采用DSP及車(chē)輛噪聲信號的車(chē)輛碰撞聲檢測裝置

軟件流程圖中自動(dòng)聲檢測算法的設計是核心部分，下面做重點(diǎn)介紹。由于不同聲波信號的幅頻特性和相頻特性不同，不同聲波信號在各個(gè)頻率段的幅值也存在一定的差異。因此，可利用各個(gè)頻率成分的能量變化來(lái)實(shí)現目標識別。
自動(dòng)聲檢測算法包括聲音信號采集和分幀、特征提取、特征降維、特征分類(lèi)四部分，

其具體實(shí)現步驟如下：

(1)采集和分幀。將采集到的信號按每2s分為一幀，幀與幀之間有1s的交疊。對32k采樣率的芯片來(lái)說(shuō)，即每一次只對2s的片段65536個(gè)點(diǎn)進(jìn)行處理，在訓練階段兩個(gè)片段之間有1／2重復。這樣得到一組數據Datai(1≤i≤65535)。

(2)特征提取。對每一幀信號數據Datai(1≤i≤65535)實(shí)施DWT變換以得到頻域信息，然后根據得到的頻域信息統計能量的分布，以此作為識別交通事故的特征。本算法采用DB1小波，對每一幀信號，先進(jìn)行一層分解，然后高頻系數進(jìn)行兩層完整的分解，低頻系數進(jìn)行10層單向分解得到18組數據。計算得到特征分量F=[E1，E2…E18]，En的計算公式如下：，其中N為Cn的長(cháng)度。
(3)特征降維。對特征提取后的信號量實(shí)現降維。在提取出的特征分量F的基礎上，本算法采用基于主成分分析(PCA)的異常點(diǎn)檢測算法檢測交通事故碰撞聲。原特征F變換后得到公式為，其中H為PCA方法得到的投影矩陣。
(4)特征分類(lèi)。收集正常運行和交通事故時(shí)的車(chē)輛周?chē)曇粜盘枠颖?，并訓練構造分?lèi)器，實(shí)現對行駛過(guò)程中的聲音分類(lèi)。分類(lèi)器擬輸出兩類(lèi)分類(lèi)結果：一類(lèi)為正常運行聲音，另一類(lèi)為重大交通事故的碰撞聲音。判別條件為：

其中為訓練樣本集的特征分量投影。n表示允許偏出給定區間Ii的最大個(gè)數，當n大于某個(gè)閾值時(shí)即為碰撞，反之則不為碰撞。

3 實(shí)驗結果及分析
系統實(shí)驗所采用的實(shí)驗樣本總數為200個(gè)，分為碰撞樣本和非碰撞樣本兩類(lèi)，每類(lèi)都為100個(gè)樣本。碰撞樣本采集于車(chē)輛廠(chǎng)商的碰撞試驗，非碰撞樣本采集于日常常見(jiàn)各類(lèi)聲音信號。其中碰撞樣本的長(cháng)度為10s，包含完整的車(chē)輛碰撞過(guò)程的聲音，并混有剎車(chē)等常見(jiàn)噪聲。非碰撞樣本的長(cháng)度為20s，分為自然環(huán)境類(lèi)、音樂(lè )類(lèi)和語(yǔ)音類(lèi)等幾種聲音。在碰撞樣本中，20個(gè)作為算法的訓練樣本，剩下的80個(gè)用于檢測算法的效果。一般普通聲音的頻譜如圖4 a)所示，而典型的碰撞聲樣本的頻譜如圖4 b)所示。

我們的碰撞聲檢測儀在一個(gè)模擬的環(huán)境下進(jìn)行測試，盡可能地還原真實(shí)場(chǎng)景。使用低失真功放裝置反復對真實(shí)場(chǎng)景中采集到的碰撞信號進(jìn)行實(shí)驗。并和文獻中的實(shí)驗結果進(jìn)行了對比。其中整體成功率是對判斷對的樣本總數和實(shí)驗樣本總數的比值。實(shí)驗結果示于表1。

由實(shí)驗結果可以看出，無(wú)論對碰撞樣本還是非碰撞樣本，實(shí)驗結果都非常準確，這說(shuō)明本算法在設計上較為合理，在較小的干擾下可以達到碰撞聲分類(lèi)的目的，和文獻提到的結果相比，無(wú)論是碰撞樣本還是非碰撞樣本，準確度都有所提升。

4 結束語(yǔ)
利用TMS3205509芯片做信號處理以及TLV320AIC23B做采集芯片的車(chē)輛碰撞報警裝置，體積小、成本低。此裝置使用分幀的方式對聲信號進(jìn)行模式識別計算，以實(shí)現車(chē)輛碰撞的及時(shí)報警。實(shí)驗結果表明，此系統可靠性高、延時(shí)較短、可及時(shí)發(fā)出報警信號。此系統的應用可提高機動(dòng)車(chē)輛駕乘人員的安全系數，從而降低駕乘人員的車(chē)禍傷亡率，具有良好的應用前景。