CN115061086A - 一种基于微孔径麦克风阵列的运动目标检测方法 - Google Patents

一种基于微孔径麦克风阵列的运动目标检测方法 Download PDF

Info

Publication number
CN115061086A
CN115061086A CN202210513842.1A CN202210513842A CN115061086A CN 115061086 A CN115061086 A CN 115061086A CN 202210513842 A CN202210513842 A CN 202210513842A CN 115061086 A CN115061086 A CN 115061086A
Authority
CN
China
Prior art keywords
micro
microphone array
signal
sub
aperture microphone
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.)
Pending
Application number
CN202210513842.1A
Other languages
English (en)
Inventor
刘华巍
王宏伟
宋林森
李宝清
袁晓兵
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.)
Shanghai Scifine Iot Technology Co ltd
Original Assignee
Shanghai Scifine Iot 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 Shanghai Scifine Iot Technology Co ltd filed Critical Shanghai Scifine Iot Technology Co ltd
Priority to CN202210513842.1A priority Critical patent/CN115061086A/zh
Publication of CN115061086A publication Critical patent/CN115061086A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

本发明公开了一种基于微孔径麦克风阵列的运动目标检测方法，包括以下步骤：S1：利用微孔径麦克风阵列采集环境噪声、已知类型运动目标的声响信号，建立声响信号的样本库；S2：对所述样本库中的每个样本的各通道的数据进行降噪处理；S3：对降噪后的信号进行滤波降采样处理；S4：计算降采样后的信号的过零率，提取过零率特征；S5：对降采样后的信号进行傅里叶变换；S6.计算各子带信号能量占比；S7：计算子带相关系数；S8：将S5、S6和S7得到的特征输入至逻辑回归函数，得到输出概率；S9：若输出概率大于预设阈值，则判断为有运动目标，否则判断为无运动目标。本方法具有稳定性强，运算效率高，不容易过拟合等特点。

Description

一种基于微孔径麦克风阵列的运动目标检测方法
技术领域
本发明涉及环境监测领域，具体涉及一种基于微孔径麦克风阵列的运动目标检测方法。
背景技术
运动目标检测是环境监视系统的重要功能之一。运动目标检测即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。
如今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。基于图像的目标检测算法那识别准确率高，但是其计算复杂度相对于声音信号的处理极高，且在光照弱的环境下识别率会下降，对于未见过的样本识别率也会收到影响。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，对于未见过的运动目标也具有较好的泛化能力，且在夜晚环境下也能进行较好检测。但声音检测方法存在容易受到环境噪声和设备距离的影响，适应性稍显不足等问题。
发明内容
本发明的目的是提供一种基于微孔径麦克风阵列的运动目标检测方法，以解决上述问题。为此，本发明采用的技术方案如下：
一种基于微孔径麦克风阵列的运动目标检测方法，包括以下步骤：
S1：利用微孔径麦克风阵列采集环境噪声、已知类型运动目标的声响信号，建立声响信号的样本库；
S2：对所述样本库中的每个样本的各通道的数据进行降噪处理；
S3：对降噪后的信号进行滤波降采样处理；
S4：计算降采样后的信号的过零率，提取过零率特征；
S5：对降采样后的信号进行傅里叶变换；
S6：对傅里叶变换后的频域信号计算各子带信号能量占比；
S7：对傅里叶变换后的频域信号计算子带相关系数；
S8：将S5、S6和S7得到的特征输入至逻辑回归函数，得到输出概率；
S9：若输出概率大于预设阈值，则判断为有运动目标，否则判断为无运动目标。
进一步地，所述微孔径麦克风阵列为外径5-8厘米的圆环形阵列，并且各个麦克风之间的间距为厘米级。
进一步地，S2中，所述降噪处理采用叠加求和的降噪方法，公式为：
Figure BDA0003640593190000021
其中，ci(n)为第i个通道的声响信号，Q为阵列中麦克风的数量，即通道的数量，x(n)为降噪后的信号。
进一步地，S3中的计算公式如下：
Figure BDA0003640593190000022
其中，y(t)为输出信号，x(t)为原始信号，f(τ)为滤波函数。
进一步地，S4中的计算公式如下：
Figure BDA0003640593190000023
其中，Zn为过零率特征，sgn(n)为符号函数：
Figure BDA0003640593190000024
w(n)函数用于计算比例：
Figure BDA0003640593190000025
进一步地，S6中的计算公式如下：
Figure BDA0003640593190000031
其中，Ei(ω)为各子带能量占比；ωia,ωib分别为子带能量的频率上下界，X(ω)为频域信号。
进一步地，S7中的计算公式如下：
Figure BDA0003640593190000032
其中，r为所求的相关系数，Xi、Yi为两路子带信号，
Figure BDA0003640593190000033
为信号均值。
进一步地，S8中的逻辑回归模型的参数训练过程如下：
采用梯度下降法，通过代价函数对w的一阶导数来找下降方向，并且以迭代的方式来更新参数，直至代价函数收敛；
设置代价函数为：
Figure BDA0003640593190000034
其中，N为样本数量，
Figure BDA0003640593190000035
把J(w)作为代价函数，求解梯度，则
Figure BDA0003640593190000036
其中，
Figure BDA0003640593190000037
最终，模型参数为：
w:＝w+α(yi-p)xi，
其中，α为学习率，0<α<1，xi为输入样本的特征，yi为输入样本的标签，p为输出概率，w为待估计的模型参数。
进一步地，S8中的所述输出概率的计算公式为：
Figure BDA0003640593190000038
其中，x为S5、S6和S7得到的特征组成的特征向量，wT为w的转置。
进一步地，所述预设阈值为0.5。
本发明采用滤波降采样方法提取目标信号所在的频段，然后计算各频带能量占比进行特征提取，再结合子带相关系数和过零率特征，通过逻辑回归进行目标检测，具有稳定性强，运算效率高，不容易过拟合等特点。
附图说明
图1是根据本发明实施例的一种基于微孔径麦克风阵列的运动目标检测方法的流程图；
图2是根据本发明实施例的微孔径麦克风阵列的布置示意图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质精神。
在下文的描述中，出于说明各种公开的实施例的目的阐述了某些具体细节以提供对各种公开实施例的透彻理解。但是，相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况下来实践实施例。在其它情形下，与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。
在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此，在整个说明书的各个位置“在一个实施例中”或“在一实施例”中的出现无需全都指相同实施例。另外，特定特点、结构或特征可在一个或多个实施例中以任何方式组合。
在以下描述中，为了清楚展示本发明的结构及工作方式，将借助诸多方向性词语进行描述，但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“上”、“下”等词语理解为方便用语，而不应当理解为限定性词语。
如图1所示，本发明的一种基于微孔径麦克风阵列的运动目标检测方法，包括以下步骤：
S1：利用微孔径麦克风阵列采集环境噪声、已知类型运动目标的声响信号，建立声响信号的样本库。其中，微孔径麦克风阵列具备以下特点：
(1)组成阵列的麦克风的数量为2个或2个以上；
(2)组成阵列的麦克风传感器的排列方式可以为均匀排列或随机排列；
(3)组成阵列的麦克风的最大间距为厘米量级。
优选地，微孔径麦克风阵列为外径5-8厘米的圆环形阵列，如图2所示。圆环形阵列一方面可以减小占用空间，另一方面可以使所采集的声响信号数据更全面，提高检测准确性。在一个具体实施例中，微孔径麦克风阵列包括4个麦克风，中间1个，另外3个均匀间隔开环绕中间麦克风布置。运动目标可以是人、轻型轮式车、重型轮式车、履带车辆、低空直升机等。
S2：对样本库中的每个样本各通道的数据进行降噪处理，具体方法为叠加求和，公式为：
Figure BDA0003640593190000051
其中，ci(n)为第i个通道的声响信号，Q为阵列中麦克风的数量，即通道的数量，x(n)为降噪后的信号。
S3：对降噪后的信号进行滤波降采样处理。具体地，采用巴特沃斯滤波器，将高频信号滤除，保留1000Hz以下的信号，滤波函数为：
Figure BDA0003640593190000052
其中，y(t)为输出信号，x(t)为原始信号，f(τ)为K阶巴特沃斯滤波器。
S4：计算信号过零率，提取过零率特征：
Figure BDA0003640593190000053
其中，sgn(n)为符号函数：
Figure BDA0003640593190000054
w(n)函数用于计算比例：
Figure BDA0003640593190000055
S5：对降噪后的信号进行傅里叶变换，获得频域信号。傅里叶变换方法是本领域公知的，这里不再赘述。
S6：对傅里叶变换后的频域信号计算各子带信号能量占比。具体地，将信号均匀分为M个子带，分别计算M子带频域信号能量占比：
Figure BDA0003640593190000061
其中，Ei(ω)为各子带能量占比，ωia,ωib分别为子带能量的频率上下界，X(ω)为频域信号。
S7：对傅里叶变换后的频域信号计算子带相关系数，具体地，计算M个子带中N个子带信号之间的相关系数，计算公式如下：
Figure BDA0003640593190000062
其中，r为所求的相关系数，Xi、Yi为两路子带信号，
Figure BDA0003640593190000063
为信号均值。
S8：将S5、S6和S7得到的特征输入至逻辑回归函数，得到输出概率。具体地，根据将步骤S5-S7中所得到的特征，组成向量x，输出概率p为：
Figure BDA0003640593190000064
其中，w为训练好的模型参数，wT为w的转置。
在本实施例中，逻辑回归模型的参数训练过程如下：
采用梯度下降法，通过代价函数对w的一阶导数来找下降方向，并且以迭代的方式来更新参数，直至代价函数收敛；
设置代价函数为：
Figure BDA0003640593190000065
其中，N为样本数量，
Figure BDA0003640593190000066
把J(w)作为代价函数，求解梯度，则
Figure BDA0003640593190000067
其中，
Figure BDA0003640593190000068
最终，模型参数为：
w:＝w+α(yi-p)xi，
其中，α为学习率，0<α<1，xi为输入样本的特征，yi为输入样本的标签。
S9：若输出概率大于预设阈值(例如，0.5)，则判断为有运动目标，否则判断为无运动目标。
本发明采用微孔径麦克风阵列作为数据采集终端，由阵列的多个麦克风同步采集到的信号，采用滤波降采样方法提取目标信号所在的频段，通过计算各频带能量占比进行特征提取，再结合子带相关系数和过零率特征，通过逻辑回归进行目标检测，具有稳定性强，运算效率高，不容易过拟合等特点。
以上已详细描述了本发明的较佳实施例，但应理解到，若需要，能修改实施例的方面来采用各种专利、申请和出版物的方面、特征和构思来提供另外的实施例。
考虑到上文的详细描述，能对实施例做出这些和其它变化。一般而言，在权利要求中，所用的术语不应被认为限制在说明书和权利要求中公开的具体实施例，而是应被理解为包括所有可能的实施例连同这些权利要求所享有的全部等同范围。

Claims (10)

1.一种基于微孔径麦克风阵列的运动目标检测方法，其特征在于，包括以下步骤：
S1：利用微孔径麦克风阵列采集环境噪声、已知类型运动目标的声响信号，建立声响信号的样本库；
S2：对所述样本库中的每个样本的各通道的数据进行降噪处理；
S3：对降噪后的信号进行滤波降采样处理；
S4：计算降采样后的信号的过零率，提取过零率特征；
S5：对降采样后的信号进行傅里叶变换；
S6：对傅里叶变换后的频域信号计算各子带信号能量占比；
S7：对傅里叶变换后的频域信号计算子带相关系数；
S8：将S5、S6和S7得到的特征输入至逻辑回归函数，得到输出概率；
S9：若输出概率大于预设阈值，则判断为有运动目标，否则判断为无运动目标。
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检测方法，其特征在于，所述微孔径麦克风阵列为外径5-8厘米的圆环形阵列，并且各个麦克风之间的间距为厘米级。
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检测方法，其特征在于，S2中，所述降噪处理采用叠加求和的降噪方法，公式为：
Figure FDA0003640593180000011
其中，ci(n)为第i个通道的声响信号，Q为阵列中麦克风的数量，即通道的数量，x(n)为降噪后的信号。
4.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检测方法，其特征在于，S3中的计算公式如下：
Figure FDA0003640593180000012
其中，y(t)为输出信号，x(t)为原始信号，f(τ)为滤波函数。
5.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检测方法，其特征在于，S4中的计算公式如下：
Figure FDA0003640593180000021
其中，Zn为过零率特征，sgn(n)为符号函数：
Figure FDA0003640593180000022
w(n)函数用于计算比例：
Figure FDA0003640593180000023
6.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检测方法，其特征在于，S6中的计算公式如下：
Figure FDA0003640593180000024
其中，Ei(ω)为各子带能量占比；ωia,ωib分别为子带能量的频率上下界，X(ω)为频域信号。
7.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检测方法，其特征在于，S7中的计算公式如下：
Figure FDA0003640593180000025
其中，r为所求的相关系数，Xi、Yi为两路子带信号，
Figure FDA0003640593180000026
为信号均值。
8.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检测方法，其特征在于，S8中的逻辑回归模型的参数训练过程如下：
采用梯度下降法，通过代价函数对w的一阶导数来找下降方向，并且以迭代的方式来更新参数，直至代价函数收敛；
设置代价函数为：
Figure FDA0003640593180000027
其中，N为样本数量，
Figure FDA0003640593180000028
把J(w)作为代价函数，求解梯度，则
Figure FDA0003640593180000029
其中，
Figure FDA0003640593180000031
最终，模型参数为：
w:＝w+α(yi-p)xi，
其中，α为学习率，0<α<1，xi为输入样本的特征，yi为输入样本的标签，p为输出概率，w为待估计的模型参数。
9.根据权利要求8所述的基于微孔径麦克风阵列的运动目标检测方法，其特征在于，S8中的所述输出概率的计算公式为：
Figure FDA0003640593180000032
其中，x为S5、S6和S7得到的特征组成的特征向量，wT为w的转置。
10.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检测方法，其特征在于，所述预设阈值为0.5。
CN202210513842.1A 2022-05-12 2022-05-12 一种基于微孔径麦克风阵列的运动目标检测方法 Pending CN115061086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210513842.1A CN115061086A (zh) 2022-05-12 2022-05-12 一种基于微孔径麦克风阵列的运动目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210513842.1A CN115061086A (zh) 2022-05-12 2022-05-12 一种基于微孔径麦克风阵列的运动目标检测方法

Publications (1)

Publication Number Publication Date
CN115061086A true CN115061086A (zh) 2022-09-16

Family

ID=83198421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210513842.1A Pending CN115061086A (zh) 2022-05-12 2022-05-12 一种基于微孔径麦克风阵列的运动目标检测方法

Country Status (1)

Country Link
CN (1) CN115061086A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050195988A1 (en) * 2004-03-02 2005-09-08 Microsoft Corporation System and method for beamforming using a microphone array
JP2009115735A (ja) * 2007-11-09 2009-05-28 Nippon Telegr & Teleph Corp <Ntt> 距離測定装置、距離測定方法、距離測定プログラム、および記録媒体
CN103994820A (zh) * 2014-04-21 2014-08-20 中国科学院上海微系统与信息技术研究所 一种基于微孔径麦克风阵列的运动目标识别方法
WO2015196760A1 (zh) * 2014-06-27 2015-12-30 中兴通讯股份有限公司 一种麦克风阵列语音检测方法及装置
CN106226739A (zh) * 2016-07-29 2016-12-14 太原理工大学 融合子带分析的双声源定位方法
CN114325214A (zh) * 2021-11-18 2022-04-12 国网辽宁省电力有限公司电力科学研究院 一种基于麦克风阵列声源定位技术的电力在线监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050195988A1 (en) * 2004-03-02 2005-09-08 Microsoft Corporation System and method for beamforming using a microphone array
JP2009115735A (ja) * 2007-11-09 2009-05-28 Nippon Telegr & Teleph Corp <Ntt> 距離測定装置、距離測定方法、距離測定プログラム、および記録媒体
CN103994820A (zh) * 2014-04-21 2014-08-20 中国科学院上海微系统与信息技术研究所 一种基于微孔径麦克风阵列的运动目标识别方法
WO2015196760A1 (zh) * 2014-06-27 2015-12-30 中兴通讯股份有限公司 一种麦克风阵列语音检测方法及装置
CN106226739A (zh) * 2016-07-29 2016-12-14 太原理工大学 融合子带分析的双声源定位方法
CN114325214A (zh) * 2021-11-18 2022-04-12 国网辽宁省电力有限公司电力科学研究院 一种基于麦克风阵列声源定位技术的电力在线监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵益波等: ""基于麦克风阵列自适应非线性滤波的语音信号端点检测方法"", 《科技通报》, vol. 33, no. 4, 30 April 2017 (2017-04-30), pages 199 - 203 *

Similar Documents

Publication Publication Date Title
CN107862705B (zh) 一种基于运动特征和深度学习特征的无人机小目标检测方法
CN106846803B (zh) 基于音频的交通事件检测装置及方法
Seo et al. Drone detection using convolutional neural networks with acoustic STFT features
CN111613240B (zh) 一种基于注意力机制和Bi-LSTM的伪装语音检测方法
CN109884591B (zh) 一种基于麦克风阵列的多旋翼无人机声信号增强方法
CN110176250B (zh) 一种基于局部学习的鲁棒声学场景识别方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN110600054A (zh) 基于网络模型融合的声场景分类方法
CN104766093A (zh) 一种基于麦克风阵列的声目标分类方法
KR20190019713A (ko) 무인 항공기 음향 식별을 위한 서포트 벡터 머신에 기반한 음향 특징 추출 및 분류 방법 그리고 시스템
KR20190087363A (ko) 실질 잡음 환경에서 mfcc 기법을 이용한 hmm 기반 무인 항공기 음향 인식 방법 및 시스템
CN103994820B (zh) 一种基于微孔径麦克风阵列的运动目标识别方法
CN108304857A (zh) 一种基于多模感知的身份识别方法
CN112735473A (zh) 基于声音识别无人机的方法及系统
CN109448389A (zh) 一种汽车鸣笛智能检测方法
CN109031200A (zh) 一种基于深度学习的声源空间方位检测方法
CN112133323A (zh) 一种空间结构性特征相关的无监督分类与有监督修正融合的语音分离方法
CN112183582A (zh) 一种多特征融合的水下目标识别方法
CN113640768B (zh) 一种基于小波变换的低分辨雷达目标识别方法
CN113453180B (zh) 一种人体摔倒智能检测方法、系统、信息数据处理终端
CN116910690A (zh) 一种基于数据融合的目标分类系统
Ku et al. Uav payload detection using deep learning and data augmentation
CN115061086A (zh) 一种基于微孔径麦克风阵列的运动目标检测方法
CN110580915B (zh) 基于可穿戴式设备的声源目标识别系统
CN110444225B (zh) 基于特征融合网络的声源目标识别方法

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