一种低信噪比异常声音信号的检测系统及检测方法技术方案

本发明专利技术公开了一种低信噪比异常声音信号的检测系统及检测方法，检测方法选取声音的时频域能量特征，对待检测信号分帧处理后计算相对于目标信号的能量增值，对多帧结果融合后进行中值滤波，引入软阈值处理方式来进行预警判断；检测系统主要包括检测单元和上位机软件，利用异常声音特征库可以实现多种目标的选择性检测，依靠互联网通信，可以实现与背景无关联的实时性检测和预警。该系统设计可以有效地在低信噪比环境下对异常目标声音进行检测并给出及时的预警判断，可以满足实际应用的实时性要求。

Detection system and detection method of abnormal sound signal with low signal to noise ratio

The invention discloses a low SNR detection system and detection method of abnormal sound signal, detection methods of sound energy frequency characteristics, the calculation to detect signal frames after treatment with respect to the target signal energy value of multi frame fusion results by median filter, the introduction of soft threshold approach to early warning judge; detection system includes a detection unit and PC software, you can achieve a variety of goals by selective detection of abnormal sound feature library, rely on the Internet communication, can realize real-time detection is not associated with a background measurement and early warning. The design of the system can effectively detect the abnormal target sound in the low SNR environment and give timely warning judgment, which can meet the real-time requirements of practical applications.

【技术实现步骤摘要】
一种低信噪比异常声音信号的检测系统及检测方法
本专利技术涉及计算机音频处理领域，具体涉及一种低信噪比异常声音信号的检测系统及检测方法。
技术介绍
声音信号是人类最熟悉的承载信息的信号之一，随着信息技术和多媒体技术的发展，开展机器对声音的感知和理解研究越来越受到重视。目前，计算机对音频的检测和识别技术在工业控制、医疗护理、军事国防等各个领域都有着广泛的应用。特别是异常声音信号往往预示着异常事件发生，如：尖叫声、爆炸声等，而声音检测手段有着不易受环境因素影响、特征稳定等其他检测手段无法比拟的优势。因此，声音信号检测已经成为了公共安全监控智能化发展的一个重要组成部分，近年来引起了学者们的广泛研究。目前，对声音信号的研究主要分为语音和非语音。非语音信号能够更多地传达声源特性和环境特征，对计算机更深刻地认识环境有着重要的作用，而异常声音的检测就属于非语音信号的研究范畴，即通过对一段连续的声音信号进行特征提取、分析，从而检测出是否含有异常声音信号。现阶段对非语音信号的检测研究主体可以分为两个方面：基于特征的检测方法和基于模型的检测方法。基于特征的检测方法依据特征提取所基于的时间单元长度可以分为短时特征和长时特征，如；爆炸声和无人机入侵的声音特征就分属短时特征和长时特征。不同的异常声音其声学特征存在很大的差异，现在常用的一些时域特征有短时能量、过零率、振幅等，但是由于计算过程简单，仅仅适用于单一环境等问题使得时域特征一般不单独使用；频域特征有频谱分布、基频、梅尔倒谱系数、线性预测倒谱系数等，这些频域特征在实际检测中表现出很好的鲁棒性；在声音检测中，还有一类时频域特征能够综合时域和频域特性，典型的如短时傅里叶变换、小波变换等，小波变换能够对信号的时域和频域同时做局部变换，从而有效地从信号中提取时-频信息，而且其正交性和多尺度分析的特性也非常适合于处理非平稳信号，现已经广泛应用于声音信号处理领域。这类方法都是从不同的分析角度寻找声音信号中的特征信息从而通过特征比较实现对不同声音信号的区分。例如：A.Averbuch等利用小波包系数块之间的能量分布来检测噪声环境下的车辆是否到达。基于模型的检测方法大多是从机器学习中已成熟的模型提出的，这类方法都需要比较准确且大量的训练数据，常用的有基于隐马尔科夫模型的方法、基于支持向量机的识别方法和基于高斯混合模型的方法等。例如：Clavel等利用高斯混合模型来检测识别噪声环境中的枪声；S.Ntalampiras等针对地铁环境中的尖叫、爆炸、枪击等异常声音，使用隐马尔科夫模型(HMM)来检测异常声音在不同信噪比下的情况。研究者们对声音检测技术的研究已经提出了许多特征选择和分析的方法，但目前对声音检测的应用案例大多是在小规模简单环境中进行，如会议室、家庭等，待检测目标声音信噪比较高；基于模型的检测方法，其需要大量的样本数据训练模型，计算复杂度高；并且大部分的研究方法都采用的是声音信号的短时特征，然而对于一些持续时间长的声音信号，长时信息对检测更为有利。当实际需要在非平稳的背景环境下，对信噪比很低的异常声音进行实时检测时，现有声音信号检测方法都很难达到预期效果。
技术实现思路
本专利技术的目的在于克服上述不足，提供一种低信噪比异常声音信号的检测系统及检测方法，实现在低信噪比环境和复杂信号背景下对异常声音信号进行实时性检测。为了达到上述目的，一种低信噪比异常声音信号的检测系统，包括置于待测环境中的检测单元，检测单元连接异常声音特征库，检测单元和异常声音特征库均连接上位机控制模块；所述检测单元用于接收上位机控制指令后执行相应功能，运行检测算法，对待检测环境声音进行采集、检测并上传结果；所述异常声音特征库用于储存多种待检测的目标声音的声学特征模板，为检测过程提供比较数据；所述上位机控制模块用于对检测单元的通信控制；对检测结果进行分析、显示和预警，并且对检测单元上的检测程序进行远程维护和更新。所述检测单元包括声音传感器、放大器、数据采集卡和嵌入式处理器。所述检测单元通过互联网与上位机控制模块进行通信。一种低信噪比异常声音信号的检测系统的检测方法，包括以下步骤：步骤一，提取声音信号在时频域的能量特征，并依据实际环境因素对其进行修正；步骤二，对待检测信号进行分帧化处理；步骤三，对分帧后的待检测信号做小波包变换，将小波包系数矩阵按每帧中的分段来计算子带能量，从而得到每帧数据的特征矩阵；步骤四，通过待检测信号特征矩阵依次求取每段信号相比目标信号的能量增值，组合得到此帧信号的能量增值向量；步骤五，采用取平均的方式对多帧数据的能量增值向量做融合，得到最终的检测结果序列{di}；步骤六，依据设置的平稳时长对此阶段的检测结果序列{di}进行中值滤波，以中值滤波结果的最大值来修正预定阈值；步骤七，对检测结果序列{di}进行中值滤波，产生稍滞后的确认序列{qi}，确认序列{qi}滞后的时间等于滤波窗口长度的一半；步骤八，依据确认序列{qi}和修正后的阈值来计算产生预警结果序列{ai}。所述步骤一中，首先利用小波包分解的方式提取目标声音信号的声学特征，用向量t表示；其次，根据声音在空气中的传播衰减特性对目标特征t进行修正，得到然后，利用带通滤波器滤除超低频和超高频部分的干扰噪声，即将中该部分频率所对应的特征值置为0，得到最后，重新对特征向量归一化，得到目标信号的声学特征ts。所述步骤二中，检测窗口帧长度为test_win_n，每帧分为ts_n片段，每段长度为segment_n。所述步骤三中，待检测帧数据做小波包分解，得到小波包系数矩阵Srow×col；然后，将系数矩阵Srow×col按段计算子带能量特征，得到每帧数据的特征矩阵所述步骤四中，计算待检测信号特征相对于目标信号特征ts的能量增值Ets_n。与现有技术相比，本专利技术通过三个模块组成一个完整的检测系统，检测单元可以根据需要在实际检测现场进行网络化布设，使用上位机软件进行联网集中设置；异常声音特征库可以提供多种目标声音的特征模板，针对不同目标可以实现不同的应用目的，从而提高了检测系统的通用性。本专利技术的方法可以实现在低信噪比背景环境下对异常声音信号的检测，对检测结果进行了软阈值处理，根据检测结果序列就可以判断待检测声音信号中是否有目标声音发生以及确定目标声音的发生时间。并且依据检测结果给出一个稍滞后的预警序列，从而可以满足在实际应用中对实时性的要求。附图说明图1是本专利技术的功能原理图；图2是小波包分解示意图；图3是信号分帧化处理示意图；图4是声音A和声音B的混合信号A+B，其子带分量特征分布示意图；图5是检测帧窗口滑动示意图；图6是本检测系统的框架示意图；图7是上位机软件界面示意图；图8是不同信噪比下的检测预警示意图；其中a为-10dB、b为-15dB、c为-20dB、d为-25dB。具体实施方式下面结合附图对本专利技术做进一步说明。参见图1，本专利技术的检测方法部分通过如下方法实现：(1)目标信号声学特征提取。声音信号是一种模拟信号，从信号本身很难发现有用特征，所以该步骤目的是为了提取声音信号在时频域的能量特征，并依据实际环境因素对其进行修正，供后续检测过程比对使用。已知一段待检测目标声音的样本信号，是本方法后续检测实现的基础。实际检测中遇到的声音信号大多都是非平稳的，特别是本文档来自技高网...

【技术保护点】
一种低信噪比异常声音信号的检测系统，其特征在于，包括置于待测环境中的检测单元，检测单元连接异常声音特征库，检测单元和异常声音特征库均连接上位机控制模块；所述检测单元用于接收上位机控制指令后执行相应功能，运行检测算法，对待检测环境声音进行采集、检测并上传结果；所述异常声音特征库用于储存多种待检测的目标声音的声学特征模板，为检测过程提供比较数据；所述上位机控制模块用于对检测单元的通信控制；对检测结果进行分析、显示和预警，并且对检测单元上的检测程序进行远程维护和更新。

【技术特征摘要】
1.一种低信噪比异常声音信号的检测系统，其特征在于，包括置于待测环境中的检测单元，检测单元连接异常声音特征库，检测单元和异常声音特征库均连接上位机控制模块；所述检测单元用于接收上位机控制指令后执行相应功能，运行检测算法，对待检测环境声音进行采集、检测并上传结果；所述异常声音特征库用于储存多种待检测的目标声音的声学特征模板，为检测过程提供比较数据；所述上位机控制模块用于对检测单元的通信控制；对检测结果进行分析、显示和预警，并且对检测单元上的检测程序进行远程维护和更新。2.根据权利要求1所述的一种低信噪比异常声音信号的检测系统，其特征在于，所述检测单元包括声音传感器、放大器、数据采集卡和嵌入式处理器。3.根据权利要求1所述的一种低信噪比异常声音信号的检测系统，其特征在于，所述检测单元通过互联网与上位机控制模块进行通信。4.权利要求1所述的一种低信噪比异常声音信号的检测系统的检测方法，其特征在于，包括以下步骤：步骤一，提取声音信号在时频域的能量特征，并依据实际环境因素对其进行修正；步骤二，对待检测信号进行分帧化处理；步骤三，对分帧后的待检测信号做小波包变换，将小波包系数矩阵按每帧中的分段来计算子带能量，从而得到每帧数据的特征矩阵；步骤四，通过待检测信号特征矩阵依次求取每段信号相比目标信号的能量增值，组合得到此帧信号的能量增值向量；步骤五，采用取平均的方式对多帧数据的能量增值向量做融合，得到最终的检测结果序列{di}；步骤六，依据设...

【专利技术属性】
技术研发人员：冯祖仁，李鹏，梁恺，周庆，李长通，韩玉，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61