基于變換步長的車輛壓線聲信號包絡提取算法

藍章禮，黃 芬,2

(1.重慶交通大學 信息科學與工程學院，重慶 400074； 2.重慶文化職業藝術學院 基礎教育部，重慶 400067)

基于變換步長的車輛壓線聲信號包絡提取算法

藍章禮1，黃 芬1,2*

(1.重慶交通大學 信息科學與工程學院，重慶 400074； 2.重慶文化職業藝術學院 基礎教育部，重慶 400067)

車輛經過減速帶時與其在路面正常行駛時的聲信號波形明顯不同，其特征參數的提取對車輛數量、速度、類型等的自動判斷至關重要，聲信號包絡曲線對其特征參數的提取相比原始信號有諸多優勢,但傳統包絡提取算法在此類交通領域聲信號包絡提取方面存在毛刺多、特征參數難以真正體現信號性質和特征的問題。為解決此問題，結合車輛經過減速帶時的聲信號特點，提出一種基于變換步長的車輛壓線聲信號包絡提取算法。該算法通過設置不同步長遍歷信號，以每個步長內的最大值點繪制曲線并與原信號波形對比，以輪廓清晰度和特征點提取誤差值為判斷依據實現聲信號包絡的有效提取。實驗結果表明，在相同采樣點數條件下，所提算法比傳統包絡提取算法提取的包絡曲線輪廓更清晰、毛刺少，且特征參數提取誤差小。

交通智能檢測；包絡提取；特征參數；變換步長

0 引言

隨著公路交通和車輛管理的迅速發展，掌握道路上不同類型車輛的數量、類型、行車狀況等對于交通管理十分重要。實現交通信息檢測的智能化、信息化、高效化是實現交通智能管理的重要前提。基于聲信號分析的交通信息檢測技術具有成本低、信息冗余小、受外界干擾小等優點[1-2]。車輛經過減速帶時與其在路面正常行駛時的聲信號波形明顯不同，對這種聲信號而言，其包絡曲線比原始信號能更好地反映其變化特征[3-4]，此種聲音信號的分析對于交通流參數識別有著非常重要的意義。

信號的包絡提取是指通過一定的信號處理技術發現其波形邊緣的技術[4]。由于信號包絡包含某些時域上的特征參數，這些參數在不同程度上可反映出信號的某些性質和特征，其特征參數的提取對交通檢測領域中車輛數量、速度、類型等自動判斷至關重要。因此采用合理的包絡提取方法提取信號包絡十分關鍵。

常見的信號包絡提取方法有Hilbert變換法和小波變換方法，Hilbert變換法是一種將時域實信號變為時域解析信號的方法。變換所得的解析信號的實部是實信號本身，虛部是實信號的Hilbert變換，而解析信號的幅值便是實信號的包絡[5-8]。小波變換方法首先通過高通濾波器濾除低頻噪聲，進而對信號進行半波整流，最后對預處理后的信號進行層次分解，選取某層重構的近似系數作為原信號的包絡曲線[8-10]。Hilbert變換是在全頻段上對信號進行變換，對整個頻段的噪聲沒有抑制作用，同時存在泄漏誤差。對于在野外采集的聲信號，用此方法提取的信號包絡不夠光滑、毛刺多，難以真正體現信號的性質和特征。基于小波變換的信號包絡提取對信號比較弱、噪聲比較強、頻率比較低的信號效果比較顯著，通常用于生物醫學和故障診斷領域[4,11]。

本文針對信噪比低、采樣頻率高、頻率分量多的交通領域聲信號，根據其特點提出基于變換步長的聲信號包絡提取算法，該方法通過設置不同步長遍歷信號，以每個步長內的最大值點繪制曲線并與原信號波形對比，以輪廓清晰度和特征點提取誤差值為判斷依據來實現聲信號包絡的有效提取，為實現交通檢測領域中車輛數量、速度、類型的自動判斷奠定基礎。

1 算法的提出

1.1 應用背景

基于聲信號分析的交通信息檢測技術，可大大提高交通信息檢測的效果，進而實現交通信息檢測的智能化、信息化和高效化。對車輛數量、速度、類型的自動判斷是交通檢測的重要內容，通過對車輛聲音進行分析是有望實現上述檢測的手段。車輛經過減速帶時與車輛在路面正常行駛時產生的聲信號波形明顯不同，在路面正常行駛時聲信號幅值在一定范圍內變化，不會有明顯峰值，波形如圖1(a)；但車輛經過減速帶時，由于車輪與減速帶的相互作用，人耳聽起來會有“噔”的聲音，在信號形式上的直觀表現即為幅度明顯變化，如圖1(b)波形。

圖1 車輛正常行駛時波形和經過減速帶波形Fig. 1 Waveforms of vehicle during normal running and through deceleration zone

由圖1可以看出，包絡曲線比原始信號更好地反映這種信號的特征，該包絡曲線包含某些特征參數，而這些參數在不同程度上可反映出信號的性質和特征，在交通信息化領域中交通參數識別方向有一定的應用前景，因此對這種聲信號包絡提取的研究很有必要。

本文針對這種交通領域聲信號，通過對放大后的降噪信號進行觀察與分析，并根據其特點提出基于變換步長的車輛壓線聲信號包絡提取算法，以實現信號包絡的有效提取，進而提取這種信號的特征參數，以用于進一步的車輛識別、車速檢測、車流量統計，為實現交通檢測領域中車輛數量、速度、類型的自動判斷奠定基礎。

1.2 算法描述

基于變換步長的聲信號包絡提取算法思路：對聲波形信號先以最大步長遍歷信號：每步長時間內取i個點，采用如圖2算法找到該時間內的最大值并記錄對應時間值，保存在對應的幅值數組和時間數組中；分別以該幅值數組數據和該時間數組數據為相應的豎坐標和橫坐標繪制曲線。將此曲線與原信號波形對比，觀察是包絡情況是否理想的包絡，若不是則改變步長，重復上述操作，直至找到理想包絡曲線，并對其進行光滑處理。所提算法流程如圖2所示，算法步驟如下：

1)將采樣頻率為Fs、信號長度為Ts的聲音文件導入到Matlab中，得到信號y：其幅值數據放在a[1,n]內，時間數據放在t[1,n]內(n=Ts/Fs)。

2)以Δtmax為初始步長，遍歷信號y：

① 每個步長時間內取i個點，幅值數據放在ak[1,i]內，時間數據放在tk[1,i]內；

② 找到ak[1,i]內最大值，并記錄對應的時間數據，將其分別存儲幅值數組Y[1,m]、時間數組t[1,m]中；

③ 遍歷信號。

3)以Y[1,m]內數據為豎坐標，以t[1,m]內數據為橫坐標，繪制出包絡信號圖形ye。

4)與原信號波形對比，觀察ye圖形是否是信號y的理想包絡，若不是則變換其步長繼續執行操作2)；若已是理想包絡則執行5)。

5)并對ye進行光滑處理，即為其包絡曲線，結束。

圖2 算法流程Fig. 2 Flow chart of the proposed algorithm

1.3 步長取值依據

道路上兩條減速帶部署示意圖，如圖3所示。圖3中：L為兩減速帶間隔距離，l為減速帶自身寬度。

假定車速為v，軸距為s。第一排車輪通過減速帶1的時間t1，第二排車輪經過減速帶1的時間為t2，第一排車輛經過減速帶1和減速帶2的時間為t3，則其表達式分別為式(1)、(2)、(3)：

t1=l/v

(1)

t2=s/v

(2)

t3=L/v

(3)

1)若采集同排車輪通過減速帶時的雙波峰點，則變換步長法最大步長表示如下：

Δtmax=?t1/2」=?l/(2v)」

(4)

2)若采集同排車輪通過減速帶時的單波峰點，又分以下兩種情況：

①L≥s時，變換步長法最大步長表示如下：

Δtmax=?t2/2」=?s/(2v)」

(5)

②L

Δtmax=?t3/2」=?L/(2v)」

(6)

3)最小變換步長Δtmin的取值情況，若信號采樣頻率為Fs，則相鄰采樣點時間間隔即為1/Fs。則最小變換步長表示如下：

Δtmin=?n/Fs」；n=1,2,…

(7)

式中n的取值情況受選取信號長度的限制，通過多次實驗可得出經驗值，一般取10左右。n值過小提取出的包絡和原信號差別不大，此時包絡沒有太大價值。

圖3 減速帶示意圖Fig. 3 Schematic diagram of deceleration zone

2 算法驗證

2.1 實驗設計

以在減速帶間隔L=25 m、l=0.3 m、s=2.48 m、采樣頻率Fs=48 000 Hz、信號長度為Ts=2 s的聲音文件為例，按照上述算法的流程進行驗證分析。采集車輪通過減速帶時的單波峰值時間點，屬于情況①，由路段情況知車速范圍在40～100 km/h，故最大變換步長Δtmin范圍為：

原始信號y如圖4所示。

圖4 原始信號Fig. 4 Original signal

算法驗證步驟如下：

1)以Δt=80 ms為初始步長，遍歷信號y：

①每Δt時間內取3 840個點，幅值數據放在ak[1,i]內、時間數據放在tk[1,i]內；

②找到ak[1,i]內最大值，并記錄對應的時間數據，將其分別存儲幅值數組Y[1,25]、時間數組t[1,25]中。

2)以Y[1,25]內數據為豎坐標，以t[1,25]內數據為橫坐標，繪制出波形如圖5(a)。

3)與原信號波形對比，圖5(a)波形不是信號y的理想包絡。

4)變換步長Δt=40 ms遍歷信號y：

①每Δt時間內取1 920個點，幅值數據放在ak[1,i]，時間數據放在tk[1,i]內；

②找到ak[1,i]內最大值，并記錄對應的時間數據，將其分別存儲幅值數組Y[1,50]、時間數組t[1,50]中。

5)以Y[1,50]內數據為豎坐標，以t[1,50]內數據為橫坐標，繪制出波形如圖5(b)。

6)變換步長Δt=20 ms遍歷信號y：

①每Δt時間內取960個點，幅值數據放在ak[1,i]內，時間數據放在tk[1,i]內；

②找到ak[1,i]內最大值，并記錄對應的時間數據，將其分別存儲幅值數組Y[1,100]、時間數組t[1,100]中。

7)以Y[1,100]內數據為豎坐標，以t[1,100]內數據為橫坐標，繪制出波形如圖5(c)。

圖5 算法驗證結果Fig. 5 Algorithm verification results

8)變換步長Δt=10 ms遍歷信號y：

①每Δt時間內取480個點，幅值數據放在ak[1,i]內，時間數據放在tk[1,i]內；

②找到ak[1,i]內最大值，并記錄對應的時間數據，將其分別存儲幅值數組Y[1,200]、時間數組t[1,200]中。

9)以Y[1,200]內數據為豎坐標，以t[1,200]內數據為橫坐標，繪制出波形如圖5(d)。

2.2 結果分析

從聲信號文件進行算法驗證的結果圖3～5可得出以下幾點結論：

1)通過不同步長對原信號進行遍歷采樣，可得到相應步長下的包絡曲線。

2)步長選取的影響：

①Δt<10 ms時，Δt越小，提取的包絡信號毛刺越多，如圖6所示，其中：圖6(a)為Δt=8 ms時包絡曲線，圖6(b)為Δt=2 ms時包絡曲線。

圖6 步長Δt小于10 ms時包絡曲線Fig. 6 Envelope curve with step Δt less than 10 ms

②10 ms≤Δt≤20 ms時，隨著Δt的增大，包絡曲線輪廓清晰、毛刺減少，特征明顯，判斷該步長范圍為理想步長范圍。

由結論②確定了理想步長范圍，在該范圍內提取的包絡曲線圖如圖7所示，其中：圖7(a)為Δt=20 ms時包絡曲線，圖7(b)為Δt=16 ms時包絡曲線，圖7(c)為Δt=10 ms時包絡曲線。

圖7 有效步長內信號包絡曲線Fig. 7 Signal envelope curve with effective step size

③Δt>20 ms以后，隨著Δt的增大，包絡曲線峰值點變模糊，特征點丟失，如圖5中(a)、(b)所示。

3)能提取適當步長下的峰值特征。由結論②知10 ms≤Δt≤20 ms時，包絡曲線特征明顯。故在10 ms、16 ms、20 ms步長下提取峰值特征點，如表1所示。

2.3 誤差分析

大量實踐證明，誤差的存在具有必然性和普遍性。對測量過程中始終存在著的誤差進行研究是充分認識減小或消除誤差的基礎。誤差通常用絕對誤差或相對誤差表示。

1)絕對誤差。

某量值的測量值和真實值之差，表示形式如下：

Δ=X-L

(8)

式中：Δ為絕對誤差；X為測量值；L為真實值。

真實值是指觀測量本身所具有的大小，它是一個理想的概念，一般是不知道的。但某些特定情況下，真實值又是可知的。

表1 基于變換步長的聲信號包絡提取算法峰值點提取 sTab. 1 Peak point extraction of acoustic signal envelope extraction algorithm based on variable step size s

2)相對誤差。

相對誤差是絕對誤差與真實值之比。考慮到測量值與真實值接近，故也可近似用絕對誤差與被測量值或多次測量的平均值的比值作為相對誤差，表現形式如下：

σ=(X-L)/L≈(X-L)/X

(9)

其中σ為相對誤差。

(10)

誤差方差D定義為：

(11)

基于以上原理對本組實驗數據進行分析。

由于真實值是一個理想的概念，一般是不知道的。但某些特定情況下，真實值又是可知的，即特定條件下的觀測值作為真實值。本實驗所用信號，在限定條件下提取的信號真實值如表2所示。

表2 原信號峰值時間點限定條件下的真實值 sTab.2 Real values under peak time point limit of original signal s

由表1和表2并結合式(9)～(11)進行誤差分析，其結果如表3。由表3得出以下兩點結論：

1)有效步長內，其相對誤差范圍為0.01%～2.36%，平均誤差范圍為0.33%～1.24%，誤差方差范圍為0.52%～3.64%。

2)三種步長下，Δt=10.00 ms時，其平均誤差和誤差方差最小。此時提取的包絡曲線符合原信號的變化規律和特征，提取的峰值點誤差較小，該步長下的曲線可作為原信號包絡曲線。

表3 誤差值分析結果 %Tab. 3 Error analysis results %

3 算法對比

3.1 實驗結果對比

對上述聲信號以相同采樣點數，分別使用小波變換和Hilbert變換方法進行包絡提取，其效果如圖8所示，其中：圖8(a)為變換步長法提取的包絡曲線，圖8(b)為小波變換法提取的包絡曲線，圖8(c)為Hilbert變換法提取的包絡曲線。

由圖8(a)～(c)對比分析，得出以下結論：

1)該信號隨著重采樣頻率的變化，小波變換得到的包絡毛刺少，輪廓清晰優于Hilbert變換提取的信號包絡。

2)重采樣頻率越小，包絡曲線輪廓清晰，特征點丟失嚴重。

3)三種方法在相同重采樣頻率100 Hz下，確定的包絡曲線其峰值點時間提取值如表4所示。

對已獲得的特征點按式(9)～(11)，并結合表2和表4進行相對誤差、平均誤差、誤差方差的計算，結果如表5所示。

圖8 重采樣頻率下不同方法提取的包絡曲線Fig. 8 Envelope curves extracted by different methods under resampling frequency表4 相同重采樣頻率下包絡曲線峰值點時間值

sTab. 4 Time values of envelope curve peak points under the same resampling frequency s

表5 不同方法誤差值對比 %Tab. 5 Comparison of error values of different methods %

由表4～5得出以下結論：

1)在相同重采樣頻率下，由于小波變換和Hilbert變換法得到的包絡曲線，特征點丟失嚴重。

2)三種方法中，變換步長法相對誤差變化范圍最小；Hilbert次之；而小波變換法明顯有一個數值變化較大，由此推斷可能有參數出現錯誤。

3)基于變換步長的方法，其平均誤差0.33%和誤差方差0.52%均小于小波變換和Hilbert變換得到的特征點的平均誤差和誤差方差。

3.2 基本結論

基于變換步長的車輛壓線聲信號包絡提取算法，通過實驗分析和對比，總體得出以下結論：

1)本文算法能實現以輪廓清晰度和特征點提取誤差值為判斷依據的信號包絡的提取。

2)對于本文中使用的聲信號，有效步長內，其相對誤差范圍為0.01%～2.36%，平均誤差范圍為0.33%～1.24%，誤差方差范圍為0.52%～3.64%。

3)提出了步長的選取依據，并通過具體實驗驗證了該依據的合理性。

4 結語

本文提出了一種基于變換步長的車輛壓線聲信號包絡提取算法。實驗結果表明，該算法能實現以輪廓清晰度和特征點提取誤差值為判斷依據的信號包絡的提取；提出了步長的選取依據，并通過具體實驗驗證了該依據。利用該算法可實現目標信號的包絡提取，進而實現提取特征參數，可為實現交通檢測領域中車輛數量、速度、類型等的自動判斷奠定基礎。該包絡提取算法中理想包絡的提取過程主要依靠人工，如何實現其理想步長和包絡的自動選取值得進一步研究。

References)

[1] 焦琴琴,牛力瑤,孫壯文.基于車輛聲音及震動信號相融合的車型識別[J].微型機與應用,2015,34(11):79-82.(JIAO Q Q, NIU L Y, SUN Z W. Vehicle recognition based on fusion of acoustic and seismic signals [J]. Microcomputer & its Applications, 2015, 34(11): 79-82.)

[2] 靳舜.基于聲音和震動信號特征融合的車型識別研究[D].西安：長安大學,2014:3-5.(JIN S. Vehicle identification research based on feature fusion of acoustic and seismic signals [D]. Xi’an: Chang’an University, 2014: 3-5.)

[3] 李云煥.基于聲音識別的交通信息檢測技術研究[D].西安：長安大學,2014:11-14.(LI Y H. Research of traffic information detection technology based on voice recognition [D]. Xi’an:Chang’an University, 2014: 11-14.)

[4] 周酥,朱蒂,吳效明,等.基于小波變換的心音包絡提取算法及應用[J].中國組織工程研究與臨床康復,2011,15(30):5615-5619.(ZHOU S, ZHU D, WU X M, et al. Envelope extraction algorithm and phonocardiogram signal application based on wavelet transform [J]. Journal of Clinical Rehabilitative Tissue Engineering Research, 2011, 15(30): 5615-5619.)

[5] HUANG D. A wavelet-based algorithm for the hilbert transform [J]. Mechanical Systems & Signal Processing, 1996, 10(2): 125-134.

[6] 張緒省,朱貽盛,成曉雄,等.信號包絡提取方法——從希爾伯特變換到小波變換[J].電子科學學刊,1997,19(1):120-123.(ZHANG X S, ZHU Y S, CHENG X X, et al. The method of extracting signal envelope — from Hilbert transform to wavelet transform [J]. Journal of Electronics, 1997, 19(1): 120-123.)

[7] 王光榮.基于Hilbert變換的信號包絡提取方法研究[J].中國科技信息,2012(1):87-88.(WANG G R. The research of envelope demosulation analysis methods on noise and vibration [J]. China Science and Technology Information, 2012(1): 87-88.)

[8] 張盈盈,潘宏俠,鄭茂遠.基于小波包和Hilbert包絡分析的滾動軸承故障診斷方法[J].電子測試,2010(6):20-23.(ZHANG Y Y, PAN H X, ZHENG M Y. Rolling bearings fault diagnosis based on wavelet packet and Hilbert envelope analysis [J]. Electronic Test, 2010(6): 20-23.)

[9] 侯鐵雙.基于復解析小波變換的信號包絡檢測[J].西安郵電大學學報,2011,16(3):18-21.(HOU T S. Detection of signal envelope based on the complex analytical wavelet transform [J]. Journal of Xi’an University of Posts and Telecommunications, 2011, 16(3): 18-21.)

[10] 劉彬,戴桂平,林洪彬.一種改進的基于小波變換的包絡提取算法研究[J].儀器儀表學報,2006,27(1):34-37.(LIU B, DAI G P, LIN H B. Study on an improved envelope extraction algorithm based on wavelet transform [J]. Chinese Journal of Scientific Instrument, 2006, 27(1): 34-37.)

[11] 蔡國娟.基于包絡分析的軸承故障診斷[J].石油化工設備技術,2014,35(2):41-43.(CAI G J. Bearing fault diagnosis based on envelope analysis [J]. Petrochemical Equipment Technology, 2014, 35(2): 41-43.)

This work is partially supported by the Chongqing Research Program of Basic Research and Frontier Technology (cstc2016jcyjA0345).

LANZhangli, born in 1973, Ph. D., professor. His research interests include algorithm design, signal processing, traffic informatization, bridge health monitoring, pattern recognition.

HUANGFen, born in 1990, M. S. candidate. Her research interests include algorithm design, signal processing, traffic informatization.

Envelopeextractionalgorithmforacousticsignalofvehiclepressinglinebasedonvariablestepsize

LAN Zhangli1, HUANG Fen1,2*

(1.SchoolofInformationScienceandEngineering,ChongqingJiaotongUniversity,Chongqing400074,China;2.DepartmentofBasicEducation,ChongqingVocationalCollegeofCultureandArts,Chongqing400067,China)

The acoustic signal waveform of vehicle through the deceleration zone is different from that of the normal running on the road, the extraction of its feature parameters is crucial to the automatic judgment of number, speed and type of vehicles, and the acoustic signal envelope curve has many advantages in extracting its feature parameters compared with the original signal. However, the traditional envelope extraction algorithm has the problems that there are many burrs and it is difficult for the feature parameters to truly reflect the signal properties and features in the envelope extraction of acoustic signals in such traffic domain. In order to solve the problems, combined with the characteristics of acoustic signals of vehicles through the deceleration zone, a new envelope extraction algorithm for acoustic signal of vehicle pressing line based on variable step size was proposed. Different step sizes were set to traverse the signal. The curve was plotted by using the maximum point in each step and compared with the original signal waveform. The sharp definition and error of feature point extraction were taken as the judgment basis to realize the effective extraction of the acoustic signal envelope. The experimental results show that, under the same number of sampling points, the extracted envelope curve by the proposed algorithm is more clear and has less burrs than that by the traditional envelope extraction algorithm, and the extraction error of feature parameters is smaller.

traffic intelligent detection; envelope extraction; feature parameter; variable step size

2017- 05- 22;

2017- 07- 27。

重慶市基礎科學與前沿技術研究專項(cstc2016jcyjA0345)。

藍章禮(1973—)，男，重慶人，教授，博士，CCF會員，主要研究方向：算法設計、信號處理、交通信息化、橋梁健康監測、模式識別；黃芬(1990—)，女，河南商丘人，碩士研究生，主要研究方向：算法設計、信號處理、交通信息化。

1001- 9081(2017)12- 3625- 06

10.11772/j.issn.1001- 9081.2017.12.3625

(*通信作者電子郵箱hf0612@126.com)

TP391；TP301.6

A