陳志全，楊 駿，喬樹山

（中國(guó)科學(xué)院大學(xué) 微電子研究所，北京 100029）

基于單類支持向量機(jī)的異常聲音檢測(cè)

陳志全，楊 駿，喬樹山

（中國(guó)科學(xué)院大學(xué) 微電子研究所，北京 100029）

提出基于單類支持向量機(jī)的異常聲音在線檢測(cè)算法。該算法針對(duì)公共場(chǎng)合正常的環(huán)境聲音，訓(xùn)練一個(gè)單類支持向量機(jī)模型，用來判斷聲音是否屬于正常的環(huán)境聲音，若不是則屬于需要進(jìn)一步識(shí)別的異常聲音。采用窗長(zhǎng)2秒的滑動(dòng)窗對(duì)聲音進(jìn)行分窗，對(duì)每一個(gè)窗內(nèi)的聲音分幀并提取梅爾倒譜系數(shù)，短時(shí)能量，頻譜質(zhì)心，短時(shí)平均過零率等特征。采用基于幀之間互相關(guān)系數(shù)的方法對(duì)聲音自動(dòng)分段。最后對(duì)分段聲音的判別結(jié)果進(jìn)行中值濾波。當(dāng)有連續(xù)多個(gè)幀被判別為異常時(shí)判定有異常聲音出現(xiàn)。最后檢驗(yàn)了算法在地鐵背景條件下六類異常聲音的漏檢率和每小時(shí)誤檢次數(shù)，結(jié)果表明算法能有效檢測(cè)到異常聲音的發(fā)生而且誤檢次數(shù)較低。

單類支持向量機(jī)；異常聲音檢測(cè)；特征提??；音頻監(jiān)控

近些年隨著信息化和網(wǎng)絡(luò)化技術(shù)的發(fā)展，安全監(jiān)控在國(guó)防和社會(huì)安全中的作用越來越突出。現(xiàn)在的監(jiān)控系統(tǒng)主要由攝像頭采集監(jiān)控區(qū)域的影像視頻信息來完成監(jiān)控，但是僅僅基于視頻的監(jiān)控系統(tǒng)有其自身的一些缺陷。首先：一個(gè)攝像頭只能監(jiān)控一個(gè)方向，要做到更好的實(shí)時(shí)監(jiān)控，需要攝像頭能夠移動(dòng)到事件發(fā)生的區(qū)域；其次，視頻監(jiān)控容易受光線影響，同時(shí)在一些私人場(chǎng)合不利于保護(hù)個(gè)人的隱私；最后，圖像是二維信號(hào)，處理相對(duì)復(fù)雜，計(jì)算量較大。與圖像相比，聲音信號(hào)具有很多優(yōu)點(diǎn)：是一維信號(hào)，復(fù)雜度低；分布廣泛，易獲?。话畔⒘看?。區(qū)域內(nèi)的異常聲音能夠有效的揭示異常狀況以及突發(fā)事件。這些優(yōu)點(diǎn)可以很好的彌補(bǔ)視頻監(jiān)控的不足。通過檢測(cè)和識(shí)別環(huán)境中的聲音信息，監(jiān)控系統(tǒng)對(duì)特定區(qū)域或區(qū)域進(jìn)行重點(diǎn)關(guān)注，監(jiān)控會(huì)更加的自動(dòng)化智能化。這對(duì)于智能監(jiān)控以及安全防護(hù)具有極其重要的意義。

音頻監(jiān)控主要由兩個(gè)階段構(gòu)成：異常聲音檢測(cè)；異常聲音識(shí)別。異常聲音指在正常環(huán)境下不應(yīng)該發(fā)生的聲音如：槍聲，尖叫，爆炸，玻璃破碎聲等。當(dāng)前，關(guān)于異常聲音監(jiān)控的研究主要關(guān)注于幾類異常聲音的分類。文獻(xiàn)[1]針對(duì)典型的異常聲音的頻譜分布特性，提出一種矯正過濾波器通帶位置，大小以及類型的MFCC。這種方法能夠改善某類聲音的識(shí)別率，但是當(dāng)聲音類別增加時(shí)，并不能有效的獲取所有異常聲音的頻譜分布狀況。文獻(xiàn)[2]提出將MFCC以及短時(shí)能量作為混合特征訓(xùn)練高斯混合模型（Gauss Mixture Model，GMM），能夠一定程度提高聲音的識(shí)別率，文獻(xiàn)[3]在研究槍聲的發(fā)生原理，頻譜分布特點(diǎn)的基礎(chǔ)上，提出基于經(jīng)驗(yàn)?zāi)B(tài)分解方法的槍聲特征的提取方法，提高了公共場(chǎng)所槍聲的識(shí)別率，但是只能針對(duì)槍聲這一大類聲音。

在異常聲音檢測(cè)方面，文獻(xiàn)[4]采用支持向量機(jī)（Support Vector Machine，SVM）檢測(cè)是否有歡呼聲和掌聲，文中將音頻按0.5 s滑動(dòng)分窗，并對(duì)每一個(gè)窗內(nèi)的判別結(jié)果進(jìn)行平滑。最終獲得的F-value為79.71%。文獻(xiàn)[5]采用4個(gè)OC-SVM分別對(duì)四類異常聲音進(jìn)行建模，將待識(shí)別的聲音輸入4個(gè)模型，比較模型輸出選擇其中一個(gè)作為聲音的類別，其實(shí)質(zhì)是一個(gè)聲音識(shí)別算法，當(dāng)聲音種類較少時(shí)能夠有效識(shí)別聲音的種類，但種類較多時(shí)很難比較模型之間的輸出進(jìn)而得出正確的分類。文獻(xiàn)[6]針對(duì)室內(nèi)異常聲音檢測(cè)問題，提出一種基于集成學(xué)習(xí)的異常聲音檢測(cè)方法：先將聲音按幀提取特征，然后將每一幀聲音按內(nèi)容分為不同的類別，接著利用一個(gè)異事件檢測(cè)器對(duì)連續(xù)幀進(jìn)行判別，此方法引入了環(huán)境的上下文作為判斷的一個(gè)依據(jù)，但是不適合環(huán)境較為復(fù)雜的情況。

文中主要關(guān)注于異常聲音的檢測(cè)階段，為此提出一種基于單類支持向量機(jī) （One-Class Support Vector Machine，OCSVM）的異常聲音檢測(cè)算法。對(duì)公共場(chǎng)合的背景聲音構(gòu)建一個(gè)OC-SVM模型，用來判定一段聲音是否屬于正常聲音，否則判定為異常聲音。算法在多種公共場(chǎng)合聲音下能夠有效的檢測(cè)到6種異常聲音的發(fā)生且誤檢次數(shù)較低[7-8]。

1 ONE-CLASS SVM簡(jiǎn)介

單類支持向量機(jī) （One-Class Support Vector Machine，OC-SVM）最先由Bernhard Sch?lkopf提出。他基于支持向量機(jī)（Support Vector Machine，SVM）最大分類間隔和分離超平面的思想，將單類分類問題視為一個(gè)特殊的二類分類問題，在特征空間中尋求一個(gè)超平面最大化樣本點(diǎn)和原點(diǎn)之間的距離。給定訓(xùn)練集s={x1，x2……xl}，xi∈Rd其中xi是單類樣本，在文中對(duì)應(yīng)公共場(chǎng)合的正常聲音。給出從Rd到高維特征空間χ的非線性映射函數(shù)φ使得φ（xi）∈χ。OC-SVM的目標(biāo)就是在高維特診空間里建立一個(gè)超平面w·φ（x）-ρ=0，將高維空間中的樣本點(diǎn)和原點(diǎn)以間隔ρ分開，其中w是超平面的法向量，p是學(xué)習(xí)超平面的截距.為了讓超平面盡量遠(yuǎn)離原點(diǎn)，最大化原點(diǎn)到樣本點(diǎn)之間的距離來尋找最優(yōu)超平面。一個(gè)二維空間中的最優(yōu)超平面。如圖1所示。

圖1 單類支持向量機(jī)超平面示意圖

類似二分類支持向量機(jī)，為了提高算法的魯棒性O(shè)CSVM也引入了松弛變量ξ，優(yōu)化問題表示為：

其中，w∈χ和ρ∈R是超平面的參數(shù)。v∈（0，1]是提前定義好的百分比參數(shù)，表示邊界支持向量率的上界 （分類錯(cuò)誤率）。為了求解此問題引入拉格朗日函數(shù)α。最終決策函數(shù)為：

其中決策函數(shù)值大于零時(shí)預(yù)測(cè)樣本為正類樣本，否則樣本屬于異常。

2 特征參數(shù)提取

特征往往決定了分類算法的效果，好的特征組合能極大的提高算法的效果，所以，特征提取也往往是聲音識(shí)別和檢測(cè)研究的一個(gè)重要的方向。文中從常見的音頻特征中選取一部分作為特征組合。常見的音頻特征如下：

2.1 短時(shí)能量

短時(shí)能量指信號(hào)在一段（文中是指一幀，幀長(zhǎng)25 ms）時(shí)間內(nèi)的能量值，通過短時(shí)能量的變化一定程度上也能反映出信號(hào)在時(shí)域的幅度的變化情況。計(jì)算公式如下：

2.2 短時(shí)平均過零率

短時(shí)過零率指信號(hào)在一幀內(nèi)符號(hào)改變的次數(shù)，它粗略的估計(jì)出了信號(hào)的頻率變化情況。短時(shí)過零率的計(jì)算公式如下：

2.3 梅爾倒譜系數(shù)（Mel Frequency Cepstrum Coefficients，MFCC）

MFCC是語(yǔ)音識(shí)別中最常用也是效果最好的特征，也是非語(yǔ)音識(shí)別最常用的特征之一。它通過將標(biāo)準(zhǔn)頻率取對(duì)數(shù)映射到Mel頻域，更加的符合人耳對(duì)不同頻段的聽覺響應(yīng)特點(diǎn)。對(duì)信號(hào)作在Mel頻域作傅里葉變換，并經(jīng)過一組部分重疊的濾波器組獲取不同頻段上的信號(hào)的能量，最后通過離散余弦變換去除耦合即可得到聲音信號(hào)的 MFCC特征。文中MFCC階數(shù)為12階。

2.4 頻譜質(zhì)心（Spectral Centroid，SC）

頻譜質(zhì)心是指信號(hào)對(duì)數(shù)能量譜的重心，它描述了信號(hào)能量譜的形狀，揭示能量譜中高頻及低頻的比重，反映了信號(hào)在頻域的分布情況。頻譜質(zhì)心得計(jì)算公式如下：

其中f（k）指信號(hào)的頻率，s[k]指信號(hào)對(duì)應(yīng)頻率的幅度。

3 異常聲音在線檢測(cè)系統(tǒng)結(jié)構(gòu)

由前所述，我們只考慮判斷一段聲音是否屬于環(huán)境中的聲音，如果不是可以判定其為異常聲音（槍聲，爆炸，玻璃破碎，尖叫，碰撞等）。我們對(duì)公共場(chǎng)合聲音建立一個(gè)OC-SVM模型用來檢測(cè)聲音是否屬于環(huán)境中的正常聲音。對(duì)于每段聲音通過窗長(zhǎng)為2 s的滑動(dòng)窗將其分段，對(duì)每一段聲音分幀并提取其特征，然后計(jì)算相鄰幀之間特征的互相關(guān)系數(shù)，互相關(guān)系數(shù)高過閾值的相鄰幀之間合并為同一段聲音，（閾值設(shè)為0.9）當(dāng)聲音的長(zhǎng)度超過0.3 s時(shí)將其列為待識(shí)別聲音，將其每一幀的特征輸入OC-SVM模型中，判斷每一幀信號(hào)是否異常。同時(shí)對(duì)每一段內(nèi)的判別結(jié)果進(jìn)行中值濾波，最后判斷是否為異常聲音，系統(tǒng)的結(jié)構(gòu)流程如圖2所示。

圖2 異常聲音檢測(cè)系統(tǒng)結(jié)構(gòu)

系統(tǒng)的結(jié)構(gòu)由以下幾個(gè)部分構(gòu)成。

3.1 滑動(dòng)分窗及提取特征

對(duì)于在線的異常聲音檢測(cè)，并不能知道事件的時(shí)間長(zhǎng)度，因此我們先對(duì)聲音滑動(dòng)分窗，窗長(zhǎng)2 s，窗移0.2 s。然后對(duì)每一窗口內(nèi)的聲音進(jìn)行分幀，幀長(zhǎng)25 ms，幀移50%。接著對(duì)每一幀提取特征組合，特征如前所訴主要MFCC，SC，短時(shí)能量和短時(shí)平均過零率構(gòu)成。

3.2 自適應(yīng)分段

對(duì)于在線的異常聲音檢測(cè)，事先并不知道異常聲音的長(zhǎng)度以及其端點(diǎn)，雖然可以采用端點(diǎn)檢測(cè)的方法判定聲音的起始點(diǎn)，但是由于環(huán)境中有各種聲音混疊在一起，而且在每個(gè)聲音的不同部分信號(hào)的強(qiáng)度時(shí)不一樣的，一般聲音的前面部分信號(hào)較強(qiáng)，尾部較長(zhǎng)但是強(qiáng)度逐漸較弱，要準(zhǔn)確的檢測(cè)異常聲音的端點(diǎn)難度較大。根據(jù)我們統(tǒng)計(jì)收集到的數(shù)據(jù)，異常聲音長(zhǎng)度范圍最短（如單個(gè)手槍槍聲）在 0.3 s左右，文中采用自適應(yīng)的方法對(duì)信號(hào)分段?；谙噜弾g的特征的互相關(guān)系數(shù)，當(dāng)互相關(guān)系數(shù)高過設(shè)定的閾值時(shí)，多個(gè)幀合并為一塊，繼續(xù)計(jì)算下一幀和上一段的相關(guān)系數(shù)，然后合并不同的塊，重復(fù)上述步驟直至不能再合并。具體流程見圖3。

圖3 自適應(yīng)分段示意圖

3.3 結(jié)果判斷

對(duì)于每一段聲音，我們對(duì)每一幀提取特征，將特征輸入到OC-SVM模型中對(duì)其進(jìn)行判斷是否為異常。假設(shè)一段待識(shí)別的聲音可以分為n幀，則OC-SVM就有多個(gè)判斷結(jié)果，由于模型的判別準(zhǔn)確度不可能為100%，所以所有的幀級(jí)的結(jié)果不可能完全正確。為此對(duì)判別的結(jié)果進(jìn)行中值濾波，規(guī)則如下：

其中s（n）指一幀信號(hào)的檢測(cè)結(jié)果，為1指信號(hào)為正常，否則為異常。我們認(rèn)為當(dāng)中間一幀與相連的幀判別結(jié)果不相同時(shí)，我們認(rèn)為這是一種誤分類。

對(duì)待識(shí)別的聲音段幀級(jí)的識(shí)別結(jié)果進(jìn)行中值濾波后，我們統(tǒng)計(jì)連續(xù)被判定為異常的幀的數(shù)目，設(shè)定一個(gè)比例閾值γ，當(dāng)異常幀的比例超過閾值γ，我們判定此段聲音為異常聲音。當(dāng)一個(gè)異常聲音有一段被檢測(cè)到的時(shí)候，判定這個(gè)異常聲音被檢測(cè)到了，否則判為漏檢。另外當(dāng)一段正常聲音被檢測(cè)為異常聲音時(shí)判定為出現(xiàn)一次誤檢。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 聲音資源來源

由于還沒有統(tǒng)一公開的異常聲音音效資源，本文的音效資源主要來自網(wǎng)絡(luò)，包括findsound.com上的聲音資源以及ideal sound 6 000 series中的部分資源。其中有6種異常聲音包括槍聲，爆炸聲，尖叫聲，玻璃破碎聲，警報(bào)聲，撞擊聲等。6種異常聲音的長(zhǎng)度從約0.3 s至2 s不等。采樣率為44.1 kHz。背景聲音采用的是錄取的北京地鐵北土城站大廳的聲音，總時(shí)長(zhǎng)為60分鐘。 背景聲音主要包括人說話的聲音，腳步聲，拉動(dòng)行李箱的聲音，大廳中電視機(jī)的聲音，地鐵經(jīng)過時(shí)發(fā)出的聲音以及電機(jī)的聲音等等。具體細(xì)節(jié)可見表1。

表1 各類聲音資源信息

4.2 實(shí)驗(yàn)結(jié)果及分析

測(cè)試時(shí)，我們將異常聲音按照信噪比公式（7）加入到地鐵環(huán)境正常聲音中。

其中ex指異常聲音的平均能量，en是環(huán)境聲音的平均能量，event指異常聲音事件，ambinece指公共場(chǎng)合背景聲音。對(duì)于每個(gè)異常聲音，我們每隔4 s的位置放置一次。對(duì)應(yīng)每個(gè)異常聲音分別產(chǎn)生時(shí)長(zhǎng)20 min的聲音，六類異常聲音總共有41 967個(gè)異常事件，總時(shí)長(zhǎng)4 960分鐘。訓(xùn)練階段用40分鐘的地鐵環(huán)境聲音作為訓(xùn)練，剩下的20分鐘作為測(cè)試。OCSVM的參數(shù)和分別設(shè)置為10和0.001。文中首先測(cè)試和對(duì)比了采用固定窗長(zhǎng)為2 s的方法和采用自適應(yīng)分段算法的效果，結(jié)果表明采用相比固定窗長(zhǎng)的算法，自適應(yīng)分段能有效降低漏檢率和誤檢次數(shù)。實(shí)驗(yàn)結(jié)果見表2。

表2 兩種分段方法的效果對(duì)比（γ=0.7，信噪比為20 db）

最后本文測(cè)試了在5 db，10 db，15 db，20 db信噪比條件下各類異常聲音的漏檢和誤檢次數(shù)。由前所述結(jié)果判斷階段，異常聲音的判定比例γ將會(huì)影響異常聲音的誤檢和漏檢。γ過高則將會(huì)降低誤檢次數(shù)，但是漏檢也會(huì)增加，反之γ過低則提高誤檢次數(shù)，降低漏檢。我們測(cè)試了在不同的比例下的檢測(cè)效果，具體結(jié)果見表3。

表3 不同判別比例下的漏檢率和誤檢次數(shù)

由表3可知γ起到一個(gè)平衡誤檢和漏檢的作用，最后我們測(cè)試了不同的信噪比條件下，各類異常聲音的漏檢率，結(jié)果見表4。

表4 各類異常聲音漏檢率（γ=0.7）

由結(jié)果可見：6種異常聲音的平均漏檢率都相對(duì)較低。槍聲和爆炸聲特征相對(duì)明顯，能夠被很好的檢測(cè)到。總體上檢測(cè)效果較好，符合預(yù)期。

5 結(jié)束語(yǔ)

文中提出了一種基于OC-SVM的異常聲音在線檢測(cè)算法。用一個(gè)單分類OC-SVM模型描述環(huán)境中的正常聲音。并采用滑動(dòng)窗對(duì)環(huán)境聲音進(jìn)行分窗，采用一個(gè)基于互相關(guān)系數(shù)的自適應(yīng)分段方法對(duì)信號(hào)分段從而找到待檢測(cè)的聲音。同時(shí)我們對(duì)幀級(jí)判斷結(jié)果進(jìn)行中值濾波，用一個(gè)比例閾值對(duì)待檢測(cè)段判斷是否為異常聲音。結(jié)果表明能夠有效的檢測(cè)到異常聲音的發(fā)生且誤檢次數(shù)較低。對(duì)于在線的音頻監(jiān)控，如果算法時(shí)間復(fù)雜度過高帶來了較長(zhǎng)的延時(shí)則會(huì)影響系統(tǒng)的時(shí)效性，所以計(jì)算時(shí)間復(fù)雜度是需要研究的一個(gè)方面。

[1]欒少文，龔衛(wèi)國(guó).公共場(chǎng)所典型異常聲音的特征提取[J].計(jì)算機(jī)工程，2010，7（7）:208-210.

[2]呂霄云，王宏霞.基于MFCC和短時(shí)能量混合的異常聲音識(shí)別算法[J].計(jì)算機(jī)應(yīng)用，2010，30（3）:796-798.

[3]Zhang Z，Li W，Gong W，et al.An improved EEMD model for feature extraction and classification of gunshot in public places[C]//2012 21st International Conference on，Pattern Recognition（ICPR），2012：1517-1520.

[4]LI Lu，GE Fengpei，ZHAO Qingwei，et al.A SVM-Based Audio Event Detection System[C]//2010International Conference on ，Electrical and Control Engineering （ICECE），2010：292-295.

[5]Aurino F，F(xiàn)olla M，Gargiulo F，et al.One-Class SVM based approach for detecting anomalous audio events[C]//2014 International Conference on，Intelligent Networking and Collaborative Systems（INCoS），2014：145-151.

[6]Younghyun Lee，Han DK，Ko Hanseok.Acoustic signal based abnormal event detection in indoor environment using multiclass adaboost[J].IEEE Transactions on Consumer Electronics，2013，59（3）：615-622.

[7]龔小章.特定聲識(shí)別與定位系統(tǒng) [J].電子科技，2011（8）：36-38.

[8]王全，王長(zhǎng)元，穆靜，等.車輛行車實(shí)時(shí)目標(biāo)區(qū)域特征提取及分類訓(xùn)練[J].西安工業(yè)大學(xué)學(xué)報(bào)，2015（11）：888-892.

Abnormal sound detection based on one class support vector machine

CHEN Zhi-quan，YANG Jun，QIAO Shu-shan
（Institute of Micro-Electronics，University of Chinese Academy of Sciences，Beijing 100029，China）

This paper proposes an abnormal sound detection method based on one-class support vector machine.For the normal sound in the public environment，we build an one-class support vector machine model to detect whether a piece of audio belong to the normal environment，if not，it is an abnormal sound needed to recognize.We apply a slipping window of two seconds length on the sound，frame the sound and extract features including Mel Frequency Cepstrum Coefficients（MFCC），Spectral Centroid（SC），Short term energy（STE）.We calculate the Cross Correlation Coefficient of the adjacent two frames，and use the Cross Correlation Coefficients to implement the segmentation automatically.Then distinguish whether one frame is abnormal，finally we apply median filter on the result.If there are more than certain successive frames are abnormal，we think the sound is a abnormal sound.Then we examine our algorithm on the background sound of subway，the result shows that our method can detect abnormal sounds effectively and the false alarm time is low.

one class support vector machine；abnormal sound detection；feature extraction；audio surveillance

TN912

A

1674－6236（2016）23-0019-04

2016-03-22稿件編號(hào)：201603305

中科院性戰(zhàn)略性先導(dǎo)科技專項(xiàng)（XDA06020401）

陳志全（1989—），男，貴州畢節(jié)人，碩士研究生。研究方向：信號(hào)處理、模式識(shí)別。