一種車輛鳴笛識別定位系統及方法技術方案

本發明專利技術公開了一種車輛鳴笛識別定位系統及方法，包括：聲音采集模塊、聲音處理模塊、聲音識別模塊、MUSIC聲源定位模塊、車牌識別模塊和確認身份模塊。本發明專利技術采用球形聲陣列多角度采集道路上的聲音；對采集的聲音進行分幀加窗預處理，得到平滑連續的聲音，使用諧波沖擊源分離方法提取聲音的特征；設計了雙向窺視孔網絡和殘差網絡相結合的分類器模型，并使用大量車輛鳴笛聲音對分類器進行訓練，然后對道路聲音進行識別；對識別到的鳴笛聲音使用MUSIC方法進行定位，并對該車輛的車牌進行拍照識別，最后確定車主的身份，供執法人員對其進行處罰。本發明專利技術與傳統的車輛鳴笛識別定位系統及方法相比，有著更高的鳴笛聲音識別率和更準確的定位。定位。定位。

【技術實現步驟摘要】
一種車輛鳴笛識別定位系統及方法


[0001]本專利技術涉及交通聲音識別領域，特別涉及一種車輛鳴笛識別定位系統及方法。

技術介紹

[0002]城市交通管理是一項及其重要的工作，早期的城市交通管理主要依靠人力，隨著計算機技術以及人工智能的發展，越來越多的智能設備被應用到交通管理上來。在交通問題中，違規鳴笛的現象屢見不鮮，給城市造成了大量的聲音污染，因此出臺了一些政策對違規鳴笛現象進行處罰。除此之外，也出現了一些聲音監控系統對鳴笛聲音進行監控，大大降低了城市的鳴笛率。
[0003]在車輛鳴笛聲音監控系統中，最重要的兩個模塊為鳴笛聲音的識別和鳴笛車輛的定位，一個好的車輛鳴笛聲音監控系統需要非常高的鳴笛聲音識別率和準確的聲源定位方法。但是現有的車輛鳴笛聲音識別方法及聲音定位方法存下如下問題：
[0004](1)目前的聲音識別方法一般分為兩種：傳統的基于機器學習的聲音識別方法和基于深度學習的聲音識別方法。在深度學習技術出現之前，傳統機器學習聲音識別方法也取得了一些成效，在深度學習技術出現之后，各種神經網絡及其改進模型被應用于聲音識別中，雖然識別率有了較大提高，但對某種特定的聲音識別效果不是很明顯。
[0005](2)目前聲源定位技術主要應用在機器故障診斷、家電產品異響定位、飛機起飛噪聲分布等方面，雖然在車輛鳴笛定位中也有應用，但由于在實際道路中，當車輛較密集、車間距較小時，目前的鳴笛聲音識別技術則存在較高的錯誤率。
[0006]由此可見，目前車輛鳴笛的識別和定位技術還不夠成熟，一種車輛鳴笛識別定位系統及方法是本領域技術人員亟需解決的問題。

技術實現思路

[0007]有鑒于此，本專利技術提供了一種車輛鳴笛識別定位系統及方法，使用雙向窺視孔神經網絡和殘差網絡作為分類器識別車輛鳴笛聲音，使用MUSIC聲源定位方法確定鳴笛車輛的位置。
[0008]為實現上述目的，本專利技術采用如下技術方案：
[0009]一種車輛鳴笛識別定位系統，包括：
[0010]聲音采集模塊，用于采集道路上的聲音；
[0011]聲音處理模塊，用于將采集到的聲音信號進行預處理，并提取聲音信號的特征；
[0012]聲音識別模塊，用于訓練出能夠識別車輛鳴笛聲音的分類器模型，并將待識別的聲音輸入到分類器里進行識別，判斷出是否含有鳴笛聲音；
[0013]MUSIC聲源定位模塊，用于定位發出鳴笛聲音的車輛，使用的是多信號分類(Multiple Signal Classification，MUSIC)聲源定位方法；
[0014]車牌識別模塊，用于對鳴笛車輛進行拍照，并將照片中的拍照號碼進行識別；
[0015]確定身份模塊，用于將車牌號碼與申領車牌的車主進行信息匹配，從而確定鳴笛
人的身份，便于后續執法人員對其進行處罰。
[0016]優選的，所述聲音處理模塊還包括：
[0017]聲音預處理子模塊，用于將聲音分割成若干個平滑連續的短幀，方便后續聲音的特征提取；
[0018]諧波沖擊源分離子模塊，用于聲音特征的提取，將時域信號轉化為頻域信號。
[0019]優選的，所述聲音識別模塊還包括：
[0020]模型訓練子模塊，用于訓練可以識別車輛鳴笛聲音的神經網絡分類器，使用采集到鳴笛聲音進行訓練。使用的神經網絡分類器是在殘差網絡中加入了雙向窺視孔網絡，在神經元進行信息傳播時，加入了反向傳播，利用了未來時刻的信息；
[0021]鳴笛聲音識別子模塊，用于將收集到的聲音輸入到分類器中進行識別，判斷出是否含有鳴笛聲音。
[0022]本專利技術還提供了一種車輛鳴笛識別定位方法，包括如下步驟：
[0023]S1：針對道路上聲音較復雜的情況，采用球形聲陣列采集道路上的聲音信號，將其安裝在交通路口的橫桿上面，球形聲陣列屬于三維麥克風陣列，可以比一維和二維麥克風陣列收集的更多的聲音；
[0024]S2：將所述步驟S1采集到的聲音進行聲音處理，轉化為神經網絡分類器能夠處理的數據形式；
[0025]S3：對于采集到的聲音，里面混雜著各種各樣的聲音，使用聲音識別技術對所述步驟S2得到的聲音特征進行識別，判斷其中是否含有車輛鳴笛的聲音；
[0026]S4：在得到所述步驟S3得到的識別結果之后，對于含有鳴笛的聲音使用MUSIC算法隨聲源進行定位。MUSIC算法屬于波束形成法，其原理是將協方差矩陣進行特征值分解，算法實現如下：
[0027]首先列出陣列數據的協方差矩陣，如公式(1)所示。
[0028]R＝E[X(t)X
H
(t)]＝AR
S
A+R
N
???????????????????
(1)
[0029]式中，R
S
和R
N
為信源的協方差矩陣和噪聲源的協方差矩陣。
[0030]將陣列協方差矩陣進行特征值分解，并對其進行從小到大排列。得到了D個大的特征值，屬于聲源信號，M
?
D個小特征值，屬于噪聲信號。設v
i
為第i個特征值，v
i
是它對應的特征向量，則得到公式(2)：
[0031][0032]可以用噪聲向量來求信號源的角度，構造噪聲矩陣E
n
，如公式(3)所示。
[0033]En＝[v
D+1
,v
D+2
,...,v
M
]????????????????????????
(3)
[0034]最后，定義空間譜P(θ)，如公式(4)所示。
[0035][0036]式中，a是方向導向向量，通過遍歷角度θ，就可以得到一個空間功率譜，尋找其最大值和最小值即可確定方向角，確定聲源位置；
[0037]S5：在得到步驟S4所述的聲源位置后，使用拍照設備對該車輛進行拍照，并識別出該車的車牌號；
[0038]S6：將所述步驟S5得到的車牌號輸入到后臺的車主牌照信息庫中，可以確定行車人的身份。
[0039]優選的，所述步驟S2還包括如下步驟：
[0040]步驟S21：對所述步驟1中所獲得的聲音進行預處理，包括分幀、加窗、端點檢測。分幀是將每一段聲音分為若干個小幀，在每一幀中，聲音可以看作平穩信號，即具有短時平穩性。加窗是對每幀乘一個漢明窗函數，增加了聲音信號的光滑性。端點檢測是指在聲音中檢測出有效的聲音片段，丟棄無用的聲音片段；
[0041]步驟S22：在得到所述步驟S21中的聲音片段后，需要對其進行特征提取，并將時域信號轉化為頻域信號。使用的方法是諧波沖擊源分離法，將梅爾譜圖分離成諧波譜圖和沖擊波譜圖，然后再將兩部分合成，形成一種新的特征圖。
[0042]優選的，所述步驟S3還包括如下步驟：
[0043]步驟S31：在得到所述步驟S22中的特征圖后，將其送入神經網絡分類器進行訓練。本專利技術將雙向窺視孔神經網絡加入到殘差網絡的殘差塊之間，設本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種車輛鳴笛識別定位系統，其特征在于，包括：聲音采集模塊(1)，用于采集道路上的聲音；聲音處理模塊(2)，用于將采集到的聲音信號進行預處理，并提取聲音信號的特征；聲音識別模塊(3)，用于訓練出能夠識別車輛鳴笛聲音的分類器模型，并將待識別的聲音輸入到分類器里進行識別，判斷出是否含有鳴笛聲音；MUSIC聲源定位模塊(4)，用于定位發出鳴笛聲音的車輛，使用的是多信號分類(Multiple Signal Classification，MUSIC)聲源定位方法；車牌識別模塊(5)，用于對鳴笛車輛進行拍照，并將照片中的拍照號碼進行識別；確定身份模塊(6)，用于將車牌號碼與申領車牌的車主進行信息匹配，從而確定鳴笛人的身份，便于后續執法人員對其進行處罰。2.根據權利要求1所述的一種車輛鳴笛識別定位系統，其特征在于，所述聲音處理模塊(2)還包括：聲音預處理子模塊(21)，用于將聲音分割成若干個平滑連續的短幀，方便后續聲音的特征提取；諧波沖擊源分離子模塊(22)，用于聲音特征的提取，將時域信號轉化為頻域信號。3.根據權利要求1所述的一種車輛鳴笛識別定位系統，其特征在于，所述聲音識別模塊(3)還包括：模型訓練子模塊(31)，用于訓練可以識別車輛鳴笛聲音的神經網絡分類器，使用采集到鳴笛聲音進行訓練；使用的神經網絡分類器是在殘差網絡中加入了雙向窺視孔網絡，在神經元進行信息傳播時，加入了反向傳播，利用了未來時刻的信息；鳴笛聲音識別子模塊(32)，用于將收集到的聲音輸入到分類器中進行識別，判斷出是否含有鳴笛聲音。4.一種車輛鳴笛識別定位方法，其特征在于，包括如下步驟：S1：針對道路上聲音較復雜的情況，采用球形聲陣列采集道路上的聲音信號，將其安裝在交通路口的橫桿上面，球形聲陣列屬于三維麥克風陣列，可以比一維和二維麥克風陣列收集的更多的聲音；S2：將所述步驟S1采集到的聲音進行聲音處理，轉化為神經網絡分類器能夠處理的數據形式；S3：對于采集到的聲音，里面混雜著各種各樣的聲音，使用聲音識別技術對所述步驟S2得到的聲音特征進行識別，判斷其中是否含有車輛鳴笛的聲音；S4：在得到所述步驟S3得到的識別結果之后，對于含有鳴笛的聲音使用MUSIC算法隨聲源進行定位；MUSIC算法屬于波束形成法，其原理是將協方差矩陣進行特征值分解，算法實現如下：首先列出陣列數據的協方差矩陣，如公式(1)所示；R＝E[X(t)X
H
(t)]＝AR
S
A+R
N
???????????????????...

【專利技術屬性】
技術研發人員：劉亞榮，于頊頊，謝曉蘭，黃海濱，黃飛揚，
申請(專利權)人：桂林理工大學，
類型：發明
國別省市：