基于行车噪音提取的隧道交通事故感知系统及方法

摘要

本发明涉及隧道事故监测技术领域，具体涉及基于行车噪音提取的隧道交通事故感知系统及方法。系统包括：声音感知单元，用于采集隧道内的行车噪声信号；数据处理单元，用于从行车噪声信号中筛选疑似事故声音信号，提取疑似事故声音信号中的待检声音包络特征；模型匹配单元，用于将待检声音包络特征与预设的隧道内各种类型事故对应的声音包络特征对比模型进行匹配，进而根据匹配结果判断隧道内是否发生事故，并在隧道内发生事故时识别对应的事故类型。本发明还公开了一种隧道交通事故感知方法。本发明能够基于声音特征有效检测隧道内事故并准确识别事故类型，从而能够辅助提高隧道事故救援的针对性和有效性。

说明书

技术领域

本发明涉及隧道事故监测技术领域，具体涉及基于行车噪音提取的隧道交通事故感知系统及方法。

背景技术

近年来大量特长公路隧道陆续建成并投入运营，公路隧道已逐渐由建设高峰期转向运营高峰期。隧道属于国家重要基础设施，维护其安全是十分重要与必要的。为此，隧道应严格实行隧道事故监测管理。但是，受到人工检测难度和技术操作等多方面因素的影响，隧道事故检测成为隧道运营期间面临的首要问题。

目前，隧道内事故的管理存在以下问题：1)监控系统网络的智能化较低，无法有效实现隧道内的事故检测；2)隧道内事故发生的地点与外界沟通困难，较难开展有针对性的应急救援；3)现有隧道内事故的监测手段主要是视频监测与烟雾监测，视频监测的距离与范围覆盖有限，受光线和内部交通因素影响较大，烟雾监测的距离与范围覆盖更低，及时性较差，容易错过事故救援的黄金时间。为此，公开号为CN108519149A的中国专利公开了《一种基于声音时频域分析的隧道事故监测报警系统及方法》，系统包括声音采集处理模块、DSP储存分析模块和控制模块，其中：声音采集处理模块包括数值转换器和声音传感器；DSP储存分析模块包括ROM闪存模块、SRAM数据存储模块和DSP核心处理模块。

上述现有方案中的隧道事故识别预警系统，通过声音信号感知隧道内的事故状态，进而能够有效的适应隧道运营模式。但是，上述现有方案仅能够通过声音特征来检测隧道内是否发生事故，而无法准确识别对应事故的具体类型，使得隧道内事故检测的准确性不够好，进而导致后续事故救援的针对性和有效性不好。因此，如何设计一种能够基于声音特征有效检测隧道内事故并准确识别事故类型的检测系统，以辅助提高隧道事故救援的针对性和有效性是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于行车噪音提取的隧道交通事故感知系统及方法，以能够基于声音特征有效检测隧道内事故并准确识别事故类型，从而能够辅助提高隧道事故救援的针对性和有效性。

为了解决上述技术问题，本发明采用了如下的技术方案：

基于行车噪音提取的隧道交通事故感知系统，包括：

声音感知单元，用于采集隧道内的行车噪声信号；

数据处理单元，用于从行车噪声信号中筛选疑似事故声音信号，提取疑似事故声音信号中的待检声音包络特征；

模型匹配单元，用于将待检声音包络特征与预设的隧道内各种类型事故对应的声音包络特征对比模型进行匹配，进而根据匹配结果判断隧道内是否发生事故，并在隧道内发生事故时识别对应的事故类型。

优选的，使用谱减法消除行车噪声信号中的回声信号；

具体包括以下步骤：

对行车噪声信号进行时频域转换：

式中：

对时频域转换后的行车噪声信号进行噪声估算：

式中：D(m

对时频域转换后的行车噪声信号进行相角计算：

式中：

对时频域转换后的行车噪声信号进行谱减以消除回声信号：

式中：

优选的，将响度指标超过预设值的行车噪声信号作为疑似事故声音信号；

其中，行车噪声信号的响度指标通过如下公式计算：

式中：L

式中：L

优选的，提取的待检声音包络特征包括但不限于短时能量、短时平均过零率、MFCC倒谱距离，以及短时能量和MFCC倒谱距离融合生成的MFCC融合信号特征。

优选的，通过如下公式计算短时能量：

式中：E

通过如下公式计算短时平均过零率：

式中：Z

其中，

通过如下公式计算MFCC倒谱距离：

式中：d

其中，

式中：M表示MFCC滤波器的数量，1≤m≤2/M；Q

通过如下公式计算MFCC融合信号特征：

式中：MFCCE(i)为MFCC融合信号特征；

优选的，还包括沿着隧道的通行方向设置于隧道内部的巡检轨道，滑动设置于巡检轨道上且能够在巡检轨道上沿着隧道通行方向移动的巡感机器人，以及设置于巡感机器人上且用于检测行车噪声信号响度指标的响度检测单元；

声音感知单元包括若干组沿隧道通行方向间隔布置的麦克风阵元。

优选的，还包括：

位置计算单元，用于在隧道内发生事故时将距离巡感机器人最近的麦克风阵元作为目标麦克风阵元；再计算目标麦克风阵元与其相邻前后麦克风阵元之间的声音信号时间差；然后通过声音信号时间差计算事故声音源与目标麦克风阵元之间的声源方向角；进而通过目标麦克风阵元与其相邻前后麦克风阵元之间的声音信号时间差计算事故声音源与目标麦克风阵元之间的声源距离；最后通过事故声音源与目标麦克风阵元之间的声源方向角和声源距离计算事故声音源相对于目标麦克风阵元的发生位置。

优选的，通过如下公式计算声音信号时间差：

式中：

其中，

式中：

通过如下公式计算声源方向角：

式中：θ为声源方向角；

通过如下公式计算声源距离：

式中：l为事故声音源与目标麦克风阵元之间的直线距离，即声源距离；τ

优选的，还包括用于通过麦克风阵元采集的声压信号进行声成像的声成像模块；

声成像模块通过如下步骤进行声成像：

1)通过同步测量算法测得数据缺失谱矩阵

目标函数

式中：||·||

2)通过FISTA算法求解数据缺失谱矩阵

3)用完整互谱矩阵

本发明还公开了基于行车噪音提取的隧道交通事故感知方法，基于本发明中基于行车噪音提取的隧道交通事故感知系统实施，具体包括以下步骤：

S1：采集隧道内的行车噪声信号；

S2：从行车噪声信号中筛选疑似事故声音信号，提取疑似事故声音信号中的待检声音包络特征；

S3：将待检声音包络特征与预设的隧道内各种类型事故对应的声音包络特征对比模型进行匹配，进而根据匹配结果判断隧道内是否发生事故，并在隧道内发生事故时识别对应的事故类型。

本发明中的隧道交通事故感知系统与现有技术相比，具有如下有益效果：

本发明基于在隧道的不同空腔结构及不同弯曲结构下发生车辆碰撞、车辆爆炸等不同事故时隧道内的回响声音信号(即行车噪声信号)会有特定的音频包络特征这一原理，检测和判断隧道内是否发生事故并识别对应的事故类型，即能够基于声音特征有效检测隧道内事故并准确识别事故类型，从而能够辅助提高隧道事故救援的针对性和有效性。同时，本发明通过疑似事故声音信号提取音频包络特征的方式，结合大数据模型匹配技术，能够高效且准确的识别隧道内事故的事故类型，从而能够提高隧道事故检测的准确性和有效性。

本发明通过计算各组麦克风阵元之间的声音信号时间差，然后通过声音信号时间差计算事故声音源的声源方向角，再通过声音信号时间差计算事故声音源的声源距离，最后通过声源距离和声源方向角计算事故声音源相对于目标麦克风阵元的发生位置以及在隧道内部的发生位置，能够辅助快速的定位事故的具体发生位置，从而能够进一步提高隧道事故检测的准确性和有效性，并辅助提高隧道事故救援的针对性和有效性。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为基于行车噪音提取的隧道交通事故感知系统的逻辑框图；

图2为巡检轨道和巡感机器人的结构示意图；

图3为基于行车噪音提取的隧道交通事故感知方法的逻辑框图。

说明书附图中的附图标记包括：隧道1、麦克风阵元2、巡检轨道3、巡感机器人4、响度检测单元5。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例一：

本实施例中公开了一种基于行车噪音提取的隧道交通事故感知系统。

如图1所示，基于行车噪音提取的隧道交通事故感知系统，包括：

声音感知单元，用于采集隧道内的行车噪声信号；

数据处理单元，用于从行车噪声信号中筛选疑似事故声音信号，提取疑似事故声音信号中的待检声音包络特征；

本实施例中，提取待检声音包络特征之前，先基于疑似事故声音信号生成对应的振动声波曲线，进而基于振动声波曲线提取(计算)各种待检声音包络特征。基于声音信号生成振动声波曲线以及提取声波曲线的包络特征均是现有成熟手段，这里不再赘述。

模型匹配单元，用于将待检声音包络特征与预设的隧道内各种类型事故对应的声音包络特征对比模型进行匹配，进而根据匹配结果判断隧道内是否发生事故，并在隧道内发生事故时识别对应的事故类型。

本实施例中，可通过现有大数据匹配的方式实现待检声音包络特征和声音包络特征对比模型的匹配。

具体的，预先采集各种类型的事故在隧道内发生时的标准声音信号；然后根据标准声音信号生成对应的标准振动声波曲线，进而提取(计算)标准振动声波曲线中对应的各种标准音频包络特征组成对应类型事故的声音包络特征对比模型。

其他优选实施例中，还可通过训练深度模型的方式得到声音包络特征对比模型：

首先将提取(计算)得到的标准音频包络特征及其对应的事故类型作为深度模型的训练数据对其进行训练，直至训练得到声音包络特征对比模型。对于深度模型的训练采用现有成熟手段完成，具体过程这里不在赘述。然后将待检声音包络特征作为声音包络特征对比模型的输入，以输出对应的事故类型预测结果。

事故类型包括但不限于车辆碰撞、车辆翻车、车辆爆炸和车辆燃烧。

为了降低检测成本和风险，可通过音响在隧道内播放事故模拟音效的方式来模拟事故的发生，进而采集对应的标准声音信号，并执行后续步骤。

本实施例中，数据处理单元和模型匹配单元的相关计算功能，均采用现有的计算机来实现，其通过现有的相关软件和硬件来实现振动声波变化曲线的生成以及数据的匹配。

本发明基于在隧道的不同空腔结构及不同弯曲结构下发生车辆碰撞、车辆爆炸等不同事故时隧道内的回响声音信号(即行车噪声信号)会有特定的音频包络特征这一原理，检测和判断隧道内是否发生事故并识别对应的事故类型，即能够基于声音特征有效检测隧道内事故并准确识别事故类型，从而能够辅助提高隧道事故救援的针对性和有效性。同时，本发明通过疑似事故声音信号提取音频包络特征的方式，结合大数据模型匹配技术，能够高效且准确的识别隧道内事故的事故类型，从而能够提高隧道事故检测的准确性和有效性。

具体实施过程中，使用谱减法消除行车噪声信号中的回声信号；

具体包括以下步骤：

对行车噪声信号进行时频域转换：

式中：

对时频域转换后的行车噪声信号进行噪声估算：

式中：D(m

对时频域转换后的行车噪声信号进行相角计算：

式中：

对时频域转换后的行车噪声信号进行谱减以消除回声信号：

式中：

本发明通过谱减法消除行车噪声信号中的回声信号，使得能够消除或减弱隧道内的环境噪声影响，进而能够更好的提取行车噪声信号中与隧道事故关联的疑似事故声音信号，从而能够进一步提高隧道事故检测的准确性和有效性。

具体实施过程中，将响度指标超过预设值的行车噪声信号作为疑似事故声音信号；

其中，行车噪声信号的响度指标通过如下公式计算：

式中：L

式中：L

本发明通过计算行车噪声信号的响度指标来有效判断行车噪声信号是否为疑似事故声音信号，进而基于疑似事故声音信号进行后续计算，从而能够降低系统感知事故时的计算量并保证隧道事故检测的准确性。

具体实施过程中，提取的待检声音包络特征包括但不限于短时能量、短时平均过零率、MFCC倒谱距离，以及短时能量和MFCC倒谱距离融合生成的MFCC融合信号特征。

其中，MFCC表示梅尔倒谱系数(Mel-scale Frequency Cepstral Coefficients)。

具体实施过程中，通过如下公式计算短时能量：

式中：E

通过如下公式计算短时平均过零率：

式中：Z

其中，

通过如下公式计算MFCC倒谱距离：

式中：d

其中，

式中：M表示MFCC滤波器的数量，1≤m≤2/M；Q

通过如下公式计算MFCC融合信号特征：

式中：MFCCE(i)为MFCC融合信号特征；

申请人发现，短时能量、短时平均过零率、MFCC倒谱距离以及短时能量和MFCC倒谱距离融合生成的MFCC融合信号特征等包络特征，与不同类型隧道事故发生时的(回响)声音信号的包络特征高度关联。

因此，本发明通过短时能量、短时平均过零率、MFCC倒谱距离以及短时能量和MFCC倒谱距离融合生成的MFCC融合信号特征等声音包络特征进行数据匹配，能够有效基于在隧道的不同空腔结构及不同弯曲结构下发生车辆碰撞、车辆爆炸等不同事故时隧道内的回响声音信号会有特定的音频包络特征这一原理，检测和判断隧道内是否发生事故并识别对应的事故类型，从而能够进一步提高隧道事故检测的准确性和有效性。

具体实施过程中，如图2所示，声音感知单元包括若干组沿隧道1通行方向间隔布置的麦克风阵元2。

对于长度过长的隧道，定点布置声音感知单元的方式难以有效采集隧道各个位置的声音信号。因此，本发明通过沿隧道通行方向间隔布置的麦克风阵元，能够更全面的采集隧道内的行车噪声信号，从而能够更为准确、有效的实现隧道交通事故感知。

如图2所示，还包括沿着隧道1的通行方向设置于隧道内部的巡检轨道3，滑动设置于巡检轨道3上且能够在巡检轨道3上沿着隧道1通行方向移动的巡感机器人4，以及设置于巡感机器人4上且用于检测行车噪声信号响度指标的响度检测单元5。

本实施例中，巡感机器人可选用现有技术中成熟使用的轨道机器人，控制其在轨道上移动是现有成熟手段。这里不再赘述。

对于长度过长的隧道，定点布置响度检测单元难以有效采集隧道各个位置的行车噪声信号的响度指标。因此，本发明通过设置巡检轨道和巡感机器人带动响度检测单元在隧道内移动，使得响度检测单元能够实现隧道任意位置的响度指标检测，从而能够辅助提高隧道内事故检测的准确性和全面性。

具体实施过程中，还包括：

位置计算单元，用于在隧道内发生事故时将距离巡感机器人最近的麦克风阵元作为目标麦克风阵元；再计算目标麦克风阵元与其相邻前后麦克风阵元之间的声音信号时间差；然后通过声音信号时间差计算事故声音源与目标麦克风阵元之间的声源方向角；进而通过目标麦克风阵元与其相邻前后麦克风阵元之间的声音信号时间差计算事故声音源与目标麦克风阵元之间的声源距离；最后通过事故声音源与目标麦克风阵元之间的声源方向角和声源距离计算事故声音源相对于目标麦克风阵元的发生位置。

进而结合巡感机器人的位置确定事故声音源在隧道内部的发生位置。

具体实施过程中，通过如下公式计算声音信号时间差：

式中：

其中，

式中：

具体的，互相关函数预先通过实验数据结合如下公式计算：

式中：

通过如下公式计算声源方向角：

式中：θ为声源方向角；

具体的，每个麦克风阵元都有一个角度估计值，利用最小二乘法求出最优角度估计值，设总的误差平方和为ε如下式所示：

ε＝∑(θ-θ

通过如下公式计算声源距离：

式中：l为事故声音源与目标麦克风阵元之间的直线距离，即声源距离；τ

本发明通过计算各组麦克风阵元之间的声音信号时间差，然后通过声音信号时间差计算事故声音源的声源方向角，再通过声音信号时间差计算事故声音源的声源距离，最后通过声源距离和声源方向角计算事故声音源相对于目标麦克风阵元的发生位置以及在隧道内部的发生位置，能够辅助快速的定位事故的具体发生位置，从而能够进一步提高隧道事故检测的准确性和有效性，并辅助提高隧道事故救援的针对性和有效性。

具体实施过程中，还包括用于通过麦克风阵元采集的声压信号进行声成像的声成像模块；

声成像模块通过如下步骤进行声成像：

1)通过同步测量算法测得数据缺失谱矩阵

目标函数

式中：||·||

2)通过FISTA算法求解数据缺失谱矩阵

3)用完整互谱矩阵

1、关于波束成形(CBF)算法

波束成形是天线技术与数字信号处理技术的结合，目的用于定向信号传输或接收，其是将一个多元阵经过适当处理使其对某些空间方向的声波具有所需响应的方法。

在波束成形时，只要选取合适的权值，波束图就会在所需的方向上得到加强，而在其他方向上减弱，其中，波束图是CBF对不同来波方向的响应。

假设麦克风阵列上均匀设置有M个传声器(用于采集声压信号)，其测量的声压通过如下公式确定：

p＝Gq+n

式中：p为麦克风阵列上传声器测量的声压信号，p＝[p

传递矩阵G通过如下公式确定：

其中，g

互谱矩阵C

式中，(·)

根据互谱矩阵计算CBF输出结果(即成像图像)通过如下公式确定：

CBF中的B可以理解为波束响应，在

式中，w

通过如下公式确定：

式中：g

本实施例中，采用的波束成形算法是一种现有算法，本发明只是对其进行了应用而并未对其进行改进。因此，关于波束成形算法的运行逻辑，这里不再赘述。

2、关于非同步测量算法

非同步测量用单阵列在多个位置的测量结果来近似同步测量(所有位置的单阵列组成虚拟多阵列)的结果即数据缺失谱矩阵

数据缺失谱矩阵

目标函数

式中：||·||

数据缺失谱矩阵

互谱矩阵的秩在声学中表示声源数量，利用

假设特征值谱为弱稀疏的，并用核范数最小化代替秩最小化。

系统方程表达式如下：

式中，A

建立约束：

假设传声器测量的声压信号p可用一组空间基表示，如下：

其中，Φ是空间基向量，

非同步测量中，假设声场为自由场，阵列和声源之间的传递函数即传递矩阵G，其奇异值分解(SVD)如下：

G＝U∑V

其中，

空间基Φ根据SVD定义为Φ＝Ext(U,K

系数

其中，

式中，

上式可重写为约束：

最后加入Hermitian矩阵约束

Hermitian矩阵性质是互谱矩阵的固有特性，其特征值非负。

根据以上约束，通过FISTA算法迭代求解数据缺失谱矩阵

本实施例中，采用的非同步测量算法是一种现有算法，本发明只是对其进行了应用而并未对其进行改进。因此，关于非同步测量算法的运行逻辑，这里不再赘述。

3、关于FISTA算法

FISTA算法的流程如下：

1：start:

2：whenλ

3：For 1:N

4：

5：C

6：

7：

8：

9：End

10：If停止条件≤SC，其中

11：break

12：End for if

13：λ

14：回到步骤2。

本实施例中，采用的FISTA算法是一种现有算法，本发明只是对其进行了应用而并未对其进行改进。因此，关于FISTA算法运行逻辑和求解方式，这里不再赘述。

本发明通过FISTA算法解决非同步测量中的数据缺失问题，能够实现数据补全并得到完整互谱矩阵，进而替换波束成形算法原有的互谱矩阵进行成像，使得能够提高成像图像的成像分辨率，进而能够结合成像图像更准确的识别隧道内事故的事故类型，从而能够进一步提高隧道事故检测的准确性和有效性。

实施例二：

本实施例中公开了基于行车噪音提取的隧道交通事故感知方法，其基于实施例一中的隧道交通事故感知系统实施。

如图3所示，基于行车噪音提取的隧道交通事故感知方法，具体包括以下步骤：

S1：采集隧道内的行车噪声信号；

本实施例中，通过声音感知单元采集行车噪声信号；声音感知单元包括若干组沿隧道通行方向间隔布置的麦克风阵元，用于更全面的感知采集隧道内的行车噪声信号，进而能够更为准确、有效的实现隧道交通事故感知。

S2：从行车噪声信号中筛选疑似事故声音信号，提取疑似事故声音信号中的待检声音包络特征；

本实施例中，提取待检声音包络特征之前，先基于疑似事故声音信号生成对应的振动声波曲线，进而基于振动声波曲线提取(计算)各种待检声音包络特征。基于声音信号生成振动声波曲线是现有成熟手段，这里不再赘述。

S3：将待检声音包络特征与预设的隧道内各种类型事故对应的声音包络特征对比模型进行匹配，进而根据匹配结果判断隧道内是否发生事故，并在隧道内发生事故时识别对应的事故类型。

本实施例中，可通过现有大数据匹配的方式实现待检声音包络特征和声音包络特征对比模型的匹配。

具体的，预先采集各种类型的事故在隧道内发生时的标准声音信号；然后根据标准声音信号生成对应的标准振动声波曲线，进而提取(计算)标准振动声波曲线中对应的各种标准音频包络特征组成对应类型事故的声音包络特征对比模型。

其他优选实施例中，还可通过训练深度模型的方式得到声音包络特征对比模型：

首先将提取(计算)得到的标准音频包络特征及其对应的事故类型作为深度模型的训练数据对其进行训练，直至训练得到声音包络特征对比模型。对于深度模型的训练采用现有成熟手段完成，具体过程这里不在赘述。然后将待检声音包络特征作为声音包络特征对比模型的输入，以输出对应的事故类型预测结果。

事故类型包括但不限于车辆碰撞、车辆翻车、车辆爆炸和车辆燃烧。

为了降低检测成本和风险，可通过音响在隧道内播放事故模拟音效的方式来模拟事故的发生，进而采集对应的标准声音信号，并执行后续步骤。

本实施例中，数据处理单元和模型匹配单元的相关计算功能，均采用现有的计算机来实现，其通过现有的相关软件和硬件来实现振动声波变化曲线的生成以及数据的匹配。

本发明基于在隧道的不同空腔结构及不同弯曲结构下发生车辆碰撞、车辆爆炸等不同事故时隧道内的回响声音信号(即行车噪声信号)会有特定的音频包络特征这一原理，检测和判断隧道内是否发生事故并识别对应的事故类型，即能够基于声音特征有效检测隧道内事故并准确识别事故类型，从而能够辅助提高隧道事故救援的针对性和有效性。同时，本发明通过疑似事故声音信号提取音频包络特征的方式，结合大数据模型匹配技术，能够高效且准确的识别隧道内事故的事故类型，从而能够提高隧道事故检测的准确性和有效性。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。