藍(lán)章禮，黃 芬,2

(1.重慶交通大學(xué) 信息科學(xué)與工程學(xué)院，重慶 400074； 2.重慶文化職業(yè)藝術(shù)學(xué)院 基礎(chǔ)教育部，重慶 400067)

基于變換步長(zhǎng)的車輛壓線聲信號(hào)包絡(luò)提取算法

藍(lán)章禮1，黃 芬1,2*

(1.重慶交通大學(xué) 信息科學(xué)與工程學(xué)院，重慶 400074； 2.重慶文化職業(yè)藝術(shù)學(xué)院 基礎(chǔ)教育部，重慶 400067)

車輛經(jīng)過減速帶時(shí)與其在路面正常行駛時(shí)的聲信號(hào)波形明顯不同，其特征參數(shù)的提取對(duì)車輛數(shù)量、速度、類型等的自動(dòng)判斷至關(guān)重要，聲信號(hào)包絡(luò)曲線對(duì)其特征參數(shù)的提取相比原始信號(hào)有諸多優(yōu)勢(shì),但傳統(tǒng)包絡(luò)提取算法在此類交通領(lǐng)域聲信號(hào)包絡(luò)提取方面存在毛刺多、特征參數(shù)難以真正體現(xiàn)信號(hào)性質(zhì)和特征的問題。為解決此問題，結(jié)合車輛經(jīng)過減速帶時(shí)的聲信號(hào)特點(diǎn)，提出一種基于變換步長(zhǎng)的車輛壓線聲信號(hào)包絡(luò)提取算法。該算法通過設(shè)置不同步長(zhǎng)遍歷信號(hào)，以每個(gè)步長(zhǎng)內(nèi)的最大值點(diǎn)繪制曲線并與原信號(hào)波形對(duì)比，以輪廓清晰度和特征點(diǎn)提取誤差值為判斷依據(jù)實(shí)現(xiàn)聲信號(hào)包絡(luò)的有效提取。實(shí)驗(yàn)結(jié)果表明，在相同采樣點(diǎn)數(shù)條件下，所提算法比傳統(tǒng)包絡(luò)提取算法提取的包絡(luò)曲線輪廓更清晰、毛刺少，且特征參數(shù)提取誤差小。

交通智能檢測(cè)；包絡(luò)提??；特征參數(shù)；變換步長(zhǎng)

0 引言

隨著公路交通和車輛管理的迅速發(fā)展，掌握道路上不同類型車輛的數(shù)量、類型、行車狀況等對(duì)于交通管理十分重要。實(shí)現(xiàn)交通信息檢測(cè)的智能化、信息化、高效化是實(shí)現(xiàn)交通智能管理的重要前提。基于聲信號(hào)分析的交通信息檢測(cè)技術(shù)具有成本低、信息冗余小、受外界干擾小等優(yōu)點(diǎn)[1-2]。車輛經(jīng)過減速帶時(shí)與其在路面正常行駛時(shí)的聲信號(hào)波形明顯不同，對(duì)這種聲信號(hào)而言，其包絡(luò)曲線比原始信號(hào)能更好地反映其變化特征[3-4]，此種聲音信號(hào)的分析對(duì)于交通流參數(shù)識(shí)別有著非常重要的意義。

信號(hào)的包絡(luò)提取是指通過一定的信號(hào)處理技術(shù)發(fā)現(xiàn)其波形邊緣的技術(shù)[4]。由于信號(hào)包絡(luò)包含某些時(shí)域上的特征參數(shù)，這些參數(shù)在不同程度上可反映出信號(hào)的某些性質(zhì)和特征，其特征參數(shù)的提取對(duì)交通檢測(cè)領(lǐng)域中車輛數(shù)量、速度、類型等自動(dòng)判斷至關(guān)重要。因此采用合理的包絡(luò)提取方法提取信號(hào)包絡(luò)十分關(guān)鍵。

常見的信號(hào)包絡(luò)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(shí)域?qū)嵭盘?hào)變?yōu)闀r(shí)域解析信號(hào)的方法。變換所得的解析信號(hào)的實(shí)部是實(shí)信號(hào)本身，虛部是實(shí)信號(hào)的Hilbert變換，而解析信號(hào)的幅值便是實(shí)信號(hào)的包絡(luò)[5-8]。小波變換方法首先通過高通濾波器濾除低頻噪聲，進(jìn)而對(duì)信號(hào)進(jìn)行半波整流，最后對(duì)預(yù)處理后的信號(hào)進(jìn)行層次分解，選取某層重構(gòu)的近似系數(shù)作為原信號(hào)的包絡(luò)曲線[8-10]。Hilbert變換是在全頻段上對(duì)信號(hào)進(jìn)行變換，對(duì)整個(gè)頻段的噪聲沒有抑制作用，同時(shí)存在泄漏誤差。對(duì)于在野外采集的聲信號(hào)，用此方法提取的信號(hào)包絡(luò)不夠光滑、毛刺多，難以真正體現(xiàn)信號(hào)的性質(zhì)和特征。基于小波變換的信號(hào)包絡(luò)提取對(duì)信號(hào)比較弱、噪聲比較強(qiáng)、頻率比較低的信號(hào)效果比較顯著，通常用于生物醫(yī)學(xué)和故障診斷領(lǐng)域[4,11]。

本文針對(duì)信噪比低、采樣頻率高、頻率分量多的交通領(lǐng)域聲信號(hào)，根據(jù)其特點(diǎn)提出基于變換步長(zhǎng)的聲信號(hào)包絡(luò)提取算法，該方法通過設(shè)置不同步長(zhǎng)遍歷信號(hào)，以每個(gè)步長(zhǎng)內(nèi)的最大值點(diǎn)繪制曲線并與原信號(hào)波形對(duì)比，以輪廓清晰度和特征點(diǎn)提取誤差值為判斷依據(jù)來實(shí)現(xiàn)聲信號(hào)包絡(luò)的有效提取，為實(shí)現(xiàn)交通檢測(cè)領(lǐng)域中車輛數(shù)量、速度、類型的自動(dòng)判斷奠定基礎(chǔ)。

1 算法的提出

1.1 應(yīng)用背景

基于聲信號(hào)分析的交通信息檢測(cè)技術(shù)，可大大提高交通信息檢測(cè)的效果，進(jìn)而實(shí)現(xiàn)交通信息檢測(cè)的智能化、信息化和高效化。對(duì)車輛數(shù)量、速度、類型的自動(dòng)判斷是交通檢測(cè)的重要內(nèi)容，通過對(duì)車輛聲音進(jìn)行分析是有望實(shí)現(xiàn)上述檢測(cè)的手段。車輛經(jīng)過減速帶時(shí)與車輛在路面正常行駛時(shí)產(chǎn)生的聲信號(hào)波形明顯不同，在路面正常行駛時(shí)聲信號(hào)幅值在一定范圍內(nèi)變化，不會(huì)有明顯峰值，波形如圖1(a)；但車輛經(jīng)過減速帶時(shí)，由于車輪與減速帶的相互作用，人耳聽起來會(huì)有“噔”的聲音，在信號(hào)形式上的直觀表現(xiàn)即為幅度明顯變化，如圖1(b)波形。

圖1 車輛正常行駛時(shí)波形和經(jīng)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(luò)曲線比原始信號(hào)更好地反映這種信號(hào)的特征，該包絡(luò)曲線包含某些特征參數(shù)，而這些參數(shù)在不同程度上可反映出信號(hào)的性質(zhì)和特征，在交通信息化領(lǐng)域中交通參數(shù)識(shí)別方向有一定的應(yīng)用前景，因此對(duì)這種聲信號(hào)包絡(luò)提取的研究很有必要。

本文針對(duì)這種交通領(lǐng)域聲信號(hào)，通過對(duì)放大后的降噪信號(hào)進(jìn)行觀察與分析，并根據(jù)其特點(diǎn)提出基于變換步長(zhǎng)的車輛壓線聲信號(hào)包絡(luò)提取算法，以實(shí)現(xiàn)信號(hào)包絡(luò)的有效提取，進(jìn)而提取這種信號(hào)的特征參數(shù)，以用于進(jìn)一步的車輛識(shí)別、車速檢測(cè)、車流量統(tǒng)計(jì)，為實(shí)現(xiàn)交通檢測(cè)領(lǐng)域中車輛數(shù)量、速度、類型的自動(dòng)判斷奠定基礎(chǔ)。

1.2 算法描述

基于變換步長(zhǎng)的聲信號(hào)包絡(luò)提取算法思路：對(duì)聲波形信號(hào)先以最大步長(zhǎng)遍歷信號(hào)：每步長(zhǎng)時(shí)間內(nèi)取i個(gè)點(diǎn)，采用如圖2算法找到該時(shí)間內(nèi)的最大值并記錄對(duì)應(yīng)時(shí)間值，保存在對(duì)應(yīng)的幅值數(shù)組和時(shí)間數(shù)組中；分別以該幅值數(shù)組數(shù)據(jù)和該時(shí)間數(shù)組數(shù)據(jù)為相應(yīng)的豎坐標(biāo)和橫坐標(biāo)繪制曲線。將此曲線與原信號(hào)波形對(duì)比，觀察是包絡(luò)情況是否理想的包絡(luò)，若不是則改變步長(zhǎng)，重復(fù)上述操作，直至找到理想包絡(luò)曲線，并對(duì)其進(jìn)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(hào)長(zhǎng)度為Ts的聲音文件導(dǎo)入到Matlab中，得到信號(hào)y：其幅值數(shù)據(jù)放在a[1,n]內(nèi)，時(shí)間數(shù)據(jù)放在t[1,n]內(nèi)(n=Ts/Fs)。

2)以Δtmax為初始步長(zhǎng)，遍歷信號(hào)y：

① 每個(gè)步長(zhǎng)時(shí)間內(nèi)取i個(gè)點(diǎn)，幅值數(shù)據(jù)放在ak[1,i]內(nèi)，時(shí)間數(shù)據(jù)放在tk[1,i]內(nèi)；

② 找到ak[1,i]內(nèi)最大值，并記錄對(duì)應(yīng)的時(shí)間數(shù)據(jù)，將其分別存儲(chǔ)幅值數(shù)組Y[1,m]、時(shí)間數(shù)組t[1,m]中；

③ 遍歷信號(hào)。

3)以Y[1,m]內(nèi)數(shù)據(jù)為豎坐標(biāo)，以t[1,m]內(nèi)數(shù)據(jù)為橫坐標(biāo)，繪制出包絡(luò)信號(hào)圖形ye。

4)與原信號(hào)波形對(duì)比，觀察ye圖形是否是信號(hào)y的理想包絡(luò)，若不是則變換其步長(zhǎng)繼續(xù)執(zhí)行操作2)；若已是理想包絡(luò)則執(zhí)行5)。

5)并對(duì)ye進(jìn)行光滑處理，即為其包絡(luò)曲線，結(jié)束。

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

1.3 步長(zhǎng)取值依據(jù)

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(shí)間t1，第二排車輪經(jīng)過減速帶1的時(shí)間為t2，第一排車輛經(jīng)過減速帶1和減速帶2的時(shí)間為t3，則其表達(dá)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(shí)的雙波峰點(diǎn)，則變換步長(zhǎng)法最大步長(zhǎng)表示如下：

Δtmax=?t1/2」=?l/(2v)」

(4)

2)若采集同排車輪通過減速帶時(shí)的單波峰點(diǎn)，又分以下兩種情況：

①L≥s時(shí)，變換步長(zhǎng)法最大步長(zhǎng)表示如下：

Δtmax=?t2/2」=?s/(2v)」

(5)

②L

Δtmax=?t3/2」=?L/(2v)」

(6)

3)最小變換步長(zhǎng)Δtmin的取值情況，若信號(hào)采樣頻率為Fs，則相鄰采樣點(diǎn)時(shí)間間隔即為1/Fs。則最小變換步長(zhǎng)表示如下：

Δtmin=?n/Fs」；n=1,2,…

(7)

式中n的取值情況受選取信號(hào)長(zhǎng)度的限制，通過多次實(shí)驗(yàn)可得出經(jīng)驗(yàn)值，一般取10左右。n值過小提取出的包絡(luò)和原信號(hào)差別不大，此時(shí)包絡(luò)沒有太大價(jià)值。

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

2 算法驗(yàn)證

2.1 實(shí)驗(yàn)設(shè)計(jì)

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(hào)長(zhǎng)度為Ts=2 s的聲音文件為例，按照上述算法的流程進(jìn)行驗(yàn)證分析。采集車輪通過減速帶時(shí)的單波峰值時(shí)間點(diǎn)，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(zhǎng)Δtmin范圍為：

原始信號(hào)y如圖4所示。

圖4 原始信號(hào)Fig. 4 Original signal

算法驗(yàn)證步驟如下：

1)以Δt=80 ms為初始步長(zhǎng)，遍歷信號(hào)y：

①每Δt時(shí)間內(nèi)取3 840個(gè)點(diǎn)，幅值數(shù)據(jù)放在ak[1,i]內(nèi)、時(shí)間數(shù)據(jù)放在tk[1,i]內(nèi)；

②找到ak[1,i]內(nèi)最大值，并記錄對(duì)應(yīng)的時(shí)間數(shù)據(jù)，將其分別存儲(chǔ)幅值數(shù)組Y[1,25]、時(shí)間數(shù)組t[1,25]中。

2)以Y[1,25]內(nèi)數(shù)據(jù)為豎坐標(biāo)，以t[1,25]內(nèi)數(shù)據(jù)為橫坐標(biāo)，繪制出波形如圖5(a)。

3)與原信號(hào)波形對(duì)比，圖5(a)波形不是信號(hào)y的理想包絡(luò)。

4)變換步長(zhǎng)Δt=40 ms遍歷信號(hào)y：

①每Δt時(shí)間內(nèi)取1 920個(gè)點(diǎn)，幅值數(shù)據(jù)放在ak[1,i]，時(shí)間數(shù)據(jù)放在tk[1,i]內(nèi)；

②找到ak[1,i]內(nèi)最大值，并記錄對(duì)應(yīng)的時(shí)間數(shù)據(jù)，將其分別存儲(chǔ)幅值數(shù)組Y[1,50]、時(shí)間數(shù)組t[1,50]中。

5)以Y[1,50]內(nèi)數(shù)據(jù)為豎坐標(biāo)，以t[1,50]內(nèi)數(shù)據(jù)為橫坐標(biāo)，繪制出波形如圖5(b)。

6)變換步長(zhǎng)Δt=20 ms遍歷信號(hào)y：

①每Δt時(shí)間內(nèi)取960個(gè)點(diǎn)，幅值數(shù)據(jù)放在ak[1,i]內(nèi)，時(shí)間數(shù)據(jù)放在tk[1,i]內(nèi)；

②找到ak[1,i]內(nèi)最大值，并記錄對(duì)應(yīng)的時(shí)間數(shù)據(jù)，將其分別存儲(chǔ)幅值數(shù)組Y[1,100]、時(shí)間數(shù)組t[1,100]中。

7)以Y[1,100]內(nèi)數(shù)據(jù)為豎坐標(biāo)，以t[1,100]內(nèi)數(shù)據(jù)為橫坐標(biāo)，繪制出波形如圖5(c)。

圖5 算法驗(yàn)證結(jié)果Fig. 5 Algorithm verification results

8)變換步長(zhǎng)Δt=10 ms遍歷信號(hào)y：

①每Δt時(shí)間內(nèi)取480個(gè)點(diǎn)，幅值數(shù)據(jù)放在ak[1,i]內(nèi)，時(shí)間數(shù)據(jù)放在tk[1,i]內(nèi)；

②找到ak[1,i]內(nèi)最大值，并記錄對(duì)應(yīng)的時(shí)間數(shù)據(jù)，將其分別存儲(chǔ)幅值數(shù)組Y[1,200]、時(shí)間數(shù)組t[1,200]中。

9)以Y[1,200]內(nèi)數(shù)據(jù)為豎坐標(biāo)，以t[1,200]內(nèi)數(shù)據(jù)為橫坐標(biāo)，繪制出波形如圖5(d)。

2.2 結(jié)果分析

從聲信號(hào)文件進(jìn)行算法驗(yàn)證的結(jié)果圖3～5可得出以下幾點(diǎn)結(jié)論：

1)通過不同步長(zhǎng)對(duì)原信號(hào)進(jìn)行遍歷采樣，可得到相應(yīng)步長(zhǎng)下的包絡(luò)曲線。

2)步長(zhǎng)選取的影響：

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

圖6 步長(zhǎng)Δt小于10 ms時(shí)包絡(luò)曲線Fig. 6 Envelope curve with step Δt less than 10 ms

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

由結(jié)論②確定了理想步長(zhǎng)范圍，在該范圍內(nèi)提取的包絡(luò)曲線圖如圖7所示，其中：圖7(a)為Δt=20 ms時(shí)包絡(luò)曲線，圖7(b)為Δt=16 ms時(shí)包絡(luò)曲線，圖7(c)為Δt=10 ms時(shí)包絡(luò)曲線。

圖7 有效步長(zhǎng)內(nèi)信號(hào)包絡(luò)曲線Fig. 7 Signal envelope curve with effective step size

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

3)能提取適當(dāng)步長(zhǎng)下的峰值特征。由結(jié)論②知10 ms≤Δt≤20 ms時(shí)，包絡(luò)曲線特征明顯。故在10 ms、16 ms、20 ms步長(zhǎng)下提取峰值特征點(diǎn)，如表1所示。

2.3 誤差分析

大量實(shí)踐證明，誤差的存在具有必然性和普遍性。對(duì)測(cè)量過程中始終存在著的誤差進(jìn)行研究是充分認(rèn)識(shí)減小或消除誤差的基礎(chǔ)。誤差通常用絕對(duì)誤差或相對(duì)誤差表示。

1)絕對(duì)誤差。

某量值的測(cè)量值和真實(shí)值之差，表示形式如下：

Δ=X-L

(8)

式中：Δ為絕對(duì)誤差；X為測(cè)量值；L為真實(shí)值。

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

表1 基于變換步長(zhǎng)的聲信號(hào)包絡(luò)提取算法峰值點(diǎn)提取 sTab. 1 Peak point extraction of acoustic signal envelope extraction algorithm based on variable step size s

2)相對(duì)誤差。

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

σ=(X-L)/L≈(X-L)/X

(9)

其中σ為相對(duì)誤差。

(10)

誤差方差D定義為：

(11)

基于以上原理對(duì)本組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析。

由于真實(shí)值是一個(gè)理想的概念，一般是不知道的。但某些特定情況下，真實(shí)值又是可知的，即特定條件下的觀測(cè)值作為真實(shí)值。本實(shí)驗(yàn)所用信號(hào)，在限定條件下提取的信號(hào)真實(shí)值如表2所示。

表2 原信號(hào)峰值時(shí)間點(diǎn)限定條件下的真實(shí)值 sTab.2 Real values under peak time point limit of original signal s

由表1和表2并結(jié)合式(9)～(11)進(jìn)行誤差分析，其結(jié)果如表3。由表3得出以下兩點(diǎn)結(jié)論：

1)有效步長(zhǎng)內(nèi)，其相對(duì)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(zhǎng)下，Δt=10.00 ms時(shí)，其平均誤差和誤差方差最小。此時(shí)提取的包絡(luò)曲線符合原信號(hào)的變化規(guī)律和特征，提取的峰值點(diǎn)誤差較小，該步長(zhǎng)下的曲線可作為原信號(hào)包絡(luò)曲線。

表3 誤差值分析結(jié)果 %Tab. 3 Error analysis results %

3 算法對(duì)比

3.1 實(shí)驗(yàn)結(jié)果對(duì)比

對(duì)上述聲信號(hào)以相同采樣點(diǎn)數(shù)，分別使用小波變換和Hilbert變換方法進(jìn)行包絡(luò)提取，其效果如圖8所示，其中：圖8(a)為變換步長(zhǎng)法提取的包絡(luò)曲線，圖8(b)為小波變換法提取的包絡(luò)曲線，圖8(c)為Hilbert變換法提取的包絡(luò)曲線。

由圖8(a)～(c)對(duì)比分析，得出以下結(jié)論：

1)該信號(hào)隨著重采樣頻率的變化，小波變換得到的包絡(luò)毛刺少，輪廓清晰優(yōu)于Hilbert變換提取的信號(hào)包絡(luò)。

2)重采樣頻率越小，包絡(luò)曲線輪廓清晰，特征點(diǎn)丟失嚴(yán)重。

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

對(duì)已獲得的特征點(diǎn)按式(9)～(11)，并結(jié)合表2和表4進(jìn)行相對(duì)誤差、平均誤差、誤差方差的計(jì)算，結(jié)果如表5所示。

圖8 重采樣頻率下不同方法提取的包絡(luò)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(luò)曲線峰值點(diǎn)時(shí)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(duì)比 %Tab. 5 Comparison of error values of different methods %

由表4～5得出以下結(jié)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(luò)曲線，特征點(diǎn)丟失嚴(yán)重。

2)三種方法中，變換步長(zhǎng)法相對(duì)誤差變化范圍最小；Hilbert次之；而小波變換法明顯有一個(gè)數(shù)值變化較大，由此推斷可能有參數(shù)出現(xiàn)錯(cuò)誤。

3)基于變換步長(zhǎng)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(diǎn)的平均誤差和誤差方差。

3.2 基本結(jié)論

基于變換步長(zhǎng)的車輛壓線聲信號(hào)包絡(luò)提取算法，通過實(shí)驗(yàn)分析和對(duì)比，總體得出以下結(jié)論：

1)本文算法能實(shí)現(xiàn)以輪廓清晰度和特征點(diǎn)提取誤差值為判斷依據(jù)的信號(hào)包絡(luò)的提取。

2)對(duì)于本文中使用的聲信號(hào)，有效步長(zhǎng)內(nèi)，其相對(duì)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(zhǎng)的選取依據(jù)，并通過具體實(shí)驗(yàn)驗(yàn)證了該依據(jù)的合理性。

4 結(jié)語

本文提出了一種基于變換步長(zhǎng)的車輛壓線聲信號(hào)包絡(luò)提取算法。實(shí)驗(yàn)結(jié)果表明，該算法能實(shí)現(xiàn)以輪廓清晰度和特征點(diǎn)提取誤差值為判斷依據(jù)的信號(hào)包絡(luò)的提??；提出了步長(zhǎng)的選取依據(jù)，并通過具體實(shí)驗(yàn)驗(yàn)證了該依據(jù)。利用該算法可實(shí)現(xiàn)目標(biāo)信號(hào)的包絡(luò)提取，進(jìn)而實(shí)現(xiàn)提取特征參數(shù)，可為實(shí)現(xiàn)交通檢測(cè)領(lǐng)域中車輛數(shù)量、速度、類型等的自動(dòng)判斷奠定基礎(chǔ)。該包絡(luò)提取算法中理想包絡(luò)的提取過程主要依靠人工，如何實(shí)現(xiàn)其理想步長(zhǎng)和包絡(luò)的自動(dòng)選取值得進(jìn)一步研究。

References)

[1] 焦琴琴,牛力瑤,孫壯文.基于車輛聲音及震動(dòng)信號(hào)相融合的車型識(shí)別[J].微型機(jī)與應(yīng)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(dòng)信號(hào)特征融合的車型識(shí)別研究[D].西安：長(zhǎng)安大學(xué),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(shí)別的交通信息檢測(cè)技術(shù)研究[D].西安：長(zhǎng)安大學(xué),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(luò)提取算法及應(yīng)用[J].中國組織工程研究與臨床康復(fù),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(hào)包絡(luò)提取方法——從希爾伯特變換到小波變換[J].電子科學(xué)學(xué)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(hào)包絡(luò)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(yuǎn).基于小波包和Hilbert包絡(luò)分析的滾動(dòng)軸承故障診斷方法[J].電子測(cè)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(fù)解析小波變換的信號(hào)包絡(luò)檢測(cè)[J].西安郵電大學(xué)學(xué)報(bào),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(jìn)的基于小波變換的包絡(luò)提取算法研究[J].儀器儀表學(xué)報(bào),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(luò)分析的軸承故障診斷[J].石油化工設(shè)備技術(shù),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(chǔ)科學(xué)與前沿技術(shù)研究專項(xiàng)(cstc2016jcyjA0345)。

藍(lán)章禮(1973—)，男，重慶人，教授，博士，CCF會(huì)員，主要研究方向：算法設(shè)計(jì)、信號(hào)處理、交通信息化、橋梁健康監(jiān)測(cè)、模式識(shí)別；黃芬(1990—)，女，河南商丘人，碩士研究生，主要研究方向：算法設(shè)計(jì)、信號(hào)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