[发明专利]基于GMM-HMM的高速公路大型车辆识别方法

摘要

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。

主权项

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2.2：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。