姜 愉

(欽州學(xué)院 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，廣西 欽州 535000)

基于BP和ARM的發(fā)動(dòng)機(jī)聲音識(shí)別系統(tǒng)

姜 愉

(欽州學(xué)院 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，廣西 欽州 535000)

為解決高速公路收費(fèi)站及大型停車(chē)收費(fèi)場(chǎng)自動(dòng)收費(fèi)問(wèn)題，依據(jù)BP神經(jīng)網(wǎng)絡(luò)識(shí)別理論，設(shè)計(jì)了一個(gè)基于ARM9及嵌入式Linux系統(tǒng)的發(fā)動(dòng)機(jī)聲音識(shí)別系統(tǒng)。選用S3C2410微處理器和嵌入式Linux操作系統(tǒng)，把交叉編譯后的發(fā)動(dòng)機(jī)聲音識(shí)別C語(yǔ)言程序移植到操作系統(tǒng)的文件中，實(shí)現(xiàn)了發(fā)動(dòng)機(jī)聲音實(shí)時(shí)識(shí)別功能，給出了系統(tǒng)整體軟硬件結(jié)構(gòu)框架以及實(shí)時(shí)輸入發(fā)動(dòng)機(jī)聲音判別汽車(chē)類(lèi)型的識(shí)別結(jié)果?，F(xiàn)場(chǎng)實(shí)驗(yàn)證實(shí)了該系統(tǒng)的準(zhǔn)確性、實(shí)時(shí)性和有效性。

BP;嵌入式系統(tǒng);S3C2410處理器;發(fā)動(dòng)機(jī)聲音;識(shí)別

隨著我國(guó)高速公路和汽車(chē)技術(shù)的迅猛發(fā)展，汽車(chē)流動(dòng)量越來(lái)越大，大型收費(fèi)停車(chē)場(chǎng)及公路收費(fèi)站越來(lái)越多，人工收費(fèi)對(duì)人力物力消耗巨大且速度較慢，亟需一種行之有效的智能管理系統(tǒng)。因此，筆者研究了發(fā)動(dòng)機(jī)聲音信號(hào)頻譜特征，針對(duì)該特性選擇BP作為識(shí)別機(jī)，同時(shí)通過(guò)離線仿真選取適合特征參數(shù)并確定BP網(wǎng)絡(luò)參數(shù)，最后完成基于BP神經(jīng)網(wǎng)絡(luò)、ARM9及嵌入式Linux系統(tǒng)的發(fā)動(dòng)機(jī)聲音識(shí)別系統(tǒng)。以期通過(guò)檢測(cè)發(fā)動(dòng)機(jī)聲音，有效識(shí)別駛過(guò)的汽車(chē)類(lèi)型，在高速公路收費(fèi)站及大規(guī)模停車(chē)收費(fèi)場(chǎng)起到不停車(chē)自動(dòng)準(zhǔn)確收費(fèi)的效果。

1 聲音識(shí)別系統(tǒng)基本原理

系統(tǒng)采用誤差反向傳播BP(Back Propagation)模型作為發(fā)動(dòng)機(jī)聲音識(shí)別模型。聲音識(shí)別主要包括訓(xùn)練及識(shí)別兩部分。訓(xùn)練階段主要通過(guò)對(duì)數(shù)據(jù)庫(kù)樣本聲音進(jìn)行訓(xùn)練，形成神經(jīng)網(wǎng)絡(luò)模型。識(shí)別階段則是把發(fā)動(dòng)機(jī)聲音輸入到訓(xùn)練形成的神經(jīng)網(wǎng)絡(luò)中輸出識(shí)別結(jié)果。發(fā)動(dòng)機(jī)識(shí)別的系統(tǒng)框圖如圖1所示。

圖1 聲音識(shí)別系統(tǒng)Fig.1 Sound recognition system

1.1 聲音信號(hào)的預(yù)處理

聲音信號(hào)的預(yù)處理包括:聲音采樣、模/數(shù)(A/D)轉(zhuǎn)換、分幀、加窗、端點(diǎn)檢測(cè)［1］。

A/D設(shè)定的采樣頻率是16 kHz，量化精度是16位。

幀長(zhǎng)取1 024點(diǎn)，幀移取400點(diǎn)。

加窗:采用哈明窗進(jìn)行發(fā)動(dòng)機(jī)聲音加窗。

系統(tǒng)采用雙門(mén)限的端點(diǎn)檢測(cè)方法，即通過(guò)聲音信號(hào)的短時(shí)能量和過(guò)零率來(lái)進(jìn)行端點(diǎn)檢測(cè)。

1.2 聲音特征參數(shù)的提取

選取特征參數(shù)主要考慮識(shí)別效果及系統(tǒng)硬件存儲(chǔ)量限制兩方面。文中選用Mel頻率倒譜系數(shù)MFCC(Mel Frequency Cepstrum Coefficient)［2］作為特征參數(shù)。信號(hào)的MFCC主要反映聲音靜態(tài)特征，具備較好的被識(shí)別能力和抗噪能力。由于發(fā)動(dòng)機(jī)聲音為規(guī)則噪音，其靜態(tài)特征具備足夠的被識(shí)別能力，系統(tǒng)中特征矢量為12階倒譜系數(shù)。

1.3 BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

系統(tǒng)采用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)作為訓(xùn)練識(shí)別網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)又稱誤差反向傳播算法［3］，是一種多層前饋型的神經(jīng)網(wǎng)絡(luò)。圖2為3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，其算法的基本步驟為:

步驟1初始化各層網(wǎng)絡(luò)的權(quán)值為較小的隨機(jī)數(shù)，依次輸入P個(gè)學(xué)習(xí)樣本。設(shè)當(dāng)前輸入的為第P個(gè)樣本。依次計(jì)算出各層的輸出。

步驟2求各層的反傳誤差δ，期望輸出d，實(shí)際輸出值y，及輸出層(第3層)節(jié)點(diǎn)數(shù)m，中間隱層節(jié)點(diǎn)數(shù)n1，輸入層(第1層)節(jié)點(diǎn)數(shù)n2:

步驟3記錄已經(jīng)學(xué)習(xí)過(guò)的樣本數(shù)P。如果p＜P，轉(zhuǎn)到步驟1繼續(xù)計(jì)算，如果p=P按權(quán)值修正公式修正各層的權(quán)值ω。η為學(xué)習(xí)速率。引入動(dòng)量項(xiàng)α來(lái)加快收斂，公式為

系統(tǒng)中通過(guò)Matlab模擬仿真，選擇適合的特征參數(shù)。采用期望最小均方誤差為0.001，輸入采用12節(jié)點(diǎn)，為12維MFCC特征參數(shù)，隱層為70個(gè)，動(dòng)量因子為0.8，學(xué)習(xí)速率為0.1(學(xué)習(xí)速率只要在可允許速度的情況下，一般越小越好)。輸出4個(gè)節(jié)點(diǎn):分別為小機(jī)車(chē)(1，0，0，0)，面包車(chē)(0，1，0，0)，公交車(chē)(0，0，1，0)和重型汽車(chē)(0，0，0，1)。

圖2 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Three layer BP block diagram

1.4 發(fā)動(dòng)機(jī)聲譜分析

聲譜圖本身反應(yīng)語(yǔ)音信號(hào)的動(dòng)態(tài)頻譜特性，同時(shí)反映了時(shí)域的變化，在聲音分析中有重大的使用價(jià)值［4］。圖3為普通語(yǔ)音的語(yǔ)譜圖，圖4為發(fā)動(dòng)機(jī)聲譜圖。

圖3 普通語(yǔ)譜圖Fig.3 Normal voice spectrum

圖4 發(fā)動(dòng)機(jī)聲譜圖Fig.4 Engine sound spectrum

由于發(fā)動(dòng)機(jī)聲譜隨時(shí)間變化很小，聲譜是平穩(wěn)的(圖4)。因此，識(shí)別時(shí)選擇單幀識(shí)別，在滿足實(shí)時(shí)識(shí)別的同時(shí)對(duì)識(shí)別結(jié)果影響很小。

2 聲音識(shí)別系統(tǒng)在嵌入式平臺(tái)的實(shí)現(xiàn)

2.1 硬件構(gòu)成

該系統(tǒng)的硬件結(jié)構(gòu)如圖5所示。整個(gè)系統(tǒng)采用三星S3C2410作為核心微處理器，UDA1341TS作音頻解碼芯片，接口電路及儲(chǔ)存電路等來(lái)完成發(fā)動(dòng)機(jī)聲音識(shí)別過(guò)程。電源電壓12 V。芯片內(nèi)核為ARM920T，微處理器主頻為203 MHz，16/32位;配有64 M的外部存儲(chǔ)器，以及64 M的NAND Flash;還集成有網(wǎng)絡(luò)接口、串口、USB接口、LCD及觸摸屏接口、存儲(chǔ)接口、復(fù)位電路、音頻接口，同時(shí)支持JTAG下載調(diào)試接口等。

圖5 系統(tǒng)硬件結(jié)構(gòu)Fig.5 System hardware structure

飛利浦公司生產(chǎn)的UDA1341TS芯片是一款功耗低且全雙工的音頻編解碼專(zhuān)用芯片，集成ADC及DAC在一塊芯片上，模擬前端完全集成，自身包括數(shù)字自動(dòng)增益控制(AGC)和可編程增益控制(PGA)，有強(qiáng)大的數(shù)字信號(hào)處理(DSP)性能。輸入聲音信號(hào)為模擬信號(hào)，系統(tǒng)采用UDA1341TS芯片完成A/D轉(zhuǎn)換。輸入輸出部分分別由話筒及揚(yáng)聲器完成。發(fā)動(dòng)機(jī)聲音模擬信號(hào)經(jīng)話筒輸入后進(jìn)行預(yù)處理:包括A/D轉(zhuǎn)換以及自動(dòng)增益控制等。存儲(chǔ)部分采用2片32 M容量的SDRAM芯片及64 M的NAND Flash組成。

2.2 工作原理

文中數(shù)據(jù)庫(kù)選擇車(chē)況較新、車(chē)輛負(fù)載較少、車(chē)速較慢較平穩(wěn)的情況下所采集的發(fā)動(dòng)機(jī)聲音。為防止干擾音影響，錄音采用錄音筆指向車(chē)輛進(jìn)行錄音，且錄音距離為錄音筆距車(chē)輛1～4 m。

基于BP技術(shù)的識(shí)別系統(tǒng)需要一個(gè)較大的聲音庫(kù)，訓(xùn)練階段需要較大的運(yùn)算量。識(shí)別模型需要的存儲(chǔ)量及匹配計(jì)算的運(yùn)算量相對(duì)較小，如果訓(xùn)練及識(shí)別都采用ARM硬件實(shí)現(xiàn)則運(yùn)算速度和運(yùn)算精度都會(huì)較慢且對(duì)存儲(chǔ)量要求較大。同時(shí)受運(yùn)算速度及硬件資源限制，更重要的是硬件為16/32位運(yùn)算精度，PC機(jī)運(yùn)算精度可達(dá)到64位，由此系統(tǒng)的發(fā)動(dòng)機(jī)聲音訓(xùn)練階段在PC機(jī)上應(yīng)用Matlab仿真完成，聲音數(shù)據(jù)用錄音筆(采樣頻率 16 kHz，量化精度16 bits)大量采集，采用單聲道 PCM(Pulse Code Modulation)格式。聲音數(shù)據(jù)經(jīng)過(guò)預(yù)處理，提取12維MFCC特征參數(shù)，然后用BP進(jìn)行訓(xùn)練得到識(shí)別模型，并將訓(xùn)練結(jié)果保存嵌入式Linux操作系統(tǒng)與算法實(shí)現(xiàn)的C程序相同的目錄下，以便在系統(tǒng)識(shí)別階段進(jìn)行模型的讀取。聲音識(shí)別階段則是將從麥克風(fēng)輸入的聲音信號(hào)經(jīng)UDA1341TS(音頻數(shù)字信號(hào)譯碼器)處理后，通過(guò)相應(yīng)程序提取特征參數(shù)，將所得特征參數(shù)與訓(xùn)練所得模型對(duì)比，找出最匹配(相近)的聲音作為識(shí)別結(jié)果。

2.3 系統(tǒng)運(yùn)行

發(fā)動(dòng)機(jī)聲音識(shí)別算法完全采用標(biāo)準(zhǔn)C語(yǔ)言編寫(xiě)。嵌入式Linux系統(tǒng)按軟件角度可分引導(dǎo)加載程序(Boot Loader)、內(nèi)核文件、文件系統(tǒng)及應(yīng)用程序4個(gè)部分:引導(dǎo)加載程序采用vivi;內(nèi)核采用Linux－2.6;將聲音識(shí)別C語(yǔ)言程序運(yùn)用make工具進(jìn)行交叉編譯，采用arm－linux－gcc交叉編譯器，并將聲音識(shí)別程序添加到 cramfs根文件系統(tǒng)中;UDA1341TS作為音頻驅(qū)動(dòng)程序［5］，把驅(qū)動(dòng)程序放在Linux－2.6內(nèi)核靜態(tài)編譯。

做好軟件準(zhǔn)備工作后，用 JTAG燒寫(xiě)工具在ARM開(kāi)發(fā)板上依次燒寫(xiě)vivi引導(dǎo)加載程序、Linux內(nèi)核及cramfs根文件系統(tǒng)，燒寫(xiě)完畢后需重新啟動(dòng)開(kāi)發(fā)板，Linux操作系統(tǒng)可以進(jìn)行發(fā)動(dòng)機(jī)聲音實(shí)時(shí)識(shí)別實(shí)驗(yàn)。

3 實(shí)驗(yàn)結(jié)果和分析

實(shí)驗(yàn)是在車(chē)輛相對(duì)較少、車(chē)速較慢的地點(diǎn)進(jìn)行的，在發(fā)動(dòng)機(jī)聲音訓(xùn)練階段采用的4組數(shù)據(jù)分別為小汽車(chē)、面包車(chē)、公共汽車(chē)、重型汽車(chē)。每組400個(gè)樣本聲音，其中200個(gè)用作訓(xùn)練集，其余200個(gè)用作測(cè)試集。識(shí)別從麥克風(fēng)實(shí)時(shí)輸入的發(fā)動(dòng)機(jī)聲音信號(hào)。

由于車(chē)輛實(shí)時(shí)通過(guò)時(shí)時(shí)間較短，且發(fā)動(dòng)機(jī)聲譜平穩(wěn)，分別得到采集1幀數(shù)據(jù)及3幀數(shù)據(jù)(每幀分別識(shí)取2幀及以上為同一結(jié)果)情況下的識(shí)別結(jié)果。由表1可知，隨著識(shí)別時(shí)所取幀數(shù)的增加，識(shí)別率q會(huì)相應(yīng)增加，但所需的內(nèi)存及識(shí)別時(shí)間也會(huì)隨之增加，所以根據(jù)不同的車(chē)速場(chǎng)所可采取不同的幀數(shù)進(jìn)行識(shí)別。

表1 取不同幀數(shù)發(fā)動(dòng)機(jī)聲音實(shí)時(shí)識(shí)別結(jié)果及速率Talbe 1 Different frames real time srecognition result and rates

由于單幀識(shí)別可達(dá)到較高的識(shí)別率，單幀采集時(shí)間為1 024點(diǎn)(64 ms)，識(shí)別速度v為8 ms，可以適應(yīng)高速公路車(chē)速較快的情況;又因其采用直接讀取識(shí)別模型，同時(shí)數(shù)據(jù)采集時(shí)只采集1幀，大量節(jié)約內(nèi)存及計(jì)算量，滿足了嵌入式設(shè)備成本低、消耗少、體積小、性能高的要求。因此，該系統(tǒng)是通過(guò)發(fā)動(dòng)機(jī)聲音識(shí)別車(chē)輛的較好選擇。

4 結(jié)束語(yǔ)

筆者根據(jù)發(fā)動(dòng)機(jī)聲音信號(hào)的特點(diǎn)，利用BP神經(jīng)網(wǎng)絡(luò)算法，在ARM平臺(tái)上設(shè)計(jì)了一個(gè)嵌入式發(fā)動(dòng)機(jī)聲音實(shí)時(shí)識(shí)別系統(tǒng)。在實(shí)驗(yàn)條件下，該系統(tǒng)單幀識(shí)別率在95%以上，且識(shí)別速度僅為8 ms，表明該系統(tǒng)準(zhǔn)確有效。該系統(tǒng)可用于智能交通及停車(chē)場(chǎng)自動(dòng)收費(fèi)系統(tǒng)中，同時(shí)也可考慮應(yīng)用于汽車(chē)的黑匣子。目前，該系統(tǒng)已在ARM平臺(tái)上實(shí)現(xiàn)并進(jìn)行了綜合評(píng)估。未來(lái)的工作將嘗試降低環(huán)境噪聲對(duì)端點(diǎn)檢測(cè)準(zhǔn)確性的影響以提高識(shí)別性能;并改進(jìn)識(shí)別算法以適應(yīng)多輛車(chē)同時(shí)通過(guò)的情形。

［1］趙 力.語(yǔ)音信號(hào)處理［M］.北京:機(jī)械工業(yè)出版社，2010.

［2］江星華，李 應(yīng).一種基于MFCC的音頻數(shù)據(jù)檢索方法［J］.計(jì)算機(jī)與數(shù)字工程，2008(9):19－21.

［3］辛 鑫.基于自制嵌入式ARM9平臺(tái)的Linux－2.6移植［D］.武漢:華中科技大學(xué)，2008.

［4］李玉萍，樸春俊，韓永成.一種帶噪語(yǔ)音信號(hào)端點(diǎn)檢測(cè)方法研究［J］.電子測(cè)試，2008(2):14－17.

［5］趙明明，王志勝.參數(shù)自整定PID控制器設(shè)計(jì)與仿真［J］.工業(yè)控制計(jì)算機(jī)，2010，23(2):72－73.

Voice recognition engine based on BP’s system in realization of ARM

JIANG Yu
(School of Mathematics＆ Computer Science，Qinzhou University，Qinzhou 535000，China)

Aimed at addressing automatic fee charging of highway toll stations and large-scale rechargeable parking lots，this paper introduces the design of a embedded speech recognition system based on ARM9 and embedded Linux system of the engine sound by analyzing the BP neural network recognition theory.The design consisting of S3C2410 microprocessors and Linux operating systems involves transplanting the C language of speech recognition program to the embedded Linux operating system’s file system when cross-compiled.The paper describes the system’s hardware and software framework，and offers the experiments results produced by real-time recognition of the car type by the engine sound.The results prove its accuracy，real-time and validity.

BP;embedded systems;S3C2410 processor;engine sound;recognition

TP391.4

A

1671－0118(2012)05－0533－04

2012－08－21

姜 愉(1982－)，男，黑龍江省克山人，助教，碩士，研究方向:信號(hào)處理，E-mail:63131758@qq.com。

(編輯 王 冬)