公共场所枪声特征提取及识别方法研究

摘要

公共场所的安全防护对于社会的安定和谐，人民的生命财产安全意义重大。目前，以视频监控为核心技术的公共场所视频监控平台，为减少犯罪率，提高破案效率和取证的科学性发挥了积极的作用。枪声信号通常包含武器的类型、火力的大小等，这些信息既为警方提供了破案的线索又为警方提供罪犯的火力情报。目前对枪声信号的特征提取的方法大多沿用传统的语音信号处理方法。由于公共场所枪声信号属于非语言信号，与语音信号的特性有很大不同。基于传统的语音信号处理方法进行枪声信号的特征提取则存在明显的不足。为此，开展对枪声信号特征提取方法的研究将有助于促进非语音信号处理相关研究的发展。所以，对公共场所枪声特征提取及识别方法研究具有很大的社会意义和学术价值。本文通过对公共场所典型枪声信号及环境背景噪声的特性分析，提出一种改进总体经验模态分解的公共场所枪声特征提取及识别方法。实验结果证明本文提出方法是有效的。
　　本文主要开展的工作如下：
　　①公共场所枪声信号及环境背景噪声特性分析。对典型的几种枪声信号公共与公共环境下背景噪声进行了特性分析。通过对时域、频域、时频域、倒谱域上枪声信号相关特性的统计分析，本文认为枪声信号具有非线性、非平稳性的共性，而不同类型的枪声如手枪、步枪、机枪声之间的相似性大于差异性。公共场所环境如广场、车站、码头等背景噪声非常嘈杂，常会淹没原始枪声信号的特征，使得公共场所枪声信号变得很不规则，甚至破坏原始枪声信号的时频及其他相关特征。在为数不多的研究文献中，都将公共场所噪声模型假设为高斯分布，本文通过分析认为假设公共场所背景噪声为对称?稳定(S?S)分布比高斯分布更符合公共场所的实际情况。
　　②公共场所枪声特征描述建模。从①中得到，枪声信号具有非线性、非平稳性的特性，而经验模态分解(Empirical Mode Decomposition, EMD)方法能十分有效的处理这类信号。为此，本文以EMD为基础，开展对公共场所枪声信号的特征提取及识别方法研究。总体经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)通过每次将随机的高斯分布序列人为添加到被分析的信号中，用以解决EMD存在的模态混叠问题。受此启发，本文充分考虑公共场所环境下背景噪声分布情况，对EEMD进行改进，提出在重构枪声信号时用S?S分布代替高斯分布，将重构信号进行EMD分解，对多次EMD分解得到的本征模态函数(Intrinsic Mode Function, IMF)求整体平均，将其作为原枪声信号的最终IMF。
　　③公共场所枪声特征提取方法研究。枪声信号经过 EMD分解后，会生成有限个IMF分量，而每个IMF分量的频率并不固定。为此，本文提出将经过②中提出的枪声特征描述方法分解生成的各阶IMF分量进行快速傅里叶变换(Fast Fourier Transform, FFT)，再根据Parseval定理求出原信号的能量以及各个IMF分量的能量，最终以各个IMF分量的能量相对于原信号能量的能量比作为特征向量。
　　实验结果表明：本文提出的改进EEMD相比传统的语音处理方法中梅尔频率倒谱系数(Mel-Frequency Cepstrum Coefficient, MFCC)以及线性预测倒谱系数(Linear Prediction Cepstrum Coefficient, LPCC)等特征描述参数能够更准确的描述枪声特性。同时，相比原始的EMD与EEMD方法亦有一定程度的提高，而且鲁棒性更好。

目录

封面

中文摘要

英文摘要

目录

1 绪 论

1.1课题的研究背景及意义

1.2课题的研究现状

1.3课题的研究难点

1.4论文的主要研究内容

1.5论文的组织安排

2 公共场所典型枪声信号及背景噪声特性分析

2.1引言

2.2公共场所典型枪声信号的特性分析

2.3公共场所背景噪声的特性分析

2.4本章小结

3公共场所枪声特征描述建模与特征提取方法研究

3.1引言

3.2经验模态分解及其改进

3.3公共场所枪声特征描述建模及特征提取方法

3.5分类器

3.5本章小结

4实验结果与分析

4.1引言

4.2预处理

4.3实验结果与分析

4.4本章小结

5 总结展望

5.1 工作总结

5.2 工作展望

致谢

参考文献

附录

A. 作者在攻读硕士学位期间发表的论文目录