，將若干個采樣點作為一幀信號；計算每幀信號的短時平均能量、短時平均過零率、線性編碼預測系數及其反射系數；并使用改進的梅爾頻率倒譜系數方法計算每幀信號新的梅爾頻率倒譜系數，最后將所有計算值組成一維特征向量；利用樣本訓練集，對多層感知機進行訓練，獲得最優模型；在獲得新的聲音信號后，采用與上面相同的處理方式得到特征向量，利用特征向量輸入最優模型進行分類識別，得到識別結果。本發明經過測試樣本測試，在距離為150米的條件下，測試準確率F1值要比現有技術高7％。

技術領域

本發明涉及民用無人機安防領域，具體為一種基于機器學習的反黑飛聲探測方法。

背景技術

民用四旋翼無人機具有機動靈活的特點，一方面方便人們的生產生活，但另一方面，一些不法份子利用無人機的隱蔽性好的特點，制造“黑飛”事件，嚴重危害了公共安全。因此，如何管控無人機成為安防部門重要的研究方向。對“黑飛”事件目標的管控主要分為三大步驟：先探測，后識別，最后控制。因此探測是否存在“黑飛”現象，是無人機管控的第一步。

無人機依靠螺旋槳擾動空氣實現飛行或者懸停，持續向周圍空間輻射聲波信號，通過監測無人機聲音信號，可以判斷空域內是否存在“黑飛”。因此，利用聲學方法實現對無人機的檢測可以作為一種探測方式且該方法具有全天候實時檢測的特點。

首先，無人機飛行時產生的噪聲信號仍處于人耳可聽聲的頻段(20Hz-20000Hz)(圖1所示)，現有的利用聲學技術對無人機進行檢測均采用與語音識別類似的方法，但是無人機飛行時產生的噪聲信號處于人耳可聽的高頻段，在特征處理方面，采用傳統的語音識別特征(如梅爾頻率倒譜系數)，不能夠很好的表征無人機飛行時產生的噪聲信號在高頻段的信息。其次，聲波能量衰減快，如何提高在遠距離的探測準確率也是研究方向之一。2017年，Sungho Jeon等人在EUSIPCO會議上發表的論文《Empirical Study of Drone SoundDetection in Real-Life Environment with Deep Neural Networks》中提到，在150米的距離上，該文章中所采用傳統的梅爾頻率倒譜系數作為特征結合深度學習方法,準確率F1的值最優可達到0.69，由此可以看出，在150m的距離上，識別準確率有待進一步提高。

發明內容

本發明的目的在于克服傳統的梅爾頻率倒譜系數難以全面表征無人機飛行時的高頻段噪聲信號以及使用聲學方法探測無人機在150m的距離處準確率不高的問題。為此，本發明提出了一種基于機器學習的反黑飛聲探測方法，與2017年Sungho Jeon等人在EUSIPCO會議上發表的論文《Empirical Study of Drone Sound Detection in Real-LifeEnvironment with Deep Neural Networks》結果相比，在150米的距離，本方法F1值高出8％，接近77％。

為了實現上述發明目的，本發明第一步采集包含無人機噪聲信號以及不存在無人機的環境噪聲信號的訓練樣本；之后對訓練樣本進行以下處理：對聲音信號進行分幀，將若干個采樣點作為一幀信號；計算每幀信號的短時平均能量、短時平均過零率、線性編碼預測系數及其反射系數；并使用改進的梅爾頻率倒譜系數方法計算每幀信號新的梅爾頻率倒譜系數，最后將所有計算值組成一維特征向量，作為該幀信號的表征向量；利用樣本訓練集，對多層感知機進行訓練，獲得最優模型；在獲得新的聲音信號后，采用與上面相同的處理方式得到表征向量，利用表征向量輸入最優模型進行分類識別，得到識別結果。

本發明的技術方案為：

所述一種基于機器學習的反黑飛聲探測方法，其特征在于：包括以下步驟：

步驟1：分別采集無人機噪聲信號以及沒有無人機存在的環境聲音信號作為聲音樣本信號；對每個聲音樣本信號采用以下步驟進行處理：