基于lmd及能量投影法的車型音頻特征提取方法
【技術領域】
[0001] 本發明涉及一種涉及智能交通識別領域，特別是涉及一種基于LMD及能量投影法 的車型音頻特征提取方法。
【背景技術】
[0002] 車型識別是智能交通領域的一個重要內容，目前主流方法有磁感應線圈檢測，紅 外線檢測，微波檢測，超聲波檢測、圖像及視頻檢測等。這些方法有各自的適用性，但同時又 有著各自的局限性，不同程度地受到包括光照、氣候、電磁干擾等環境因素的影響，有些方 法硬件成本高，有些方法甚至會在布設傳感器時破壞現有路面條件。車輛在行駛過程中會 不可避免地輻射出噪聲，這些噪聲由于引擎差異、輪胎與地面的摩擦力度不同等原因而有 所不同，其中引擎差異是主要因素，而且與車輛機械結構即車輛類型有很強的關聯性，因此 車輛行駛時發出的噪聲即音頻信號可以作為車型識別的有效特征。車輛音頻信號是典型的 非平穩、低信噪比信號，含有復雜的機械頻率成分。對這類信號的分析關鍵在于從帶有強背 景噪聲的信號眾多成分中找出反映車型信息的特征頻率，并對其進行差別分析。單一的功 率譜分析、倒頻譜分析、濾波分析及濾波器、小波包分解、經驗模式分解等信號分解方法，或 者不區分信號中的多成分信息而對信號進行整體分析，或者對分解后的各信號分量統一處 理，沒有考慮信號頻率成分之間的差異，無法直接而有效地辨識信號中的特征頻率，這些問 題都需要進一步解決。
【發明內容】
[0003] 本發明的目的在于提供一種基于LMD及能量投影法的車型音頻特征提取方法， 本發明的目的是通過以下技術方案實現的： 基于LMD及能量投影法的車型音頻特征提取方法，其步驟包括： 步驟一：利用聲音傳感器對行駛中的車輛進行測量，獲得車輛的音頻信號 Ι(?); 步驟二：通過局部均值分解（LMD)方法對采集到的車輛音頻信號1(;彳進行分解，獲得" 個Plr分量=1=上~功和一個殘余分量u(i); 步驟三：運用相關加權分析的方法，依據各Pf分量與原始信號;rt>>的相關性分 析進行加權優化,獲得重構加權優化的分量; 步驟四：做出i%,.的頻譜圖，將其劃分為AT個子頻段，將信號21?的能量投影到每一個 子頻段內，計算各子頻段的投影能量爲0 = U....V)，作為車輛音頻信號χ(?)的車型特征。
[0004] 上述基于LMD及能量投影法的車型音頻特征提取方法，所述步驟二中采用LMD方 法對采集到的車輛音頻信號進行分解步驟如下： (1)求取局部均值函數》InO),找出音頻信號所有對應的局部極值點^求出所有相 鄰的局部極值點的平均值％ ,然后將所有相鄰的平均值點用直線連接起來，并運用滑動平 均法進行平滑處理得到W11O); (2)求取包絡估計函數計算相鄰局部極值點的包絡估計值，將所有相鄰兩個 包絡估計值用直線連接，然后采用滑動平均方法進行平滑處理，得到su(i); (3)將局部均值函數Wii(/)從原始信號Ζ(?)中分離出來，得到濾掉低頻信號的; ⑷用&#)除以包絡估計函數Αι(?)以對進行解調，得到·%#); (5) 把slt(i)重復步驟（1)- (4)，直至滿足1-Δ￡%,(?)￡? + Δ (變動量Δ<1),則迭代過 程終止，否則需要繼續重復步驟（1)- (4); (6) 把步驟（1) - (4)迭代過程中產生的所有包絡估計函數相乘便可以得到包絡信號 (7) 將包絡信號，ω和純調頻信號~的相乘便可以得到原始信號的第一個Pf分量 PFikO ； (8) 將第一個Pf分量從原始信號;r(i)中分離出來，得到一個新的信號4?，將 w作為原始數據；T(f>重復步驟（1)- (7 )，循環η -1次直至為一個的單調函數為止，將原 始信號分解》Ipf分量坪(_=1=2=j)和一個單調函數#>之和。
[0005] 上述基于LMD及能量投影法的車型音頻特征提取方法，所述步驟三中依據各 PF分量PiyiJ與原始信號2彳|)的相關性分析進行加權優化，獲得重構加權優化的P1F分 量，具體步驟為：首先運用相關性分析的方法計算Pfw與原始信號Ζ(?)的相關系數 二1:2=.._:詠判斷Ρ?：(?)對應的相關系數是否超過設定的閾值，若超過則認為是 有效的，選中該AF；⑴；對選中的it個Pf分量Pf 〇丨_ = Α)運用加權優化的方法進行處 理，重構加權優化#分量Pi:.,
【主權項】
1. 基于LMD及能量投影法的車型音頻特征提取方法，其特征在于，所述方法包括以下 步驟： 步驟一：利用聲音傳感器對行駛中的車輛進行測量，獲得車輛的音頻信號Ilf); 步驟二：通過局部均值分解（LMD)方法對采集到的車輛音頻信號進行分解，獲得 Ii個PF分量PfKOa =1又--刀)和一個殘余分量這的； 步驟三：運用相關加權分析的方法,依據各PF分量αω與原始信號ζω的相關性 分析進行加權優化，獲得重構加權優化的Pf分量; 步驟四：做出的頻譜圖，將其劃分為N個子頻段，將信號Jfw的能量投影到每一 個子頻段內，計算各子頻段的投影能量，作為車輛音頻信號;的車型 特征。
2. 根據權利要求1所述的基于LMD及能量投影法的車型音頻特征提取方法，其特征在 于，所述步驟二中采用LMD方法對采集到的車輛音頻信號進行分解步驟如下： (1) 求取局部均值函數，找出音頻信號所有對應的局部極值點I，求出所有相 鄰的局部極值點的平均值％ ,然后將所有相鄰的平均值點用直線連接起來，并運用滑動平 均法進行平滑處理得到; (2) 求取包絡估計函數?,計算相鄰局部極值點的包絡估計值心將所有相鄰兩個包 絡估計值用直線連接，然后采用滑動平均方法進行平滑處理，得到巧辦）； (3) 將局部均值函數％1(|)>人原始信號Ζ(?)中分離出來，得到濾掉低頻信號的； (4) 用^辦)除以包絡估計函數％的以對屺坊進行解調，得到5η(?); (5) 把七財重復步驟（1)- (4)，直至滿足幻+ Λ (賴量Δ<1),則迭代過 程終止，否則需要繼續重復步驟（1)- (4); (6) 把步驟（1) - (4)迭代過程中產生的所有包絡估計函數相乘便可以得到包絡信號 ?!(?); (7) 將包絡信號@仿和純調頻信號&的相乘便可以得到原始信號的第一個PF分量 增）； (8) 將第一個《7分量從原始信號Ι(?)中分離出來，得到一個新的信號&i(〇,將 ?!的作為原始數據11:>〕重復步驟（I) - (7)，循環"_^次直至<?)?為一個的單調函數為止，將 原始信號；r(f).分解《個押分量WW' =U』)和一個單調函數峨之和。
3. 根據權利要求1所述的基于LMD及能量投影法的車型音頻特征提取方法，其特征在 于，所述步驟三中依據各.Pf分量i>f^>與原始信號JT0的相關性分析進行加權優化，獲得 重構加權優化的PF分量Pf1,.,具體步驟為：首先運用相關性分析的方法計算Pfw與原始 信號的相關系數…=也判斷對應的相關系數是否超過設定的閾值，若 超過則認為Pf； (； f >有效的,選中該;對選中的f # 0s W d1 =1二· · ?運用加權 優化的方法進行處理,重構加權優化分量!￥；.,
4. 根據權利要求1所述的基于LMD及能量投影法的車型音頻特征提取方法，其 特征在于，所述步驟四中，在劃分頻段過程中，首先將^^進行傅里葉變換（EFJ) ,獲得i-(/) = FFr(PJU ;做出P/；,的頻譜圖，選擇能量比較集中的頻段 ZC/)，將z(/)等分為y個子頻段ζχ/χ? = U_Y),每一個頻段4(/>均含有w個數據點， 如果不能等分，將最后一個子頻段Ζγζ/)通過補零的方式補足w個數據點；計算每一個子頻 段^/)的能量，將?/}的投影能量定義為其內所有數據點的能量和，第 1個子頻段^/) 的投影能量乓定義為：
經過上述處理后得到一個投影能量向量
￡,-1,整個頻段的能量表示為.4, 對每一個頻段的能量進行歸一化處理，得到K . J ,于是就有了[F1Ji^Fv]作 為車型音頻信號Z(I)的車型特征。
【專利摘要】基于LMD及能量投影法的車型音頻特征提取方法，涉及智能交通識別領域，本發明采用自適應的LMD方法將車型音頻信號進行分解，然后運用相關加權分析的方法重構一個新的 分量，這個加權優化后的分量增強了特征頻率成分，使得車型特征更加有效，進而提高分類的準確性。本發明在能量聚集的特征頻段內分析反映車型信息的能量分布情況，通過劃分子頻段將信號的能量投影到幾個各子頻段內，減小了計算量，降低了特征維數，提高了算法的實時性。
【IPC分類】G10L15-02
【公開號】CN104637481
【申請號】CN201510031879
【發明人】齊曉軒, 徐長源, 原忠虎
【申請人】沈陽大學
【公開日】2015年5月20日
【申請日】2015年1月22日