Page 151 - 《应用声学》2021年第3期

第 40 卷 第 3 期 赵佳美等： 应用声信号特征识别车辆车型及车速范围 469

0 引言 1 车辆声信号分析

车辆识别技术是现代智能交通系统研究中的 1.1 车辆声信号预处理
关键技术之一 [1] 。在交通系统的运行状况中，主要 现场所采集的车辆声信号中，混有的其他环境
依据的交通参数有交通流量、交通流密度、车辆行 噪声会使得采集到的声信号数据量非常大。可以采
驶速度、行程时间等 [2] ，车辆车型以及速度的识别 用分帧、加窗和数据归一化的方法对采集到的声信
技术可以辅助交通管理部门实时掌握道路交通信 号数据进行预处理，以利于在对声信号提取分析时
息，通过实时交通状况进行决策，避免交通拥堵等 获取有利信息。本研究在分帧时选用enframe函数，
状况的发生。长期以来，我国是以道路设计速度作 窗函数选择 Hanning 窗，数据归一化方法采用最大
为确定限速值的依据来对车辆的运行进行限速的， 最小法。
在设置限速时没有考虑到大小车型、气候变化等，
1.2 特征提取分析
这种方法缺乏实时性和动态性，车速安全的实时跟
分类识别前需构建合适的特征提取算法，使得
踪和信息管理技术的落后增加了道路交通的安全
在特征维数较低的情况下尽可能保留原始声信号
隐患。
的重要特征。本文选用可以表达声信号特点的时域
声信号检测识别技术可以通过提取声信号中
特征、频域特征和倒谱特征参数。
具有一定物理含义的信号特征，再通过声信号特
声信号的时域特征是以时间为自变量描述信
征对车辆进行分类识别。该技术具有设备简单且
号随着时间变化的情况，具有直观和准确的优点。
易于布置，检测不受黑夜、隧道视觉因素影响等特
本文提取的时域特征是声信号的短时能量和过零
点，对车辆识别的效果有很大帮助。因此，国内外
率。当有车辆通过时产生的声音与纯背景时的声音
学者对此展开大量研究，利用车辆通过时声信号的
之间的能量差异明显，声信号的短时能量可以描述
检测识别技术也迅速发展。Sunu 等通过谱嵌入的
能量特征的变化情况。短时平均过零率是指声信号
方法将提取的特征进行降维，并用 K 聚类和 K-最
每一帧内的波形穿过零值 (横轴) 的次数，在一定程
近邻方法作为分类器对卡车和吉普车进行分类识
度上可以体现声信号频率的信息 [9] 。在提取各类特
别 [3] 。Kandpal等 [4] 将车辆声信号的快速傅里叶变
征时对声信号分帧的帧长及帧移参数设置为相同
换 (Fast Fourier transform, FFT) 和时域波形相结
参量，分帧后加Hanning窗进行处理，由此得到的短
合，利用神经网络作为分类器，并且对车辆声信号的
时能量和短时平均过零率即可作为表达声信号的
识别结果进行了融合。陆伟 [5] 采用模糊C均值聚类
特征向量的一部分。
算法对轿车、卡车、中巴和农用车进行车型的分类
频域分析包含更多的声学特征，可以方便地观
识别。陈丽等利用神经网络对小型轿车、大型客车
察时程曲线中的频率成分含量，对外界环境变化的
和重型货车等车型进行特征提取 [6−8] 。
适应性和抗干扰性也较强，因此可以作为声信号特
现有的车辆识别技术通常只是对车辆的车型
征表达的一部分。本文采用小型车和公交车声音信
进行识别，对于车辆其他信息 (如车速、车流量等)
号的 1/3 倍频程作为特征参数，采用与时域特征提
的识别研究较少，使得车辆的识别仍达不到理想的
取相同的参数及方法进行预处理。
效果，影响工作人员的执行效率。此外，在实际应用
声音识别中常用梅尔频率倒谱系数 (Mel fre-
中还应考虑车辆识别系统软硬件平台的传输效率 quency cepstrum coefficient, MFCC) 作为声信号
及其运行速度，以避免在系统硬件设备开发中计算
的提取特征，现已被广泛应用。当波频超过1000 Hz
时间过长、计算成本过高。因此，本文采集车辆通过 时为对数尺度，而1000 Hz 以下为线性尺度，其取值
时的声信号，应用 BP 神经网络(Back propagation) 大体与实际频率的对数相对应，具体可表示为
以及结合主成分分析 (Principal component analy-
f Mel = 2595 × log (1 + f/700) . (1)
sis, PCA)和BP神经网络算法模型(PCA-BP)对车
辆的车型、车速进行识别，为车辆识别技术提供思 利用梅尔滤波器组将采集时车辆通过声信
路和方法，为系统的实现提供便利。 号的功率谱划分到多个频带，然后对每个频带