基于聲音采集與分類技術(shù)的報(bào)警系統(tǒng)設(shè)計(jì)

徐 婕，沈丹丹，潘 碩，朱習(xí)松

（中科芯集成電路有限公司，江蘇無錫 214072）

1 引言

在現(xiàn)代環(huán)境質(zhì)量評(píng)價(jià)體系中，環(huán)境噪聲指標(biāo)日益受到重視，成為評(píng)價(jià)一個(gè)場(chǎng)所舒適度的重要標(biāo)準(zhǔn)，準(zhǔn)確檢測(cè)、記錄環(huán)境聲音具有重要的現(xiàn)實(shí)意義[1]。在完成聲音能量檢測(cè)的同時(shí)，確定主要聲音類別，一方面可以指導(dǎo)工作人員確定主要工作方向，盡量杜絕此類聲源以提升環(huán)境質(zhì)量；另一方面通過捕捉例如尖叫聲、哭喊聲等異常聲音[2]，給出報(bào)警信息，配合視頻監(jiān)控，有利于安保人員第一時(shí)間判斷危險(xiǎn)源并進(jìn)行應(yīng)急處理，可以彌補(bǔ)視頻監(jiān)控的不足[3]。

本文論述了一種聲音報(bào)警系統(tǒng)，以模數(shù)轉(zhuǎn)換、控制、傳輸電路搭建硬件平臺(tái)，以聲音的端點(diǎn)檢測(cè)、特征參數(shù)提取和分類技術(shù)為算法核心，實(shí)現(xiàn)對(duì)環(huán)境聲音大小的實(shí)時(shí)檢測(cè)及聲音分類、異常報(bào)警等功能。

2 系統(tǒng)架構(gòu)

報(bào)警系統(tǒng)的硬件部分主要選用國(guó)內(nèi)外成熟的元器件和設(shè)備，包括麥克風(fēng)（MIC）裝置、運(yùn)算放大器（AMP）、模數(shù)轉(zhuǎn)換電路（ADC）、電平轉(zhuǎn)換、FPGA、以太網(wǎng)PHY RJ45 芯片、電源、時(shí)鐘系統(tǒng)、配有識(shí)別算法及報(bào)警顯示的主控計(jì)算機(jī)，系統(tǒng)結(jié)構(gòu)硬件如圖1 所示。

圖1 系統(tǒng)硬件結(jié)構(gòu)

遠(yuǎn)端采集部分器件的功能及選用原則如下：

1）MIC 裝置實(shí)現(xiàn)聲音電信號(hào)的轉(zhuǎn)換，需要具有拾音準(zhǔn)、干擾小、采集范圍大的特點(diǎn)，此處選用高性能拾音器；2）AMP 有調(diào)整模擬信號(hào)的作用，可根據(jù)后級(jí)器件調(diào)整信號(hào)幅度，其高輸出電阻特性可有效避免信號(hào)失配，考慮后級(jí)轉(zhuǎn)換器件的差分特性，選擇全差分AMP XX6362，其具有全差分、低失調(diào)、噪聲小、軌到軌傳輸?shù)奶攸c(diǎn)，能夠滿足系統(tǒng)要求；3）ADC 是聲音采集的核心器件，它將模擬信號(hào)轉(zhuǎn)換為數(shù)字語音，因聲音變化量豐富，選用16 位高精度專用語音電路XX73311；4）電平轉(zhuǎn)換器件可適配不同電壓的總線互聯(lián)，選用XX0108，其具有電壓范圍寬、工作速率快、自適應(yīng)方向的特點(diǎn)，可應(yīng)用于推挽或開漏的不同總線信號(hào)傳輸；5）遠(yuǎn)端控制器主要完成模數(shù)轉(zhuǎn)換器的配置、數(shù)據(jù)讀取，按照以太網(wǎng)UDP 協(xié)議打包發(fā)送數(shù)據(jù)，F(xiàn)PGA可以勝任此項(xiàng)工作，且設(shè)計(jì)簡(jiǎn)單，考慮成本及體積因素，選用XX25-363[4]；6）計(jì)算機(jī)數(shù)據(jù)傳輸選用以太網(wǎng)，其速率快且上位機(jī)設(shè)計(jì)方便，經(jīng)實(shí)際計(jì)算，選用百兆以太網(wǎng)PHY 電路XX83848，其性能穩(wěn)定、使用簡(jiǎn)單，協(xié)議部分由FPGA 完成；7）系統(tǒng)中的電源采用多路DC-DC，模擬電源單獨(dú)加低噪聲的LDO，時(shí)鐘以晶振直接提供，F(xiàn)PGA 的配置電路使用專用的PROM，型號(hào)為XX32P。

3 采集終端實(shí)現(xiàn)

3.1 硬件構(gòu)成

考慮到系統(tǒng)鏈路較為復(fù)雜，本研究主要論述系統(tǒng)的聲音采集部分，XX73311 是一款功能強(qiáng)大的語音芯片，其內(nèi)部包括1 路16 位Σ-Δ 型ADC、1 路16 位DAC、輸入輸出增益模塊、基準(zhǔn)等結(jié)構(gòu)，支持3.3 V 或5 V 2 種電源電壓。采用SPI 接口傳輸配置及數(shù)據(jù)信息，輸入可選交直流耦合模式，最終輸入端口信號(hào)需滿足電壓要求。考慮5 V 供電的共模電壓對(duì)AMP 的適配性更好，XX73311 及XX6362 均采用5 V 供電。XX6362 承接前端拾音器單端信號(hào)，差分輸出給XX73311，XX73311 的數(shù)字接口電壓跟隨電源電壓，因FPGA 端口電壓為3.3 V，使用XX0108 適配兩端器件的接口電壓，時(shí)鐘選用16.384 MHz 典型頻率，采集終端硬件電路如圖2 所示。

圖2 采集終端硬件電路

3.2 XX73311 的配置

XX73311 時(shí)鐘采用多級(jí)分頻，其中外部主時(shí)鐘MCLK 分頻后，DMCLK 作為內(nèi)部系統(tǒng)主時(shí)鐘，DMCLK 再次分頻后作為SPI 的時(shí)鐘SCLK，DMCLK/256 作為編碼時(shí)鐘。XX73311 的SPI 總線主要是主控型，SCLK 由其發(fā)出，每個(gè)信息須有FS 脈沖信號(hào)引領(lǐng)才能識(shí)別，并允許最多8 個(gè)器件級(jí)連，使用時(shí)需嚴(yán)格按照時(shí)序圖的設(shè)計(jì)。在總線中，XX73311 的讀寫使能位、地址位為1 個(gè)字節(jié)，每個(gè)數(shù)據(jù)位或寄存器為1 個(gè)字節(jié)，其內(nèi)部共有5 個(gè)功能寄存器。系統(tǒng)配置信息如表1 所示，寄存器用CR 表示，CR-E 默認(rèn)為初始值。

表1 XX73311 配置表

一般應(yīng)優(yōu)先配置寄存器B/C/D/E，然后配置寄存器A，使器件從編程模式轉(zhuǎn)為數(shù)據(jù)收發(fā)模式。XX73311可提供靈活的調(diào)試幫助，在編程模式中使能模擬回環(huán)（ALB）、數(shù)字回環(huán)（DLB）2 個(gè)回環(huán)模式，可輕松檢查模擬端或數(shù)字段的信號(hào)鏈路功能。

4 聲音分類的實(shí)現(xiàn)

4.1 工作流程

本系統(tǒng)算法部分以計(jì)算機(jī)為平臺(tái)，基于MATLAB完成，使用基于MATLAB GUI 的可視化設(shè)計(jì)，既可以連續(xù)、實(shí)時(shí)地顯示聲音信號(hào)，還可以對(duì)異常信息報(bào)警[5]。系統(tǒng)工作流程如圖3 所示。

圖3 系統(tǒng)工作流程

在研究階段選用部分公共場(chǎng)所常見聲音作為驗(yàn)證樣本，有汽車?guó)Q笛聲、人的說話聲、尖叫聲、哭聲、雷聲、狗叫聲、物體撞擊聲和爆炸聲等。根據(jù)聲音代表的信息，將其分為危險(xiǎn)聲源和一般聲源。尖叫聲和哭聲有可能表示有人受到侵害，爆炸聲則表示有人違反公共場(chǎng)所管理規(guī)定燃放煙花、爆竹等，將其列為危險(xiǎn)聲源，其余聲音為一般聲源[6]。

4.2 聲音處理

獲得聲音信號(hào)以后，為使信號(hào)的頻譜變得平坦，提高信號(hào)的高頻部分，保持在低頻到高頻的整個(gè)頻段中，能用同樣的信噪比求頻譜，系統(tǒng)需對(duì)聲音信號(hào)進(jìn)行預(yù)加重處理。預(yù)加重有多重形式，本設(shè)計(jì)選用數(shù)字濾波器實(shí)現(xiàn)，對(duì)n 時(shí)刻的采樣值x(n)預(yù)加重，得值y(n)為：

式中a 是預(yù)加重系數(shù)。

根據(jù)聲音信號(hào)的短時(shí)平穩(wěn)性特點(diǎn)，系統(tǒng)對(duì)聲音信號(hào)進(jìn)行分幀處理。為使特征參數(shù)平滑變化，在分幀過程中，系統(tǒng)采用部分重疊的辦法實(shí)現(xiàn)過渡，使聲音特征平滑過渡，保持其連續(xù)性。聲音分幀的效果如圖4所示。

圖4 音頻分幀

對(duì)聲音信號(hào)x(n)的處理中進(jìn)行分幀。

式（2）采用卷積形式，相當(dāng)于通過一個(gè)單位沖激響應(yīng)為ω(m)的FIR 濾波器。

4.3 聲音能量檢測(cè)

短時(shí)能量高是異常聲音最突出的表現(xiàn)，實(shí)時(shí)計(jì)算聲音能量既可監(jiān)測(cè)聲音強(qiáng)度，又可劃定異常聲音范圍。采用雙門限法可提取異常聲音段[7]。以一段0.3 s 的聲音信號(hào)為例，其聲音波形和對(duì)應(yīng)的短時(shí)能量波形如圖5 所示。

圖5 中TH 為設(shè)定的高門限，TL 為設(shè)定的低門限，首先對(duì)聲音信號(hào)進(jìn)行逐幀判斷，當(dāng)某幀能量幅值高于TH 時(shí)，往兩邊尋找聲音邊界TL，當(dāng)某幀能量幅值小于TL 時(shí)，即認(rèn)為聲音結(jié)束。

圖5 門限值與能量波形對(duì)比

4.4 MFCC 特征參數(shù)提取

在得到聲音段的起始幀以后，系統(tǒng)需要提取異常聲音段的特征參數(shù)，常用的特征參數(shù)有線性預(yù)測(cè)倒譜系數(shù)（LPCC）和Mel 頻率倒譜系數(shù)（MFCC），鑒于MFCC 在信噪比降低時(shí)的良好識(shí)別性能，同時(shí)較好地利用聽覺模型的研究成果，本研究選用MFCC[8]。MFCC 是在Mel 標(biāo)度頻率域提取出來的倒譜系數(shù)，其特征參數(shù)提取原理如圖6 所示。

圖6 MFCC 特征參數(shù)提取原理

對(duì)聲音樣本取幀長(zhǎng)256、幀移128 進(jìn)行預(yù)處理、端點(diǎn)檢測(cè)、提取MFCC，對(duì)樣本的參數(shù)按聲音類別合成匹配文件模板庫，由8 類模板庫組成總模板庫。部分聲音的MFCC 特征參數(shù)三維圖像如圖7 所示，從圖7 中可以很直觀地觀察到信號(hào)的MFCC 隨Mel 階數(shù)的變化情況，不同聲音類別之間區(qū)別明顯。

圖7 MFCC 特征參數(shù)三維對(duì)比圖

4.5 BP 神經(jīng)網(wǎng)絡(luò)分類

聲音識(shí)別屬于模式識(shí)別的應(yīng)用范疇[9]，在聲音識(shí)別的發(fā)展過程中，有動(dòng)態(tài)彎折算法[10]、隱馬爾可夫模型[11]、高斯混合模型[12]、神經(jīng)網(wǎng)絡(luò)[13]、支持向量機(jī)[14]等多種算法，本研究只需要識(shí)別出聲音的幾種類別，應(yīng)用相對(duì)簡(jiǎn)單，因此選用算法成熟、工具箱函數(shù)豐富的BP 神經(jīng)網(wǎng)絡(luò)算法。

以MFCC 模板庫作為BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，對(duì)數(shù)據(jù)進(jìn)行歸一化處理。BP 算法建模包括BP 神經(jīng)網(wǎng)絡(luò)的構(gòu)建、BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和BP 神經(jīng)網(wǎng)絡(luò)分類3步。首先是BP 神經(jīng)網(wǎng)絡(luò)的初始化，模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層，本研究采用12 階的MFCC，所以BP 神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元個(gè)數(shù)是12，網(wǎng)絡(luò)輸出神經(jīng)元取4 個(gè)，目標(biāo)輸出一個(gè)4 位二進(jìn)制數(shù)，足以表示8 類樣本，隱含層設(shè)置為15 個(gè)神經(jīng)元。取學(xué)習(xí)率0.1，訓(xùn)練誤差0.01，訓(xùn)練次數(shù)2000 次，2 次顯示之間的訓(xùn)練步長(zhǎng)為10，隱含層神經(jīng)元的傳遞函數(shù)采用S 型正切函數(shù)，由于輸出模式為0-1，輸出層神經(jīng)元的傳遞函數(shù)采用S 型對(duì)數(shù)正切函數(shù)f(x)，

式中β 為常數(shù)，用于控制曲線扭曲部分的斜率。

在網(wǎng)絡(luò)訓(xùn)練階段根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值。定向?qū)Ρ蠕浿频臉颖就惵曉?，輸入上述?xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到幀特征平均分類成功率，BP 神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果如表2 所示。

表2 BP 神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果

表2 是逐一輸入單一聲音源的識(shí)別結(jié)果，若要排除其他聲音尤其是混合聲音需要大量的聲音樣本做訓(xùn)練，有可能還需要提取更多特征參數(shù)以提高識(shí)別精度[15]，并且隨著復(fù)雜度的增加，識(shí)別效果會(huì)降低。本試驗(yàn)主要驗(yàn)證系統(tǒng)的可行性，因此只是在音源位置等固定的情況下識(shí)別聲音信號(hào)。

通過實(shí)測(cè)，系統(tǒng)能夠檢測(cè)出異常聲音段并判斷是否為危險(xiǎn)信號(hào)，如是危險(xiǎn)信號(hào)則給出報(bào)警信息。接到報(bào)警信息，值班人員可查看歷史記錄，重聽保存的報(bào)警信息，通過錄像或赴現(xiàn)場(chǎng)勘查異常并予以解決。

5 結(jié)論

本研究通過對(duì)聲音信號(hào)進(jìn)行預(yù)處理、計(jì)算幀短時(shí)能量，給出環(huán)境實(shí)時(shí)聲音幅度參數(shù)，作為環(huán)境聲音的第一級(jí)監(jiān)測(cè)；然后通過端點(diǎn)檢測(cè)技術(shù)區(qū)分出有別于常規(guī)環(huán)境噪聲的有聲段，提取有聲段MFCC 參數(shù)，用BP神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)分類，對(duì)代表危險(xiǎn)信息的聲音給出報(bào)警信息，作為環(huán)境聲音的第二級(jí)監(jiān)測(cè)。

今后的研究重點(diǎn)一是考慮遠(yuǎn)端直接識(shí)別，直接給出判斷信息，減小遠(yuǎn)距離數(shù)據(jù)傳輸量，為此考慮使用高性能DSP；二是提高復(fù)雜環(huán)境下的識(shí)別率，考慮從聲音的基音、共振峰、譜熵等多方面進(jìn)行分析，構(gòu)建包含多種特征信息的混合參數(shù)作為分類計(jì)算的依據(jù)，將近年來模式識(shí)別學(xué)科的發(fā)展成果運(yùn)用到聲音識(shí)別中，以期獲得更好的效果。