CN103994820A - 一种基于微孔径麦克风阵列的运动目标识别方法 - Google Patents

Abstract

本发明涉及一种基于微孔径麦克风阵列的运动目标识别方法，它通过微孔径麦克风阵列采集环境中的声响信号，完成目标的分类识别。部署在环境中的微孔径麦克风阵列，其各个通道的麦克风会同步采集环境中的声响信号，接着各通道的信号将经过叠加求和的降噪处理，然后利用精简的梅尔倒谱系数算法提取信号的特征，最后采用高斯混合模型的分类器实现目标的分类识别。本发明首先采用叠加求和的方法实现对微孔径声阵列数据的降噪处理，接着才进行特征提取和分类识别，具有方法简单、成本低廉、性能可靠等优点。

Description

一种基于微孔径麦克风阵列的运动目标识别方法

技术领域

本发明涉及目标识别技术领域，特别是涉及一种基于微孔径麦克风阵列的运动目标识别方法。

背景技术

识别运动目标的类型是环境监视系统的重要功能之一。目标分类识别就是通过分析和处理目标信号的特征，将目标归为事先划定的某一类型。通常的做法是找出可分性能最好的一种特征，然后在该种特征的基础上确定某个判决规则，使按该规则对测试对象进行分类时所造成的误识率最小。

当前使用的运动目标识别方法主要包括基于图像、声音和震动等方式。在理想环境下，基于图像的目标识别率可达到90％，然而其识别率容易受到环境和光线的影响，而且安装成本和维护费用较高，不利于大范围使用。基于震动的目标识别方法探测范围远、功耗低，但是目标的震动信号会随着地质条件的变化而变化，某一组分类系数在一种地质条件下能取到良好的分类效果但是在另一种地质条件下分类效果会变差。基于声音的目标识别方法成本低、分类率高、实施容易，但是环境中的声响噪声，尤其是风噪会对声音目标的分类造成影响。

发明内容

本发明所要解决的技术问题是提供一种基于微孔径麦克风阵列的运动目标识别方法，使得微孔麦克风阵列能够提高信号的信噪比，最终实现对目标的精确分类。

本发明解决其技术问题所采用的技术方案是：提供一种基于微孔径麦克风阵列的运动目标识别方法，包括以下步骤：

（1）利用微孔径麦克风阵列采集环境噪声和已知类型运动目标的声响信号，并建立声响信号的样本库；

（2）对样本库中的每条样本各通道的数据进行叠加求和的降噪处理；

（3）采用精简的梅尔倒谱系数算法提取信号的特征；

（4）按照类别构建样本库中各类目标的高期混合模型的概率密度函数，以k-means算法进行模型初始化，以期望最大算法训练模型参数，并以此作为目标的分类系数；

（5）当微型麦克风阵列部署在实际环境中进行目标识别时，阵列各通道的麦克风同步采集环境中的声响信号，接着各通道的数据经叠加求和进行降噪处理，然后由精简的梅尔倒谱系数算法提取目标的特征，最后利用所述的分类系数计算各类别的高斯概率密度函数，将概率密度函数最大的类别作为识别结果。

所述微孔径麦克风阵列中麦克风的数量在两个以上，并且麦克风之间的最大间距为厘米量级。

所述步骤（2）中的叠加求和的降噪处理方法为：其中，c_i(n)为第i个通道声响信号，Q为阵列中麦克风的数量，x(n)为降噪后的信号。

所述步骤（3）包括以下步骤：

（31）预加重：s(n)＝x(n)-αx(n-1),其中α为预加重系数，介于0.1～1之间；

（32）加窗分帧：y(n)＝s(n)ham(n)，其中ham(n)为汉明窗的表达式，具体为：0≤n≤L-1，式中，L为帧长；

（33）短时傅立叶变换： $Y\left(K\right)=\underset{N=0}{\overset{L-1}{\mathrm{\Σ}}}y\left(n\right)e^{(-j\frac{2\mathrm{\πkn}}{L})},0\≤k\≤(L-1);$

（34）梅尔滤波：，其中H_q(K)为梅尔滤波器组的第q个滤波器，滤波器的个数Nfilter为14～30之间，梅尔滤波器组如图2所示。梅尔频率描述了人耳对频率感知的非线性特性，它与Hz频率的关系可用下式近似表示：将梅尔频率等分为Nfilter段，每个等分对应一个梅尔滤波器的频率范围，第q个滤波器具体形式为： $H_q\left(K\right)=\left\{\begin{array}{cc}0& ,K<f(q-1)\\ \frac{2[K-f(q-1)]}{[f(q+1)-f(q-1)][f\left(q\right)-f(q-1)]}& ,(q-1)<K<f\left(q\right)\\ \frac{2[f(q+1)-K]}{[f(q+1)-f(q-1)][f(q+1)-f\left(q\right)]}& ,f\left(q\right)<K<f(q+1)\\ 0& ,K>f(q+1)\end{array}\right.,$ 其中，f(q)是第q个滤波器的中心频率，其通过将梅尔频率Nfilter等分后取第q个值获得；

（35）取对数：MFCC(q)＝lnMel(q),1≤q≤Nfilter。

所述步骤（33）中的短时傅立叶变换由快速傅立叶变换代替。

所述步骤（4）包括以下步骤：

（41）确定高斯混合模型的高斯分量的个数：一个高斯混合模型可以由M个高斯概率密度函数加权求和得到，此处M取值是4～32中的任一值，高斯混合模型用如下形式表示：，其中，MFCC_t是Nfilter维的特征向量，b_i(MFCC_t)是成员的密度函数，其是均值为ui，协方差矩阵为的高斯函数： $b_i\left({\mathrm{MFCC}}_t\right)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\mathrm{Nfilter}/2}\sqrt{{\mathrm{\&sigma;}}_i^2}}\exp \{-\frac{1}{2}{({\mathrm{MECC}}_t-u_i)}^T{\left({\mathrm{\&sigma;}}_i^2\right)}^{-1}({\mathrm{MFCC}}_t-u_i)\}$ ，wi是混合权值，满足条件：

（42）设定收敛条件和最大迭代次数：收敛条件为相邻两次高斯混合模型系数的欧式距离小于阈值δ，最大迭代次数通常不大于G，其中，阈值δ介于0.001～0.0001，迭代次数G介于10～100；

（43）采用k-means算法对高斯混合模型进行初始化，并用期望最大算法训练高斯混合模型，对于一组长度为T的训练矢量序列MFCC={MFCC₁，MFCC₂...，MFCC_T},依据期望最大准则进行训练，其具体迭代过程如下：后验概率的计算公式： $P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;})=\frac{w_i{b}_i\left({\mathrm{MFCC}}_t\right)}{\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_k{b}_k\left({\mathrm{MFCC}}_t\right)};$ ；均值的重估公式： $u_i=\frac{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;}){\mathrm{MFCC}}_t}{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;})};$ ；方差的重估公式：；权重的重估公式：，在训练过程中，当满足收敛条件或最大迭代次数时则停止迭代，否则继续迭代。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明将多个麦克风传感器紧密排列成一个微孔径的麦克风阵列，各个麦克风同步采集环境中的声响信号。由麦克风阵列各通道采集到的信号，其蕴含的目标信号成分相关性较强，噪声信号相关性较弱，因此叠加求和的方法可以有效地增强目标信号，从而提高信号的信噪比。利用精简的梅尔倒谱方法进行特征提取，并用高斯混合模型方法进行判决，可以实现对目标的精确分类。本发明基于微孔径的麦克风阵列实现对运动目标的分类，具有操作简单、成本低廉、性能可靠等优点。

附图说明

图1是微孔径麦克风阵列采集声响信号的示意图；

图2是梅尔滤波器组示意图；

图3是本发明数据处理流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于微孔径麦克风阵列的运动目标识别方法，如图3所示，包括以下步骤：利用微孔径麦克风阵列采集环境噪声和已知类型运动目标的声响信号，并建立声响信号的样本库；对样本库中的每条样本各通道的数据进行叠加求和的降噪处理；采用精简的梅尔倒谱系数算法提取信号的特征；按照类别构建样本库中各类目标的高期混合模型的概率密度函数，以k-means算法进行模型初始化，以期望最大算法训练模型参数（均值u_i、方差、权重w_i），并以此作为目标的分类系数；当微型麦克风阵列部署在实际环境中进行目标识别时，阵列各通道的麦克风同步采集环境中的声响信号，接着各通道的数据经叠加求和进行降噪处理，然后由梅尔倒谱系数算法提取目标的特征，最后利用所述的分类系数计算各类别的高斯概率密度函数，将概率密度函数最大的类别作为识别结果。

下面以一个具体实施例来进一步说明本发明。

步骤一：如图1所示，利用一个5阵元的微孔径麦克风阵列采集环境噪声、轮式车辆、履带车辆、低空直升机等运动目标的声响信号，建立声响信号的样本库；

步骤二：对样本库中的每条样本各通道的数据进行叠加求和的降噪处理，具体方法为：

$x\left(n\right)=\underset{i=1}{\overset{i=5}{\mathrm{\&Sigma;}}}{c}_i\left(n\right)$

步骤三：采用精简的梅尔倒谱算法提取信号的梅尔倒谱系数，将倒谱系数作为目标的特征。倒谱系数的计算方法具体为：

预加重：s(n)＝x(n)-αx(n-1)

加窗分帧：y(n)＝s(n)ham(n)

短时傅立叶变换： $Y\left(K\right)=\underset{N=0}{\overset{L-1}{\mathrm{\&Sigma;}}}y\left(n\right)e^{(-j\frac{2\mathrm{\&pi;kn}}{L})},0\&le;k\&le;(L-1);$

梅尔滤波： $\mathrm{Mel}\left(q\right)=\underset{K=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{H}_q\left(K\right){\left|Y\left(K\right)\right|}^2,$

$H_q\left(K\right)=\left\{\begin{array}{cc}0& ,K<f(q-1)\\ \frac{2[K-f(q-1)]}{[f(q+1)-f(q-1)][f\left(q\right)-f(q-1)]}& ,(q-1)<K<f\left(q\right)\\ \frac{2[f(q+1)-K]}{[f(q+1)-f(q-1)][f(q+1)-f\left(q\right)]}& ,f\left(q\right)<K<f(q+1)\\ 0& ,K>f(q+1)\end{array}\right.,$

取对数：MFCC(q)＝lnMel(q),1≤q≤Nfilter。

这里预加重系数α取0.9，滤波器个数Nfilter取24，汉明窗的窗口长度L取1024，相邻帧间存在512个点的重叠。

步骤四：采用k-means算法对GMM模型进行初始化，并用EM算法训练GMM模型。GMM模型的训练就是给定一组训练数据，依据某种准则确定模型的参数，对于一组长度为T的训练矢量序列MFCC={MFCC₁,MFCC₂,...,MFCC_T},依据EM准则进行训练，其具体迭代过程如下：

后验概率的计算公式： $P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;})=\frac{w_i{b}_i\left({\mathrm{MFCC}}_t\right)}{\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_k{b}_k\left({\mathrm{MFCC}}_t\right)};$

均值的重估公式： $u_i=\frac{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;}){\mathrm{MFCC}}_t}{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;})};$

方差的重估公式： ${\mathrm{\&sigma;}}_i^2=\frac{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;}){({\mathrm{MFCC}}_t,-u_i)}^2}{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;})}$

权重的重估公式： $w_i=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;})$

这里高斯分量的个数M取12，用于训练模型的样本的条数T取1000。在训练过程中，当相邻两次迭代所得的GMM系数的欧式距离小于0.0001或迭代次数大于100时停止迭代。这里得到的模型参数λ={u,σ²,w}，其中 $u_1,u_2,...,u_{12}{\mathrm{\&sigma;}}^2=\{{\mathrm{\&sigma;}}_1^2,{\mathrm{\&sigma;}}_2^2,...,{\mathrm{\&sigma;}}_{12}^2\},w=\{w_1,w_2,...,w_{12}\},$ 并以此作为目标的分类系数。

其中，可根据需要对高斯分量、欧氏距离的阈值和迭代次数进行适当选择。高斯分量可从4-32中任意选择，欧氏距离的阈值可从0.001～0.0001之中任意选择，迭代次数可从10～100中任意选择。

步骤五：当微型麦克风阵列部署在实际环境中进行目标识别时，阵列各通道的麦克风同步采集环境中的声响信号，接着各通道的数据经叠加求和进行降噪处理，然后由精简的MFCC方法提取目标的特征，最后利用步骤四得到的分类系数计算各类别的高斯概率密度函数，将概率密度函数最大的类别作为识别结果。例如，待分类目标样本c对环境噪声的概率密度函数为P(c|λ)=0.3，对轮式车的概率密度函数为P(c|λ)=0.4，对履带车的概率密度函数为P(c|λ)=0.5，对低空直升机的概率密度函数为P(c|λ)=0.6，因为待分类目标样本对低空直升机的概率密度函数最大，所以将待分类目标c判为低空直升机。

不难发现，本发明利用微型麦克风阵列的多个麦克风同步采集环境中的声响信号，采用叠加求和的方法对各个麦克风采集的信号进行降噪处理，利用精简的梅尔倒谱方法进行特征提取，并用高斯混合模型方法进行判决，可以实现对目标的精确分类。本发明基于微孔径的麦克风阵列实现对运动目标的分类，具有操作简单、成本低廉、性能可靠等优点。

Claims (6)

1.一种基于微孔径麦克风阵列的运动目标识别方法，其特征在于，包括以下步骤：

（1）利用微孔径麦克风阵列采集环境噪声和已知类型运动目标的声响信号，并建立声响信号的样本库；

（2）对样本库中的每条样本各通道的数据进行叠加求和的降噪处理；

（3）采用精简的梅尔倒谱系数算法提取信号的特征；

（4）按照类别构建样本库中各类目标的高期混合模型的概率密度函数，以k-means算法进行模型初始化，以期望最大算法训练模型参数，并以此作为目标的分类系数；

（5）当微型麦克风阵列部署在实际环境中进行目标识别时，阵列各通道的麦克风同步采集环境中的声响信号，接着各通道的数据经叠加求和进行降噪处理，然后由精简的梅尔倒谱系数算法提取目标的特征，最后利用所述的分类系数计算各类别的高斯概率密度函数，将概率密度函数最大的类别作为识别结果。

2.根据权利要求1所述的基于微孔径麦克风阵列的运动目标识别方法，其特征在于，所述微孔径麦克风阵列中麦克风的数量在两个以上，并且麦克风之间的最大间距为厘米量级。

3.根据权利要求1所述的基于微孔径麦克风阵列的运动目标识别方法，其特征在于，所述步骤（2）中的叠加求和的降噪处理方法为：，其中，c_i(n)为第i个通道声响信号，Q为阵列中麦克风的数量，x(n)为降噪后的信号。

4.根据权利要求2所述的基于微孔径麦克风阵列的运动目标识别方法，其特征在于，所述步骤（3）包括以下步骤：

（31）预加重：s(n)＝x(n)-αx(n-1),其中α为预加重系数，介于0.1～1之间；

（32）加窗分帧：y(n)＝s(n)ham(n)，其中ham(n)为汉明窗的表达式，具体为：

0≤n≤L-1，式中，L为帧长；

（33）短时傅立叶变换： $Y\left(K\right)=\underset{N=0}{\overset{L-1}{\mathrm{\&Sigma;}}}y\left(n\right)e^{(-j\frac{2\mathrm{\&pi;kn}}{L})},0\&le;k\&le;(L-1);$

（34）梅尔滤波：，其中H_q(K)为梅尔滤波器组的第q个滤波器，滤波器的个数Nfilter为14～30，将梅尔频率等分为Nfilter段，每个等分对应一个梅尔滤波器的频率范围，第q个滤波器具体形式为：

$H_q\left(K\right)=\left\{\begin{array}{cc}0& ,K<f(q-1)\\ \frac{2[K-f(q-1)]}{[f(q+1)-f(q-1)][f\left(q\right)-f(q-1)]}& ,(q-1)<K<f\left(q\right)\\ \frac{2[f(q+1)-K]}{[f(q+1)-f(q-1)][f(q+1)-f\left(q\right)]}& ,f\left(q\right)<K<f(q+1)\\ 0& ,K>f(q+1)\end{array}\right.,$ 其中，f(q)是第q

个滤波器的中心频率，其通过将梅尔频率Nfilter等分后取第q个值获得；

（35）取对数：MFCC(q)＝lnMel(q),1≤q≤Nfilter。

5.根据权利要求4所述的基于微孔径麦克风阵列的运动目标识别方法，其特征在于，所述步骤（33）中的短时傅立叶变换由快速傅立叶变换代替。

6.根据权利要求4所述的基于微孔径麦克风阵列的运动目标识别方法，其特征在于，所述步骤（4）包括以下步骤：

（41）确定高斯混合模型的高斯分量的个数：一个高斯混合模型可以由M个高斯概率密度函数加权求和得到，此处M取值是4～32中的任一值，高斯混合模型用如下形式表示：，其中，MFCC_t是Nfilter维的特征向量，b_i(MFCC_t)是成员的密度函数，其是均值为u_i，协方差矩阵为的高斯函数：

$b_i\left({\mathrm{MFCC}}_t\right)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\mathrm{Nfilter}/2}\sqrt{{\mathrm{\&sigma;}}_i^2}}\exp \{-\frac{1}{2}{({\mathrm{MECC}}_t-u_i)}^T{\left({\mathrm{\&sigma;}}_i^2\right)}^{-1}({\mathrm{MFCC}}_t-u_i)\}$ ，w_i是混合权值，满足条件：

（42）设定收敛条件和最大迭代次数：收敛条件为相邻两次高斯混合模型系数的欧式距离小于阈值δ，最大迭代次数通常不大于G，其中，阈值δ介于0.001～0.0001，迭代次数G介于10～100；

（43）采用k-means算法对高斯混合模型进行初始化，并用期望最大算法训练高斯混合模型，对于一组长度为T的训练矢量序列MFCC={MFCC₁，MFCC₂...，MFCC_T},依据期望最大准则进行训练，其具体迭代过程如下：后验概率的计算公式： $P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;})=\frac{w_i{b}_i\left({\mathrm{MFCC}}_t\right)}{\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_k{b}_k\left({\mathrm{MFCC}}_t\right)};$ 均值的重估公式： $u_i=\frac{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;}){\mathrm{MFCC}}_t}{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right|{\mathrm{MFCC}}_t,\mathrm{\&lambda;})};$ 方差的重估公式：；权重的重估公式：在训练过程中，当满足收敛条件或最大迭代次数时则停止迭代，否则继续迭代。