[发明专利]基于GMM-HMM的高速公路大型车辆识别方法

权利要求书

1.一种基于GMM-HMM的高速公路大型车辆识别方法，其特征在于：包括以下步骤：

步骤1：对音频信号进行降噪处理和特征提取，获得多维的高速公路大型车辆的音频信号特征向量，并采用高斯概率密度函数拟合各状态下的观测向量概率密度函数来表示这些连续变化的多维特征向量；

步骤1.1：利用基于小波变化的音频降噪算法，去除背景干扰，增强高速公路交通的音频信号的重要信息；

步骤1.2：利用基于经典模态分解加权的MFCC特征提取方法，对高速公路交通的音频信号用EMD分解代替，求得高速公路交通的音频信号MFCC的特征参数；

步骤1.3：采用高斯混合模型GMM的高斯概率密度函数来拟合各状态下的观测向量的概率密度函数，以得到对高速公路大型车辆进行识别的GMM-HMM模型；

步骤1.4：将GMM-HMM模型用HMM模型相似的参数表示；将GMM-HMM模型的观测值状态转移概率矩阵由多维高斯密度函数建模，即g_ij(o_t)的值由均值向量μ_ij、协方差矩阵C_ij以及混合权重w_ij表示；

步骤2：提取出音频数据的特征参数，采用K-means算法选择训练样本代表集，作为GMM-HMM模型的输入，然后进行模型训练，得到最终的模型库；

步骤2.1：采用K-means算法选择训练样本代表集；

步骤2.1.1：读取音频数据，进行人工辨别分类，每一个初始样本集代表同一类声音；

步骤2.1.1.1：读取第i′个样本a_i′，对样本a_i′进行降噪处理及MFCC参数的特征提取，获得相应的特征向量矩阵，a为训练样本初始集；

步骤2.1.1.2：对每一个特征向量矩阵求其均值向量代表该样本，获得n个均值向量集；

步骤2.1.1.3：对n个均值向量集分别进行K-means聚类处理，聚类数目根据实际情况进行选择；每一个均值向量集聚类得到H_l，H_l为聚类后样本集，1≤l≤n；

步骤2.1.2：从每一类中选择部分均值向量所对应的样本作为最终训练样本代表集，选择标准是计算该类中每个均值向量到该类中心距离的余弦值，将获得计算结果升序排序，选择第1+k*X/N′个均值向量作为该类的均值向量代表集s_i，s为训练样本代表集，m为训练样本代表集个数，X为类均值向量个数，N′为均值向量代表集中均值向量个数，0≤k≤N′-1；

步骤2.2：根据基于K-means的训练样本选择算法选择出来的样本，作为GMM-HMM模型的输入，然后进行模型训练得到模型库；

步骤2.2.1：将HMM模型的状态数设为5，初始状态概率矩阵分布为π＝[1，0，0，0，0]，每个状态的观测值数量设为3，初始的状态转移概率矩阵A如下公式所示：

步骤2.2.2：在训练模型过程中，将Baum-Welch算法和GMM参数估计的EM算法结合使用；对大型车辆和非大型车辆音频信号分别进行建模，并计算测试的音频信号属于哪一个类别的概率最大；通过Baum-Welch算法和EM算法不断计算观测值和估计值，直到模型收敛；

步骤3：对未知状态的音频数据样本进行处理；

步骤3.1：采用高斯函数对未知状态的音频信号进行拟合，作为HMM模型的输入；

步骤3.2：对GMM-HMM模型的模型参数进行估计；

步骤4：将步骤3处理得到的未知状态的音频数据样本结果与训练获得的识别器模型库进行概率匹配计算，获得最终的识别结果，具体方法为：

步骤4.1：进行模型识别，模型匹配的概率计算用到Viterbi算法，使用Viterbi算法计算出一个最佳的状态序列，结果即为模型匹配概率最大所对应的模型；

步骤4.2：根据最大概率值判断音频信号是否来自大型车辆。