基于子带谱熵法和PSO-GA-SVM的汽车鸣笛识别

针对鸣笛抓拍系统会产生误判的问题,提出了一种基于子带谱熵法和支持向量机的汽车鸣笛识别算法.首先,使用子带谱熵法对声音样本进行初判,将子带谱熵高于阈值的样本直接判定为非鸣笛样本.然后,对初判为鸣笛的样本中的疑似鸣笛部分进行分割,并提取Mel频率倒谱系数作为声音的特征.最后,使用支持向量机对分割结果进行进一步分类,并使用粒子群算法与遗传算法的融合来优化支持向量机的参数.仿真结果表明,该算法具有较好的鲁棒性.在对实际采集样本的鸣笛识别中,该算法也取得了较高的准确率.

基于MFCC和CNN的汽车鸣笛声识别算法

针对复杂环境下的鸣笛声识别问题,本文设计了一种基于梅尔频率倒谱系数和卷积神经网络的音频分类算法。该算法以梅尔频率倒谱系数特征为深度学习的网络输入,利用卷积神经网络逐层提取声音特征,最终实现汽车鸣笛声的识别。实验后的结果说明,利用该算法后,模型的识别准确率能够达到97.6%以上,能够很好地满足违法鸣笛抓拍系统的应用需求。

一种用于城市交通的优化声音识别仿真

随着机动车违法鸣笛现象日益严重,汽车鸣笛声识别可以识别违法鸣笛车辆,并对该行为给出科学有力的证据,因此对城市交通治理有着重要意义。传统方法主要包含基于GMM-HMM的概率模型算法、支持向量机等。但其准确率较低,且过程麻烦,给交管部门进行人工复核造成了很大困难。针对此问题,以城市交通汽车鸣笛声识别为背景,结合深度信念网络(DBNs)强大的非线性建模和特征提取能力,提出了一种优化的声音识别方法。该方法采用汽车鸣笛声信号的梅尔频率倒谱系数(MFCC)以及其一二阶差分作为特征参数,用于DBN网络的输入,对样本数据进行建模并提取更深层的特征,最后加入softmax分类器来实现汽车鸣笛声信号的匹配和识别。该方法获得比GMM-HMM更好的识别效果。并通过仿真实验证明了该方法的有效性。