基于Gammatone滤波器组的车型特征提取方法

摘要

本发明公开了基于Gammatone滤波器组的车型特征提取方法，属于模式识别领域，涉及车辆辐射声信号的特征提取方法，具体来讲是一种通过计算车辆声信号在Gammatone滤波器组下的倒谱系数模拟人耳听觉特性的特征提取方法。该方法利用Gammatone滤波器组可模拟人耳非线性频率分解的特性，将车辆声信号滤波划分为不同子带信号并求取倒谱系数。本发明基于听觉特性中频率分解原理，对车辆声信号提取Gammatone倒谱系数，得到原始信号频带-能量特征，其中涉及计算均为常用信号处理技术，原理简单，步骤明了，便于编程实现，适用性广。

说明书

技术领域

本发明属于模式识别领域，涉及车辆辐射声信号的特征提取方法，具体来 讲是一种计算车辆声信号在Gammatone滤波器组下的倒谱系数的特征提取方 法，所得特征可模拟人耳的听觉特性。

背景技术

车型识别的过程主要包括特征提取与分类器的训练识别两个部分。特征提 取是模式识别的关键技术之一，利用车辆运动产生声信号对其进行分类识别是 车型识别的一种重要方式。车型识别被广泛应用于交通管理、区域防护与要地 警戒等领域。

目前，车辆声信号的特征提取主要基于信号的频率特征，AR参数模型是 广泛采用的计算信号功率谱的频谱分析方法，有严格的理论支持与成熟的技术 实现，但对于不同环境条件下的应用，提高特征分类精度的难度较大；此外还 有基于小波及小波包的能量系数特征提取方法，进一步提高了特征的分类精 度，但其原理深奥、实现复杂；近几年还出现了采用高阶谱分析、Mel倒谱系 数、经验模式分解等新原理的基于频率的特征提取方法，可以得到相对精确的 声信号特征，但整体而言，计算量大，实现复杂，且有的提取方法对背景噪声 依赖较强，应用具有局限性。

发明内容

本发明目的是提供一种较为简单易行的基于Gammatone滤波器组的车型 特征提取方法，该方法基于人耳非线性频率分解的听觉特性，利用听觉外周模 型广泛采用的Gammatone滤波器组，过滤、划分车辆声信号并计算滤波得到 子带信号的倒谱系数。

本发明的技术解决方案是：

一种基于Gammatone滤波器组的车型特征提取方法，其特殊之处在于： 包括以下步骤：

1】采集原始车辆声信号s(n)，n表示采样数据序列中数据点的编号，采样 率f_s满足奈奎斯特采样定理，即f_s≥2f_max，f_max为信号的最高频率；对采样率为 f_s的原始车辆声信号s(n)进行预滤波、归一化、加窗分帧的预处理，得到时域 的短时信号x(n)；相应计算如下所示：

信号预滤波：y(n)=s(n)+0.9375·s(n-1)  (1)

信号归一化：$\bar{y}\left(n\right)=\frac{y\left(n\right)}{\left|y{\left(n\right)}_{\max }\right|}---\left(2\right)$

加窗分帧：$x\left(n\right)=\bar{y}\left(n\right)·w\left(n\right)---\left(3\right)$

所述加窗分帧采用重叠分帧，w(n)为加窗函数，采用hamming窗，其函数表达 式如下：

$w\left(n\right)=h\left(n\right)=\left(\begin{array}{cc}0.54-0.46\cos [2\mathrm{\pi n}/(N-1)],& 0\le n\le N-1\\ 0,& \mathrm{else}\end{array}\right)---\left(4\right)$

其中，N为窗函数数据序列长度，即序列包含数据点数；n为此数据序列 中任一数据点编号；

2】确定滤波器组应用的频率范围[f_L,f_H](f_L为滤波范围的频率下界，f_H为 滤波范围的频率上界)、滤波器个数M与滤波器的阶数r，实现M个一组的 Gammatone滤波器组：

$g_m\left(n\right)=\frac{1}{2\mathrm{\pi j}}{\int G}_m\left(z\right)z^{n-1}\mathrm{dz}---\left(5\right)$

其中，G_m(z)为滤波器在离散系统中的对应函数，z为Z变换中的复变量， n为离散系统中数据序列的任一数据点编号(n为整数)，j为虚数单位，m表示 滤波器组中任一滤波器的编号，

3】短时信号x(n)通过Gammatone滤波器组，划分为M个子带信号(M为 滤波器个数)x_m(n)：

x_m(n)=x(n)*g_m(n)  1≤m≤M  (6)

4】对子带信号x_m(n)作N点的FFT计算，N为子带信号数据序列长度， 得到子带信号的功率谱X_m(k)，进一步对其取模平方，得到子带信号的能量谱 E_m(k)；再除以子带信号帧长度N得到信号的功率谱G_m(k)；对各子带信号平均 功率谱G_m(k)加和并取对数，得到子带信号的对数功率值，相应计算如下所示：

子带信号能量谱：E_m(k)=|X_m(k)|²  (7)

子带信号功率谱：$G_m\left(k\right)=\frac{E_m\left(k\right)}{N}---\left(8\right)$

子带信号对数功率值：$e_m=\log \left(\underset{k=1}{\overset{N}{\Sigma }}{G}_m\left(k\right)\right),1\le m\le M---\left(9\right)$

其中，k代表子带信号数据序列中任一点编号，m代表子带信号编号，与 各滤波器编号对应，

5】得到车型识别特征系数，实现车型识别：

5.1】对各子带信号的对数功率值组成的数据序列e(m)按照定义进行离散 余弦变换，得到子带信号的原始p阶倒谱系数C(n)，转换公式为：

$C\left(n\right)=\sqrt{\frac{2}{M}}\underset{m=1}{\overset{M}{\Sigma }}e\left(m\right)\cos \left[\frac{\mathrm{\pi n}}{M}(m-0.5)\right],n=\mathrm{1,2},...,p---\left(10\right)$

式中：

e(m)={e₁,…,e_m,…,e_M}；

n代表得到倒谱系数数据序列点的编号；

p为倒谱系数的阶数；

5.2】对得到的原始p阶倒谱系数C(n)，根据半正弦窗函数表达式(11)进行 升半正弦倒谱提升，得到提升后的车型识别特征系数，如式（12）所示：

w(i)=1+6×sin(πi/N),1≤i≤N  (11)

C_G(n)=C(n)×w(i)  (12)

其中，N对应倒谱系数的阶数p，N=p，i代表1到N的正整数，式(12)中’×’表 示C(n)与w(i)两数据序列作点乘运算，即对应位置数据点相乘。

上述步骤2实现M个一组的Gammatone滤波器组，具体如下：

2.1】根据式(13)、式(14)计算得到各滤波器的中心频率及带宽：

中心频率f_m为：

$f_m=(f_H+228.7)\exp (-\frac{v_i}{9.26})-228.7---\left(13\right)$

其中，f_H为滤波器的截止频率上界，v_i是滤波器重叠因子，用于指定相邻 滤波器之间的重叠百分比，

再由中心频率f_m计算带宽，表达式为

$b_m=\mathrm{ERB}\left(f_m\right)=24.7\times (4.37\frac{f_m}{1000}+1)---\left(14\right)$

2.2】对各参数对应的Gammatone滤波器，其冲击响应的典型模式为：

其中，A为滤波器增益，r为滤波器阶数，b_m为滤波器带宽，f_m为滤波器 的中心频率，为相位，U(t)为阶跃函数，t为时域变量符号，M为滤波器个 数，m表示滤波器组中任一滤波器的编号，简化模型中，取

对上式中g_m(t)按照拉普拉斯变换定义，计算得到滤波器在复频域的对应 函数G_m(s)：

$G_m\left(s\right)={\int }_{-\infty }^{\infty }{g}_m\left(t\right)e^{-\mathrm{st}}\mathrm{dt}$

$=\frac{A}{2}{\int }_0^{\infty }{t}^{r-1}{e}^{(-2\mathrm{\pi ERB}\left(f_m\right)t)}(e^{j2\pi f_{m}t}+e^{-j2\pi f_{m}t})e^{-\mathrm{st}}\mathrm{dt}$

$=\frac{A}{2}[\frac{(r-1)!}{{(s+b-\mathrm{j\omega })}^n}+\frac{(r-1)!}{{(s+b+\mathrm{j\omega })}^n}]---\left(16\right)$

其中，A为滤波器增益，r为滤波器阶数，f_m是中心频率，是相位，U(t) 为阶跃函数，s为复频率，j为虚数单位，b=2πERB(f_m),ω=2πf_m,m表示滤波 器组中任一滤波器的编号；

2.3】根据拉普拉斯变换中s平面与Z变换中z平面的映射关系，将G_m(s) 转换为离散系统中Z变换的G_m(z)，得到滤波器在离散系统中z变换域的表示 形式，再由逆z变换得定义，计算得到离散系统中一组M个的Gammatone滤 波器的单位冲击响应：

$g_m\left(n\right)=\frac{1}{2\mathrm{\pi j}}\int G_m\left(z\right)z^{n-1}\mathrm{dz}---\left(17\right)$

其中，G_m(z)为滤波器在离散系统中的对应函数，z为Z变换中的复变量， n为离散系统中数据序列的任一数据点编号，n为整数，j为虚数单位，m表示 滤波器组中任一滤波器的编号。

本发明所述的车辆声信号特征方法，基于听觉特征原理，通过计算滤波后 子带信号倒谱系数，得到原始信号频带-能量特征，其中所涉及计算均为常用 的信号处理技术，原理简单，步骤明了，便于编程实现，适用性广。根据该方 法得到的特征具有低维数、高可分性的优点

附图说明

图1是基于Gammatone滤波器组的车辆声信号特征提取方法计算流程图。

图2是一组17个的Gammatone滤波器幅频响应曲线图。

图3是两个不同类型的车辆声信号Gammatone特征向量示意图。

具体实施方式

本发明应用听觉特性中频率分解原理，对车辆声信号进行Gammatone倒 谱系数提取的流程为：

参阅图1，基于Gammatone滤波器组提取车辆声信号特征的方法为：

1）对采样率为f_s（满足奈奎斯特采样定理，即f_s≥2f_max，f_max为信号的最 高频率）的原始车辆声信号s(n)进行预滤波、归一化、加窗分帧的预处理，得 到时域的短时信号帧x(n)。相应计算如下所示：

信号低频加强：y(n)=s(n)+0.9375·s(n-1)  (1)

信号归一化：$\bar{y}\left(n\right)=\frac{y\left(n\right)}{\left|y{\left(n\right)}_{\max }\right|}---\left(2\right)$

加窗分帧：$x\left(n\right)=\bar{y}\left(n\right)·w\left(n\right)---\left(3\right)$

车辆声信号是非平稳随机信号，在基于信号短时平稳的基础上，再应用平 稳信号处理方法分析。车辆信号在0.2s～1s时间段内可近似平稳，通过对信号 加窗，将原始信号分割为帧片段。此处，采用“重叠分帧”的方法，即前一帧 和后一帧包含重叠数据，更好的保证帧间的连续性。

上式中，w(n)为加窗函数，常采用hamming窗，它的函数表达式如下：

$w\left(n\right)=h\left(n\right)=\left(\begin{array}{cc}0.54-0.46\cos [2\mathrm{\pi n}/(N-1)],& 0\le n\le N-1\\ 0,& \mathrm{else}\end{array}\right)---\left(4\right)$

2）根据滤波器覆盖频率范围[f_L,f_H]、滤波器个数M及滤波器阶数r(r=4)， 实现M个一组的Gammatone滤波器组（在信号采集过程中，信号采样率是确 定的，以上其余参数由信号处理者根据实际需求设定），具体步骤如下。

首先，根据式(5)、式(6)计算得到各滤波器的f_m及带宽b_m。

$f_m=(f_H+228.7)\exp (-\frac{v_i}{9.26})-228.7---\left(5\right)$

$b_m=\mathrm{ERB}\left(f_m\right)=24.7\times (4.37\frac{f_m}{1000}+1)---\left(6\right)$

再根据Gammatone滤波器的典型冲击响应函数（式(7)）做拉普拉斯变换， 得到滤波器复频域的表达式G_m(s)。

$G_m\left(s\right)={\int }_{-\infty }^{\infty }{g}_m\left(t\right)e^{-\mathrm{st}}\mathrm{dt}$

$=\frac{A}{2}{\int }_0^{\infty }{t}^{r-1}{e}^{(-2\mathrm{\pi ERB}\left(f_m\right)t)}(e^{j2\pi f_{m}t}+e^{-j2\pi f_{m}t})e^{-\mathrm{st}}\mathrm{dt}$

$=\frac{A}{2}[\frac{(r-1)!}{{(s+b-\mathrm{j\omega })}^n}+\frac{(r-1)!}{{(s+b+\mathrm{j\omega })}^n}]---\left(8\right)$

其中，A为滤波器增益，r为滤波器阶数，f_m是中心频率，是相位，U(t) 为阶跃函数，s为复频率，j为虚数单位，b=2πERB(f_m),ω=2πf_m,m表示滤波 器组中任一滤波器的编号。

最后，将G_m(s)转换为Z变换的G_m(z)形式，再按照逆Z变换定义计算得 到离散系统下一组M个的Gammatone滤波器的单位冲击响应：

$g_m\left(n\right)=\frac{1}{2\mathrm{\pi j}}\int G_m\left(z\right)z^{n-1}\mathrm{dz}---\left(9\right)$

图2所示是10～2500Hz范围内的17通道4阶Gammatone滤波器组的对数 幅频响应曲线。在线性频率上，随着滤波器编号的增大，相邻滤波器中心频率 的带宽逐渐增大。

3）短时信号帧x(n)通过Gammatone滤波器组，划分为M个子带信号(M 为滤波器个数)x_m(n)：

x_m(n)=x(n)*g_m(n)  1≤m≤M  (10)

4）求子带功率谱。对子带信号x_m(n)进行快速傅里叶变换(Fast Fourier  Transform，FFT)，得到子带信号的功率谱X_m(k)，进一步取模平方，除以信号 长度N得到信号的功率谱G_m(k)。取对数，得到子带信号的对数功率谱。相应 计算如下所示：

子带信号能量谱：E_m(k)=|X_m(k)|²  (11)

子带信号平均功率谱：$G_m\left(k\right)=\frac{E_m\left(k\right)}{N}---\left(12\right)$

子带信号对数功率值：$e_m=\log \left(\underset{k=1}{\overset{N}{\Sigma }}{G}_m\left(k\right)\right),1\le m\le M---\left(13\right)$

5）求子带倒谱系数。将各子带信号的对数能量谱进行离散余弦变换 (Discrete Cosine Transform，DCT)。转换公式为：

$C\left(n\right)=\sqrt{\frac{2}{M}}\underset{m=1}{\overset{M}{\Sigma }}e\left(m\right)\cos \left[\frac{\mathrm{\pi n}}{M}(m-0.5)\right],n=\mathrm{1,2},...,p---\left(14\right)$

式中，e(m)为各子带信号对数功率值组成序列，即e(m)={e₁,…,e_m,…,e_M}； p为倒谱特征系数的阶数。C(n)为得到的原始p阶倒谱系数。再对DCT得到的 特征进行升半正弦倒谱提升，式（15）为半正弦窗函数，得到提升后的特征如 式（16）所示：

w(i)=1+6×sin(πi/N),1≤i≤N  (15)

C_G(n)=C(n)×w(i)  (16)

选取两类车辆目标水陆两用作战车（Assault AmphibianVehicle，AAV）、牵 引式货车（Dragon Wagon，DW）运动辐射声信号作为样本库，信号采样率 f_s=4960Hz。基于Gammatone滤波器组提取两类车辆声信号特征的方法为：参 阅图1：

1）声信号经预滤波、分帧、加窗等预处理后，得到时域的短时信号帧x(n)。 相应计算如下所示：

信号预滤波：y(n)=s(t/f_s)+0.9375·s(t/f_s-1)  (17)

信号归一化：$\bar{y}\left(n\right)=\frac{y\left(n\right)}{\left|\bar{y}{\left(n\right)}_{\max }\right|}---\left(18\right)$

加窗分帧：$x\left(n\right)=\bar{y}\left(n\right)·w\left(n\right)---\left(3\right)$

本例中，Matlab计算如下：

预滤波：y(n)=filter([10.9375],1,s(n));

信号归一化：y(n)=y(n)/max(abs(y(n)));

分帧：xx=enframe(y(n),N1,N2);

其中s(n)为采集待处理的原始车辆声信号，y(n)为信号滤波处理中间结果， N1为信号帧长度，取α=0.2065，N1=FrameSize=α·f_s=1024点；N2为帧重叠 点数，取β=0.5，N2=β·N1=512点。

2）根据滤波器组应用的频率范围[f_L,f_H](f_L为滤波范围的频率下界，f_H为 滤波范围的频率上界)、滤波器个数M与滤波器的阶数r(r=4)，计算得到滤波 器的中心频率f_m及等效带宽b_m，计算M个一组的Gammatone滤波器组滤波 参数。本例中，取M=17，[f_L,f_H]=[10,2500]Hz，其他输入采用函数默认值，得 到一组17个的Gammatone滤波器组的滤波系数、中心频率、等效带宽及群延 时，调用Matlab中voicebox工具包中gammabank函数，计算如下：

[b,a,fx,bx,gd]=gammabank(17,4960,′′,[102500])；

gammabank函数原型为：

[b,a,fx,bx,gd]=gammabank(n,fs,w,fc,bw,ph,k)其中，输入参数n 为滤波器个数，fs为信号采样率（单位：Hz），w为可选频率转化方式，fc为 滤波器中心频率，bw为滤波器带宽，ph为滤波器冲击函数响应的相位，k为 滤波器阶数。此处，需确定滤波器个数n，采样频率fs及中心频率覆盖范围 [f_L,f_H]，其他取函数默认参数值。函数输出包括系统模型中滤波器系数a,b,滤波 器中心频率点fx，带宽值bx与各滤波器群延时gd。

gammabank函数采用传递函数模型描述Gammatone滤波器组，传递函数 H(z)的一般表达式如下所示：

$H\left(z\right)=\frac{Y\left(z\right)}{X\left(z\right)}=\frac{b_0+b_1{z}^{-1}+b_2{z}^{-2}+···+b_{N-1}{z}^{-(N-1)}}{1+a_1{z}^{-1}+a_2{z}^{-2}+···+a_{M-1}{z}^{-(M-1)}}$

式中，X(z)表示输入x(n)的Z变换，Y(z)表示输出y(n)的Z变换，b_i(i=1,…,m) 和a_i(i=1,…,n)是滤波器的分子分母系数。由Gammatone滤波器的时域冲击响 应长度可知，Gammatone滤波器是无限长冲击响应（IIR）滤波器，其阶数为 H(z)的极点个数。gammabank计算滤波器组系数的主要步骤如下：

(1)将线性Hz频率表示的频带范围转化为ERB频率刻度表示范围：

g=abs(frq);

erb=11.17268*sign(frq).*log(1+46.06538*g./(g+14678.4 9));

其中frq为待转换线性Hz频率，分别对滤波器组覆盖最小、最大频率变 换得到ERB刻度下的频率分布范围[fx1,fx2];

(2)在ERB刻度下划分排列各滤波器中心频率：

fx=linspace(fx1,fx2,n);

上式表示取[fx1,fx2]范围的n等分点，其中n为滤波器个数，得到fx为n 个滤波器的中心频率。

(3)计算各滤波器带宽：

bnd=6.23e-6*g.^2+93.39e-3*g+28.52;

bx=1.019bnd;

其中g为各中心频率在ERB刻度下表示频率，bnd为ERB刻度下各中心 频率对应带宽，bx为转化到线性Hz频率下对应带宽。

(4)计算滤波器系数a，b：

ww=exp((1i*fx-bx)*2*pi/fs);%计算滤波器起始频率对应复变量

a=round([1cumprod((-k:-1)./(1:k))]);%构造k(k=4)阶的二 项式系数

b=conv(a,(0:k-1).^(k-1));%通过卷积计算得到k阶二项式对 应初始分子系数

b=exp(1i*ph)*b(1:k);%计算复数空间下滤波器相位对 应各阶系数值

wwp=repmat(ww,1,k+1).^repmat(0:k,nf,1);%计算各通道中

滤波器起始频率对应各阶系数

denc=repmat(a,nf,1).*wwp;%计算各通道中滤波器系数a对 应分式方程系数

numc=b.*wwp(:,1:k);%计算各通道中滤波器系数b对 应分式方程系数

ww=exp(2i*fx*pi/fs);%计算各通道滤波器中心频率对 应复变量

u=polyval(b(i,:),ww(i));%构造系数b下复数空间二项 式

v=polyval(a(i,:),ww(i));%构造系数a下复数空间二项 式

b_i=real(conv(numc_i,conj(denc_i)))*abs(v-u)%计算各通道滤波 器分子系数bi

a_i=real(conv(denc_i,conj(denc_i)))%计算各通道滤波 器分母系数ai

式中，i为虚数单位，ph为滤波器相位取为0，k为滤波器阶数取为4，ww 表示传递函数中复变量z，fx为滤波器中心频率，fs为信号采样率。

3）短时信号经Gammatone滤波器组，划分为M个子信号(M为滤波器个 数)。本例中，取两类车辆信号各一帧x₁(n)，x₂(n)，在Matlab平台下，调用filter 函数计算信号帧经过Gammatone滤波器组输出。

y=filterbank(b,a,xx(i,:),gd);

4）求子带功率谱。本例中，对两类车辆信号帧经Gammatone滤波后的子 带信号分别进行快速傅里叶变换，取模平方得到子信号的能量谱G₁(k)，G₂(k)。 将子信号能量谱在时间上平均后取对数，得到子带信号的对数功率谱。Matlab 中计算如下：

r=abs(fft(y,1024));

e=log(sum(r.^2/1024));

5）求子带倒谱系数。将各子带信号的对数能量谱进行离散余弦变换 (Discrete Cosine Transform，DCT)。转换公式为：

$C\left(n\right)=\sqrt{\frac{2}{M}}\underset{m=1}{\overset{M}{\Sigma }}e\left(m\right)\cos \left[\frac{\mathrm{\pi n}}{M}(m-0.5)\right],n=\mathrm{1,2},...,p---\left(20\right)$

式中，e(m)为各子带信号对数功率值组成序列，即e(m)={e₁,…,e_m,…,e_M}， p为倒谱特征系数的阶数。C(n)为得到的原始p阶倒谱系数。再对DCT得到的 特征进行升半正弦倒谱提升，式（21）为半正弦窗函数，得到提升后的特征如 式（22）所示：

w(i)=1+6×sin(πi/N),1≤i≤N  (21)

C_G(n)=C(n)×w(i)  (22)

本例中，p=N=17，由于第一维数据主要代表信号能量值将其去除，余下 的16维组成两类车辆信号的特征向量C_G1(n)，C_G2(n)。Matlab中计算如下：

c=dct(log(sum(r.^2、1024)));

c1=c.*w;

图3中为AAV、DW两类车辆信号各一帧提取得到特征，其中，横轴为特 征维数，纵轴为特征幅度。可见，两类特征各维取值间距大，明显可分，进一 近实验结果证明，相比传统Mel倒谱系数特征提取方法，在特征维数相同时， 本发明方法可提高识别正确率5%～10%。

两类车辆信号Gammatone特征提取完整Matlab程序：

本发明原理：

本发明提取车辆声信号特征的方法，模拟人耳对声信号的非线性频率分解 特性，提取的特征参数C_G(n)各维系数代表了车辆声信号按其组成频率的能量 分布情况，有效地表征了车型特征，实现基于声信号的车型识别。

本发明基于人耳非线性频率分解的听觉特性，利用听觉外周模型广泛采用 的Gammatone滤波器组，过滤、划分车辆声信号并计算滤波得到子带信号的 倒谱系数，提供一种较为简单易行的车型特征提取方法，根据该方法得到的特 征具有低维数、高可分性的优点。

Gammatone滤波器是一个标准的耳蜗听觉滤波器，该滤波器组冲击响应的 典型模式为：

式中，A为滤波器增益，r为滤波器阶数，f_m是中心频率，是相位，b_m为等效带宽，M为滤波器个数，U(t)为阶跃函数。简化模型中，取A=1，r=4， b_m=ERB(f_m)。

ERB(f_m)为等效矩形带宽(Equivalent Rectangular Bandwidth,ERB)，它决定 了脉冲响应的衰减速度，与滤波器带宽有关，而每个滤波器带宽与人耳听觉临 界频带(Critical Band,CB)有关，听觉心理学中，ERB(f_m)可由式(24)计算得到：

$\mathrm{ERB}\left(f_m\right)=24.7\times (4.37\frac{f_m}{1000}+1)---\left(24\right)$

其中，中心频率f_m为：

$f_m=(f_H+228.7)\exp (-\frac{v_i}{9.26})-228.7---\left(25\right)$

式中，f_H为滤波器的截止频率，v_i是滤波器重叠因子，用来指定相邻滤波 器之间重叠的百分比。每个滤波器的中心频率确定后，相应的带宽可由式(24) 计算得出。

Gammatone滤波器组是应用最多的耳蜗基底膜模型，在语音信号的处理 中，主要用于语音信号增强及特征提取。由各种机动车辆目标产生的声信号是 一种多声源噪声，在应用Gammatone滤波器组提取特征时，主要存在以下难 点：(1)车辆运动声源包括气动噪声和机械噪声，信号成分较语音更复杂；(2) 车辆声信号对环境变化十分敏感，路况、车速、自然环境都会引起信号变化； (3)需根据目标车辆声信号的优势频带范围，动态调整Gammatone滤波器覆盖 频带。目前，对Gammatone滤波器处理其他目标声信号的研究相对较少，曾 有文献提出利用听觉模型（Gammatone滤波器及高/低通滤波器组成混合滤波 器组）输出谱特征用于声目标识别，并对水下目标进行试验测试，得到优于传 统方法的识别结果。