一種用于槍聲的多級檢測識別技術

張 濤，蘇春玲

（天津大學 電子信息工程學院，天津 300072）

聲音無處不在，人們的生活中伴隨著各種各樣的聲音，有熟悉的也有不熟悉的，甚至有從未聽過的。聲音的檢測與識別一直是聲音研究領域的重要內容。聲音識別系統就是將待測聲音與已經訓練好的已知的聲音模板進行匹配，從而得知待測聲音是什么聲音的過程。在聲音識別領域中，可以將其分為語音識別和非語音識別。對于語音識別的研究比較深入[1]，非語音識別的研究相對滯后一些。對于非語音識別的用處主要有以下幾個方面，如軍事與國防、工業生產與控制、醫療護理和安全控制等。在非語音聲音信號的檢測研究中，公共場所環境中的突發異常聲音檢測一直是一個被公認的難題。一些學者對特定場景下的某些聲音做了相關研究，例如：Clavel等人利用 LPCC表征聲音信號，通過 GMM檢測識別噪聲環境下發生的槍聲，在他們的實驗中主要研究不同信噪比的訓練序列對檢測結果中漏檢率的影響，得到的結果是當測試序列與訓練序列的信噪比相同時，檢測結果的漏檢率最低；當用沒有噪聲的序列作為訓練序列時，檢測結果的漏檢率最高[2]；Alain等人通過將頻率域分成 N等分，計算每份的能量值表征聲音信號，利用GMM、HMM來檢測識別噪聲環境下的突發聲音，實驗結果得到了很好的識別率，在信噪比70 dB的時候識別率能達到98%，在0 dB的時候也能達到80%以上，但是他們所用的測試環境僅限于噪聲是高斯白噪聲[3]，而且這個方法的算法復雜度很高，不易于在硬件中實現。綜合考慮算法復雜度和識別率等多方面內容，本文提出了一種用于公共場所中槍聲的多級檢測識別方法。

1 算法介紹

非語音識別系統與語音識別系統類似，都基本由特征參數提取算法和模式匹配算法構成。

1）特征參數提取

用于聲音分類的特征參數[4]很多，可以歸納為3大類：時域特征參數、頻域特征參數，同態（倒譜）特征參數。時域特征參數的特點是提取算法都不復雜，缺點是對信號的可鑒別能力有限。頻域特征參數與人類聽覺系統有一定的關系，但是頻域特征參數僅適用于加性信號，對于復雜的乘積性組合信號處理能力不好。同態特征參數的優點正是在于這種非線性系統的處理，也就是對其進行同態分析，設法將非線性問題轉化為線性問題來處理。

2）模式匹配及模型訓練技術

模型訓練是指按照一定的準則，從大量已知模式中獲取表征該模式本質特征的模型參數，而模式匹配則是根據一定準則，使未知模式與模型庫中的某一個模型獲得最佳匹配。語音識別所應用的模式匹配和模型訓練技術主要有動態時間歸正技術（Dynamic Time Warping，DTW）、隱馬爾可夫模型（hidden Markov model，HMM）和人工神經元網絡（Artificial Neural Networks，ANN）。在這3種技術中，DTW是較早的一種模式匹配和模型訓練技術，它應用動態規劃方法成功解決了聲音信號特征參數序列比較時時長不等的難題，它的算法復雜度低而且識別率針對某些特定方面也有很好的表現，尤其在孤立詞語音識別中獲得了良好性能。

對于突發事件的聲音檢測，如槍聲，輸入信號類似于語音中的孤立詞，而且系統所需要的匹配模板較少。用于此類識別，DTW算法與HMM算法在相同的環境條件下，識別效果相差不大，但HMM算法要復雜得多，主要體現在HMM算法在訓練階段需要提供大量的語音數據，通過反復計算才能得到的模型參數，而DTW算法的訓練中幾乎不需要額外的計算。所以DTW算法對這種輸入信號比較短促，類似于單音信號而且模板又比較少的聲音進行識別時，在算法復雜度和識別率方面都很適合，能獲得良好的效果。故本實驗采用DTW算法。

3）在本算法中，用到的特征參數是短時能量、短時平均過零率和Mel頻率倒譜系數。

①短時平均過零率

對于短時平均過零率[5]這個參數，由于在無聲段噪聲使聲音波形在0值附近來回擺動，如果只考慮符號變化這一單一條件會導致計算出的過零率和有聲段的區別并不十分明顯；在本算法中還加入另一條件就是設定一個差的閾值δ，使不僅 sn（m）*sn（m+1）＜0，還要|sn（m）-sn（m+1）|＞δ。 在本系統中經多次試驗取定δ=250。

②Mel頻率倒普系數（MFCC）算法

短時能量和短時平均過零率都只是時域上的一些特征參數，這種參數沒有充分利用人耳的聽覺特性。人的聽覺系統是一個特殊的非線性系統，它響應不同頻率表信號的靈敏度是不同的，基本上是一個對數的關系。Mel頻率倒譜系數（Mel frequency cepstrum coefficient，MFCC）充分利用人耳這種特殊的感知特性參數。

MFCC參數是按幀算的。首先通過FFT得到該幀信號的功率譜S（n），然后通過Mel頻率濾波器Hm（n）。濾波器在頻域上為簡單的三角波，其中心頻率為fm，它們在Mel頻率軸上是均勻分布的。在線性頻率上，當m較小時，相鄰的fm間隔很小，隨著m的增加，相鄰的fm間隔逐漸被拉開。如圖 1所示。

圖1 Mel頻率濾波器示意圖Fig.1 Schematic diagram of the Mel frequency filter

Mel頻率和線性頻率的關系： fmel=2595log（1+f/700）

聲音信號的MFCC提取及計算過程如圖2所示[6]。

圖2 MFCC提取過程框圖Fig.2 Structure diagram of the MFCC's extraction process

4）本算法的實現步驟

通過前面的分析，本系統所采用的特征參數是短時能量、短時平均過零率和MFCC的結合，所采用的時域參數實現容易且計算量小但是沒有考慮人耳的聽覺特性，所以識別率不高；而MFCC正好彌補了這一點，但是計算量很大；所以本算法采用一種多級的模式，將這個幾個參數結合在一起，彼此起到互補的作用，一級一級逐步縮小目標，最后檢測出槍聲的位置。整個算法可以分成3級，算法的分級結構框圖如圖3所示。

圖3 算法分級結構框圖Fig.3 Structure diagram of the algorithm classification

在第一級中對每幀（1 024點）計算其短時能量和短時平均過零率；然后根據設定好的門限對每幀的能量和過零率進行判斷，這兩個參數只要有一個參數滿足條件，就將這幀認為是有效幀。其中短時能量門限EN_MIN=53，短時過量率的上下門限分別為ZCR1=65、ZCR2=100。

在這一級的判斷中，還采用了一個平滑機制。采用這個平滑機制是為了減小漏檢率，由于實驗所選用槍聲模板為11幀，所以為了提高檢測速度和檢測準確率，最小的可能目標段要求至少6幀。為了避免將一個可能目標段由于中間一兩幀的無效幀被分成兩個非目標段，導致檢測遺漏，本實驗中采取了這個3幀的平滑機制，也就是兩個可能目標段之間的無效幀小于等于3幀時，這兩段會被認為是一段。在程序中的具體思想是，如果當前幀根據短時能量和過零率判斷時，被判斷為無效幀；那么如果它的前三幀中有一幀是根據這兩個條判斷為的有效幀，則當前幀也被平滑為有效幀。

在第二級中，對連續有效幀組成的各個段進行判斷。由于本算法中選擇的槍聲模板長度是11幀，所以當連續有效幀小于6幀時，認為是非目標段，直接舍棄，不進行下一步分析；如果連續有效幀達到17幀時還沒有遇到無效幀，那么將前11幀作為一個可能目標段進行下一步的分析，將后6幀作為下一段的前6幀繼續計數；如果連續有效幀幀數在6和17之間，則直接將這一段作為一個可能目標進行下一步分析。

在第三級中，對可能目標段進行MFCC參數提取，然后將其與模板的MFCC參數進行DTW匹配，如果計算出的最后累計距離值小于設置的閾值，就確定這段為槍聲，輸出該段的起止幀號。

2 實驗結果

本實驗所采用的輸入文件都是.WAV文件，聲道是單聲道，采樣率為48 kHz，采樣值是16 bit的PCM量化編碼。在實驗時，將幀長定為FRAME_LEN=1 024。實驗步驟及結果如下：

首先要確定模板，然后利用各種槍聲文件訓練出DTW匹配時所需要的閾值GUN_MAX。選定的模板gun_template是只有一聲槍聲文件，模板包含11幀。通過對各種環境下包含槍聲的序列進行訓練，可以將所需要閾值GUN_MAX確定為4 525。

表1 部分待測序列的手工標注和算法檢測結果統計Tab.1 Statistics of the test sequences’manually labeled and algorithm detected results

圖4 部分測試結果示意圖Fig.4 Schematic diagram of the part of the test results

漏檢率和錯檢率是一對此消彼長的參數，兩者不能同時達到最優，只有根據具體情況，選擇一個最適合當前情況的折中參數。對于本實驗中的參數，如果將短時能量和短 時 過 量 率 的 門 限 值 都 減 小 （EN_MIN=55，ZCR1=68，ZCR2=95），同時將 GUN_MAX設定為 4520，則所檢測出的結果漏檢率α會變大，錯檢率β會變小。部分檢測結果示意圖如圖5所示。

圖5 漏檢率變大，誤檢率變小檢測結果示意圖Fig.5 Schematic diagram of the higher undetected rate and the lower false detected rate

對檢測結果進行統計，可計算出總的漏檢幀數為203，則漏檢率α=10.39%；總的錯檢幀數為152，則錯檢率β=7.78%。

與上述情況相反，如果將檢測條件放寬松，設定EN_MIN=50、ZCR1=60、ZCR2=105，同時將 GUN_MAX 設定為4530，那么所檢測出的結果漏檢率會變小，錯檢率會變大。部分檢測結果示意圖如圖6所示。

圖6 漏檢率變小，錯檢率變大檢測結果示意圖Fig.6 Schematic diagram of the lower undetected rate and the higher false detected rate

對檢測結果進行統計，可計算出總的漏檢幀數為82，則漏檢率α=4.20%；總的錯檢幀數為268，則錯檢率β=13.72%。

從上述的實驗結果可以分析出，參數閾值的大小的稍稍變化會引起檢測結果的大幅度變化，但是漏檢率和錯檢率不可能同時達到最優，所以要根據實驗的具體要求，選擇適當的參數，使二者達到一個折中的平衡。

3 結 論

文中提出了一種多級的特定突發聲音槍聲的檢測算法，首先利用時域參數短時能量和短時平均過量率，其中還加入了平滑機制來檢測出可能目標段；然后再結合倒譜參數MFCC和DTW對可能目標段進行進一步檢測，確定其是否為要檢測的目標。經過實驗測試，取得了令人滿意的結果。采用本算法，不但可以加快運算速度，易于在DSP和ARM上的移植和實現，而且所采用的測試文件背景環境很復雜，說明本算法在信噪比低的情況下，具有一定的魯棒性，來確保檢測的準確性和有效性。

[1]詹新明，黃南山，楊燦.語音識別技術研究進展[J].現代計算機:專業版，2008（9）：12.

ZHAN Xin-ming，HUANG Nan-shan，YANG Can.Research progressofspeechrecognition technology[J].Modern Computer：Professional Edition，2008（9）：12.

[2]Clavel C，Ehrette T，Richard G.Events detection for an audio-based surveillance system[C]//IEEE International Conference on Multimedia and Expo，2005.

[3]Dufaus A，Besacier L，Ansorge M，et al.Automatic sound detection and recognition for noisy environment[C]//European Signal Processing Conference，Finland，2000（9）:1033-1036.

[4]劉華平，李昕，徐柏齡，等.語音信號端點檢測方法綜述及展望[J].計算機應用研究，2008，25（8）：2278-2283.

LIU Hua-ping，LIXin，XU Bo-ling，etal.Review and prospect of the speech signal’s endpoint detected method[J].Application Research of Computers，2008，25（8）：2278-2283.

[5]徐大為，吳邊.一種噪聲環境下的實時語音端點檢測算法[J].計算機工程與應用，2003（1）：115-117.XU Da-wei，WU Bian.A real-time speech endpoint detection algorithm in a noisy environment[J].Computer Engineering and Applications，2003（1）:115-117.

[6]王炳錫，屈丹，彭煊.實用語音識別基礎[M].北京：國防工業出版社，2005.