李成娟，易 強(qiáng)，李寶清，王國輝

(1.中國科學(xué)院 上海微系統(tǒng)與信息技術(shù)研究所 微系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海 201800； 2.中國科學(xué)院大學(xué)，北京 100049)

無線傳感器網(wǎng)絡(luò)憑借其通信能力強(qiáng)大、記錄信息全面、無需人工值守等優(yōu)點(diǎn)，廣泛應(yīng)用于軍事、農(nóng)業(yè)、商業(yè)等各個(gè)領(lǐng)域[1-2]。無線傳感器網(wǎng)絡(luò)通常由圖像、聲音、紅外、震動傳感器等幾種類型的傳感器構(gòu)成[3]。聲音傳感器有不易被察覺、便于布設(shè)、不易受地形影響的優(yōu)點(diǎn)，被廣泛使用。

根據(jù)車輛行進(jìn)過程中采集的聲音信號，對野外車輛目標(biāo)進(jìn)行識別，一般分為2個(gè)步驟：1)提取聲音傳感器采集的聲信號特征；2)設(shè)計(jì)分類器得到判別結(jié)果。目前常用的特征有基于小波包變換提取的特征，線性預(yù)測倒譜系數(shù)[4]，梅爾倒譜系數(shù)(MFCC, mel-frequency cepstral coefficient)[5]，基于經(jīng)驗(yàn)?zāi)B(tài)分解提取的特征[6-7]等。其中，MFCC較常見，被廣泛用于語種識別、說話人識別、聲紋識別等領(lǐng)域，近年來被成功應(yīng)用于車輛目標(biāo)分類識別[8-10]。但由于MFCC對噪聲敏感[11-13]，在車輛識別領(lǐng)域的應(yīng)用場景受限。

為提高特征抗噪能力，增強(qiáng)特征穩(wěn)健性，能夠體現(xiàn)野外車輛信號自身特征，提出一種改進(jìn)的MFCC特征。根據(jù)車輛目標(biāo)信號的頻譜特征，自適應(yīng)增加車輛基頻信息在特征中的比重。然后進(jìn)行F比加權(quán)，以降低同種車輛類別特征間的區(qū)分度，增大不同車輛類別特征之間的差別，從而提高特征在野外環(huán)境下的魯棒性。使用高斯混合模型(GMM, gaussian mixture model)作為分類器，檢驗(yàn)識別效果。提取傳統(tǒng)MFCC特征，基頻自適應(yīng)MFCC特征，加權(quán)基頻自適應(yīng)MFCC特征作對比試驗(yàn)，期望獲得更高的識別準(zhǔn)確率，為野外環(huán)境的車輛識別，提供一種魯棒特征提取方法。

1 傳統(tǒng)的MFCC特征

人耳對聲音信號的感知，與頻率呈非線性關(guān)系。隨著聲音信號的頻率降低，人耳接收信號的能力愈發(fā)敏感[14]。為使人耳對信號敏感程度與信號頻率呈現(xiàn)線性關(guān)系，MFCC參數(shù)將信號頻譜作映射處理，映射后的刻度稱作梅爾刻度。映射函數(shù)的表達(dá)式如下

(1)

式中：M(f)為梅爾頻率；f為頻率。

第一步，提取車輛目標(biāo)聲信號的MFCC，首先需要在時(shí)域尺度對其進(jìn)行分幀、加窗、預(yù)加重等預(yù)處理。為減小頻譜泄漏，窗函數(shù)選取旁瓣衰減較大的漢明窗。預(yù)加重，實(shí)際是讓信號通過一個(gè)高通濾波器，目的是濾除車輛聲音信號中的低頻干擾成分，增加高頻成分的比重[15]。

第二步，為了將信號從時(shí)域尺度轉(zhuǎn)換為頻域尺度，作快速傅里葉變換，且計(jì)算每幀信號的能量譜。

第三步，對能量譜進(jìn)行三角濾波。梅爾三角濾波器由公式(2)計(jì)算得出。

(2)

式中：Hi(k)表示濾波器參數(shù)；fi表示三角濾波器的中心頻率。濾波后取對數(shù)，得到對數(shù)能量。

最后，進(jìn)行離散余弦變換，得到MFCC。為了獲取動態(tài)信息，提取語音信號的MFCC特征時(shí)，通常包含動態(tài)差分步驟。與語音信號相比，車輛聲音信號頻帶窄，周期性強(qiáng)，沒有必要獲取動態(tài)特性，因此特征提取算法省略動態(tài)差分步驟。

2 改進(jìn)的MFCC特征

傳統(tǒng)的MFCC在識別純凈聲音信號時(shí)，可得到很好識別結(jié)果，但對噪聲的敏感度很高，當(dāng)采集的實(shí)際聲音信號包含噪聲信息時(shí)，識別效果易受干擾，難以預(yù)測識別效果是否符合實(shí)際需求。而且，當(dāng)風(fēng)力等級變化時(shí)，很容易造成訓(xùn)練樣本集與測試樣本集不匹配。為降低噪聲對識別效果的干擾，減少應(yīng)用場景的限制，對傳統(tǒng)MFCC特征提取算法進(jìn)行改進(jìn)。

2.1 基頻自適應(yīng)梅爾倒譜系數(shù)

由于不同車型的傳動系統(tǒng)、排氣系統(tǒng)、發(fā)動機(jī)及其氣缸數(shù)不同，不同車輛聲信號的頻域特性存在差異。不同車輛聲信號頻譜圖如圖1所示。 從圖中可看出不同車型車輛聲音信號的基頻是不同的，因此車輛聲音信號的基頻可以作為車輛目標(biāo)識別特征。將車輛聲音信號的MFCC參數(shù)與基頻特征結(jié)合，得到基頻自適應(yīng)梅爾倒譜系數(shù)。

圖1 不同車輛聲信號頻譜圖Fig. 1 Different vehicles’ spectrograms

提取傳統(tǒng)的MFCC時(shí)，梅爾三角濾波器組中心頻率根據(jù)梅爾刻度獲得，隨著頻率提升，中心頻率的密度逐漸降低。在野外情況風(fēng)噪較大時(shí)，信號頻譜中含有較多干擾頻率，傳統(tǒng)梅爾三角濾波器組有可能削弱基頻在頻譜中的比重，加大無關(guān)頻率的干擾。為了更好體現(xiàn)車輛自身信號的頻譜特征，在傳統(tǒng)的濾波器組中，增添一個(gè)三角濾波器。該濾波器的中心頻率為車輛信號的基頻，通過此方法提取出來的特征稱為基頻自適應(yīng)梅爾倒譜系數(shù)。改進(jìn)的MFCC提取過程如圖2所示。

圖2 改進(jìn)MFCC特征提取算法框圖Fig. 2 Flowchart of improved MFCC

自適應(yīng)的梅爾三角濾波器組具體設(shè)計(jì)方法如下。假設(shè)傳統(tǒng)梅爾三角濾波器組包含N個(gè)濾波器，其中心頻率組成向量F=(f1,f2,…,fN)。提取車輛信號的基頻fb，將fb與三角濾波器組的中心頻率按升序排列，組合構(gòu)成新的向量Fb=(f1,f2,…,fb,…,fN+1)。將Fb向量的各維分量作為濾波器的中心頻率，代入式(2)，即可得到自適應(yīng)的三角濾波器組。傳統(tǒng)梅爾三角濾波器組與基頻自適應(yīng)的三角濾波器組如圖3所示。

圖3 三角濾波器組Fig. 3 Triangular filter-bank

為了得到基頻自適應(yīng)梅爾濾波器組，進(jìn)一步獲得基頻自適應(yīng)梅爾倒譜系數(shù)，需要選擇合適的基頻提取方法，準(zhǔn)確提取車輛聲音信號的基頻。

2.2 基頻提取方法

自相關(guān)函數(shù)法提取單基頻時(shí)，為了降低共振峰干擾，需要先對信號進(jìn)行帶通濾波。然后對信號進(jìn)行加窗、分幀，計(jì)算短時(shí)自相關(guān)函數(shù)。設(shè)車輛聲音信號第i幀的時(shí)間序列為datai(m)，其短時(shí)自相關(guān)函數(shù)Ri(k)由式(3)得到

(3)

由于信號短時(shí)自相關(guān)函數(shù)周期與信號周期相同，因此基因周期可以取短時(shí)自相關(guān)函數(shù)的最大延遲量。對基因周期曲線進(jìn)行平滑處理，使之通過中值和線性組合濾波，得到車輛的單基頻信息。

圖4 譜減法流程圖Fig. 4 Flowchart of spectral subtraction

為了進(jìn)一步滿足野外環(huán)境的實(shí)際應(yīng)用需求，將單基頻提取算法改進(jìn)為多基頻提取算法。運(yùn)動目標(biāo)在行駛過程中生成的聲信號，可由其發(fā)聲主要部件產(chǎn)生的聲信號表示，其余部件產(chǎn)生的聲信號比較微弱，可忽略不計(jì)。履帶車產(chǎn)生聲信號的主要部件為履帶和引擎，輕型輪式車和輪式裝甲車產(chǎn)生聲信號的主要部件是排氣系統(tǒng)和引擎，因此車輛運(yùn)動過程中的聲信號可由2個(gè)主要成分表示，每個(gè)主要成分產(chǎn)生一條基頻。下面簡要介紹多基頻提取算法。

首先提取車輛聲信號的2條基頻，可參照單基頻提取方法。然后，將車輛的2個(gè)基頻進(jìn)行融合，得到一個(gè)新的基頻fbnew(t)。設(shè)某條車輛聲信號第t幀的2個(gè)基頻，其中較大的數(shù)值為fb1(t)、較小的數(shù)值為fb2(t)，則fbnew(t)可由式(4)得到[18]

(4)

2.3 加權(quán)基頻自適應(yīng)梅爾倒譜系數(shù)

MFCC的每一維分量對表征特征的貢獻(xiàn)率不同，為增加不同車型特征之間差距，使同一車型的特征更為緊湊，在基頻自適應(yīng)梅爾倒譜特征基礎(chǔ)上，進(jìn)行F比加權(quán)。F比參數(shù)，是在Fisher準(zhǔn)則基礎(chǔ)上提出的[19]，由類間離散度與類內(nèi)離散度之比得到，可定量分析特征向量每一維分量有效性。設(shè)數(shù)據(jù)集包含M種車輛類別的車輛聲音信號，其中第i個(gè)類型包含Ni條樣本信號，則特征參數(shù)第k維特征分量的F比具體計(jì)算公式如下

(5)

特征參數(shù)中某維分量的F比參數(shù)數(shù)值越小，表明該特征分量在同類目標(biāo)之間方差較大，在不同類目標(biāo)之間方差較小，對表征信號特征的貢獻(xiàn)率也越低。以F比為權(quán)重，對特征向量的每一維分量加權(quán)，能夠削弱貢獻(xiàn)率較低的特征分量干擾，提高貢獻(xiàn)率較高分量的作用，從而提取更能體現(xiàn)不同車輛類別間差異的特征。

3 仿真實(shí)驗(yàn)

實(shí)驗(yàn)采用MATLAB R2015b平臺仿真，樣本信號采用ICS40720傳聲器設(shè)備進(jìn)行采集，采樣率為8 192 Hz。外場實(shí)驗(yàn)場景如圖5所示，目標(biāo)車輛從起始位置行駛到終止位置，麥克風(fēng)便采集到一條完整的樣本。

圖5 實(shí)驗(yàn)場景圖Fig. 5 Experimental scenario

仿真實(shí)驗(yàn)?zāi)康氖歉鶕?jù)野外無線傳感器網(wǎng)絡(luò)中聲音傳感器采集的信號，檢驗(yàn)不同特征提取方法對車輛識別效果的影響。為了更貼近無線傳感器網(wǎng)絡(luò)的實(shí)際應(yīng)用場景，聲音傳感器布設(shè)位置，距離道路中心不超過50 m，起始位置到終止位置的車輛行駛總長度限制在800 m以內(nèi)。當(dāng)野外風(fēng)噪聲非常大時(shí)，無線傳感器網(wǎng)絡(luò)中識別車型主要通過圖像和震動傳感器，聲音傳感器難以采集到有效車輛聲音信號。因此去掉數(shù)據(jù)集中風(fēng)力級在6級以上采集的聲音信號，保留數(shù)據(jù)對應(yīng)的風(fēng)力級主要集中在1～5級。

3.1 實(shí)驗(yàn)過程

為驗(yàn)證改進(jìn)的特征提取算法的實(shí)際識別效果，共采集硬土路、砂石路、水泥路及草地4種不同路面的車輛聲音信號作為樣本。車輛類型包含一種小型車，兩種大型車，不同車型的行駛速度范圍不同。小型車運(yùn)動速度為25～60 km/h，代表車型為輕型輪式車，如卡車。大型車運(yùn)動速度為10～20 km/h，代表車型為重型輪式車、履帶車，如坦克。按照實(shí)際需求以及聲音信號的特征，在實(shí)驗(yàn)中將車輛分為履帶車、輪式裝甲車和輕型輪式車3種類型。樣本集中每種車輛類別樣本數(shù)和總幀數(shù)如表1所示, 將樣本數(shù)按照70%和30%的比例隨機(jī)分為訓(xùn)練集和測試集，用于仿真實(shí)驗(yàn)。

表1 野外車輛樣本數(shù)

采集數(shù)據(jù)后進(jìn)行手工裁剪或拼接，由于存在人工誤差，樣本殘留了部分噪聲段。為獲得更準(zhǔn)確實(shí)驗(yàn)數(shù)據(jù)，對信號進(jìn)行端點(diǎn)檢測，得到有效運(yùn)動目標(biāo)數(shù)據(jù)后，再進(jìn)行特征提取和分類識別。譜熵是聲音信號的一種特征參數(shù)，對噪聲不敏感，具有較好穩(wěn)健性，因此，采用能熵比法對車輛信號進(jìn)行端點(diǎn)檢測。

檢測到有效數(shù)據(jù)段后，首先提取維度為23的MFCC特征，然后提取維度為24的基頻自適應(yīng)梅爾倒譜特征，最后對其進(jìn)行F比加權(quán)。

3.2 結(jié)果分析

表2 野外車輛識別結(jié)果

F比加權(quán)的基頻自適應(yīng)梅爾倒譜參數(shù)與傳統(tǒng)的MFCC相比，識別準(zhǔn)確率提高7.10%，漏警率降低7.10%，相對值降低56.62%，虛警率降低3.93%，相對值降低61.70%，有更高的魯棒性，更適用于野外環(huán)境中車輛識別。

4 結(jié) 論

雖然F比加權(quán)的梅爾倒譜特征具有較好魯棒性，但在進(jìn)行特征提取之前，對野外采集的信號進(jìn)行增強(qiáng)并降噪也非常重要。如何有效去除運(yùn)動目標(biāo)聲信號中包含的噪聲，將是下一步研究的重點(diǎn)內(nèi)容。