[发明专利]基于GMM-HMM的高速公路大型车辆识别方法

说明书

本发明提供一种基于GMM‑HMM的高速公路大型车辆识别方法，涉及智能交通技术领域。该方法提取音频信号的MFCC特征，对此音频信号特征分析其在特征空间中的特定分布，采用高斯概率密度函数拟合特征向量，得到GMM‑HMM模型；在训练阶段，采用EM算法训练GMM，进而估计出模型参数；采用K‑means算法选择训练样本；采用Baum‑Welch算法，结合高斯概率密度函数拟合的观测序列概率分布，对GMM‑HMM模型参数进行训练，生成训练模型。在识别阶段，待识别的音频数据提取出MFCC特征参数，采用Viterbi算法将其与模型库中的各个模型进行特征概率匹配，匹配概率最大的模型即为识别结果。本发明的高速公路大型车辆识别方法，能够准确的识别出高速公路上各大型车辆。

技术领域

本发明属于智能交通技术领域，特别涉及一种基于GMM-HMM的高速公路大型车辆识别方法。

背景技术

交通信息在交通管理中发挥着重要作用，高速公路交通信息的检测不力是导致目前高速公路交通拥堵、事故频发的重要原因。

当大型车辆在高速公路中处于长期运输状态时，大型车辆的安全性能就会受到影响，例如车辆制动和操作车辆时出现问题。它可能导致轮胎变形和穿刺，制动失灵，舵机闪烁等现象。因此，大型车辆在高速公路上的驾驶存在许多潜在的安全隐患。一旦引发高速公路交通事故，将严重影响人民的社会经济发展和安全生产，国民经济将遭受损失，高速公路上大型车辆的识别相当重要。

目前车辆识别的方式大多通过摄像机，摄像机存在着易受外部光线遮挡影响和图像分析的计算成本较高的不足。通过对高速公路交通的音频信号的研究，高速公路上可以获取各种类型的音频信号，例如车辆轮胎噪声、发动机噪音、喇叭声等，这些声音的累积可以用于有效监控道路的交通状况。因此，音频信号在监测高速公路交通信息的应用被证明是有效的。声学识别在高速公路的交通信息识别中具有一定的优势：不受照明条件的影响，天气条件的变化不会影响声学模型识别效果。此外，与摄像机相比，音频传感器对于公民隐私而言更便宜且侵入性更小。与图像处理相比，声学信号处理所需的计算负荷可能会降低，并且人们对基础设施中的集成需求将受到较少的限制。

在整个声音识别过程中，在特征提取完成之后，接下来要完成的任务时分类器的训练，要选择合适的模型。声音有很多的分类算法，常用的分类算法有最近邻法(NearestNeighbor，即NN)和动态时间规划(Dynamic Time Warping，即DTW)等，它们的主要原理是计算样本之间的相似度，根据相似度进行分类的过程，这些算法存在的缺点是计算存储空间需求较大，因为在声音的分类识别过程中，所有训练样本的特征向量都需要进行存储。随着统计学习算法的发展越来越成熟，统计学习算法被逐渐应用到声音识别的研究中。

有一种常用的统计学习算法是隐马尔可夫模型(Hidden Markov Model，即HMM)，它主要是声音信号随时间变化的过程的模拟形式。它的组成部分包括马尔科夫链和随机观察值，其中，马尔科夫链的状态是有限的，每一个观察值都有一个与之相对应的状态，对于下一时刻的状态转移选择，主要依据的是状态转移概率矩阵，将两个随机过程的结合描述声音信号随时间变化的特性。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于GMM-HMM的高速公路大型车辆识别方法，实现对高速公路上的大型车辆进行识别。

为解决上述技术问题，本发明所采取的技术方案是：基于GMM-HMM的高速公路大型车辆识别方法，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；