CN110956977A - 一种汽车鸣笛实时定位系统及方法 - Google Patents

Abstract

本发明提供一种汽车鸣笛实时定位系统，包括麦克风阵列、带通滤波器、前置放大器和开发板，麦克风阵列和带通滤波器电性连接，带通滤波器和前置放大器电性连接，前置放大器和开发板电性连接，麦克风阵列用于获取外界声音信号并将该声音信号传输至带通滤波器滤除部分频段的噪声干扰，经过前置放大器完成信号放大过程后传输到开发板，开发板用于整体系统的电路控制和数据处理，开发板电性连接有视频采集单元和视频显示单元，视频采集单元用于进行拍摄获得定位声源云图，该定位声源云图通过视频显示单元进行结果显示。本发明能够有针对性地将鸣笛所处频段的声音进行保留，为后续放大、精细滤波、声源定位等提供数据保障。

Description

一种汽车鸣笛实时定位系统及方法

技术领域

本发明涉及车辆鸣笛监测技术领域，具体涉及一种汽车鸣笛实时定位系统及方法。

背景技术

随着车辆增多交通压力逐渐增大，面对交通拥堵、车辆行人抢道或其他原因，容易导致鸣笛现象。汽车鸣笛造成噪声污染，影响城市居民日常生活和夜间休息，成为困扰交管部门多年的难题。目前我国在《中华人民共和国道路交通安全法》《中华人民共和国环境噪声污染防治法》等，制定相关鸣笛违章处理办法，但是由于违规鸣喇叭取证难是治理噪声污染的困难所在，即缺少准确定位鸣笛车辆方法，不能对鸣喇叭的违规的行为及时进行取证，查处违法行为得不到证据支持，不能从根源上治理乱鸣笛现象。

此外，交通环境声音状况比较复杂，主要包括以下三种声音：汽车轮胎与地面摩擦的声音；汽车发动机、排气管、汽车传动系统的声音；汽车喇叭、风阻和刹车、减速带及承载物撞击引起的车辆振动的声音。实际环境中三种声音混合在一起，加之道路上车辆、种类繁多，采集到的声音并不理想，欲定位鸣笛车辆，需要滤除其他的噪声干扰，才能准确地提取出鸣笛声纹特征。

为满足定位鸣笛车辆的取证需求，维护居民等日常生活，需要一种能够确保实时定位、具有较高准确性与鲁棒性的鸣笛车辆定位技术。本发明提出了一种基于深度学习与改进SRC-PHAT算法的车辆鸣笛定位方法，该方法主要针对车辆在禁鸣笛区域鸣笛，定位违规车辆位置方式上的创新，采用深度学习与改进SRC-PHAT算法结合的方式。

发明内容

有鉴于此，本发明要解决的问题是提供一种汽车鸣笛实时定位系统以及一种受外界噪声环境因素影响小、定位速度快、识别率高的车辆鸣笛定位方法，使用深度学习自编码器对采集到的声音进行消噪，降低环境中复杂噪声对汽车笛声的混淆所带来的不利影响，从而提高定位算法精度。

为解决上述技术问题，本发明采用的技术方案是：一种汽车鸣笛实时定位系统，包括麦克风阵列、带通滤波器、前置放大器和开发板，所述麦克风阵列和所述带通滤波器电性连接，所述带通滤波器和所述前置放大器电性连接，所述前置放大器和所述开发板电性连接，所述麦克风阵列用于获取外界声音信号并将该声音信号传输至所述带通滤波器滤除部分频段的噪声干扰，经过所述前置放大器完成信号放大过程后传输到所述开发板，所述开发板用于整体系统的电路控制和数据处理，所述开发板电性连接有视频采集单元和视频显示单元，所述视频采集单元用于进行拍摄获得定位声源云图，该定位声源云图通过所述视频显示单元进行结果显示。

在本发明中，优选地，所述带通滤波器包括二阶低通滤波器和二阶高通滤波器，所述二阶低通滤波器通过电阻R1与所述麦克风阵列的声频输入端口相连，所述二阶低通滤波器通过电容C3和电容C4与所述二阶高通滤波器相连，所述二阶高通滤波器和所述麦克风阵列的声频输出端口相连。

在本发明中，优选地，所述二阶低通滤波器包括第一双运算放大器，所述第一双运算放大器的正向输入端通过电阻R2、电容C2与所述第一双运算放大器的输出端相连，所述电阻R1和所述电阻R2串联，所述第一双运算放大器的正向输入端通过电容C1接地，所述第一双运算放大器的正向输入端通过电阻R2和电阻R3接地，所述第一双运算放大器的反向输入端通过电阻R4接地，且所述第一双运算放大器的反向输入端通过电阻R5和所述第一双运算放大器的输出端相连。

在本发明中，优选地，所述二阶高通滤波器包括第二双运算放大器，所述第二双运算放大器的正向输入端通过电阻R6接地，所述第二双运算放大器的正向输入端通过电阻R7和所述第二双运算放大器的输出端相连，所述第二双运算放大器的反向输入端通过电阻R8和所述第二双运算放大器的输出端相连，所述第二双运算放大器的输出端通过电阻R8和电阻R9接地，所述第二双运算放大器的输出端和所述麦克风阵列的声频输出端口相连。

在本发明中，优选地，所述第一双运算放大器的型号设置为LM358AD，所述第二双运算放大器的型号设置为LM358AD。

在本发明中，优选地，所述前置放大器包括第一信号放大器和第二信号放大器，所述第一信号放大器的正向输入端通过电阻R12外接有信号输入端子，所述第一信号放大器的输出端通过电阻R13和所述第二信号放大器的反向输入端相连，所述第二信号放大器的输出端外接有信号输出端子。

在本发明中，优选地，所述第一信号放大器的反向输入端通过电阻R11接地，所述第一信号放大器的反向输入端通过电容C11和所述第一信号放大器的输出端相连，所述电容C11两端并联有电阻R14，所述第二信号放大器的正向输入端通过电阻R15接地，所述第二信号放大器的反向输入端通过滑动变阻器P1和所述第二信号放大器的输出端相连。

在本发明中，优选地，所述视频采集单元的AVDD端口外接有磁珠，所述视频采集单元的SIO_C端口和所述开发板的I2C_SDA端口相连，所述视频采集单元的SIO_D端口和所述开发板的I2C_SCA端口相连，所述视频采集单元的XCLK端口和所述开发板的SENSE_CLK端口相连。

在本发明中，优选地，所述开发板的型号设置为HI3516DV300，所述开发板通过外接串口与所述前置放大器相连，所述开发板外接有MIPI屏接口，所述开发板通过所述MIPI屏接口和所述视频显示单元相连，所述开发板外接有以太网口和电源接口。

在本发明中，优选地，一种汽车鸣笛实时定位方法，包括以下步骤：

步骤(1)：首先利用带通滤波器对采集的声音信号进行粗滤波；

步骤(2)：经过粗滤波后的语音信号，采用深度学习降噪自编码器进一步提取鸣笛声纹信息，选用LSTM提取信号的时序信息，使用Keras深度学习框架训练模型；

步骤(3)：将提取的鸣笛声纹信息进行交叠分段加窗处理；

步骤(4)：进行短时过零率分析；

步骤(5)：结合结果以及环境因素，设定合适的阈值V，判断当前是否存在鸣笛，当结果大于阈值时，当前有鸣笛发生，进行下一步声源定位；否则，没有发生鸣笛，不进行声源定位，返回到步骤(3)；

步骤(6)：当判断有车辆违规鸣笛时，采用SRC-PHAT声源定位算法进行准确的声源定位；

所述步骤(6)的SRC-PHAT声源定位算法包括以下步骤：

步骤(6-1)：初始化变量：声速、麦克风阵列个数n；

步骤(6-2)：利用GCC-PHAT算法，对声源进行粗定位；

步骤(6-3)：将定位区域划分网格，分别计算每个网格区域对应的SRP-PHAT值；

所述步骤(6-3)包括以下步骤：

步骤(6-3-1)：计算各网格点到各阵元之间的到达时间差；

步骤(6-3-2)：根据各到达时间差，获取所述步骤(6-2)求得的GCC-PHAT值；

步骤(6-3-3)：将所有阵元所对应的GCC-PHAT值进行求和，得到该网格点的SRP-PHAT值；

步骤(6-4)：将SRP-PHAT按降序排列，选取前m个值，根据其对应的网格范围，收敛搜索区域，若未找到全局最优值，则转至步骤(6-3)；否则，停止搜索，得到声源的位置。

本发明具有的优点和积极效果是：

(1)通过带通滤波器包括二阶低通滤波器和二阶高通滤波器，二阶低通滤波器和二阶高通滤波器构成四阶巴特沃斯带通滤波器，能够有针对性地将鸣笛所处频段的声音进行保留，并且初步地滤除非此频段的噪声干扰，为后续放大、精细滤波、声源定位等提供数据保障。

(2)通过设置前置放大器，前置放大器完成信号放大过程后传输到开发板，采集到的微弱鸣笛信号经过放大后，更易于处理并且保证定位的准确性。考虑到不同环境信号的干扰可能有所不同，放大器具有可调增益的功能，扩大了系统的应用范围。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的一种汽车鸣笛实时定位系统的整体结构图；

图2是本发明的一种汽车鸣笛实时定位系统的带通滤波器的电路原理图；

图3是本发明的一种汽车鸣笛实时定位系统的前置放大器的电路原理图；

图4是本发明的一种汽车鸣笛实时定位系统的视频采集单元的电路原理图；

图5是本发明的一种汽车鸣笛实时定位方法的声源定位场景示意图；

图6是本发明的一种汽车鸣笛实时定位方法的麦克风阵列各阵元坐标三维图；

图7是本发明的一种汽车鸣笛实时定位方法的整体流程图；

图8是本发明的一种汽车鸣笛实时定位方法的声源在(13，7，0)位置处的定位云图。

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。

需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1至图8所示，本发明提供一种汽车鸣笛实时定位系统，包括麦克风阵列、带通滤波器、前置放大器和开发板，麦克风阵列和带通滤波器电性连接，带通滤波器和前置放大器电性连接，前置放大器和开发板电性连接，麦克风阵列用于获取外界声音信号并将该声音信号传输至带通滤波器滤除部分频段的噪声干扰，经过前置放大器完成信号放大过程后传输到开发板，开发板用于整体系统的电路控制和数据处理，开发板电性连接有视频采集单元和视频显示单元，视频采集单元用于进行拍摄获得定位声源云图，该定位声源云图通过视频显示单元进行结果显示。

在本实施例中，进一步地，带通滤波器包括二阶低通滤波器和二阶高通滤波器，二阶低通滤波器通过电阻R1与麦克风阵列的声频输入端口相连，二阶低通滤波器通过电容C3和电容C4与二阶高通滤波器相连，二阶高通滤波器和麦克风阵列的声频输出端口相连。

在本实施例中，进一步地，二阶低通滤波器包括第一双运算放大器，第一双运算放大器的正向输入端通过电阻R2、电容C2与第一双运算放大器的输出端相连，电阻R1和电阻R2串联，第一双运算放大器的正向输入端通过电容C1接地，第一双运算放大器的正向输入端通过电阻R2和电阻R3接地，第一双运算放大器的反向输入端通过电阻R4接地，且第一双运算放大器的反向输入端通过电阻R5和第一双运算放大器的输出端相连。

在本实施例中，进一步地，二阶高通滤波器包括第二双运算放大器，第二双运算放大器的正向输入端通过电阻R6接地，第二双运算放大器的正向输入端通过电阻R7和第二双运算放大器的输出端相连，第二双运算放大器的反向输入端通过电阻R8和第二双运算放大器的输出端相连，第二双运算放大器的输出端通过电阻R8和电阻R9接地，第二双运算放大器的输出端和麦克风阵列的声频输出端口相连。

在本实施例中，进一步地，第一双运算放大器的型号设置为LM358AD，第二双运算放大器的型号设置为LM358AD。

在本实施例中，进一步地，前置放大器包括第一信号放大器和第二信号放大器，第一信号放大器的正向输入端通过电阻R12外接有信号输入端子，第一信号放大器的输出端通过电阻R13和第二信号放大器的反向输入端相连，第二信号放大器的输出端外接有信号输出端子。

在本实施例中，进一步地，第一信号放大器的反向输入端通过电阻R11接地，第一信号放大器的反向输入端通过电容C11和第一信号放大器的输出端相连，电容C11两端并联有电阻R14，第二信号放大器的正向输入端通过电阻R15接地，第二信号放大器的反向输入端通过滑动变阻器P1和第二信号放大器的输出端相连。

在本实施例中，进一步地，视频采集单元的AVDD端口外接有磁珠，视频采集单元的SIO_C端口和开发板的I2C_SDA端口相连，视频采集单元的SIO_D端口和开发板的I2C_SCA端口相连，视频采集单元的XCLK端口和开发板的SENSE_CLK端口相连。为保证模拟电压稳定，在模拟电压AVDD端口外接有磁珠进行抗干扰。视频采集单元的SIO_C端口和开发板的I2C_SDA端口相连，视频采集单元的SIO_D端口和开发板的I2C_SCA端口相连，视频采集单元的XCLK端口和开发板的SENSE_CLK端口相连，从而实现视频采集单元和开发板之间的信号传输，XCLK端口作为传感器工作的输入时钟，此处由开发板分频后通过SENSE_CLK端口提供。

在本实施例中，进一步地，开发板的型号设置为HI3516DV300，开发板通过外接串口与前置放大器相连，开发板外接有MIPI屏接口，开发板通过MIPI屏接口和视频显示单元相连，开发板外接有以太网口和电源接口。

一种汽车鸣笛实时定位方法，包括以下步骤：

利用MatLab建立仿真环境如图5所示，大小60m*60m*60m空房间，麦克风阵列位于(0，7.5，6)处与z轴有一定夹角。定位范围为长50m、宽15m范围内的声源，即(1，*，0)～(50，*，0)。其中，麦克风阵列是50cm×50cm大小为36阵元的平面阵，如图6所示。按照一下具体流程具体实施，如图7所示。

步骤(1)：根据相关车辆鸣笛研究，鸣笛频率大约为1500Hz至3000Hz之间，首先使用数字带通滤波器对采集的声音信号进行粗滤波。

步骤(2)：语音信号经过粗滤波后，部分噪声可被滤除，但是直接用于声源定位，否则达不到要求的定位精度。因此，采用深度学习降噪自编码器进一步提取鸣笛声纹信息。由于声音信号为时序信号，选用LSTM(长短期记忆网络)提取信号的时序信息，使用Keras深度学习框架训练模型。网络模型共包含七层，其中包括编码器三层、解码器四层。

步骤(3)：将提取的鸣笛声纹信息进行交叠分段加窗处理，每次取0.1s长语音信号，交叠宽度取0.02s。

如式(1)所示，其中x(m)为语音信号，S_n为截取的语音信号，w(n)为窗函数，N为窗函数的长度，该值与信号采样率、截取时长有关。

步骤(4)：进行短时过零率分析。

如上式(3)，其中，Z_n为信号的短时过零率。

步骤(5)：综合考虑模型结果以及环境因素，设定合适的阈值V，判断当前是否存在鸣笛。当结果大于阈值时，当前有鸣笛发生，进行下一步声源定位；否则，没有发生鸣笛，不进行声源定位，返回到步骤(3)。式子(4)为考虑阈值后的信号短时过零率。

步骤(6)：当判断有车辆违规鸣笛时，此步骤使用改进的SRC-PHAT声源定位算法进行准确的声源定位。

所述步骤(6)包括以下步骤：

步骤(6-1)：初始化变量：声速、麦克风阵列个数n等。

步骤(6-2)：利用GCC-PHAT算法，对声源进行粗定位。根据式(5)计算n个阵元接收信号x₁(m)、x₂(m)…x_n(m+τ)的广义互相关函数。结合式(6)、式(7)求得信号的GCC-PHAT值。

R(τ)＝E[x(m)x(m+τ)] ⑸

步骤(6-3)：将定位区域划分网格，分别计算每个网格区域对应的SRP-PHAT值。

其中步骤(6-3)包括以下步骤：

步骤(6-3-1)：计算各网格点到各阵元之间的到达时间差。

步骤(6-3-2)：根据各到达时间差，获取对应步骤(6-2)求得的GCC-PHAT值。

步骤(6-3-3)：将所有阵元所对应的GCC-PHAT值进行求和，得到该网格点的SRP-PHAT值。

步骤(6-4)：将SRP-PHAT按降序排列，选取前m个值，根据其对应的网格范围，收敛搜索区域，若未找到全局最优值，则转至步骤(6-3)；否则，停止搜索，得到声源的位置。图8为声源在(13，7，0)位置处的定位云图。

本发明的工作原理和工作过程如下：工作时，麦克风阵列获取外界声音信号，并将获取到的模拟外界声音信号传输至带通滤波器，带通滤波器包括二阶低通滤波器和二阶高通滤波器，二阶低通滤波器和二阶高通滤波器组成四阶巴特沃斯带通滤波器，由于交通环境的复杂性，麦克风阵列提取到的鸣笛，受到外界各频段噪声干扰。根据车辆鸣笛音频分析，汽车鸣笛的频段处于1500Hz至3000Hz之间，巴特沃斯响应可以最大化优化滤波器的通带平坦度。麦克风阵列采集的声频信号由麦克风阵列的声频输入端口输入，分别经过二阶低通滤波器和二阶高通滤波器，滤波后的结果经由麦克风阵列的声频输出端口输出，第一双运算放大器的型号设置为LM358AD，第二双运算放大器的型号设置为LM358AD，第一双运算放大器的正向输入端通过电阻R2、电容C2与第一双运算放大器的输出端相连，电阻R1和电阻R2串联，第一双运算放大器的正向输入端通过电容C1接地，第一双运算放大器的正向输入端通过电阻R2和电阻R3接地，第一双运算放大器的反向输入端通过电阻R4接地，且第一双运算放大器的反向输入端通过电阻R5和第一双运算放大器的输出端相连，第二双运算放大器的正向输入端通过电阻R6接地，第二双运算放大器的正向输入端通过电阻R7和第二双运算放大器的输出端相连，第二双运算放大器的反向输入端通过电阻R8和第二双运算放大器的输出端相连，第二双运算放大器的输出端通过电阻R8和电阻R9接地，第二双运算放大器的输出端和麦克风阵列的声频输出端口相连，第一双运算放大器和第二双运算放大器的第四引脚和第八引脚分别接有-5V电压和+5V电压，LM358AD具有精度高的优点。滤除部分频段的噪声或非汽车鸣笛声源干扰然后经过前置放大器，前置放大器包括第一信号放大器和第二信号放大器，第一信号放大器的正向输入端通过电阻R12外接有信号输入端子，第一信号放大器的输出端通过电阻R13和第二信号放大器的反向输入端相连，第二信号放大器的输出端外接有信号输出端子，音频信号经带通滤波电路后，部分高、低频段的噪声被滤除，信号仍然比较微弱需要进行放大。放大电路需要具备低噪声、可调增益、频带适宜等特点。在此部分采用前置放大器对信号进行前置放大，高端运算放大器OPA4228对信号进行前置放大。信号输入端子将信号通过R2输入至第一信号放大器中，考虑抑制到运放的共模干扰作用，OPA4228运放两个引脚处的电阻基本保持平衡，将反馈电容C11与反馈电阻R13并联，保证运放工作稳定，滑动变阻器P1能够动态调节整个放大电路增益，最终放大信号经信号输出端子输出，经放大后的电路信号传入开发板中，开发板中预先存储用于信号滤波的线下模型，能够提高信号信噪比的同时滤除非汽车鸣笛的音频信号，此外开发板用于整体电路控制以及数据处理，此部分首先进行信号过零率检查，当鸣笛音频信号存在时，启动声源定位程序，并控制视频采集单元进行拍摄，视频采集单元采用高清摄像头，视频显示单元采用的是液晶显示器，最终的定位声源云图通过视频显示单元进行结果显示。

本发明采用深度学习与声源定位算法相结合的方式，与现有技术相比具有以下优点：1.定位速度快：车辆鸣笛对于算法的实时性要求较高，因此本方法在计算复杂度等方面综合考虑，在满足定位精度的前提上，尽可能的降低算法复杂度，实现鸣笛车辆实时定位；2.精度高：方法定位误差在一米以内，满足车辆在横向、纵向上的分辨精度要求；3.可靠性强：本方法采用训练深度学习降噪自编码网络，能消除鸣笛以外的其它噪声干扰，使得声源定位算法能够根据提取到的纯净的鸣笛声音进行定位，从根本上提高了声源定位结果的可靠性。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。

Claims (10)

1.一种汽车鸣笛实时定位系统，其特征在于，包括麦克风阵列、带通滤波器、前置放大器和开发板，所述麦克风阵列和所述带通滤波器电性连接，所述带通滤波器和所述前置放大器电性连接，所述前置放大器和所述开发板电性连接，所述麦克风阵列用于获取外界声音信号并将该声音信号传输至所述带通滤波器滤除部分频段的噪声干扰，经过所述前置放大器完成信号放大过程后传输到所述开发板，所述开发板用于整体系统的电路控制和数据处理，所述开发板电性连接有视频采集单元和视频显示单元，所述视频采集单元用于进行拍摄获得定位声源云图，该定位声源云图通过所述视频显示单元进行结果显示。

2.根据权利要求1所述的一种汽车鸣笛实时定位系统，其特征在于，所述带通滤波器包括二阶低通滤波器和二阶高通滤波器，所述二阶低通滤波器通过电阻R1与所述麦克风阵列的声频输入端口相连，所述二阶低通滤波器通过电容C3和电容C4与所述二阶高通滤波器相连，所述二阶高通滤波器和所述麦克风阵列的声频输出端口相连。

3.根据权利要求2所述的一种汽车鸣笛实时定位系统，其特征在于，所述二阶低通滤波器包括第一双运算放大器，所述第一双运算放大器的正向输入端通过电阻R2、电容C2与所述第一双运算放大器的输出端相连，所述电阻R1和所述电阻R2串联，所述第一双运算放大器的正向输入端通过电容C1接地，所述第一双运算放大器的正向输入端通过电阻R2和电阻R3接地，所述第一双运算放大器的反向输入端通过电阻R4接地，且所述第一双运算放大器的反向输入端通过电阻R5和所述第一双运算放大器的输出端相连。

4.根据权利要求3所述的一种汽车鸣笛实时定位系统，其特征在于，所述二阶高通滤波器包括第二双运算放大器，所述第二双运算放大器的正向输入端通过电阻R6接地，所述第二双运算放大器的正向输入端通过电阻R7和所述第二双运算放大器的输出端相连，所述第二双运算放大器的反向输入端通过电阻R8和所述第二双运算放大器的输出端相连，所述第二双运算放大器的输出端通过电阻R8和电阻R9接地，所述第二双运算放大器的输出端和所述麦克风阵列的声频输出端口相连。

5.根据权利要求4所述的一种汽车鸣笛实时定位系统，其特征在于，所述第一双运算放大器的型号设置为LM358AD，所述第二双运算放大器的型号设置为LM358AD。

6.根据权利要求1所述的一种汽车鸣笛实时定位系统，其特征在于，所述前置放大器包括第一信号放大器和第二信号放大器，所述第一信号放大器的正向输入端通过电阻R12外接有信号输入端子，所述第一信号放大器的输出端通过电阻R13和所述第二信号放大器的反向输入端相连，所述第二信号放大器的输出端外接有信号输出端子。

7.根据权利要求6所述的一种汽车鸣笛实时定位系统，其特征在于，所述第一信号放大器的反向输入端通过电阻R11接地，所述第一信号放大器的反向输入端通过电容C11和所述第一信号放大器的输出端相连，所述电容C11两端并联有电阻R14，所述第二信号放大器的正向输入端通过电阻R15接地，所述第二信号放大器的反向输入端通过滑动变阻器P1和所述第二信号放大器的输出端相连。

8.根据权利要求1所述的一种汽车鸣笛实时定位系统，其特征在于，所述视频采集单元的AVDD端口外接有磁珠，所述视频采集单元的SIO_C端口和所述开发板的I2C_SDA端口相连，所述视频采集单元的SIO_D端口和所述开发板的I2C_SCA端口相连，所述视频采集单元的XCLK端口和所述开发板的SENSE_CLK端口相连。

9.根据权利要求1所述的一种汽车鸣笛实时定位系统，其特征在于，所述开发板的型号设置为HI3516DV300，所述开发板通过外接串口与所述前置放大器相连，所述开发板外接有MIPI屏接口，所述开发板通过所述MIPI屏接口和所述视频显示单元相连，所述开发板外接有以太网口和电源接口。

10.一种汽车鸣笛实时定位方法，其特征在于，所述汽车鸣笛实时定位方法采用如权利要求1-9中任一项所述的汽车鸣笛实时定位系统，包括以下步骤：

步骤(1)：首先利用带通滤波器对采集的声音信号进行粗滤波；

步骤(2)：经过粗滤波后的语音信号，采用深度学习降噪自编码器进一步提取鸣笛声纹信息，选用LSTM提取信号的时序信息，使用Keras深度学习框架训练模型；

步骤(3)：将提取的鸣笛声纹信息进行交叠分段加窗处理；

步骤(4)：进行短时过零率分析；

步骤(5)：结合结果以及环境因素，设定合适的阈值V，判断当前是否存在鸣笛，当结果大于阈值时，当前有鸣笛发生，进行下一步声源定位；否则，没有发生鸣笛，不进行声源定位，返回到步骤(3)；

步骤(6)：当判断有车辆违规鸣笛时，采用SRC-PHAT声源定位算法进行准确的声源定位；

所述步骤(6)的SRC-PHAT声源定位算法包括以下步骤：

步骤(6-1)：初始化变量：声速、麦克风阵列个数n；

步骤(6-2)：利用GCC-PHAT算法，对声源进行粗定位；

步骤(6-3)：将定位区域划分网格，分别计算每个网格区域对应的SRP-PHAT值；

所述步骤(6-3)包括以下步骤：

步骤(6-3-1)：计算各网格点到各阵元之间的到达时间差；

步骤(6-3-2)：根据各到达时间差，获取所述步骤(6-2)求得的GCC-PHAT值；

步骤(6-3-3)：将所有阵元所对应的GCC-PHAT值进行求和，得到该网格点的SRP-PHAT值；

步骤(6-4)：将SRP-PHAT按降序排列，选取前m个值，根据其对应的网格范围，收敛搜索区域，若未找到全局最优值，则转至步骤(6-3)；否则，停止搜索，得到声源的位置。

Images