CN104637481A - 基于lmd及能量投影法的车型音频特征提取方法 - Google Patents
基于lmd及能量投影法的车型音频特征提取方法 Download PDFInfo
- Publication number
- CN104637481A CN104637481A CN201510031879.0A CN201510031879A CN104637481A CN 104637481 A CN104637481 A CN 104637481A CN 201510031879 A CN201510031879 A CN 201510031879A CN 104637481 A CN104637481 A CN 104637481A
- Authority
- CN
- China
- Prior art keywords
- energy
- signal
- lmd
- component
- vehicle
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)
Abstract
基于LMD及能量投影法的车型音频特征提取方法,涉及智能交通识别领域,本发明采用自适应的LMD方法将车型音频信号进行分解,然后运用相关加权分析的方法重构一个新的 分量,这个加权优化后的分量增强了特征频率成分,使得车型特征更加有效,进而提高分类的准确性。本发明在能量聚集的特征频段内分析反映车型信息的能量分布情况,通过划分子频段将信号
Description
技术领域
本发明涉及一种涉及智能交通识别领域,特别是涉及一种基于LMD及能量投影法的车型音频特征提取方法。
背景技术
车型识别是智能交通领域的一个重要内容,目前主流方法有磁感应线圈检测,红外线检测,微波检测,超声波检测、图像及视频检测等。这些方法有各自的适用性,但同时又有着各自的局限性,不同程度地受到包括光照、气候、电磁干扰等环境因素的影响,有些方法硬件成本高,有些方法甚至会在布设传感器时破坏现有路面条件。车辆在行驶过程中会不可避免地辐射出噪声,这些噪声由于引擎差异、轮胎与地面的摩擦力度不同等原因而有所不同,其中引擎差异是主要因素,而且与车辆机械结构即车辆类型有很强的关联性,因此车辆行驶时发出的噪声即音频信号可以作为车型识别的有效特征。车辆音频信号是典型的非平稳、低信噪比信号,含有复杂的机械频率成分。对这类信号的分析关键在于从带有强背景噪声的信号众多成分中找出反映车型信息的特征频率,并对其进行差别分析。单一的功率谱分析、倒频谱分析、滤波分析及滤波器、小波包分解、经验模式分解等信号分解方法,或者不区分信号中的多成分信息而对信号进行整体分析,或者对分解后的各信号分量统一处理,没有考虑信号频率成分之间的差异,无法直接而有效地辨识信号中的特征频率,这些问题都需要进一步解决。
发明内容
本发明的目的在于提供一种基于LMD及能量投影法的车型音频特征提取方法,
本发明的目的是通过以下技术方案实现的:
基于LMD及能量投影法的车型音频特征提取方法,其步骤包括:
步骤一:利用声音传感器对行驶中的车辆进行测量,获得车辆的音频信号 ;
步骤二:通过局部均值分解(LMD)方法对采集到的车辆音频信号进行分解,获得个分量和一个残余分量;
步骤三:运用相关加权分析的方法,依据各分量与原始信号的相关性分析进行加权优化,获得重构加权优化的分量;
步骤四:做出的频谱图,将其划分为个子频段,将信号的能量投影到每一个子频段内,计算各子频段的投影能量,作为车辆音频信号的车型特征。
上述基于LMD及能量投影法的车型音频特征提取方法,所述步骤二中采用LMD方法对采集到的车辆音频信号进行分解步骤如下:
(1)求取局部均值函数,找出音频信号所有对应的局部极值点求出所有相邻的局部极值点的平均值,然后将所有相邻的平均值点用直线连接起来,并运用滑动平均法进行平滑处理得到;
(2)求取包络估计函数,计算相邻局部极值点的包络估计值,将所有相邻两个包络估计值用直线连接,然后采用滑动平均方法进行平滑处理,得到;
(3)将局部均值函数从原始信号中分离出来,得到滤掉低频信号的;
(4)用除以包络估计函数以对进行解调,得到;
(5) 把重复步骤(1)-(4),直至满足,则迭代过程终止,否则需要继续重复步骤(1)-(4);
(6)把步骤(1)-(4)迭代过程中产生的所有包络估计函数相乘便可以得到包络信号;
(7) 将包络信号和纯调频信号相乘便可以得到原始信号的第一个分量;
(8)将第一个分量从原始信号中分离出来,得到一个新的信号,将作为原始数据重复步骤(1)-(7),循环次直至为一个的单调函数为止,将原始信号分解个分量和一个单调函数之和。
上述基于LMD及能量投影法的车型音频特征提取方法,所述步骤三中依据各分量与原始信号的相关性分析进行加权优化,获得重构加权优化的分量,具体步骤为:首先运用相关性分析的方法计算与原始信号的相关系数,判断对应的相关系数是否超过设定的阈值,若超过则认为是有效的,选中该;对选中的个分量运用加权优化的方法进行处理,重构加权优化分量,
式中,为对应的相关系数。
上述基于LMD及能量投影法的车型音频特征提取方法,所述步骤四中,在划分频段过程中,首先将进行傅里叶变换,获得;做出的频谱图,选择能量比较集中的频段,将等分为个子频段,每一个频段均含有个数据点,如果不能等分,将最后一个子频段通过补零的方式补足个数据点;计算每一个子频段的能量,将的投影能量定义为其内所有数据点的能量和,第个子频段的投影能量定义为:
经过上述处理后得到一个投影能量向量,整个频段的能量表示为,
对每一个频段的能量进行归一化处理,得到,于是就有了作为车型音频信号的车型特征。
本发明的优点与效果是:
1. 本发明采用自适应的LMD方法将车型音频信号进行分解,然后运用相关加权分析的方法重构一个新的分量,这个加权优化后的分量增强了特征频率成分,使得车型特征更加有效,进而提高分类的准确性。
2. 本发明在能量聚集的特征频段内分析反映车型信息的能量分布情况,通过划分子频段将信号的能量投影到几个各子频段内,减小了计算量,降低了特征维数,提高了算法的实时性。
附图说明
图1:卡车频谱图以及频段划分;
图2:拖拉机频谱图以及频段划分;
图3:轿车频谱图以及频段划分;
图4:卡车、拖拉机、轿车投影能量分布图。
图1,2,3中黑色表示能量比较集中的频段,图4中暗红色表示拖拉机,浅绿色表示卡车,蓝色表示轿车。
具体实施方式
下面结合实施例对本发明进行详细说明。
实施例1
步骤一:运用声音传感器对行驶中的卡车进行测量,获得卡车的音频信号,采样频率为44100,采样点数为4096;
步骤二:通过局部均值分解(LMD)方法对采集到的卡车音频信号进行分解,步骤如下
(1)求局部均值函数。找出卡车音频信号所有的局部极值点,求出所有相邻的局部极值点的平均值
其中,i=1,2,……M;M为原始信号的局部极值点的个数。然后,将所有相邻的平均值点用直线连接起来,并用滑动平均法进行平滑处理,得到
(2)求包络估计函数。包络估计值为
将所有相邻两个包络估计值用直线连接,然后采用滑动平均方法进行平滑处理得到。
(3)将局部均值函数从原始信号中分离出来,得到
(4)用除以包络估计函数,从而对进行解调,得到
理想情况下,是一个纯调频信号,对重复上述步骤便能得到的包络估计函数,如果不等于1,说明不是一个纯调频信号,需要继续重复上面的迭代过程n次,直至一个纯调频信号,也即的包络估计函数,所以有
在实际情况下,达到这种终止条件要求的迭代次数会太多,为了降低分解迭代次数,通常可以设置一个较小的变动量一般取
作为迭代终止的条件。
(5)把迭代过程中产生的所有包络估计函数相乘便可以得到包络信号
(6) 将包络信号和纯调频信号相乘便可以得到原始信号的第一个PF分量
它包含了原始信号中最高的频率成分,是一个单分量的调幅-调频信号,其瞬时幅值就是包络信号,其瞬时频率则是由纯调频信号求出,即
(7)将第一个分量从原始信号中分离出来,得到一个新的信号,将作为原始数据重复上面的操作,循环4次,直到为一个单调函数为止。
为一个单调函数为止。
获得4个PF分量;
步骤三:运用相关加权分析的方法进行优化,首先,计算4个PF分量与卡车音频信号的相关系数,如表1所示。
表1卡车各分量与原始信号的相关系数
其次,判断4个分量对应的相关系数是否超过设定的阈值,在这里设定的阈值为0.5;根据这个阈值选中前两个分量,获得重构加权优化的分量
步骤四:对进行傅里叶变换,得到;做出的频谱图如图1所示,观察到频谱图中前500个数据点能量比较集中,因此选取频谱图的前500个点进行分析,将其等分为10个子频段,则每一个子频段内含有50个数据点;计算每一个子频段的投影能量,
经过上述处理得到一个卡车的投影能量向量,即,整个频段的能量表示为,
对于每一个频段的能量运用进行归一化处理得到,即,将其作为卡车音频信号的车型特征。
实施例2
步骤一:运用声音传感器对行驶中的拖拉机进行测量,获得拖拉机的音频信号,采样频率为44100,采样点数为4096;
步骤二:通过局部均值分解(LMD)方法对采集到的拖拉机音频信号进行分解,步骤如下
(1)求局部均值函数。找出拖拉机音频信号所有的局部极值点,求出所有相邻的局部极值点的平均值
其中,i=1,2,……M;M为原始信号的局部极值点的个数。然后,将所有相邻的平均值点用直线连接起来,并用滑动平均法进行平滑处理,得到
(2)求包络估计函数。包络估计值为
将所有相邻两个包络估计值用直线连接,然后采用滑动平均方法进行平滑处理得到。
(3)将局部均值函数从原始信号中分离出来,得到
理想情况下,是一个纯调频信号,对重复上述步骤便能得到的包络估计函数,如果不等于1,说明不是一个纯调频信号,需要继续重复上面的迭代过程n次,直至为一个纯调频信号,也即的包络估计函数,所以有
在实际情况下,达到这种终止条件要求的迭代次数会太多,为了降低分解迭代次数,通常可以设置一个较小的变动量一般取
作为迭代终止的条件。
(5)把迭代过程中产生的所有包络估计函数相乘便可以得到包络信号
(6) 将包络信号和纯调频信号相乘便可以得到原始信号的第一个PF分量
它包含了原始信号中最高的频率成分,是一个单分量的调幅-调频信号,其瞬时幅值就是包络信号,其瞬时频率则是由纯调频信号求出,即
(7)将第一个分量从原始信号中分离出来,得到一个新的信号,将作为原始数据重复上面的操作,循环4次,直到为一个单调函数为止。
获得4个PF分量和一个残余分量;
步骤三:运用相关加权分析的方法进行优化,首先,计算4个PF分量与拖拉机音频信号的相关系数,如表2所示。
表2 拖拉机各PF分量与原始信号的相关系数
其次,判断4个分量对应的相关系数是否超过设定的阈值,在这里设定的阈值为0.5;根据这个阈值选中前两个分量,获得重构加权优化的分量
步骤四:对进行傅里叶变换,得到;做出的频谱图如图2所示,观察到频谱图中前500个数据点能量比较集中,因此选取频谱图的前500个点进行分析,将其等分为10个子频段,则每一个子频段内含有50个数据点;计算每一个子频段的投影能量,
经过上述处理得到一个拖拉机的投影能量向量,即,整个频段的能量表示为,
对于每一个频段的能量运用进行归一化处理得到,即,将其作为拖拉机音频信号的车型特征。
实施例3
步骤一:运用声音传感器对行驶中的轿车进行测量,获得轿车的音频信号,采样频率为44100,采样点数为4096;
步骤二:通过局部均值分解方法对采集到的轿车音频信号进行分解,步骤如下
(1)求局部均值函数。找出轿车音频信号所有的局部极值点,求出所有相邻的局部极值点的平均值
其中,i=1,2,……M;M为原始信号的局部极值点的个数。然后,将所有相邻的平均值点用直线连接起来,并用滑动平均法进行平滑处理,得到
(2)求包络估计函数。包络估计值为
将所有相邻两个包络估计值用直线连接,然后采用滑动平均方法进行平滑处理得到。
(3)将局部均值函数从原始信号中分离出来,得到
(4)用除以包络估计函数,从而对进行解调,得到
理想情况下,是一个纯调频信号,对重复上述步骤便能得到的包络估计函数,如果不等于1,说明不是一个纯调频信号,需要继续重复上面的迭代过程n次,直至为一个纯调频信号,也即的包络估计函数,所以有
在实际情况下,达到这种终止条件要求的迭代次数会太多,为了降低分解迭代次数,通常可以设置一个较小的变动量一般取
作为迭代终止的条件。
(5)把迭代过程中产生的所有包络估计函数相乘便可以得到包络信号
(6)将包络信号和纯调频信号相乘便可以得到原始信号的第一个PF分量
它包含了原始信号中最高的频率成分,是一个单分量的调幅-调频信号,其瞬时幅值就是包络信号,其瞬时频率则是由纯调频信号求出,即
(7)将第一个分量从原始信号中分离出来,得到一个新的信号,将作为原始数据重复上面的操作,循环4次,直到为一个单调函数为止。
获得4个PF分量和一个残余分量;
步骤三:运用相关加权分析的方法进行优化,首先,计算4个PF分量与轿车音频信号的相关系数,如表3所示。
表3 轿车各分量与原始信号的相关系数
其次,判断4个分量对应的相关系数是否超过设定的阈值,在这里设定的阈值为0.5;根据这个阈值选中前两个分量,获得重构加权优化的PF分量
步骤四:对进行傅里叶变换,得到;做出 的频谱图如图3所示,观察到频谱图中前500个数据点能量比较集中,因此选取频谱图的前500个点进行分析,将其等分为10个子频段,则每一个子频段内含有50个数据点;计算每一个子频段的投影能量,
经过上述处理得到一个轿车的投影能量向量,即,整个频段的能量表示为,
对于每一个频段的能量运用进行归一化处理得到,即,将其作为轿车车音频信号的车型特征。
Claims (4)
1.基于LMD及能量投影法的车型音频特征提取方法,其特征在于,所述方法包括以下步骤:
步骤一:利用声音传感器对行驶中的车辆进行测量,获得车辆的音频信号 ;
步骤二:通过局部均值分解方法对采集到的车辆音频信号进行分解,获得个分量和一个残余分量;
步骤三:运用相关加权分析的方法,依据各 分量与原始信号的相关性分析进行加权优化,获得重构加权优化的 分量;
步骤四:做出 的频谱图,将其划分为N个子频段,将信号的能量投影到每一个子频段内,计算各子频段的投影能量 ,作为车辆音频信号的车型特征。
2.根据权利要求1所述的基于LMD及能量投影法的车型音频特征提取方法,其特征在于,所述步骤二中采用LMD方法对采集到的车辆音频信号进行分解步骤如下:
(1)求取局部均值函数,找出音频信号所有对应的局部极值点,求出所有相邻的局部极值点的平均值,然后将所有相邻的平均值点用直线连接起来,并运用滑动平均法进行平滑处理得到;
(2)求取包络估计函数,计算相邻局部极值点的包络估计值,将所有相邻两个包络估计值用直线连接,然后采用滑动平均方法进行平滑处理,得到;
(3)将局部均值函数从原始信号中分离出来,得到滤掉低频信号的;
(4)用除以包络估计函数进行解调,得到;
(5) 把重复步骤(1)-(4),直至满足 ,则迭代过程终止,否则需要继续重复步骤(1)-(4);
(6)把步骤(1)-(4)迭代过程中产生的所有包络估计函数相乘便可以得到包络信号;
(7) 将包络信号和纯调频信号相乘便可以得到原始信号的第一个分量;
(8)将第一个分量从原始信号中分离出来,得到一个新的信号,将作为原始数据重复步骤(1)-(7),循环次直至为一个的单调函数为止,将原始信号分解。
3.根据权利要求1所述的基于LMD及能量投影法的车型音频特征提取方法,其特征在于,所述步骤三中依据各的相关性分析进行加权优化,获得重构加权优化的,具体步骤为:首先运用相关性分析的方法计算与原始信号的相关系数,判断对应的相关系数是否超过设定的阈值,若超过则认为有效的,选中该;对选中的运用加权优化的方法进行处理,重构加权优化,
式中,。
4.根据权利要求1所述的基于LMD及能量投影法的车型音频特征提取方法,其特征在于,所述步骤四中,在划分频段过程中,首先将,获得;做出的频谱图,选择能量比较集中的频段子频段,每一个频段均含有个数据点,如果不能等分,将最后一个子频段通过补零的方式补足个数据点;计算每一个子频段的能量,将的投影能量定义为其内所有数据点的能量和,第个子频段的投影能量定义为:
经过上述处理后得到一个投影能量向量,整个频段的能量表示为,
对每一个频段的能量进行归一化处理,得到 ,于是就有了作为车型音频信号的车型特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510031879.0A CN104637481B (zh) | 2015-01-22 | 2015-01-22 | 基于lmd及能量投影法的车型音频特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510031879.0A CN104637481B (zh) | 2015-01-22 | 2015-01-22 | 基于lmd及能量投影法的车型音频特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104637481A true CN104637481A (zh) | 2015-05-20 |
CN104637481B CN104637481B (zh) | 2016-08-24 |
Family
ID=53216152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510031879.0A Active CN104637481B (zh) | 2015-01-22 | 2015-01-22 | 基于lmd及能量投影法的车型音频特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104637481B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469798A (zh) * | 2015-11-17 | 2016-04-06 | 浙江图维电力科技有限公司 | 基于声信号统计特征的挖掘器械识别方法 |
CN106328120A (zh) * | 2016-08-17 | 2017-01-11 | 重庆大学 | 公共场所异常声音特征提取方法 |
CN106529433A (zh) * | 2016-10-25 | 2017-03-22 | 天津大学 | 基于声音信号的队列步伐整齐度评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145280A (zh) * | 2007-10-31 | 2008-03-19 | 北京航空航天大学 | 基于独立分量分析的车辆声音识别方法 |
CN103730109A (zh) * | 2014-01-14 | 2014-04-16 | 重庆大学 | 一种公共场所异常声音特征提取方法 |
-
2015
- 2015-01-22 CN CN201510031879.0A patent/CN104637481B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145280A (zh) * | 2007-10-31 | 2008-03-19 | 北京航空航天大学 | 基于独立分量分析的车辆声音识别方法 |
CN103730109A (zh) * | 2014-01-14 | 2014-04-16 | 重庆大学 | 一种公共场所异常声音特征提取方法 |
Non-Patent Citations (1)
Title |
---|
徐继刚 等: "局部均值分解在旋转机械复合故障诊断中的应用", 《噪声与振动控制》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469798A (zh) * | 2015-11-17 | 2016-04-06 | 浙江图维电力科技有限公司 | 基于声信号统计特征的挖掘器械识别方法 |
CN105469798B (zh) * | 2015-11-17 | 2019-05-03 | 浙江图维科技股份有限公司 | 基于声信号统计特征的挖掘器械识别方法 |
CN106328120A (zh) * | 2016-08-17 | 2017-01-11 | 重庆大学 | 公共场所异常声音特征提取方法 |
CN106328120B (zh) * | 2016-08-17 | 2020-01-10 | 重庆大学 | 公共场所异常声音特征提取方法 |
CN106529433A (zh) * | 2016-10-25 | 2017-03-22 | 天津大学 | 基于声音信号的队列步伐整齐度评价方法 |
CN106529433B (zh) * | 2016-10-25 | 2019-07-16 | 天津大学 | 基于声音信号的队列步伐整齐度评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104637481B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105738764B (zh) | 基于暂态信息全频带的配电网故障区段定位方法 | |
CN110175508B (zh) | 一种应用于超声波局放检测的特征值提取方法 | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及*** | |
CN110519003B (zh) | 一种基于信号特征差异的无人机上下行通信链路识别方法及装置 | |
TWI403990B (zh) | 一種辨認車道邊界的方法 | |
CN105974376B (zh) | 一种sar射频干扰抑制方法 | |
CN104637481A (zh) | 基于lmd及能量投影法的车型音频特征提取方法 | |
CN106685478A (zh) | 基于信号时频图像信息提取的跳频信号参数估计方法 | |
CN113283331B (zh) | 用于无人值守传感器***的多类别目标识别方法及*** | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN115186714B (zh) | 基于特征相关与自适应分解的网卡频谱指纹特征放大方法 | |
CN112381063A (zh) | 一种基于信道状态信息的人数统计方法 | |
CN114025379A (zh) | 一种宽带多信号检测方法、装置和设备 | |
CN103310172A (zh) | 无源射频识别测温***中的回波频率甄别方法 | |
Yang et al. | Radar emitter signal recognition based on time-frequency analysis | |
CN105717490B (zh) | 基于时频分析的lfm信号分离及参数估计方法 | |
CN103051401B (zh) | 基于小波的认知无线电频谱感知方法 | |
Yang et al. | Wireless communication jamming recognition based on lightweight residual network | |
CN116166936A (zh) | 基于小波变换相位突变检测的雷达信号调制类型识别方法 | |
CN108549076B (zh) | 一种基于速度节奏图的多种类无人机场景识别方法 | |
Huang et al. | Modulation identification method based on time-frequency analysis and support vector machine | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
CN113824518A (zh) | 基于频谱的非合作信号检测方法 | |
CN104268838B (zh) | 一种面向超光谱数据库的小波去噪算法 | |
CN114580476A (zh) | 一种无人机信号的识别模型构建方法及相应识别方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20171211 Address after: 110000 Liaoning province Shenyang Hunnan New Long Street No. 10-2 animation world building room 901 Patentee after: Shenyang Yida XunTong Technology Co. Ltd. Address before: 110044 Liaoning Province, Shenyang City District wanghuanan Street No. 21 Patentee before: Shenyang Univ. |
|
TR01 | Transfer of patent right |