System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于车辆检测领域,具体为一种基于车辆声音信号的车辆分类识别方法。
技术介绍
1、现有的车型分类识别技术通常包括电磁感应线圈车型识别技术、超声波车型识别技术、视频车型识别技术等等。电磁感应线圈车型识别检测技术容易破坏路面,致使线圈长期受到压迫,电磁线圈使用时间得不到保证,同时有几辆车通过相邻车道时有可能漏记。超声波车型识别技术识别范围为锥形,容易受到了限制;识别结果容易受到恶劣天气影响,当遇到狂风暴雨等情况,准确性就会急剧下降甚至于出现错误检测的情况。视频检测车型识别技术存在天气限制、光照限制、拍摄视觉盲区限制等不足,其中天气、光照致使的识别率降低的影响可以通过大量计算来克服。盲区的限制的问题则是无法只通过图像处理技术得到有效解决的。
2、基于车辆声音信号的车辆分类识别技术可以成为车辆的“耳朵”,辅助甚至成为车辆识别系统的一部分,使之加强了对四周环境的感知能力,促使接收信息的系统应变能力更加灵活,建立的感知数据库更加完整,从而降低决策判断的出错概率。只需要简单的采集设备,采集设备大多便于携带和使用,价格便宜;不容易受到环境天气等的影响,在夜间或者雾天,视频图像等检测法难以进行正常工作,而基于声信号的车型分类技术能正常工作;与视频信号相比较,声信号冗余度较小,所以在处理信息的时候可以以更快的速度进行计算,不受视觉盲区范围限制。
技术实现思路
1、本专利技术的目的在于提供一种基于车辆声音信号的车辆分类识别方法,以解决不良环境下对车辆类型分类误差大、检测成本高等问题。
2、实现本专利技术目的的技术方案为:一种基于车辆声音信号的车辆分类识别方法,包括如下步骤:
3、s1:采集若干不同类型车辆声音信号,对车辆声音信号数据进行降噪及预处理,
4、形成训练集;
5、s2:利用训练集对车辆类别识别模型进行训练,所述车辆类别识别模型采用轻量级网络mobilenetv3-small;
6、s3:将实时采集的声音信号按照s1的方法进行降噪及预处理后输入训练好的车辆类别识别模型进行预测,获得车辆类型结果。
7、优选地,利用谱减法对车辆声音信号数据进行降噪,降噪后的纯语音谱如下所示:
8、
9、其中,xi(w)是降噪后的语音信号谱,|yi(w)|是噪声信号的幅度谱,为yi(n)的相位谱,φyi(w)为带噪语音的相位,为估计的噪声的幅度谱,w代表采样频率。
10、优选地,对车辆声音信号数据进行预处理的具体方法为:
11、利用声音特征,把降噪处理后的声音信号数据切割处理,把数据切割成设定时常的声信号;
12、将样本信号分割成短帧;
13、对短帧的每一帧信号进行离散域的傅里叶变换;
14、将离散域的傅里叶变换结果的对数根据时间序列转换为二维频谱图,并对二维频谱图对应的车辆类型进行标记构成训练集。
15、优选地,对短帧的每一帧信号进行离散域的傅里叶变换的具体公式为:
16、
17、其中,s(n)表示经过采样后的时域信号,n为时域的采样点,n代表时域中总的采样点个数,u频域的采样点,j代表虚数,f(u)为频域采样点所对应的频域信号强度。
18、优选地,轻量级网络mobilenetv3-small采用通道注意力模块替换压缩-激励注意力模块,采用eca注意力机制替换瓶颈结构中的se注意力机制。
19、优选地,所述通道注意力模块中一维卷积的核大小参数k确定方法为:
20、
21、其中,γ和b是超参数,c是特征图通道数。
22、优选地,轻量级网络mobilenetv3-small对输入图像的处理过程具体为:
23、二维频谱图通过一个含有16个3×3卷积核的标准卷积层,使用h-swish激活函数进行激活;
24、激活后的特征图被送入11个block单元中;所述block单元包括3个使用3×3卷积核的块和8个使用5×5卷积核的块构成;对第一个3×3卷积核和所有的5×5卷积核引入eca注意力机制;
25、经过11个block单元处理后得到的特征图通过1×1卷积核进行处理,通过一个全局平均池化层将每个特征通道的空间信息压缩为一个数值;再将其送入全连接层并通过softmax激活函数输出模型预测到各类别的概率。
26、本专利技术与现有技术相比,其显著优点为:本专利技术能够有效地通过车辆声音信号分类识别出车辆类型,该模型的检测准确率由94.5%增加到95.5%,模型推理时间由41.68fps提升到47.57,提高了模型训练和推理的效率,并且模型的体积和检测速度上都有了不同程度的优化,能够较好地应用于不同的车辆分类识别终端,实现低成本、高效率的车型分类识别检测。
本文档来自技高网...【技术保护点】
1.一种基于车辆声音信号的车辆分类识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于车辆声音信号的车辆分类识别方法,其特征在于,利用谱减法对车辆声音信号数据进行降噪,降噪后的纯语音谱如下所示:
3.根据权利要求1所述的基于车辆声音信号的车辆分类识别方法,其特征在于,对车辆声音信号数据进行预处理的具体方法为:
4.根据权利要求3所述的基于车辆声音信号的车辆分类识别方法,其特征在于,对短帧的每一帧信号进行离散域的傅里叶变换的具体公式为:
5.根据权利要求1所述的基于车辆声音信号的车辆分类识别方法,其特征在于,轻量级网络MobileNetv3-small采用通道注意力模块替换压缩-激励注意力模块,采用ECA注意力机制替换瓶颈结构中的SE注意力机制。
6.根据权利要求5所述的基于车辆声音信号的车辆分类识别方法,其特征在于,所述通道注意力模块中一维卷积的核大小参数k确定方法为:
7.根据权利要求1所述的基于车辆声音信号的车辆分类识别方法,其特征在于,轻量级网络MobileNetv3-small对输入图像
...【技术特征摘要】
1.一种基于车辆声音信号的车辆分类识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于车辆声音信号的车辆分类识别方法,其特征在于,利用谱减法对车辆声音信号数据进行降噪,降噪后的纯语音谱如下所示:
3.根据权利要求1所述的基于车辆声音信号的车辆分类识别方法,其特征在于,对车辆声音信号数据进行预处理的具体方法为:
4.根据权利要求3所述的基于车辆声音信号的车辆分类识别方法,其特征在于,对短帧的每一帧信号进行离散域的傅里叶变换的具体公式为:
5....
【专利技术属性】
技术研发人员:郭唐仪,程效南,李健,宋杰龙,陈新,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。