CN116910690A - 一种基于数据融合的目标分类系统 - Google Patents

一种基于数据融合的目标分类系统 Download PDF

Info

Publication number
CN116910690A
CN116910690A CN202310865794.7A CN202310865794A CN116910690A CN 116910690 A CN116910690 A CN 116910690A CN 202310865794 A CN202310865794 A CN 202310865794A CN 116910690 A CN116910690 A CN 116910690A
Authority
CN
China
Prior art keywords
signal
sound
vibration
sample
feature
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
CN202310865794.7A
Other languages
English (en)
Inventor
范波
刘治红
刘永杰
秦有宝
李君妍
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.)
China South Industries Group Automation Research Institute
Original Assignee
China South Industries Group Automation Research Institute
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 China South Industries Group Automation Research Institute filed Critical China South Industries Group Automation Research Institute
Priority to CN202310865794.7A priority Critical patent/CN116910690A/zh
Publication of CN116910690A publication Critical patent/CN116910690A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • 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
    • G10L25/24—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 the cepstrum
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Abstract

本发明公开了一种基于数据融合的目标分类系统，对异质传感器的采集数据进行特征级融合和决策级融合，合理利用多种异构数据进行目标分类；利用声震信号进行车辆和人员等移动目标识别，是一种被动识别技术，不需要实时采集信号，节约成本，同时，可以全天候工作，降低季节、天气等的干扰影响；使用动态时间规整方法进行目标分类，速度更快，适用于对时间延时较敏感的场景。

Description

一种基于数据融合的目标分类系统
技术领域
本发明涉及目标识别技术领域，特别是涉及一种基于数据融合的目标分类系统。
背景技术
由于非合作目标欺骗、干扰等手段的快速发展，使得观测信息中不确定、高冲突等特点日益凸显，需要运用多源、异质传感器进行目标感知、情报侦察，基于异质传感器目标快速分类具有十分重要的现实意义。
与本发明最接近的是“一种基于复合传感器自组网的运动目标分类识别方法”(申请号200910185078.4)，该发明包括以下步骤：首先确定两种传感器节点的目标感应电压阈值，然后将运动目标产生的特征信号转换为三值信号模式，由试验预先建立和构造目标分类识别的样本库。在采集系统采样到运动目标的两种实际信号时，将它们与样本库的标准特征信号进行比较，算出它们之间的距离，距离最小者对应的目标类型作为分类识别的结果。但是，上述技术方案存在以下不足：
1、采集信号为地面运动目标实际产生的磁阻信号和微震动信号，地面移动目标在移动时，会产生声学信号，这部分信号没有进行考虑。相比于仅包含频率和幅度信息的地面震动，以及仅包含强度和波长信息的红外信号，声纹包含了声音来源的多种特征，例如不同声音来源具有不同的声腔尺寸，以及不同的发声部位动作方式，这些都会形成独特的声纹特征，是最有利于区分被感知物体类型的感知数据。
2、特征构建较为简单，对地面目标分类为徒手人员、武装人员、小型车辆、客车、大型车辆和履带式车辆六种类型，类型较少且特征维度少，应用场景受限。
发明内容
鉴于上述问题，本发明提供用于克服上述问题或者至少部分地解决上述问题的一种基于数据融合的目标分类系统。
本发明提供了如下方案：
一种基于数据融合的目标分类系统，包括：
若干传感节点，每个所述传感节点至少包括一个声音传感器以及一个震动传感器；每个所述传感节点各自包含的所述声音传感器以及所述震动传感器分别用于获取移动目标的实测声音频率信号以及实测震动信号，每个所述传感节点用于根据各自获得的所述实测声音频率信号以及所述实测震动信号计算获得实测声音信号特征向量以及实测震动信号特征向量，以便对所述实测声音信号特征向量以及所述实测震动信号特征向量进行特征级融合获得实测声震特征向量；所述实测声震特征向量用于与参考模板库中的模板声震特征向量进行比对匹配获得所述移动目标的实测所属类别概率；
中继节点，所述中继节点与若干所述传感节点可通信相连；所述中继节点用于接收各个所述传感节点发送的各个所述实测所属类别概率，并对各个所述实测所属类别概率进行决策级融合获得所述移动目标的目标类别。
优选地：对所述声音频率信号进行处理获得梅尔频率倒谱系数特征，将所述梅尔频率倒谱系数特征作为所述实测声音信号特征向量。
优选地：所述梅尔频率倒谱系数特征获取方法包括对所述声音频率信号进行预加重、分帧、加窗以及短时傅里叶变换，计算声音能量谱后进行三角滤波，取对数并进行离散余弦变换得到所述梅尔频率倒谱系数特征。
优选地：通过高通量滤波器截频对所述声音频率信号进行预加重。
优选地：所述分帧包括将需处理的所有采样点转换为聚合后的帧。
优选地：所述短时傅里叶变换包括对分帧加窗后的各帧信号进行快速傅里叶变换，抽取每个时间窗之内的一段信号表示某一时刻的信号特征，得到各帧频谱，并对频谱取模平方得到所述声音频率信号的声音能量谱。
优选地：对所述实测震动信号进行短时傅里叶变换，取震动能量谱特征作为所述实测震动信号特征向量。
优选地：将所述梅尔频率倒谱系数特征与所述震动能量谱特征进行特征级融合获得所述实测声震特征向量。
优选地：所述参考模板库的建立方法包括：
在合作环境试验条件下，利用声音传感器和震动传感器采集样本移动目标的若干样本声音频率信号以及若干样本震动信号进行采集；通过各个所述样本声音频率信号以及各个所述样本震动信号计算获得若干样本声音信号特征向量以及若干样本震动信号特征向量；对若干所述样本声音信号特征向量以及若干所述样本震动信号特征向量进行特征级融合获得若干样本声震特征向量；
对每两个所述样本声震特征向量进行匹配计算，得到匹配距离，将若干所述样本声震特征向量聚类为若干个不同的类，将类的形心作为参考序列获得所述参考模板库。
优选地：所述移动目标包括人体目标以及车辆目标。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本申请实施例提供的一种基于数据融合的目标分类系统，对异质传感器的采集数据进行特征级融合和决策级融合，合理利用多种异构数据进行目标分类；利用声震信号进行车辆和人员等移动目标识别，是一种被动识别技术，不需要实时采集信号，节约成本，同时，可以全天候工作，降低季节、天气等的干扰影响；使用动态时间规整方法进行目标分类，速度更快，适用于对时间延时较敏感的场景。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
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说，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是本发明实施例提供的一种基于数据融合的目标分类系统的原理图；
图2是本发明实施例提供的获取声谱图的流程图；
图3是本发明实施例提供的DTW模板匹配流程。
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的一部分实施例，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所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，为本发明实施例提供的一种基于数据融合的目标分类系统，如图1所示，该系统可以包括：
若干传感节点，每个所述传感节点至少包括一个声音传感器以及一个震动传感器；每个所述传感节点各自包含的所述声音传感器以及所述震动传感器分别用于获取移动目标的实测声音频率信号以及实测震动信号，每个所述传感节点用于根据各自获得的所述实测声音频率信号以及所述实测震动信号计算获得实测声音信号特征向量以及实测震动信号特征向量，以便对所述实测声音信号特征向量以及所述实测震动信号特征向量进行特征级融合获得实测声震特征向量；所述实测声震特征向量用于与参考模板库中的模板声震特征向量进行比对匹配获得所述移动目标的实测所属类别概率；
中继节点，所述中继节点与若干所述传感节点可通信相连；所述中继节点用于接收各个所述传感节点发送的各个所述实测所属类别概率，并对各个所述实测所属类别概率进行决策级融合获得所述移动目标的目标类别。
本申请实施例提供的基于数据融合的目标分类系统，将特征级数据融合和决策级数据融合结合进行快速目标分类，每个传感节点使用声震特征作为目标特征，使用动态时间规整方法进行快速目标识别，在中继节点对于每个传感器的目标识别进行相似度排序，以进行决策得到最终目标类别。
该系统还适用于多个传感节点和一个中继节点组成的无线传感网络，传感节点对目标进行声学信号和震动信号的特征级融合，快速识别目标，将目标可能所属类别概率发送给中继节点，中继节点进行决策级融合，对多个传感节点的目标识别进行分析，得到目标类型。
为了实现两个特征的融合，本申请实施例可以提供对所述声音频率信号进行处理获得梅尔频率倒谱系数特征，将所述梅尔频率倒谱系数特征作为所述实测声音信号特征向量。在实际应用中，可以通过将梅尔频率倒谱系数特征(MFCC)作为实测声音信号特征向量。
进一步的，所述梅尔频率倒谱系数特征获取方法包括对所述声音频率信号进行预加重、分帧、加窗以及短时傅里叶变换，计算声音能量谱后进行三角滤波，取对数并进行离散余弦变换得到所述梅尔频率倒谱系数特征。
具体的，通过高通量滤波器截频对所述声音频率信号进行预加重。所述分帧包括将需处理的所有采样点转换为聚合后的帧。所述短时傅里叶变换包括对分帧加窗后的各帧信号进行快速傅里叶变换，抽取每个时间窗之内的一段信号表示某一时刻的信号特征，得到各帧频谱，并对频谱取模平方得到所述声音频率信号的声音能量谱。
进一步的，对所述实测震动信号进行短时傅里叶变换，取能震动量谱特征作为所述实测震动信号特征向量。
在实际进行特征融合时，本申请实施例可以提供将所述梅尔频率倒谱系数特征与所述振动能量谱特征进行特征级融合获得所述实测声震特征向量。
为了方便建立模板库，本申请实施例可以提供所述参考模板库的建立方法包括：
在合作环境试验条件下，利用声音传感器和震动传感器采集样本移动目标的若干样本声音频率信号以及若干样本震动信号进行采集；通过各个所述样本声音频率信号以及各个所述样本震动信号计算获得若干样本声音信号特征向量以及若干样本震动信号特征向量；对若干所述样本声音信号特征向量以及若干所述样本震动信号特征向量进行特征级融合获得若干样本声震特征向量；
对每两个所述样本声震特征向量进行匹配计算，得到匹配距离，将若干所述样本声震特征向量聚类为若干个不同的类，将类的形心作为参考序列获得所述参考模板库。
本申请实施例提供的移动目标可以包含多种，例如，在一种实现方式下，本申请实施例可以提供所述移动目标包括人体目标以及车辆目标。
总之，本申请提供的基于数据融合的目标分类系统，对异质传感器的采集数据进行特征级融合和决策级融合，合理利用多种异构数据进行目标分类；利用声震信号进行车辆和人员等移动目标识别，是一种被动识别技术，不需要实时采集信号，节约成本，同时，可以全天候工作，降低季节、天气等的干扰影响；使用动态时间规整方法进行目标分类，速度更快，适用于对时间延时较敏感的场景。
下面以试验的方式对本申请实施例提供的系统进行详细介绍说明。
无线传感网络包括音频、震动、红外等异质传感器，活动目标类型包括各类人、车、动物等不确定性，探测信号易受风、雷、雨等自然环境的干扰，这对目标类型的判断是一大挑战。本申请实施例提供的系统针对无线传感网络异质传感器的特点，提出一种基于异质传感器数据融合的目标快速分类系统，对异质传感器的探测数据进行特征级融合和决策级融合，实现探测目标的快速分类。
该系统可以通过以下技术方案实现，包括以下步骤：
步骤1：获取训练信号，进行特征提取，得到对应声震特征用于建立参考模板库。
具体实现时，在真实环境试验条件下，如图2所示，利用声音传感器对人体目标和车辆目标的样本声音频率信号s1和样本震动信号s2进行采集。对样本声音频率信号进行预加重、分帧、加窗，进行短时傅里叶变换，计算声音能量谱，三角滤波，取对数并进行离散余弦变换，得到MFCC(Me l频率倒谱系数)特征，作为样本声音信号特征向量。
对声音信号s1进行预加重、分帧、加窗，进行短时傅里叶变换，计算能量谱，三角滤波，取对数并进行离散余弦变换。对震动信号s2，进行预加重、分帧、加窗，进行短时傅里叶变换，计算震动能量谱。将声音信号s1的梅尔特征和s2的震动能量谱特征进行特征级融合，得到样本训练信号的声震特征。具体步骤如下：
(1)通过高通量滤波器截频训练信号s1进行预加重：
s′ 1(t)＝s1(t)-u×s1(t-1)
其中，t为时间序列的刻度，s′ 1(t)是经过高通量滤波器后t时刻的幅度，s1(t)和s1(t-1)分别表征t时刻和上一时刻原始音频信号的时域幅度，u为滤波系数，取0.9；
(2)分帧，即将需处理的采样点转换为聚合后的帧，将128或256个采样点聚合为一帧，分帧后的信号为
(3)加汉明窗，消去高频干扰和漏能：
其中，表示要加窗的帧，W(n)表示作用于这一帧的窗函数，这里使用汉明窗：
其中，a0取0.54。
(4)对分帧加窗后的各帧信号进行快速傅里叶变换，即抽取每个时间窗之内的一段信号来表示某一时刻的信号特征，得到各帧频谱Sf(k)，并对频谱取模平方得到信号s1的功率谱Sp(k)：
Sp(k)＝|Sf(k)|2
其中，为分帧加窗后的各帧信号，Sf(k)是信号频谱，Sp(k)为信号功率谱。
(5)三角滤波的频率响应定义为：
其中，
计算每个滤波器组输出的对数能量为：
(6)通过离散余弦变换，得到声音信号的MFCC特征：
步骤2：建立参考模板。对若干个样本声震特征向量每两个进行匹配计算，得到匹配距离，将其聚类为N个不同的类，将类的形心作为参考序列获得参考模板库。
步骤3：在真实环境试验条件下，利用声音传感器以及震动传感器对人体目标和车辆目标的实测声音频率信号和实测震动信号进行采集。获得需识别信号，进行特征提取，得到对应声震特征。对实测声音频率信号进行预加重、分帧、加窗，进行短时傅里叶变换，计算能量谱，三角滤波，取对数并进行离散余弦变换，得到MFCC(Mel频率倒谱系数)特征，作为实测声音信号特征向量。
对实测震动信号进行短时傅里叶变换，取能量谱特征作为震动信号特征向量。
将两个向量简单拼接，得到信号的实测声震特征向量。
其中实测声音信号特征向量的获取方法与样本声音信号特征向量的获取方法相同，在此不再赘述。
步骤4：如图3所示，采用动态时间规整(DTW)方法结合实测声震特征向量得到识别结果d(p,k)(x)，其中，d(p,k)(x)表示传感器p识别信号x属于第k类目标的概率度量(1≤k≤nobject)。
步骤5：各个传感节点将实测所属类别概率发送至中继节点，中继节点融合多个传感节点的识别结果，得到最终识别目标类别。
该系统适用于采用声学、红外和震动等多种异质传感器进行组网的无线传感网络，通过异质传感器多模式数据融合以进行目标快速分类，满足快速机动、隐蔽侦察的应用需求，可应用于对复杂未知战场环境的情报侦察和环境监测，也可推广到民用领域，应用于环境监测、森林防火、灾难预防、危险区域监测、野生动物的跟踪监护、工程设施的安全性监测等方面，应用推广前景良好。
需要说明的是，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。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加上必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于数据融合的目标分类系统，其特征在于，包括：
若干传感节点，每个所述传感节点至少包括一个声音传感器以及一个震动传感器；每个所述传感节点各自包含的所述声音传感器以及所述震动传感器分别用于获取移动目标的实测声音频率信号以及实测震动信号，每个所述传感节点用于根据各自获得的所述实测声音频率信号以及所述实测震动信号计算获得实测声音信号特征向量以及实测震动信号特征向量，以便对所述实测声音信号特征向量以及所述实测震动信号特征向量进行特征级融合获得实测声震特征向量；所述实测声震特征向量用于与参考模板库中的模板声震特征向量进行比对匹配获得所述移动目标的实测所属类别概率；
中继节点，所述中继节点与若干所述传感节点可通信相连；所述中继节点用于接收各个所述传感节点发送的各个所述实测所属类别概率，并对各个所述实测所属类别概率进行决策级融合获得所述移动目标的目标类别。
2.根据权利要求1所述的基于数据融合的目标分类系统，其特征在于，对所述实测声音频率信号进行处理获得梅尔频率倒谱系数特征，将所述梅尔频率倒谱系数特征作为所述实测声音信号特征向量。
3.根据权利要求2所述的基于数据融合的目标分类系统，其特征在于，所述梅尔频率倒谱系数特征获取方法包括对所述声音频率信号进行预加重、分帧、加窗以及短时傅里叶变换，计算声音能量谱后进行三角滤波，取对数并进行离散余弦变换得到所述梅尔频率倒谱系数特征。
4.根据权利要求3所述的基于数据融合的目标分类系统，其特征在于，通过高通量滤波器截频对所述声音频率信号进行预加重。
5.根据权利要求3所述的基于数据融合的目标分类系统，其特征在于，所述分帧包括将需处理的所有采样点转换为聚合后的帧。
6.根据权利要求3所述的基于数据融合的目标分类系统，其特征在于，所述短时傅里叶变换包括对分帧加窗后的各帧信号进行快速傅里叶变换，抽取每个时间窗之内的一段信号表示某一时刻的信号特征，得到各帧频谱，并对频谱取模平方得到所述声音频率信号的声音能量谱。
7.根据权利要求2所述的基于数据融合的目标分类系统，其特征在于，对所述实测震动信号进行短时傅里叶变换，取震动能量谱特征作为所述实测震动信号特征向量。
8.根据权利要求7所述的基于数据融合的目标分类系统，其特征在于，将所述梅尔频率倒谱系数特征与所述震动能量谱特征进行特征级融合获得所述实测声震特征向量。
9.根据权利要求1所述的基于数据融合的目标分类系统，其特征在于，所述参考模板库的建立方法包括：
在合作环境试验条件下，利用声音传感器和震动传感器采集样本移动目标的若干样本声音频率信号以及若干样本震动信号进行采集；通过各个所述样本声音频率信号以及各个所述样本震动信号计算获得若干样本声音信号特征向量以及若干样本震动信号特征向量；对若干所述样本声音信号特征向量以及若干所述样本震动信号特征向量进行特征级融合获得若干样本声震特征向量；
对每两个所述样本声震特征向量进行匹配计算，得到匹配距离，将若干所述样本声震特征向量聚类为若干个不同的类，将类的形心作为参考序列获得所述参考模板库。
10.根据权利要求1所述的基于数据融合的目标分类系统，其特征在于，所述移动目标包括人体目标以及车辆目标。
CN202310865794.7A 2023-07-14 2023-07-14 一种基于数据融合的目标分类系统 Pending CN116910690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310865794.7A CN116910690A (zh) 2023-07-14 2023-07-14 一种基于数据融合的目标分类系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310865794.7A CN116910690A (zh) 2023-07-14 2023-07-14 一种基于数据融合的目标分类系统

Publications (1)

Publication Number Publication Date
CN116910690A true CN116910690A (zh) 2023-10-20

Family

ID=88367659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310865794.7A Pending CN116910690A (zh) 2023-07-14 2023-07-14 一种基于数据融合的目标分类系统

Country Status (1)

Country Link
CN (1) CN116910690A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117647587A (zh) * 2024-01-30 2024-03-05 浙江大学海南研究院 一种声发射信号分类方法、计算机设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117647587A (zh) * 2024-01-30 2024-03-05 浙江大学海南研究院 一种声发射信号分类方法、计算机设备及介质
CN117647587B (zh) * 2024-01-30 2024-04-09 浙江大学海南研究院 一种声发射信号分类方法、计算机设备及介质

Similar Documents

Publication Publication Date Title
Yang et al. UAV detection system with multiple acoustic nodes using machine learning models
CN106023996B (zh) 基于十字形声阵列宽带波束形成的声识别方法
Oleynikov et al. Investigation of detection and recognition efficiency of small unmanned aerial vehicles on their acoustic radiation
CN111724770B (zh) 一种基于深度卷积生成对抗网络的音频关键词识别方法
Socoró et al. Development of an Anomalous Noise Event Detection Algorithm for dynamic road traffic noise mapping
CN112735473B (zh) 基于声音识别无人机的方法及系统
Priyadarshani et al. Wavelet filters for automated recognition of birdsong in long‐time field recordings
CN112985574B (zh) 基于模型融合的光纤分布式声波传感信号高精度分类识别方法
CN116910690A (zh) 一种基于数据融合的目标分类系统
CN111209853B (zh) 基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法
Rahman et al. Hybrid system for automatic detection of gunshots in indoor environment
Wang et al. A novel underground pipeline surveillance system based on hybrid acoustic features
Gomez-Alanis et al. Adversarial transformation of spoofing attacks for voice biometrics
CN114417908A (zh) 一种基于多模态融合的无人机探测系统和方法
CN113640768A (zh) 一种基于小波变换的低分辨雷达目标识别方法
Ku et al. UAV payload detection using deep learning and data augmentation
Luitel et al. Sound event detection in urban soundscape using two-level classification
Zhao Anomalous sound detection based on convolutional neural network and mixed features
CN111968671B (zh) 基于多维特征空间的低空声目标综合识别方法及装置
Sun et al. Vehicle acoustic and seismic synchronization signal classification using long-term features
Ghiurcau et al. About classifying sounds in protected environments
Diez Gaspon et al. Deep learning for natural sound classification
Agarwal et al. Security threat sounds classification using neural network
Kim et al. How Far Can a Drone be Detected? A Drone-to-Drone Detection System Using Sensor Fusion.
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