行车环境下鲁棒的声学事件检测方法

摘要

声学事件是指一段能够引起人们感知注意的、表示单一完整内容的连续声音信号,声学事件检测是指通过分析观测到的音频特征,来识别特定的声学事件。相比传统检测环境,行车环境具有以下特殊性:开放噪声环境,信号信噪比低,背景噪声变化无规律且常覆盖目标音信号;路况条件复杂,导致目标音信号变化复杂;待识别的目标音种类多,并且可能遇到未知种类的目标音。
　　面对以上问题,本文以行车环境下鲁棒的声学事件检测方法为主要研究内容,开展相关工作。
　　首先研究了基于周期特性的声学事件检测方法。特种车辆警笛声作为行车环境下一类特殊的声学事件,其变化具有明显的周期性。采用基于短时平均幅度差函数方法对声音信号进行周期检测,通过确认与拒识算法,判断声音信号是否具有周期性,以及确定是否是某种警笛声。实验结果表明,由于噪声的干扰及覆盖,警笛声的周期特性无法被准确的检测出来。
　　其次借鉴已有的声学事件检测方法普遍采用传统的模式分类框架,研究了基于MFCC特征和支持向量机模型的声学事件检测方法。先介绍了MFCC特征提取方法,以及支持向量机分类器的理论及方法,然后对行车环境下常见的声学事件进行了测试,发现由于大幅噪声对目标声学事件的干扰和损坏,导致检测性能严重下降。如何在大幅噪声条件下提取出能表示目标声学事件的鲁棒特征,成为行车环境下需要重点研究并解决的问题。
　　接下来研究了基于主成分分析的鲁棒声学特征和相应的声学事件检测方法,降低了大幅噪声对检测性能的影响。根据鲁棒主成分分析理论,信号的低秩部分能够有效表示目标声学事件的主要声学特征,并且有效降低大幅噪声的干扰,具有较好的鲁棒性。本文将鲁棒主成分特征的求解转化为求解核函数和?1范数组合的凸优化问题,并采用基于奇异值阈值处理技术的增强拉格朗日乘子方法进行求解。实验测试结果证实了其具有更好的分类性能,是一种适用于描述行车环境下声学事件的鲁棒声学特征。
　　最后讨论了影响鲁棒主成分特征提取算法性能的主要因素,进而提出方法以改进传统的基于奇异值分解的奇异值阈值处理技术的性能。引入一种基于极分解的快速奇异值阈值处理算法,通过求解原问题的对偶问题,并采用极分解方法和一系列优化策略,有效解决了已有方法效率方面的不足。实验结果表明,在不损失计算准确度的前提下,所提新方法节省了50％以上的计算时间。相比原主成分特征提取方法,改进方法提取得到的特征检测性能无明显降低。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 研究目的和意义

1.2 国内外研究现状

1.3 本文的研究内容

第2章 基于周期特性的声学事件检测方法

2.1 引言

2.2 基于周期特性的检测方法

2.3 行车环境声学事件检测数据集

2.4 实验结果和分析

2.5 本章小结

第3章 基于MFCC和SVM的声学事件检测方法

3.1 引言

3.2 MFCC特征提取

3.3 支持向量机

3.4 基于SVM的检测方法

3.5 实验结果和分析

3.6 本章小结

第4章 基于主成分分析的声学事件检测方法

4.1 引言

4.2 基于主成分分析表示的特征

4.3 主成分特征提取算法的改进

4.4 基于鲁棒主成分分析的声学事件检测方法

4.5 实验结果与分析

4.6 本章小结

结论

参考文献

声明

致谢