原文传递
基于麦克风阵列的车辆测速与分类方法研究
| 论文题名： | 基于麦克风阵列的车辆测速与分类方法研究 |
| 关键词： | 车辆测速;车型分类;麦克风阵列;差分波束形成;自注意力机制 |
| 摘要： | 随着智能交通系统的发展，采集交通信息是进行智能化交通管理的必要前提，因此车辆速度、车辆类型等目标参数的测量具有重要的意义。此外，在军事领域，不明身份车辆的车速测量和车型分类也是战场态势感知所需的重要信息。现有基于雷达、视频、感应线圈等车速测量方法存在成本较高、战场隐蔽性不强、安装不便等问题。近年来随着麦克风阵列和声信号处理技术的发展，相比其他现有的测速方法，基于声信号的车速测量方法具有系统成本低、布设简便、战场生存能力强等优点，因此具有广泛的应用前景。此外，车辆声信号还含有丰富的车辆类型信息，因此基于车辆声信号的车型分类方法也逐渐成为近年来研究热点之一。 本文采用差分波束形成技术，重点研究了基于麦克风阵列的车速估计和车型分类方法。首先对车辆声信号进行了具体分析，说明了发动机噪声、轮胎噪声、排气噪声以及空气湍流噪声等主要的车辆声信号来源。然后阐述了基于双麦克风和基于单麦克风两种现有基于车辆声信号的车速测量方法原理，重点针对基于单麦克风的车速测量方法进行了分析。考虑到差分波束形成可以在空域形成指定方向的凹口且在低频区具有近似频率无关的方向图，本文提出了一种基于小微型MEMS麦克风阵列差分波束形成的车速测量方法。该方法首先构建两个一阶偶极子波束，然后通过考查两个波束输出功率极小值的时间差实现车速测量，具有成本低、计算简便等优点。此外，本文还进一步针对大型车、小型车、电动车三种车型开展了基于车辆声信号的车型分类方法研究，对现有卷积神经网络（CNN）分类方法进行了改进，得到了一种基于自注意力机制的CNN车型分类方法。该方法在CNN网络的基础上增加了自注意力机制，从而突出时域和频域信息中更能区分车辆类别的特征，在实际环境中具有更好的鲁棒性。开展的大量仿真及外场实验结果验证了本文所研车速测量和车型分类方法的有效性，同时与现有基于单麦克风的车速测量方法性能对比结果表明，本文所研方法在车速估计性能相当的情况下运算耗时显著降低。相关研究成果为构建更为全面的智能交通系统以及战场声学监测系统奠定了良好基础。 |
| 作者： | 徐子君 |
| 专业： | 电子与通信工程 |
| 导师： | 赵兆 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
