Page 81 - 201806

第 37 卷 第 6 期 肖寒春等： 改进的梅尔倒谱系数在低空飞行器特征提取中的应用 911

所使用的长度。然后使用离散余弦变换提取梅尔 布并不相同。本文将针对螺旋桨驱动类低空飞行器
系数： 的声信号特点对 MFCC 特征提取中的梅尔滤波器
M−1 ( ) 进行改进，以获取更加有效、稳定的特征向量。
∑ πn (m − 0.5)
c n = s(m) cos ,
M 3.1 低空飞行器声信号的分析
m=0
n = 1, 2, · · · , N, (3) 低空空域内的飞行器大多采用发动机通过耦
合装置 (减速器和传动机) 驱动螺旋桨转动从而产
此处 N 表示所有的梅尔系数的数量，梅尔系数构成
生推动力，产生的声信号主要来自于螺旋桨，其功率
了MFCC特征向量。
谱分布主要取决于飞行器机身形状与螺旋桨转速。
3 改进的MFCC特征提取方法 虽然在声信号的产生与传播中，飞行速度、倾斜角以
及气流都会对信号带来干扰，但是其固定的动力结
传统的 MFCC 特征提取方法在进行梅尔滤波 构以及螺旋桨转速使得飞行器噪声会在特定谐波
时，严格按照人耳的感应机制，将线性频率尺度转换 上出现波峰，这种波峰对应的谐波频率分布相对稳
成梅尔域。从梅尔滤波的公式中可以看出这种转变 定，称为稳态强谐波。该类谐波表征了该飞行器的
并不是线性的，也就是说人耳对语音的频率进行了 结构特征，在特征提取时应该予以突出。图3为成年
非线性处理，在频率低的地方转换曲线斜率大，高 男子说话声与无人机 (无人机型号为 DJI Phantom
频部分斜率较小，表明人耳对低频信号的敏感度高 3 Professional)声信号的频谱分布，图4 为对应的时
于高频信号。这种处理机制来源于生物的进化，而 频谱图。
这种进化是基于人耳可接收声信号的统计分布，所 从图 4 中可以看出，语音信号具有很强的瞬态
以 MFCC 技术在自然音频特别是语音信号的特征 特性，而无人机声信号是稳态噪声，相比语音信号更
提取上有很好的性能表现，但是这种普适性也导致 加平稳。在语音识别系统中，MFCC 技术被用来对
了其在某一特定场景中性能的下降，因为在特定场 语音信号中的音素进行识别并取得了较好的识别
景中，声信号的频率统计分布与语音信号的统计分 效果。对于语音信号来说，不用的发声所包含的音素

0
-20
-40
ࣨए/dB -50 ࣨए/dB -60
-80
-100
-100 -120
0 5 10 15 0 5 10 15
ᮠဋ/kHz ᮠဋ/kHz
(a) ੇࣲႄߕឭភܦ (b) ௄̡఻ᣣ࠱٪ܦ

图 3 声信号的频谱
Fig. 3 Frequency spectrum of acoustic signal

2.0 2.0
0 1.5 0
1.5
ᮠဋ/kHz 1.0 -50 ᮠဋ/kHz 1.0 -50

0.5 0.5 -100
-100
0 0
0 1 2 3 4 0 1 2 3 4
௑ᫎ/s ௑ᫎ/s
(a) ੇࣲႄߕឭភܦ (b) ௄̡఻ᣣ࠱٪ܦ
图 4 声信号的时频谱
Fig. 4 Spectrum of acoustic signal