CN103946715A - 声源检测系统 - Google Patents

Abstract

一种基于由拾音器收集到的声音来检测声源（例如，车辆行驶声音）的声源检测系统，其从由拾音器收集到的声音中提取特征量，使用特征量通过多分类模式识别方法（例如，多分类SVM）根据声源的位置设定多个分类，从由拾音器收集到的声音中提取特征量以检测声源，从预设的多个分类中判定所提取的特征量所属的分类，并且基于所述分类评估声源。

Description

声源检测系统

发明背景

技术领域

本发明涉及一种声源检测系统，所述声源检测系统根据由声音收集装置（例如拾音器）收集到的声音来检测声源。

背景技术

声源检测系统具有收集周围声音的两个或更多个拾音器，并且可操作以基于到达延迟（即，各个拾音器接收到的声音之间的到达时间差）等来检测声源（例如，车辆的行驶声音）的运动方向等。在日本实用新型申请公开No.5-92767（JP5-92767U）中描述的系统中，由放置成相距给定间隔的两个或更多个拾音器产生的电信号通过带通滤波器，以分别从电信号中移除低频带和高频带的频率分量，从而将电信号转换成经过修正的电信号。然后，由经过修正的电信号计算车辆行驶声音的特征所处的给定频带的功率，并且当功率水平高于阈值时，判定存在接近车辆。另一方面，从经过修正的电信号中移除不必要的噪声分量，由此，所述经过修正的电信号被转换成噪声抑制信号，并且计算两个或更多个拾音器的噪声抑制信号之间的互相关性，以便基于互相关性最大的到达延迟来计算接近车辆的接近方向。

当车辆高速运动时，期望的是最大检测距离足够长，这是因为需要关于远处的接近车辆的信息。然而，在基于由一对拾音器接收到的声音之间的到达延迟或到达时间差来检测接近车辆的方法中，所述一对拾音器之间的距离受到车辆宽度的限制（因此，空间分辨率（最大检测距离时的性能）受到限制），或者在目标频带中发生混淆现象；因此，随着接近车辆和自车辆之间的距离增大，检测接近车辆的能力下降，并且变得难以检测接近方向、距离等。特别地，当在判定接近车辆是否存在时使用阈值时，非常难以适当地设定阈值，并且检测准确性根据阈值而大幅度地变化。而且，在基于一对拾音器接收到的声音的到达延迟来检测接近车辆的方法中，除非确定到达延迟随着时间的变化，否则无法检测出接近方向；因此，难以由单次检测来判定车辆是正在接近自车辆还是正在运动远离自车辆。

发明内容

本发明提供了一种声源检测系统，所述声源检测系统适于以高准确度检测接近车辆。

根据本发明的一个方面的适于基于由声音收集装置收集到的声音来检测声源的声源检测系统包括：分类单元，所述分类单元从由声音收集装置收集到的声音中提取多个特征量，并且使用所述特征量通过多分类模式识别方法来根据声源的位置设定多个分类；分类判定单元，所述分类判定单元在检测声源时从由声音收集装置收集到的声音中提取特征量，并且从由分类单元设定的多个分类中判定所提取的特征量所属的分类；和声源评估单元，所述声源评估单元基于由分类判定单元判定的分类来评估所述声源。

在所述声源检测系统中，声源收集装置在实际检测声源之前在声源（例如，车辆的行驶声音）的各种状态下收集声音。声源的状态可以包括对应于声源通过系统前部所耗费的每个时间（间隔）的声源位置、对应于与声源相距的每个距离的位置等。例如，当声源处于在声源通过系统前部之前5至4秒的范围（位置）内、处于通过之前4至3秒的范围内、处于通过之前3至2秒的范围内、处于通过之前2至1秒的范围内内、处于通过之前1至0秒的范围内以及处于通过之后的范围内时收集声音。然后，在声源检测系统中，分类单元使用针对声源的每种状态收集到的声音数据提取针对声源的每种状态的声音特征量，并且使用声音的特征量通过多分类模式识别方法来根据声源的位置设定多个分类。例如，根据声源的位置设定的多个分类可以是对应于声源通过系统前部所耗费的各个时长的位置分类，或者是对应于与声源相距的各个距离的位置分类。例如，获得用于使用特征量将通过系统前部之前5至4秒的分类、通过之前4至3秒的分类、通过之前3至2秒的分类、通过之前2至1秒的分类、通过之前1至0秒的分类和通过之后的分类彼此分开的信息。然后，当声源检测系统操作以实际检测声源时，声音收集装置收集声音，并且分类判定单元从收集到的声音的声音数据中提取特征量，并且从由分类单元设定的多个分类中判定所提取的特征量所属的分类。此外，在声源检测系统中，声源评估单元基于由此判定的分类来评估声源的状态。例如，当判定距离通过2至1秒的分类时，评估声源位于声源将在当前时间之后的2至1秒通过系统前部的位置处。因此，声源检测系统通过多分类模式识别方法根据声源的状态设定多个分类，并且判定声源的声音特征量所属的分类，使得能够以高准确度检测声源。在使用通过多分类模式识别方法进行分类的方法中，检测准确度不会根据例如声源的位置而发生变化，并且不使用阈值进行判定，从而允许灵活的检测并且确保提高的检测准确度。而且，通过判定分类一次便能够判定声源是正在接近系统还是正在运动远离系统。

根据本发明的上述方面的声源检测系统可以还包括：声源检测单元，所述声源检测单元计算由构成声音收集装置的多个拾音器分别收集到的声音的相关值，并且通过比较计算出的相关值和阈值来检测声源；和修正单元，所述修正单元基于由声源检测单元获得的检测结果和由声源评估单元获得的评估结果来修正声源检测单元的阈值。在这个系统中，声源检测单元通过比较相关值与通过修正单元修正的阈值来检测声源。

在所述声源检测系统中，当两个或者更多个拾音器收集声音以实际检测声源时，声源检测单元计算由各个拾音器收集到的声音的相关值，并且通过比较所述相关值和所述阈值来检测声源。此外，在所述声源检测系统中，当通过分类判定单元判定某一分类时，声源评估单元基于由此判定的分类来评估声源的状态。如果通过这两种方法检测到声源，并且由这两种方法中的一种检测到的声源的位置（距离、时间）、运动方向等与由另一种方法检测到的声源的位置（距离、时间）、运动方向等大致一致，则通过声源检测单元和声源评估单元以较高的可靠性检测到声源，并且通过声源检测单元以较高的可靠性计算相关值。因此，在所述声源检测系统中，当基于由声源检测单元获得的检测结果和由声源评估单元获得的评估结果确保较高的可靠性时，修正单元修正声源检测单元的阈值。例如，当可靠性较高时，阈值被设定为与通常使用的阈值相比更可能检测到声源的值。因而，在所述声源检测系统中，声源检测单元通过比较相关值和经过修正的阈值来检测声源。因此，在所述声源检测系统中，根据在使用声音相关值的方法中获得的检测结果和在使用分类的方法中获得的检测结果来修正用于在使用声音相关值的方法中使用的阈值，使得能够通过使用声音相关值的方法以提高的稳定性检测声源。例如，如果噪声暂时混合到收集到的声音中并且相关值减小，则在使用通常使用的阈值进行判定的情况下，可能暂时检测不到声源，并且重复检测到声源和未检测到声源。然而，如果阈值被修正为更小的值，则即使相关值减小也能够连续且稳定地检测到声源。

在根据本发明的上述方面的声源检测系统中，分类单元可以根据声源的运动方向设定多个分类。当声源是车辆（行驶声音）并且该车辆在与自车辆行驶的道路交叉的道路上正在接近安装有所述声源检测系统的自车辆时，车辆可以从自车辆的右手侧接近自车辆，或者可以从自车辆的左手侧接近自车辆。因而，即使接近车辆通过自车辆的前部所耗费的时长或者接近车辆与自车辆相距的距离相等，接近车辆的运动方向也可能不同；因此，依据接近车辆的运动方向和位置来设定分类。利用依据声源的运动方向以及声源的位置设定的分类，能够更为详细地评估声源的状态，而且能够高准确度地检测声源。

在根据本发明的上述方面的声源检测系统中，分类单元可以根据道路的形状和/或交通规则来设定多个分类。当声源是车辆时，该车辆行驶在道路上，并且可以根据道路的形状来设定分类。而且，因为车辆根据交通规则行驶（例如，当道路允许单向行驶时，车辆的运动方向仅为一个方向），所以可以基于交通规则设定分类。因此，在如上所述的声源检测系统中，通过依据道路形状和交通规则来进行分类，能够容易地设定最适合的分类。

在根据本发明的上述方面的声源检测系统中，分类单元可以根据车辆类型设定多个分类。当声源是车辆时，例如，大型车辆和普通车辆的行驶声音彼此不同，并且这些类型的车辆的声音特征量也不同。因此，能够由声音特征量来判定车辆的类型，并且能够根据车辆的类型来设定分类。车辆可以大致分类成若干类型，例如大型车辆、普通载客车辆、轻型载客车辆和摩托车，或者可以分类成更详细的类型。因此，在如上所述的声源检测系统中，依据车辆的类型来设定分类，使得能够更为详细地评估接近车辆（声源）的状态，并且能够以提高的准确度来检测接近车辆。

根据本发明，通过多分类模式识别方法根据声源的状态来设定多个分类，并且判定声源的声音特征量所属的分类，使得能够高准确度地检测声源。

附图说明

下面将参照附图描述本发明的示例性实施例的特征、优势和技术以及工业意义，在所述附图中，相同的附图标记表示相同的元件，并且其中：

图1是示出了根据本发明的一个实施例的声源检测系统的学习装置的构造的视图；和

图2是示出了根据本发明的第一实施例的评估装置的构造的视图；

图3是在多分类SVM中使用的一组分类的一个示例的视图；

图4是图解了在图2的评估装置中执行的处理的流程的流程图；

图5是示出了根据本发明的第二实施例的评估装置的构造的视图；

图6A至图6E是示出了由图5的评估装置获得的处理结果的一个示例的视图，其中，图6A示出了分类判定结果随着时间的变化，图6B示出了相关值随着时间的变化，图6C示出了方向角度随着时间的变化，图6D示出了在修正阈值之前的检测结果的变化，并且图6E示出了在修正阈值之后的检测结果的变化；

图7是图解了在图5的评估装置中执行的处理的流程的流程图；和

图8A至图8E是示出了在多分类SVM中使用的分类的示例的视图，这些分类根据道路形状和交通规则设定，其中，图8A图解了在十字路口的交汇点处与另一条道路交叉的道路在每个方向上均有一条车道的情况，图8B图解了在丁字路口处与另一条道路交叉的道路没有车道的情况，图8C图解了在十字路口的交汇点处与另一条道路交叉的道路没有车道的情况，图8D图解了在修改的十字路口的交汇点处与另一条道路交叉的道路允许单向交通的情况，并且图8E图解了在五条道路的交汇点处交叉的道路包括无车道的道路和允许单向交通的道路的情况。

具体实施方式

将参照附图描述根据本发明的一个实施例的声源检测系统。在附图中，相同的附图标记分配给相同或者对应的元件，并且将不再对其重复解释。

在这个实施例中，根据本发明的声源检测系统用作接近车辆检测系统，所述接近车辆检测系统主要由以下部件构成：在开发车辆期间事先实施学习的学习装置；和评估装置，所述评估装置在装运时安装在车辆上，并且适于实际检测接近车辆。这个实施例的接近车辆检测系统根据由多个（两个或者更多个）拾音器中的每一个收集到的每个声音（即，检测自车辆附近的车辆（声源）的行驶声音）检测正在接近自车辆（即，安装有接近车辆检测系统的车辆）的车辆，并且将关于接近车辆的信息提供给驾驶辅助系统。特别地，这个实施例的接近车辆检测系统使用多分类SVM（多分类支持向量机）（多分类模式识别方法）通过学习来对接近车辆的状态进行分类，并且使用通过分类学习到的数据来评估接近车辆。本发明可以实施为在评估装置实施的处理方面彼此不同的两种形式，即，第一实施例，其中，基于由多分类SVM判定的分类来检测接近车辆，和第二实施例，其中，基于由多分类SVM判定的分类修正CSP（互功率谱相位分析，Cross-powerSpectrum Phase analysis）方法中使用的阈值，并且根据CSP方法检测接近车辆。

车辆的行驶声音主要由道路噪声（轮胎表面和道路表面之间的摩擦声音）和花纹（pattern）噪声（轮胎沟槽中的空气漩涡（压缩/释放））构成。行驶声音还可以包括例如发动机声音或者噪声和风噪声。可以事先通过实验等测量车辆行驶声音的频率分量的范围。

SVM是使用监督学习的模式识别方法。根据多分类SVM，（通过学习）在多维向量空间中获得分离两个或者更多个分类的决策面中的每一个，并且评估由此学习到的多个分类中的行驶声音（声源）所属的分类。在这个实施例中，从由两个或者更多个拾音器收集到的每个声音数据中提取出的多个特征量用作多维向量，并且根据接近自车辆的车辆的状态来设定分类。

CSP方法是使用傅里叶变换来评估声源位置的方法。在CPS方法中，通过在频率范围中匹配由两个或更多个拾音器收集到的各个声音数据来获得互相关值（CSP系数），并且当互相关值等于或者大于阈值时，判定存在声源。当存在声源时，通过互相关值最大的到达延迟获得声源的方向、位置等。

参照图1至图3，将描述根据本发明的第一实施例的接近车辆检测系统。图1图解了这个实施例的学习装置的构造。图2图解了第一实施例的评估装置的构造。图3示出了多分类SVM中使用的一组分类的一个示例。

根据第一实施例的接近车辆检测系统由事先实施学习的学习装置1和安装在车辆上并且可操作以检测接近车辆的评估装置2A构成。学习装置1在车辆开发期间事先实施学习，并且将通过学习获得的数据装载在每辆车辆的评估装置2A中。为了事先实施学习，使用收集行驶声音的实验车辆和接近实验车辆的接近车辆（产生行驶声音的声源）来执行实际车辆实验。在实验中，致使接近车辆在具有各种道路形状的道路上在多种接近条件下行驶。

将描述学习装置1。学习装置1收集各种车辆接近状态下的行驶声音，并且使用多段行驶声音数据段根据多分类SVM对车辆接近状态进行分类。学习装置1包括声音收集装置10和计算机11。学习装置1可以构造成使得声音收集装置10和计算机11均安装在实验车辆上，或者可以构造成使得声音收集装置10和数据存储装置安装在实验车辆上，并且行驶声音数据从数据存储装置传递到作为计算机11的室内计算机。在这个实施例中，学习装置1的计算机11对应于上述分类单元。

在这个实施例中，参照接近车辆通过车辆前部的时间，对应于多个时间间隔设定分类。而且，参考接近车辆的运动方向来设定分类。在这个实施例中，设定对应于六个时间间隔的分类。如图3所示，当将接近车辆通过收集行驶声音的车辆（拾音器）前部的时间点设定为基准点（0秒）并且接近车辆在与收集行驶声音的车辆的道路交叉的道路上从左侧运动到右侧时，将在上述道路的交汇点的左手侧上在基准点之前的5至4秒的间隔设定为分类6，将基准点之前的4至3秒的间隔设定为分类5，将基准点之前的3至2秒的间隔设定为分类4，将基准点之前的2至1秒的间隔设定为分类3，将基准点之前的1至0秒的间隔设定为分类2，而将在交汇点的右手侧上通过车辆前部之后的间隔（约5秒）设定为分类1。图3图解了接近车辆从左侧运动到右侧的情况。在接近车辆从右侧运动到左侧的情况下，以相同的方式沿着与图3的方向相反的方向设定6个分类。

尽管在这个实施例中分类的数量为六，但是分类的最小数量可以是二。例如，在接近车辆通过车辆前部之前的5至0秒的间隔可以设定为分类2，通过之后的0至5秒的间隔可以设定为分类1。然而，优选的是，在通过前部之前设定两个或者更多个分类，并且在通过前部之后设定一个分类，原因在于，实际上期望的是逐步判定车辆接近。而且，可以不在通过前部之前的5至0秒的范围内设定分类，而是可以在诸如从6至0秒的范围或者从3秒至0秒的范围的其它范围内设定分类。尽管针对接近车辆的位置设定了对应于相应的时间间隔的分类，但是可以针对接近车辆的位置设定对应于接近车辆与车辆（拾音器）相距的相应距离的分类。

声音收集装置10具有构成一对或多对拾音器的两个或者更多个拾音器。所述两个或者更多个拾音器位于车辆的前端部分处，并且沿着车辆宽度方向（侧向方向）并排布置。拾音器可以不并排布置，而是可以例如位于竖直方向上的不同位置处。每一个拾音器中均是声电转换器，所述声电转换器收集车辆外部的环境声音，并且将收集到的声音转换成电信号。对于拾音器的数量，声音收集装置10具有八个拾音器，这八个拾音器例如构造成五对拾音器，由此确保提高的抗噪声性能。

在实际车辆实验中，当实验车辆停止在具有各种道路形状的道路（例如，十字路、丁字路和五条道路的汇合处）的交汇点前方时（或者实验车辆可以朝向交汇点行驶）时，声音收集装置10的每个拾音器均收集声音，并且致使接近车辆在与实验车辆所停止（或者行驶）的道路交叉的道路上行驶（如果道路是允许车辆双向行驶的类型的，则致使车辆在每个方向上行驶）。由此收集到的声音数据存储在数据存储装置中。声音数据可以不存储在数据存储装置中，而是可以依次传递到计算机11。而且，每次接近车辆行驶时，确定接近车辆通过实验车辆前部的时间点，并且以与声音数据有关的方式存储时间点（时间）。可以通过使用雷达传感器等来检测接近车辆通过，或者可以由人来判定接近车辆通过。在实际车辆实验中，致使车辆在相同条件下行驶多次（例如，20次），并且在相同条件下获得多段声音数据。

计算机11可以是例如个人计算机，并且主要由特征量提取单元12、学习单元13和多分类SVM数据存储装置14构成。针对关于每种道路形状的每个运动方向，计算机11接收由声音收集装置10的每个拾音器收集到的声音的声音数据（电信号）。计算机11对每个声音数据均实施预处理，更加具体地，计算机11将模拟电信号转换成数字信号，并且从数字电信号中移除指定频带（高于足以包括车辆行驶声音的频带的给定频带的高频带和低于该给定频带的低频带）。

针对关于每种道路形状的每个运动方向，特征量提取单元12从已经经过预处理的每个拾音器的声音数据中提取特征量。在这个实施例中，如下所述的十四个特征量用作特征量。作为从每对拾音器的声音数据中提取的特征量，提取到达延迟信息、到达延迟信息的平均值（例如，过去20个数据段的平均值）、CSP系数的峰值（互相关值）、和CSP系数的峰值的平均值（例如，过去20个数据段的平均值）。针对一对拾音器的左侧拾音器作为基准的情况和一对拾音器的右侧拾音器作为基准的情况分别提取四个特征量；由此获得八个特征量。当以100毫秒（msec）的时间间隔处理数据时，过去20个数据段的平均值是在过去两秒内获得的相应数据的平均值。作为从每个拾音器的声音数据中提取的特征量，提取六个特征量，即，六个频带（500-630Hz、630-793Hz、793-1000Hz、1000-1260Hz、1260-1587Hz和1587-2000Hz）中的频谱功率值（强度）。根据已知的CSP方法计算CSP系数（互相关值）和到达延迟。

假设安装有声音收集装置10的车辆不运动，则对于关于每种道路形状的每个运动方向，学习装置13根据多分类SVM在使用由特征量提取单元12提取的十四个特征量的十四维向量空间上获得用于分离六个分类的决策面。这时，学习单元13也根据多分类SVM对除了已设定的六个分类之外的第七分类（例如，在通过前部之前的五秒之前的分类，或者在通过前部之后五秒之后的分类）实施学习。通过在此不再详细描述的已知方法根据多分类SVM获得决策面。尽管假设装配有声音收集装置10的车辆不运动，但是也可以假设该车辆正在运动。如果假设车辆不运动，则仅执行使用多分类SVM的方法，从而确保提高性能。

多分类SVM数据存储装置14构造在计算机11的存储装置的给定区域中，由学习单元13根据多分类SVM获得的学习数据存储在其中。存储在数据存储装置14中的数据是代表针对关于每种道路形状的每个运动方向在由十四个特征量提供的十四维向量空间上分离六个分类的决策面的数据。

将描述评估装置2A。评估装置2A安装在车辆上，并且适于在车辆行驶期间收集环境声音，根据多分类SVM判定收集到的声音数据（十四个特征量）所属的分类，并且基于由此判定的分类评估接近车辆的状态。评估装置2A包括声音收集装置20和ECU（电子控制单元）21A。

声音收集装置20的构造与学习装置1的声音收集装置10的构造类似。在声音收集装置20中，每个拾音器均在车辆行驶期间（包括例如在交汇点处的暂时停止）收集声音，并且将收集到的声音数据传递到ECU21A。

ECU21A是电子控制单元，所述电子控制单元包括CPU（中央处理单元）、ROM（只读存储器）、RAM（随机存取存储器）等，并且对评估装置2A进行全面控制。ECU21A具有特征量提取单元22、接近车辆评估单元23、和多分类SVM数据存储装置24。ECU21A从声音装置20接收代表由每个拾音器收集到的声音的声音数据（电信号）。ECU21A对声音数据执行与由学习装置1的计算机11执行的预处理类似的预处理。在第一实施例中，特征量提取单元22和接近车辆评估单元23分别对应于上述“分类判定单元”和“声源评估单元”。

多分类SVM数据存储装置24构造在ECU21A的存储装置的给定区域中，并且存储所有存储在学习装置1的多分类SVM数据存储装置14中的学习到的数据。

特征量提取单元22实施与学习装置1的特征量提取单元12基本相同的处理。每次特征量提取单元22接收声音收集装置20的每个拾音器的声音数据时，提取单元22均使用已经经过预处理的每个拾音器的声音数据提取十四个特征量。

接近车辆评估单元23使用根据多分类SVM获得且存储在多分类SMV数据存储装置24中的学习数据（即，表示针对关于每种道路形状的每个运动方向在十四维向量空间上分离六个分类的决策面的数据），判定由特征量提取单元22提取的十四个特征量在十四维向量空间上所属的分类。当接近车辆评估单元23判定特征量属于除了已设定的六个分类之外的第七分类时（即，当在自车辆附近不存在声源（车辆的行驶声音）时），判定不存在接近自车辆的车辆。当接近车辆评估单元23判定特征量属于已设定的六个分类中的一个分类时（当在自车辆附近存在声源时），判定存在接近自车辆的车辆，并且基于分类评估接近车辆的接近状态。接近状态包括接近车辆通过自车辆前部需要耗费多少秒或者车辆是否已经通过自车辆前部、接近车辆沿着哪个方向接近自车辆等。如果确定了接近车辆通过车辆前部需要耗费多少秒，则能够由时间和接近车辆的车速（例如，接近车辆所行驶的道路的车速限值）来确定接近车辆与自车辆相距的大致距离。

ECU21A基于接近车辆评估单元23的评估结果产生接近车辆信息，并且将接近车辆信息传递到驾驶辅助装置3。接近车辆信息包括例如是否存在接近车辆和存在接近车辆时的接近时间和接近方向。

驾驶辅助系统3由多种类型的传感器、ECU等构成，并且能够操作以在多个驾驶方面辅助驾驶员。特别地，当驾驶辅助装置3接收到来自评估装置2A的接近车辆信息时，驾驶辅助装置3实施关于接近车辆的驾驶辅助。例如，当有车辆接近自车辆时，驾驶辅助装置3判定接近车辆与自车辆发生碰撞的可能性。当驾驶辅助装置3判定存在发生这种碰撞的可能性时，驾驶辅助装置3向驾驶员发出警告，和/或向驾驶员提供关于接近车辆的信息。如果碰撞的可能性增大，则实施诸如自动制动的车辆控制。在这种情况下，通过比较接近车辆的接近时间与自车辆抵达有关交汇点所耗费的时间来判定碰撞的可能性等。在没有交通信号的交汇点或交叉点，上述关于碰撞可能性的判定和驾驶辅助是尤其有用的。

参照图1至图3，将描述根据第一实施例的接近车辆检测系统的操作。特别地，将参照图4的流程图描述评估装置2A的操作。图4的流程图图解了由评估装置2A实施的操作的流程。

在事先实施的实际车辆实验中，致使接近车辆沿着允许车辆行驶的所有方向驶向每种道路形状的交汇点并且通过所述交汇点。在车辆行驶期间，安装在车辆上的学习装置1的声音收集装置10利用每个拾音器收集车辆外部的环境声音，将收集到的声音转换成电信号，并且将电信号的数据存储在数据存储装置中。这时，确定接近车辆通过车辆前部的时间点，并且也将关于通过的时间点的信息以与声音数据相关联的方式存储。对于关于每种道路形状的每个运动方向由每个拾音器收集的声音数据被传递到学习装置1的计算机11。计算机11对每个拾音器的声音数据执行预处理。

针对关于每种道路形状的接近车辆的每个运动方向，计算机11从每个拾音器的已经受到预处理的声音数据中提取十四个特征量。然后，计算机11根据多分类SVM获得用于在使用十四个特征量的十四维向量空间上分离六个分类的决策面，并且将学习数据存储在多分类SVM数据存储装置14中。

评估装置2A安装在每辆车辆上，并且学习装置1的多分类SVM数据存储装置14的学习数据存储在评估装置2A的多分类SVM数据存储装置24中。

在每辆车辆中，声音收集装置20的每个拾音器均收集车辆外部的环境声音，将收集到的声音转换成电信号，并且将电信号传递到ECU21A（图4中的步骤S10）。ECU21A接收两个或者更多个拾音器的声音数据，并且对对应的两组或者更多组声音数据进行预处理。

每次ECU21A从声音收集装置20接收每个拾音器的声音数据时，ECU21A均使用已经经过预处理的每个拾音器的声音数据提取十四个特征量（步骤S11）。然后，ECU21A根据存储在多分类SVM数据存储装置24中的学习数据判定提取的十四个特征量所属的分类（步骤S12）。ECU21A根据由此判定的分类评估接近自车辆的车辆的接近状态（步骤S13）。如果存在特征量所属的分类，则ECU21A判定存在接近车辆（声源），并且根据所述分类获得接近车辆的接近时间（或者距离）、运动方向等。然后，ECU21A根据接近状态产生接近车辆信息，并且将接近车辆信息传递到驾驶辅助装置3。

根据第一实施例的接近车辆检测系统，通过使用多分类SVM学习来根据车辆的接近状态设定分类，并且根据学习到的数据判定实际接近自车辆的车辆的声音特征量所属的分类，使得能够高精确度地灵活检测接近车辆。当应用使用多分类SVM的方法时，无论接近车辆是运动远离自车辆还是驶向自车辆，均不会根据阈值实施判定，并且判定准确性不会根据阈值的设定而发生变化；因此，能够灵活地检测接近车辆，并且同时确保提高的检测准确性。而且，通过对分类进行单次判定，能够判定接近车辆是接近自车辆还是运动远离自车辆。

根据所述接近车辆检测系统，根据多个参数（例如，时间方面的位置，运动方向）设定分类，并且这些分类被学习，使得能够评估接近车辆的多种状态，例如接近车辆通过自车辆前部的所需要的时间和运动方向。而且，根据所述接近车辆检测系统，使用多个特征量（例如，每对拾音器的声音的到达延迟和互相关值，以及每个拾音器的声音的每个频带中的频谱功率值），使得能够根据声音的多种元素对车辆的接近状态综合地进行分类。

参照图1、图5和图6A至图6E，将描述根据本发明的第二实施例的接近车辆检测系统。图5图解了根据第二实施例的评估装置的构造。图6A至图6E示出了通过图5的评估装置获得的处理结果的一个示例。

根据第二实施例的接近车辆检测系统与根据第一实施例的接近车辆检测系统的不同之处在于在评估装置中实施的处理，并且所述根据第二实施例的接近车辆检测系统主要由事先实施学习的学习装置1和安装在车辆上并且能够操作以检测接近车辆的评估装置2B构成。学习装置1基本与第一实施例的学习装置相同，故在此将不赘述。

将描述评估装置2B。与根据第一实施例的评估装置2A类似，评估装置2B根据多分类SVM判定收集到的声音数据所属的分类，并且根据判定的分类评估接近车辆的状态。而且，评估装置2B由收集到的声音数据计算CSP系数，并且通过CSP方法检测接近车辆的状态。然后，评估装置2B根据由多分类SVM评估的接近车辆的状态和由CSP方法检测到的接近车辆的状态来修正CSP方法中使用的阈值，并且使用经过修正的阈值通过CSP方法检测接近车辆的状态。评估装置2B包括声音收集装置20和ECU21B。声音收集装置20基本与第一实施例的声音收集装置相同，故在此将不赘述。

ECU21B是主要由CPU、ROM、RAM等构成的电子控制单元，并且对评估装置2B进行综合控制。ECU21B具有特征量提取单元22、接近车辆评估单元23、多分类SVM数据存储装置24、和接近车辆检测单元25。ECU21B从声音收集装置20接收每个拾音器收集到的声音数据（电信号），并且以与第一实施例的ECU21B相同的方式对声音数据进行预处理。在第二实施例中，特征量提取单元22和接近车辆评估单元23对应于上述“分类判定单元”和“声源评估单元”，并且接近车辆检测单元25对应于上述“声源检测单元”和“修正单元”。

特征量提取单元22和接近车辆评估单元23基本与第一实施例中的特征量提取单元和接近车辆评估单元相同，故将不再赘述。特征量提取单元22计算作为特征量的用于在接近车辆检测单元25中使用的CSP系数（互相关值）和到达延迟。而且，多分类SVM数据存储装置24基本与第一实施例的多分类SVM数据存储装置相同，故在此不再赘述。

接近车辆检测单元25通过CSP方法判定由特征量提取单元22提取的CSP系数（互相关值）的峰值是否大于阈值（初始值）。所述阈值（初始值）是通常用在用于检测车辆的行驶声音的CSP方法中的阈值，以便判定是否确实存在车辆（声源）的行驶声音。通过实际车辆实验等设定所述阈值。当CSP系数的峰值大于所述阈值时，接近车辆检测单元25判定存在接近车辆（声源），基于到达延迟随着时间的变化来判定接近车辆的运动方向（接近方向），并且根据到达延迟计算与接近车辆相距的距离。当CSP系数的峰值等于或者小于所述阈值时，接近车辆检测单元25判定不存在接近车辆。

然后，接近车辆检测单元25比较上述CSP方法的检测结果和接近车辆评估单元23根据多分类SVM获得的评估结果。如果通过比较发现通过CSP方法检测到接近车辆并且通过多分类SVM检测到接近车辆，并且由CSP方法计算得出的与接近车辆相距的距离大致等于由多分类SVM评估的与接近车辆相距的距离，则每次检测的可靠性较高，并且CSP系数的可靠性也较高。因此，当由CSP方法计算得出的与接近车辆相距的距离大致等于由多分类SVM评估的与接近车辆相距的距离时，则将CSP方法中使用的阈值设定成比初始值更小的值，使得更可能检测到接近车辆（声源）。通过实际车辆实验等设定阈值减小的程度。当阈值减小时，阈值的减小量可以根据可靠程度变化。在一些情况下，即使存在接近车辆（声源），例如，由于噪声对收集到的声音的影响，所以CSP系数被暂时地计算为较低的值；因此，当可靠性较高时，将阈值设定为更小的值，使得即使在上述情况下也能够检测接近车辆（声源）。因而，接近车辆检测单元25使用减小的阈值（经过修正的值）通过CSP方法判定CSP系数的峰值是否大于阈值（经过修正的值），并且在CSP系数的峰值大于所述阈值时获得接近车辆的运动方向和与接近车辆相距的距离。

图6A至6E示出了通过评估装置2B获得的处理结果的一个示例。在这个示例中，接近车辆在位于自车辆前方或者前部的交叉道路上从左侧运动到右侧。在图6A中，0秒是位于车辆前部的基准点，并且如图6C所示，相对于接近车辆的方向角度在0秒的时间点处从正值变为负值。对应于与接近车辆相距的大致距离的方向角度的绝对值在自车辆前部附近大幅度地变化，并且随着接近车辆运动远离自车辆而更小幅度地变化。

图6A示出了由接近车辆评估单元23根据多分类SVM进行的类判定的结果，其中，按照对应于通过自车辆前部之前的各个时间间隔的分类6、分类5、分类4、分类3和分类2的顺序判定了近乎正确的分类。然而，特征量例如由于噪声对收集到的声音的影响而发生变化，并且在分类6和分类5之间以及在分类5和分类4之间判定了分类3等。能够从由此判定的每个分类的设定时间来计算与接近车辆相距的距离。

图6B示出了相关值（CSP系数）随着时间的变化和初始值的阈值th₁，并且图6D示出了基于相关值（CSP系数）和阈值th₁之间的比较结果的检测到/未检测到接近车辆。在这个示例的情况下，由于例如噪声的影响而暂时减小相关值；因此，如果根据阈值th₁判定检测到/未检测到，则存在未检测到接近车辆的某些时间间隔，如图6D所示，并且重复检测到接近车辆和未检测到接近车辆。

假设通过CSP方法计算出的与接近车辆相距的距离大致等于由多分类SVM评估的与接近车辆相距的距离，并且阈值被设定为小于阈值th₁的阈值th₂。在这种情况下，如图6B所示，相关值（CSP系数）连续超过阈值th₂。结果，如图6E所示，能够稳定地连续检测到接近车辆。

参照图1、图5和图6A至图6E。将描述根据本发明的第二实施例的接近车辆检测系统的操作。特别地，将参照图7的流程图来描述评估装置2B的操作。图7的流程图图解了在评估装置2B中执行的处理的流程。学习装置1的操作与第一实施例的学习装置的操作基本相同，故在此不再赘述。

评估装置2B安装在每辆车辆上，并且存储在学习装置1的多分类SVM数据存储装置14中的学习数据被存储在评估装置2B的多分类SVM数据存储装置24中。

在每个车辆中，声音收集装置20的每个拾音器均收集车辆外部的环境声音，将收集到的声音转换成电信号，并且将电信号传递到ECU21B（图7中的步骤S20）。ECU21B接收两个或更多个拾音器的声音数据，并且对从各个拾音器接收的两组或更多组声音数据进行预处理。

每次ECU21B从声音收集装置20接收每个拾音器的声音数据，ECU21B均使用已经经过预处理的每个拾音器的声音数据来提取特征量（步骤S21），并且计算CSP系数（步骤S22）。应当注意的是，CSP系数是多分类SVM使用的十四个特征量的一部分。

然后，ECU21B根据存储在多分类SVM数据存储装置24中的学习数据判定提取的十四个特征量所属的分类（步骤S23）。ECU21B根据由此判定的分类来判定接近自车辆的车辆的接近状态（步骤S24）。如果存在特征量所属的分类，则ECU21B判定存在接近车辆（声源），并且根据由此判定的分类获得接近车辆的接近时间（距离）、运动方向等。

而且，ECU21B通过比较CSP系数的峰值和阈值（初始值）来判定是否存在接近车辆（声源），并且在判定存在接近车辆时基于到达延迟来获得与接近车辆相距的距离，使得能够在阈值处理中使用所述距离。

当通过多分类SVM检测到接近车辆并且也通过CSP方法检测到接近车辆时，ECU21B比较通过多分类SVM获得的与接近车辆相距的距离和通过CSP方法获得的与接近车辆相距的距离，并且当上述两个距离大致相等时将CSP方法的阈值设定为更小的阈值（步骤S25）。在其它情况下，保持CSP方法的阈值的初始值。然后，ECU21B使用经过修正的阈值或初始阈值，通过比较CSP系数的峰值与该阈值来判定是否存在接近车辆。当ECU21B判定存在接近车辆时，ECU21B基于到达延迟获得与接近车辆相距的距离、运动方向等（步骤S26）。然后，ECU21B基于步骤S26中获得的检测结果产生接近车辆信息，并将接近车辆信息传递到驾驶辅助装置3。

根据第二实施例的接近车辆检测系统，基于通过CSP方法检测到的检测结果和通过多分类SVM检测到的检测结果来修正CSP方法的阈值，使得即使当CSP系数由于例如噪声的影响而减小时，也能够通过CSP方法以提高的稳定性检测接近车辆。

参照图8A至图8E，将更为详细地描述设定在多分类SVM中使用的分类的方式。图8A至图8E中的每一个均示出了在多分类SVM中使用并且根据道路形状和交通规则设定的一组分类的一个示例。

每辆车辆均在道路上行驶，并且因此沿着道路形状运动。而且，车辆按照交通规则行驶。因此，如果基于包括在地图信息中的各种道路形状和交通规则设定分类，则能够设定详细且准确的分类。

例如，如图8A所示，当在十字路的交汇处与自车辆MV所处的道路MR交叉的道路CR是双车道（即，每个方向上具有一条车道）时，则在道路CR的从自车辆MV的左手侧至右手侧的车道上，在自车辆MV的左手侧（在通过前部之前）上设定在依据时间分开的五个分类C_6R、C_5R、C_4R、C_3R、C_2R，并且在自车辆MV的右手侧（在通过前部之后）上设定一个分类C_1R。而且，在道路CR的从自车辆MV的右手侧至左手侧的车道（lane）上，在自车辆MV的右手侧（在通过前部之前）上设定依据时间分开的五个分类C_6L、C_5L、C_4L、C_3L、C_2L，并且在自车辆MV的左手侧（在通过前部之后）上设定一个分类C_1L。此外，在能够从自车辆MV视觉上识别出的位于自车辆MV前方或者前部的道路MR的相对侧上并且在十字路口内设定一个分类C_1F。

如图8B所示，当在丁字路口的交汇点处与自车辆MV的道路MR交叉的道路CR没有车道并且允许双向通行时，在道路CR上关于从自车辆MV的左手侧至右手侧的运动方向，在自车辆MV的左手侧（在通过前部之前）上设定依据时间分开的五个分类C_6R、C_5R、C_4R、C_3R、C_2R，并且在自车辆MV的右手侧（在通过前部之后）上设定一个分类C_1R。而且，在道路CR上关于从自车辆MV的右手侧至左手侧的运动方向，在自车辆MV的右手侧（在通过前部之前）上设定依据时间分开的五个分类C_6L、C_5L、C_4L、C_3L、C_2L，在自车辆MV的左手侧（在通过前部之后）上设定一个分类C_1L。此外，在道路MR上，在自车辆V的前方的十字路口内设定一个分类C_1F。

当如图8C所示在十字路口的交汇点处与自车辆MV的道路MR交叉的道路CR没有车道并且允许双向通行时，以与图8B的丁字路的情况相同的方式设定道路CR上的各个分类。此外，在位于自车辆MV前方的道路MR的相对侧上且在十字路口内设定一个分类C_1F。

当如图8D所示在修改的十字路口的交汇点处与自车辆MV的道路MR以直角交叉的道路CR没有车道并且允许朝向交汇点单向行驶、并且与自车辆MV的道路MR倾斜相交的道路SR没有车道并且允许朝向交汇点单向行驶时，在道路CR上关于从自车辆MV的右手侧朝向交汇点的运动方向设定依据时间分开的五个分类C_6L、C_5L、C_4L、C_3L、C_2L，并且在道路SR上关于从自车辆MV的沿着斜向向后的左手侧朝向交汇点的运动方向设定依据时间分开的五个分类C_6S、C_5S、C_4S、C_3S、C_2S。此外，在位于自车辆MV前方的道路MR的相对侧上且在十字路口内部设定一个分类C_1F。

当如图8E所示在五条道路的交汇点和交叉部处与自车辆MV的道路MR交叉的道路CR没有车道并且允许双向行驶、并且与自车辆MV的道路MR倾斜交叉的道路SR没有车道并且允许朝向交汇点单向行驶时，以与图8C的十字路的情况相同的方式在道路CR和道路MR上设定分类，并且在道路SR上关于从自车辆MV的斜向向后的左手侧朝向交汇点的运动方向设定依据时间分开的五个分类C_6S、C_5S、C_4S、C_3S、C_2S。

在设定每个分类的过程中，可以假设在每条道路上行驶的车辆的给定车速（例如，道路的速度限值），并且沿着车辆行驶方向测量的设定在道路上的每个分类的宽度可以根据假设的速度变化。随着车速变得更高，车辆在一秒内行驶的距离变得更长，并且因此每个分类的宽度均增大。

在这种情况下，在声音收集装置10处收集声音期间，学习装置1获得关于自车辆当前位置的信息。学习装置1的设置有地图信息（道路形状信息、交通规则信息）的计算机11接收关于自车辆当前位置的信息，并且鉴于自车辆当前位置处的道路形状和该道路的交通规则根据多分类SVM通过学习实施分类。而且，在声音收集装置20处收集声音期间，评估装置2A、2B获得关于自车辆当前位置的信息。评估装置2A、2B的设置有地图信息的ECU21A、21B接收关于自车辆当前位置的信息，并且基于多分类SVM的额外地考虑了道路形状和交通规则的学习数据，鉴于自车辆当前位置处的道路形状和该道路的交通规则来判定分类。因此，能够通过根据道路形状和交通规则设定分类来容易地设定更适当的分类。

而且，可以根据车辆类型设定分类。因为大型车辆和普通车辆之间的行驶声音不同，例如，这些类型的车辆之间的声音的特征量也不同。因此，能够根据声音特征量来判定车辆的类型，并且鉴于车辆类型以及上述参数来设定分类。车辆可以大致分类成若干类型，例如大型车辆、普通载客车辆、轻型载客车辆和摩托车，或者可以分类成更为详细的类型。

在这种情况下，接近车辆的类型从一种类型变成另一种类型，并且在接近车辆行驶期间，针对每种类型的车辆，学习装置1的声音收集装置10在每个拾音器处收集声音。学习装置1的计算机11根据车辆类型以及上述参数通过根据多分类SVM学习实施分类。而且，评估装置2A、2B的ECU21A、21B根据额外考虑车辆类型的多分类SVN的学习数据并且也依据车辆类型判定分类。因此，通过依据车辆类型实施分类，能够更为详细地评估接近车辆（声源）的状态，并且能够以提高的准确性检测接近车辆。

在接近车辆检测系统中，除了位置和运动方向之外，还根据如上所述的多种参数设定分类，使得能够评估接近车辆的多种状态。还能够依据除了上述那些参数之外的其它一个或多个参数来设定分类。尽管参照接近车辆通过自车辆前部的时间点来设定分类，但是也可以使用另一个时间点作为基准点。

尽管在上文已经描述了本发明的一些实施例，但是本发明并不局限于上述实施例，而是可以实施为多种形式。

尽管在阐释的实施例中本发明的声源检测系统用作用于检测接近车辆（作为声源的车辆的行驶声音）的接近车辆检测系统，但是该声源检测系统也可以用作用于检测车辆之外的其它声源的系统。尽管在阐释的实施例中本发明应用于将检测到的接近车辆信息提供给驾驶辅助系统的系统，但是所述系统可以以其它方式构造。例如，接近车辆检测系统可以作为接近车辆检测功能结合在驾驶辅助系统中，或者接近车辆检测系统可以结合警报功能等。

尽管在阐释的实施例中事先实施学习的学习装置和实际评估接近车辆的评估装置相互分开地或者彼此独立地设置，但是这些装置也可以设置为一体的装置。在一体的装置的情况下，特别地，基于在车辆行驶期间收集到的声音数据以离线的方式实施分类，并且使用通过分类获得的数据实时地检测接近车辆。

尽管在图解的实施例中多分类SVM用作多分类模式识别方法，但是也可以使用其它多分类模式识别方法。

尽管在阐释的实施例中声音收集装置由构成一对或者多对拾音器的两个或更多个拾音器构成，但是本发明还可以应用于声音收集装置仅有一个拾音器的情况。当声音收集装置具有一个拾音器时，处理负荷减小，但是不能获得作为特征量的到达延迟和CSP系数（相关值）。

尽管在阐释的实施例中十四个特征量用作特征量，但是也可以仅使用十四个特征量中的一部分，或者除了这十四个特征量之外也可以使用其它特征量，或者除了这十四个特征量中的一部分之外还可以使用其它特征量。

Claims (9)

1.一种基于由声音收集装置收集到的声音来检测声源的声源检测系统，所述声源检测系统包括：

分类单元，所述分类单元构造成从由所述声音收集装置收集到的声音提取多个特征量，并且构造成使用所述特征量通过多分类模式识别方法来根据所述声源的位置设定多个分类；

分类判定单元，所述分类判定单元构造成在检测所述声源时从由所述声音收集装置收集到的声音提取特征量，并且构造成从由所述分类单元设定的所述多个分类判定所提取的特征量所属的分类；和

声源评估单元，所述声源评估单元构造成基于由所述分类判定单元判定的分类评估所述声源。

2.根据权利要求1所述的声源检测系统，所述声源检测系统还包括：

声源检测单元，所述声源检测单元构造成计算由构成所述声音收集装置的多个拾音器分别收集到的声音的相关值，并且构造成通过比较计算出的相关值和阈值来检测声源；和

修正单元，所述修正单元构造成基于通过所述声源检测单元获得的检测结果和通过所述声源评估单元获得的评估结果来修正所述声源检测单元的阈值；其中

所述声源检测单元通过比较所述相关值和由所述修正单元修正的阈值来检测所述声源。

3.根据权利要求2所述的声源检测系统，其中：

所述声源评估单元评估与所述声源相距的距离，并且所述声源检测单元计算与所述声源相距的距离；并且

当所述声源评估单元和所述声源检测单元检测所述声源并且由所述声源评估单元评估出的与所述声源相距的距离大致等于由所述声源检测单元计算出的与所述声源相距的距离时，所述修正单元通过将所述声源检测单元的所述阈值设定为更小的值来修正所述阈值。

4.根据权利要求1-3中的任一项所述的声源检测系统，其中：

所述声音收集装置包括至少一对拾音器；并且

所述多个特征量包括从所述至少一对拾音器中的每一个提取的声音到达延迟和相关值。

5.根据权利要求1-4中的任一项所述的声源检测系统，其中，所述分类单元根据所述声源到达时间基准点的时长设定所述多个分类。

6.根据权利要求1-5中的任一项所述的声源检测系统，其中，所述分类单元根据所述声源的运动方向设定所述多个分类。

7.根据权利要求1-6中的任一项所述的声源检测系统，其中：

所述声源是接近安装有所述声源检测系统的自车辆的接近车辆；并且

所述分类单元根据所述接近车辆所行驶的道路的形状和所述自车辆所处的道路的形状设定所述多个分类。

8.根据权利要求1-7中的任一项所述的声源检测系统，其中：

所述声源是接近安装有所述声源检测系统的自车辆的接近车辆；并且

所述分类单元根据所述接近车辆所行驶的道路的交通规则和所述自车辆所处的道路的交通规则设定所述多个分类。

9.根据权利要求1-8中的任一项所述的声源检测系统，其中：

所述声源是接近安装有所述声源检测系统的自车辆的接近车辆；并且

所述分类单元根据所述接近车辆的类型设定所述多个分类。