基于DTW与HMM证据融合的特种车鸣笛声识别方法

摘要

本发明公开了一种基于DTW与HMM证据融合的特种车鸣笛声识别方法，包括以下步骤：步骤1：建立车辆鸣笛声样本库；步骤2：预处理步骤；步骤3：车辆鸣笛声特征参数提取及降维处理；步骤4：基于证据融合的特种车鸣笛声识别；分别采用DTW算法和HMM算法得到DTW识别结果和HMM识别结果；若DTW识别结果和HMM识别结果一致，则最终的识别结果与DTW识别结果或HMM识别结果保持一致；若DTW识别结果和HMM识别结果不一致，则进行DS证据理论的识别决策推理，决策输出最终的识别结果。该基于DTW与HMM证据融合的特种车鸣笛声识别方法采用融合识别技术，识别率高。

主权项

一种基于DTW与HMM证据融合的特种车鸣笛声识别方法，其特征在于，包括以下步骤：步骤1：建立车辆鸣笛声样本库；车辆鸣笛声包括警车、消防车、救护车和普通汽车的鸣笛声；从现场采集车辆鸣笛声或从影视资料中截取车辆鸣笛声，形成车辆鸣笛声样本库；样本库中存储的内容均为音频信号；步骤2：预处理步骤；对当前采集的汽车鸣笛声进行预加重处理、分帧加窗处理，然后进行端点检测，以分解出汽车鸣笛声每个声段；步骤3：车辆鸣笛声特征参数提取及降维处理；提取经过预处理后的汽车鸣笛声中的特征参数，并对该特征参数进行降维处理；步骤4：基于证据融合的特种车鸣笛声识别；分别采用DTW算法和HMM算法得到DTW识别结果和HMM识别结果；若DTW识别结果和HMM识别结果一致，则最终的识别结果与DTW识别结果或HMM识别结果保持一致；若DTW识别结果和HMM识别结果不一致，则进行DS证据理论的识别决策推理，决策输出最终的识别结果；所述的步骤3中车辆鸣笛声特征参数提取是指对每段音频信号的每帧提取了以下参数：短时能量及短时幅度的均值、标准差、最小值、最大值、动态范围、一阶差分均值、一阶差分标准差‑‑‑共14维；短时过零率的均值、标准差、最小值、最大值、动态范围、一阶差分均值、一阶差分标准差—共7维；基音周期的均值、标准差、最小值、最大值、动态范围、一阶差分均值、一阶差分标准差—共7维；12维MFCC及其一阶差分的均值、标准差、最小值、最大值、动态范围、一阶差分 均值、一阶差分标准差‑‑‑共168维；前三个共振峰的均值、标准差、最小值、最大值、动态范围、一阶差分均值、一阶差分标准差—共21维；再加30维对数功率谱的均值；总计247维特征参数；所述的降维处理是指通过主成成分分析法实现降维，得到样本特征矢量序列X＝{X₁，X₂，…，X_N}，N取31。