论文基于卷积神经网络交通声音事件识别方法是关于对不知道怎么写卷积论文范文课题研究的大学硕士、相关本科毕业论文卷积神经网络论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
摘 要： 针对公路交通声音事件识别中传统语音算法识别效率低、鲁棒性差的问题,提出一种基于卷积神经网络的交通声音事件识别方法.首先通过Gammatone滤波器对声音数字信号进行子带滤波,得到音频信号耳蜗谱图,然后将其代入卷积神经网络模型对声音事件类型进行识别.利用上述方法对公路交通环境下的四种音频事件做了检测处理,并和经典的隐马尔科夫模型和目前广泛使用的深层神经网络进行比较.实验结果表明,使用卷积神经网络模型能够更加准确地对交通声音事件进行识别,且在噪声环境下具有更好的鲁棒性.
关键词： Gammatone滤波器； 卷积神经网络； 音频事件识别； 公路交通环境； 声音数字信号； 子带滤波
中图分类号： TN912.3?34 文献标识码： A 文章编号： 1004?373X（2018）14?0070?04
Traffic sound event recognition method based on convolutional neural network
ZHANG Wentao1,2, HAN Yingying1,2,3, LI Heng3
（1. School of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin 541004, China；
2. Key Laboratory of Optoelectronic Information Processing, Guilin 541004, China； 3. Guangxi Transportation Research Institute, Nanning 530000, China）
Abstract： In allusion to the problems of low recognition rate and poor robustness of the traditional acoustic algorithm in road traffic sound event recognition, a traffic sound event recognition method based on convolutional neural network is proposed. The sub?band filtering of sound digital signals is performed by using the Gammatone filter, so as to obtain the cochleogram of audio signals, which is then substituted into the convolutional neural network model for recognition of the sound event type. Four audio events in road traffic environment are detected by using the above method, and the results are compared with those of the classic hidden Markov model and deep neural network widely used at present. The experimental results show that the convolutional neural network model can recognize the traffic sound event more accurately, and has better robustness in noisy environment.
Keywords： Gammatone filter； convolutional neural network； audio event recognition； road traffic environment； sound digital signal； sub?band filtering
0 引 言
随着我国交通事业高速发展,对道路监控和信息处理分析提出了更高的要求.目前,国内外道路交通事件检测技术主要以视频为手段,依赖于视频采集的质量,技术难度大,生产成本高且受环境因素影响大.声音是人类信息的重要来源,而且其方便采集,检测范围广.声音事件识别已应用于环境安全监控、场景分析、证据提取、声源定位和突发事件检测等领域,且发挥着重要作用.
目前,对于声音事件识别一些学者已经做出一些研究[1?3].McLoughlin等提出基于声谱图的前端特征并结合支持向量机（Support Vector Machine,SVM）[1]和深度神经网络（Deep Neural Network,DNN）对声音事件进行分类.Kucukbay等提出使用梅尔频率倒谱系数（Mel?Frequency Cepstral Coefficients,MFCC）[2]和SVM分类器结合5?折交叉验证方法识别办公环境中的16种声音.Diment等提出基于隐马尔科夫模型（Hidden Markov Model,HMM）的声音事件检测系统[3],对办公环境下的声学场景和事件进行分类检测.
以上研究在声音事件识别中都取得了一定成效.但传统的SVM算法在大规模训练样本和多分类问题上难以实现.DNN模型又存在参数数量膨胀、学习时间过长等问题.且在真实的公路交通环境中存在复杂多变的噪声,公路隧道中甚至出现声音反射和回响,对声音事件识别产生较大干扰.因此针对公路交通环境需要找出一种新的识别方法.Ossama等人首次将卷积神经网络（Convolutional Neural Network,CNN）应用于语音识别中[4],和DNN模型相比识别率取得明显改善.本文将卷积神经网络应用于公路交通声音事件识别.针对拥堵、事故等公路事件,利用卷積神经网络对车辆碰撞声、汽车鸣笛、人员呼救和车门关闭四种声音进行分类,从而判断发生的对应事件.
总结:本论文可用于卷积论文范文参考下载，卷积相关论文写作参考研究。
参考文献：
1、 基于卷积神经网络语音情感识别 摘 要：语音识别对于人机交互而言一直以来都是非常重要的。而仅仅识别语音的内容，忽略它的情感是不完整的识别。因此，对语音情感的研究十分有必要。卷积。
2、 基于卷积神经网络的短文本分类方法 摘 要：文本分类一直是自然语言处理中一个备受关注的问题，在邮件分类、文件检索、用户情感识别等领域有着广阔的应用。同时人工智能飞速发展，卷积神经网。
3、 卷积神经网络在语言识别中应用 摘 要 近年来，随着理论的发展与大数据的来临，人工智能、深度学习再度成为学术界研究的热点。本研究的主要目标是通过卷积神经网络实现对江苏省方言的分。
4、 基于全卷积神经网络的图像缩略图生成算法 摘要：为提高缩略图生成中有效信息的保留率，该文提出一种基于全卷积人工神经网络并以图像显著性图驱动的缩略图生成算法。算法可有效识别图像中显著性区域。
5、 基于OpenCV的人工神经网络人脸面部表情识别 摘要：为克服传统模板匹配方式识别人脸面部表情存在的缺陷，以便更好地进行人机交互，采用Bp神经网络技术，有效快速获取不同面部表情的特征，进而对面部。
6、 基于BP和SOM神经网络的电子鼻识别方法 摘要：电子鼻是一种模仿生物嗅觉的综合仿真系统，它可以用来辨别许多复杂的样本，其中用于辨别和分析气体化学成分的仿真系统应用较为广泛，而对复杂混合气。