JP2003202260A - 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 - Google Patents
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Info
- Publication number
- JP2003202260A JP2003202260A JP2002309074A JP2002309074A JP2003202260A JP 2003202260 A JP2003202260 A JP 2003202260A JP 2002309074 A JP2002309074 A JP 2002309074A JP 2002309074 A JP2002309074 A JP 2002309074A JP 2003202260 A JP2003202260 A JP 2003202260A
- Authority
- JP
- Japan
- Prior art keywords
- signal
- sound source
- extracted
- spectrum
- level
- 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
Links
Abstract
(57)【要約】
【課題】音による交通事故等の突発事象の検出精度を向
上させ得る音源識別装置を提供する。 【解決手段】マイクロフォン３にて検出した音響信号か
ら所定周波数帯域の信号を抽出する信号抽出手段１１
と、この抽出音響信号を入力して、当該音響信号を積分
した音響エネルギーからそのレベル値およびピーク値が
設定値を超えているか否かを検出するレベル検出手段１
２およびピーク検出手段１３と、これら両手段のいずれ
かからの検出信号が入力された場合に、抽出音響信号の
周波数スペクトルを演算するスペクトル演算手段１５
と、このスペクトル演算手段にて求められたスペクトル
を入力して、ニューラルネットワークにて音源の種類を
特定する音源識別手段１６とを具備したものである。
上させ得る音源識別装置を提供する。 【解決手段】マイクロフォン３にて検出した音響信号か
ら所定周波数帯域の信号を抽出する信号抽出手段１１
と、この抽出音響信号を入力して、当該音響信号を積分
した音響エネルギーからそのレベル値およびピーク値が
設定値を超えているか否かを検出するレベル検出手段１
２およびピーク検出手段１３と、これら両手段のいずれ
かからの検出信号が入力された場合に、抽出音響信号の
周波数スペクトルを演算するスペクトル演算手段１５
と、このスペクトル演算手段にて求められたスペクトル
を入力して、ニューラルネットワークにて音源の種類を
特定する音源識別手段１６とを具備したものである。
Description
【０００１】
【発明の属する技術分野】本発明は、交差点などに設置
されて交通事故等の突発事象に起因する音を検出すると
ともに、この交通事故等を自動的に撮影して記録するた
めの音源識別装置および突発事象検出装置並びに突発事
象自動記録装置に関するものである。
されて交通事故等の突発事象に起因する音を検出すると
ともに、この交通事故等を自動的に撮影して記録するた
めの音源識別装置および突発事象検出装置並びに突発事
象自動記録装置に関するものである。
【０００２】
【従来の技術】近年、交通事故は増加の一途を辿り、交
通事故の発生数を減らすことが急務とされ、このため、
交差点などに交通事故自動記録装置を設置し、事故前後
の状況を映像にて記録することにより、事故分析が行わ
れている。
通事故の発生数を減らすことが急務とされ、このため、
交差点などに交通事故自動記録装置を設置し、事故前後
の状況を映像にて記録することにより、事故分析が行わ
れている。
【０００３】この種の交通事故自動記録装置は、カメラ
装置にて交差点を撮影するとともに、交通事故に基づく
衝突音、急ブレーキ音などを検出した際に、その前後に
おける映像を、自動的に保存するものである。
装置にて交差点を撮影するとともに、交通事故に基づく
衝突音、急ブレーキ音などを検出した際に、その前後に
おける映像を、自動的に保存するものである。
【０００４】ところで、交差点などにおいては、事故以
外の音が多数発生しており、交通事故の映像を保存する
ためには、検出した音が交通事故に起因しているもので
あるか否かを判断する必要がある。
外の音が多数発生しており、交通事故の映像を保存する
ためには、検出した音が交通事故に起因しているもので
あるか否かを判断する必要がある。
【０００５】従来、音を分析する場合、音圧解析とスペ
クトル解析とが併用して行われており、例えば音圧解析
については、時系列の音圧分布にて、或るしきい値を超
えた場合に、車両の衝突による衝撃音が発生したと判断
されていた。すなわち、音響信号のスペクトル分布か
ら、衝撃音と判断されていた（例えば、特開平４−３３
８９００号公報参照）。
クトル解析とが併用して行われており、例えば音圧解析
については、時系列の音圧分布にて、或るしきい値を超
えた場合に、車両の衝突による衝撃音が発生したと判断
されていた。すなわち、音響信号のスペクトル分布か
ら、衝撃音と判断されていた（例えば、特開平４−３３
８９００号公報参照）。
【０００６】
【特許文献１】特開平４−３３８９００号公報（第３頁
の［００２２］〜［００２３］欄）
の［００２２］〜［００２３］欄）
【０００７】
【発明が解決しようとする課題】ところで、上述した音
源の判断方法によると、大型トラックの荷台の振動音、
道路工事の音、カラスの鳴き声などは、事故音と区別す
るのが難しく、したがって自動的に記録された映像を再
生した場合、単に、大型トラックが通過しただけという
ように、事故とは関係のない映像が多く記録されてお
り、その検出精度が低いという問題があった。
源の判断方法によると、大型トラックの荷台の振動音、
道路工事の音、カラスの鳴き声などは、事故音と区別す
るのが難しく、したがって自動的に記録された映像を再
生した場合、単に、大型トラックが通過しただけという
ように、事故とは関係のない映像が多く記録されてお
り、その検出精度が低いという問題があった。
【０００８】そこで、本発明は、音による交通事故等の
突発事象の検出精度を向上させ得る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を提供す
ることを目的とする。
突発事象の検出精度を向上させ得る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を提供す
ることを目的とする。
【０００９】
【課題を解決するための手段】上記課題を解決するため
に、本発明の音源識別装置は、音響検出手段にて検出さ
れた音響信号から所定周波数帯域の信号を抽出する信号
抽出手段と、上記信号抽出手段にて抽出された抽出音響
信号を入力して、所定の積分時間にて積分を行い音響エ
ネルギーを求めるとともに当該音響エネルギーが所定の
設定レベル値を超えているか否かを判断するレベル検出
手段と、上記信号抽出手段にて抽出された抽出音響信号
を入力して、上記レベル検出手段における積分時間より
も短い所定の積分時間にて積分を行い音響エネルギーを
求めるとともに当該音響エネルギーが所定の設定ピーク
値を超えているか否かを検出するピーク検出手段と、上
記レベル検出手段およびピーク検出手段からの検出信号
を入力して、レベル値およびピーク値のいずれかがそれ
ぞれの設定値を超えている場合に、当該抽出音響信号の
周波数スペクトルを演算するスペクトル演算手段と、こ
のスペクトル演算手段にて求められたスペクトルを入力
して、ニューラルネットワークにて音源の種類を特定す
る音源識別手段とを具備したものである。
に、本発明の音源識別装置は、音響検出手段にて検出さ
れた音響信号から所定周波数帯域の信号を抽出する信号
抽出手段と、上記信号抽出手段にて抽出された抽出音響
信号を入力して、所定の積分時間にて積分を行い音響エ
ネルギーを求めるとともに当該音響エネルギーが所定の
設定レベル値を超えているか否かを判断するレベル検出
手段と、上記信号抽出手段にて抽出された抽出音響信号
を入力して、上記レベル検出手段における積分時間より
も短い所定の積分時間にて積分を行い音響エネルギーを
求めるとともに当該音響エネルギーが所定の設定ピーク
値を超えているか否かを検出するピーク検出手段と、上
記レベル検出手段およびピーク検出手段からの検出信号
を入力して、レベル値およびピーク値のいずれかがそれ
ぞれの設定値を超えている場合に、当該抽出音響信号の
周波数スペクトルを演算するスペクトル演算手段と、こ
のスペクトル演算手段にて求められたスペクトルを入力
して、ニューラルネットワークにて音源の種類を特定す
る音源識別手段とを具備したものである。
【００１０】上記音源識別装置の構成によると、音響検
出手段にて検出された音響信号について、レベル検出手
段およびピーク検出手段にて、少なくともいずれかの検
出信号が検出された場合に、当該音響信号の周波数スペ
クトルを求めるとともに、ニューラルネットワークを用
いてその音源の種別を特定するようにしたので、すなわ
ちニューラルネットワークにて音源の種別を特定する際
に、予備判断を行うようにしたので、音源を、正確に識
別することができる。
出手段にて検出された音響信号について、レベル検出手
段およびピーク検出手段にて、少なくともいずれかの検
出信号が検出された場合に、当該音響信号の周波数スペ
クトルを求めるとともに、ニューラルネットワークを用
いてその音源の種別を特定するようにしたので、すなわ
ちニューラルネットワークにて音源の種別を特定する際
に、予備判断を行うようにしたので、音源を、正確に識
別することができる。
【００１１】また、本発明の突発事象検出装置は、音響
検出手段にて検出された音響信号から所定周波数帯域の
信号を抽出する信号抽出手段と、上記信号抽出手段にて
抽出された抽出音響信号を入力して、所定の積分時間に
て積分を行い音響エネルギーを求めるとともに当該音響
エネルギーが所定の設定レベル値を超えているか否かを
判断するレベル検出手段と、上記信号抽出手段にて抽出
された抽出音響信号を入力して、上記レベル検出手段に
おける積分時間よりも短い所定の積分時間にて積分を行
い音響エネルギーを求めるとともに当該音響エネルギー
が所定の設定ピーク値を超えているか否かを判断するピ
ーク検出手段と、上記信号抽出手段にて抽出された抽出
音響信号を入力して、所定の積分時間にて積分を行い音
響エネルギーを求めるとともに当該音響エネルギーが所
定の設定レベル値を超えている場合に、さらに所定時間
経過後に、再度、当該所定の設定レベル値を超えている
か否かを判断するレベル継続検出手段と、上記レベル検
出手段およびピーク検出手段からの検出信号を入力し
て、レベル値およびピーク値のいずれかがそれぞれの設
定値を超えている場合に、当該抽出音響信号の周波数ス
ペクトルを演算するスペクトル演算手段と、このスペク
トル演算手段にて求められたスペクトルを入力して、ニ
ューラルネットワークにて音源の種類を特定する音源識
別手段と、この音源識別手段にて識別された識別信号を
入力するとともに、上記ピーク検出手段およびレベル継
続検出手段からの検出信号を入力して、これら各信号に
基づき、突発事象であるか否かを判定する突発事象判定
手段とを具備したものである。
検出手段にて検出された音響信号から所定周波数帯域の
信号を抽出する信号抽出手段と、上記信号抽出手段にて
抽出された抽出音響信号を入力して、所定の積分時間に
て積分を行い音響エネルギーを求めるとともに当該音響
エネルギーが所定の設定レベル値を超えているか否かを
判断するレベル検出手段と、上記信号抽出手段にて抽出
された抽出音響信号を入力して、上記レベル検出手段に
おける積分時間よりも短い所定の積分時間にて積分を行
い音響エネルギーを求めるとともに当該音響エネルギー
が所定の設定ピーク値を超えているか否かを判断するピ
ーク検出手段と、上記信号抽出手段にて抽出された抽出
音響信号を入力して、所定の積分時間にて積分を行い音
響エネルギーを求めるとともに当該音響エネルギーが所
定の設定レベル値を超えている場合に、さらに所定時間
経過後に、再度、当該所定の設定レベル値を超えている
か否かを判断するレベル継続検出手段と、上記レベル検
出手段およびピーク検出手段からの検出信号を入力し
て、レベル値およびピーク値のいずれかがそれぞれの設
定値を超えている場合に、当該抽出音響信号の周波数ス
ペクトルを演算するスペクトル演算手段と、このスペク
トル演算手段にて求められたスペクトルを入力して、ニ
ューラルネットワークにて音源の種類を特定する音源識
別手段と、この音源識別手段にて識別された識別信号を
入力するとともに、上記ピーク検出手段およびレベル継
続検出手段からの検出信号を入力して、これら各信号に
基づき、突発事象であるか否かを判定する突発事象判定
手段とを具備したものである。
【００１２】さらに、本発明の突発事象自動記録装置
は、上記突発事象検出装置を用いた突発事象自動記録装
置であって、突発事象判定手段により突発事象であると
判断された場合に、突発事象を撮影している撮影手段か
らの映像を、映像記録手段にて保存させる映像保存指示
手段を具備させたものである。
は、上記突発事象検出装置を用いた突発事象自動記録装
置であって、突発事象判定手段により突発事象であると
判断された場合に、突発事象を撮影している撮影手段か
らの映像を、映像記録手段にて保存させる映像保存指示
手段を具備させたものである。
【００１３】上記突発事象検出装置および当該突発事象
検出装置を用いた突発事象自動記録装置の構成による
と、上記音源識別装置におけるニューラルネットワーク
にて特定された音源に対して、さらにレベル継続検出手
段により、信号レベルが継続しているか否かの判断が加
味されているので、音源が、予め、想定された突発事象
に基づくものであるか否かを、正確に検出することがで
き、したがって自動的に突発事象の映像を記録する場合
に、その検出精度を向上させることができる。すなわ
ち、上記事故判定装置を、交通事故自動記録装置に適用
した場合には、交通事故を、精度よく、映像にて記録す
ることができる。
検出装置を用いた突発事象自動記録装置の構成による
と、上記音源識別装置におけるニューラルネットワーク
にて特定された音源に対して、さらにレベル継続検出手
段により、信号レベルが継続しているか否かの判断が加
味されているので、音源が、予め、想定された突発事象
に基づくものであるか否かを、正確に検出することがで
き、したがって自動的に突発事象の映像を記録する場合
に、その検出精度を向上させることができる。すなわ
ち、上記事故判定装置を、交通事故自動記録装置に適用
した場合には、交通事故を、精度よく、映像にて記録す
ることができる。
【００１４】
【発明の実施の形態】以下、本発明の第１の実施の形態
に係る音源識別装置および突発事象検出装置並びに突発
事象自動記録装置を、図１〜図８に基づき説明する。
に係る音源識別装置および突発事象検出装置並びに突発
事象自動記録装置を、図１〜図８に基づき説明する。
【００１５】なお、本実施の形態においては、突発事象
自動記録装置について説明するが、本発明に係る音源識
別装置および突発事象検出装置については、当該突発事
象自動記録装置にて使用されるものであり、この装置の
構成の一部として説明する。
自動記録装置について説明するが、本発明に係る音源識
別装置および突発事象検出装置については、当該突発事
象自動記録装置にて使用されるものであり、この装置の
構成の一部として説明する。
【００１６】また、本実施の形態では、突発事象として
交通事故を対象として説明するが、その音源の識別対象
としては、衝突音などの他に、交通事故の検出に際し、
重要な手掛かりとなるブレーキ、クラクション、サイレ
ン、暴走音などの音源についても対象としており、した
がって以下の説明では、これらを含めて事故音と称する
とともに、交通事故以外の事象も含むため事故等と称
し、さらに突発事象検出装置については事故検出装置
と、また突発事象自動記録装置については交通事故自動
記録装置として説明する。
交通事故を対象として説明するが、その音源の識別対象
としては、衝突音などの他に、交通事故の検出に際し、
重要な手掛かりとなるブレーキ、クラクション、サイレ
ン、暴走音などの音源についても対象としており、した
がって以下の説明では、これらを含めて事故音と称する
とともに、交通事故以外の事象も含むため事故等と称
し、さらに突発事象検出装置については事故検出装置
と、また突発事象自動記録装置については交通事故自動
記録装置として説明する。
【００１７】図１に示すように、この交通事故自動記録
装置１には、交通事故を監視する箇所、例えば交通事故
が頻繁に発生する交差点Ｋに設置されるカメラ装置（撮
影手段）２と、交差点Ｋ付近にて発生する音を検出する
ためのマイクロフォン（音響検出手段の一例で、以下、
マイクという）３と、このマイク３にて検出された音響
信号に基づき事故等を特定するための事故検出装置４
と、この事故検出装置４にて事故等であると判断された
場合に、カメラ装置１にて撮影された映像を記録する映
像記録手段（例えば、ビデオ装置、ハードディスク装置
などが用いられる）５とから構成されている。
装置１には、交通事故を監視する箇所、例えば交通事故
が頻繁に発生する交差点Ｋに設置されるカメラ装置（撮
影手段）２と、交差点Ｋ付近にて発生する音を検出する
ためのマイクロフォン（音響検出手段の一例で、以下、
マイクという）３と、このマイク３にて検出された音響
信号に基づき事故等を特定するための事故検出装置４
と、この事故検出装置４にて事故等であると判断された
場合に、カメラ装置１にて撮影された映像を記録する映
像記録手段（例えば、ビデオ装置、ハードディスク装置
などが用いられる）５とから構成されている。
【００１８】上記事故検出装置４は、図２に示すよう
に、上記マイク３にて集音された音響信号を入力して所
定周波数帯域の信号を抽出する信号抽出手段１１と、こ
の信号抽出手段１１にて抽出された抽出音響信号を入力
して、所定の第１積分時間にて積分を行い音響エネルギ
ー（積分値である、以下、同じ）を求め、且つ当該音響
エネルギーが所定の第１設定レベル値を超えているか否
かを判断するとともに、超えている場合には、所定の検
出信号を出力するレベル検出手段１２と、上記信号抽出
手段１１にて抽出された抽出音響信号を入力して、上記
第１積分時間よりも短い所定の第２積分時間にて積分を
行い音響エネルギーを求め、且つ当該音響エネルギーが
所定の設定ピーク値を超えているか否かを判断するとと
もに、超えている場合には、所定の検出信号を出力する
ピーク検出手段１３と、上記信号抽出手段１１にて抽出
された抽出音響信号を入力して、所定の第３積分時間に
て積分を行い音響エネルギーを求め、且つ当該音響エネ
ルギーが所定の設定レベル値を超えている場合に、さら
に所定時間経過後に、再度、当該所定の設定レベル値を
超えているか否かを判断するとともに、超えている場合
には、所定の検出信号を出力するレベル継続検出手段１
４と、上記レベル検出手段１２およびピーク検出手段１
３からの少なくともいずれかの検出信号を入力した場合
に、所定周波数領域を所定個数に分割するとともに、こ
れら各分割周波数領域に係る音響信号の周波数スペクト
ル（以下、単にスペクトルといい、またスペクトラムと
もいう）をそれぞれ演算するスペクトル演算手段１５
と、このスペクトル演算手段１５にて求められた各分割
周波数領域でのスペクトルを入力して、ニューラルネッ
トワーク（手法）を用いて音源を特定し識別を行う音源
識別手段１６と、この音源識別手段１６にて識別された
音源識別信号を入力するとともに、上記ピーク検出手段
１３およびレベル継続検出手段１４からの検出信号をそ
れぞれ入力して、事故等であるか否かを判定する事故判
定手段１７とが具備されている。
に、上記マイク３にて集音された音響信号を入力して所
定周波数帯域の信号を抽出する信号抽出手段１１と、こ
の信号抽出手段１１にて抽出された抽出音響信号を入力
して、所定の第１積分時間にて積分を行い音響エネルギ
ー（積分値である、以下、同じ）を求め、且つ当該音響
エネルギーが所定の第１設定レベル値を超えているか否
かを判断するとともに、超えている場合には、所定の検
出信号を出力するレベル検出手段１２と、上記信号抽出
手段１１にて抽出された抽出音響信号を入力して、上記
第１積分時間よりも短い所定の第２積分時間にて積分を
行い音響エネルギーを求め、且つ当該音響エネルギーが
所定の設定ピーク値を超えているか否かを判断するとと
もに、超えている場合には、所定の検出信号を出力する
ピーク検出手段１３と、上記信号抽出手段１１にて抽出
された抽出音響信号を入力して、所定の第３積分時間に
て積分を行い音響エネルギーを求め、且つ当該音響エネ
ルギーが所定の設定レベル値を超えている場合に、さら
に所定時間経過後に、再度、当該所定の設定レベル値を
超えているか否かを判断するとともに、超えている場合
には、所定の検出信号を出力するレベル継続検出手段１
４と、上記レベル検出手段１２およびピーク検出手段１
３からの少なくともいずれかの検出信号を入力した場合
に、所定周波数領域を所定個数に分割するとともに、こ
れら各分割周波数領域に係る音響信号の周波数スペクト
ル（以下、単にスペクトルといい、またスペクトラムと
もいう）をそれぞれ演算するスペクトル演算手段１５
と、このスペクトル演算手段１５にて求められた各分割
周波数領域でのスペクトルを入力して、ニューラルネッ
トワーク（手法）を用いて音源を特定し識別を行う音源
識別手段１６と、この音源識別手段１６にて識別された
音源識別信号を入力するとともに、上記ピーク検出手段
１３およびレベル継続検出手段１４からの検出信号をそ
れぞれ入力して、事故等であるか否かを判定する事故判
定手段１７とが具備されている。
【００１９】また、この交通事故自動記録装置１には、
上記事故判定手段１７にて事故等であると判定された場
合に、カメラ装置２にて撮影している映像を映像記録手
段５に記録させるための保存指示を出力する映像保存指
示手段１８が設けられている。
上記事故判定手段１７にて事故等であると判定された場
合に、カメラ装置２にて撮影している映像を映像記録手
段５に記録させるための保存指示を出力する映像保存指
示手段１８が設けられている。
【００２０】次に、上記各手段における構成または処理
内容について詳しく説明する。上記信号抽出手段１１で
は、周波数が例えば０〜２．５ｋＨｚの信号が取り出さ
れた後、０〜５００Ｈｚの部分が除去される。これは、
交通事故および車両の走行に、すなわち事故等に起因し
て発生する事故音の範囲を絞るとともに、余分なエンジ
ン音（０〜５００Ｈｚ）を除去するためである。
内容について詳しく説明する。上記信号抽出手段１１で
は、周波数が例えば０〜２．５ｋＨｚの信号が取り出さ
れた後、０〜５００Ｈｚの部分が除去される。これは、
交通事故および車両の走行に、すなわち事故等に起因し
て発生する事故音の範囲を絞るとともに、余分なエンジ
ン音（０〜５００Ｈｚ）を除去するためである。
【００２１】また、上記レベル検出手段１２は、信号抽
出手段１１からの抽出音響信号を入力して、所定の第１
積分時間（例えば、５００ｍｓｅｃ程度）にて積分を行
い音響エネルギーを求める第１積分器２１と、この第１
積分器２１にて求められた音響エネルギーと所定の第１
設定レベル値とを比較して音響エネルギーが当該第１設
定レベル値を超えている場合に、検出信号（トリガー信
号である）として、例えば「１」の信号（なお、設定レ
ベル値以下の場合には、「０」が出力されている）を出
力する第１比較器２２とが具備されている。すなわち、
このレベル検出手段１２では、音響信号を或る時間間隔
で積分することにより、当該音響信号の大きさが、所定
のレベルを超えているか否かが判断される。
出手段１１からの抽出音響信号を入力して、所定の第１
積分時間（例えば、５００ｍｓｅｃ程度）にて積分を行
い音響エネルギーを求める第１積分器２１と、この第１
積分器２１にて求められた音響エネルギーと所定の第１
設定レベル値とを比較して音響エネルギーが当該第１設
定レベル値を超えている場合に、検出信号（トリガー信
号である）として、例えば「１」の信号（なお、設定レ
ベル値以下の場合には、「０」が出力されている）を出
力する第１比較器２２とが具備されている。すなわち、
このレベル検出手段１２では、音響信号を或る時間間隔
で積分することにより、当該音響信号の大きさが、所定
のレベルを超えているか否かが判断される。
【００２２】上記ピーク検出手段１３は、信号抽出手段
１１からの抽出音響信号を入力して、上記第１積分時間
より短い第２積分時間（例えば、１００ｍｓｅｃ程度）
にて積分を行い音響エネルギーを求める第２積分器２３
と、この第２積分器２３にて求められた音響エネルギー
と所定の第２設定レベル値とを比較して音響エネルギー
のピーク値が当該第２設定レベル値（設定ピーク値でも
ある）を超えている場合に、検出信号（トリガー信号で
ある）として、例えば「１」の信号（なお、設定レベル
値以下の場合には、「０」が出力されている）を出力す
る第２比較器２４とが具備されている。すなわち、この
ピーク検出手段１３では、音響信号を短い時間でもって
積分することにより、当該音響信号のピーク値が、所定
のレベル（ピーク値）を超えているか否かが判断され
る。
１１からの抽出音響信号を入力して、上記第１積分時間
より短い第２積分時間（例えば、１００ｍｓｅｃ程度）
にて積分を行い音響エネルギーを求める第２積分器２３
と、この第２積分器２３にて求められた音響エネルギー
と所定の第２設定レベル値とを比較して音響エネルギー
のピーク値が当該第２設定レベル値（設定ピーク値でも
ある）を超えている場合に、検出信号（トリガー信号で
ある）として、例えば「１」の信号（なお、設定レベル
値以下の場合には、「０」が出力されている）を出力す
る第２比較器２４とが具備されている。すなわち、この
ピーク検出手段１３では、音響信号を短い時間でもって
積分することにより、当該音響信号のピーク値が、所定
のレベル（ピーク値）を超えているか否かが判断され
る。
【００２３】上記レベル継続検出手段１４は、信号抽出
手段１１からの抽出音響信号を入力して、所定の第３積
分時間（例えば、レベル検出手段における第１積分時間
と同じ時間とされる）にて積分を行い音響エネルギーを
求める第３積分器２５と、この第３積分器２５にて求め
られた音響エネルギーと所定の第３設定レベル値（例え
ば、レベル検出手段における設定レベル値が用いられ
る）とを比較して音響エネルギーが当該第３設定レベル
値を超えている場合に、所定時間後（例えば、３００ｍ
ｓｅｃ）に、再度、同じ設定レベル値を超えているか否
かを比較して超えている場合には、当該設定レベル値が
継続（維持）されていると判断し、検出信号（トリガー
信号である）として、例えば「１」の信号（なお、設定
レベル値が継続されていない場合には、「０」が出力さ
れている）を出力する第３比較器２６とが具備されてい
る。
手段１１からの抽出音響信号を入力して、所定の第３積
分時間（例えば、レベル検出手段における第１積分時間
と同じ時間とされる）にて積分を行い音響エネルギーを
求める第３積分器２５と、この第３積分器２５にて求め
られた音響エネルギーと所定の第３設定レベル値（例え
ば、レベル検出手段における設定レベル値が用いられ
る）とを比較して音響エネルギーが当該第３設定レベル
値を超えている場合に、所定時間後（例えば、３００ｍ
ｓｅｃ）に、再度、同じ設定レベル値を超えているか否
かを比較して超えている場合には、当該設定レベル値が
継続（維持）されていると判断し、検出信号（トリガー
信号である）として、例えば「１」の信号（なお、設定
レベル値が継続されていない場合には、「０」が出力さ
れている）を出力する第３比較器２６とが具備されてい
る。
【００２４】なお、図３に、上記各検出手段１２〜１４
における各比較器２２，２４，２６での入力信号、出力
信号および検出信号の波形図を示し、（ａ）はレベル検
出手段１２での第１比較器２２のものを、（ｂ）はピー
ク検出手段１３での第２比較器２４のものを、（ｃ）は
レベル継続検出手段１４での第３比較器２６のものをそ
れぞれ示し、また（ｄ）は、リセット信号を示す。
における各比較器２２，２４，２６での入力信号、出力
信号および検出信号の波形図を示し、（ａ）はレベル検
出手段１２での第１比較器２２のものを、（ｂ）はピー
ク検出手段１３での第２比較器２４のものを、（ｃ）は
レベル継続検出手段１４での第３比較器２６のものをそ
れぞれ示し、また（ｄ）は、リセット信号を示す。
【００２５】また、上記スペクトル演算手段１５では、
レベル検出手段１２からの検出信号（「１」）およびピ
ーク検出手段１３からの検出信号（「１」）のいずれか
が入力されると、まず抽出音響信号がＡ／Ｄ変換器（図
示せず）にてデジタル化された後、図４に示すように、
所定周波数領域（４５０〜２５００Ｈｚ）を所定個数、
例えば１０５個に分割した各分割周波数領域（バンクと
もいう）に係る音響信号の周波数スペクトル（周波数ス
ペクトラムともいう）が、高速フーリエ変換（ＦＦＴ）
にて求められる。
レベル検出手段１２からの検出信号（「１」）およびピ
ーク検出手段１３からの検出信号（「１」）のいずれか
が入力されると、まず抽出音響信号がＡ／Ｄ変換器（図
示せず）にてデジタル化された後、図４に示すように、
所定周波数領域（４５０〜２５００Ｈｚ）を所定個数、
例えば１０５個に分割した各分割周波数領域（バンクと
もいう）に係る音響信号の周波数スペクトル（周波数ス
ペクトラムともいう）が、高速フーリエ変換（ＦＦＴ）
にて求められる。
【００２６】そして、上記音源識別手段１６にて、ニュ
ーラルネットワークが用いられて音源の種類が特定され
る。以下、このニューラルネットワークを用いた処理内
容について、詳しく説明する。
ーラルネットワークが用いられて音源の種類が特定され
る。以下、このニューラルネットワークを用いた処理内
容について、詳しく説明する。
【００２７】この音源識別手段１６では、周波数スペク
トルを４段階にてそれぞれの分類方法（第１分類〜第４
分類）に基づき且つニューラルネットワーク（手法）を
用いて認識・分類作業が行われ、これらの分類作業にて
得られた分類番号が、予め、実験などにより求められた
分類表と照合されて、検出された音が、衝突音、タイヤ
と路面の摩擦音、クラクション、暴走音、サイレンを含
めて多数の種類のいずれかに特定される。
トルを４段階にてそれぞれの分類方法（第１分類〜第４
分類）に基づき且つニューラルネットワーク（手法）を
用いて認識・分類作業が行われ、これらの分類作業にて
得られた分類番号が、予め、実験などにより求められた
分類表と照合されて、検出された音が、衝突音、タイヤ
と路面の摩擦音、クラクション、暴走音、サイレンを含
めて多数の種類のいずれかに特定される。
【００２８】ここで、上記分類作業の内容について説明
する。第１分類（第１段階）では、１０５個に分割した
各分割周波数領域（以下、バンクという）に係る音響信
号の各周波数スペクトルを、その最大値でもって正規化
を行った後、正規化が行われた１０５バンクにおける周
波数スペクトルが最大ピークのものを求める。
する。第１分類（第１段階）では、１０５個に分割した
各分割周波数領域（以下、バンクという）に係る音響信
号の各周波数スペクトルを、その最大値でもって正規化
を行った後、正規化が行われた１０５バンクにおける周
波数スペクトルが最大ピークのものを求める。
【００２９】そして、この１０５バンクの分割周波数領
域が、上記最大ピークが存在するバンク数（バンクの位
置）に応じた分割パターンに、例えば１０個に分けられ
るとともに＃０〜＃９の分類番号が付された後、当該抽
出音響信号に係るスペクトル系列（図４の棒状グラフに
て示す）のうち、最大のレベルを有するスペクトルが、
＃０〜＃９のいずれの部分に属するかが求められる。な
お、１０５バンクの分割の仕方は、最大レベルのバンク
位置に応じて予め求められている。具体的には、実際の
交通音のサンプルデータ（５０００件）に基づき、例え
ば５０００件それぞれの各最大レベルのバンク位置を度
数分布化し（横軸がバンク位置で、縦軸が件数とな
る）、それが等分になるように分割する。すなわち、最
大レベルのバンク位置の度数分布が大きい部分は、分割
幅が狭くされるとともに、最大レベルのバンク位置の度
数分布が小さい部分は、分割幅が広くされる（場合によ
っては、等分でなくてもよく、また分割個数について
は、１０個でなくてもよい）。そして、例えばバンク番
号が小さいものから大きいものへと分類番号が、＃０〜
＃９というように付けられる。したがって、図４におい
ては、８８バンク付近が最大のレベルを有しており、こ
の８８バンクが属する分類番号が、例えば＃８というよ
うに割り当てられる。
域が、上記最大ピークが存在するバンク数（バンクの位
置）に応じた分割パターンに、例えば１０個に分けられ
るとともに＃０〜＃９の分類番号が付された後、当該抽
出音響信号に係るスペクトル系列（図４の棒状グラフに
て示す）のうち、最大のレベルを有するスペクトルが、
＃０〜＃９のいずれの部分に属するかが求められる。な
お、１０５バンクの分割の仕方は、最大レベルのバンク
位置に応じて予め求められている。具体的には、実際の
交通音のサンプルデータ（５０００件）に基づき、例え
ば５０００件それぞれの各最大レベルのバンク位置を度
数分布化し（横軸がバンク位置で、縦軸が件数とな
る）、それが等分になるように分割する。すなわち、最
大レベルのバンク位置の度数分布が大きい部分は、分割
幅が狭くされるとともに、最大レベルのバンク位置の度
数分布が小さい部分は、分割幅が広くされる（場合によ
っては、等分でなくてもよく、また分割個数について
は、１０個でなくてもよい）。そして、例えばバンク番
号が小さいものから大きいものへと分類番号が、＃０〜
＃９というように付けられる。したがって、図４におい
ては、８８バンク付近が最大のレベルを有しており、こ
の８８バンクが属する分類番号が、例えば＃８というよ
うに割り当てられる。
【００３０】そして、第２分類〜第４分類においては、
音響信号の特徴部分をスペクトルに基づき抽出するとと
もに、この抽出されたスペクトル系列と、音源を特定す
るために、予め実験により求められたスペクトル系列と
のパターンマッチング（パターン認識）を、ニューラル
ネットワーク（手法）を用いて行い、これら各分類作業
にて得られた分類番号に基づき、最終的に、上述したよ
うに、実験などにより求められた分類表と照合されて、
検出された音が、衝突音、タイヤと路面の摩擦音、クラ
クション、暴走音、サイレンを含めて多数の種類のいず
れかに特定される。なお、これら各分類作業において
は、その前段階作業にて得られた分類結果に基づき、デ
ータベースに多数用意された信号特定用パターンの中か
ら、所定個数の一群（後述するが、例えば５個づつ）が
選択抽出されて、パターン認識に使用される。
音響信号の特徴部分をスペクトルに基づき抽出するとと
もに、この抽出されたスペクトル系列と、音源を特定す
るために、予め実験により求められたスペクトル系列と
のパターンマッチング（パターン認識）を、ニューラル
ネットワーク（手法）を用いて行い、これら各分類作業
にて得られた分類番号に基づき、最終的に、上述したよ
うに、実験などにより求められた分類表と照合されて、
検出された音が、衝突音、タイヤと路面の摩擦音、クラ
クション、暴走音、サイレンを含めて多数の種類のいず
れかに特定される。なお、これら各分類作業において
は、その前段階作業にて得られた分類結果に基づき、デ
ータベースに多数用意された信号特定用パターンの中か
ら、所定個数の一群（後述するが、例えば５個づつ）が
選択抽出されて、パターン認識に使用される。
【００３１】以下、第２分類作業〜第４分類作業につい
て説明する。第２分類作業では、まず、上記第１分類で
求められた分類番号（例えば、＃８である）に基づき、
５個のパターンがデータベースから取り出される。
て説明する。第２分類作業では、まず、上記第１分類で
求められた分類番号（例えば、＃８である）に基づき、
５個のパターンがデータベースから取り出される。
【００３２】そして、当該音響信号における１０５バン
クのスペクトル系列のうち、最大スペクトルの５０％未
満のデータを零となし（ゼロリセットともいう）、これ
を正規化したスペクトル系列（図５に示す）に対して、
ニューラルネットワークを用いて、上記５個のパターン
に、当該５個以外のパターン（用意されたパターン以外
のもの）を示すパターンを加えた、計６個のパターンと
パターンマッチングを行うことにより、分類番号が割り
当てられる。
クのスペクトル系列のうち、最大スペクトルの５０％未
満のデータを零となし（ゼロリセットともいう）、これ
を正規化したスペクトル系列（図５に示す）に対して、
ニューラルネットワークを用いて、上記５個のパターン
に、当該５個以外のパターン（用意されたパターン以外
のもの）を示すパターンを加えた、計６個のパターンと
パターンマッチングを行うことにより、分類番号が割り
当てられる。
【００３３】第３分類では、上記第２分類で求められた
分類番号に基づき、やはり、５個のパターンがデータベ
ースから取り出されるとともに、当該音響信号における
１０５バンクのスペクトル系列のうち、最大スペクトル
およびその前後２バンクづつの合計５バンクのスペクト
ル部分をゼロとなし（ゼロリセット）、新たな１０５バ
ンクのスペクトル系列を作成する。そして、新たに作成
された１０５バンクのスペクトル系列のうち、最大スペ
クトルが或るしきい値以上のスペクトルに対しては、最
大スペクトルの２５％未満をゼロとなし、それを正規化
したスペクトル系列（図６に示す）に対してニューラル
ネットワークを用いて、上記５個のパターンに、当該５
個以外のパターンを示すパターンおよびしきい値未満の
パターン（しきい値未満についても、１個のパターンと
みなす）を加えた、計７個のパターンとパターンマッチ
ングを行うことにより、分類番号が割り当てられる。す
なわち、この分類作業では、強さが一番大きいスペクト
ル部分が除去された残りのスペクトル系列に対する分類
が行われることになる。
分類番号に基づき、やはり、５個のパターンがデータベ
ースから取り出されるとともに、当該音響信号における
１０５バンクのスペクトル系列のうち、最大スペクトル
およびその前後２バンクづつの合計５バンクのスペクト
ル部分をゼロとなし（ゼロリセット）、新たな１０５バ
ンクのスペクトル系列を作成する。そして、新たに作成
された１０５バンクのスペクトル系列のうち、最大スペ
クトルが或るしきい値以上のスペクトルに対しては、最
大スペクトルの２５％未満をゼロとなし、それを正規化
したスペクトル系列（図６に示す）に対してニューラル
ネットワークを用いて、上記５個のパターンに、当該５
個以外のパターンを示すパターンおよびしきい値未満の
パターン（しきい値未満についても、１個のパターンと
みなす）を加えた、計７個のパターンとパターンマッチ
ングを行うことにより、分類番号が割り当てられる。す
なわち、この分類作業では、強さが一番大きいスペクト
ル部分が除去された残りのスペクトル系列に対する分類
が行われることになる。
【００３４】さらに、第４分類では、下記の２つの場合
について分類が行われる。勿論、この分類作業において
も、第３分類作業にて得られた分類番号に基づき、デー
タベースからパターンマッチングに使用されるパターン
が５個取り出される。
について分類が行われる。勿論、この分類作業において
も、第３分類作業にて得られた分類番号に基づき、デー
タベースからパターンマッチングに使用されるパターン
が５個取り出される。
【００３５】第３分類において、最大スペクトルがし
きい値未満である場合。 第３分類にて作成された１０５バンクのスペクトル系列
のうち、最大スペクトルの２５％未満のスペクトルをゼ
ロとなし（ゼロリセット）、それを正規化したスペクト
ル系列に対して、ニューラルネットワークにより、上記
５個のパターンに、当該５個以外のパターンを示すパタ
ーンを加えた、計６個のパターンとパターンマッチング
を行うことにより、分類番号が割り当てられる。
きい値未満である場合。 第３分類にて作成された１０５バンクのスペクトル系列
のうち、最大スペクトルの２５％未満のスペクトルをゼ
ロとなし（ゼロリセット）、それを正規化したスペクト
ル系列に対して、ニューラルネットワークにより、上記
５個のパターンに、当該５個以外のパターンを示すパタ
ーンを加えた、計６個のパターンとパターンマッチング
を行うことにより、分類番号が割り当てられる。
【００３６】第３分類において、最大スペクトルが所
定のしきい値以上である場合。 第３分類にて作成された１０５バンクのスペクトル系列
に対し、最大スペクトルおよびその前後２バンクの計５
バンクのスペクトルをゼロとなし（ゼロリセット）、新
たな１０５バンクのスペクトル系列を作成する。
定のしきい値以上である場合。 第３分類にて作成された１０５バンクのスペクトル系列
に対し、最大スペクトルおよびその前後２バンクの計５
バンクのスペクトルをゼロとなし（ゼロリセット）、新
たな１０５バンクのスペクトル系列を作成する。
【００３７】そして、この１０５バンクのスペクトル系
列のうち、最大スペクトルが或るしきい値以上のスペク
トルに対しては、最大スペクトルの１２．５％未満のス
ペクトルをゼロとなし、それを正規化したスペクトル系
列（図７に示す）に対してニューラルネットワークによ
るパターン認識を行い、７個のパターン（この場合も、
データベースから取り出された５パターンに、当該５個
以外のパターンを示すパターンおよびしきい値未満のパ
ターンを加えたもの）とパターンマッチングを行うこと
により、分類番号が割り当てられる。この分類作業で
は、強さが二番目に大きいスペクトル部分が除去された
スペクトル系列に対する分類が行われることになる。な
お、上記のニューラルネットワークによる分類作業の概
念図を、図８に示す。
列のうち、最大スペクトルが或るしきい値以上のスペク
トルに対しては、最大スペクトルの１２．５％未満のス
ペクトルをゼロとなし、それを正規化したスペクトル系
列（図７に示す）に対してニューラルネットワークによ
るパターン認識を行い、７個のパターン（この場合も、
データベースから取り出された５パターンに、当該５個
以外のパターンを示すパターンおよびしきい値未満のパ
ターンを加えたもの）とパターンマッチングを行うこと
により、分類番号が割り当てられる。この分類作業で
は、強さが二番目に大きいスペクトル部分が除去された
スペクトル系列に対する分類が行われることになる。な
お、上記のニューラルネットワークによる分類作業の概
念図を、図８に示す。
【００３８】さらに、上記事故判定手段１７では、上記
音源識別手段１６での分類結果、すなわち識別信号（Ｎ
Ｔにて表す）および上記レベル継続検出手段１４からの
検出信号（ＰＤにて表す）並びにピーク検出手段１３か
らの検出信号（ＰＴにて表す）を入力して、｛（ＮＴａ
ｎｄＰＤ）ｏｒＰＴ｝の論理演算が行われ、その音源が
事故等に起因するもの（事故音）であるか否かが判定さ
れる。なお、識別信号（ＮＴ）については、事故等に起
因して発生する音である場合には「１」とされ、また検
出信号（ＰＤ）についても、音が継続している場合には
「１」に、検出信号（ＰＴ）についても、ピーク値が所
定の強さ以上である場合には「１」とされる。
音源識別手段１６での分類結果、すなわち識別信号（Ｎ
Ｔにて表す）および上記レベル継続検出手段１４からの
検出信号（ＰＤにて表す）並びにピーク検出手段１３か
らの検出信号（ＰＴにて表す）を入力して、｛（ＮＴａ
ｎｄＰＤ）ｏｒＰＴ｝の論理演算が行われ、その音源が
事故等に起因するもの（事故音）であるか否かが判定さ
れる。なお、識別信号（ＮＴ）については、事故等に起
因して発生する音である場合には「１」とされ、また検
出信号（ＰＤ）についても、音が継続している場合には
「１」に、検出信号（ＰＴ）についても、ピーク値が所
定の強さ以上である場合には「１」とされる。
【００３９】そして、上記論理演算式における論理積
（ａｎｄ）の部分は、音が瞬間的なものでなく、事故等
であれば、わずかな時間ではあるが継続する音であると
考えられることから、検出信号（ＰＤ）との論理積をと
るようにしたものであり、一方、事故等に起因する音で
あれば、そのピーク値がかなりの強さを有すると考えら
れるため、そのピーク値が設定レベル値（勿論、この値
は実験などにより設定されている）より大きいものであ
る場合には、事故等に起因するものと判断し得るよう
に、上記論理積（ＮＴａｎｄＰＤ）に対して検出信号
（ＰＴ）の論理和をとるようにしたものである。
（ａｎｄ）の部分は、音が瞬間的なものでなく、事故等
であれば、わずかな時間ではあるが継続する音であると
考えられることから、検出信号（ＰＤ）との論理積をと
るようにしたものであり、一方、事故等に起因する音で
あれば、そのピーク値がかなりの強さを有すると考えら
れるため、そのピーク値が設定レベル値（勿論、この値
は実験などにより設定されている）より大きいものであ
る場合には、事故等に起因するものと判断し得るよう
に、上記論理積（ＮＴａｎｄＰＤ）に対して検出信号
（ＰＴ）の論理和をとるようにしたものである。
【００４０】したがって、この論理演算式によると、検
出した音が、ニューラルネットワークにより、事故等に
関係するものであり且つその音が少しの時間であるが継
続している場合、または検出した音のピーク値が事故等
に起因して発生するような強い（高い）ものである場合
には、事故等に起因した音であると判定される。
出した音が、ニューラルネットワークにより、事故等に
関係するものであり且つその音が少しの時間であるが継
続している場合、または検出した音のピーク値が事故等
に起因して発生するような強い（高い）ものである場合
には、事故等に起因した音であると判定される。
【００４１】この事故判定手段１７で事故等であると判
定された場合には、映像保存指示手段１８にその旨の指
示が出力されて、映像記録手段５にて、当該事故等の発
生時の前後における映像が記録されて保存される。
定された場合には、映像保存指示手段１８にその旨の指
示が出力されて、映像記録手段５にて、当該事故等の発
生時の前後における映像が記録されて保存される。
【００４２】そして、この映像保存指示手段１８による
映像の保存指示時には、映像データのインデックスとし
て、上記事故判定手段１７で事故等であると判断された
場合の事故内容（例えば、コード化したもの）が一緒に
記録される。このインデックスにより、例えば衝突音、
衝突音＋タイヤと路面の摩擦音、衝突音＋クラクショ
ン、タイヤと路面の摩擦音、クラクション、暴走音、サ
イレン、これら以外の音の識別が行われる。
映像の保存指示時には、映像データのインデックスとし
て、上記事故判定手段１７で事故等であると判断された
場合の事故内容（例えば、コード化したもの）が一緒に
記録される。このインデックスにより、例えば衝突音、
衝突音＋タイヤと路面の摩擦音、衝突音＋クラクショ
ン、タイヤと路面の摩擦音、クラクション、暴走音、サ
イレン、これら以外の音の識別が行われる。
【００４３】ところで、上記各手段、積分器、比較器な
どについては、それぞれ電気信号回路により構成されて
おり、特に、ニューラルネットワークにより演算が行わ
れる音源識別手段１６には、演算処理部として例えばＣ
ＰＵが具備されており、勿論、ニューラルネットワーク
には学習機能が具備されている。
どについては、それぞれ電気信号回路により構成されて
おり、特に、ニューラルネットワークにより演算が行わ
れる音源識別手段１６には、演算処理部として例えばＣ
ＰＵが具備されており、勿論、ニューラルネットワーク
には学習機能が具備されている。
【００４４】次に、上記交通事故自動記録装置により、
交通事故等を自動的に記録する際の処理手順を簡単に説
明する。例えば、交差点に配置された当該交通事故自動
記録装置１のカメラ装置２およびマイク３が作動してい
る状態において、マイク３により検出された音響信号が
信号抽出手段１１にて所定周波数帯域でもって抽出さ
れ、この抽出音響信号が、レベル検出手段１２、ピーク
検出手段１３およびレベル継続検出手段１４に入力され
て、事故等であるか否かの予備判断が行われる。
交通事故等を自動的に記録する際の処理手順を簡単に説
明する。例えば、交差点に配置された当該交通事故自動
記録装置１のカメラ装置２およびマイク３が作動してい
る状態において、マイク３により検出された音響信号が
信号抽出手段１１にて所定周波数帯域でもって抽出さ
れ、この抽出音響信号が、レベル検出手段１２、ピーク
検出手段１３およびレベル継続検出手段１４に入力され
て、事故等であるか否かの予備判断が行われる。
【００４５】そして、レベル検出手段１２およびピーク
検出手段１３のうち、少なくもと、いずれかからの検出
信号があった場合、抽出音響信号に対してＡ／Ｄ変換が
行われた後、スペクトル演算手段１５にてスペクトルの
演算が行われる。
検出手段１３のうち、少なくもと、いずれかからの検出
信号があった場合、抽出音響信号に対してＡ／Ｄ変換が
行われた後、スペクトル演算手段１５にてスペクトルの
演算が行われる。
【００４６】この演算により求められたスペクトル系列
が音源識別手段１６に入力されて、ここで、上述したニ
ューラルネットワークを用いた分類方法にて、音源が識
別されるとともに、この識別された音が事故等に結び付
く可能性が高いもの（例えば、衝突音、衝突音＋タイヤ
と路面の摩擦音、衝突音＋クラクション、タイヤと路面
の摩擦音、クラクション、暴走音、サイレンなどの音）
である場合には、事故等を示す検出信号（ＮＴ）が出力
される。
が音源識別手段１６に入力されて、ここで、上述したニ
ューラルネットワークを用いた分類方法にて、音源が識
別されるとともに、この識別された音が事故等に結び付
く可能性が高いもの（例えば、衝突音、衝突音＋タイヤ
と路面の摩擦音、衝突音＋クラクション、タイヤと路面
の摩擦音、クラクション、暴走音、サイレンなどの音）
である場合には、事故等を示す検出信号（ＮＴ）が出力
される。
【００４７】次に、上記事故等の検出信号（ＮＴ）、レ
ベル継続検出手段１４からの継続を示す検出信号（Ｐ
Ｄ）およびピーク検出手段１３からのピークの検出信号
（ＰＴ）が事故判定手段１７に入力されて論理演算が行
われ、事故等に起因する音であるか否かが判定される。
ベル継続検出手段１４からの継続を示す検出信号（Ｐ
Ｄ）およびピーク検出手段１３からのピークの検出信号
（ＰＴ）が事故判定手段１７に入力されて論理演算が行
われ、事故等に起因する音であるか否かが判定される。
【００４８】そして、事故判定手段１７にて、事故等で
あると判断された場合には、映像保存指示手段１８にそ
の旨の指示信号が出力されて、その音が発生した前後に
おいて撮影された映像が映像記録手段５に記録されて保
存される。勿論、この映像データの記録時には、その映
像データに対するインデックスとして、音源識別手段１
６にて特定された音源種別のコードデータが一緒に記録
され、後からの映像データの検索の容易化が図られてい
る。
あると判断された場合には、映像保存指示手段１８にそ
の旨の指示信号が出力されて、その音が発生した前後に
おいて撮影された映像が映像記録手段５に記録されて保
存される。勿論、この映像データの記録時には、その映
像データに対するインデックスとして、音源識別手段１
６にて特定された音源種別のコードデータが一緒に記録
され、後からの映像データの検索の容易化が図られてい
る。
【００４９】なお、音源識別手段１６での１回の識別時
間は、例えば３秒とされており、各検出手段１２〜１４
において、検出信号（トリガー信号）が得られた場合に
は、この３秒が経過するまでは検出信号の出力が維持さ
れ、３秒経過後にリセット信号が出力される。
間は、例えば３秒とされており、各検出手段１２〜１４
において、検出信号（トリガー信号）が得られた場合に
は、この３秒が経過するまでは検出信号の出力が維持さ
れ、３秒経過後にリセット信号が出力される。
【００５０】このように、上記交通事故自動記録装置１
の構成、特にその音源識別手段１６の構成によると、エ
ンジン音などのように、車両が通常に発している低周波
数および人間が聞くことが困難な高い周波数を除去した
抽出音響信号について、レベル検出手段１２にて音響信
号のレベル値が設定レベル値を超えているか否かを検出
するとともに、ピーク検出手段１３にて音響信号のピー
ク値が設定ピーク値を超えているか否かを検出し、少な
くとも一方がそれぞれの設定値を超えている場合に、当
該音響信号の周波数スペクトルを求めるとともに、ニュ
ーラルネットワークを用いて、その音源の種別を特定す
るようにしたので、音源の識別を、より正確に行うこと
ができる。
の構成、特にその音源識別手段１６の構成によると、エ
ンジン音などのように、車両が通常に発している低周波
数および人間が聞くことが困難な高い周波数を除去した
抽出音響信号について、レベル検出手段１２にて音響信
号のレベル値が設定レベル値を超えているか否かを検出
するとともに、ピーク検出手段１３にて音響信号のピー
ク値が設定ピーク値を超えているか否かを検出し、少な
くとも一方がそれぞれの設定値を超えている場合に、当
該音響信号の周波数スペクトルを求めるとともに、ニュ
ーラルネットワークを用いて、その音源の種別を特定す
るようにしたので、音源の識別を、より正確に行うこと
ができる。
【００５１】また、この音源識別手段１６を用いた事故
検出装置４の構成によると、ニューラルネットワークに
て特定された音源に対して、さらにレベル継続検出手段
１４にて音響信号のレベル継続時間が設定継続時間を超
えているか否かの判断が加味されているので、事故等で
あるか否かの判断を、一層、正確に行うことができる。
検出装置４の構成によると、ニューラルネットワークに
て特定された音源に対して、さらにレベル継続検出手段
１４にて音響信号のレベル継続時間が設定継続時間を超
えているか否かの判断が加味されているので、事故等で
あるか否かの判断を、一層、正確に行うことができる。
【００５２】したがって、この事故判定装置４を、交通
事故自動記録装置１に適用した場合には、交通事故等
を、精度よく、映像にて記録することができる。交差点
に設置して実験を行ったところ、従来の交通事故自動記
録装置では、その検出精度が３０％程度であったのに対
し、本実施の形態に係る交通事故自動記録装置では、そ
の検出精度が８０％程度までに向上した。
事故自動記録装置１に適用した場合には、交通事故等
を、精度よく、映像にて記録することができる。交差点
に設置して実験を行ったところ、従来の交通事故自動記
録装置では、その検出精度が３０％程度であったのに対
し、本実施の形態に係る交通事故自動記録装置では、そ
の検出精度が８０％程度までに向上した。
【００５３】次に、本発明の第２の実施の形態に係る音
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
記録装置について説明する。上記第１の実施の形態にお
いては、最初に、１０５バンクに分割された分割周波数
領域を、最大レベルを有するスペクトルのバンク番号に
応じて、予め、定められた分割パターンに応じて１０個
に分割するようにしたが、本第２の実施の形態では、周
波数スペクトルの合計面積に応じた分割パターンに基づ
き５個に分割し、この５個に分割されたパターンと上記
第１の実施の形態と同様の分割の方法にて１０個に分割
されたパターンとを併用するようにしたものである。
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
記録装置について説明する。上記第１の実施の形態にお
いては、最初に、１０５バンクに分割された分割周波数
領域を、最大レベルを有するスペクトルのバンク番号に
応じて、予め、定められた分割パターンに応じて１０個
に分割するようにしたが、本第２の実施の形態では、周
波数スペクトルの合計面積に応じた分割パターンに基づ
き５個に分割し、この５個に分割されたパターンと上記
第１の実施の形態と同様の分割の方法にて１０個に分割
されたパターンとを併用するようにしたものである。
【００５４】以下、本第２の実施の形態について説明す
るが、基本的な構成については、第１の実施の形態で説
明したものと同じであるため、音源識別手段１６に着目
して説明する。なお、構成については、同一番号を用い
て簡単に説明するものとする。
るが、基本的な構成については、第１の実施の形態で説
明したものと同じであるため、音源識別手段１６に着目
して説明する。なお、構成については、同一番号を用い
て簡単に説明するものとする。
【００５５】音源識別手段１６では、周波数スペクトル
を４段階にてそれぞれの分類方法（第１分類〜第４分
類）に基づき且つニューラルネットワーク（手法）を用
いて認識・分類作業が行われ、これらの分類作業にて得
られた分類番号が、予め、実験などにより求められた分
類表と照合されて、検出された音が、衝突音、タイヤと
路面の摩擦音、クラクション、暴走音、サイレンを含め
て多数の種類のいずれかに特定される。
を４段階にてそれぞれの分類方法（第１分類〜第４分
類）に基づき且つニューラルネットワーク（手法）を用
いて認識・分類作業が行われ、これらの分類作業にて得
られた分類番号が、予め、実験などにより求められた分
類表と照合されて、検出された音が、衝突音、タイヤと
路面の摩擦音、クラクション、暴走音、サイレンを含め
て多数の種類のいずれかに特定される。
【００５６】ここで、上記分類作業の内容について説明
する。本第２の実施の形態では、第１分類において、分
類基準が異なる２種類の分割パターンを併用して分類番
号を求めるようにしたものである。
する。本第２の実施の形態では、第１分類において、分
類基準が異なる２種類の分割パターンを併用して分類番
号を求めるようにしたものである。
【００５７】すなわち、第１分類（第１段階）では、１
０５個に分割した各分割周波数領域（以下、バンクとも
いう）に係る音響信号の各周波数スペクトルを、その最
大値でもって正規化を行った後、正規化が行われた１０
５バンクにおける周波数スペクトルについて、合計面積
が求められる。
０５個に分割した各分割周波数領域（以下、バンクとも
いう）に係る音響信号の各周波数スペクトルを、その最
大値でもって正規化を行った後、正規化が行われた１０
５バンクにおける周波数スペクトルについて、合計面積
が求められる。
【００５８】そして、１０５バンクの分割周波数領域
が、上記合計面積に応じて予め定められている分割パタ
ーンに基づき、例えば５個に分けられて、＃０〜＃４の
分類番号が付される。ここでの分割の仕方は、実際の交
通音のサンプルデータ（５０００件）に基づき、例えば
５０００件それぞれの各合計面積値を度数分布化し（横
軸がバンク位置で、縦軸が面積値となる）、それが等分
になるように分割する。すなわち、合計面積値の度数分
布の大きい部分は、分割幅が狭くされるとともに、合計
面積値の度数分布が小さい部分は、分割幅が広くされる
（場合によっては、等分でなくてもよく、また分割個数
については、５個でなくてもよい）。例えば、第１の実
施の形態にて説明した図４において、１０５バンクの周
波数スペクトルの合計面積が２４１０であるとすると、
この合計面積２４１０が属する分類番号（予め、合計面
積値と分類番号とが対応付けられている）が、例えば＃
３というように割り当てられる。
が、上記合計面積に応じて予め定められている分割パタ
ーンに基づき、例えば５個に分けられて、＃０〜＃４の
分類番号が付される。ここでの分割の仕方は、実際の交
通音のサンプルデータ（５０００件）に基づき、例えば
５０００件それぞれの各合計面積値を度数分布化し（横
軸がバンク位置で、縦軸が面積値となる）、それが等分
になるように分割する。すなわち、合計面積値の度数分
布の大きい部分は、分割幅が狭くされるとともに、合計
面積値の度数分布が小さい部分は、分割幅が広くされる
（場合によっては、等分でなくてもよく、また分割個数
については、５個でなくてもよい）。例えば、第１の実
施の形態にて説明した図４において、１０５バンクの周
波数スペクトルの合計面積が２４１０であるとすると、
この合計面積２４１０が属する分類番号（予め、合計面
積値と分類番号とが対応付けられている）が、例えば＃
３というように割り当てられる。
【００５９】次に、第１の実施の形態と同様の方法（手
順）にて、１０５バンクが例えば１０個に分けられて、
＃０〜＃９の分類番号が付される。そして、この第１分
類における分類番号は上記２種類の番号が考慮されて決
定される。例えば、合計面積値による５個の分割では＃
３に、最大レベルのバンク位置による１０個の分割では
＃９というように番号が割り当てられると、この第１分
類による分類番号は、＃３９となる。
順）にて、１０５バンクが例えば１０個に分けられて、
＃０〜＃９の分類番号が付される。そして、この第１分
類における分類番号は上記２種類の番号が考慮されて決
定される。例えば、合計面積値による５個の分割では＃
３に、最大レベルのバンク位置による１０個の分割では
＃９というように番号が割り当てられると、この第１分
類による分類番号は、＃３９となる。
【００６０】次に、第２分類〜第４分類においては、音
響信号の特徴部分をスペクトルに基づき抽出するととも
に、この抽出されたスペクトル系列と、音源を特定する
ために、予め実験により求められたスペクトル系列との
パターンマッチング（パターン認識）を、ニューラルネ
ットワーク（手法）を用いて行い、これら各分類作業に
て得られた分類番号に基づき、最終的に、上述したよう
に、実験などにより求められた分類表と照合されて、検
出された音が、衝突音、タイヤと路面の摩擦音、クラク
ション、暴走音、サイレンを含めて多数の種類のいずれ
かに特定される。なお、これら各分類作業においては、
その前段階作業にて得られた分類結果に基づき、データ
ベースに多数用意された信号特定用パターンの中から、
所定個数の一群（後述するが、例えば５個づつ）が選択
抽出されて、パターン認識に使用される。
響信号の特徴部分をスペクトルに基づき抽出するととも
に、この抽出されたスペクトル系列と、音源を特定する
ために、予め実験により求められたスペクトル系列との
パターンマッチング（パターン認識）を、ニューラルネ
ットワーク（手法）を用いて行い、これら各分類作業に
て得られた分類番号に基づき、最終的に、上述したよう
に、実験などにより求められた分類表と照合されて、検
出された音が、衝突音、タイヤと路面の摩擦音、クラク
ション、暴走音、サイレンを含めて多数の種類のいずれ
かに特定される。なお、これら各分類作業においては、
その前段階作業にて得られた分類結果に基づき、データ
ベースに多数用意された信号特定用パターンの中から、
所定個数の一群（後述するが、例えば５個づつ）が選択
抽出されて、パターン認識に使用される。
【００６１】以下、第２分類作業〜第４分類作業につい
て説明する。第２分類作業では、まず、上記第１分類で
求められた分類番号（例えば、＃３９である）に基づ
き、５個のパターンがデータベースから取り出される。
て説明する。第２分類作業では、まず、上記第１分類で
求められた分類番号（例えば、＃３９である）に基づ
き、５個のパターンがデータベースから取り出される。
【００６２】そして、当該音響信号における１０５バン
クのスペクトル系列のうち、最大スペクトルの５０％未
満のデータを零となし（ゼロリセットともいう）、これ
を正規化したスペクトル系列に対して、ニューラルネッ
トワークを用いて、上記５個のパターンに、当該５個以
外のパターン（用意されたパターン以外のもの）を示す
パターンを加えた、計６個のパターンとパターンマッチ
ングを行うことにより、分類番号が割り当てられる。
クのスペクトル系列のうち、最大スペクトルの５０％未
満のデータを零となし（ゼロリセットともいう）、これ
を正規化したスペクトル系列に対して、ニューラルネッ
トワークを用いて、上記５個のパターンに、当該５個以
外のパターン（用意されたパターン以外のもの）を示す
パターンを加えた、計６個のパターンとパターンマッチ
ングを行うことにより、分類番号が割り当てられる。
【００６３】第３分類では、上記第２分類で求められた
分類番号に基づき、やはり、５個のパターンがデータベ
ースから取り出されるとともに、当該音響信号における
１０５バンクのスペクトル系列のうち、最大スペクトル
およびその前後２バンクづつの合計５バンクのスペクト
ル部分をゼロとなし（ゼロリセット）、新たな１０５バ
ンクのスペクトル系列を作成する。そして、新たに作成
された１０５バンクのスペクトル系列のうち、最大スペ
クトルが或るしきい値以上のスペクトルに対しては、最
大スペクトルの２５％未満をゼロとなし、それを正規化
したスペクトル系列に対してニューラルネットワークを
用いて、上記５個のパターンに、当該５個以外のパター
ンを示すパターンおよびしきい値未満のパターン（しき
い値未満についても、１個のパターンとみなす）を加え
た、計７個のパターンとパターンマッチングを行うこと
により、分類番号が割り当てられる。すなわち、この分
類作業では、強さが一番大きいスペクトル部分が除去さ
れた残りのスペクトル系列に対する分類が行われること
になる。
分類番号に基づき、やはり、５個のパターンがデータベ
ースから取り出されるとともに、当該音響信号における
１０５バンクのスペクトル系列のうち、最大スペクトル
およびその前後２バンクづつの合計５バンクのスペクト
ル部分をゼロとなし（ゼロリセット）、新たな１０５バ
ンクのスペクトル系列を作成する。そして、新たに作成
された１０５バンクのスペクトル系列のうち、最大スペ
クトルが或るしきい値以上のスペクトルに対しては、最
大スペクトルの２５％未満をゼロとなし、それを正規化
したスペクトル系列に対してニューラルネットワークを
用いて、上記５個のパターンに、当該５個以外のパター
ンを示すパターンおよびしきい値未満のパターン（しき
い値未満についても、１個のパターンとみなす）を加え
た、計７個のパターンとパターンマッチングを行うこと
により、分類番号が割り当てられる。すなわち、この分
類作業では、強さが一番大きいスペクトル部分が除去さ
れた残りのスペクトル系列に対する分類が行われること
になる。
【００６４】さらに、第４分類では、下記の２つの場合
について分類が行われる。勿論、この分類作業において
も、第３分類作業にて得られた分類番号に基づき、デー
タベースからパターンマッチングに使用されるパターン
が５個取り出される。
について分類が行われる。勿論、この分類作業において
も、第３分類作業にて得られた分類番号に基づき、デー
タベースからパターンマッチングに使用されるパターン
が５個取り出される。
【００６５】第３分類において、最大スペクトルがし
きい値未満である場合。 第３分類にて作成された１０５バンクのスペクトル系列
のうち、最大スペクトルの２５％未満のスペクトルをゼ
ロとなし（ゼロリセット）、それを正規化したスペクト
ル系列に対して、ニューラルネットワークにより、上記
５個のパターンに、当該５個以外のパターンを示すパタ
ーンを加えた、計６個のパターンとパターンマッチング
を行うことにより、分類番号が割り当てられる。
きい値未満である場合。 第３分類にて作成された１０５バンクのスペクトル系列
のうち、最大スペクトルの２５％未満のスペクトルをゼ
ロとなし（ゼロリセット）、それを正規化したスペクト
ル系列に対して、ニューラルネットワークにより、上記
５個のパターンに、当該５個以外のパターンを示すパタ
ーンを加えた、計６個のパターンとパターンマッチング
を行うことにより、分類番号が割り当てられる。
【００６６】第３分類において、最大スペクトルが所
定のしきい値以上である場合。 第３分類にて作成された１０５バンクのスペクトル系列
に対し、最大スペクトルおよびその前後２バンクの計５
バンクのスペクトルをゼロとなし（ゼロリセット）、新
たな１０５バンクのスペクトル系列を作成する。
定のしきい値以上である場合。 第３分類にて作成された１０５バンクのスペクトル系列
に対し、最大スペクトルおよびその前後２バンクの計５
バンクのスペクトルをゼロとなし（ゼロリセット）、新
たな１０５バンクのスペクトル系列を作成する。
【００６７】そして、この１０５バンクのスペクトル系
列のうち、最大スペクトルが或るしきい値以上のスペク
トルに対しては、最大スペクトルの１２．５％未満のス
ペクトルをゼロとなし、それを正規化したスペクトル系
列に対してニューラルネットワークによるパターン認識
を行い、７個のパターン（この場合も、データベースか
ら取り出された５パターンに、当該５個以外のパターン
を示すパターンおよびしきい値未満のパターンを加えた
もの）とパターンマッチングを行うことにより、分類番
号が割り当てられる。この分類作業では、強さが二番目
に大きいスペクトル部分が除去されたスペクトル系列に
対する分類が行われることになる。
列のうち、最大スペクトルが或るしきい値以上のスペク
トルに対しては、最大スペクトルの１２．５％未満のス
ペクトルをゼロとなし、それを正規化したスペクトル系
列に対してニューラルネットワークによるパターン認識
を行い、７個のパターン（この場合も、データベースか
ら取り出された５パターンに、当該５個以外のパターン
を示すパターンおよびしきい値未満のパターンを加えた
もの）とパターンマッチングを行うことにより、分類番
号が割り当てられる。この分類作業では、強さが二番目
に大きいスペクトル部分が除去されたスペクトル系列に
対する分類が行われることになる。
【００６８】なお、この後の作業について説明すると、
上述した第１の実施の形態と同様に、上記事故判定手段
１７では、上記音源識別手段１６での分類結果、すなわ
ち識別信号（ＮＴにて表す）および上記レベル継続検出
手段１４からの検出信号（ＰＤにて表す）並びにピーク
検出手段１３からの検出信号（ＰＴにて表す）を入力し
て、｛（ＮＴａｎｄＰＤ）ｏｒＰＴ｝の論理演算が行わ
れ、その音源が事故等に起因するもの（事故音）である
か否かが判定される。なお、識別信号（ＮＴ）について
は、事故等に起因して発生する音である場合には「１」
とされ、また検出信号（ＰＤ）についても、音が継続し
ている場合には「１」に、検出信号（ＰＴ）について
も、ピーク値が所定の強さ以上である場合には「１」と
される。
上述した第１の実施の形態と同様に、上記事故判定手段
１７では、上記音源識別手段１６での分類結果、すなわ
ち識別信号（ＮＴにて表す）および上記レベル継続検出
手段１４からの検出信号（ＰＤにて表す）並びにピーク
検出手段１３からの検出信号（ＰＴにて表す）を入力し
て、｛（ＮＴａｎｄＰＤ）ｏｒＰＴ｝の論理演算が行わ
れ、その音源が事故等に起因するもの（事故音）である
か否かが判定される。なお、識別信号（ＮＴ）について
は、事故等に起因して発生する音である場合には「１」
とされ、また検出信号（ＰＤ）についても、音が継続し
ている場合には「１」に、検出信号（ＰＴ）について
も、ピーク値が所定の強さ以上である場合には「１」と
される。
【００６９】そして、上記論理演算式における論理積
（ａｎｄ）の部分は、音が瞬間的なものでなく、事故等
であれば、わずかな時間ではあるが継続する音であると
考えられることから、検出信号（ＰＤ）との論理積をと
るようにしたものであり、一方、事故等に起因する音で
あれば、そのピーク値がかなりの強さを有すると考えら
れるため、そのピーク値が設定レベル値（勿論、この値
は実験などにより設定されている）より大きいものであ
る場合には、事故等に起因するものと判断し得るよう
に、上記論理積（ＮＴａｎｄＰＤ）に対して検出信号
（ＰＴ）の論理和をとるようにしたものである。
（ａｎｄ）の部分は、音が瞬間的なものでなく、事故等
であれば、わずかな時間ではあるが継続する音であると
考えられることから、検出信号（ＰＤ）との論理積をと
るようにしたものであり、一方、事故等に起因する音で
あれば、そのピーク値がかなりの強さを有すると考えら
れるため、そのピーク値が設定レベル値（勿論、この値
は実験などにより設定されている）より大きいものであ
る場合には、事故等に起因するものと判断し得るよう
に、上記論理積（ＮＴａｎｄＰＤ）に対して検出信号
（ＰＴ）の論理和をとるようにしたものである。
【００７０】したがって、この論理演算式によると、検
出した音が、ニューラルネットワークにより、事故等に
関係するものであり且つその音が少しの時間であるが継
続している場合、または検出した音のピーク値が事故等
に起因して発生するような強い（高い）ものである場合
には、事故等に起因した音であると判定される。
出した音が、ニューラルネットワークにより、事故等に
関係するものであり且つその音が少しの時間であるが継
続している場合、または検出した音のピーク値が事故等
に起因して発生するような強い（高い）ものである場合
には、事故等に起因した音であると判定される。
【００７１】この事故判定手段１７で事故等であると判
定された場合には、映像保存指示手段１８にその旨の指
示が出力されて、映像記録手段５にて、当該事故等の発
生時の前後における映像が記録されて保存される。
定された場合には、映像保存指示手段１８にその旨の指
示が出力されて、映像記録手段５にて、当該事故等の発
生時の前後における映像が記録されて保存される。
【００７２】そして、この映像保存指示手段１８による
映像の保存指示時には、映像データのインデックスとし
て、上記事故判定手段１７で事故等であると判断された
場合の事故内容（例えば、コード化したもの）が一緒に
記録される。このインデックスにより、例えば衝突音、
衝突音＋タイヤと路面の摩擦音、衝突音＋クラクショ
ン、タイヤと路面の摩擦音、クラクション、暴走音、サ
イレン、これら以外の音の識別が行われる。
映像の保存指示時には、映像データのインデックスとし
て、上記事故判定手段１７で事故等であると判断された
場合の事故内容（例えば、コード化したもの）が一緒に
記録される。このインデックスにより、例えば衝突音、
衝突音＋タイヤと路面の摩擦音、衝突音＋クラクショ
ン、タイヤと路面の摩擦音、クラクション、暴走音、サ
イレン、これら以外の音の識別が行われる。
【００７３】この第２の実施の形態に係る音源識別装置
においても、第１の実施の形態と同様に音源の識別をよ
り正確に行うことができるが、第１分類の過程を設けて
いるため、さらなる正確さでもって音源の識別を行うこ
とができる。
においても、第１の実施の形態と同様に音源の識別をよ
り正確に行うことができるが、第１分類の過程を設けて
いるため、さらなる正確さでもって音源の識別を行うこ
とができる。
【００７４】ところで、上記第２の実施の形態において
は、第１分類〜第４分類というように、４段階でもって
分類を行うものとして説明したが、例えば第２の実施の
形態にて説明した第１分類〜第３分類を用いて、音源の
識別を行うようにしてもよい。勿論、この場合も、第１
の実施の形態と同様に、音源の識別を正確に行うことが
できる。
は、第１分類〜第４分類というように、４段階でもって
分類を行うものとして説明したが、例えば第２の実施の
形態にて説明した第１分類〜第３分類を用いて、音源の
識別を行うようにしてもよい。勿論、この場合も、第１
の実施の形態と同様に、音源の識別を正確に行うことが
できる。
【００７５】
【発明の効果】以上のように本発明の音源識別装置の構
成によると、音響検出手段にて検出された音響信号につ
いて、レベル検出手段およびピーク検出手段にて、少な
くともいずれかの検出信号が検出された場合に、当該音
響信号の周波数スペクトルを求めるとともに、ニューラ
ルネットワークを用いてその音源の種別を特定するよう
にしたので、すなわちニューラルネットワークにて音源
の種別を特定する際に、予備判断を行うようにしたの
で、音源を、より正確に識別することができる。
成によると、音響検出手段にて検出された音響信号につ
いて、レベル検出手段およびピーク検出手段にて、少な
くともいずれかの検出信号が検出された場合に、当該音
響信号の周波数スペクトルを求めるとともに、ニューラ
ルネットワークを用いてその音源の種別を特定するよう
にしたので、すなわちニューラルネットワークにて音源
の種別を特定する際に、予備判断を行うようにしたの
で、音源を、より正確に識別することができる。
【００７６】また、本発明の突発事象検出装置および当
該突発事象検出装置を用いた突発事象自動記録装置の構
成によると、上記音源識別装置におけるニューラルネッ
トワークにて特定された音源に対して、さらにレベル継
続検出手段により、信号レベルが継続しているか否かの
判断が加味されているので、音源が、予め、想定された
突発事象に基づくものであるか否かを、一層、正確に検
出することができ、したがって自動的に突発事象の映像
を記録する場合に、その検出精度を向上させることがで
きる。例えば、上記事故判定装置を、交通事故自動記録
装置に適用した場合には、交通事故を、精度よく、映像
にて記録することができる。
該突発事象検出装置を用いた突発事象自動記録装置の構
成によると、上記音源識別装置におけるニューラルネッ
トワークにて特定された音源に対して、さらにレベル継
続検出手段により、信号レベルが継続しているか否かの
判断が加味されているので、音源が、予め、想定された
突発事象に基づくものであるか否かを、一層、正確に検
出することができ、したがって自動的に突発事象の映像
を記録する場合に、その検出精度を向上させることがで
きる。例えば、上記事故判定装置を、交通事故自動記録
装置に適用した場合には、交通事故を、精度よく、映像
にて記録することができる。
【図１】本発明の第１の実施の形態における交通事故自
動記録装置の概略全体構成を示す図である。
動記録装置の概略全体構成を示す図である。
【図２】同交通事故自動記録装置における事故判定装置
の概略構成を示すブロック図である。
の概略構成を示すブロック図である。
【図３】同事故判定装置における判断予備信号検出手段
での検出信号を示すグラフである。
での検出信号を示すグラフである。
【図４】同音源識別手段における第１分類作業に係る音
響信号のスペクトル演算結果を示すグラフである。
響信号のスペクトル演算結果を示すグラフである。
【図５】同音源識別手段における第２分類作業の結果の
スペクトル分布を示すグラフである。
スペクトル分布を示すグラフである。
【図６】同音源識別手段における第３分類作業の結果の
スペクトル分布を示すグラフである。
スペクトル分布を示すグラフである。
【図７】同音源識別手段における第４分類作業の結果の
スペクトル分布を示すグラフである。
スペクトル分布を示すグラフである。
【図８】同事故判定装置の音源識別手段におけるニュー
ラルネットワークによる分類作業の概念図である。
ラルネットワークによる分類作業の概念図である。
１ 突発事象自動記録装置
２ カメラ装置
３ マイクロフォン
４ 突発事象検出装置
５ 映像記録手段
１１ 信号抽出手段
１２ レベル検出手段
１３ ピーク検出手段
１４ レベル継続検出手段
１５ スペクトル演算手段
１６ 音源識別手段
１７ 事故判定手段
１８ 映像保存指令手段
２１ 第１積分器
２２ 第１比較器
２３ 第２積分器
２４ 第２比較器
２５ 第３積分器
２６ 第３比較器
フロントページの続き
Ｆターム(参考） 2G064 AB01 AB04 AB13 AB21 CC29
CC42 CC52 DD18
5H180 AA01 BB19 CC04 CC11 EE15
Claims (3)
- 【請求項１】音響検出手段にて検出された音響信号から
所定周波数帯域の信号を抽出する信号抽出手段と、 上記信号抽出手段にて抽出された抽出音響信号を入力し
て、所定の積分時間にて積分を行い音響エネルギーを求
めるとともに当該音響エネルギーが所定の設定レベル値
を超えているか否かを判断するレベル検出手段と、 上記信号抽出手段にて抽出された抽出音響信号を入力し
て、上記レベル検出手段における積分時間よりも短い所
定の積分時間にて積分を行い音響エネルギーを求めると
ともに当該音響エネルギーが所定の設定ピーク値を超え
ているか否かを検出するピーク検出手段と、 上記レベル検出手段およびピーク検出手段からの検出信
号を入力して、レベル値およびピーク値のいずれかがそ
れぞれの設定値を超えている場合に、当該抽出音響信号
の周波数スペクトルを演算するスペクトル演算手段と、 このスペクトル演算手段にて求められたスペクトルを入
力して、ニューラルネットワークにて音源の種類を特定
する音源識別手段とを具備したことを特徴とする音源識
別装置。 - 【請求項２】音響検出手段にて検出された音響信号から
所定周波数帯域の信号を抽出する信号抽出手段と、 上記信号抽出手段にて抽出された抽出音響信号を入力し
て、所定の積分時間にて積分を行い音響エネルギーを求
めるとともに当該音響エネルギーが所定の設定レベル値
を超えているか否かを判断するレベル検出手段と、 上記信号抽出手段にて抽出された抽出音響信号を入力し
て、上記レベル検出手段における積分時間よりも短い所
定の積分時間にて積分を行い音響エネルギーを求めると
ともに当該音響エネルギーが所定の設定ピーク値を超え
ているか否かを判断するピーク検出手段と、 上記信号抽出手段にて抽出された抽出音響信号を入力し
て、所定の積分時間にて積分を行い音響エネルギーを求
めるとともに当該音響エネルギーが所定の設定レベル値
を超えている場合に、さらに所定時間経過後に、再度、
当該所定の設定レベル値を超えているか否かを判断する
レベル継続検出手段と、 上記レベル検出手段およびピーク検出手段からの検出信
号を入力して、レベル値およびピーク値のいずれかがそ
れぞれの設定値を超えている場合に、当該抽出音響信号
の周波数スペクトルを演算するスペクトル演算手段と、 このスペクトル演算手段にて求められたスペクトルを入
力して、ニューラルネットワークにて音源の種類を特定
する音源識別手段と、 この音源識別手段にて識別された識別信号を入力すると
ともに、上記ピーク検出手段およびレベル継続検出手段
からの検出信号を入力して、これら各信号に基づき、突
発事象であるか否かを判定する突発事象判定手段とを具
備したことを特徴とする突発事象検出装置。 - 【請求項３】請求項２記載の突発事象検出装置を用いた
突発事象自動記録装置であって、突発事象判定手段によ
り突発事象であると判断された場合に、突発事象を撮影
している撮影手段からの映像を、映像記録手段にて保存
させる映像保存指示手段を具備させたことを特徴とする
突発事象自動記録装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002309074A JP4046592B2 (ja) | 2001-10-25 | 2002-10-24 | 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 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001327045 | 2001-10-25 | ||
| JP2001-327045 | 2001-10-25 | ||
| JP2002309074A JP4046592B2 (ja) | 2001-10-25 | 2002-10-24 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003202260A true JP2003202260A (ja) | 2003-07-18 |
| JP4046592B2 JP4046592B2 (ja) | 2008-02-13 |
Family
ID=27666468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002309074A Expired - Fee Related JP4046592B2 (ja) | 2001-10-25 | 2002-10-24 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4046592B2 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005101346A1 (ja) * | 2004-03-31 | 2005-10-27 | Hitachi Zosen Corporation | 突発事象の記録・解析システム |
| CN101192344B (zh) * | 2006-11-28 | 2010-06-09 | 株式会社日立制作所 | 突发事件解除判定系统 |
| JP2010287190A (ja) * | 2009-06-15 | 2010-12-24 | Fujitsu Ten Ltd | 運転情報記録装置および運転情報処理プログラム |
| JP2015114294A (ja) * | 2013-12-16 | 2015-06-22 | 富士通株式会社 | 音響装置の検査装置及び音響装置の検査方法並びに音響装置の検査プログラム |
| JP2017010290A (ja) * | 2015-06-23 | 2017-01-12 | 株式会社東芝 | 情報処理装置および事象検出方法 |
| JP2020027569A (ja) * | 2018-08-17 | 2020-02-20 | 国立大学法人滋賀医科大学 | 生体音診断装置 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11107355B2 (en) | 2019-12-05 | 2021-08-31 | Toyota Motor North America, Inc. | Transport dangerous driving reporting |
| US11308800B2 (en) | 2019-12-05 | 2022-04-19 | Toyota Motor North America, Inc. | Transport impact reporting based on sound levels |
| US10832699B1 (en) | 2019-12-05 | 2020-11-10 | Toyota Motor North America, Inc. | Impact media sharing |
-
2002
- 2002-10-24 JP JP2002309074A patent/JP4046592B2/ja not_active Expired - Fee Related
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005101346A1 (ja) * | 2004-03-31 | 2005-10-27 | Hitachi Zosen Corporation | 突発事象の記録・解析システム |
| CN101192344B (zh) * | 2006-11-28 | 2010-06-09 | 株式会社日立制作所 | 突发事件解除判定系统 |
| JP2010287190A (ja) * | 2009-06-15 | 2010-12-24 | Fujitsu Ten Ltd | 運転情報記録装置および運転情報処理プログラム |
| JP2015114294A (ja) * | 2013-12-16 | 2015-06-22 | 富士通株式会社 | 音響装置の検査装置及び音響装置の検査方法並びに音響装置の検査プログラム |
| JP2017010290A (ja) * | 2015-06-23 | 2017-01-12 | 株式会社東芝 | 情報処理装置および事象検出方法 |
| JP2020027569A (ja) * | 2018-08-17 | 2020-02-20 | 国立大学法人滋賀医科大学 | 生体音診断装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4046592B2 (ja) | 2008-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4242422B2 (ja) | 突発事象の記録・解析システム | |
| JP3069529B2 (ja) | 事故音検出回路 | |
| AU2013223662B2 (en) | Modified mel filter bank structure using spectral characteristics for sound analysis | |
| JP2009008823A (ja) | 音響認識装置、音響認識方法、及び、音響認識プログラム | |
| JP4046592B2 (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 | |
| KR102066718B1 (ko) | 음향기반 터널 사고 검지 시스템 | |
| Bhave et al. | Vehicle engine sound analysis applied to traffic congestion estimation | |
| CN112529177A (zh) | 一种车辆碰撞检测方法及装置 | |
| CN108877814A (zh) | 窨井盖盗损检测方法、智能终端及计算机可读存储介质 | |
| Lee et al. | Acoustic hazard detection for pedestrians with obscured hearing | |
| KR20120103286A (ko) | 오디오 신호를 이용하여 차량에 대한 관심 대상 이벤트를 감지하기 위한 방법 및 장치 | |
| Kandpal et al. | Classification of ground vehicles using acoustic signal processing and neural network classifier | |
| JP2008215874A (ja) | エンジン音認識装置および駐車場管理システム | |
| CN113053412A (zh) | 一种基于声音的变压器故障识别方法 | |
| JP3164100B2 (ja) | 交通音源種別識別装置 | |
| JP3895657B2 (ja) | 事故音検出回路 | |
| JP2950771B2 (ja) | 事故音検出回路および事故音検出装置 | |
| KR100262564B1 (ko) | 차량용 음성 인식 장치 | |
| CN113593251B (zh) | 一种炸街车快速筛选方法及系统 | |
| JP3875111B2 (ja) | 事故音検出装置、方法およびプログラム | |
| CN113247730B (zh) | 基于多维特征的电梯乘客尖叫检测方法及系统 | |
| JP2005164378A (ja) | 移動体データ解析装置および移動体データ解析システム | |
| JP7272631B2 (ja) | 音響又は振動の判定方法及び判定のための情報処理システム | |
| Zhang et al. | Development of an automated accident detection system at intersections | |
| JP3810332B2 (ja) | 事故音検出装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040930 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20060206 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070731 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071001 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20071023 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20071120 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101130 Year of fee payment: 3 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 4046592 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111130 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111130 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121130 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131130 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |