[发明专利]一种低信噪比异常声音信号的检测系统及检测方法

说明书

本发明公开了一种低信噪比异常声音信号的检测系统及检测方法，检测方法选取声音的时频域能量特征，对待检测信号分帧处理后计算相对于目标信号的能量增值，对多帧结果融合后进行中值滤波，引入软阈值处理方式来进行预警判断；检测系统主要包括检测单元和上位机软件，利用异常声音特征库可以实现多种目标的选择性检测，依靠互联网通信，可以实现与背景无关联的实时性检测和预警。该系统设计可以有效地在低信噪比环境下对异常目标声音进行检测并给出及时的预警判断，可以满足实际应用的实时性要求。

技术领域

本发明涉及计算机音频处理领域，具体涉及一种低信噪比异常声音信号的检测系统及检测方法。

背景技术

声音信号是人类最熟悉的承载信息的信号之一，随着信息技术和多媒体技术的发展，开展机器对声音的感知和理解研究越来越受到重视。目前，计算机对音频的检测和识别技术在工业控制、医疗护理、军事国防等各个领域都有着广泛的应用。特别是异常声音信号往往预示着异常事件发生，如：尖叫声、爆炸声等，而声音检测手段有着不易受环境因素影响、特征稳定等其他检测手段无法比拟的优势。因此，声音信号检测已经成为了公共安全监控智能化发展的一个重要组成部分，近年来引起了学者们的广泛研究。

目前，对声音信号的研究主要分为语音和非语音。非语音信号能够更多地传达声源特性和环境特征，对计算机更深刻地认识环境有着重要的作用，而异常声音的检测就属于非语音信号的研究范畴，即通过对一段连续的声音信号进行特征提取、分析，从而检测出是否含有异常声音信号。现阶段对非语音信号的检测研究主体可以分为两个方面：基于特征的检测方法和基于模型的检测方法。基于特征的检测方法依据特征提取所基于的时间单元长度可以分为短时特征和长时特征，如；爆炸声和无人机入侵的声音特征就分属短时特征和长时特征。不同的异常声音其声学特征存在很大的差异，现在常用的一些时域特征有短时能量、过零率、振幅等，但是由于计算过程简单，仅仅适用于单一环境等问题使得时域特征一般不单独使用；频域特征有频谱分布、基频、梅尔倒谱系数、线性预测倒谱系数等，这些频域特征在实际检测中表现出很好的鲁棒性；在声音检测中，还有一类时频域特征能够综合时域和频域特性，典型的如短时傅里叶变换、小波变换等，小波变换能够对信号的时域和频域同时做局部变换，从而有效地从信号中提取时-频信息，而且其正交性和多尺度分析的特性也非常适合于处理非平稳信号，现已经广泛应用于声音信号处理领域。这类方法都是从不同的分析角度寻找声音信号中的特征信息从而通过特征比较实现对不同声音信号的区分。例如：A.Averbuch等利用小波包系数块之间的能量分布来检测噪声环境下的车辆是否到达。基于模型的检测方法大多是从机器学习中已成熟的模型提出的，这类方法都需要比较准确且大量的训练数据，常用的有基于隐马尔科夫模型的方法、基于支持向量机的识别方法和基于高斯混合模型的方法等。例如：Clavel等利用高斯混合模型来检测识别噪声环境中的枪声；S.Ntalampiras等针对地铁环境中的尖叫、爆炸、枪击等异常声音，使用隐马尔科夫模型(HMM)来检测异常声音在不同信噪比下的情况。

研究者们对声音检测技术的研究已经提出了许多特征选择和分析的方法，但目前对声音检测的应用案例大多是在小规模简单环境中进行，如会议室、家庭等，待检测目标声音信噪比较高；基于模型的检测方法，其需要大量的样本数据训练模型，计算复杂度高；并且大部分的研究方法都采用的是声音信号的短时特征，然而对于一些持续时间长的声音信号，长时信息对检测更为有利。当实际需要在非平稳的背景环境下，对信噪比很低的异常声音进行实时检测时，现有声音信号检测方法都很难达到预期效果。

发明内容

本发明的目的在于克服上述不足，提供一种低信噪比异常声音信号的检测系统及检测方法，实现在低信噪比环境和复杂信号背景下对异常声音信号进行实时性检测。

为了达到上述目的，一种低信噪比异常声音信号的检测系统，包括置于待测环境中的检测单元，检测单元连接异常声音特征库，检测单元和异常声音特征库均连接上位机控制模块；

所述检测单元用于接收上位机控制指令后执行相应功能，运行检测算法，对待检测环境声音进行采集、检测并上传结果；