CN101877172B - 一种基于碰撞声的交通事故自动检测方法 - Google Patents

Abstract

本发明涉及一种基于碰撞声的交通事故自动检测方法，对于采集到的声信号进行分帧，首先检测时域总能量分布，若满足碰撞的条件，则进行进一步的识别，否则直接跳出等待下一帧的处理；接下来判别频域的能量分布，利用小波提取能量分布特征分量并判别，若满足碰撞的条件，则进行进一步的识别，否则直接跳出等待下一帧的处理；最后进行ACF检测，若满足碰撞的条件，则判别为碰撞声，否则等待下一帧的处理。本发明能在提高检测准确率和降低误报率的同时将计算量抑制到最小。

Description

一种基于碰撞声的交通事故自动检测方法

技术领域

本发明涉及交通事故自动检测技术领域，特别是涉及利用声音信号进行交通事故检测的方法。

背景技术

相对于自动事件检测技术的发展，对重大交通事故检测的研究较为滞后。传统的交通事件检测装置，主要分为基于磁频信号的车辆检测设备，基于波谱信号车辆检测设备和基于视频信号车辆检测设备。但各种传感器包括摄像头，超声波，微波被用来检测交通事件，主要着眼于宏观的道路交通流信息如道路流量、车辆占有率、车流密度等，对于交通事故这种微观现象的检测是间接的，效果不佳。现阶段最为有效的拨打报警电话的方式，则存在目击者在场的制约，而且事发地点难以确定，报警信息甄别困难，因此需要一种直接而自动的检测方式。美国明尼苏达州交通部，州巡逻部门等联合开发的MayDay Plus系统由调度平台、通讯网关和车载模块组成，由车载模块负责检测并发出该车辆的各种信息，已经开始直接从车辆状态出发实现交通事故自动检测的实践。

声音传感器比如简单的麦克风可能成为一种计算简单，成本较低的替代选择，研究人员已经用来检测过往车辆。在重大交通事故发生时，车辆运行状态发生了相应的变化，并伴有剧烈碰撞的声音，其碰撞声与周围的噪声存在较大的差别。因此通过声音传感器实时采集并分析车辆周围的声音，判别车辆的运行情况，一旦有事故发生，可立即提取碰撞声并识别，及时发出警报信号。

国内外研究人员在利用音频信号进行交通检测方面已经做了一定的研究。2001年开始路易斯安那州立大学的Harlow和Wang开始使用音频信号检测路口的交通事故，采用的是离线学习的方式：采集数据计算其Mel频率倒谱系数作为特征训练出一个神经网络作为分类器。2003年密西西比州立大学的YunlongZhang等人设计了一个基于音频信号分析的十字路口交通事故检测系统，同样是离线学习，小波变换被用来提取特征，Fisher线性判别分析被用来做分类。吉林大学的陈强等人和印度理工学院的Mittal等人也先后采用基于小波变换的声检测方法检测交通事故。

现有的基于音频信号的检测算法大部分是在实验室环境下进行离线实验，对有限的特定样本，取得了较高的检测率和较低的误判率。而对于实际的复杂交通环境，声音信号变化多样，不能取得理想的效果；有的算法还存在计算量巨大不利于实时检测的缺点。

发明内容

本发明主要针对现有算法存在的缺陷，提出一种多特征的碰撞声交通事故自动检测算法，在提高检测准确率和降低误报率的同时将计算量抑制到最小。

本发明是通过以下技术方案实现的：

一种基于碰撞声的交通事故自动检测方法，对于采集到的声信号进行分帧，首先检测时域总能量分布，若满足碰撞的条件，则进行进一步的识别，否则直接跳出等待下一帧的处理；接下来判别频域的能量分布，利用小波提取能量分布特征分量并判别，若满足碰撞的条件，则进行进一步的识别，否则直接跳出等待下一帧的处理；最后进行ACF检测，若满足碰撞的条件，则判别为碰撞声，否则等待下一帧的处理。

一种基于碰撞声的交通事故自动检测方法，所述的时域能量分布检测方法是把总能量值E和能量变化值ΔE作为碰撞声判别特征，其中ΔE定义为

$\mathrm{\ΔE}=\frac{E_c}{E_f+E_b}$

E_c为碰撞峰值能量，E_f为碰撞前t秒平均能量，E_b为碰撞后t秒平均能量。符合碰撞声的判别条件为

$\left\{\begin{array}{c}E>T_1\\ \mathrm{\ΔE}>T_2\end{array}\right..$

一种基于碰撞声的交通事故自动检测方法，所述的小波的频域能量分布检测是对每一帧声信号，通过小波分解，不同尺度对应了不同的频率范围，提取不同尺度下的小波系数，建立能量分布与不同目标类别之间的映射关系。

一种基于碰撞声的交通事故自动检测方法，所述的小波为Db1小波。

一种基于碰撞声的交通事故自动检测方法，所述的ACF检测为：

计算不同延时的自相关系数R(k)，根据R(k)的大小来对声音进行分类，

$R\left(k\right)=\frac{E[(X_i-{\mathrm{\μ}}_i)(X_{i+k}-{\mathrm{\μ}}_{i+k})}{{\mathrm{\σ}}^2}$

其中X_i和X_i+k为i时刻声音信号序列及其延时k时刻后的声音信号序列，μ_i，μ_i+k是它们的均值，σ为标准差；

对每一帧数据，从t时刻开始，每延时Δt计算一个自相关系数，共N个，记为R_n，定义判别分量P

$P=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}f(R_i,T)$

$f(R_i,T)=\left\{\begin{array}{c}{R}_i\≤T=1\\ R_i>T=0\end{array}\right.$

T为常数。

为交通事故碰撞声的判别条件为

P＜T_acf。

本发明时域的能量分布、频域的能量分布和ACF都是独立的碰撞声识别有效特征，多种特征的组合可以提高分类精度。但是每种特征的检测计算代价不一样，ACF计算代价最高，基于小波的频域能量分布检测其次，时域的能量分布检测计算代价最小。因此按照本算法的流程，先处理计算代价小的特征，可以将计算量抑制到最小。碰撞声具有总能量大和能量包络线有明显突变的特点，因此把能量值E和能量变化值ΔE作为碰撞声判别特征。碰撞声和其它声音所含的频率成分不一样，将其转化到频域，则表现为能量在各个频率分布不一样。对每一帧声信号，通过小波分解，不同尺度对应了了不同的频率范围，因此提取不同尺度下的小波系数，建立能量分布与不同目标类别之间的映射关系。正常环境中的语音信号、音乐信号等，大部份都具有很强得规律性，因此其自相关性比较强；而碰撞声信号在碰撞声持续的短时间内，类似于噪声信号，自相关性非常小。通过计算不同延时的自相关系数，根据自相关系数的大小来对声音进行分类。通过以上算法可以有效的提高检测率和降低误判率。对于实际的复杂交通环境，可以取得理想的效果；并且算法计算量小。

附图说明

附图为小波分解树状图。

具体实施方式

本发明同时采用声信号在时域的能量分布，频域的能量分布和自相关函数(Auto Correlation Function，ACF)作为识别交通事故碰撞声的特征，其中频域的能量分布通过小波提取。具体步骤如下：

1)采集声信号并进行分帧；

2)时域总能量分布检测，若满足碰撞的条件，转3)，否则转5)；

3)基于小波的频域能量分布检测，若满足碰撞的条件，转4)，否则转5)；

4)检测ACF，若满足碰撞的条件，发送报警信号，否则转5)；

5)等待数据采集直至下一帧数据采满，进行下一帧处理。

时域的能量分布、频域的能量分布和ACF都是独立的碰撞声识别有效特征，多种特征的组合可以提高分类精度。但是每种特征的检测计算代价不一样，ACF计算代价最高，基于小波的频域能量分布检测其次，时域的能量分布检测计算代价最小。因此按照本算法的流程，先处理计算代价小的特征，可以将计算量抑制到最小。每种特征的具体检测算法如下：

1.时域总能量分布检测

碰撞声具有总能量大和能量包络线有明显突变的特点，因此把能量值E和能量变化值ΔE作为碰撞声判别特征，其中ΔE定义为

$\mathrm{\ΔE}=\frac{E_c}{E_f+E_b}$

E_c为碰撞峰值能量，E_f为碰撞前t秒平均能量，E_b为碰撞后t秒平均能量。符合碰撞声的条件为

$\left\{\begin{array}{c}E>T_1\\ \mathrm{\ΔE}>T_2\end{array}\right.$

其中T₁和T₂为常数。

2.基于小波的频域能量分布检测

碰撞声和其它声音所含的频率成分不一样，将其转化到频域，则表现为能量在各个频率分布不一样。对每一帧声信号，通过小波分解，不同尺度对应了了不同的频率范围，因此提取不同尺度下的小波系数，建立能量分布与不同目标类别之间的映射关系。

本算法采用DB1小波，对每一帧信号，先进行一层分解，然后高频系数进行两层完整的分解，低频系数进行10层单向分解，如附图所示。最后利用分解出的底层高频系数和最后一层低频系数，附图中的黑框所示部分：CA31，CD31，CA32，CD32，CD2，CD3，CD4，CD5，CD6，CD7，CD8，CD9，CD10，CD11，CA11共15个，记为C_n。计算得到特征分量F＝[E₁，E₂......E_15]，E_n的计算公式如下： $E_n=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}C\left(i\right),$ 其中N为Cn的长度。

在提取出的特征分量F的基础上，本算法采用基于主成分分析(PCA)的异常点检测算法检测交通事故碰撞声。原特征F经变换后 $F*H=\tilde{F},$ H为由PCA方法得到的投影矩阵。判别条件为：

$\underset{i}{\mathrm{sum}}({\tilde{F}}_i\&Element;I_i)<n$ n表示

允许偏出给定区间I_i的最大个数。

$I_i=\mathrm{mean}\left({\tilde{F}}_X\right)\&PlusMinus;2*\mathrm{std}\left({\tilde{F}}_X\right)$

为训练样本集的特征分量投影。

3.ACF检测

正常环境中的语音信号、音乐信号等，大部份都具有很强得规律性，因此其自相关性比较强；而碰撞声信号在碰撞声持续的短时间内，类似于噪声信号，自相关性非常小。通过计算不同延时的自相关系数R(k)，根据R(k)的大小来对声音进行分类。

$R\left(k\right)=\frac{E[(X_i-{\mathrm{\&mu;}}_i)(X_{i+k}-{\mathrm{\&mu;}}_{i+k})}{{\mathrm{\&sigma;}}^2}$

其中X_i和X_i+k为i时刻声音信号序列及其延时k时刻后的声音信号序列，μ_i，μ_i+k是它们的均值，σ为标准差。

对每一帧数据，从t时刻开始，每延时Δt计算一个自相关系数，共N个，记为R_n，定义判别分量P

$P=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}f(R_i,T)$

$f(R_i,T)=\left\{\begin{array}{c}{R}_i\&le;T=1\\ R_i>T=0\end{array}\right.$

T为常数。

为交通事故碰撞声的判别条件为

P＜T_acf

Claims (1)

1.一种基于碰撞声的交通事故自动检测方法，其特征在于：对于采集到的声信号进行分帧，首先检测时域总能量分布，若满足碰撞的条件，则进行进一步的识别，否则直接跳出等待下一帧的处理；接下来判别频域的能量分布，利用小波提取能量分布特征分量并判别，若满足碰撞的条件，则进行进一步的识别，否则直接跳出等待下一帧的处理；最后进行ACF检测，若满足碰撞的条件，则判别为碰撞声，否则等待下一帧的处理；所述的时域能量分布检测方法是把总能量值E和能量变化值ΔE作为碰撞声判别特征，其中ΔE定义为

E_c为碰撞峰值能量，E_f为碰撞前t秒平均能量，E_b为碰撞后t秒平均能量，符合碰撞声的判别条件为

所述的小波的频域能量分布检测是对每一帧声信号，通过小波分解，不同尺度对应了不同的频率范围，提取不同尺度下的小波系数，建立能量分布与不同目标类别之间的映射关系；

所述的小波为Db1小波；

所述的ACF检测为：

计算不同延时的自相关系数R(k)，根据R(k)的大小来对声音进行分类，

其中X_i和X_i+k为i时刻声音信号序列及其延时k时刻后的声音信号序列，μ_i，μ_i+k是它们的均值，σ为标准差；

对每一帧数据，从t时刻开始，每延时Δt计算一个自相关系数，共N个，记为R_n，定义判别分量P

T为常数；

为交通事故碰撞声的判别条件为

P＜T_acf。 

Images