应用于轨道交通的降噪和异常声音检测方法

摘要

本发明涉及语音识别技术领域。公开了一种应用于轨道交通的降噪和异常声音检测方法，包括以下步骤：S1、采集轨道交通监测区域范围内的声音信号；S2、将所述声音信号从模拟信号转化成数字信号；S3、提取所述数字信号的特征值，根据所述特征值判断所述声音信号是否为异常声音信号；S4、通过构造滤波器，利用所述滤波器对步骤S2输出的声音信号做降噪处理，并输出处理后的声音信号。本发明利用语音识别技术设计了一种能有效抑制监控轨道交通监听范围内的声音信号中的噪声成分，同时能方便地检测轨道交通监听范围内异常声音的方法。

说明书

技术领域

本发明涉及语音识别技术领域，具体涉及一种应用于轨道交通的 降噪和异常声音检测方法。

背景技术

随着轨道交通的快速发展，轨道交通已经成为城市居民日常出行 的重要交通工具，轨道交通的乘换人次多，客流量大，这已经成为目 前轨道交通安全运营的一大问题。随后引入的视频监控系统，在一定 程度上为运营部门提供了较全面的现场监控信息，通过这些信息，运 营部门可以实时了解轨道站内的安全情况。由于这些监控系统都不具 备音频监控功能，因此对于一些特殊的事件，仅凭视频监控却无能为 力了，例如突发的围观事件、爆炸事件、呼喊、呼救等。

语音识别技术从兴起到现阶段已经取得了很多丰硕成果，这为我 们从异常声音识别上识别尖叫、呼救、爆炸等突发事件提供了理论依 据。近年来，音频监听功能的作用不断受到重视，用户对监控系统提 出了更高的要求，既要能“看得见”，又要能“听得清”。由于环境噪 声的影响，音频监听往往难以达到好的听觉效果，为了做到“听得清”， 亟需设计一种有效的降噪和异常声音检测方法。

发明内容

(一)要解决的技术问题

本发明所要解决的技术问题是：如何提供一种能有效抑制监控轨 道交通监听范围内的声音信号中的噪声成分，同时能方便地检测轨道 交通监听范围内异常声音的方法。

(二)技术方案

为解决上述技术问题，本发明提供了一种应用于轨道交通的降噪 和异常声音检测方法，包括以下步骤：

S1、采集轨道交通监测区域范围内的声音信号；

S2、将所述声音信号从模拟信号转化成数字信号；

S3、提取所述数字信号的特征值，根据所述特征值判断所述声音 信号是否为异常声音信号；

S4、通过构造滤波器，利用所述滤波器对步骤S2输出的声音信号 做降噪处理，并输出处理后的声音信号。

优选地，步骤S4中构造滤波器的步骤包括：

S41、对步骤S2输出的数字信号做加窗处理；

S42、利用傅里叶变换对加窗后的信号做幅频变换处理；

S43、根据傅里叶变换系数统计加窗后的信号帧的能量信息；

S44、计算所述信号帧的先验信噪比；

S45、利用所述能量信息和先验信噪比构造滤波器。

优选地，步骤S41中做加窗处理时所用的窗函数为变形的海明窗， 构造所述窗函数的具体过程为：首先，求L+1个点的海明窗，然后对 每个点求平方值；其次，求L+1个点的海明窗的各点平方和；最后， 用求得的平方和对各平方值做归一化，取前L个归一化值作为变形的 海明窗的值。

优选地，在所述步骤S1之前还包括步骤：生成轨道交通监测区 域范围内的一定数量的声音信号样本库，然后提取所述样本库中各声 音信号的特征值，根据各声音信号的特征值形成特征向量，再对所形 成的特征向量进行聚类操作，生成样本库特征模型。

优选地，所述聚类操作具体为：利用高斯混合模型或隐马尔科夫 模型进行建模。

优选地，步骤S3中根据所述特征值判断所述声音信号是否为异常 声音信号的步骤具体为：计算所述数字信号的特征值与所述样本库特 征模型中的正常声音特征向量和异常声音特征向量各自的欧氏空间 距离，所得距离值最小的，认为所提取的数字信号与该样本库中对应 的声音类型相同，从而判断所采集的信号是否为异常声音信号。

优选地，所述特征值为短时过零率、短时能量，信号能量与信号 频率分布关系，能量梯度值以及梅尔倒谱系数中的任一种或者几种的 组合。

(三)有益效果

本发明利用语音识别技术设计了一种能有效抑制监控轨道交通 监听范围内的声音信号中的噪声成分，同时能方便地检测轨道交通监 听范围内异常声音的方法。本发明不仅将语音识别技术成功引入到安 防监控领域，能够在一定程度上提高轨道运营人员对突发事件的响应 速度，而且有效的将语音增强技术引用到了安防监控领域，利用所构 造的滤波器进行降噪能够明显的抑制语音信号中的噪声成分，进而有 效地改善了音频监听效果。

附图说明

图1是本发明实施例的方法流程图；

图2是本发明中降噪方法实施的流程图。

具体实施方式

下面对于本发明所提出的一种应用于轨道交通的降噪和异常声 音检测方法，结合附图和实施例详细说明。

如图1、2所示，为本发明实施例的方法流程图，该方法包括以下 步骤：

S0、生成轨道交通监测区域范围内的一定数量的声音信号样本 库，然后提取所述样本库中各声音信号的特征值，根据各声音信号的 特征值形成特征向量，再对所形成的特征向量进行聚类操作，生成样 本库特征模型。所述聚类操作具体为：利用高斯混合模型(Gaussian  Mixture Model，GMM)进行建模，也可以采用其它模型进行建模， 如隐马尔科夫模型(HMM)；

S1、采集轨道交通监测区域范围内的声音信号，所述范围的大小 由所使用的声音采集设备能够采集的范围来决定；

S2、将所述声音信号从模拟信号转化成数字信号；

S3、提取所述数字信号的特征值，计算所述数字信号的特征值与 所述样本库特征模型间的欧氏空间距离，具体而言，通过计算所提取 数字信号的特征值与样本库特征模型中的正常声音特征向量和异常 声音特征向量各自的欧氏空间距离，所得距离值最小的，我们认为所 提取的数字信号与该样本库的对应声音的类型相同，从而判断所采集 的信号是否为异常声音；

S4、通过构造滤波器，利用所述滤波器对所述的语音信号做降噪 处理，并输出干净语音信号。

步骤S4中构造滤波器的步骤包括：

S41、对步骤S2输出的数字信号做加窗处理，所用的窗函数为变 形的海明窗，构造窗函数的具体过程是：首先，求L+1个点的海明窗， 然后对每个点求平方值；其次，求L+1个点的海明窗的各点平方和； 最后，用求得的平方和对各平方值做归一化，取前L个归一化值作为 变形的海明窗的值。实验表明，这样构造窗函数在一定程度上能够提 高噪声谱估计的准确度，从而能够有效提高滤波器的滤波性能；

S42、利用傅里叶变换对加窗后的信号做幅频变换处理；

S43、根据傅里叶变换系数统计加窗后的信号帧的能量信息；

S44、计算所述信号帧的先验信噪比；

S45、利用所述能量信息和先验信噪比构造滤波器，利用所述能 量信息和先验信噪比构造滤波器的方法为现有技术。用步骤S45输出 的滤波器对S2输出的数字音频信号做降噪处理，输出的音频信号就是 降噪后的目标信号。

本发明的优点是将语音识别技术成功引入到安防监控领域，能够 在一定程度上解决智能视频监控系统监控轨道交通中异常声音事件 和音频降噪难的问题。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关 技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下， 还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明 的范畴，本发明的专利保护范围应由权利要求限定。