基于聲信號的運動車輛識別算法研究與實現(xiàn).pdf

1、本文結(jié)合項目基于聲信號的運動車輛識別問題展開研究工作，利用聲音傳感器采集的聲信號的特征實現(xiàn)重型車和輕型車的識別。主要包括目標(biāo)檢測、特征提取和分類器算法的設(shè)計及DSP實現(xiàn)。以下是本文的主要內(nèi)容：
　　(1)對目標(biāo)檢測算法進行了研究。針對目標(biāo)聲信號在傳播時衰減較大，容易受到環(huán)境噪聲的干擾導(dǎo)致識別變得困難問題，利用單元平均恒虛警率(Constant False Alarm Rate,CA-CFAR)技術(shù)控制虛警的同時減少信噪比損失，從而

2、提高了聲信號的檢測性能。本文利用實測數(shù)據(jù)進行了仿真，結(jié)合實際背景選擇了算法參數(shù)，結(jié)果表明信噪比>4dB時，虛警概率pf為25％時，檢測概率pd可以達(dá)到接近90%，可以滿足項目的需求。
　　(2)對聲信號特征提取算法進行了分析。仿真比較了基于FFT、HHT和小波包變換的特征，利用兩種特征選擇方法對小波包特征進行了優(yōu)化，提出了兩種改進的小波包特征：最底層小波包能量特征和優(yōu)化小波包能量特征。結(jié)果表明改進的小波包特征類內(nèi)分散性小，類間分散

3、性大，優(yōu)化小波包能量特征維數(shù)大大少于最底層小波包能量特征，適合用于本文的項目開發(fā)。
　　(3)仿真比較了常用的分類器：KNN分類器、貝葉斯分類器、支持向量機分類器以及模糊分類器，并且利用分層的思想對傳統(tǒng)的模糊分類器進行了改進，解決了傳統(tǒng)算法分類規(guī)則多、效率低的問題。仿真結(jié)果表明：分層的模糊分類器不僅分類識別率高，而且性能穩(wěn)定，魯棒性好，可以適應(yīng)本文的應(yīng)用環(huán)境。
　　(4)為應(yīng)用到具體的運動車輛識別系統(tǒng)，本文主要采用OMAP-