CN111445926A - 一种基于声音的农村道路交通事故警情识别方法 - Google Patents

一种基于声音的农村道路交通事故警情识别方法 Download PDF

Info

Publication number
CN111445926A
CN111445926A CN202010251147.3A CN202010251147A CN111445926A CN 111445926 A CN111445926 A CN 111445926A CN 202010251147 A CN202010251147 A CN 202010251147A CN 111445926 A CN111445926 A CN 111445926A
Authority
CN
China
Prior art keywords
sound
classification model
traffic accident
training
cnn network
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
Application number
CN202010251147.3A
Other languages
English (en)
Other versions
CN111445926B (zh
Inventor
俞一奇
邱彦林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Xujian Science And Technology Co ltd
Original Assignee
Hangzhou Xujian Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Xujian Science And Technology Co ltd filed Critical Hangzhou Xujian Science And Technology Co ltd
Priority to CN202010251147.3A priority Critical patent/CN111445926B/zh
Publication of CN111445926A publication Critical patent/CN111445926A/zh
Application granted granted Critical
Publication of CN111445926B publication Critical patent/CN111445926B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L2025/783—Detection of presence or absence of voice signals based on threshold decision

Abstract

本发明提出一种基于声音的农村道路交通事故警情的识别方法，包括如下步骤：利用麦克风采集道路上的声音信号，人为听取上述获取的声音片段并分类，将正负样本数据集分别随机划分为训练数据集和测试数据集，构建一维CNN网络分类模型；训练构建的CNN网络分类模型；将训练好的CNN网络分类模型部署到嵌入式设备中，部署框架采用腾讯开源的ncnn神经网络推理框架；将检测装置安装在实际道路环境中运行,分析实时音频流，检测是否有疑似交通事故警情发生；而本发明中采用麦克风自动识别交通事故警情，则能够大大降低成本、覆盖面广，且系统能长期稳定运行并高度智能化。

Description

一种基于声音的农村道路交通事故警情识别方法
技术领域
本发明涉及道路交通安全领域，具体涉及一种基于声音的农村道路交通事故警情的识别方法。
背景技术
随着农村经济发展和居民生活水平的提高，农村车辆也在迅猛增长，随之而来的是道路事故的增加。由于农村地区地广人稀，当发生严重交通事故时，可能当事人已经受伤且周围没有路过群众，因此往往不能第一时间向外报警而耽搁救援。当前监控道路的主要设施为摄像头，但摄像头成本较高，一般部署在路口等重要路段；且需要有后台人员不间断查看，人力成本较高；另还存在监控死角等问题。
随着人工智能和语音识别技术的发展，通过声音自动识别道路交通事故警情的发生已成为可能。此外，用于采集声音信号的麦克风设备成本较低，可以大面积铺设。因此，该方法既降低了人力成本又降低了设备成本，具有重要的安全和经济效益。
发明内容
有鉴于此，本发明提出一种基于声音的农村道路交通事故警情的识别方法，发生严重交通事故时一般都伴随大音量的碰撞声及尖锐的刹车声，麦克风会持续采集周围道路声音，当自动识别算法检测到此类声音时便自动发送消息给后台人员；后台人员可以播放截取的录音片段或是查看周围监控确认是否有事故发生并处理。
为实现上述目的，本发明提供如下技术方案：一种基于声音的农村道路交通事故警情识别方法，其特征在于，包括如下步骤：
步骤（1）：利用麦克风采集道路上的声音信号，并采用门限阈值法提取大于预设强度阈值的声音片段，声音强度的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 192979DEST_PATH_IMAGE002
为t时刻归一化后的声音大小值，当检测到某一时刻
Figure DEST_PATH_IMAGE003
的值大于阈值0.2时认为有声音发生，当
Figure 179390DEST_PATH_IMAGE004
的值小于阈值0.1时认为正在发生的声音结束，截取t 0 ~t 1 的声音片段并保存成波形文件（.wav）格式；
步骤（2）：人为听取上述步骤（1）获取的声音片段并分为正负两类：正类为含有碰撞声和刹车声的警情声音片段，负类为包含其它声音的声音片段；
步骤（3）：将正负样本数据集分别随机划分为训练数据集和测试数据集，其中测试集占20%；
步骤（4）：构建一维CNN网络分类模型；
（4.1）、CNN网络分类模型的网络结构图如图2所示，输入为固定长度的一维信号，长度大小为24000，要求麦克风的采样频率为8KHz，采样时长为3s整。若声音片段的时长小于3s，则补零操作；若大于3s，则滑窗切分为多个3s片段，最后不足3s的补足；
（4.2）、CNN网络分类模型的主干网络使用6次一维卷积操作，并在每一次卷积操作后都加入了归一化和激活操作，使得网络的泛化能力更强。同时设置每次卷积操作的滑步为4，因此每次卷积操作输出的长度为输入的1/4；
（4.3）、经过6次卷积操作后，信号的输出尺度为1024×6，通过尺度重塑：进行收尾相接，由二维变为一维，长度变为6144；再经过2个全连接层并作逻辑回归后得到最终的输出结果；输出结果的长度为2（[y 0 ,y 1 ]），其中y 0 和y 1 这2个值分别代表正负两类的概率值；
步骤（5）：训练步骤（4）构建的CNN网络分类模型；
（5.1）、将训练样本分批次输入到CNN网络分类模型中；
（5.2）、训练过程中，将模型输出的正负类别概率值与之前标注的结果（正类为[1,0],负类为[0,1]）计算损失函数，采用随机梯度下降法不断更新模型参数，损失函数如下所示：
Figure DEST_PATH_IMAGE005
；
其中，
Figure 813634DEST_PATH_IMAGE006
为模型待优化的参数，N为每一批训练样本的数量；当c=k时，
Figure DEST_PATH_IMAGE007
为1，否则为0。
Figure 176482DEST_PATH_IMAGE008
为输出的第k类概率值；
（5.3）、经过大量迭代训练后，CNN网络分类模型输出的loss值收敛到较低；之后，每一轮迭代训练完成后，在测试集上对模型进行测试；若测试准确率（测试集上正确判断正负样本的数量占测试集总数的百分比）超过90%，则完成了整个训练过程，若测试精度没有达到要求，则回到步骤（5.1），继续训练；
步骤（6）：将训练好的CNN网络分类模型部署到嵌入式设备中，部署框架采用腾讯开源的ncnn神经网络推理框架。
步骤（7）：将检测装置安装在实际道路环境中运行,分析实时音频流，检测是否有疑似交通事故警情发生，流程如图3所示。
（7.1）、通过麦克风获取实时音频流数据，利用门限阈值法截取声音片段，并切分或补齐到24000的长度大小；
（7.2）、将处理后的声音信号输入到CNN网络分类模型中，直接输出得到对应正负类概率值；
（7.3）、判断正类（疑似警情）的概率值是否大于阈值0.9，若是，保存录音并发出告警；若否，继续检测。
其中本发明中所需要的检测装置，包括麦克风和嵌入式设备，麦克风用于采集周围道路声音信号，嵌入式设备内置交通事故声音识别算法并负责程序的整体控制及后台的双向数据传输。
与现有技术相比，本发明的有益效果为：
针对当前还没有有效的针对农村道路交通事故警情的自动识别方法，利用摄像头监控虽然能在一定程度上缓解上述问题，但其成本较高、数量有限，还需要人员不间断地关注。而本发明中采用麦克风自动识别交通事故警情，则能够大大降低成本、覆盖面广，且系统能长期稳定运行并高度智能化。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中提供的一种基于声音的农村道路交通事故警情识别方法的整体流程图；
图2为本发明实施例中提供的CNN模型构建的结构示意图；
图3为本发明实施例中提供的识别单个声音片段是否为疑似警情的流程图。
具体实施方式
下面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，都属于本发明的保护范围。
本发明实施例中提供的一种基于声音的农村道路交通事故警情识别方法的整体流程图，如图1所示，包括如下步骤：
步骤（1）：利用麦克风采集道路上的声音信号，并采用门限阈值法提取大于预设强度阈值的声音片段，声音强度的计算公式为：
Figure 743729DEST_PATH_IMAGE001
其中，
Figure 697779DEST_PATH_IMAGE002
为t时刻归一化后的声音大小值，当检测到某一时刻
Figure 288160DEST_PATH_IMAGE003
的值大于阈值0.2时认为有声音发生，当
Figure 251437DEST_PATH_IMAGE004
的值小于阈值0.1时认为正在发生的声音结束，截取t 0 ~t 1 的声音片段并保存成波形文件（.wav）格式；
步骤（2）：人为听取上述步骤（1）获取的声音片段并分为正负两类：正类为含有碰撞声和刹车声的警情声音片段，负类为包含其它声音的声音片段；
步骤（3）：将正负样本数据集分别随机划分为训练数据集和测试数据集，其中测试集占20%；
步骤（4）：构建一维CNN网络分类模型；
（4.1）、CNN网络分类模型的网络结构图如图2所示，输入为固定长度的一维信号，长度大小为24000，要求麦克风的采样频率为8KHz，采样时长为3s整。若声音片段的时长小于3s，则补零操作；若大于3s，则滑窗切分为多个3s片段，最后不足3s的补足；
（4.2）、CNN网络分类模型的主干网络使用6次一维卷积操作，并在每一次卷积操作后都加入了归一化和激活操作，使得网络的泛化能力更强。同时设置每次卷积操作的滑步为4，因此每次卷积操作输出的长度为输入的1/4；
（4.3）、经过6次卷积操作后，信号的输出尺度为1024×6，通过尺度重塑：进行收尾相接，由二维变为一维，长度变为6144；再经过2个全连接层并作逻辑回归后得到最终的输出结果；输出结果的长度为2（[y 0 ,y 1 ]），其中y 0 和y 1 这2个值分别代表正负两类的概率值；
步骤（5）：训练步骤（4）构建的CNN网络分类模型；
（5.1）、将训练样本分批次输入到CNN网络分类模型中；
（5.2）、训练过程中，将模型输出的正负类别概率值与之前标注的结果（正类为[1,0],负类为[0,1]）计算损失函数，采用随机梯度下降法不断更新模型参数，损失函数如下所示：
Figure 876453DEST_PATH_IMAGE005
；
其中，
Figure 1404DEST_PATH_IMAGE006
为模型待优化的参数，N为每一批训练样本的数量；当c=k时，
Figure 875819DEST_PATH_IMAGE007
为1，否则为0。
Figure 518153DEST_PATH_IMAGE008
为输出的第k类概率值；
（5.3）、经过大量迭代训练后，CNN网络分类模型输出的loss值收敛到较低；之后，每一轮迭代训练完成后，在测试集上对模型进行测试；若测试准确率（测试集上正确判断正负样本的数量占测试集总数的百分比）超过90%，则完成了整个训练过程，若测试精度没有达到要求，则回到步骤（5.1），继续训练；
步骤（6）：将训练好的CNN网络分类模型部署到嵌入式设备中，部署框架采用腾讯开源的ncnn神经网络推理框架；
步骤（7）：将检测装置安装在实际道路环境中运行,分析实时音频流，检测是否有疑似交通事故警情发生，流程如图3所示。
（7.1）、通过麦克风获取实时音频流数据，利用门限阈值法截取声音片段，并切分或补齐到24000的长度大小；
（7.2）、将处理后的声音信号输入到CNN网络分类模型中，直接输出得到对应正负类概率值；
（7.3）、判断正类（疑似警情）的概率值是否大于阈值0.9，若是，保存录音并发出告警；若否，继续检测。
需要说明的是，在本文中，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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想，以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。

Claims (4)

1.一种基于声音的农村道路交通事故警情识别方法，其特征在于，包括如下步骤：
步骤（1）：利用麦克风采集道路上的声音信号，并采用门限阈值法提取大于预设强度阈值的声音片段，声音强度的计算公式为：
Figure 909530DEST_PATH_IMAGE001
其中，
Figure 491821DEST_PATH_IMAGE002
为t时刻归一化后的声音大小值，当检测到某一时刻
Figure 682631DEST_PATH_IMAGE003
的值大于阈值0.2时认为有声音发生，当
Figure 234835DEST_PATH_IMAGE004
的值小于阈值0.1时认为正在发生的声音结束，截取t 0 ~t 1 的声音片段并保存成波形文件格式；
步骤（2）：人为听取上述步骤（1）获取的声音片段并分为正负两类：正类为含有碰撞声和刹车声的警情声音片段，负类为包含其它声音的声音片段；
步骤（3）：将正负样本数据集分别随机划分为训练数据集和测试数据集，其中测试集占20%；
步骤（4）：构建一维CNN网络分类模型；
步骤（5）：训练步骤（4）构建的CNN网络分类模型；
步骤（6）：将训练好的CNN网络分类模型部署到嵌入式设备中，部署框架采用腾讯开源的ncnn神经网络推理框架；
步骤（7）：将检测装置安装在实际道路环境中运行,分析实时音频流，检测是否有疑似交通事故警情发生。
2.根据权利要求1中所述的一种基于声音的农村道路交通事故警情识别方法，其特征在于，在步骤（4）中构建一维CNN网络分类模型的具体流程如下：
（4.1）、输入为固定长度的一维信号，长度大小为24000，要求麦克风的采样频率为8KHz，采样时长为3s整；若声音片段的时长小于3s，则补零操作；若大于3s，则滑窗切分为多个3s片段，最后不足3s的补足；
（4.2）、CNN网络分类模型的主干网络使用6次一维卷积操作，并在每一次卷积操作后都加入了归一化和激活操作，使得网络的泛化能力更强；同时设置每次卷积操作的滑步为4，因此每次卷积操作输出的长度为输入的1/4；
（4.3）、经过6次卷积操作后，信号的输出尺度为1024×6，通过尺度重塑：进行收尾相接，由二维变为一维，长度变为6144；再经过2个全连接层并作逻辑回归后得到最终的输出结果；输出结果的长度为2（[y 0 ,y 1 ]），其中y 0 和y 1 这2个值分别代表正负两类的概率值。
3.根据权利要求1中所述的一种基于声音的农村道路交通事故警情识别方法，其特征在于，在步骤（5）中训练步骤（4）构建的CNN网络分类模型的具体流程如下：
（5.1）、将训练样本分批次输入到CNN网络分类模型中；
（5.2）、训练过程中，将模型输出的正负类别概率值与之前标注的结果计算损失函数，采用随机梯度下降法不断更新模型参数，损失函数如下所示：
Figure 765173DEST_PATH_IMAGE005
；
其中，
Figure 908579DEST_PATH_IMAGE006
为模型待优化的参数，N为每一批训练样本的数量；当c=k时，
Figure 789947DEST_PATH_IMAGE007
为1，否则为0，
Figure 145842DEST_PATH_IMAGE008
为输出的第k类概率值；
（5.3）、经过大量迭代训练后，CNN网络分类模型输出的loss值收敛到较低；之后，每一轮迭代训练完成后，在测试集上对模型进行测试；若测试准确率超过90%，则完成了整个训练过程，若测试精度没有达到要求，则回到步骤（5.1），继续训练。
4.根据权利要求1中所述的一种基于声音的农村道路交通事故警情识别方法，其特征在于，在步骤（7）中检测是否有疑似交通事故警情发生的具体流程如下：
（7.1）、通过麦克风获取实时音频流数据，利用门限阈值法截取声音片段，并切分或补齐到24000的长度大小；
（7.2）、将处理后的声音信号输入到CNN网络分类模型中，直接输出得到对应正负类概率值；
（7.3）、判断正类的概率值是否大于阈值0.9，若是，保存录音并发出告警；若否，继续检测。
CN202010251147.3A 2020-04-01 2020-04-01 一种基于声音的农村道路交通事故警情识别方法 Active CN111445926B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010251147.3A CN111445926B (zh) 2020-04-01 2020-04-01 一种基于声音的农村道路交通事故警情识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010251147.3A CN111445926B (zh) 2020-04-01 2020-04-01 一种基于声音的农村道路交通事故警情识别方法

Publications (2)

Publication Number Publication Date
CN111445926A true CN111445926A (zh) 2020-07-24
CN111445926B CN111445926B (zh) 2023-01-03

Family

ID=71651007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010251147.3A Active CN111445926B (zh) 2020-04-01 2020-04-01 一种基于声音的农村道路交通事故警情识别方法

Country Status (1)

Country Link
CN (1) CN111445926B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115223370A (zh) * 2022-08-31 2022-10-21 四川九通智路科技有限公司 一种交通事故检测方法及检测系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106907697A (zh) * 2017-04-19 2017-06-30 杭州派尼澳电子科技有限公司 一种内置碰撞声检测功能的智能路灯
CN107545890A (zh) * 2017-08-31 2018-01-05 桂林电子科技大学 一种声音事件识别方法
CN108231067A (zh) * 2018-01-13 2018-06-29 福州大学 基于卷积神经网络与随机森林分类的声音场景识别方法
CN109473120A (zh) * 2018-11-14 2019-03-15 辽宁工程技术大学 一种基于卷积神经网络的异常声音信号识别方法
JP2019049601A (ja) * 2017-09-08 2019-03-28 Kddi株式会社 音波信号から音波種別を判定するプログラム、システム、装置及び方法
CN109599126A (zh) * 2018-12-29 2019-04-09 广州丰石科技有限公司 一种基于mel能量谱和卷积神经网络的声音故障识别方法
CN109767785A (zh) * 2019-03-06 2019-05-17 河北工业大学 基于卷积神经网络的环境噪声识别分类方法
CN110176248A (zh) * 2019-05-23 2019-08-27 广西交通科学研究院有限公司 道路声音识别方法、系统、计算机设备及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106907697A (zh) * 2017-04-19 2017-06-30 杭州派尼澳电子科技有限公司 一种内置碰撞声检测功能的智能路灯
CN107545890A (zh) * 2017-08-31 2018-01-05 桂林电子科技大学 一种声音事件识别方法
JP2019049601A (ja) * 2017-09-08 2019-03-28 Kddi株式会社 音波信号から音波種別を判定するプログラム、システム、装置及び方法
CN108231067A (zh) * 2018-01-13 2018-06-29 福州大学 基于卷积神经网络与随机森林分类的声音场景识别方法
CN109473120A (zh) * 2018-11-14 2019-03-15 辽宁工程技术大学 一种基于卷积神经网络的异常声音信号识别方法
CN109599126A (zh) * 2018-12-29 2019-04-09 广州丰石科技有限公司 一种基于mel能量谱和卷积神经网络的声音故障识别方法
CN109767785A (zh) * 2019-03-06 2019-05-17 河北工业大学 基于卷积神经网络的环境噪声识别分类方法
CN110176248A (zh) * 2019-05-23 2019-08-27 广西交通科学研究院有限公司 道路声音识别方法、系统、计算机设备及可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115223370A (zh) * 2022-08-31 2022-10-21 四川九通智路科技有限公司 一种交通事故检测方法及检测系统

Also Published As

Publication number Publication date
CN111445926B (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN102163427B (zh) 一种基于环境模型的音频异常事件检测方法
CN111436944B (zh) 一种基于智能移动终端的跌倒检测方法
CN109087655A (zh) 一种交通道路声音监测与异常声音识别系统
US8704662B2 (en) Method and apparatus for monitoring a structure
CN106898346A (zh) 一种高速公路隧道安全监控系统
CN109194612A (zh) 一种基于深度置信网络和svm的网络攻击检测方法
CN112735383A (zh) 语音信号的处理方法、装置、设备及存储介质
CN206931362U (zh) 一种高速公路隧道安全监控系统
CN106205606A (zh) 一种基于语音识别的动态定位监控方法及系统
CN102945675A (zh) 检测户外呼救声音的智能传感网络系统
CN108010289A (zh) 一种基于声纹识别的互联网报警方法及系统
CN111933109A (zh) 一种音频监测方法及系统
Colonna et al. Feature evaluation for unsupervised bioacoustic signal segmentation of anuran calls
CN110620760A (zh) 一种SVM和贝叶斯网络的FlexRay总线融合入侵检测方法和检测装置
CN112951271A (zh) 一种基于声学辅助的隧道交通安全警示方法、系统
CN112349296A (zh) 一种基于声音识别的地铁站台安全监测方法
EP2028651A1 (en) Method and apparatus for detection of specific input signal contributions
CN111445926B (zh) 一种基于声音的农村道路交通事故警情识别方法
KR101736466B1 (ko) 음향 정보 기반 상황 인식 장치 및 방법
CN110930643A (zh) 一种防止婴幼儿遗落车内的智能安全系统及方法
CN111341334A (zh) 一种应用于轨道交通的降噪和异常声音检测系统及方法
CN109817224A (zh) 一种语音敏感词监督系统和方法
CN110674887A (zh) 一种基于视频分类的端到端道路拥堵检测算法
CN111934800B (zh) 一种广播内容监测方法及系统
KR102421158B1 (ko) 실시간 음향분석에 의한 소음도에 따른 음성 안내시스템의 스마트 볼륨 조절 시스템

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