CN109358317A - 一种鸣笛信号检测方法、装置、设备及可读存储介质 - Google Patents
一种鸣笛信号检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109358317A CN109358317A CN201811159847.9A CN201811159847A CN109358317A CN 109358317 A CN109358317 A CN 109358317A CN 201811159847 A CN201811159847 A CN 201811159847A CN 109358317 A CN109358317 A CN 109358317A
- Authority
- CN
- China
- Prior art keywords
- signal
- whistle
- frequency
- target sound
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/24—Position of single direction-finder fixed by determining direction of a plurality of spaced sources of known location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请提供了一种鸣笛信号检测方法、装置、设备及可读存储介质,方法包括:获取麦克风阵列采集的声音信号;对声音信号进行预处理,预处理后的信号作为目标声音信号;利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别目标声音信号中是否存在鸣笛信号,其中,鸣笛信号判别规则根据鸣笛信号的特点设定。本申请提供的鸣笛信号检测方法能够自动检测出目标声音信号中是否存在鸣笛信号,并且在检测时由于充分利用了鸣笛信号的特点/特征,因此,鸣笛信号的检测准确率较高,检测效果较好。
Description
技术领域
本发明涉及信号检测技术领域,尤其涉及一种鸣笛信号检测方法、装置、设备及可读存储介质。
背景技术
随着汽车保有量的持续增加,汽车噪声已经成为人们生活中的一种主要噪声源,特别是汽车鸣笛声,因其警示效果显著且音量较大,对人们生活、学习和工作都会产生非常大的影响。基于此,许多城市都设定了一些禁止鸣笛区域,但是在实际执行过程中会遇到取证难、执法难的问题。因此,有必要提供一种能够从声音采集设备采集的声音信号中检测鸣笛信号的方案,以为交通部门提供可靠的执法依据,同时形成警示作用,减少违规鸣笛现象。
发明内容
有鉴于此,本发明提供了一种鸣笛信号检测方法、装置、设备及可读存储介质,用以从声音采集设备采集的声音信号中检测鸣笛信号,其技术方案如下:
一种鸣笛信号检测方法,包括:
获取麦克风阵列采集的声音信号;
对所述声音信号进行预处理,预处理后的信号作为目标声音信号;
利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别所述目标声音信号中是否存在所述鸣笛信号,其中,所述鸣笛信号判别规则根据所述鸣笛信号的特点设定。
优选地,所述麦克风阵列为非均匀麦克风阵列。
优选地,所述对所述声音信号进行预处理,预处理后的信号作为目标声音信号,包括:
将所述麦克风阵列采集的声音信号处理成频域信号;
对所述频域信号中目标区域的信号进行增强处理,增强处理后得到所述目标声音信号。
优选地,所述鸣笛信号检测方法还包括:
当所述目标声音信号中存在所述鸣笛信号时,基于所述鸣笛信号的特点,通过所述目标声音信号,对发出所述鸣笛信号的车辆进行定位。
优选地,利用所述鸣笛信号判别模型判别所述目标语音信号中是否存在所述鸣笛信号,包括:
从所述目标声音信号中提取声音特征;
将所述声音特征输入所述鸣笛信号判别模型,获得所述鸣笛信号判别模型输出的、用于指示所述目标声音信号中是否存在所述鸣笛信号的判别结果;
其中,所述鸣笛信号判别模型以从训练声音信号中提取的声音特征为训练样本,以所述训练声音信号是否存在所述鸣笛信号的标注结果为样本标签进行训练得的。
优选地,利用所述鸣笛信号判别规则判别所述目标语音信号中是否存在所述鸣笛信号,包括:
根据所述目标声音信号的强度,判别所述目标声音信号中是否存在所述鸣笛信号;
和/或,根据所述目标声音信号的平稳性,判别所述目标声音信号中是否存在所述鸣笛信号;
和/或,根据所述目标声音信号的谐波特性,判别所述目标声音信号中是否存在所述鸣笛信号。
优选地,所述根据所述目标声音信号的强度,判别所述目标声音信号中是否存在所述鸣笛信号,包括:
若所述目标声音信号的强度大于预设的信号强度阈值,则确定所述目标声音信号中存在所述鸣笛信号。
优选地,所述根据所述目标声音信号的平稳性,判别所述目标声音信号中是否存在所述鸣笛信号,包括:
针对所述目标声音信号中的每帧声音信号,确定该帧声音信号的瞬时功率谱与该帧声音信号对应的历史功率谱的相关性信息,以得到所述目标声音信号中各帧声音信号分别对应的相关性信息;
通过所述目标声音信号中各帧声音信号分别对应的相关性信息,判别所述目标声音信号中是否存在所述鸣笛信号。
优选地,所述根据所述目标声音信号的谐波特性,判别所述目标声音信号中是否存在所述鸣笛信号,包括:
在所述目标声音信号的频率范围内确定出谐波频率;
统计确定出的所述谐波频率的数量;
若所述谐波频率的数量大于预设数量,则确定所述目标声音信号中存在所述鸣笛信号。
优选地,所述在所述目标声音信号的频率范围内确定出谐波频率,包括:
对于所述目标声音信号的频率范围内的每一频率,基于该频率上信号的强度以及预设频率范围内的各频率上信号的强度的均值,确定该频率对应的局部相对信号强度,若所述局部相对信号强度大于预设的相对信号强度阈值,则确定该频率为谐波频率,其中,该频率位于所述预设频率范围内。
优选地,所述基于所述鸣笛信号的特点,通过所述目标声音信号,对发出所述鸣笛信号的车辆进行定位,包括:
基于所述鸣笛信号的谐波特性,利用所述目标声音信号对应的谐波频率集合,对发出所述鸣笛信号的车辆进行定位;
其中,所述目标声音信号对应的谐波频率集合为所述目标声音信号的频率范围内的谐波频率组成的集合。
优选地,所述基于所述鸣笛信号的谐波特性,利用所述目标声音信号对应的谐波频率集合,对发出所述鸣笛信号的车辆进行定位,包括:
基于所述谐波频率集合中的谐波频率确定谐波基频,获得谐波基频集合;
分别从所述谐波频率集合中获取所述谐波基频集合中每个谐波基频的倍频,获得至少一组谐波频率,针对一个谐波基频获得的所有倍频组成一组谐波频率;
基于所述至少一组谐波频率对发出所述鸣笛信号的车辆进行定位。
优选地,所述基于所述至少一组谐波频率对发出所述鸣笛信号的车辆进行定位,包括:
对于每组谐波频率,计算该谐波频率组中每个频率对应的空间谱,将该组谐波频率中各个频率对应的空间谱加权相加,得到该组谐波频率对应的空间谱,通过该组谐波频率对应的空间谱获得该组谐波频率组对应的声源方向作为声源定位结果;
基于每组谐波频率对应的声源定位结果确定发出所述鸣笛信号的车辆的位置。
优选地,所述计算该组谐波频率中每个频率对应的空间谱,包括:对于每个频率执行:
针对所述麦克风阵列的一维子阵,利用第一波束计算该频率对应的一维空间谱,通过该一维空间谱获得声源方向作为第一定位结果;
针对所述麦克风阵列的一维子阵,结合所述第一定位结果,利用第二波束计算该频率对应的一维空间谱,通过该一维空间谱获得声源方向作为第二定位结果,所述第二波束的主瓣宽度小于所述第一波束的主瓣宽度;
针对整个所述麦克风阵列,结合所述第二定位结果,利用第三波束计算该频率对应的二维空间谱,所述第三波束的主瓣宽度小于所述第二波束的主瓣宽度。
其中,确定所述第三波束的过程包括:
获取空间各个方向对应的阵列导向矢量,以及各个阵列导向矢量对应的权重,权重的大小与对应方向存在所述车辆的可能性的大小有关;
基于所述各个方向对应的阵列导向矢量以及所述各个阵列导向矢量对应的权重确定噪声相关矩阵;
基于所述噪声相关矩阵确定所述第三波束。
优选地,所述基于每组谐波频率对应的声源定位结果确定发出所述鸣笛信号的车辆的位置,包括:
当存在多组谐波频率时,基于每组谐波频率对应的时间起始点和声源定位结果,对所述多组谐波频率分别对应的声源定位结果进行分组,其中,一组谐波频率对应的时间起始点为检测到该组谐波频率对应的信号的时间起始点,一组声源定位结果对应一车辆;
对于每一组声源定位结果,基于该组声源定位结果确定该组声源定位结果对应的车辆的位置,以得到每一组声源定位结果对应的车辆的位置。
优选地,所述基于该组声源定位结果确定该组声源定位结果对应的车辆的位置,包括:
将该组声源定位结果中的各个声源定位结果进行加权平均,获得该组声源定位结果对应的车辆的初步定位结果;
将该组声源定位结果对应的车辆的初步定位结果和该组声源方向对应的车辆的历史初步定位结果进行拟合,基于拟合结果确定该组声源方向对应的车辆的位置。
一种鸣笛信号检测装置,包括:获取模块、预处理模块和检测模块;
所述获取模块,用于获取麦克风阵列采集的声音信号;
所述预处理模块,用于对所述声音信号进行预处理,预处理后的信号作为目标声音信号;
所述检测模块,用于利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别所述目标声音信号中是否存在所述鸣笛信号,其中,所述鸣笛信号判别规则根据所述鸣笛信号的特点设定。
优选地,所述麦克风阵列为非均匀麦克风阵列;
所述获取模块,具体用于获取所述非均匀麦克风阵列采集的声音信号。
优选地,所述鸣笛信号检测装置还包括:定位模块;
所述定位模块,用于当所述检测模块检测出所述目标声音信号中存在所述鸣笛信号时,基于所述鸣笛信号的特点,通过所述目标声音信号,对发出所述鸣笛信号的车辆进行定位。
一种鸣笛信号检测设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,所述程序具体用于:
获取麦克风阵列采集的声音信号;
对所述声音信号进行预处理,预处理后的信号作为目标声音信号;
利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别所述目标声音信号中是否存在所述鸣笛信号,其中,所述鸣笛信号判别规则根据所述鸣笛信号的特点设定。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现所述鸣笛信号检测方法的各个步骤。
经由上述方案可知,本申请提供的鸣笛信号检测方法、装置、设备及存储介质,可采用预先建立的鸣笛信号判别模型和/或根据鸣笛信号的特点设定的鸣笛信号判别规则判别目标声音信号中是否存在鸣笛信号,一方面实现了鸣笛信号的自动检测,另一方面,在检测时由于充分利用了鸣笛信号的特点 /特征,因此,鸣笛信号的检测准确率较高,检测效果较好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的鸣笛信号检测方法的流程示意图;
图2为本申请实施例提供的鸣笛信号检测方法中,根据目标声音信号的平稳性,判别目标声音信号中是否存在鸣笛信号的流程示意图;
图3为本申请实施例提供的鸣笛信号检测方法中,根据目标声音信号的谐波特性,判别目标声音信号中是否存在鸣笛信号的流程示意图;
图4为本申请实施例提供的非均匀矩阵麦克风阵列的一示例的示意图;
图5为本申请实施例提供的鸣笛信号检测方法中,基于鸣笛信号的谐波特性,利用目标声音信号对应的谐波频率集合,对发出鸣笛信号的车辆进行定位的流程示意图;
图6为本申请实施例提供的鸣笛信号检测方法中,基于多组谐波频率分别对应的声源定位结果确定发出鸣笛信号的车辆的位置的流程示意图;
图7为本申请实施例提供的鸣笛信号检测方法中,将车辆的位置数据进行线性拟合后,得到的拟合结果的一示例的示意图;
图8为本申请实施例提供的鸣笛信号检测装置的结构示意图;
图9为本申请实施例提供的鸣笛信号检测设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
发明人在实现本发明创造的过程中发现:现有技术中存在鸣笛信号检测方案,这些方案大多只是基于声音信号的强度进行检测,检测效果不佳。有鉴于此,本申请实施例提供了一种鸣笛信号检测方法,请参阅图1,示出了该鸣笛信号检测方法的流程示意图,该方法可以包括:
步骤S101:获取麦克风阵列采集的声音信号。
假设麦克风阵列中麦克风的个数为M,则麦克风阵列采集的声音信号为 x1(n)~xM(n),其中,n表示采样点。
步骤S102:对麦克风阵列采集的声音信号进行预处理,预处理后的信号作为目标声音信号。
对声音信号进行预处理的实现方式有多种,在一种可能的实现方式中,对声音信号进行预处理的过程可以包括:将麦克风阵列采集的声音信号由时域变换至频域,获得频域信号,将频域信号作为目标声音信号。其中,将麦克风阵列采集的声音信号由时域变换至频域,获得频域信号的过程可以包括:对麦克风阵列采集的声音信号进行分帧加窗处理,再做傅里叶变换,傅里叶变换后得到的信号即为频域信号。
假设麦克风阵列采集的声音信号为x1(n)~xM(n),将其变换至频域,得到 X1(ω,l)~XM(ω,l),则目标声音信号为[X1(ω,l),X2(ω,l),…,XM(ω,l)]。
鉴于麦克风阵列中各个麦克风的频响差异,在另一种可能的实现方式中,对声音信号进行预处理的过程可以包括:先将麦克风阵列采集的声音信号由时域变换至频域,获得频域信号,然后基于各个麦克风对应的补偿参数对频域信号进行补偿,补偿后得到的频域信号作为目标声音信号。假设麦克风阵列采集的声音信号为x1(n)~xM(n),将其变换至频域,得到频域信号 X1(ω,l)~XM(ω,l),分别对X1(ω,l)~XM(ω,l)进行补偿,具体地:
Ym(ω,l)=Gm(ω)Xm(ω,l) (1)
其中,ω表示角频率,l表示帧序号,Ym(ω,l)为对频域信号Xm(ω,l)进行补偿后得到的频域信号,Gm(ω)为第m个麦克风对应的补偿参数,m=1,2…M。
步骤S103:利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别目标声音信号中是否存在鸣笛信号。
其中,预先设定的鸣笛信号判别规则根据鸣笛信号的特点设定。
需要说明的是,进行鸣笛信号检测的目的是为了在确定出目标声音信号中存在鸣笛信号时,对发出鸣笛信号的车辆进行定位,因此,通常需要关注监控系统的摄像头能清楚拍到的区域,基于此,可对上述频域信号或补偿后的频域信号中目标区域(如监控系统的摄像头能清楚拍到的区域)的信号进行增强处理,增强处理后得到的信号作为最终的目标声音信号,进而基于该目标声音信号,利用鸣笛信号判别模型和/或鸣笛信号判别规则,判别目标声音信号中是否存在鸣笛信号。
在本实施例中,可采用波束形成和背景噪声抑制算法对目标区域的信号进行增强处理,其中,波束形成可只对非混叠频率的信号进行处理,背景噪声抑制可采用单通道降噪方法。
本申请实施例提供的鸣笛信号检测方法,在获取到目标声音信号后,可采用预先建立的鸣笛信号判别模型和/或根据鸣笛信号的特点设定的鸣笛信号判别规则判别目标声音信号中是否存在鸣笛信号,一方面,实现了鸣笛信号的自动检测,另一方面,由于检测时充分利用鸣笛信号的特点/特征,因此,鸣笛信号的检出准确率较高,检测效果较好。
在本申请的另一实施例中,对上述实施例中的“步骤S103:利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别目标声音信号中是否存在鸣笛信号”进行介绍。
首先对基于鸣笛信号判别模型检测鸣笛信号的实现过程进行介绍。
利用鸣笛信号判别模型判别目标语音信号中是否存在鸣笛信号的过程可以包括:从目标声音信号中提取声音特征;将提取出的声音特征输入鸣笛信号判别模型,获得鸣笛信号判别模型输出的、用于指示目标声音信号中是否存在鸣笛信号的判别结果。
其中,鸣笛信号判别模型以从训练声音信号中提取的声音特征为训练样本,以训练声音信号是否存在鸣笛信号的标注结果为样本标签进行训练得的。训练鸣笛信号判别模型的训练样本可以为通过仿真、录制、混合等多种手段得到的多种条件下的鸣笛数据。
需要说明的是,鸣笛信号判别模型的输入为从目标声音信号中提取的声音特征,该声音特征可以但不限定为对数谱度、FilterBank特征、MFCC特征等,鸣笛信号判别模型的输出可以为目标声音信号中存在鸣笛信号的概率 PDeepLearning(l)。
在本实施例中,鸣笛信号判别模型可以但不限定为长短时记忆神经网络 LSTM、循环神经网络RNN等,训练鸣笛信号判别模型的过程为现有技术,本申请在此不作赘述。
接下来对基于鸣笛信号判别规则检测鸣笛信号的实现过程进行介绍。
利用鸣笛信号判别规则判别目标语音信号中是否存在鸣笛信号的过程可以包括:根据目标声音信号的强度,判别目标声音信号中是否存在鸣笛信号;和/或,根据目标声音信号的平稳性,判别目标声音信号中是否存在鸣笛信号;和/或,根据目标声音信号的谐波特性,判别目标声音信号中是否存在鸣笛信号。
其中,根据目标声音信号的强度,判别目标声音信号中是否存在鸣笛信号的过程可以包括:判断目标声音信号的强度是否大于设定的信号强度阈值,若目标声音信号的强度大于设定的信号强度阈值,则判定目标声音信号中存在鸣笛信号,否则,判定目标声音信号中不存在鸣笛信号。
其中,信号强度阈值可根据国标规定的汽车喇叭声压级范围和监控系统监控的目标区域距离麦克风阵列的距离范围设定。
需要说明的是,正常的汽车喇叭声是短时平稳信号,因此,可根据目标声音信号的平稳性,判别目标声音信号中是否存在鸣笛信号。
请参阅图2,示出了根据目标声音信号的平稳性,判别目标声音信号中是否存在鸣笛信号的实现过程的流程示意图,可以包括:
步骤S201:针对目标声音信号中的每帧声音信号,确定该帧声音信号的瞬时功率谱与该帧声音信号对应的历史功率谱的相关性信息,以得到目标声音信号中各帧声音信号分别对应的相关性信息。
需要说明的是,一帧声音信号对应的历史功率谱为该帧声音信号之前一定范围内信号的功率谱,由于不便于将这些功率谱全存下来,因此可采用平滑功率谱代替,平滑功率谱本质上是将该帧声音信号之前一定范围内信号的功率谱加权相加(也可将该帧声音信号之前一定范围内信号的功率谱、该帧声音信号的瞬时功率谱加权相加),因此,平滑功率谱包含了历史功率谱的信息。具体地,一帧声音信号对应的平滑功率谱Psmooth(ω,l)可通过下式(2)或(3) 得到:
Psmooth(ω,l)=α(l)Psmooth(ω,l-1) (2)
Psmooth(ω,l)=α(l)Psmooth(ω,l-1)+(1-α(l))P(ω,l) (3)
其中,P(ω,l)为该帧声音信号的瞬时功率谱,α(l)为平滑因子,α(l)满足 0≤α(l)≤1,α(l)的取值可以采用固定值或者自适应值,采用固定值时根据设定的帧长、帧移以及响应时间计算得到,而采用自适应值可以减小鸣笛声开始和结束时算法的响应延迟。
需要说明的是,所谓信号平稳指的是,每一帧声音信号对应的瞬时功率谱都是一样的,如果所有帧的瞬时功率谱都完全一样,那么平滑功率谱就应该等于当前瞬时功率谱,但是实际上所有帧的瞬时功率谱不可能完全一样,基于此,本申请分别确定各帧声音信号的瞬时功率谱与对应平滑功率谱的相关性信息,通过目标声音信号中各帧声音信号分别对应的相关性信息来表征目标声音信号的平稳性。具体地,一帧声音信号的瞬时功率谱与该帧声音信号对应的平滑功率谱的相关性信息通过该帧声音信号的瞬时功率谱与该帧声音信号对应的平滑功率谱的相关系数corr(P,Psmooth)表征,该相关系数 corr(P,Psmooth)可通过下式计算:
其中,g(ω)为非负实值加权函数。相关系数corr(P,Psmooth)越大,表明信号越平稳。
步骤S202:通过目标声音信号中各帧声音信号分别对应的相关性信息,判别目标声音信号中是否存在鸣笛信号。
在确定出目标声音信号中各帧声音信号分别对应的相关系数后,若各帧声音信号分别对应的相关系数均大于预设的相关系数阈值,则判定目标声音信号中存在鸣笛信号,否则,判定目标声音信号中不存在鸣笛信号。
考虑到汽车喇叭有单音喇叭、双音喇叭和三音喇叭,因此,鸣笛信号一般由一到三组谐波构成,基于此,本申请可根据目标声音信号的谐波特性,判别目标声音信号中是否存在鸣笛信号。
请参阅图3,示出了根据目标声音信号的谐波特性,判别目标声音信号中是否存在鸣笛信号的实现过程的流程示意图,可以包括:
步骤S301:在目标声音信号的频率范围内确定出谐波频率。
谐波信号的特点是谐波频率上的信号明显强于非谐波频率上的信号,基于此,可定义局部相对信号强度,基于局部相对信号强度从目标声音信号的频率范围内确定出谐波频率。
在一种可能的实现方式中,局部相对信号强度的定义如下:一频率对应的局部相对信号强度为该频率上信号的强度与预设频率范围内的各频率上信号的强度的均值的比值,其中,该频率位于预设频率范围内。
示例性的,如图4所示,预设频率范围为f2(f2=f-Δ)~f1(f1=f+Δ),即频率 f位于f2与f1之间,f对应的局部相对信号强度PRatio(ω,l)通过下式确定:
其中,P(ω,l)为功率谱,win(ω′)为频率局部平滑窗。
通过上式可确定出目标声音信号的频率范围内各频率对应的局部相对信号强度。
步骤S302:统计确定出的谐波频率的数量。
在确定出各频率对应的局部相对信号强度后,可基于下式确定谐波频率的数量NumHarmonic_Freq(l):
其中,PRatio_Thre为预设的相对信号强度阈值。
对于目标声音信号的频率范围内的每一频率,若该频率对应的局部相对信号强度大于预设的相对信号强度阈值PRatio_Thre,则确定该频率为谐波频率,局部相对信号强度大于预设的相对信号强度阈值的频率的总数量即为谐波频率的数量NumHarmonic_Freq(l)。
步骤S303:若谐波频率的数量大于预设数量,则确定目标声音信号中存在鸣笛信号。
需要说明的是,本申请实施例可只利用鸣笛信号判别模型判别目标声音信号中是否存在鸣笛信号,也可只利用鸣笛信号判别规则判别目标声音信号中是否存在鸣笛信号。为了使得鸣笛信号检测的准确度更高,在一种优选的实现方式,可利用鸣笛信号判别模型和鸣笛信号判别规则判别目标声音信号中是否存在鸣笛信号,在采用鸣笛信号判别规则判别时,优选为根据目标声音信号的强度、目标声音信号的平稳性和目标声音信号的谐波特性判别目标声音信号中是否存在鸣笛信号,当通过鸣笛信号判别模型判别出目标声音信号中存在鸣笛信号,且通过鸣笛信号判别规则判别出目标声音信号中存在鸣笛信号时,确定目标声音信号中存在鸣笛信号。即,若鸣笛信号判别模型输出的、目标声音信号中存在鸣笛信号的概率PDeepLearning(l)大于预设概率值,并且,目标声音信号的强度大于预设的信号强度阈值,并且,目标声音信号中各帧声音信号分别对应的相关系数均大于预设的相关系数阈值,并且,目标声音信号的频率范围内谐波频率的数量NumHarmonic_Freq(l)大于预设数量,则确定目标声音信号中存在鸣笛信号。
在本申请的另一实施例中,信号检测方法还可以包括:在确定出目标声音信号存在鸣笛信号后,基于鸣笛信号的特点,通过目标声音信号,对发出鸣笛信号的车辆进行定位。
需要说明的是,车辆的定位精度受限于麦克风阵列的构型和采样频率,阵列孔径越大、信号频率越高,定位精度越高。发明人在实现本发明创造的过程中发现:现有技术中通常采用均匀麦克风阵列采集声音信号,对于均匀麦克风阵列而言,增大阵列孔径会引起严重的空间混叠,严重的空间混叠会导致定位精度较低。
基于此,本申请采用非均匀麦克风阵列采集声音信号,比如,可采用非均匀矩形麦克风阵列,非均匀矩形麦克风阵列可分解为两个正交方向的一维非均匀线性麦克风阵列,如图4示出的非均匀矩形麦克风阵列的一示例的示意图,该非均匀矩形麦克风阵列一共30个麦克风,其中,水平方向6个,垂直方向上5个,对于每个一维方向的子阵,如第一行的6个麦克风组成的子阵,具有非均匀线性阵列的结构,相对于均匀线阵,相同孔径情况下非均匀线阵的空间混叠频率更高,非混叠频率是混叠频率以下的频率,混叠频率更高意味着非混叠频率带更宽。比如,10cm内设置3个麦克风,均匀设置时,相邻的两个麦克风的距离均为5cm,非均匀设置时,相邻的两个麦克风的距离分别为3cm和7cm,麦克风的距离越短,接收信号的时间差就越小,根据T*f=1,可以得知,时间差T越小,混叠频率f越大,而混叠频率越大,非混叠频率带越宽。
另外,需要说明的是,若之前已利用麦克风阵列中各麦克风对应的补偿参数基于式(1)对频域信号X1(ω,l)~XM(ω,l)进行补偿,则在确定出目标声音信号存在鸣笛信号后,优选为对麦克风阵列中各麦克风对应的补偿参数Gm(ω) 进行修正,进而利用修正后的补偿参数对频域信号进行补偿,补偿后的信号作为目标声音信号,用于对发出鸣笛信号的车辆进行定位。
其中,对各麦克风对应的补偿参数进行修正的过程可以包括:首先对所有的频域信号Ym(ω,l)的幅值做频率平滑和帧间平滑,得到平滑幅值然后基于平滑幅值确定平均幅值,最后基于平均幅值更新补偿参数Gm(ω)。其中,平均幅值通过下式确定:
其中,M为麦克风阵列中麦克风的数量,m=1,2,…,M。
通过下式更新补偿参数Gm(ω):
接下来给出对发出鸣笛信号的车辆进行定位的实现过程。
本申请实施例基于鸣笛信号的特点,通过目标声音信号,对发出鸣笛信号的车辆进行定位,具体实现过程可以包括:基于鸣笛信号的谐波特性,利用目标声音信号对应的谐波频率集合,对发出鸣笛信号的车辆进行定位。
其中,目标声音信号对应的谐波频率集合为目标声音信号的频率范围内的谐波频率组成的集合。确定目标声音信号的频率范围内的谐波频率的过程可参见对上述步骤S301的说明。
进一步地,请参阅图5,示出了基于鸣笛信号的谐波特性,利用目标声音信号对应的谐波频率集合,对发出鸣笛信号的车辆进行定位的实现过程的流程示意图,可以包括:
步骤S501:基于谐波频率集合中的谐波频率确定谐波基频,获得谐波基频集合。
假设谐波频率集合为Φ(l),谐波基频为{ω(1),ω(2),…},则在{ω(1),ω(2),…}及其整数倍频组成的集合中可以找到Φ(l)中任意一个频率的近似值。基于此,本实施例定义如下的基频似然函数:
其中,δ为规整参数,其为大于0的值。
搜索L(ω)的峰值,可以得到基频{ω(1),ω(2),…}的估计。
步骤S502:分别从谐波频率集合中获取谐波基频集合中每个谐波基频的倍频,获得至少一组谐波频率。
其中,针对一个谐波基频获得的所有倍频组成一组谐波频率。
即,从Φ(l)中挑选每一个谐波基频ω(k)对应的倍频,ω(k)对应的倍频组成一组谐波频率,记为:
示例性的,基频集合为{100HZ,130HZ},从谐波频率集合Φ(l)中确定出基频100HZ的倍频为100HZ、200HZ、300HZ、400HZ,从Φ(l)中确定出基频130HZ的倍频为130HZ、260HZ、390HZ、520HZ,则可获得两组谐波频率,分别为{100HZ、200HZ、300HZ、400HZ}和{130HZ、260HZ、390HZ、 520HZ}。
步骤S503:基于至少一组谐波频率对发出鸣笛信号的车辆进行定位。
本申请采用的麦克风阵列优选为矩形麦克风阵列,针对矩形麦克风阵列,本申请提供如下定位策略:对定位问题进行分解,首先分别用两个方向的一维阵列定位出方向角和俯仰角,得到初步定位结果,此时只用到各子阵内麦克风信号的相关信息,然后用整个阵列对定位结果进行细化,即利用所有麦克风信号进行二维方向估计,采用此策略可以在不影响定位效果的前提下降低系统的复杂度。
基于此,本申请实施例提供了基于至少一组谐波频率对发出鸣笛信号的车辆进行定位的过程,可以包括:对于每组谐波频率,计算该组谐波频率中每个频率对应的空间谱,将该组谐波频率中各个频率对应的空间谱加权相加,得到该组谐波频率对应的空间谱,通过空间谱获得该组谐波频率组对应的声源方向作为声源定位结果;基于每组谐波频率对应的声源定位结果确定发出鸣笛信号的车辆的位置。
其中,对于一组谐波频率而言,确定该组谐波频率中每个频率对应的空间谱的过程可以包括:对于每个频率执行:
(1)针对麦克风阵列的一维子阵,利用第一波束计算该频率对应的一维空间谱,通过该一维空间谱获得声源方向作为第一定位结果。
(2)针对麦克风阵列的一维子阵,结合第一定位结果,利用第二波束计算该频率对应的一维空间谱,通过该一维空间谱获得声源方向作为第二定位结果。
其中,第二波束的主瓣宽度小于第一波束的主瓣宽度。
(3)针对整个麦克风阵列,结合第二定位结果,利用第三波束计算该频率对应的二维空间谱。
其中,第三波束的主瓣宽度小于第二波束的主瓣宽度。
需要说明的是,本实施例中的第一波束可以为延迟相加波束,第二波束可以为超指向波束,第三波束为基于鸣笛车辆定位这一具体应用场景设定的指向性更强的波束。波束系数的计算可以采用下式优化问题得到:
其中,是方向角为θ俯仰角为时的阵列导向矢量,Γ为噪声相关矩阵。Γ取单位阵时得到的是延迟相加波束,取散射噪声场相关矩阵时得到的是超指向波束。
确定第三波束的过程包括:获取空间各个方向对应的阵列导向矢量,以及各个阵列导向矢量对应的权重;基于各个方向对应的阵列导向矢量以及各个阵列导向矢量对应的权重确定噪声相关矩阵;基于所述噪声相关矩阵确定第三波束。
具体地,可通过下式计算噪声相关矩阵:
其中,为阵列导向矢量对应的权重。
需要说明的是,权重的大小与对应方向存在车辆的可能性的大小有关,比如,指向天空的方向不可能有车辆,则可为该方向对应的阵列导向矢量赋予较小的权重。在赋予权重时,通过第一波束可判断出一些安静的方向区域,这些区域可采用较小的权重,这些区域的相邻区域可采用相对较大的权重,这样可以增加波束对局部范围的分辨力。
在获得每组谐波频率对应的空间谱后,可搜索每个空间谱的峰值位置作为声源方向,从而获得每组谐波频率对应的声源定位结果,进而可基于每组谐波频率对应的声源定位结果确定发出鸣笛信号的车辆的位置。
需要说明的是,在某些时候,可能存在多个车辆鸣笛的情况,即,目标声音信号中可能存在多个车辆发出的鸣笛信号,即存在多组谐波频率,基于此,本实施例提供了基于多组谐波频率分别对应的声源定位结果对多个车辆进行定位的实现方案。
请参阅图6,示出了基于多组谐波频率分别对应的声源定位结果确定发出鸣笛信号的车辆的位置的过程的流程示意图,可以包括:
步骤S601:基于多组谐波频率分别对应的时间起始点和声源定位结果,对多组谐波频率分别对应的声源定位结果进行分组。
其中,一组谐波频率对应的时间起始点为检测到该组谐波频率上的信号的时间起始点。每一组声源定位结果对应一车辆,不同组声源定位结果对应不同车辆。
需要说明的是,同一辆车的多个喇叭总是同时发声的,而且方向非常相近,从这点出发,若多组谐波频率对应的时间起始点相同且声源定位方向相近,则可确定这多组谐波频率上的信号为同一车辆发出的信号。
步骤S602:对于每一组声源定位结果,基于该组声源定位结果确定该组声源定位结果对应的车辆的位置,以得到每一组声源定位结果对应的车辆的位置。
其中,对于任一组声源定位结果,基于该组声源定位结果确定该组声源定位结果对应的车辆的位置的过程可以包括:将该组声源定位结果中的各个声源定位结果进行加权平均,获得该组声源定位结果对应的车辆的初步定位结果;将该组声源定位结果对应的车辆的初步定位结果和该组声源方向对应的车辆的历史定位结果进行拟合,基于拟合结果确定该组声源方向对应的车辆的最终位置。
需要说明的是,上述定位结果为声源方向,而对车辆进行定位是为了获得车辆的位置,因此,在进行拟合时,先将各定位结果转换为车辆的位置数据,然后再对各位置数据进行拟合,最后基于拟合结果确定车辆的最终位置。如图7所示,假设某车辆的位置依次为a、b、c、d,由于车辆的运动轨迹为直线,因此,可将车辆的位置数据进行线性拟合,位于拟合的直线方向上的点d即为车辆的最终位置。
本申请实施例提供的鸣笛信号检测方法,充分利用鸣笛信号的特点,采用基于鸣笛信号判别模型和鸣笛信号判别规则的检测方式检测鸣笛信号,大大提高了鸣笛信号的检测准确率,并且,通过非均匀麦克风阵列采集声音信号,且基于鸣笛信号的特征对发出鸣笛信号的车辆定位,提高了车辆定位精度,另外,本申请还针对多个车辆同时发出鸣笛信号的情况,提供了对发出鸣笛信号的多个车辆进行定位的解决方案。本申请实施例提供的鸣笛信号检测方法能够为交通部门提供可靠的执法依据,同时形成警示作用,减少违规鸣笛现象。
与上述鸣笛信号检测方法相对应,本申请实施例还提供了一种鸣笛信号检测装置,请参阅图8,示出了该装置的结构示意图,可以包括:获取模块 801、预处理模块802和检测模块803。
获取模块801,用于获取麦克风阵列采集的声音信号。
预处理模块802,用于对所述声音信号进行预处理,预处理后的信号作为目标声音信号。
检测模块803,用于利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别所述目标声音信号中是否存在所述鸣笛信号。
其中,所述鸣笛信号判别规则根据所述鸣笛信号的特点设定。
本申请实施例提供的鸣笛信号检测装置,在获取到目标声音信号后,可采用预先建立的鸣笛信号判别模型和/或根据鸣笛信号的特点设定的鸣笛信号判别规则判别目标声音信号中是否存在鸣笛信号,一方面,实现了鸣笛信号的自动检测,另一方面,由于检测时充分利用鸣笛信号的特点/特征,因此,鸣笛信号的检出准确率较高,检测效果较好。
优选地,上述实施例中的麦克风阵列为非均匀麦克风阵列。则获取模块 801,具体用于获取非均匀麦克风阵列采集的声音信号。
在一种可能的实现方式中,上述实施例提供的鸣笛信号检测装置中的预处理模块802,包括:信号处理子模块和信号增强子模块。
信号处理子模块,用于将所述麦克风阵列采集的声音信号处理成频域信号。
信号增强子模块,用于对所述频域信号中目标区域的信号进行增强处理,增强处理后得到所述目标声音信号。
在一种可能的实现方式中,上述实施例提供的鸣笛信号检测装置还包括:定位模块。
所述定位模块,用于当所述检测模块检测出所述目标声音信号中存在所述鸣笛信号时,基于所述鸣笛信号的特点,通过所述目标声音信号,对发出所述鸣笛信号的车辆进行定位。
在一种可能的实现方式中,上述实施例提供的鸣笛信号检测装置包括第一检测模块和/或第二检测子模块。
第一检测模块包括:特征提取子模块和鸣笛信号判别子模块。
特征提取子模块,用于从所述目标声音信号中提取声音特征。
鸣笛信号判别子模块,用于将所述声音特征输入所述鸣笛信号判别模型,获得所述鸣笛信号判别模型输出的、用于指示所述目标声音信号中是否存在所述鸣笛信号的判别结果。
其中,所述鸣笛信号判别模型以从训练声音信号中提取的声音特征为训练样本,以所述训练声音信号是否存在所述鸣笛信号的标注结果为样本标签进行训练得的。
在一种可能的实现方式中,第二检测模块包括:第一检测子模块和/或第二检测子模块和/或第三检测子模块。
第一检测子模块,用于根据所述目标声音信号的强度,判别所述目标声音信号中是否存在所述鸣笛信号。
第二检测子模块,用于根据所述目标声音信号的平稳性,判别所述目标声音信号中是否存在所述鸣笛信号。
第三检测子模块,用于根据所述目标声音信号的谐波特性,判别所述目标声音信号中是否存在所述鸣笛信号。
进一步地,第一检测子模块,具体用于当所述目标声音信号的强度大于预设的信号强度阈值时,确定所述目标声音信号中存在所述鸣笛信号。
第二检测子模块,具体用于针对所述目标声音信号中的每帧声音信号,确定该帧声音信号的瞬时功率谱与该帧声音信号对应的历史功率谱的相关性信息,以得到所述目标声音信号中各帧声音信号分别对应的相关性信息;通过所述目标声音信号中各帧声音信号分别对应的相关性信息,判别所述目标声音信号中是否存在所述鸣笛信号。
第三检测子模块,具体用于在所述目标声音信号的频率范围内确定出谐波频率;统计确定出的所述谐波频率的数量;若所述谐波频率的数量大于预设数量,则确定所述目标声音信号中存在所述鸣笛信号。
其中,第三检测子模块在所述目标声音信号的频率范围内确定出谐波频率时,具体用于对于所述目标声音信号的频率范围内的每一频率,基于该频率上信号的强度以及预设频率范围内的各频率上信号的强度的均值,确定该频率对应的局部相对信号强度,若所述局部相对信号强度大于预设的相对信号强度阈值,则确定该频率为谐波频率,其中,该频率位于所述预设频率范围内。
在一种可能的实现方式中,上述定位模块,具体用于基于所述鸣笛信号的谐波特性,利用所述目标声音信号对应的谐波频率集合,对发出所述鸣笛信号的车辆进行定位。
其中,所述目标声音信号对应的谐波频率集合为所述目标声音信号的频率范围内的谐波频率组成的集合。
在一种可能的实现方式中,定位模块可以包括:谐波基频确定子模块、倍频确定子模块和定位子模块。
谐波基频确定子模块,用于基于所述谐波频率集合中的谐波频率确定谐波基频,获得谐波基频集合。
倍频确定子模块,用于分别从所述谐波频率集合中获取所述谐波基频集合中每个谐波基频的倍频,获得至少一组谐波频率,针对一个谐波基频获得的所有倍频组成一组谐波频率。
定位子模块,用于基于所述至少一组谐波频率对发出所述鸣笛信号的车辆进行定位。
在一种可能的实现方式中,定位子模块包括:空间谱确定子模块、声源方向确定子模块和车辆位置确定子模块。
空间谱确定子模块,用于对于每组谐波频率,计算该谐波频率组中每个频率对应的空间谱,将该组谐波频率中各个频率对应的空间谱加权相加,得到该组谐波频率对应的空间谱。
声源方向确定子模块,用于对于每组谐波频率,通过该组谐波频率对应的空间谱获得组谐波频率组对应的声源方向作为声源定位结果。
车辆位置确定子模块,用于基于每组谐波频率对应的声源定位结果确定发出所述鸣笛信号的车辆的位置。
在一种可能的实现方式中,空间谱确定子模块在计算该组谐波频率中每个频率对应的空间谱时,具体用于对于每个频率执行:针对所述麦克风阵列的一维子阵,利用第一波束计算该频率对应的一维空间谱,通过该一维空间谱获得声源方向作为第一定位结果;针对所述麦克风阵列的一维子阵,结合所述第一定位结果,利用第二波束计算该频率对应的一维空间谱,通过该一维空间谱获得声源方向作为第二定位结果,所述第二波束的主瓣宽度小于所述第一波束的主瓣宽度;针对整个所述麦克风阵列,结合所述第二定位结果,利用第三波束计算该频率对应的二维空间谱,所述第三波束的主瓣宽度小于所述第二波束的主瓣宽度。
上述定位子模块还可以包括:波束确定子模块。
波束确定子模块,用于获取空间各个方向对应的阵列导向矢量,以及各个阵列导向矢量对应的权重,权重的大小与对应方向存在所述车辆的可能性的大小有关;基于所述各个方向对应的阵列导向矢量以及所述各个阵列导向矢量对应的权重确定噪声相关矩阵;基于所述噪声相关矩阵确定所述第三波束。
在一种可能的实现方式中,上述车辆位置确定子模块,具体用于当存在多组谐波频率时,基于每组谐波频率对应的时间起始点和声源定位结果,对所述多组谐波频率分别对应的声源定位结果进行分组,其中,一组谐波频率对应的时间起始点为检测到该组谐波频率对应的信号的时间起始点,一组声源定位结果对应一车辆;对于每一组声源定位结果,基于该组声源定位结果确定该组声源定位结果对应的车辆的位置,以得到每一组声源定位结果对应的车辆的位置。
在一种可能的实现方式中,上述车辆位置确定子模块在基于该组声源定位结果确定该组声源定位结果对应的车辆的位置时,具体用于将该组声源定位结果中的各个声源定位结果进行加权平均,获得该组声源定位结果对应的车辆的初步定位结果;将该组声源定位结果对应的车辆的初步定位结果和该组声源方向对应的车辆的历史初步定位结果进行拟合,基于拟合结果确定该组声源方向对应的车辆的位置。
本申请实施例提供的鸣笛信号检测装置,充分利用鸣笛信号的特点,采用基于鸣笛信号判别模型和鸣笛信号判别规则的检测方式检测鸣笛信号,大大提高了鸣笛信号的检测准确率,并且,通过非均匀麦克风阵列采集声音信号,且基于鸣笛信号的特征对发出鸣笛信号的车辆定位,提高了车辆定位精度,另外,本申请还针对多个车辆同时发出鸣笛信号的情况,提供了对发出鸣笛信号的多个车辆进行定位的解决方案。本申请实施例提供的鸣笛信号检测方法能够为交通部门提供可靠的执法依据,同时形成警示作用,减少违规鸣笛现象。
本申请实施例还提供了一种鸣笛信号检测设备,请参阅图9,示出了该鸣笛信号检测设备的结构示意图,该设备可以包括:存储器901和处理器 902。
存储器901,用于存储程序;
处理器902,用于执行所述程序,所述程序具体用于:
获取麦克风阵列采集的声音信号;
对所述声音信号进行预处理,预处理后的信号作为目标声音信号;
利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别所述目标声音信号中是否存在所述鸣笛信号,其中,所述鸣笛信号判别规则根据所述鸣笛信号的特点设定。
鸣笛信号检测设备还包括:总线、通信接口903等。
处理器902、存储器901、通信接口903通过总线相互连接。其中:
总线可包括一通路,在计算机系统各个部件之间传送信息。
处理器902可以是通用处理器,例如通用中央处理器(CPU)、微处理器等,也可以是特定应用集成电路(application-specific integrated circuit, ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器902可包括主处理器,还可包括基带芯片、调制解调器等。
存储器901中保存有执行本发明技术方案的程序,还可以保存有操作系统和其他关键业务。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。更具体的,存储器901可以包括只读存储器(read-only memory, ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory,RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
通信接口903可包括使用任何收发器一类的装置,以便与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(WLAN)等。
处理器902执行存储器901中所存放的程序,以及调用其他设备,可用于实现本发明实施例所提供的鸣笛信号检测方法的各个步骤。
本申请实施例还提供了一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述任一实施例提供的鸣笛信号检测方法的各个步骤。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (21)
1.一种鸣笛信号检测方法,其特征在于,包括:
获取麦克风阵列采集的声音信号;
对所述声音信号进行预处理,预处理后的信号作为目标声音信号;
利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别所述目标声音信号中是否存在所述鸣笛信号,其中,所述鸣笛信号判别规则根据所述鸣笛信号的特点设定。
2.根据权利要求1所述的鸣笛信号检测方法,其特征在于,所述麦克风阵列为非均匀麦克风阵列。
3.根据权利要求1或2所述的鸣笛信号检测方法,其特征在于,还包括:
当所述目标声音信号中存在所述鸣笛信号时,基于所述鸣笛信号的特点,通过所述目标声音信号,对发出所述鸣笛信号的车辆进行定位。
4.根据权利要求1或2所述的鸣笛信号检测方法,其特征在于,利用所述鸣笛信号判别模型判别所述目标语音信号中是否存在所述鸣笛信号,包括:
从所述目标声音信号中提取声音特征;
将所述声音特征输入所述鸣笛信号判别模型,获得所述鸣笛信号判别模型输出的、用于指示所述目标声音信号中是否存在所述鸣笛信号的判别结果;
其中,所述鸣笛信号判别模型以从训练声音信号中提取的声音特征为训练样本,以所述训练声音信号是否存在所述鸣笛信号的标注结果为样本标签进行训练得的。
5.根据权利要求1或2所述的鸣笛信号检测方法,其特征在于,利用所述鸣笛信号判别规则判别所述目标语音信号中是否存在所述鸣笛信号,包括:
根据所述目标声音信号的强度,判别所述目标声音信号中是否存在所述鸣笛信号;
和/或,根据所述目标声音信号的平稳性,判别所述目标声音信号中是否存在所述鸣笛信号;
和/或,根据所述目标声音信号的谐波特性,判别所述目标声音信号中是否存在所述鸣笛信号。
6.根据权利要求5所述的鸣笛信号检测方法,其特征在于,所述根据所述目标声音信号的强度,判别所述目标声音信号中是否存在所述鸣笛信号,包括:
若所述目标声音信号的强度大于预设的信号强度阈值,则确定所述目标声音信号中存在所述鸣笛信号。
7.根据权利要求5所述的鸣笛信号检测方法,其特征在于,所述根据所述目标声音信号的平稳性,判别所述目标声音信号中是否存在所述鸣笛信号,包括:
针对所述目标声音信号中的每帧声音信号,确定该帧声音信号的瞬时功率谱与该帧声音信号对应的历史功率谱的相关性信息,以得到所述目标声音信号中各帧声音信号分别对应的相关性信息;
通过所述目标声音信号中各帧声音信号分别对应的相关性信息,判别所述目标声音信号中是否存在所述鸣笛信号。
8.根据权利要求5所述的鸣笛信号检测方法,其特征在于,所述根据所述目标声音信号的谐波特性,判别所述目标声音信号中是否存在所述鸣笛信号,包括:
在所述目标声音信号的频率范围内确定出谐波频率;
统计确定出的所述谐波频率的数量;
若所述谐波频率的数量大于预设数量,则确定所述目标声音信号中存在所述鸣笛信号。
9.根据权利要求8所述的鸣笛信号检测方法,其特征在于,所述在所述目标声音信号的频率范围内确定出谐波频率,包括:
对于所述目标声音信号的频率范围内的每一频率,基于该频率上信号的强度以及预设频率范围内的各频率上信号的强度的均值,确定该频率对应的局部相对信号强度,若所述局部相对信号强度大于预设的相对信号强度阈值,则确定该频率为谐波频率,其中,该频率位于所述预设频率范围内。
10.根据权利要求3所述的鸣笛信号检测方法,其特征在于,所述基于所述鸣笛信号的特点,通过所述目标声音信号,对发出所述鸣笛信号的车辆进行定位,包括:
基于所述鸣笛信号的谐波特性,利用所述目标声音信号对应的谐波频率集合,对发出所述鸣笛信号的车辆进行定位;
其中,所述目标声音信号对应的谐波频率集合为所述目标声音信号的频率范围内的谐波频率组成的集合。
11.根据权利要求10所述的鸣笛信号检测方法,其特征在于,所述基于所述鸣笛信号的谐波特性,利用所述目标声音信号对应的谐波频率集合,对发出所述鸣笛信号的车辆进行定位,包括:
基于所述谐波频率集合中的谐波频率确定谐波基频,获得谐波基频集合;
分别从所述谐波频率集合中获取所述谐波基频集合中每个谐波基频的倍频,获得至少一组谐波频率,针对一个谐波基频获得的所有倍频组成一组谐波频率;
基于所述至少一组谐波频率对发出所述鸣笛信号的车辆进行定位。
12.根据权利要求11所述的鸣笛信号检测方法,其特征在于,所述基于所述至少一组谐波频率对发出所述鸣笛信号的车辆进行定位,包括:
对于每组谐波频率,计算该谐波频率组中每个频率对应的空间谱,将该组谐波频率中各个频率对应的空间谱加权相加,得到该组谐波频率对应的空间谱,通过该组谐波频率对应的空间谱获得该组谐波频率组对应的声源方向作为声源定位结果;
基于每组谐波频率对应的声源定位结果确定发出所述鸣笛信号的车辆的位置。
13.根据权利要求12所述的鸣笛信号检测方法,其特征在于,所述计算该组谐波频率中每个频率对应的空间谱,包括:对于每个频率执行:
针对所述麦克风阵列的一维子阵,利用第一波束计算该频率对应的一维空间谱,通过该一维空间谱获得声源方向作为第一定位结果;
针对所述麦克风阵列的一维子阵,结合所述第一定位结果,利用第二波束计算该频率对应的一维空间谱,通过该一维空间谱获得声源方向作为第二定位结果,所述第二波束的主瓣宽度小于所述第一波束的主瓣宽度;
针对整个所述麦克风阵列,结合所述第二定位结果,利用第三波束计算该频率对应的二维空间谱,所述第三波束的主瓣宽度小于所述第二波束的主瓣宽度。
14.根据权利要求13所述的鸣笛信号检测方法,其特征在于,确定所述第三波束的过程包括:
获取空间各个方向对应的阵列导向矢量,以及各个阵列导向矢量对应的权重,权重的大小与对应方向存在所述车辆的可能性的大小有关;
基于所述各个方向对应的阵列导向矢量以及所述各个阵列导向矢量对应的权重确定噪声相关矩阵;
基于所述噪声相关矩阵确定所述第三波束。
15.根据权利要求12所述的鸣笛信号检测方法,其特征在于,所述基于每组谐波频率对应的声源定位结果确定发出所述鸣笛信号的车辆的位置,包括:
当存在多组谐波频率时,基于每组谐波频率对应的时间起始点和声源定位结果,对所述多组谐波频率分别对应的声源定位结果进行分组,其中,一组谐波频率对应的时间起始点为检测到该组谐波频率对应的信号的时间起始点,一组声源定位结果对应一车辆;
对于每一组声源定位结果,基于该组声源定位结果确定该组声源定位结果对应的车辆的位置,以得到每一组声源定位结果对应的车辆的位置。
16.根据权利要求15所述的鸣笛信号检测方法,其特征在于,所述基于该组声源定位结果确定该组声源定位结果对应的车辆的位置,包括:
将该组声源定位结果中的各个声源定位结果进行加权平均,获得该组声源定位结果对应的车辆的初步定位结果;
将该组声源定位结果对应的车辆的初步定位结果和该组声源方向对应的车辆的历史初步定位结果进行拟合,基于拟合结果确定该组声源方向对应的车辆的位置。
17.一种鸣笛信号检测装置,其特征在于,包括:获取模块、预处理模块和检测模块;
所述获取模块,用于获取麦克风阵列采集的声音信号;
所述预处理模块,用于对所述声音信号进行预处理,预处理后的信号作为目标声音信号;
所述检测模块,用于利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别所述目标声音信号中是否存在所述鸣笛信号,其中,所述鸣笛信号判别规则根据所述鸣笛信号的特点设定。
18.根据权利要求17所述的鸣笛信号检测装置,其特征在于,所述麦克风阵列为非均匀麦克风阵列;
所述获取模块,具体用于获取所述非均匀麦克风阵列采集的声音信号。
19.根据权利要求17或18所述的鸣笛信号检测装置,其特征在于,还包括:定位模块;
所述定位模块,用于当所述检测模块检测出所述目标声音信号中存在所述鸣笛信号时,基于所述鸣笛信号的特点,通过所述目标声音信号,对发出所述鸣笛信号的车辆进行定位。
20.一种鸣笛信号检测设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,所述程序具体用于:
获取麦克风阵列采集的声音信号;
对所述声音信号进行预处理,预处理后的信号作为目标声音信号;
利用预先建立的鸣笛信号判别模型和/或预先设定的鸣笛信号判别规则,判别所述目标声音信号中是否存在所述鸣笛信号,其中,所述鸣笛信号判别规则根据所述鸣笛信号的特点设定。
21.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至16中任一项所述的鸣笛信号检测方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159847.9A CN109358317B (zh) | 2018-09-30 | 2018-09-30 | 一种鸣笛信号检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159847.9A CN109358317B (zh) | 2018-09-30 | 2018-09-30 | 一种鸣笛信号检测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109358317A true CN109358317A (zh) | 2019-02-19 |
CN109358317B CN109358317B (zh) | 2021-06-08 |
Family
ID=65348632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159847.9A Active CN109358317B (zh) | 2018-09-30 | 2018-09-30 | 一种鸣笛信号检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109358317B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110364175A (zh) * | 2019-08-20 | 2019-10-22 | 北京凌声芯语音科技有限公司 | 语音增强方法及系统、通话设备 |
CN110544384A (zh) * | 2019-09-28 | 2019-12-06 | 武汉飞创交通工程有限公司 | 一种交通车辆鸣笛声源定位系统 |
CN111161754A (zh) * | 2019-11-19 | 2020-05-15 | 南京理工大学 | 基于深度聚类的车辆鸣笛声分类方法及系统 |
CN114822030A (zh) * | 2022-04-26 | 2022-07-29 | 云知声智能科技股份有限公司 | 一种车辆鸣喇叭处理方法、装置、电子设备和存储介质 |
CN115188200A (zh) * | 2022-06-30 | 2022-10-14 | 广西中烟工业有限责任公司 | 一种车辆识别方法、装置、电子设备及存储介质 |
CN116990754A (zh) * | 2023-09-22 | 2023-11-03 | 海宁市微纳感知计算技术有限公司 | 一种鸣笛声源定位方法、装置、电子设备及可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421050A (zh) * | 2010-09-17 | 2012-04-18 | 三星电子株式会社 | 使用麦克风的非均匀布局来增强音频质量的设备和方法 |
CN102483926A (zh) * | 2009-07-27 | 2012-05-30 | Scti控股公司 | 在处理语音信号中通过把语音作为目标和忽略噪声以降噪的系统及方法 |
CN102930863A (zh) * | 2012-10-19 | 2013-02-13 | 河海大学常州校区 | 一种基于简化自适应内插加权谱模型的语音转换及重构方法 |
CN103426440A (zh) * | 2013-08-22 | 2013-12-04 | 厦门大学 | 利用能量谱熵空间信息的语音端点检测装置及其检测方法 |
CN105788591A (zh) * | 2014-10-15 | 2016-07-20 | 现代自动车株式会社 | 使用声音信号处理器来识别喇叭声的装置和方法 |
CN105810212A (zh) * | 2016-03-07 | 2016-07-27 | 合肥工业大学 | 一种复杂噪声环境下的列车鸣笛识别方法 |
EP2708912B1 (en) * | 2012-09-17 | 2017-09-06 | BlackBerry Limited | Localization of a wireless user equipment (UE) device based on audio encoded signals |
CN107144820A (zh) * | 2017-06-21 | 2017-09-08 | 歌尔股份有限公司 | 声源定位方法及装置 |
CN107797096A (zh) * | 2017-10-20 | 2018-03-13 | 电子科技大学 | 一种基于麦克风面阵的鸣笛检测定位方法 |
CN108062959A (zh) * | 2016-11-08 | 2018-05-22 | 杭州海康威视数字技术股份有限公司 | 一种声音降噪方法及装置 |
CN108375763A (zh) * | 2018-01-03 | 2018-08-07 | 北京大学 | 一种应用于多声源环境的分频定位方法 |
CN108417036A (zh) * | 2018-05-07 | 2018-08-17 | 北京中电慧声科技有限公司 | 智能交通系统中车辆鸣笛声源定位方法及装置 |
-
2018
- 2018-09-30 CN CN201811159847.9A patent/CN109358317B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102483926A (zh) * | 2009-07-27 | 2012-05-30 | Scti控股公司 | 在处理语音信号中通过把语音作为目标和忽略噪声以降噪的系统及方法 |
CN102421050A (zh) * | 2010-09-17 | 2012-04-18 | 三星电子株式会社 | 使用麦克风的非均匀布局来增强音频质量的设备和方法 |
EP2708912B1 (en) * | 2012-09-17 | 2017-09-06 | BlackBerry Limited | Localization of a wireless user equipment (UE) device based on audio encoded signals |
CN102930863A (zh) * | 2012-10-19 | 2013-02-13 | 河海大学常州校区 | 一种基于简化自适应内插加权谱模型的语音转换及重构方法 |
CN103426440A (zh) * | 2013-08-22 | 2013-12-04 | 厦门大学 | 利用能量谱熵空间信息的语音端点检测装置及其检测方法 |
CN105788591A (zh) * | 2014-10-15 | 2016-07-20 | 现代自动车株式会社 | 使用声音信号处理器来识别喇叭声的装置和方法 |
CN105810212A (zh) * | 2016-03-07 | 2016-07-27 | 合肥工业大学 | 一种复杂噪声环境下的列车鸣笛识别方法 |
CN108062959A (zh) * | 2016-11-08 | 2018-05-22 | 杭州海康威视数字技术股份有限公司 | 一种声音降噪方法及装置 |
CN107144820A (zh) * | 2017-06-21 | 2017-09-08 | 歌尔股份有限公司 | 声源定位方法及装置 |
CN107797096A (zh) * | 2017-10-20 | 2018-03-13 | 电子科技大学 | 一种基于麦克风面阵的鸣笛检测定位方法 |
CN108375763A (zh) * | 2018-01-03 | 2018-08-07 | 北京大学 | 一种应用于多声源环境的分频定位方法 |
CN108417036A (zh) * | 2018-05-07 | 2018-08-17 | 北京中电慧声科技有限公司 | 智能交通系统中车辆鸣笛声源定位方法及装置 |
Non-Patent Citations (5)
Title |
---|
FENG X等: "《Speech feature denoising and dereverberation via deep autoencoders for noisy reverberant speech recognition》", 《IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》 * |
JUN DU 等: "《Robust speech recognition with speech enhanced deep neural networks》", 《INTERSPEECH 2014》 * |
张志飞等: "《汽车喇叭声特性试验分析》", 《汽车工程学报》 * |
王智国等: "《远场语音识别方法研究》", 《信息技术与标准化》 * |
蒋翠清等: "《基于MFCC与改进ACF的汽车声音识别算法研究》", 《计算机技术与发展》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110364175A (zh) * | 2019-08-20 | 2019-10-22 | 北京凌声芯语音科技有限公司 | 语音增强方法及系统、通话设备 |
CN110544384A (zh) * | 2019-09-28 | 2019-12-06 | 武汉飞创交通工程有限公司 | 一种交通车辆鸣笛声源定位系统 |
CN110544384B (zh) * | 2019-09-28 | 2021-02-02 | 武汉飞创智慧科技有限公司 | 一种交通车辆鸣笛声源定位系统 |
CN111161754A (zh) * | 2019-11-19 | 2020-05-15 | 南京理工大学 | 基于深度聚类的车辆鸣笛声分类方法及系统 |
CN114822030A (zh) * | 2022-04-26 | 2022-07-29 | 云知声智能科技股份有限公司 | 一种车辆鸣喇叭处理方法、装置、电子设备和存储介质 |
CN114822030B (zh) * | 2022-04-26 | 2023-03-14 | 云知声智能科技股份有限公司 | 一种车辆鸣喇叭处理方法、装置、电子设备和存储介质 |
CN115188200A (zh) * | 2022-06-30 | 2022-10-14 | 广西中烟工业有限责任公司 | 一种车辆识别方法、装置、电子设备及存储介质 |
CN116990754A (zh) * | 2023-09-22 | 2023-11-03 | 海宁市微纳感知计算技术有限公司 | 一种鸣笛声源定位方法、装置、电子设备及可读存储介质 |
CN116990754B (zh) * | 2023-09-22 | 2023-12-22 | 海宁市微纳感知计算技术有限公司 | 一种鸣笛声源定位方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109358317B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109358317A (zh) | 一种鸣笛信号检测方法、装置、设备及可读存储介质 | |
US11398235B2 (en) | Methods, apparatuses, systems, devices, and computer-readable storage media for processing speech signals based on horizontal and pitch angles and distance of a sound source relative to a microphone array | |
CN105636197B (zh) | 距离估计方法和装置、以及节点定位方法和设备 | |
CN104136935B (zh) | 用于检测机动车周围环境中的对象的方法和装置 | |
CN109767769B (zh) | 一种语音识别方法、装置、存储介质及空调 | |
CN110031822A (zh) | 可用于激光雷达的噪点识别方法以及激光雷达系统 | |
US11346942B2 (en) | Target positioning device and method based on plecotus auritus double-pinna bionic sonar | |
CN110136745A (zh) | 一种基于卷积神经网络的汽车鸣笛识别方法 | |
RU2529441C1 (ru) | Способ обработки гидролокационной информации | |
CN104568113B (zh) | 一种基于模型的海洋声传播调查爆炸波自动截取方法 | |
CN109102819A (zh) | 一种啸叫检测方法及装置 | |
CN109559321A (zh) | 一种声呐图像分割方法和设备 | |
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN116338684A (zh) | 基于毫米波雷达与深度学习的人体跌倒检测方法及系统 | |
CN115630276A (zh) | 一种基于YOLOv5的雷达脉内调制类型快速识别方法 | |
Sinitsyn et al. | Determination of aircraft current location on the basis of its acoustic noise | |
CN117233706B (zh) | 一种基于多层通道注意力机制的雷达有源干扰识别方法 | |
CN110361695A (zh) | 分置式声源定位系统和方法 | |
CN109933933A (zh) | 一种噪声治理方法和设备 | |
CN105911546B (zh) | 一种海杂波的识别方法及装置 | |
KR101642084B1 (ko) | 다중 음원 국지화 기법을 이용한 얼굴 검출 장치 및 방법 | |
JP3871875B2 (ja) | 目標類別方法及び装置 | |
RU59842U1 (ru) | Устройство сейсмоакустического обнаружения и классификации движущихся объектов (варианты) | |
JP2023550434A (ja) | 改良型音響源測位法 | |
CN112130154A (zh) | 一种融合网格LOF的自适应K-means离群去约束优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |