基于麥克風陣列的聲音識別與定位算法研究.pdf

1、近年來，隨著城市經(jīng)濟的飛速發(fā)展，機動車輛增速迅猛，交通噪聲污染日益嚴重，其中汽車鳴笛聲對人們的日常生活影響較大并且受到了較多關注。因此，將基于麥克風陣列的聲音識別和定位研究方法應用到交通執(zhí)法系統(tǒng)中，來實現(xiàn)對違章鳴笛車輛更加有效的監(jiān)控，是非常有意義的。
　　由于環(huán)境噪聲的影響和系統(tǒng)實時性的要求，基于麥克風陣列的聲源定位一直以來都是一個充滿挑戰(zhàn)的研究課題。常用的聲源定位方法大致可分兩類:直接定位方法和間接定位方法?；诘竭_時差(Tim

2、e Delay of Arrival，TDOA)的方法就屬于間接定位方法，它通過麥克風對的時延估計和陣列的幾何位置關系實現(xiàn)聲源定位。直接定位方法則通過對麥克風陣列接收信號進行加權形成波束，分析和計算空間譜相關函數(shù)，并且空間搜索中譜相關函數(shù)值最大的位置就對應這估計聲源的位置，例如基于可控波響應功率(Steered Response Power，SRP)的方法。本文結合了直接定位方法和間接定位方法的優(yōu)點，提出一種改進的基于SRP的定位算法，

3、在使用隨機區(qū)域收縮(Stochastic Region Contraction，SRC)方法進行SRP空間搜索的同時，也利用了TDOA的信息。聲源定位之前，需要對目標聲源進行有效的識別。
　　本文以汽車鳴笛聲為目標聲源，研究了基于麥克風陣列的聲音識別和定位相關算法。首先，對于識別模塊，結合鳴笛聲的具體性質，本文選取Mel頻譜系數(shù)（Mel Frequency Cepstrum Coefficients，MFCC）特征參數(shù)和其他幾種不

4、同的頻域特征參數(shù)作為輸入，使用反向傳播神經(jīng)網(wǎng)絡(Back Propagation NeuralNetwork，BPNN)進行識別，得出結論是使用MFCC特征對鳴笛聲信號的識別效果相對更好。
　　其次，對于定位模塊，本文探討一種基于SRC的改進的定位算法，將定位過程簡化為一個匹配搜索的模型，它主要包括定位相關參數(shù)計算和區(qū)域迭代收縮兩個部分。參數(shù)計算包括麥克風對的TDOA估計，并且對于給定初始搜索區(qū)域，計算對應空間格點位置的SRP.值

5、;區(qū)域迭代收縮采用壓縮感知中的正交匹配追蹤(Orthogonal Matching Pursuit，OMP)算法，與SRC相結合的匹配搜索方法，通過迭代搜索SRP值全局最大位置點，不斷進行區(qū)域收縮。最后，當區(qū)域收縮到足夠小，或者某項參數(shù)達到一個設定好的閾值，結束對目標聲音的定位過程。
　　另外，本文通過基于MATLAB平臺的仿真實驗，和基于AWA6290B多通道信號采集分析儀的實測數(shù)據(jù)的實驗，參照相關的標準，分析和對比改進算法和原