焦琴琴，牛力瑤，孫壯文

　　（長安大學(xué) 信息工程學(xué)院，陜西 西安 710064）

　　摘  要： 車型識(shí)別技術(shù)是智能運(yùn)輸系統(tǒng)的核心。針對(duì)目前車型識(shí)別方法的不足，提出了一種基于車輛聲音和震動(dòng)信號(hào)相融合的車型識(shí)別方法。用BCS算法提取聲震信號(hào)的特征，并在特征級(jí)融合形成特征向量，以此作為訓(xùn)練樣本對(duì)支持向量機(jī)的分類器進(jìn)行訓(xùn)練。對(duì)兩種車型的聲音和震動(dòng)數(shù)據(jù)進(jìn)行處理的結(jié)果表明，基于特征級(jí)融合的聲震信號(hào)能夠準(zhǔn)確識(shí)別不同的車型，識(shí)別準(zhǔn)確率達(dá)到86%以上，是一種有效的車型識(shí)別方法。

　　關(guān)鍵詞： 車型識(shí)別；聲震信號(hào)；特征融合；支持向量機(jī)

　　0 引言

　　近年來，交通擁擠和阻塞問題越發(fā)嚴(yán)重，現(xiàn)代化智能交通系統(tǒng)的應(yīng)用成為解決交通問題的重要手段，交通管理系統(tǒng)是智能交通系統(tǒng)的核心，而車型的自動(dòng)識(shí)別技術(shù)是智能交通管理系統(tǒng)的關(guān)鍵技術(shù)之一。國內(nèi)外關(guān)于車型識(shí)別技術(shù)已經(jīng)做了大量的研究，主要的方法有電子標(biāo)簽識(shí)別法、電磁感應(yīng)線圈識(shí)別法、紅外探測法、車牌識(shí)別法[1]和基于視頻圖像的車型識(shí)別[2-3]，這些方法均因其自身的不足使其應(yīng)用受到了限制。不同車型在行駛時(shí)其產(chǎn)生的震動(dòng)和聲音信號(hào)具有一定的差異[4]，而且利用震動(dòng)與聲音信號(hào)的車型識(shí)別是一種被動(dòng)識(shí)別技術(shù)，其具有成本低、運(yùn)算速度快等優(yōu)點(diǎn)，因此，基于車輛聲音和震動(dòng)信號(hào)的車型識(shí)別近些年成為國內(nèi)外研究的熱點(diǎn)。

　　Marco等應(yīng)用FFT的方法提取車輛聲震信號(hào)的特征，并且采用決策級(jí)進(jìn)行融合來對(duì)車型進(jìn)行識(shí)別[5]；Navdeep等應(yīng)用頻譜統(tǒng)計(jì)和小波系數(shù)特征的算法，在時(shí)域和時(shí)頻域分析震動(dòng)信號(hào)[6]；Ahmad等在時(shí)頻域采用了短時(shí)傅立葉變換和功率譜能量的方法提取車輛聲音信號(hào)的特征，并以支持向量機(jī)的分類器進(jìn)行目標(biāo)分類[7]；Manisha等應(yīng)用傅立葉變換和時(shí)域波形相結(jié)合的方法對(duì)車輛聲信號(hào)進(jìn)行分析，構(gòu)建神經(jīng)網(wǎng)絡(luò)分類器分類識(shí)別，并且用融合矩陣對(duì)結(jié)果作融合處理[8]；張亞東等提出了一種將維譜結(jié)合小波包能量的特征提取方法，該方法用維譜消除了車輛引起的地震動(dòng)信號(hào)中的高斯白噪聲或有色噪聲，構(gòu)建以維譜和小波包能量譜作為震動(dòng)信號(hào)的聯(lián)合特征向量，并建立以訓(xùn)練誤差為目標(biāo)的BP神經(jīng)網(wǎng)絡(luò)模式分類器識(shí)別車型[9]；Anami等分別在時(shí)域和頻域分析車輛聲信號(hào)，并且比較使用三種不同分類器的目標(biāo)識(shí)別結(jié)果[10]；Ozgundaz等采用梅爾倒譜系數(shù)算法提取聲震信號(hào)的特征，并應(yīng)用支持向量機(jī)的分類器對(duì)不同車型分類[11]。但是，上述方法大部分都只是采用單一信號(hào)作為目標(biāo)識(shí)別信號(hào)，或只是在決策級(jí)進(jìn)行了結(jié)果融合。由于單一信號(hào)容易受到天氣、環(huán)境、噪聲等外界條件因素的影響，不能完全代表車輛信號(hào)的特征，并且決策級(jí)融合容易損失大量的信息，因此識(shí)別能力差。

　　針對(duì)現(xiàn)有車型識(shí)別方法的不足，本文提出了一種基于車輛聲音和震動(dòng)信號(hào)相融合的車型識(shí)別方法。首先采用分塊倒譜加和（Block Cepstrum Summation，BCS）的算法分別提取車輛聲音信號(hào)和震動(dòng)信號(hào)的特征向量，然后進(jìn)行特征級(jí)融合形成融合特征向量，最后應(yīng)用支持向量機(jī)（Support Vector Machine，SVM）分類器進(jìn)行目標(biāo)識(shí)別。本文以美國DARPA SensIT項(xiàng)目組記錄的實(shí)際數(shù)據(jù)來進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該方法用于車型識(shí)別的準(zhǔn)確率可以達(dá)到86%以上。

1 聲震信號(hào)特征提取BCS算法

　　由于聲音信號(hào)和震動(dòng)信號(hào)在時(shí)域上的變化非?？?，呈現(xiàn)一定的非平穩(wěn)性，而且通常情況下不同車型的聲音和震動(dòng)信號(hào)在時(shí)域特征區(qū)別不是很明顯，因此，本文基于信號(hào)的頻譜分析，提出一種基于分幀、分塊思想的BCS算法提取信號(hào)的特征。具體的特征提取算法描述如下：

　?。?）設(shè)某一個(gè)聲音信號(hào)樣本文件為xa，對(duì)聲音信號(hào)進(jìn)行分幀，每一個(gè)信號(hào)文件分為N幀，則有：

　　xa={xa1，xa2，…，xaN}（1）

　　其中xai表示每一幀的信號(hào)，i=1，2，…，N。

　?。?）對(duì)每一幀信號(hào)進(jìn)行分塊，每一幀分為M塊。每塊的信號(hào)長度為N1，對(duì)于任意的信號(hào)xai，有：

　　xai={xai1，xai2，…，xaiM}（2）

　　式中xaij代表每一塊的聲音信號(hào)，j=1，2，…，M，i=1，2，…，N。

　?。?）運(yùn)用FFT求每一塊信號(hào)的頻譜幅值。設(shè)Xaij[k]為信號(hào)傅立葉變換的頻譜值，有：

　　Xaij[k]=FFT（xaij(n)）（3）

　　式中xaij(n)表示每一塊中的信號(hào)值，其中，i=1，2，…，N；j=1，2，…，M；n=1，2，…，N1；k=1，2，…，N1。

　?。?）計(jì)算塊能量值，則有：

　　式中Ei（j）表示第i幀中第j塊的能量值，i=1，2，…，N；j=1，2，…，M。

　　（5）根據(jù)式（4）計(jì)算聲音信號(hào)文件N幀的能量值，設(shè)Ta為信號(hào)文件的能量值，則：

　　Ta=[E1（1），E1（2），…，E1（M），E2（1），E2（2），…，E2（M），…，EN（1），EN（2），…，EN（M）]（5）

　　式中Ta為N×M維的行向量。

　?。?）每兩個(gè)相鄰的能量值相加，得出聲音信號(hào)文件的特征向量Taf，其維數(shù)為L，設(shè)Fam為能量相加后的值，m=1，2，…，L，則：

　　Taf=[Fa1，F(xiàn)a2，F(xiàn)a3，…，F(xiàn)aL]（6）

　　式中Taf為一個(gè)聲音信號(hào)樣本的特征向量。

　　（7）由上述步驟可以求出震動(dòng)信號(hào)的特征向量，設(shè)Tsf為一個(gè)震動(dòng)信號(hào)樣本的特征向量，則：

　　Tsf=[Fs1，F(xiàn)s2，F(xiàn)s3，…，F(xiàn)sL]（7）

　　式中Tsf為一個(gè)震動(dòng)信號(hào)樣本的特征向量。

　?。?）設(shè)T為聲音信號(hào)和震動(dòng)信號(hào)的融合特征向量，則有：

　　T=[Taf，Tsf]

　　即：T=[Fa1，F(xiàn)a2，…，F(xiàn)aL，F(xiàn)s1，F(xiàn)s2，…，F(xiàn)sL]（8）

　　式中T為一個(gè)1×2L的行向量。

2 基于支持向量機(jī)的車型識(shí)別

　　支持向量機(jī)（Support Vector Machine，SVM）是一種通過核函數(shù)從低維的線性不可分向高維的線性可分轉(zhuǎn)化，以通過尋求支持向量來確定最優(yōu)分類超平面，以此來進(jìn)行識(shí)別、分類、逼近等的機(jī)器學(xué)習(xí)。

　　設(shè)線性可分的樣本集xi和它的分類yi表示為{（xi，yi）}，xi∈Rd，yi∈{-1，1}，其中，i=1，2，…，n，d是空間維數(shù)。線性判別函數(shù)的一般形式為g（x）=?棕·x+b，分類面方程為：

　　?棕·x+b=0（9）

　　將判別函數(shù)進(jìn)行歸一化，使得所有|g（x）|≥1，使離分類面最近的樣本|g（x）|=1，這樣分類間隔就等于2/‖?棕‖，因此使其間隔最大等價(jià)于使‖?棕‖或‖?棕‖2最??；而要求分類線對(duì)所有樣本正確分類，就是要求它滿足：

　　yi[?棕·xi+b]-1≥0，i=1，2，…，n（10）

　　因此，滿足上述條件且使‖?棕‖2最小的分類面就是最優(yōu)分類面。最優(yōu)分類面問題可以轉(zhuǎn)換為如下的約束問題，在式（10）的約束下，求函數(shù)

　　的最小值，因此可以定義如下的Lagrange函數(shù)：

　　最優(yōu)分類面的權(quán)系數(shù)向量是訓(xùn)練樣本向量的線性組合，且這個(gè)優(yōu)化問題的解還必須滿足：

　　任意一個(gè)支持向量可以用式（12）求得。

　　構(gòu)造最優(yōu)超平面，一般采用滿足Mercer條件的核函數(shù)來代替空間中內(nèi)積的運(yùn)算。此時(shí)優(yōu)化函數(shù)為：

　　其中sgn為符號(hào)函數(shù)，b*為分類閾值。這就是支持向量機(jī)，它能夠把輸入空間數(shù)據(jù)映射到一個(gè)高維特征空間中去，使其線性可分。

　　本文選用支持向量機(jī)（SVM）作為車型識(shí)別算法，選擇不同的內(nèi)積核函數(shù)形成不同的分類算法，常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、RBF（徑向基）核函數(shù)和Sigmoid核函數(shù)，文中選用的是RBF（徑向基）核函數(shù)。

3 測試結(jié)果及分析

　　文中的實(shí)驗(yàn)數(shù)據(jù)來源于美國DARPA SensIT項(xiàng)目組在2001年11月于29CA做的實(shí)驗(yàn)記錄[5]，該數(shù)據(jù)記錄包含兩種不同車輛的數(shù)據(jù)集（這兩種車分別用AAV和DW來表示，AAV為履帶式車，DW為重型輪式車），分別由聲音、震動(dòng)和紅外三種類型的傳感器采集，每種傳感器采樣頻率均為4 960 Hz。本文只采用聲音和震動(dòng)信號(hào)來作為車型識(shí)別的目標(biāo)信號(hào)。

　　圖1、圖2分別給出了AAV車和DW車在行駛時(shí)產(chǎn)生的聲音和震動(dòng)信號(hào)的時(shí)域波形以及對(duì)應(yīng)頻譜。從圖1可以看出，這兩種車型的聲音信號(hào)和震動(dòng)信號(hào)的時(shí)域特征不很明顯，而圖2中頻譜圖顯示，AAV車型聲音信號(hào)能量主要集中在120 Hz左右（圖2（a）），DW車型聲音信號(hào)能量主要集中在零頻處和80 Hz、150 Hz左右處（圖2（b）），能量值相差明顯；對(duì)于震動(dòng)信號(hào)，AAV車型的能量主要在30 Hz和65 Hz附近處（圖2（c）），DW車型的能量主要在0～50 Hz之間（圖2（d）），并且能量值相差較大。這兩種車型的頻譜特征明顯，因此本文從頻譜的角度來分析車輛聲音和震動(dòng)信號(hào)。

　　文中采用有效的聲音和震動(dòng)信號(hào)文件總共542個(gè)，聲音信號(hào)文件和震動(dòng)信號(hào)文件均為271個(gè)。每個(gè)信號(hào)文件的長度為6幀（N=6），每一幀分為30塊（M=30），每一塊包含256個(gè)采樣值（N1=256），由上式（3）~式（8）得出了聲震信號(hào)的融合特征向量為：T=[Fa1，F(xiàn)a2，…，F(xiàn)a90，F(xiàn)s1，F(xiàn)s2，…，F(xiàn)s90]，其中T為1×180的行向量。

　　文中兩種車型總樣本數(shù)為271個(gè)，包含AAV車型樣本數(shù)123個(gè)，DW車型樣本數(shù)148個(gè)，其中182組數(shù)據(jù)作為訓(xùn)練樣本，其余的89組數(shù)據(jù)作為測試樣本。測試樣本中AAV車型的數(shù)目為39，DW車型的數(shù)目為50。表1給出了利用本文算法的識(shí)別結(jié)果，從表1中可以看出，兩種車型的平均識(shí)別率達(dá)到86.52%，表明了本文識(shí)別算法的有效性。

　　為了進(jìn)一步驗(yàn)證本文聲震信號(hào)特征級(jí)融合及BCS特征提取算法的有效性，分別對(duì)單一的聲音信號(hào)和震動(dòng)信號(hào)進(jìn)行了分類識(shí)別，并且與參考文獻(xiàn)[5]中的識(shí)別結(jié)果進(jìn)行了對(duì)比，結(jié)果如表2。

　　由表1、表2可以得出，本文提出的BCS特征提取算法得到的識(shí)別結(jié)果明顯高于參考文獻(xiàn)[5]中的識(shí)別結(jié)果，特征級(jí)融合后具有更高的識(shí)別精度，表明了本文提出的BCS及特征級(jí)融合算法對(duì)于車型識(shí)別是有效的，并且這種特征提取算法同時(shí)適用于聲音和震動(dòng)信號(hào)的分析。

4 結(jié)論

　　本文提出了一種基于車輛聲音和震動(dòng)信號(hào)相融合的車型識(shí)別方法，利用分塊倒譜加和（BCS）算法提取車輛聲音和震動(dòng)信號(hào)的特征，并且在特征級(jí)融合形成融合特征向量，構(gòu)造支持向量機(jī)的分類器對(duì)兩種車型進(jìn)行目標(biāo)識(shí)別，試驗(yàn)結(jié)果表明，基于車輛聲音和震動(dòng)信號(hào)相融合的識(shí)別方法分類效果良好，具有一定的可行性。本文只是對(duì)兩種車型進(jìn)行識(shí)別，在實(shí)際環(huán)境中，多個(gè)目標(biāo)能夠產(chǎn)生聲震信號(hào)，因此多目標(biāo)識(shí)別是未來研究的方向，并且文中只采用一種分類器進(jìn)行目標(biāo)識(shí)別，選用其他的分類器進(jìn)行結(jié)果對(duì)比還需進(jìn)一步研究。

參考文獻(xiàn)

　　[1] 陳俊杰，山寶銀.5.8 GHz電子不停車收費(fèi)技術(shù)綜述[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，38（11）：1675-1681.

　　[2] 華莉琴，許維，王拓，等.采用改進(jìn)的尺度不變特征轉(zhuǎn)換及多視角模型對(duì)車型識(shí)別[J].西安交通大學(xué)學(xué)報(bào)，2013，47（4）：92-99.

　　[3] Chen Zezhi， PEARS N， FREEMAN M. A gaussian mixture model and support vector manchine approach to vehicle type and colour classification[J]. Intelligent Transport Systems，IET，2014，8（2）：135-144.

　　[4] 王雙維，陳強(qiáng)，李江，等.不同車型的車輛聲音與震動(dòng)信號(hào)特征研究[J].聲學(xué)技術(shù)，2007，26（3）：460-463.

　　[5] DUARTE M F， HU Y H. Vehicle classification in distributed sensor networks[J]. Journal of Parallel and Distributed Computing， 2004，64（7）： 826-838.

　　[6] SHARMA N， JAIRATH A K， SINGH B， et al.Detection of various vehicles using wireless seismeic sensor network[C]. 2012 Inernational Conference on Advances in Mobile Network，Communication and its Application（MNCAPPS）.Bangalore：IEEE，2012：149-155.

　　[7] ALJAAFREH A， Liang Dong. An evaluation of feature extraction methods for vehicle classification based on acoustic signals[C]. 2010 International Conference on Networking Sensing and Control（ICNSC）.Chicago，2010：570-575.

　　[8] KANDPAL M， KAKAR V K， VERMA G. Classification of ground vehicles using acoustic signal processing and neural network classifier[C]. International Conference on Signal Processing and Communication（ICSC）.Noida：IEEE，2013：512-518.

　　[9] 張亞東，華春榮，董大偉，等.用維譜結(jié)合小波包能量提取地震動(dòng)信號(hào)特征[J].噪聲與振動(dòng)控制，2014，34（1）：164-168.

　　[10] ANAMI B S， PAGI V B， MAGI S M. Comparative performance analysis of three classifiers for acousic signal-based on recognition of motorcycles using time-and frequency domain features[J]. Intelligent Transport Systems，IET，2012，6（3）：235：242.

　　[11] OZGUNDAZ E， TURKEN H I， SENTURK T， et al. Vehicle identification using acoustic and seismic signals[C]. Signal Processing and Communications Applications Conference（SIU）， 2010 IEEE 18th. Diyarbakir： IEEE，2010：941-944.