[发明专利]基于MFCC和HMM的次声信号识别方法、系统和设备

说明书

本发明提供了一种基于MFCC和HMM的次声信号识别方法、系统、设备和存储介质。将次声信号的频率转换为符合人耳听觉特性的美尔频率；分频率特征提取，将声纹频率划分成一系列三角形的滤波器序列；基于准稳态声纹数据分帧的美尔频率倒谱系数特征提取；采用对每个HMM模型设定输出概率阈值，确定信号类别；输入已知的次声信号带标签数据，得到次声事件对应的HMM参数，进行模型的训练；输入次声信号数据，提取MFCC特征，针对每种类型的HMM计算输出概率，输出概率最大的就为该类次声事件。本发明提升了特征提取的精度，有利于后续的分类识别，解决了对未知声音信号容易产生虚警的问题。

技术领域

本发明涉及次声信号识别技术领域。

背景技术

次声信号在人类活动中，诸如地震、海啸、火山、核爆炸、导弹飞行、火炮发射、轮船航行、汽车争驰、高楼和大桥摇晃，都能产生。并且次声信号的波长往往很长，因此能绕开某些大型障碍物发生衍射。因此对次声信号的识别具有很大的现实意义。通过准确及时地识别各种次声事件，能够有效地加以应对。

然而现有的次声信号识别中，对于次声信号的频率特征提取，并没有充分考虑人耳的听觉特性，使得提取的特征无法很好的用于次声事件识别。尤其是在复杂现场环境中，多种未知声音信号容易产生虚警的问题。

发明内容

本发明的目的在于提供一种基于美尔频率倒谱系数(MFCC)和隐马尔可夫模型(HMM)的次声信号识别方法、系统及设备，以解决现有技术中存在的分类识别精度不高、容易产生虚警的技术问题。

为解决上述技术问题，本发明提供的基于MFCC和HMM的次声信号识别方法，包括：

步骤1，设计针对次声信号的美尔滤波器；根据次声信号的实际频率，基于人耳的听觉特性，将实际频率转换为符合人耳听觉特性的美尔频率；分频率特征提取，将声纹频率划分成一系列三角形的滤波器序列；

步骤2，基于准稳态声纹数据分帧的美尔频率倒谱系数特征提取；包括弹道波声纹数据分帧和加窗函数，快速傅里叶变换，计算谱线能量，计算通过美尔滤波器的能量，计算DCT倒谱，获得次声信号特征；

步骤3，基于隐马尔科夫模型的信号识别；针对未知声音信号容易产生虚警的问题，采用对每个HMM模型设定输出概率阈值，根据声音信号通过同种信号建立的模型输出概率大于阈值，而声音信号通过不同种信号建立的模型输出小于这个阈值来确定信号类别；具体包括：首先，输入已知的次声信号带标签数据，提取MFCC特征，然后进行HMM模型的训练，得到每种次声事件类型对应的HMM模型，得到次声事件对应的HMM参数，进行模型的训练；其次，输入次声信号数据，提取MFCC特征，针对每种类型的HMM计算输出概率，输出概率最大的就为该类次声事件。

为解决上述技术问题，本发明提供的基于MFCC和HMM的次声信号识别系统，包括:

美尔滤波器设计模块，用于根据次声信号的实际频率，基于人耳的听觉特性，将实际频率转换为符合人耳听觉特性的美尔频率；分频率特征提取，将声纹频率划分成一系列三角形的滤波器序列；

美尔频率倒谱系数特征提取模块，包括弹道波声纹数据分帧和加窗函数，快速傅里叶变换，计算谱线能量，计算通过美尔滤波器的能量，计算DCT倒谱，获得次声信号特征；

信号识别模块，采用对每个HMM模型设定输出概率阈值，根据声音信号通过同种信号建立的模型输出概率大于阈值，而声音信号通过不同种信号建立的模型输出小于这个阈值来确定信号类别；具体包括：首先，输入已知的次声信号带标签数据，提取MFCC特征，然后进行HMM模型的训练，最后得到每种次声事件类型对应的HMM模型，得到次声事件对应的HMM参数；其次，输入次声信号数据，提取MFCC特征，针对每种类型的HMM计算输出概率，输出概率最大的就为该类次声事件。

为解决上述技术问题，本发明提供的基于MFCC和HMM的次声信号识别设备，包括：