行車環(huán)境下魯棒的聲學(xué)事件檢測(cè)方法.pdf

1、聲學(xué)事件是指一段能夠引起人們感知注意的、表示單一完整內(nèi)容的連續(xù)聲音信號(hào),聲學(xué)事件檢測(cè)是指通過(guò)分析觀測(cè)到的音頻特征,來(lái)識(shí)別特定的聲學(xué)事件。相比傳統(tǒng)檢測(cè)環(huán)境,行車環(huán)境具有以下特殊性:開放噪聲環(huán)境,信號(hào)信噪比低,背景噪聲變化無(wú)規(guī)律且常覆蓋目標(biāo)音信號(hào);路況條件復(fù)雜,導(dǎo)致目標(biāo)音信號(hào)變化復(fù)雜;待識(shí)別的目標(biāo)音種類多,并且可能遇到未知種類的目標(biāo)音。
　　面對(duì)以上問(wèn)題,本文以行車環(huán)境下魯棒的聲學(xué)事件檢測(cè)方法為主要研究?jī)?nèi)容,開展相關(guān)工作。
　　

2、首先研究了基于周期特性的聲學(xué)事件檢測(cè)方法。特種車輛警笛聲作為行車環(huán)境下一類特殊的聲學(xué)事件,其變化具有明顯的周期性。采用基于短時(shí)平均幅度差函數(shù)方法對(duì)聲音信號(hào)進(jìn)行周期檢測(cè),通過(guò)確認(rèn)與拒識(shí)算法,判斷聲音信號(hào)是否具有周期性,以及確定是否是某種警笛聲。實(shí)驗(yàn)結(jié)果表明,由于噪聲的干擾及覆蓋,警笛聲的周期特性無(wú)法被準(zhǔn)確的檢測(cè)出來(lái)。
　　其次借鑒已有的聲學(xué)事件檢測(cè)方法普遍采用傳統(tǒng)的模式分類框架,研究了基于MFCC特征和支持向量機(jī)模型的聲學(xué)事件檢測(cè)方

3、法。先介紹了MFCC特征提取方法,以及支持向量機(jī)分類器的理論及方法,然后對(duì)行車環(huán)境下常見的聲學(xué)事件進(jìn)行了測(cè)試,發(fā)現(xiàn)由于大幅噪聲對(duì)目標(biāo)聲學(xué)事件的干擾和損壞,導(dǎo)致檢測(cè)性能嚴(yán)重下降。如何在大幅噪聲條件下提取出能表示目標(biāo)聲學(xué)事件的魯棒特征,成為行車環(huán)境下需要重點(diǎn)研究并解決的問(wèn)題。
　　接下來(lái)研究了基于主成分分析的魯棒聲學(xué)特征和相應(yīng)的聲學(xué)事件檢測(cè)方法,降低了大幅噪聲對(duì)檢測(cè)性能的影響。根據(jù)魯棒主成分分析理論,信號(hào)的低秩部分能夠有效表示目標(biāo)聲學(xué)

4、事件的主要聲學(xué)特征,并且有效降低大幅噪聲的干擾,具有較好的魯棒性。本文將魯棒主成分特征的求解轉(zhuǎn)化為求解核函數(shù)和?1范數(shù)組合的凸優(yōu)化問(wèn)題,并采用基于奇異值閾值處理技術(shù)的增強(qiáng)拉格朗日乘子方法進(jìn)行求解。實(shí)驗(yàn)測(cè)試結(jié)果證實(shí)了其具有更好的分類性能,是一種適用于描述行車環(huán)境下聲學(xué)事件的魯棒聲學(xué)特征。
　　最后討論了影響魯棒主成分特征提取算法性能的主要因素,進(jìn)而提出方法以改進(jìn)傳統(tǒng)的基于奇異值分解的奇異值閾值處理技術(shù)的性能。引入一種基于極分解的快速