本文關(guān)鍵詞：基于CELMDAN的公共場所異常聲音特征提取方法，，由筆耕文化傳播整理發(fā)布。

【摘要】：目前公共場所安全監(jiān)控主要以視頻監(jiān)控為主,但視頻監(jiān)控因天氣或遮擋原因存在監(jiān)控盲區(qū)。異常事件發(fā)生時產(chǎn)生的異常聲音,包含異常事件大量的相關(guān)信息,因此音頻監(jiān)控可以作為視頻監(jiān)控的合理補(bǔ)充,這已經(jīng)成為公共安全監(jiān)控領(lǐng)域研究的發(fā)展方向。現(xiàn)有的音頻監(jiān)控系統(tǒng)僅為簡單的聲音采集、傳輸?shù)?缺乏對異常聲音的有效識別,原因是音頻監(jiān)控核心理論及技術(shù)沒有得到突破。本課題涉及的公共場所異常聲音特征提取是音頻監(jiān)控智能化的核心技術(shù)。因此,對本課題的研究具有重要的社會意義及研究價值。公共場所異常聲音特征提取方法大多采用語音信號處理的典型參數(shù)或幾種參數(shù)的組合,如短時過零率、短時平均能量、梅爾頻率倒譜系數(shù)(Mel-Frequency Cepstrum Coefficient,MFCC)等,在一定范圍取得較好的效果。但是由于異常聲音信號的特殊性,上述參數(shù)提取特征的效果有很大局限。近年來出現(xiàn)的局部均值分解(Local Mean Decomposition,LMD),是處理非線性、非平穩(wěn)信號的較好方法,目前已成功的應(yīng)用于機(jī)械故障診斷、腦電波分析、地震信號分析等領(lǐng)域。為此,本文首先根據(jù)公共場所異常聲音的特性,對LMD存在的端點效應(yīng)及分解耗時問題開展理論分析,提出相關(guān)改進(jìn)措施;其次,提出自適應(yīng)加噪,通過引入噪聲來緩解LMD的模態(tài)混疊問題,并提出一種用于公共場所異常聲音特征提取的自適應(yīng)噪聲的完備總體局部均值分解(Complete Ensemble Local Mean Decomposition with Adaptive Noise,CELMDAN)方法。通過相關(guān)驗證實驗表明,相比于傳統(tǒng)的MFCC及其它時頻分析方法,本文提出方法有更好的特征提取能力,對爆炸聲、尖叫聲、槍聲和玻璃破碎聲等四類異常聲音的識別率也更高。本文開展的主要工作如下:(1)對LMD的端點效應(yīng)及分解耗時問題進(jìn)行理論研究,提出相關(guān)改進(jìn)方法。1)公共場所異常聲音信號具有極值點間距較小且分布緊密的特點,通常由于端點檢測等預(yù)處理操作,異常聲音信號的端點不是極值點,而LMD直接以端點值作為極值的處理方式是不合理的,其結(jié)果是生成的乘積函數(shù)(Product Function,PF)分量在兩端出現(xiàn)虛假成分,隨著分解過程的進(jìn)行,這種失真現(xiàn)象從信號兩端蔓延到中間,造成分解結(jié)果失真,即端點效應(yīng)問題。為此,本文提出一種邊界處理方法,準(zhǔn)確估計待分解信號端點處的極值信息,從源頭上避免由于該位置極值信息失真而造成分解結(jié)果出現(xiàn)端點效應(yīng)。本文在模擬信號上進(jìn)行的實驗表明,提出方法是有效的。2)公共場所異常聲音信號具有上下波動頻繁、局部信息豐富的特點,而LMD的滑動平均過程不僅耗時而且易造成信號的某些局部信息損失。為此,本文采用線性插值過程代替LMD的滑動平均過程,在保證信息完整性的同時降低運算量。此外,異常聲音信號持續(xù)時間較長且主要信息包含在高頻部分,而LMD方法的乘積函數(shù)PF分量階數(shù)及篩選次數(shù)不確定都會造成分解耗時,同時也會影響分解效果。為此,本文通過LMD大量分解結(jié)果的統(tǒng)計分析,解決PF分量階數(shù)不確定的問題,并將分解結(jié)果作為篩選次數(shù)的反饋評估,選擇與最佳分解結(jié)果對應(yīng)的篩選次數(shù),在減小LMD分解耗時的同時避免過篩選和欠篩選現(xiàn)象。最后,本文分別對模擬信號和異常聲音信號進(jìn)行分解實驗,驗證了本文方法的有效性。(2)提出基于CELMDAN的公共場所異常聲音特征提取方法。1)公共場所異常聲音信號頻率成分復(fù)雜,而LMD的模態(tài)混疊問題會影響其特征提取效果。現(xiàn)有總體局部均值分解(Ensemble Local Mean Decomposition,ELMD)方法雖能有效緩解模態(tài)混疊,但存在重構(gòu)誤差大、分量摻雜噪聲信息等新問題。為此,本文借鑒ELMD的基本思路,結(jié)合(1)對LMD端點效應(yīng)及分解耗時問題的改進(jìn),提出CELMDAN方法。該方法的特點是引入分解嵌套思想,在加噪的第i輪環(huán)節(jié)中,在余項基礎(chǔ)上疊加高斯噪聲的第(i-1)階PF分量,然后通過LMD分解得到該混合信號的第一階PF分量,如此重復(fù)多次,取平均作為本方法的第i階分量。本文從理論上證明提出方法是完備的,分解所得分量重構(gòu)原信號的誤差為零。2)為了驗證提出CELMDAN方法的有效性,本文分別對模擬信號和公共場所典型異常聲音進(jìn)行特征提取及識別實驗。模擬信號的實驗結(jié)果表明,本文提出方法可以有效解決端點效應(yīng)、模態(tài)混疊等問題,保證較理想的分解效果,并且重構(gòu)誤差的數(shù)量級遠(yuǎn)小于ELMD。對公共場所異常聲音數(shù)據(jù)庫的特征提取及識別實驗結(jié)果表明,本文提出方法較MFCC及其它時頻分析方法具有更好的特征描述能力。(3)根據(jù)提出方法,本文設(shè)計并實現(xiàn)公共場所異常聲音檢測與識別演示系統(tǒng)。包括合成測試序列、對異常聲音的端點檢測及識別、顯示輸出識別結(jié)果等多項功能。
【關(guān)鍵詞】：公共場所異常聲音 特征提取 局部均值分解 端點效應(yīng) 分解耗時
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN948.6
【目錄】：

• 中文摘要3-5
• 英文摘要5-10
• 1 緒論10-18
• 1.1 課題研究背景及意義10-11
• 1.2 課題的研究現(xiàn)狀及發(fā)展趨勢11-14
• 1.3 課題的研究難點14-15
• 1.4 論文的主要研究內(nèi)容15-16
• 1.5 論文的組織安排16-18
• 2 異常聲音特征提取方法18-36
• 2.1 引言18
• 2.2 語音信號分析方法用于異常聲音特征提取18-26
• 2.2.1 時域特征參數(shù)18-22
• 2.2.2 頻域特征參數(shù)22-25
• 2.2.3 梅爾頻率倒譜系數(shù)25-26
• 2.3 非語音信號分析方法用于異常聲音特征提取26-34
• 2.3.1 經(jīng)驗?zāi)B(tài)分解26-29
• 2.3.2 局部均值分解29-32
• 2.3.3 極點對稱模態(tài)分解32-34
• 2.4 本章小結(jié)34-36
• 3 改進(jìn)的局部均值分解方法36-52
• 3.1 引言36
• 3.2 改進(jìn)的LMD緩解端點效應(yīng)36-38
• 3.2.1 理論分析36-37
• 3.2.2 實驗結(jié)果與分析37-38
• 3.3 改進(jìn)的LMD減小分解耗時38-51
• 3.3.1 改進(jìn)的LMD減小滑動平均過程導(dǎo)致的分解耗時39-46
• 3.3.2 改進(jìn)的LMD減小分量階數(shù)及篩選次數(shù)不確定導(dǎo)致的分解耗時46-51
• 3.4 本章小結(jié)51-52
• 4 基于CELMDAN的公共場所異常聲音特征提取方法研究52-70
• 4.1 引言52
• 4.2 基于CELMDAN的公共場所異常聲音特征提取方法52-61
• 4.2.1 ELMD方法的原理分析52-53
• 4.2.2 提出的CELMDAN原理及方法53-59
• 4.2.3 公共場所異常聲音特征提取及識別59-61
• 4.3 實驗結(jié)果與分析61-66
• 4.3.1 預(yù)處理實驗61-62
• 4.3.2 無噪聲環(huán)境下的對比實驗62-64
• 4.3.3 噪聲環(huán)境下的對比實驗64-66
• 4.4 異常聲音檢測與識別演示系統(tǒng)設(shè)計66-69
• 4.5 本章小結(jié)69-70
• 5 總結(jié)展望70-72
• 5.1 工作總結(jié)70-71
• 5.2 工作展望71-72
• 致謝72-74
• 參考文獻(xiàn)74-78
• 附錄78
• A. 作者在攻讀學(xué)位期間參加的科研項目78

【相似文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 彭書勇;基于CELMDAN的公共場所異常聲音特征提取方法[D];重慶大學(xué);2016年

  本文關(guān)鍵詞：基于CELMDAN的公共場所異常聲音特征提取方法，由筆耕文化傳播整理發(fā)布。

本文編號：459147