采用DSP及車輛噪聲信號的車輛碰撞聲檢測裝置

軟件流程圖中自動聲檢測算法的設(shè)計是核心部分，下面做重點(diǎn)介紹。由于不同聲波信號的幅頻特性和相頻特性不同，不同聲波信號在各個頻率段的幅值也存在一定的差異。因此，可利用各個頻率成分的能量變化來實(shí)現(xiàn)目標(biāo)識別。
自動聲檢測算法包括聲音信號采集和分幀、特征提取、特征降維、特征分類四部分，

其具體實(shí)現(xiàn)步驟如下：

(1)采集和分幀。將采集到的信號按每2s分為一幀，幀與幀之間有1s的交疊。對32k采樣率的芯片來說，即每一次只對2s的片段65536個點(diǎn)進(jìn)行處理，在訓(xùn)練階段兩個片段之間有1／2重復(fù)。這樣得到一組數(shù)據(jù)Datai(1≤i≤65535)。

(2)特征提取。對每一幀信號數(shù)據(jù)Datai(1≤i≤65535)實(shí)施DWT變換以得到頻域信息，然后根據(jù)得到的頻域信息統(tǒng)計能量的分布，以此作為識別交通事故的特征。本算法采用DB1小波，對每一幀信號，先進(jìn)行一層分解，然后高頻系數(shù)進(jìn)行兩層完整的分解，低頻系數(shù)進(jìn)行10層單向分解得到18組數(shù)據(jù)。計算得到特征分量F=[E1，E2…E18]，En的計算公式如下：，其中N為Cn的長度。
(3)特征降維。對特征提取后的信號量實(shí)現(xiàn)降維。在提取出的特征分量F的基礎(chǔ)上，本算法采用基于主成分分析(PCA)的異常點(diǎn)檢測算法檢測交通事故碰撞聲。原特征F變換后得到公式為，其中H為PCA方法得到的投影矩陣。
(4)特征分類。收集正常運(yùn)行和交通事故時的車輛周圍聲音信號樣本，并訓(xùn)練構(gòu)造分類器，實(shí)現(xiàn)對行駛過程中的聲音分類。分類器擬輸出兩類分類結(jié)果：一類為正常運(yùn)行聲音，另一類為重大交通事故的碰撞聲音。判別條件為：

其中為訓(xùn)練樣本集的特征分量投影。n表示允許偏出給定區(qū)間Ii的最大個數(shù)，當(dāng)n大于某個閾值時即為碰撞，反之則不為碰撞。

3 實(shí)驗(yàn)結(jié)果及分析
系統(tǒng)實(shí)驗(yàn)所采用的實(shí)驗(yàn)樣本總數(shù)為200個，分為碰撞樣本和非碰撞樣本兩類，每類都為100個樣本。碰撞樣本采集于車輛廠商的碰撞試驗(yàn)，非碰撞樣本采集于日常常見各類聲音信號。其中碰撞樣本的長度為10s，包含完整的車輛碰撞過程的聲音，并混有剎車等常見噪聲。非碰撞樣本的長度為20s，分為自然環(huán)境類、音樂類和語音類等幾種聲音。在碰撞樣本中，20個作為算法的訓(xùn)練樣本，剩下的80個用于檢測算法的效果。一般普通聲音的頻譜如圖4 a)所示，而典型的碰撞聲樣本的頻譜如圖4 b)所示。

我們的碰撞聲檢測儀在一個模擬的環(huán)境下進(jìn)行測試，盡可能地還原真實(shí)場景。使用低失真功放裝置反復(fù)對真實(shí)場景中采集到的碰撞信號進(jìn)行實(shí)驗(yàn)。并和文獻(xiàn)中的實(shí)驗(yàn)結(jié)果進(jìn)行了對比。其中整體成功率是對判斷對的樣本總數(shù)和實(shí)驗(yàn)樣本總數(shù)的比值。實(shí)驗(yàn)結(jié)果示于表1。

由實(shí)驗(yàn)結(jié)果可以看出，無論對碰撞樣本還是非碰撞樣本，實(shí)驗(yàn)結(jié)果都非常準(zhǔn)確，這說明本算法在設(shè)計上較為合理，在較小的干擾下可以達(dá)到碰撞聲分類的目的，和文獻(xiàn)提到的結(jié)果相比，無論是碰撞樣本還是非碰撞樣本，準(zhǔn)確度都有所提升。

4 結(jié)束語
利用TMS3205509芯片做信號處理以及TLV320AIC23B做采集芯片的車輛碰撞報警裝置，體積小、成本低。此裝置使用分幀的方式對聲信號進(jìn)行模式識別計算，以實(shí)現(xiàn)車輛碰撞的及時報警。實(shí)驗(yàn)結(jié)果表明，此系統(tǒng)可靠性高、延時較短、可及時發(fā)出報警信號。此系統(tǒng)的應(yīng)用可提高機(jī)動車輛駕乘人員的安全系數(shù)，從而降低駕乘人員的車禍傷亡率，具有良好的應(yīng)用前景。