焦琴琴，牛力瑤，孫壯文

　?。ㄩL安大學 信息工程學院，陜西 西安 710064）

　　摘  要： 車型識別技術是智能運輸系統的核心。針對目前車型識別方法的不足，提出了一種基于車輛聲音和震動信號相融合的車型識別方法。用BCS算法提取聲震信號的特征，并在特征級融合形成特征向量，以此作為訓練樣本對支持向量機的分類器進行訓練。對兩種車型的聲音和震動數據進行處理的結果表明，基于特征級融合的聲震信號能夠準確識別不同的車型，識別準確率達到86%以上，是一種有效的車型識別方法。

　　關鍵詞： 車型識別；聲震信號；特征融合；支持向量機

　　0 引言

　　近年來，交通擁擠和阻塞問題越發嚴重，現代化智能交通系統的應用成為解決交通問題的重要手段，交通管理系統是智能交通系統的核心，而車型的自動識別技術是智能交通管理系統的關鍵技術之一。國內外關于車型識別技術已經做了大量的研究，主要的方法有電子標簽識別法、電磁感應線圈識別法、紅外探測法、車牌識別法[1]和基于視頻圖像的車型識別[2-3]，這些方法均因其自身的不足使其應用受到了限制。不同車型在行駛時其產生的震動和聲音信號具有一定的差異[4]，而且利用震動與聲音信號的車型識別是一種被動識別技術，其具有成本低、運算速度快等優點，因此，基于車輛聲音和震動信號的車型識別近些年成為國內外研究的熱點。

　　Marco等應用FFT的方法提取車輛聲震信號的特征，并且采用決策級進行融合來對車型進行識別[5]；Navdeep等應用頻譜統計和小波系數特征的算法，在時域和時頻域分析震動信號[6]；Ahmad等在時頻域采用了短時傅立葉變換和功率譜能量的方法提取車輛聲音信號的特征，并以支持向量機的分類器進行目標分類[7]；Manisha等應用傅立葉變換和時域波形相結合的方法對車輛聲信號進行分析，構建神經網絡分類器分類識別，并且用融合矩陣對結果作融合處理[8]；張亞東等提出了一種將維譜結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信號中的高斯白噪聲或有色噪聲，構建以維譜和小波包能量譜作為震動信號的聯合特征向量，并建立以訓練誤差為目標的BP神經網絡模式分類器識別車型[9]；Anami等分別在時域和頻域分析車輛聲信號，并且比較使用三種不同分類器的目標識別結果[10]；Ozgundaz等采用梅爾倒譜系數算法提取聲震信號的特征，并應用支持向量機的分類器對不同車型分類[11]。但是，上述方法大部分都只是采用單一信號作為目標識別信號，或只是在決策級進行了結果融合。由于單一信號容易受到天氣、環境、噪聲等外界條件因素的影響，不能完全代表車輛信號的特征，并且決策級融合容易損失大量的信息，因此識別能力差。

　　針對現有車型識別方法的不足，本文提出了一種基于車輛聲音和震動信號相融合的車型識別方法。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和震動信號的特征向量，然后進行特征級融合形成融合特征向量，最后應用支持向量機（Support Vector Machine，SVM）分類器進行目標識別。本文以美國DARPA SensIT項目組記錄的實際數據來進行驗證。實驗結果表明，該方法用于車型識別的準確率可以達到86%以上。

1 聲震信號特征提取BCS算法

　　由于聲音信號和震動信號在時域上的變化非?？?，呈現一定的非平穩性，而且通常情況下不同車型的聲音和震動信號在時域特征區別不是很明顯，因此，本文基于信號的頻譜分析，提出一種基于分幀、分塊思想的BCS算法提取信號的特征。具體的特征提取算法描述如下：

　　（1）設某一個聲音信號樣本文件為xa，對聲音信號進行分幀，每一個信號文件分為N幀，則有：

　　xa={xa1，xa2，…，xaN}（1）

　　其中xai表示每一幀的信號，i=1，2，…，N。

　　（2）對每一幀信號進行分塊，每一幀分為M塊。每塊的信號長度為N1，對于任意的信號xai，有：

　　xai={xai1，xai2，…，xaiM}（2）

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

　　（3）運用FFT求每一塊信號的頻譜幅值。設Xaij[k]為信號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值，其中，i=1，2，…，N；j=1，2，…，M；n=1，2，…，N1；k=1，2，…，N1。

　　（4）計算塊能量值，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。

　?。?）根據式（4）計算聲音信號文件N幀的能量值，設Ta為信號文件的能量值，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。

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

　　Taf=[Fa1，Fa2，Fa3，…，FaL]（6）

　　式中Taf為一個聲音信號樣本的特征向量。

　　（7）由上述步驟可以求出震動信號的特征向量，設Tsf為一個震動信號樣本的特征向量，則：

　　Tsf=[Fs1，Fs2，Fs3，…，FsL]（7）

　　式中Tsf為一個震動信號樣本的特征向量。

　?。?）設T為聲音信號和震動信號的融合特征向量，則有：

　　T=[Taf，Tsf]

　　即：T=[Fa1，Fa2，…，FaL，Fs1，Fs2，…，FsL]（8）

　　式中T為一個1×2L的行向量。

2 基于支持向量機的車型識別

　　支持向量機（Support Vector Machine，SVM）是一種通過核函數從低維的線性不可分向高維的線性可分轉化，以通過尋求支持向量來確定最優分類超平面，以此來進行識別、分類、逼近等的機器學習。

　　設線性可分的樣本集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。線性判別函數的一般形式為g（x）=?棕·x+b，分類面方程為：

　　?棕·x+b=0（9）

　　將判別函數進行歸一化，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于使‖?棕‖或‖?棕‖2最??；而要求分類線對所有樣本正確分類，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分類面。最優分類面問題可以轉換為如下的約束問題，在式（10）的約束下，求函數

　　的最小值，因此可以定義如下的Lagrange函數：

　　最優分類面的權系數向量是訓練樣本向量的線性組合，且這個優化問題的解還必須滿足：

　　任意一個支持向量可以用式（12）求得。

　　構造最優超平面，一般采用滿足Mercer條件的核函數來代替空間中內積的運算。此時優化函數為：

　　其中sgn為符號函數，b*為分類閾值。這就是支持向量機，它能夠把輸入空間數據映射到一個高維特征空間中去，使其線性可分。

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

3 測試結果及分析

　　文中的實驗數據來源于美國DARPA SensIT項目組在2001年11月于29CA做的實驗記錄[5]，該數據記錄包含兩種不同車輛的數據集（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信號來作為車型識別的目標信號。

　　圖1、圖2分別給出了AAV車和DW車在行駛時產生的聲音和震動信號的時域波形以及對應頻譜。從圖1可以看出，這兩種車型的聲音信號和震動信號的時域特征不很明顯，而圖2中頻譜圖顯示，AAV車型聲音信號能量主要集中在120 Hz左右（圖2（a）），DW車型聲音信號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；對于震動信號，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信號。

　　文中采用有效的聲音和震動信號文件總共542個，聲音信號文件和震動信號文件均為271個。每個信號文件的長度為6幀（N=6），每一幀分為30塊（M=30），每一塊包含256個采樣值（N1=256），由上式（3）~式（8）得出了聲震信號的融合特征向量為：T=[Fa1，Fa2，…，Fa90，Fs1，Fs2，…，Fs90]，其中T為1×180的行向量。

　　文中兩種車型總樣本數為271個，包含AAV車型樣本數123個，DW車型樣本數148個，其中182組數據作為訓練樣本，其余的89組數據作為測試樣本。測試樣本中AAV車型的數目為39，DW車型的數目為50。表1給出了利用本文算法的識別結果，從表1中可以看出，兩種車型的平均識別率達到86.52%，表明了本文識別算法的有效性。

　　為了進一步驗證本文聲震信號特征級融合及BCS特征提取算法的有效性，分別對單一的聲音信號和震動信號進行了分類識別，并且與參考文獻[5]中的識別結果進行了對比，結果如表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別結果明顯高于參考文獻[5]中的識別結果，特征級融合后具有更高的識別精度，表明了本文提出的BCS及特征級融合算法對于車型識別是有效的，并且這種特征提取算法同時適用于聲音和震動信號的分析。

4 結論

　　本文提出了一種基于車輛聲音和震動信號相融合的車型識別方法，利用分塊倒譜加和（BCS）算法提取車輛聲音和震動信號的特征，并且在特征級融合形成融合特征向量，構造支持向量機的分類器對兩種車型進行目標識別，試驗結果表明，基于車輛聲音和震動信號相融合的識別方法分類效果良好，具有一定的可行性。本文只是對兩種車型進行識別，在實際環境中，多個目標能夠產生聲震信號，因此多目標識別是未來研究的方向，并且文中只采用一種分類器進行目標識別，選用其他的分類器進行結果對比還需進一步研究。

參考文獻

　　[1] 陳俊杰，山寶銀.5.8 GHz電子不停車收費技術綜述[J].同濟大學學報（自然科學版），2010，38（11）：1675-1681.

　　[2] 華莉琴，許維，王拓，等.采用改進的尺度不變特征轉換及多視角模型對車型識別[J].西安交通大學學報，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，李江，等.不同車型的車輛聲音與震動信號特征研究[J].聲學技術，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.用維譜結合小波包能量提取地震動信號特征[J].噪聲與振動控制，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.