基于基频的梅尔倒谱系数在车辆识别中的应用

李成娟，易 强，李宝清，王国辉

(1.中国科学院 上海微系统与信息技术研究所 微系统技术重点实验室，上海 201800； 2.中国科学院大学，北京 100049)

无线传感器网络凭借其通信能力强大、记录信息全面、无需人工值守等优点，广泛应用于军事、农业、商业等各个领域[1-2]。无线传感器网络通常由图像、声音、红外、震动传感器等几种类型的传感器构成[3]。声音传感器有不易被察觉、便于布设、不易受地形影响的优点，被广泛使用。

根据车辆行进过程中采集的声音信号，对野外车辆目标进行识别，一般分为2个步骤：1)提取声音传感器采集的声信号特征；2)设计分类器得到判别结果。目前常用的特征有基于小波包变换提取的特征，线性预测倒谱系数[4]，梅尔倒谱系数(MFCC, mel-frequency cepstral coefficient)[5]，基于经验模态分解提取的特征[6-7]等。其中，MFCC较常见，被广泛用于语种识别、说话人识别、声纹识别等领域，近年来被成功应用于车辆目标分类识别[8-10]。但由于MFCC对噪声敏感[11-13]，在车辆识别领域的应用场景受限。

为提高特征抗噪能力，增强特征稳健性，能够体现野外车辆信号自身特征，提出一种改进的MFCC特征。根据车辆目标信号的频谱特征，自适应增加车辆基频信息在特征中的比重。然后进行F比加权，以降低同种车辆类别特征间的区分度，增大不同车辆类别特征之间的差别，从而提高特征在野外环境下的鲁棒性。使用高斯混合模型(GMM, gaussian mixture model)作为分类器，检验识别效果。提取传统MFCC特征，基频自适应MFCC特征，加权基频自适应MFCC特征作对比试验，期望获得更高的识别准确率，为野外环境的车辆识别，提供一种鲁棒特征提取方法。……