徐 婕，沈丹丹，潘 碩，朱習松

（中科芯集成電路有限公司，江蘇無錫 214072）

1 引言

在現(xiàn)代環(huán)境質量評價體系中，環(huán)境噪聲指標日益受到重視，成為評價一個場所舒適度的重要標準，準確檢測、記錄環(huán)境聲音具有重要的現(xiàn)實意義[1]。在完成聲音能量檢測的同時，確定主要聲音類別，一方面可以指導工作人員確定主要工作方向，盡量杜絕此類聲源以提升環(huán)境質量；另一方面通過捕捉例如尖叫聲、哭喊聲等異常聲音[2]，給出報警信息，配合視頻監(jiān)控，有利于安保人員第一時間判斷危險源并進行應急處理，可以彌補視頻監(jiān)控的不足[3]。

本文論述了一種聲音報警系統(tǒng)，以模數(shù)轉換、控制、傳輸電路搭建硬件平臺，以聲音的端點檢測、特征參數(shù)提取和分類技術為算法核心，實現(xiàn)對環(huán)境聲音大小的實時檢測及聲音分類、異常報警等功能。

2 系統(tǒng)架構

報警系統(tǒng)的硬件部分主要選用國內外成熟的元器件和設備，包括麥克風（MIC）裝置、運算放大器（AMP）、模數(shù)轉換電路（ADC）、電平轉換、FPGA、以太網(wǎng)PHY RJ45 芯片、電源、時鐘系統(tǒng)、配有識別算法及報警顯示的主控計算機，系統(tǒng)結構硬件如圖1 所示。

圖1 系統(tǒng)硬件結構

遠端采集部分器件的功能及選用原則如下：

1）MIC 裝置實現(xiàn)聲音電信號的轉換，需要具有拾音準、干擾小、采集范圍大的特點，此處選用高性能拾音器；2）AMP 有調整模擬信號的作用，可根據(jù)后級器件調整信號幅度，其高輸出電阻特性可有效避免信號失配，考慮后級轉換器件的差分特性，選擇全差分AMP XX6362，其具有全差分、低失調、噪聲小、軌到軌傳輸?shù)奶攸c，能夠滿足系統(tǒng)要求；3）ADC 是聲音采集的核心器件，它將模擬信號轉換為數(shù)字語音，因聲音變化量豐富，選用16 位高精度專用語音電路XX73311；4）電平轉換器件可適配不同電壓的總線互聯(lián)，選用XX0108，其具有電壓范圍寬、工作速率快、自適應方向的特點，可應用于推挽或開漏的不同總線信號傳輸；5）遠端控制器主要完成模數(shù)轉換器的配置、數(shù)據(jù)讀取，按照以太網(wǎng)UDP 協(xié)議打包發(fā)送數(shù)據(jù)，F(xiàn)PGA可以勝任此項工作，且設計簡單，考慮成本及體積因素，選用XX25-363[4]；6）計算機數(shù)據(jù)傳輸選用以太網(wǎng)，其速率快且上位機設計方便，經(jīng)實際計算，選用百兆以太網(wǎng)PHY 電路XX83848，其性能穩(wěn)定、使用簡單，協(xié)議部分由FPGA 完成；7）系統(tǒng)中的電源采用多路DC-DC，模擬電源單獨加低噪聲的LDO，時鐘以晶振直接提供，F(xiàn)PGA 的配置電路使用專用的PROM，型號為XX32P。

3 采集終端實現(xiàn)

3.1 硬件構成

考慮到系統(tǒng)鏈路較為復雜，本研究主要論述系統(tǒng)的聲音采集部分，XX73311 是一款功能強大的語音芯片，其內部包括1 路16 位Σ-Δ 型ADC、1 路16 位DAC、輸入輸出增益模塊、基準等結構，支持3.3 V 或5 V 2 種電源電壓。采用SPI 接口傳輸配置及數(shù)據(jù)信息，輸入可選交直流耦合模式，最終輸入端口信號需滿足電壓要求?？紤]5 V 供電的共模電壓對AMP 的適配性更好，XX73311 及XX6362 均采用5 V 供電。XX6362 承接前端拾音器單端信號，差分輸出給XX73311，XX73311 的數(shù)字接口電壓跟隨電源電壓，因FPGA 端口電壓為3.3 V，使用XX0108 適配兩端器件的接口電壓，時鐘選用16.384 MHz 典型頻率，采集終端硬件電路如圖2 所示。

圖2 采集終端硬件電路

3.2 XX73311 的配置

XX73311 時鐘采用多級分頻，其中外部主時鐘MCLK 分頻后，DMCLK 作為內部系統(tǒng)主時鐘，DMCLK 再次分頻后作為SPI 的時鐘SCLK，DMCLK/256 作為編碼時鐘。XX73311 的SPI 總線主要是主控型，SCLK 由其發(fā)出，每個信息須有FS 脈沖信號引領才能識別，并允許最多8 個器件級連，使用時需嚴格按照時序圖的設計。在總線中，XX73311 的讀寫使能位、地址位為1 個字節(jié)，每個數(shù)據(jù)位或寄存器為1 個字節(jié)，其內部共有5 個功能寄存器。系統(tǒng)配置信息如表1 所示，寄存器用CR 表示，CR-E 默認為初始值。

表1 XX73311 配置表

一般應優(yōu)先配置寄存器B/C/D/E，然后配置寄存器A，使器件從編程模式轉為數(shù)據(jù)收發(fā)模式。XX73311可提供靈活的調試幫助，在編程模式中使能模擬回環(huán)（ALB）、數(shù)字回環(huán)（DLB）2 個回環(huán)模式，可輕松檢查模擬端或數(shù)字段的信號鏈路功能。

4 聲音分類的實現(xiàn)

4.1 工作流程

本系統(tǒng)算法部分以計算機為平臺，基于MATLAB完成，使用基于MATLAB GUI 的可視化設計，既可以連續(xù)、實時地顯示聲音信號，還可以對異常信息報警[5]。系統(tǒng)工作流程如圖3 所示。

圖3 系統(tǒng)工作流程

在研究階段選用部分公共場所常見聲音作為驗證樣本，有汽車鳴笛聲、人的說話聲、尖叫聲、哭聲、雷聲、狗叫聲、物體撞擊聲和爆炸聲等。根據(jù)聲音代表的信息，將其分為危險聲源和一般聲源。尖叫聲和哭聲有可能表示有人受到侵害，爆炸聲則表示有人違反公共場所管理規(guī)定燃放煙花、爆竹等，將其列為危險聲源，其余聲音為一般聲源[6]。

4.2 聲音處理

獲得聲音信號以后，為使信號的頻譜變得平坦，提高信號的高頻部分，保持在低頻到高頻的整個頻段中，能用同樣的信噪比求頻譜，系統(tǒng)需對聲音信號進行預加重處理。預加重有多重形式，本設計選用數(shù)字濾波器實現(xiàn)，對n 時刻的采樣值x(n)預加重，得值y(n)為：

式中a 是預加重系數(shù)。

根據(jù)聲音信號的短時平穩(wěn)性特點，系統(tǒng)對聲音信號進行分幀處理。為使特征參數(shù)平滑變化，在分幀過程中，系統(tǒng)采用部分重疊的辦法實現(xiàn)過渡，使聲音特征平滑過渡，保持其連續(xù)性。聲音分幀的效果如圖4所示。

圖4 音頻分幀

對聲音信號x(n)的處理中進行分幀。

式（2）采用卷積形式，相當于通過一個單位沖激響應為ω(m)的FIR 濾波器。

4.3 聲音能量檢測

短時能量高是異常聲音最突出的表現(xiàn)，實時計算聲音能量既可監(jiān)測聲音強度，又可劃定異常聲音范圍。采用雙門限法可提取異常聲音段[7]。以一段0.3 s 的聲音信號為例，其聲音波形和對應的短時能量波形如圖5 所示。

圖5 中TH 為設定的高門限，TL 為設定的低門限，首先對聲音信號進行逐幀判斷，當某幀能量幅值高于TH 時，往兩邊尋找聲音邊界TL，當某幀能量幅值小于TL 時，即認為聲音結束。

圖5 門限值與能量波形對比

4.4 MFCC 特征參數(shù)提取

在得到聲音段的起始幀以后，系統(tǒng)需要提取異常聲音段的特征參數(shù)，常用的特征參數(shù)有線性預測倒譜系數(shù)（LPCC）和Mel 頻率倒譜系數(shù)（MFCC），鑒于MFCC 在信噪比降低時的良好識別性能，同時較好地利用聽覺模型的研究成果，本研究選用MFCC[8]。MFCC 是在Mel 標度頻率域提取出來的倒譜系數(shù)，其特征參數(shù)提取原理如圖6 所示。

圖6 MFCC 特征參數(shù)提取原理

對聲音樣本取幀長256、幀移128 進行預處理、端點檢測、提取MFCC，對樣本的參數(shù)按聲音類別合成匹配文件模板庫，由8 類模板庫組成總模板庫。部分聲音的MFCC 特征參數(shù)三維圖像如圖7 所示，從圖7 中可以很直觀地觀察到信號的MFCC 隨Mel 階數(shù)的變化情況，不同聲音類別之間區(qū)別明顯。

圖7 MFCC 特征參數(shù)三維對比圖

4.5 BP 神經(jīng)網(wǎng)絡分類

聲音識別屬于模式識別的應用范疇[9]，在聲音識別的發(fā)展過程中，有動態(tài)彎折算法[10]、隱馬爾可夫模型[11]、高斯混合模型[12]、神經(jīng)網(wǎng)絡[13]、支持向量機[14]等多種算法，本研究只需要識別出聲音的幾種類別，應用相對簡單，因此選用算法成熟、工具箱函數(shù)豐富的BP 神經(jīng)網(wǎng)絡算法。

以MFCC 模板庫作為BP 神經(jīng)網(wǎng)絡的訓練樣本，對數(shù)據(jù)進行歸一化處理。BP 算法建模包括BP 神經(jīng)網(wǎng)絡的構建、BP 神經(jīng)網(wǎng)絡的訓練和BP 神經(jīng)網(wǎng)絡分類3步。首先是BP 神經(jīng)網(wǎng)絡的初始化，模型拓撲結構包括輸入層、隱含層和輸出層，本研究采用12 階的MFCC，所以BP 神經(jīng)網(wǎng)絡輸入層的神經(jīng)元個數(shù)是12，網(wǎng)絡輸出神經(jīng)元取4 個，目標輸出一個4 位二進制數(shù)，足以表示8 類樣本，隱含層設置為15 個神經(jīng)元。取學習率0.1，訓練誤差0.01，訓練次數(shù)2000 次，2 次顯示之間的訓練步長為10，隱含層神經(jīng)元的傳遞函數(shù)采用S 型正切函數(shù)，由于輸出模式為0-1，輸出層神經(jīng)元的傳遞函數(shù)采用S 型對數(shù)正切函數(shù)f(x)，

式中β 為常數(shù)，用于控制曲線扭曲部分的斜率。

在網(wǎng)絡訓練階段根據(jù)預測誤差調整網(wǎng)絡的權值和閾值。定向對比錄制的樣本同類聲源，輸入上述訓練好的神經(jīng)網(wǎng)絡，得到幀特征平均分類成功率，BP 神經(jīng)網(wǎng)絡識別結果如表2 所示。

表2 BP 神經(jīng)網(wǎng)絡識別結果

表2 是逐一輸入單一聲音源的識別結果，若要排除其他聲音尤其是混合聲音需要大量的聲音樣本做訓練，有可能還需要提取更多特征參數(shù)以提高識別精度[15]，并且隨著復雜度的增加，識別效果會降低。本試驗主要驗證系統(tǒng)的可行性，因此只是在音源位置等固定的情況下識別聲音信號。

通過實測，系統(tǒng)能夠檢測出異常聲音段并判斷是否為危險信號，如是危險信號則給出報警信息。接到報警信息，值班人員可查看歷史記錄，重聽保存的報警信息，通過錄像或赴現(xiàn)場勘查異常并予以解決。

5 結論

本研究通過對聲音信號進行預處理、計算幀短時能量，給出環(huán)境實時聲音幅度參數(shù)，作為環(huán)境聲音的第一級監(jiān)測；然后通過端點檢測技術區(qū)分出有別于常規(guī)環(huán)境噪聲的有聲段，提取有聲段MFCC 參數(shù)，用BP神經(jīng)網(wǎng)絡對參數(shù)分類，對代表危險信息的聲音給出報警信息，作為環(huán)境聲音的第二級監(jiān)測。

今后的研究重點一是考慮遠端直接識別，直接給出判斷信息，減小遠距離數(shù)據(jù)傳輸量，為此考慮使用高性能DSP；二是提高復雜環(huán)境下的識別率，考慮從聲音的基音、共振峰、譜熵等多方面進行分析，構建包含多種特征信息的混合參數(shù)作為分類計算的依據(jù)，將近年來模式識別學科的發(fā)展成果運用到聲音識別中，以期獲得更好的效果。