基于小波MFCC和HMM的列车鸣笛识别方法研究

摘要

随着社会的快速发展，针对于声音处理的研究与应用得到了越来越多的关注。随着对声音识别的要求越来越高，传统的声音识别存在的局限也越来越明显，在进行列车声音识别时这些局限表现的尤为突出。列车鸣笛识别指的是从列车通过产生的声音数据中识别出鸣笛声音的整个过程，它包含了鸣笛特征参数的提取和声音的分类识别两大部分。利用列车鸣笛识别技术可实现列车鸣笛的自动识别，通过识别过程能够对列车乘务员是否按规定鸣笛进行监督，从而规范列车乘务员的驾驶行为。列车通过产生的声音数据属于非语音信号，目前对非语音信号的检测方法主要沿用传统的语音识别方法，语音信号发声方式固定，且能量较为平稳，而列车鸣笛识别过程中的声音发声机理各不相同，瞬时产生的能量较大，并且在识别时还会受到背景噪音的干扰。因此传统的语音识别方法并不能很好的适用于列车鸣笛识别。　　针对上述问题，本文立足于语音信号特征梅尔频率倒谱系数(Mel FrequencyCepstrum Coefficients，MFCC)和隐马尔可夫模型(Hidden Markov Model，HMM)，对如何构建列车鸣笛识别方法进行研究。论文首先简要介绍了MFCC参数及差分MFCC参数的提取方法，分析了列车鸣笛识别过程中声音的特点，将小波变换（Wavelet Transform，WT）应用到MFCC特征提取中，提出了一种基于小波MFCC的声音特征提取方法。在比较了不同分类器的优劣之后，选取隐马尔可夫模型作为声音识别的分类器，提出了基于隐马尔可夫模型的列车鸣笛识别算法。分析了隐马尔可夫模型在列车鸣笛识别过程中出现的难点，并提出了相应的解决方案。根据提出的基于小波MFCC和HMM的列车鸣笛识别方法，现场录制声音并在MATLAB进行实验。　　实验研究的结果表明，利用小波MFCC和HMM对列车鸣笛进行识别是可行的。同时，将识别方法扩展到特殊声音识别进行实验，证明算法在识别爆炸声、枪声、玻璃破碎声和关门声等特殊声音时效果也要比传统方法优越，具有普适性。

目录

声明

致谢

摘要

第一章 绪论

1．1 列车鸣笛识别的背景及意义

1．2 国内外研究现状

1．2．1 语音识别研究现状

1．2．1 非语音识别研究现状

1．3 论文的主要工作和结构安排

1．3．1 论文的主要工作

1．3．2 论文的结构安排

第二章 声音处理的相关理论与方法

2．1 声音的基本概念

2．2 语音的特点和发声原理

2．3 声音信号的分析方法

2．3．1 声音信号的预处理

2．3．2 声音信号的时域分析方法

2．3．3 声音信号的频域分析方法

2．4 声音识别的基本方法

2．4．1 声音识别特征参数的选取

2．4．2 声音识别的分类方法

2．4．3 声音识别的性能评价

第三章 基于小波变换的MFCC特征提取改进算法

3．1 梅尔频率倒谱系数及其提取算法

3．1．1 梅尔频率简介

3．1．2 MFCC参数的提取

3．1．3 差分MFCC参数的提取

3．2 小波变换

3．2．1 小波分析

3．2．2 连续小波变换及其离散化

3．2．3 多分辨率分析

3．3 声音信号的MFCC特征提取改进方法研究

3．3．1 声音信号的小波去噪

3．3．2 声音信号的小波包分解

3．3．3 基于小波变换的MFCC特征提取

第四章 基于隐马尔可夫模型的列车鸣笛识别方法

4．1 隐马尔可夫模型

4．1．1 马尔可夫链

4．1．2 隐马尔可夫模型的定义

4．1．3 隐马尔可夫模型的结构

4．2 隐马尔可夫模型的基本问题

4．2．1 隐马尔可夫模型的评估问题

4．2．2 隐马尔可夫模型的解码问题

4．2．3 隐马尔可夫模型的训练问题

4．3 基于隐马尔可夫模型的列车鸣笛识别

第五章 基于小波MFCC和HMM的列车鸣笛识别的实验分析

5．1 实验流程

5．2 实验结果分析

5．3 声音识别方法在其它领域的应用

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

攻读硕士学位期间的学术活动及成果情况