基于子帶譜熵法和PSO-GA-SVM的汽車鳴笛識別

余凌浩,陸鐵文,李 晨,曾毓敏,袁 芳

(1.南京師范大學計算機與電子信息學院/人工智能學院,江蘇 南京 210023)(2.杭州愛華智能科技有限公司,浙江 杭州 311121)

近年來,交通噪聲的關注度日益提升. 鳴笛噪聲是交通噪聲的主要組成成分,汽車在禁鳴區(qū)違章鳴笛,會嚴重影響他人的生活、學習與工作. 為了遏制違章鳴笛,鳴笛抓拍系統(tǒng)應運而生. 鳴笛抓拍系統(tǒng)會實時檢測當前的聲壓級,當聲壓級超過一定閾值時,系統(tǒng)通過遠場波束形成技術定位聲源的位置并進行音視頻記錄[1]. 然而交通環(huán)境中聲源情況非常復雜,有很多非鳴笛聲也能觸發(fā)鳴笛抓拍系統(tǒng)的閾值,只依靠聲壓級觸發(fā)門限會出現(xiàn)較多誤判的情況. 這也是目前鳴笛抓拍系統(tǒng)應用較少的主要原因. 因此,對鳴笛抓拍系統(tǒng)采集的樣本進行鳴笛與非鳴笛的分類是非常有必要的.

在汽車鳴笛識別方面,目前已有許多學者進行了研究[2-8],較為常用的方法主要分為以下兩類:(1)閾值判斷,如文獻[8]中使用的短時能量和短時過零率法等. 該方法將特征值高于或低于一定門限的聲音樣本直接進行分類,其分類效果主要取決于特征和閾值的選取. (2)機器學習,如文獻[2]中使用的卷積神經(jīng)網(wǎng)絡、文獻[6]中使用的隱馬爾科夫模型等. 該方法首先對樣本提取特征,通過訓練一定數(shù)量的樣本得到一個模型,再通過采集的樣本是否與模型相匹配來進行分類.

進行閾值判斷時,閾值的設置會直接影響分類結果的準確性,然而交通環(huán)境中聲源情況非常復雜,會給閾值設置帶來較大阻礙. 機器學習雖然準確率較高,但對模型有比較高的要求. 如果實測的鳴笛樣本中含有較多噪聲,也會對分類準確率產(chǎn)生很大影響. 因此,我們需要結合實際交通環(huán)境中的鳴笛噪聲,研究具有較高準確率的鳴笛識別算法.

由于鳴笛聲具有豐富的諧波特征,其子帶譜熵值相對較低. 相比較于傳統(tǒng)的短時能量和短時過零率特征,子帶譜熵具有更高的區(qū)分度[9-10],閾值的設置具有普適性. 機器學習主要分為傳統(tǒng)機器學習和深度學習兩大類. 深度學習非常適合處理大數(shù)據(jù)下的特征,但是在較小的數(shù)據(jù)量下,深度學習并沒有表現(xiàn)出很好的效果,并且由于其計算量過大,很難滿足實時性的需求. 而支持向量機(support vector machine,SVM)作為傳統(tǒng)機器學習的方法,在進行小樣本集分類時效果較好[11].

SVM參數(shù)優(yōu)化的傳統(tǒng)方法是網(wǎng)格搜索法,該方法通過遍歷參數(shù)的所有組合來選取最優(yōu)結果,運行速度較慢. 我們使用粒子群優(yōu)化(particle swarm optimization,PSO)和遺傳算法(genetic algorithm,GA)的融合(PSO-GA)來優(yōu)化SVM的參數(shù)[12-13],在準確率沒有降低的情況下,提高了選取最優(yōu)參數(shù)的速度.

本文結合了閾值判斷和機器學習的方法,提出了一種基于子帶譜熵法和PSO-GA-SVM的汽車鳴笛識別算法. 仿真結果表明,該算法具有較好的魯棒性. 在對實際采集樣本的鳴笛識別中,本文算法也取得了較高的準確率.

1 算法介紹

1.1 算法總流程

本文首先使用子帶譜熵法對鳴笛抓拍系統(tǒng)采集的聲音樣本進行初判,將子帶譜熵高于閾值的樣本直接判定為非鳴笛樣本. 為了使SVM訓練出較好的模型,在子帶譜熵法中再結合子帶譜線能量門限,對初判為鳴笛的樣本中的疑似鳴笛部分進行分割. 然后使用SVM對分割結果進行進一步分類,并使用PSO-GA來優(yōu)化SVM的參數(shù). 算法總流程如圖1所示.

圖1 算法總流程Fig.1 Overall algorithm process

1.2 預處理

文中預處理的主要流程為:帶通濾波、預加重、分幀、加窗.

一般汽車鳴笛的頻率分布在1 500～6 000 Hz. 為了保留汽車鳴笛的主要特征并去除噪聲的干擾,對聲音樣本進行1 500～6 000 Hz的帶通濾波.

預加重是一個一階高通濾波器,用一階FIR濾波器表示為:

s′(n)=s(n)-as(n-1).

(1)

式中,a為一常數(shù),s(n)為原始信號,s′(n)為預加重后的信號. 預加重可以對信號進行高頻提升,使頻譜變得更平坦,減少頻譜的動態(tài)范圍. 一般來說,0.9

分幀可以將一段較長聲音信號分成多個小段,使每小段聲音信號可以作為平穩(wěn)信號來處理. 為了使每一幀信號之間平滑地過渡,兩個相鄰幀之間需要有一些重疊區(qū)域. 本文中幀長選為50 ms,幀移長度選為幀長的1/3.

加窗可以避免因信號兩端不連續(xù)而導致的頻譜泄漏. 本文選用漢明窗作為窗函數(shù)w(n),若共有N個采樣點,則第n個采樣點的窗函數(shù)公式為:

(2)

1.3 子帶譜熵法

1.3.1 算法介紹

子帶譜熵的思想是將每一幀的頻譜分成若干個子帶,這樣就消除了每一條譜線受噪聲影響的問題. 設每個子帶由4條譜線組成,共有Nb個子帶. 第i幀中的第n個子帶的譜線能量E(n,i)為:

(3)

式中,Yi(k)為傅里葉變換后的譜線能量. 子帶譜線能量的概率分布p(n,i)為:

(4)

引入一個正常量C,得到新的子帶譜線能量的概率分布式:

(5)

文獻[9]中推導證明,在噪聲環(huán)境下,引入正常量C后,分割的準確度能得到提高. 本文中C取0.1. 子帶譜熵Hb(i)為:

(6)

1.3.2 算法流程

子帶譜熵法的主要流程如圖2所示. 在信號的子帶譜線能量包絡線上選取一個較高的閾值eth2,包絡線與eth2相交于左右兩個點A和B. 認定高于eth2的部分一定是鳴笛,而鳴笛的起止點應該在AB段之外. 再在信號的子帶譜線能量包絡線上選取一個較低的閾值eth1,從A點向左、從B點向右搜索,分別找到包絡線與eth1相交的左右兩個點C和D,如圖3(a)所示.CD段即為基于子帶譜線能量門限分割的鳴笛部分.

圖2 子帶譜熵法流程Fig.2 Sub-band spectral entropy method process

圖3 雙門限分割示意圖Fig.3 Schematic diagram of double threshold segmentation

在對應的子帶譜熵包絡線上,從C點向右、從D點向左進行更加細致的分割,找到子帶譜熵低于閾值eth3的左右兩個點E和F,如圖3(b)所示.EF段即為基于子帶譜線能量和子帶譜熵雙門限分割的鳴笛部分. 圖3(c)為聲音樣本的頻譜圖以及分割結果,左邊的豎線為分割的起始點,右邊的豎線為分割的停止點.

由于汽車鳴笛聲具有豐富的諧波特征,其子帶譜熵值相對較低,子帶譜熵特征的區(qū)分度更高. 為了驗證子帶譜熵法的有效性,我們使用文獻[8]的短時能量和短時過零率法與本文的子帶譜熵法進行了對比實驗. 實驗結果如圖4和圖5所示.

圖4的樣本中沒有鳴笛聲,正確的結果應沒有分割線,如圖4(a)所示. 文獻[8]的方法產(chǎn)生了分割線,而本文的方法沒有產(chǎn)生分割線,并將其分類為非鳴笛樣本. 圖5的樣本中含有鳴笛和噪聲,正確的分割結果如圖5(a)所示. 文獻[8]的方法不僅分割出了鳴笛部分,還分割出了多個噪聲片段. 而本文的方法則準確地分割出了鳴笛聲,沒有分割出噪聲部分.

圖4 對一段非鳴笛聲音樣本的分割Fig.4 Segmentation of a non-whistle sound samples

圖5 對一段含有鳴笛和噪聲的聲音樣本的分割Fig.5 Segmentation of a sound samples with car whistle and noise

使用子帶譜熵法可以將子帶譜熵高于閾值的樣本直接判為非鳴笛樣本,如圖4(c)所示. 然而在實際交通環(huán)境中也存在一些非鳴笛聲(如汽車轉向提示聲、公交車報站聲、警笛聲等),由于具有一定的諧波特征,產(chǎn)生了分割結果,會被子帶譜熵法誤判為鳴笛聲,如圖6所示. 因此,我們需要對子帶譜熵法的分割結果進行進一步的分類,來消除此類誤判.

圖6 對部分非鳴笛樣本的分割Fig.6 Segmentation of some non-whistle sound samples

1.4 PSO-GA-SVM

1.4.1 算法介紹

SVM是一種二分類模型. 設樣本集為(xi,yi),其中xi為樣本特征,yi為類別符號. SVM的目標是尋找一個分類面ωTx+b=0將樣本正確地分成兩類,且使‖ω2‖最小. 在樣本集線性不可分時,需要引入懲罰因子c和核函數(shù)K(xi,xj)來進行分析. 核函數(shù)可以將低維向量內積的結果轉化為高維向量內積的結果,但不需要在高維中進行計算. 本文選用的核函數(shù)為徑向基核函數(shù),

K(xi,xj)=e-g‖xi-xj‖2.

(7)

懲罰因子c和核函數(shù)參數(shù)g對SVM的分類性能有很大的影響. 本文使用PSO-GA來優(yōu)化c和g參數(shù).

PSO將粒子i在搜索空間中的飛行速度表示為向量vi,位置表示為向量xi. 在每一次迭代中,計算每個粒子的適應度,通過個體極值pbest和全局極值gbest來更新每一個粒子的速度和位置,如下兩式所示:

vi=K[vi+φ1r(pbest-xi)+φ2r(gbest-xi)],

(8)

xi=xi+vi.

(9)

式(8)中,r為均勻分布在(0,1)之間的隨機數(shù),K由下式表示[14]:

(10)

本文中φ取4.1,則K取0.730.

GA將搜索空間中每一個可能的解編碼為染色體,隨機選擇一組染色體來形成初始群體. 在每一次迭代中,計算每個粒子的適應度,按照適應度大小的順序來選擇個體,進行交叉、變異等操作. 反復執(zhí)行遺傳操作,直到滿足終止條件為止.

1.4.2 算法流程

PSO-GA-SVM主要流程如圖7所示,其主要步驟如下:

圖7 PSO-GA-SVM流程Fig.7 PSO-GA-SVM process

步驟1 對訓練集進行k折交叉驗證. 本文中k取5.

步驟2 將搜索空間中每一個c和g可能的解編碼為染色體,隨機選擇N個染色體來形成初始種群,并初始化粒子速度. 計算每一個粒子的適應度,求出pbest和gbest. 本文中N取20.

步驟3 按照式(8)和(9)更新每一個粒子的速度和位置.

步驟4 按照適應度選出N-1個粒子,對它們進行交叉、變異操作,再與上一代的最優(yōu)粒子組合成新的N個粒子. 計算每一個粒子的適應度,更新pbest和gbest.

步驟5 轉步驟3,直到滿足一定迭代次數(shù)為止. 本文中迭代次數(shù)取100.

步驟6 輸出最優(yōu)c和g.

步驟7 將最優(yōu)c和g代入SVM的c和g參數(shù)中,對測試集進行分類.

2 實驗及結果分析

本文使用CPU為Intel i7-8750H、內存為8G的計算機作為硬件平臺. 本文中所有音頻的格式為wav格式,位深度為32位. 所有程序均在Python 3.7.0下編寫. 每次實驗從數(shù)據(jù)集中隨機選取80%的樣本作為訓練集,剩下20%的樣本作為測試集,計算100次實驗的平均準確率. 本文選用Mel頻率倒譜系數(shù)作為分類器輸入的聲音特征[15],其中Mel濾波器的個數(shù)選為96個,離散余弦變換后取第2～65維,再對每一幀信號求平均,最終形成一個64維的向量.

2.1 仿真實驗

本節(jié)中對不同底噪、不同信噪比的聲音樣本進行仿真實驗. 鳴笛聲取自杭州愛華智能科技有限公司提供的純凈鳴笛聲樣本,包含奧迪A3、大眾高爾夫、吉利等13種不同車型的鳴笛聲,共120個. 非鳴笛聲取自UrbanSound8K數(shù)據(jù)集中的城市聲音樣本,包含空調外機聲、小孩玩耍聲、警笛聲等8種類型的聲音,共211個. 本節(jié)中音頻的時長為1 s,采樣頻率為48 kHz. 為了模擬鳴笛抓拍系統(tǒng)的采集方式,每個聲音樣本中只有0.25 s存在待識別的聲音,并且隨機設置該聲音在音頻中的起始位置. 為了驗證本文算法的魯棒性,在上述聲音樣本的基礎上,分別添加信噪比為20 dB、10 dB、5 dB、0 dB的白噪聲和粉噪聲作為底噪進行仿真實驗. 白噪聲和粉噪聲取自NOISE92數(shù)據(jù)集. 仿真實驗結果如表1所示.

分析表1可知,在信噪比較高的情況下,本文算法對仿真樣本的識別準確率可以達到99%以上. 隨著信噪比不斷降低,本文算法的識別效果雖然也有所下降,但依然維持在相對較高的準確率上. 在極差的信噪比環(huán)境下(信噪比為0 dB時),本文算法依然能夠有75%以上的準確率. 說明本文算法具有較好的魯棒性.

2.2 結果分析

本節(jié)中對杭州愛華智能科技有限公司的鳴笛抓拍系統(tǒng)實際采集的1 067個聲音樣本進行鳴笛識別,其中包括683個不含有鳴笛聲的樣本,包含卡車發(fā)動機聲、汽車轉向提示聲、公交車報站聲、警笛聲等超過10種城市環(huán)境音. 包括384個含有鳴笛聲的樣本,包含各種車型的鳴笛聲,背景噪聲中也存在多種上述城市環(huán)境音. 本節(jié)中音頻的時長為3.8 s,采樣頻率為24 kHz. 我們選擇文獻[2]算法、文獻[7]算法與本文算法進行了對比實驗. 實驗結果如表2所示.

從表2可見出,本文算法相比文獻[2]算法準確率提高了21.3%,相比文獻[7]算法準確率提高了14.4%. 文獻[2]和文獻[7]只使用深度學習的方法對聲音樣本進行分類,而本文首先使用子帶譜熵法對聲音樣本進行初判和分割,再使用分類器對分割結果進行進一步分類. 同時,文獻[2]和文獻[7]中深度學習的方法在樣本數(shù)量較少時分類效果并不理想,而本文使用的PSO-GA-SVM更加適合小樣本集的分類. 因此,本文算法在汽車鳴笛識別上具有更高的準確率.

表2 不同算法的平均準確率Table 2 Average accuracy with different method

我們使用子帶譜熵法結合文獻[7]使用的反向傳播神經(jīng)網(wǎng)絡(backpropagation neural network,BPNN)和本文使用的PSO-GA-SVM進一步進行了對比試驗. 實驗結果如表3所示.

表3 使用子帶譜熵法前后的平均準確率Table 3 Average accuracy with and without sub-bandspectral entropy method

子帶譜熵法對非鳴笛樣本的誤判率在1%以內,但是對鳴笛樣本的誤判率在34%以上,不能滿足鳴笛抓拍系統(tǒng)對準確率的要求,因此需要對子帶譜熵法初判為鳴笛的樣本作進一步的分類. 由表3可知,使用子帶譜熵法前,BPNN和PSO-GA-SVM的準確率并不是非常理想,而使用子帶譜熵法后,兩種分類器的準確率均有了較大提高. 這是因為子帶譜熵法可以分割出疑似鳴笛的部分,大幅減少了噪聲對分類器模型造成的影響. 同時從表3中還可以看出,本文使用的PSO-GA-SVM相比較于BPNN具有更高的準確率,更加適合小樣本集的分類.

此外,由于本文使用的聲音特征維數(shù)較低,僅有64維,提取特征以及分類的速度較快,在本文使用的計算機上處理一個樣本僅需約0.3 s,可以很好地應用到實時檢測中.

3 結論

針對現(xiàn)有的汽車鳴笛識別算法易受噪聲影響、計算量較大的問題,本文提出如下算法:首先利用閾值判斷對聲音樣本進行初判,使用子帶譜熵法分割出樣本中疑似的鳴笛部分;然后利用機器學習對疑似鳴笛樣本作進一步分類,使用PSO-GA-SVM訓練模型,最終分類出所有的鳴笛與非鳴笛樣本. 實驗表明,本文算法準確率較高且計算量較小,可以滿足鳴笛抓拍系統(tǒng)實時檢測的要求.