基于交通噪聲分析的交通流狀態(tài)識別方法

羅向龍

（長安大學(xué) 信息工程學(xué)院，陜西 西安 710064）

交通擁堵已成為世界范圍內(nèi)的一個嚴重問題，因交通擁堵所導(dǎo)致的道路運營效率降低、油耗增加、空氣污染等一系列問題使其成為交通領(lǐng)域關(guān)注的焦點問題.如何依據(jù)交通檢測器采集的信息對交通狀態(tài)進行識別，從而實施高效的交通控制、路徑誘導(dǎo)等管理措施，是解決交通擁堵問題最為有效的途徑之一［1］.目前常用的交通檢測器主要有感應(yīng)線圈、紅外檢測器、微波車檢器、超聲波檢測器、視頻車檢器等，國內(nèi)外的研究也主要集中在利用不同檢測器測量的平均速度、交通流量、占有率等數(shù)據(jù)對交通狀態(tài)進行判別［2-4］.感應(yīng)線圈雖然具有成本較低、使用方便等優(yōu)點，但存在安裝維護需開挖路面、維護成本高等缺點；紅外、微波、超聲波受環(huán)境干擾影響較大，應(yīng)用受到限制；視頻檢測器是一種直接檢測技術(shù)，但受光照程度和氣候條件影響很大，不適合全天候使用.

車輛行駛時的聲音信號是一種非常復(fù)雜的混合信號，通常由發(fā)動機噪聲、輪胎噪聲、空氣渦流噪聲、排氣噪聲等多個信號分量組成，實際中車輛行駛時產(chǎn)生的聲音信號的主要成分與交通狀態(tài)有非常緊密的聯(lián)系.當車輛處于自由流狀態(tài)時，此時車速一般比較高，車輛聲音信號主要來自輪胎噪聲和空氣渦流噪聲；當車輛處于擁堵狀態(tài)時，車輛聲音信號主要為發(fā)動機噪聲，其他噪聲幾乎可以忽略；而當車輛處于接近飽和狀態(tài)時，車輛聲音信號是前2種狀態(tài)的組合［5-6］.實際中這些不同的噪聲在特性上存在一定差異，那么是否可以利用車輛行駛時的交通噪聲直接“聽到”對應(yīng)的交通狀態(tài)呢？國外Vivek Tyagi等［5］通過分析車輛聲音信號的倒譜系數(shù)（mel-frequency cepstral coefficients，MFCC）及譜圖（spectrogram）表明利用車輛聲音信號進行交通狀態(tài)識別的可行性.Bhave N等［7］提出了通過發(fā)動機聲音對交通擁堵進行識別，但其只針對幾種特殊車型所組成的交通流.

本文利用車輛行駛時的聲音信號直接實現(xiàn)交通狀態(tài)的識別，該方法與傳統(tǒng)的識別方法相比是一種被動檢測技術(shù)，不需要檢測裝置自身發(fā)射信號，而直接利用車輛經(jīng)過時產(chǎn)生的聲音信號，具有簡單方便、不受氣候影響等優(yōu)點.將交通流狀態(tài)分為自由流（車速大于50km·h-1）、飽和流（車速小于40km·h-1而大于10km·h-1）、交通擁堵3種（車速小于10 km·h-1），通過對不同交通流狀態(tài)下的交通噪聲信號進行譜分析，以歸一化的峰值頻率作為特征，用支持向量機（support vector machine，SVM）對不同的交通流狀態(tài)進行識別.試驗結(jié)果表明，通過交通噪聲能正確識別不同的交通狀態(tài)，具有較高的識別精度.

1 車輛聲音信號的組成

車輛行駛時的聲音取決于車速、載重、機械狀況等，但通常情況下其由發(fā)動機噪聲、輪胎噪聲、空氣渦流噪聲、排氣噪聲等幾個信號分量組成［5-6］.

（1）發(fā)動機噪聲.發(fā)動機噪聲同語音信號一樣由1個確定的諧波分量和1個隨機分量組成.隨機分量是發(fā)動機進氣過程產(chǎn)生的；確定的諧波分量是發(fā)動機汽缸在燃料燃燒過程中產(chǎn)生的，其能量遠大于隨機分量.發(fā)動機的噪聲隨著車速的變化而變化，當車速較低（交通擁擠）時，主要是發(fā)動機閑置噪聲；而當車速較高（自由流交通）時，噪聲則主要取決于發(fā)動機射速，其完全不同于閑置噪聲.

（2）輪胎噪聲.輪胎噪聲主要由高速運轉(zhuǎn)的輪胎與路面之間的摩擦產(chǎn)生.當車速大于50km·h-1時，輪胎噪聲成為車輛噪聲的主要成分，通常包含振動噪聲和空氣噪聲2個部分.振動噪聲主要是因輪胎與路面接觸產(chǎn)生的，其頻率主要集中在100～1000Hz；空氣噪聲主要是吸入輪胎橡膠中的空氣所產(chǎn)生的，其頻率主要集中在1000～3000Hz.

（3）空氣渦流噪聲。當車速增加時，車輛的輪廓因空氣的流動而產(chǎn)生渦流噪聲，取決于車輛的動力特性及周圍環(huán)境的風(fēng)速和風(fēng)向.實際中采集車輛聲音信號時，當車輛高速通過傳感器時，渦流噪聲占有重要的成分.

（4）排氣噪聲。車輛排氣系統(tǒng)由排氣歧管、催化轉(zhuǎn)化器、共振器、排氣管、消聲器、尾管組成，排氣系統(tǒng)主要排放發(fā)動機工作所排出的廢氣.排氣噪聲取決于發(fā)動機及尾管，但不同于發(fā)動機噪聲，隨著車輛載重的增加而增大.

2 交通流狀態(tài)聲頻特征提取

車輛聲音信號特征主要有時域、頻域及時頻域提取方法.時域分析因有效信號與環(huán)境噪聲難以分離而很少采用；頻域分析處理速度快，但只適用于平穩(wěn)信號；時頻域分析能取得良好的效果，但運算量過大.雖然車輛聲音信號是一種非平穩(wěn)信號，但只要處理聲音信號的幀足夠短，完全可將其視為平穩(wěn)信號，因此本文在頻域提取交通狀態(tài)特征信息.試驗中，聲音信號的采樣頻率fs＝44.1kHz，每幀的長度N＝1024，并以連續(xù)5幀的聲音信號作為一個樣本.X表示采集的不同交通流狀態(tài)的車輛聲音信號，X被分成長度為N 的5幀信號，每一幀信號記作Xi，i＝1，2，…，5.對每幀信號進行預(yù)處理后進行頻譜分析及歸一化處理，以歸一化的峰值頻率作為特征.具體算法步驟如下.

（1）去直流分量.

式中：xi，k為第i幀信號Xi的第k個采樣值，k＝1，2，…，N.

（2）進行Hilbert變換，形成解析信號，去除信號中的負頻分量.

式中：zi，k為xi，k得到的解析信號；Hhilbert（·）表示信號的Hilbert變換.

（3）通過快速傅里葉變換（FFT）計算頻譜.

式中：Zi為第i幀信號Xi得到的解析信號；Ffft（·）表示信號的FFT.

（4）頻譜歸一化.

（5）計算歸一化峰值頻率形成每幀信號的特征.

式中，f為每幀信號的歸一化峰值頻率.

（6）以連續(xù)5幀車輛聲音信號的歸一化峰值頻率形成交通流狀態(tài)特征向量

3 交通狀態(tài)流聲頻識別算法

識別效果除了取決于良好性能的特征外，識別方法也具有重要的作用.SVM因在解決小樣本、非線性及高維模式識別的優(yōu)勢成為廣泛使用的分類學(xué)習(xí)算法.因此，將SVM作為交通狀態(tài)識別算法［8-9］.

給定2類可分的訓(xùn)練數(shù)據(jù)樣本集（xm，ym），m＝1，2，…，M，d維輸入xm∈Rd，ym∈｛＋1，-1｝滿足

式中：w為參數(shù)向量即超平面的法線，w∈Rd；b為截距，b∈R；M為訓(xùn)練樣本的個數(shù)；ym為分類標識，此時分類間隔等于，使間隔最大等價于使最小.滿足條件（2）且使最小的分類面稱為最優(yōu)分類面.

根據(jù)Kuhn-Tucker條件，通過式（9）求得的優(yōu)化系數(shù)αm須滿足

因此，多數(shù)αm值必為零，少數(shù)值為非零的αm對應(yīng)于使等號成立的樣本為支持向量.只有為支持向量的樣本決定最終的分類結(jié)果.

利用式（10）求出αm后，對于給定的測試樣本x，SVM分類器的分類函數(shù)一般形式為

這就是SVM.式中，sign｛｝為符號函數(shù).由分類函數(shù)f（x）的正負即可判定x所屬的分類.選擇不同的內(nèi)積核函數(shù)形成不同的算法，目前在分類方面研究較多也較常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)4種.

4 試驗結(jié)果與分析

試驗所用的所有車輛聲音信號均采集于西安市南郊的一條相對開闊的平面道路，周圍環(huán)境相對安靜，信號采樣頻率為44.1kHz，用5幀長度為5120個點作為1個參考信號.由圖1可見自由流聲音信號的頻譜能量在低頻比較集中，此時由于車速比較高，聲音信號中輪胎噪聲在整個信號中占主要成分；而交通擁堵的聲音信號的頻譜能量則相對比較分散，且主要能量成分頻率較自由流高，此時由于車速較低，聲音信號主要為發(fā)動機噪聲；飽和流的聲音信號頻譜也主要集中在低頻段，但其高頻分量相對于自由流大，這是由于飽和流介于自由流與交通擁堵的中間狀態(tài)，所以其頻譜特性是兩者的組合，與實際的汽車聲音信號特性相吻合.

試驗中共采集到205個自由流聲音信號樣本、205個飽和流聲音信號樣本及120個交通擁堵的聲音信號樣本，分別對這3組樣本按照式（6）形成特征向量，以SVM作為識別算法.其中100個自由流、100個飽和流及60個交通擁堵信號作為訓(xùn)練樣本；而另外的105個自由流、105個飽和流及60個交通擁堵信號作為測試樣本.測試過程中SVM的核函數(shù)選為徑向基核函數(shù)，C通過試驗取400.為了說明本文通過車輛聲音信號識別交通狀態(tài)方法的有效性，采用了K最近鄰（K-nearest neighbor，KNN）分類算法對試驗樣本進行了分類識別，結(jié)果如表1.

從表1可以看出2類識別方法對擁堵狀態(tài)的識別具有相似的識別精度；對于自由流交通，SVM算法的識別精度稍優(yōu)于KNN方法；飽和流KNN方法識別率較低，主要原因是飽和流是自由流與交通擁堵的中間狀態(tài)，其特征與另外2種狀態(tài)都具有一定的相似性，SVM算法使得飽和流的識別精度得到很大提高.試驗結(jié)果表明，通過車輛聲音信號的交通狀態(tài)識別具有可行性.

5 結(jié)論

圖1 交通聲音信號及頻譜Fig.1 Acoustic signals and spectrums

表1 交通流狀態(tài)分類識別結(jié)果Tab.1 The result of traffic flow state identification

提出利用車輛行駛時所產(chǎn)生的交通噪聲進行交通流狀態(tài)的識別方法.將交通流狀態(tài)分為自由流、飽和流及交通擁堵3種狀態(tài)，通過分析車輛聲音信號的特點建立了不同交通流狀態(tài)與車輛聲音信號的對應(yīng)關(guān)系.通過對交通噪聲的頻譜分析，以歸一化的峰值頻率作為特征，以SVM作為識別算法進行研究，試驗結(jié)果表明，通過交通噪聲能夠正確識別不同的交通狀態(tài)具有較高的識別精度.但是本文對飽和流的識別準確率還不夠理想，且采集交通噪聲的路段周圍環(huán)境比較安靜，對于鬧市區(qū)的城市道路、高速公路等不同對象的交通噪聲特性還需進一步研究.

［1］鄭建湖，郭銀歲，葉潤真，等.基于環(huán)形線圈檢測器信息的交通狀態(tài)模糊識別方法［J］.昆明理工大學(xué)學(xué)報：理工版，2009，34（2）：71.ZHENG Jianhu，GUO Yinsui，YE Runzhen，et al.Fuzzy identification method of traffic condition based on loop detector information［J］.Journal of Kunming University of Science and Techonology：Science and Technology，2009，34（2）：71.

［2］張菁，巨永鋒，陳荔.城市路網(wǎng)交通狀態(tài)的小波分析檢測方法［J］.交通運輸工程學(xué)報，2010，10（5）：114.ZHANG Jing，JU Yongfeng，CHEN Li.Detection method oftraffic state for urban traffic network based on wavelet analysis［J］.Journal of Traffic and Transportation Engineering，2010，10（5）：114.

［3］王國林，蕭德云.一種面向全景視頻的交通狀態(tài)檢測方法［J］.清華大學(xué)學(xué)報：自然科學(xué)版，2011，51（1）：30.WANG Guolin，XIAO Deyun.Traffic state detection method for full scene viedeo［J］.Journal of Tsinghua University：Science ＆ Technology，2011，51（1）：30.

［4］姜桂艷，郭海鋒，吳超騰.基于感應(yīng)線圈數(shù)據(jù)的城市道路交通狀態(tài)判別方法［J］.吉林大學(xué)學(xué)報：工學(xué)版，2008，38（2）：37.JIANG Guiyan，GUO Haifeng，WU Chaoteng.Identification method of urban road traffic conditions based on inductive coil data［J］.Journal of Jilin University：Engineering and Technology Edition，2008，38（2）：37.

［5］Vivek Tyagi，Shivkumar Kalyanarman，Raghuram Krishnapuram.Vehicular traffic density state estimation based on cumulative road acoustics［R］New Delhi：IBM Research Report，2011.

［6］Cevher Volkan，Chellappa R，McClellan J H.Joint acousticvideo fingerprinting of vehicles，part I［C］／／IEEE International Conference on ASSP.Honolulu：IEEE，2007：15-20.

［7］Bhave N，Rao P.Vehicle engine sound analysis applied to traffic congestion Estimation ［C ］／／Proceeding of International Symposium on Computer Music Modeling and Retrieval（CMMR）and Frontiers of Research on Speech and Music（FRSM）.Bhubaneswar：Utkal University，2011.

［8］HSU Chihwei，LIN ChihJen.A comparison of methods for multiclass support vector machines［J］.IEEE Transaction on Neural Networks，2002，13（2）：415.

［9］Olivier Chapelle，Vladimir Vapnik，Olivier Bousquet，et al.Choosing multiple parameters for support vector machine［J］.Machine Learning，2002，46（1）：131.