基于麥克風(fēng)陣列的聲音識(shí)別與定位算法研究.pdf

1、近年來，隨著城市經(jīng)濟(jì)的飛速發(fā)展，機(jī)動(dòng)車輛增速迅猛，交通噪聲污染日益嚴(yán)重，其中汽車?guó)Q笛聲對(duì)人們的日常生活影響較大并且受到了較多關(guān)注。因此，將基于麥克風(fēng)陣列的聲音識(shí)別和定位研究方法應(yīng)用到交通執(zhí)法系統(tǒng)中，來實(shí)現(xiàn)對(duì)違章鳴笛車輛更加有效的監(jiān)控，是非常有意義的。
　　由于環(huán)境噪聲的影響和系統(tǒng)實(shí)時(shí)性的要求，基于麥克風(fēng)陣列的聲源定位一直以來都是一個(gè)充滿挑戰(zhàn)的研究課題。常用的聲源定位方法大致可分兩類:直接定位方法和間接定位方法?；诘竭_(dá)時(shí)差(Tim

2、e Delay of Arrival，TDOA)的方法就屬于間接定位方法，它通過麥克風(fēng)對(duì)的時(shí)延估計(jì)和陣列的幾何位置關(guān)系實(shí)現(xiàn)聲源定位。直接定位方法則通過對(duì)麥克風(fēng)陣列接收信號(hào)進(jìn)行加權(quán)形成波束，分析和計(jì)算空間譜相關(guān)函數(shù)，并且空間搜索中譜相關(guān)函數(shù)值最大的位置就對(duì)應(yīng)這估計(jì)聲源的位置，例如基于可控波響應(yīng)功率(Steered Response Power，SRP)的方法。本文結(jié)合了直接定位方法和間接定位方法的優(yōu)點(diǎn)，提出一種改進(jìn)的基于SRP的定位算法，

3、在使用隨機(jī)區(qū)域收縮(Stochastic Region Contraction，SRC)方法進(jìn)行SRP空間搜索的同時(shí)，也利用了TDOA的信息。聲源定位之前，需要對(duì)目標(biāo)聲源進(jìn)行有效的識(shí)別。
　　本文以汽車?guó)Q笛聲為目標(biāo)聲源，研究了基于麥克風(fēng)陣列的聲音識(shí)別和定位相關(guān)算法。首先，對(duì)于識(shí)別模塊，結(jié)合鳴笛聲的具體性質(zhì)，本文選取Mel頻譜系數(shù)（Mel Frequency Cepstrum Coefficients，MFCC）特征參數(shù)和其他幾種不

4、同的頻域特征參數(shù)作為輸入，使用反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation NeuralNetwork，BPNN)進(jìn)行識(shí)別，得出結(jié)論是使用MFCC特征對(duì)鳴笛聲信號(hào)的識(shí)別效果相對(duì)更好。
　　其次，對(duì)于定位模塊，本文探討一種基于SRC的改進(jìn)的定位算法，將定位過程簡(jiǎn)化為一個(gè)匹配搜索的模型，它主要包括定位相關(guān)參數(shù)計(jì)算和區(qū)域迭代收縮兩個(gè)部分。參數(shù)計(jì)算包括麥克風(fēng)對(duì)的TDOA估計(jì)，并且對(duì)于給定初始搜索區(qū)域，計(jì)算對(duì)應(yīng)空間格點(diǎn)位置的SRP.值

5、;區(qū)域迭代收縮采用壓縮感知中的正交匹配追蹤(Orthogonal Matching Pursuit，OMP)算法，與SRC相結(jié)合的匹配搜索方法，通過迭代搜索SRP值全局最大位置點(diǎn)，不斷進(jìn)行區(qū)域收縮。最后，當(dāng)區(qū)域收縮到足夠小，或者某項(xiàng)參數(shù)達(dá)到一個(gè)設(shè)定好的閾值，結(jié)束對(duì)目標(biāo)聲音的定位過程。
　　另外，本文通過基于MATLAB平臺(tái)的仿真實(shí)驗(yàn)，和基于AWA6290B多通道信號(hào)采集分析儀的實(shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)，參照相關(guān)的標(biāo)準(zhǔn)，分析和對(duì)比改進(jìn)算法和原