CN113593251A - 一种炸街车快速筛选方法及系统 - Google Patents

一种炸街车快速筛选方法及系统 Download PDF

Info

Publication number
CN113593251A
CN113593251A CN202110834901.0A CN202110834901A CN113593251A CN 113593251 A CN113593251 A CN 113593251A CN 202110834901 A CN202110834901 A CN 202110834901A CN 113593251 A CN113593251 A CN 113593251A
Authority
CN
China
Prior art keywords
sound
street
frequency
spectrum
frying
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
CN202110834901.0A
Other languages
English (en)
Other versions
CN113593251B (zh
Inventor
孙志强
刘波
霍亚
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.)
Shibang Communication Co Ltd
Original Assignee
Shibang Communication 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 Shibang Communication Co Ltd filed Critical Shibang Communication Co Ltd
Priority to CN202110834901.0A priority Critical patent/CN113593251B/zh
Publication of CN113593251A publication Critical patent/CN113593251A/zh
Application granted granted Critical
Publication of CN113593251B publication Critical patent/CN113593251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种炸街车快速筛选方法及系统，该方法包括：接收来自麦克风阵列采集的声音数据；对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音；若判断出声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像。本发明提供的炸街车快速筛选方法及系统，炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。

Description

一种炸街车快速筛选方法及系统
技术领域
本发明涉及抓拍技术领域，尤其公开了一种炸街车快速筛选方法及系统。
背景技术
在城市环境治理中，交通噪声扰民问题变得越来越突出。交通噪声的来源除了机动车鸣笛声，还有来自改装车的发动机轰鸣声、排气噪声，摩托机车的高噪声等超标噪声，这类炸街车也是噪声治理中被投诉最多的问题。其实改装通常集中在对排气管进行改造，或者增加尾翼等。这类经改装后会使得机动车行驶时发出轰鸣声，产生远超规定的噪声，严重影响市民工作和生活秩序，这种行为被形象的称为“炸街”。炸街声与鸣笛声音不同，炸街声音不属于“线谱”，很难与各种大卡车、公交车、混凝土车等高噪声车辆发出的声音区分开来。基于未经审批对机动车进行改装的违法行为，在现有技术中，通常解决的方案是通过对炸街车的声音进行识别，目前很多厂家宣称采用深度神经网络技术来区分炸街车辆的方式实际上是经不住推敲的，可能只是为了宣传。首先，要训练一个成熟的深度学习模型，必须要有足够的(包括类型和数量)炸街车声音数据用作训练数据，而炸街车数据实际上是很难获取和积累的；其次，炸街车改造方式个性迥异，对于训练数据中未能涵盖的炸街车声音，其识别效果必定会打折扣。
因此，如何快速筛选出炸街车，是一件亟待解决的技术问题。
发明内容
本发明提供了一种炸街车快速筛选方法及系统，旨在快速筛选出炸街车。
本发明的一方面涉及一种炸街车快速筛选方法，包括以下步骤：
接收来自麦克风阵列采集的声音数据；
对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音；
若判断出声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像；
对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音的步骤包括：
对麦克风阵列各通道采集到的声音信号进行时域分析；
将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号；
分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音；
采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。
进一步地，对麦克风阵列各通道采集到的声音信号进行时域分析的步骤包括：
计算麦克风阵列各通道采集到的声音信号的时域能量并求均值；
若计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。
进一步地，将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号的步骤包括：
将麦克风阵列各通道采集到的声音的时域信号进行快速傅里叶变换，转换为频域信号；
求出转换后的频域信号中幅值的均值，若求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则初步说明声音数据中的声音为炸街车声音。
进一步地，分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音的步骤包括：
计算设定频段范围内各个频率下的声音能量和所有频率下的声音总能量；
将计算得出的所有频率下的声音总能量与各个频率下的声音能量进行比较，若各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则进一步认定声音数据中的声音为炸街车声音。
进一步地，预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板通过以下公式计算出：
Figure BDA0003175631170000031
其中，I为帧录音信号的数量；Yi(k)为I录音信号进行傅里叶变换后得到的I组频谱；
采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板之间的频谱差异度通过以下公式计算出：
Figure BDA0003175631170000032
其中，
Figure BDA0003175631170000033
为采集得到的声音频谱
Figure BDA0003175631170000034
的方差，
Figure BDA0003175631170000035
为采集得到的声音频谱
Figure BDA0003175631170000036
与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure BDA0003175631170000039
的协方差；
Figure BDA0003175631170000037
为预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure BDA0003175631170000038
的方差；totalpower为设定频段范围内所有频率下的声音总能量。
本发明的另一方面涉及一种炸街车快速筛选系统，包括：
接收模块，用于接收来自麦克风阵列采集的声音数据；
判断模块，用于对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音；
抓拍模块，用于若判断出声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像；
判断模块包括：
分析单元，用于对麦克风阵列各通道采集到的声音信号进行时域分析；
变换单元，用于将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号；
计算单元，用于分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音；
认定单元，用于采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。
进一步地，分析单元包括：
第一计算子单元，用于计算麦克风阵列各通道采集到的声音信号的时域能量并求均值；
第一认定子单元，用于若计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。
进一步地，变换单元包括：
转换子单元，用于将麦克风阵列各通道采集到的声音的时域信号进行快速傅里叶变换，转换为频域信号；
说明子单元，用于求出转换后的频域信号中幅值的均值，若求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则初步说明声音数据中的声音为炸街车声音。
进一步地，计算单元包括：
第二计算子单元，用于计算设定频段范围内各个频率下的声音能量和所有频率下的声音总能量；
第二认定子单元，用于将计算得出的所有频率下的声音总能量与各个频率下的声音能量进行比较，若各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则进一步认定声音数据中的声音为炸街车声音。
进一步地，预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板通过以下公式计算出：
Figure BDA0003175631170000041
其中，I为帧录音信号的数量；Yi(k)为I录音信号进行傅里叶变换后得到的I组频谱；
采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板之间的频谱差异度通过以下公式计算出：
Figure BDA0003175631170000051
其中，
Figure BDA0003175631170000052
为采集得到的声音频谱
Figure BDA0003175631170000053
的方差，
Figure BDA0003175631170000054
为采集得到的声音频谱
Figure BDA0003175631170000055
与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure BDA0003175631170000056
的协方差；
Figure BDA0003175631170000057
为预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure BDA0003175631170000058
的方差；totalpower为设定频段范围内所有频率下的声音总能量。
本发明所取得的有益效果为：
本发明提供一种炸街车快速筛选方法及系统，通过接收来自麦克风阵列采集的声音数据；对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音；若判断出声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像；在判断声音数据中，对麦克风阵列各通道采集到的声音信号进行时域分析；将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号；分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音；采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。本发明提供的炸街车快速筛选方法及系统，炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。
附图说明
图1为本发明提供的炸街车快速筛选方法第一实施例的流程示意图；
图2为图1中所示的对接收的所述麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音的步骤一实施例的细化流程示意图；
图3为图2中所示的对麦克风阵列各通道采集到的声音信号进行时域分析的步骤一实施例的细化流程示意图；
图4为图2中所示的将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号的步骤一实施例的细化流程示意图；
图5为图2中所示的分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音的步骤一实施例的细化流程示意图；
图6为本发明提供的炸街车快速筛选系统一实施例的功能框图；
图7为图6中所示的判断模块一实施例的功能模块示意图；
图8为图7中所示的分析单元一实施例的功能模块示意图；
图9为图7中所示的变换单元一实施例的功能模块示意图；
图10为图7中所示的计算单元一实施例的功能模块示意图；
图11为炸街车的信号频谱图。
附图标号说明：
10、接收模块；20、判断模块；30、抓拍模块；21、分析单元；22、变换单元；23、计算单元；24、认定单元；211、第一计算子单元；212、第一认定子单元；221、转换子单元；222、说明子单元；231、第二计算子单元；232、第二认定子单元。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
如图1和图2所示，本发明第一实施例提出一种炸街车快速筛选方法，包括以下步骤：
步骤S100、接收来自麦克风阵列采集的声音数据。
利用麦克风阵列对炸街车的轰鸣声进行定位，并采集定位后的轰鸣声的声音数据。
步骤S200、对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音。
对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音，处理过程包括对声音数据的时域能量计算、频域转换、分频段能量比例计算和非炸街车声音的剔除等。
步骤S300、若判断出声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像。
若判断出声音数据中的声音为炸街车声音时，则认定该车辆为炸街车，采用图像采集装置对发出该炸街车声音的车辆进行抓拍，生成相关图像证据，并根据生成的相关图像来识别该炸街车的车牌，为交警追踪炸街车辆提供有利的线索凭证。图像采集装置可采用高清卡口相机。
具体地，请见图2，图2为图1中步骤S200的细化流程示意图，本本实施例中，步骤S200包括：
步骤S210、对麦克风阵列各通道采集到的声音信号进行时域分析。
计算麦克风阵列各通道的时域能量并求平均值值，当计算出的时域能量大于预设的能量阈值时，认定为该声音信号中包含有炸街车声音。
步骤S220、将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号。
采用快速傅里叶变换将麦克风阵列各通道声音的时域信号变换为频域信号。
步骤S230、分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音。
分频段对变换后得到麦克风阵列各通道声音的的频域信号进行能量比例计算，初步筛选出炸街车声音。
步骤S240、采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。
预先收集高噪声非炸街车的声音信号，生成不同类别车辆的频谱模板，并保存于频谱模板数据库中；采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。
生成频谱模板：
假定针对某一类车辆，共收集到I帧录音信号yi(n)，i＝1，2，...，I，通常要求I＞10。对这些信号进行傅里叶变换之后，得到I组频谱Yi(k)，i＝1，2，...，I，计算这些频谱的均值，预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板通过以下公式计算出：
Figure BDA0003175631170000081
在公式(1)中，I为帧录音信号的数量；Yi(k)为I录音信号进行傅里叶变换后得到的I组频谱；
采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板之间的频谱差异度通过以下公式计算出：
Figure BDA0003175631170000082
在公式(2)中，
Figure BDA0003175631170000083
为采集得到的声音频谱
Figure BDA0003175631170000084
的方差，
Figure BDA0003175631170000085
为采集得到的声音频谱
Figure BDA0003175631170000086
与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure BDA0003175631170000087
的协方差；
Figure BDA0003175631170000088
为预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure BDA0003175631170000089
的方差；totalpower为设定频段范围内所有频率下的声音总能量。
Diff越大，说明频域信号中幅值的均值信号
Figure BDA00031756311700000810
与频谱模板的差异越大，属于炸街车的可能性就越大。实际测试结果表明，Diff＞10时，可认为频域信号中幅值的均值信号
Figure BDA00031756311700000811
是炸街车，可以开展后续定位工作。
本实施例提供的炸街车快速筛选方法，同现有技术相比，按照抓拍鸣笛机动车的思路来抓拍炸街车辆，利用麦克风阵列对炸街车的轰鸣声进行定位，识别车牌，为交警追踪炸街车辆提供有利的线索凭证，通过接收来自麦克风阵列采集的声音数据；对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音；若判断出声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像；在判断声音数据中，对麦克风阵列各通道采集到的声音信号进行时域分析；将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号；分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音；采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。本实施例提供的炸街车快速筛选方法，在产品中得到了实际应用，并能准确的提取炸街声音，将其与鸣笛声、警报声等高分贝声音区分开来，是炸街车抓拍系统的关键环节；此方案的实施能有效改善各种改装车噪声泛滥的管理问题；为营造一个安静安全和谐的生活环境，为交管执法部门提供了有效的执法凭据，加强了交管执法的规范性管理与高效违章处理时效，是交警对“炸街车”整治的好帮手，适合现行广泛应用；炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。
进一步地，请见图3，图3为图2中所示的步骤S210一实施例的细化流程示意图，在本实施例中，步骤S210包括：
步骤S211、计算麦克风阵列各通道采集到的声音信号的时域能量并求均值。
假定麦克风阵列的通道数量为M，即由M个麦克风组成。令xi(n)，i＝1，2，...，M；n＝1，2，...，N表示各通道采集得到的声音信号，N表示单帧信号的长度，麦克风阵列各通道采集到的声音信号的时域能量通过以下公式计算得出：
Figure BDA0003175631170000091
在公式(3)中，xi(n)表示麦克风阵列各通道采集到的声音信号；M为麦克风阵列的通道数量。
步骤S212、若计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。
当power＞pthd时，即当计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。其中，pthd表示能量阈值，根据麦克风的灵敏度参数确定，指的是只有超过一定分贝数的声音信号才会被认定为是候选的炸街车声音。
本实施例提供的炸街车快速筛选方法，同现有技术相比，按照抓拍鸣笛机动车的思路来抓拍炸街车辆，利用麦克风阵列对炸街车的轰鸣声进行定位，识别车牌，为交警追踪炸街车辆提供有利的线索凭证，通过计算麦克风阵列各通道采集到的声音信号的时域能量并求均值；若计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。本实施例提供的炸街车快速筛选方法，炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。
优选地，参见图4，图4为图2中所示的步骤S220一实施例的细化流程示意图，在本实施例中，步骤S220包括：
步骤S221、将麦克风阵列各通道采集到的声音的时域信号进行快速傅里叶变换，转换为频域信号。
转换的频域信号通过以下公式计算得出：
Xi(k)＝FFT(xi(n))，k，n＝1，2，...，N (4)
在公式(4)中，xi(n)表示麦克风阵列各通道采集到的声音信号。
步骤S222、求出转换后的频域信号中幅值的均值，若求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则初步说明声音数据中的声音为炸街车声音。
频域信号中幅值的均值通过以下公式计算得出：
Figure BDA0003175631170000101
在公式(5)中，Xi(k)表示转换的频域信号；M为麦克风阵列的通道数量，符号||表示求幅运算。
求
Figure BDA0003175631170000102
k＝1，2，...，N的最大值对应的频点位置kmax。
如果kmax＜kthd，即求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则说明可能是炸街车声音。其中，kthd表示频点阈值，考虑到炸街车声音的能量集中在200Hz-1kHz的范围内，因此要保证kthd对应的实际频率为1kHz左右。
本实施例提供的炸街车快速筛选方法，同现有技术相比，按照抓拍鸣笛机动车的思路来抓拍炸街车辆，利用麦克风阵列对炸街车的轰鸣声进行定位，识别车牌，为交警追踪炸街车辆提供有利的线索凭证，通过将麦克风阵列各通道采集到的声音的时域信号进行快速傅里叶变换，转换为频域信号；求出转换后的频域信号中幅值的均值，若求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则初步说明声音数据中的声音为炸街车声音。本实施例提供的炸街车快速筛选方法，炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。
进一步地，请见图5，图5为图2中所示的步骤S230一实施例的细化流程示意图，在本实施例中，步骤S230包括：
步骤S231、计算设定频段范围内各个频率下的声音能量和所有频率下的声音总能量。
设定200-1000Hz范围内各个频率下的声音能量，通过以下公式计算得出：
Figure BDA0003175631170000111
在公式(6)中，
Figure BDA0003175631170000112
表示频域信号中幅值的均值，k1和k2对应的实际频率分别为200Hz和1000Hz。
步骤S232、将计算得出的所有频率下的声音总能量与各个频率下的声音能量进行比较，若各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则进一步认定声音数据中的声音为炸街车声音。
设定200-1000Hz范围内所有频率下的声音总能量，通过以下公式计算得出：
Figure BDA0003175631170000113
在公式(7)中，
Figure BDA0003175631170000114
表示频域信号中幅值的均值。
如果power1＞＝0.8*totalpower，即各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则说明属于炸街车声音的可能性非常大。
本实施例提供的炸街车快速筛选方法，同现有技术相比，按照抓拍鸣笛机动车的思路来抓拍炸街车辆，利用麦克风阵列对炸街车的轰鸣声进行定位，识别车牌，为交警追踪炸街车辆提供有利的线索凭证，通过计算设定频段范围内各个频率下的声音能量和所有频率下的声音总能量；将计算得出的所有频率下的声音总能量与各个频率下的声音能量进行比较，若各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则进一步认定声音数据中的声音为炸街车声音。本实施例提供的炸街车快速筛选方法，炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。
如图6所示，图6为本发明提供的炸街车快速筛选系统一实施例的功能框图，在本实施例中，该炸街车快速筛选系统包括接收模块10、判断模块20和抓拍模块30，其中，接收模块10，用于接收来自麦克风阵列采集的声音数据；判断模块20，用于对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音；抓拍模块30，用于若判断出声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像。
判断模块20包括分析单元21、变换单元22、计算单元23和认定单元24，其中，分析单元21，用于对麦克风阵列各通道采集到的声音信号进行时域分析；变换单元22，用于将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号；计算单元23，用于分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音；认定单元24，用于采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。
接收模块10利用麦克风阵列对炸街车的轰鸣声进行定位，并采集定位后的轰鸣声的声音数据。
判断模块20对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音，处理过程包括对声音数据的时域能量计算、频域转换、分频段能量比例计算和非炸街车声音的剔除等。
抓拍模块30若判断出声音数据中的声音为炸街车声音时，则认定该车辆为炸街车，采用图像采集装置对发出该炸街车声音的车辆进行抓拍，生成相关图像证据，并根据生成的相关图像来识别该炸街车的车牌，为交警追踪炸街车辆提供有利的线索凭证。图像采集装置可采用高清卡口相机。
分析单元21计算麦克风阵列各通道的时域能量并求平均值值，当计算出的时域能量大于预设的能量阈值时，认定为该声音信号中包含有炸街车声音。
变换单元22采用快速傅里叶变换将麦克风阵列各通道声音的时域信号变换为频域信号。
计算单元23分频段对变换后得到麦克风阵列各通道声音的的频域信号进行能量比例计算，初步筛选出炸街车声音。
认定单元24预先收集高噪声非炸街车的声音信号，生成不同类别车辆的频谱模板，并保存于频谱模板数据库中；采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。
生成频谱模板：
假定针对某一类车辆，共收集到I帧录音信号yi(n)，i＝1，2，...，I，通常要求I＞10。对这些信号进行傅里叶变换之后，得到I组频谱Yi(k)，i＝1，2，...，I，计算这些频谱的均值，预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板通过以下公式计算出：
Figure BDA0003175631170000131
在公式(8)中，I为帧录音信号的数量；Yi(k)为I录音信号进行傅里叶变换后得到的I组频谱；
采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板之间的频谱差异度通过以下公式计算出：
Figure BDA0003175631170000141
在公式(9)中，
Figure BDA0003175631170000142
为采集得到的声音频谱
Figure BDA0003175631170000143
的方差，
Figure BDA0003175631170000144
为采集得到的声音频谱
Figure BDA0003175631170000145
与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure BDA0003175631170000146
的协方差；
Figure BDA0003175631170000147
为预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure BDA0003175631170000148
的方差；totalpower为设定频段范围内所有频率下的声音总能量。
Diff越大，说明频域信号中幅值的均值信号
Figure BDA0003175631170000149
与频谱模板的差异越大，属于炸街车的可能性就越大。实际测试结果表明，Diff＞10时，可认为频域信号中幅值的均值信号
Figure BDA00031756311700001410
是炸街车，可以开展后续定位工作。
本实施例提供的炸街车快速筛选系统，同现有技术相比，按照抓拍鸣笛机动车的思路来抓拍炸街车辆，利用麦克风阵列对炸街车的轰鸣声进行定位，识别车牌，为交警追踪炸街车辆提供有利的线索凭证，通过接收来自麦克风阵列采集的声音数据；对接收的麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音；若判断出声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像；在判断声音数据中，对麦克风阵列各通道采集到的声音信号进行时域分析；将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号；分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音；采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。本实施例提供的炸街车快速筛选系统，在产品中得到了实际应用，并能准确的提取炸街声音，将其与鸣笛声、警报声等高分贝声音区分开来，是炸街车抓拍系统的关键环节；此方案的实施能有效改善各种改装车噪声泛滥的管理问题；为营造一个安静安全和谐的生活环境，为交管执法部门提供了有效的执法凭据，加强了交管执法的规范性管理与高效违章处理时效，是交警对“炸街车”整治的好帮手，适合现行广泛应用；炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。
进一步地，请见图8，图8为图7中所示的分析单元一实施例的功能模块示意图，在本实施例中，分析单元21包括第一计算子单元211和第一认定子单元212，其中，第一计算子单元211，用于计算麦克风阵列各通道采集到的声音信号的时域能量并求均值；第一认定子单元212，用于若计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。
第一计算子单元211用于假定麦克风阵列的通道数量为M，即由M个麦克风组成。令xi(n)，i＝1，2，...，M；n＝1，2，...，N表示各通道采集得到的声音信号，N表示单帧信号的长度，麦克风阵列各通道采集到的声音信号的时域能量通过以下公式计算得出：
Figure BDA0003175631170000151
在公式(10)中，xi(n)表示麦克风阵列各通道采集到的声音信号；M为麦克风阵列的通道数量。
第一认定子单元212用于当power＞pthd时，即当计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。其中，pthd表示能量阈值，根据麦克风的灵敏度参数确定，指的是只有超过一定分贝数的声音信号才会被认定为是候选的炸街车声音。
本实施例提供的炸街车快速筛选系统，同现有技术相比，按照抓拍鸣笛机动车的思路来抓拍炸街车辆，利用麦克风阵列对炸街车的轰鸣声进行定位，识别车牌，为交警追踪炸街车辆提供有利的线索凭证，通过计算麦克风阵列各通道采集到的声音信号的时域能量并求均值；若计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。本实施例提供的炸街车快速筛选系统，炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。
优选地，参见图9，图9为图7中所示的变换单元一实施例的功能模块示意图，在本实施例中，变换单元22包括转换子单元221和说明子单元222，其中，转换子单元221，用于将麦克风阵列各通道采集到的声音的时域信号进行快速傅里叶变换，转换为频域信号；说明子单元222，用于求出转换后的频域信号中幅值的均值，若求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则初步说明声音数据中的声音为炸街车声音。
转换子单元221转换的频域信号通过以下公式计算得出：
Xi(k)＝FFT(xi(n))，k，n＝1，2，...，N (11)
在公式(11)中，xi(n)表示麦克风阵列各通道采集到的声音信号。
说明子单元222频域信号中幅值的均值通过以下公式计算得出：
Figure BDA0003175631170000161
在公式(12)中，Xi(k)表示转换的频域信号；M为麦克风阵列的通道数量，符号||表示求幅运算。
求
Figure BDA0003175631170000162
k＝1，2，...，N的最大值对应的频点位置kmax。
如果kmax＜kthd，即求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则说明可能是炸街车声音。其中，kthd表示频点阈值，考虑到炸街车声音的能量集中在200Hz-1kHz的范围内，因此要保证kthd对应的实际频率为1kHz左右。
本实施例提供的炸街车快速筛选系统，同现有技术相比，按照抓拍鸣笛机动车的思路来抓拍炸街车辆，利用麦克风阵列对炸街车的轰鸣声进行定位，识别车牌，为交警追踪炸街车辆提供有利的线索凭证，通过将麦克风阵列各通道采集到的声音的时域信号进行快速傅里叶变换，转换为频域信号；求出转换后的频域信号中幅值的均值，若求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则初步说明声音数据中的声音为炸街车声音。本实施例提供的炸街车快速筛选系统，炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。
进一步地，请见图10，图10为图7中所示的计算单元一实施例的功能模块示意图，在本实施例中，计算单元23包括第二计算子单元231和第二认定子单元232，其中，第二计算子单元231，用于计算设定频段范围内各个频率下的声音能量和所有频率下的声音总能量；第二认定子单元232，用于将计算得出的所有频率下的声音总能量与各个频率下的声音能量进行比较，若各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则进一步认定声音数据中的声音为炸街车声音。
设定200-1000Hz范围内各个频率下的声音能量，通过以下公式计算得出：
Figure BDA0003175631170000171
在公式(13)中，
Figure BDA0003175631170000172
表示频域信号中幅值的均值，k1和k2对应的实际频率分别为200Hz和1000Hz。
设定200-1000Hz范围内所有频率下的声音总能量，通过以下公式计算得出：
Figure BDA0003175631170000173
在公式(14)中，
Figure BDA0003175631170000174
表示频域信号中幅值的均值。
如果power1＞＝0.8*totalpower，即各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则说明属于炸街车声音的可能性非常大。
本实施例提供的炸街车快速筛选系统，同现有技术相比，按照抓拍鸣笛机动车的思路来抓拍炸街车辆，利用麦克风阵列对炸街车的轰鸣声进行定位，识别车牌，为交警追踪炸街车辆提供有利的线索凭证，通过计算设定频段范围内各个频率下的声音能量和所有频率下的声音总能量；将计算得出的所有频率下的声音总能量与各个频率下的声音能量进行比较，若各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则进一步认定声音数据中的声音为炸街车声音。本实施例提供的炸街车快速筛选系统，炸街车声音判断精度高、炸街车识别精度高；炸街车筛选速度快、提高执法人员效率。
本实施例提供的炸街车快速筛选方法及系统，利用分频能量比例剔除部分高噪声非炸街车声音，再利用非炸街车声音频谱模板来排除非炸街车声音，并通过声音采集设备、配套高清相机自动抓拍到违章影像凭据，如图11所示，图11为炸街车的信号频谱图，可以看出，炸街车信号能量高度集中在1000Hz之内的频段，计算得到power1/totalpower＝0.9801＞0.8。累计得到3类高噪声非炸街车的声音频谱模板，分别为清扫车、混凝土车和渣土车。将图示信号与这三类模板进行差异度分析，得到差异度分别为13.1、13和20.7，都远超过阈值10。这一算法已经在实际系统中上线运行，实时性和判断准确性都非常好，能够很好的降低误触发，并避免复杂低效的深度学习模型。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种炸街车快速筛选方法，其特征在于，包括以下步骤：
接收来自麦克风阵列采集的声音数据；
对接收的所述麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音；
若判断出所述声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像；
所述对接收的所述麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音的步骤包括：
对麦克风阵列各通道采集到的声音信号进行时域分析；
将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号；
分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音；
采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。
2.如权利要求1所述的炸街车快速筛选方法，其特征在于，所述对麦克风阵列各通道采集到的声音信号进行时域分析的步骤包括：
计算麦克风阵列各通道采集到的声音信号的时域能量并求均值；
若计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。
3.如权利要求1所述的炸街车快速筛选方法，其特征在于，所述将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号的步骤包括：
将麦克风阵列各通道采集到的声音的时域信号进行快速傅里叶变换，转换为频域信号；
求出转换后的频域信号中幅值的均值，若求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则初步说明声音数据中的声音为炸街车声音。
4.如权利要求1所述的炸街车快速筛选方法，其特征在于，所述分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音的步骤包括：
计算设定频段范围内各个频率下的声音能量和所有频率下的声音总能量；
将计算得出的所有频率下的声音总能量与各个频率下的声音能量进行比较，若各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则进一步认定声音数据中的声音为炸街车声音。
5.如权利要求1所述的炸街车快速筛选方法，其特征在于，所述预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板通过以下公式计算出：
Figure FDA0003175631160000021
其中，I为帧录音信号的数量；Yi(k)为I录音信号进行傅里叶变换后得到的I组频谱；
采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板之间的频谱差异度通过以下公式计算出：
Figure FDA0003175631160000022
其中，
Figure FDA0003175631160000023
为采集得到的声音频谱
Figure FDA0003175631160000024
的方差，
Figure FDA0003175631160000025
为采集得到的声音频谱
Figure FDA0003175631160000026
与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure FDA0003175631160000027
的协方差；
Figure FDA0003175631160000028
为预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure FDA0003175631160000029
的方差；totalpower为设定频段范围内所有频率下的声音总能量。
6.一种炸街车快速筛选系统，其特征在于，包括：
接收模块(10)，用于接收来自麦克风阵列采集的声音数据；
判断模块(20)，用于对接收的所述麦克风阵列采集的声音数据进行处理，判断声音数据中的声音是否为炸街车声音；
抓拍模块(30)，用于若判断出所述声音数据中的声音为炸街车声音时，则采用图像采集装置对发出该声音的车辆进行抓拍，生成相关图像；
所述判断模块(20)包括：
分析单元(21)，用于对麦克风阵列各通道采集到的声音信号进行时域分析；
变换单元(22)，用于将时域分析得出的麦克风阵列各通道声音的时域信号变换为频域信号；
计算单元(23)，用于分频段对变换后得到的频域信号进行能量比例计算，初步筛选出炸街车声音；
认定单元(24)，用于采集初步筛选出炸街车声音后的声音数据中的声音频谱，将采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板进行差异化分析，若采集得到的声音频谱超过设定声音频谱阈值，则认定声音数据中的声音为炸街车声音。
7.如权利要求6所述的炸街车快速筛选系统，其特征在于，所述分析单元(21)包括：
第一计算子单元(211)，用于计算麦克风阵列各通道采集到的声音信号的时域能量并求均值；
第一认定子单元(212)，用于若计算得出的时域能量大于预设的能量阈值时，则认为声音数据中的声音为候选的炸街车声音。
8.如权利要求6所述的炸街车快速筛选系统，其特征在于，所述变换单元(22)包括：
转换子单元(221)，用于将麦克风阵列各通道采集到的声音的时域信号进行快速傅里叶变换，转换为频域信号；
说明子单元(222)，用于求出转换后的频域信号中幅值的均值，若求出的幅值的均值中最大值对应的频点位置小于预设的频点阈值，则初步说明声音数据中的声音为炸街车声音。
9.如权利要求6所述的炸街车快速筛选系统，其特征在于，所述计算单元(23)包括：
第二计算子单元(231)，用于计算设定频段范围内各个频率下的声音能量和所有频率下的声音总能量；
第二认定子单元(232)，用于将计算得出的所有频率下的声音总能量与各个频率下的声音能量进行比较，若各个频率下的声音能量大于或等于设定比例下所有频率下的声音总能量，则进一步认定声音数据中的声音为炸街车声音。
10.如权利要求6所述的炸街车快速筛选系统，其特征在于，所述预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板通过以下公式计算出：
Figure FDA0003175631160000041
其中，I为帧录音信号的数量；Yi(k)为I录音信号进行傅里叶变换后得到的I组频谱；
采集得到的声音频谱与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板之间的频谱差异度通过以下公式计算出：
Figure FDA0003175631160000042
其中，
Figure FDA0003175631160000043
为采集得到的声音频谱
Figure FDA0003175631160000044
的方差，
Figure FDA0003175631160000045
为采集得到的声音频谱
Figure FDA0003175631160000046
与预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure FDA0003175631160000047
的协方差；
Figure FDA0003175631160000048
为预设于频谱模板数据库中的高噪声非炸街车的声音频谱模板
Figure FDA0003175631160000049
的方差；totalpower为设定频段范围内所有频率下的声音总能量。
CN202110834901.0A 2021-07-22 2021-07-22 一种炸街车快速筛选方法及系统 Active CN113593251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110834901.0A CN113593251B (zh) 2021-07-22 2021-07-22 一种炸街车快速筛选方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110834901.0A CN113593251B (zh) 2021-07-22 2021-07-22 一种炸街车快速筛选方法及系统

Publications (2)

Publication Number Publication Date
CN113593251A true CN113593251A (zh) 2021-11-02
CN113593251B CN113593251B (zh) 2022-06-17

Family

ID=78249611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110834901.0A Active CN113593251B (zh) 2021-07-22 2021-07-22 一种炸街车快速筛选方法及系统

Country Status (1)

Country Link
CN (1) CN113593251B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010096547A (ja) * 2008-10-14 2010-04-30 Nissan Motor Co Ltd 異音判定装置および異音判定方法
CN105473988A (zh) * 2013-06-21 2016-04-06 布鲁尔及凯尔声音及振动测量公司 确定机动车辆的噪声源的噪声声音贡献的方法
CN106875678A (zh) * 2017-01-23 2017-06-20 上海良相智能化工程有限公司 一种汽车鸣笛执法取证系统
CN108076316A (zh) * 2016-11-18 2018-05-25 杭州海康威视数字技术股份有限公司 一种识别改装车辆的方法、装置及系统
CN108461091A (zh) * 2018-03-14 2018-08-28 南京邮电大学 面向家居环境的智能哭声检测方法
JP2019164106A (ja) * 2018-03-20 2019-09-26 本田技研工業株式会社 異音検出装置および検出方法
CN110503973A (zh) * 2019-08-28 2019-11-26 浙江大华技术股份有限公司 音频信号瞬态噪音抑制方法、系统以及存储介质
CN111739542A (zh) * 2020-05-13 2020-10-02 深圳市微纳感知计算技术有限公司 一种特征声音检测的方法、装置及设备
CN111770427A (zh) * 2020-06-24 2020-10-13 杭州海康威视数字技术股份有限公司 麦克风阵列的检测方法、装置、设备以及存储介质
CN112345066A (zh) * 2020-10-30 2021-02-09 曹敏明 一种噪音扰民示警系统
CN212624397U (zh) * 2020-08-18 2021-02-26 浙江树人学院（浙江树人大学） 一种车辆鸣笛声抓拍系统
CN212724329U (zh) * 2020-07-24 2021-03-16 上海其高电子科技有限公司 覆盖双向车道的违法鸣笛和违法改装车抓拍系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010096547A (ja) * 2008-10-14 2010-04-30 Nissan Motor Co Ltd 異音判定装置および異音判定方法
CN105473988A (zh) * 2013-06-21 2016-04-06 布鲁尔及凯尔声音及振动测量公司 确定机动车辆的噪声源的噪声声音贡献的方法
CN108076316A (zh) * 2016-11-18 2018-05-25 杭州海康威视数字技术股份有限公司 一种识别改装车辆的方法、装置及系统
CN106875678A (zh) * 2017-01-23 2017-06-20 上海良相智能化工程有限公司 一种汽车鸣笛执法取证系统
CN108461091A (zh) * 2018-03-14 2018-08-28 南京邮电大学 面向家居环境的智能哭声检测方法
JP2019164106A (ja) * 2018-03-20 2019-09-26 本田技研工業株式会社 異音検出装置および検出方法
CN110503973A (zh) * 2019-08-28 2019-11-26 浙江大华技术股份有限公司 音频信号瞬态噪音抑制方法、系统以及存储介质
CN111739542A (zh) * 2020-05-13 2020-10-02 深圳市微纳感知计算技术有限公司 一种特征声音检测的方法、装置及设备
CN111770427A (zh) * 2020-06-24 2020-10-13 杭州海康威视数字技术股份有限公司 麦克风阵列的检测方法、装置、设备以及存储介质
CN212724329U (zh) * 2020-07-24 2021-03-16 上海其高电子科技有限公司 覆盖双向车道的违法鸣笛和违法改装车抓拍系统
CN212624397U (zh) * 2020-08-18 2021-02-26 浙江树人学院（浙江树人大学） 一种车辆鸣笛声抓拍系统
CN112345066A (zh) * 2020-10-30 2021-02-09 曹敏明 一种噪音扰民示警系统

Also Published As

Publication number Publication date
CN113593251B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
US8164484B2 (en) Detection and classification of running vehicles based on acoustic signatures
CN109816987B (zh) 一种汽车鸣笛电子警察执法抓拍系统及其抓拍方法
AU2013223662B2 (en) Modified mel filter bank structure using spectral characteristics for sound analysis
US9733346B1 (en) Method for providing sound detection information, apparatus detecting sound around vehicle, and vehicle including the same
US11437056B1 (en) Vehicle sound analysis
JPWO2005101346A1 (ja) 突発事象の記録・解析システム
CN115116232B (zh) 汽车鸣笛的声纹比较方法、装置、设备及存储介质
CN112532941A (zh) 车辆源强监测方法、装置、电子设备及存储介质
CN105139481A (zh) 一种汽车喇叭识别系统
Mato-Méndez et al. Blind separation to improve classification of traffic noise
CN109614887B (zh) 一种基于支持向量机的汽车鸣笛分类方法
Lee et al. Acoustic hazard detection for pedestrians with obscured hearing
CN113593251B (zh) 一种炸街车快速筛选方法及系统
JP2008215874A (ja) エンジン音認識装置および駐車場管理システム
JP2007079389A (ja) 音声分析方法および音声分析装置
JP2003202260A (ja) 音源識別装置および突発事象検出装置並びに突発事象自動記録装置
CN115422965A (zh) 一种基于车内噪声的整车行驶路面识别方法及系统
CN110867082B (zh) 一种禁鸣路段鸣笛车辆检测系统
CN116092519A (zh) 车辆故障检测方法及系统
KR101670801B1 (ko) 이상 음원 감지 방법 및 시스템
Barai et al. Mechanical condition determination of vehicle and traffic density estimation using acoustic signals
Kato An attempt to acquire traffic density by using road traffic sound
Klausner et al. DSP based acoustic vehicle classification for multi-sensor real-time traffic surveillance
Nasim et al. Intelligent Sound-Based Early Fault Detection System for Vehicles.
Kakade et al. Fast Classification for Identification of Vehicles on the Road from Audio Data of Pedestrian’s Mobile Phone

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