中国公路学报

作者：毛锦, 李林聪, 刘凯, 杜进辅, 崔亚辉

单位：西安理工大学 机械与精密仪器工程学院, 陕西 西安 710048

关键词：汽车工程,无人驾驶,鲁棒特征提取,声学事件检测,谐波梅尔频率倒谱系数

基金：国家自然科学基金青年科学基金项目（61701397，51705419）；陕西省自然科学基础研究计划项目（2017JQ5011）；中国博士后科学基金项目（2019M653702，2018M633540）

无人驾驶汽车在行车过程中，需要通过视觉感知和听觉感知来构建当前周围环境模型，声学事件检测是听觉感知系统构建模型的核心所在。行车环境下声学事件检测系统面临着复杂而强烈的噪声挑战，尤其是行车过程中的风噪。声学事件检测中，常用的声学特征梅尔频率倒谱系数（MFCC）对噪声干扰十分敏感，为了解决这一问题，提出一种谐波梅尔频率倒谱系数（HMFCC）的鲁棒性声学特征提取算法，用于声学事件的目标分类。该算法通过声学信号的谐波模型与MFCC算法相结合，提取目标声学信号中的共振峰频率，改进传统Mel滤波器组，从而增强HMFCC中目标声学信号的中高频分量。研究结果表明：在不同的风噪环境下，基于HMFCC声学特征的检测结果具有较高的精准率和召回率，且在低噪和强噪环境下HMFCC和MFCC之间分类效果差异明显；低噪环境下，几种声学事件的HMFCC特征分类的平均精准率和召回率分别达到82.66%、84.15%，而基于MFCC特征分类检测的平均精准率和召回率只有73.93%、74.61%；随着风噪增强，MFCC特征分类精度严重下降，平均精准率和召回率仅为54.15%、44.95%，HMFCC特征在强噪环境下的平均精准率和召回率为72.16%、69.87%。行车环境下，HMFCC特征不仅可以提高分类的准确率，而且表现出对噪声不敏感的特性。

来源：2019年第6期

《中国公路学报》期刊编辑部

查看中国公路学报杂志2019年第6期