基于车辆声信号的SVM及CNN车型分类识别方法研究

发布时间：2021-02-15 00:38

　　随着智能交通的迅速发展,基于卷积神经网络的车型分类识别技术受到大量关注。传统机器学习的车型分类识别方法主要以浅层模型为主,此方法的缺点:一是层次数目较少,建模能力和表达能力有限;二是分类识别结果依赖于传统方法提取的浅层特征,而浅层特征表达能力往往有限,导致分类结果并不理想。因此采用车辆运动过程中产生的混叠、间断、多源噪声信号,采用声音传统特征分析研究车型分类识别仍是一个难题。本文针对上述研究现状及难点,以车辆声信号处理及深度学习技术为基础,着重对基于卷积神经网络的车型分类识别方法进行分析和研究。主要研究内容如下:1)采集车辆声音信号,去除冗余信息凝练实验所需特征集。通过分析声音信号具有频率范围广、采样率高、量化后的信号数据量较庞大等特点,直接输入分类器和神经网络后效果较差。因此在对车型进行分类识别之前,需对信号进行预处理及传统特征提取,并打上对应的标签。通过实验需求,建立研究所需实验数据库,为后续研究工作做好数据准备。2)基于卷积神经网络的车型分类识别方法研究。对比分析机器学习和深度学习模型对车型分类识别的有效性,结合车辆声音信号的高度复杂性使得信号表征问题能够很好地使用深度学习所提供... 

【文章来源】：重庆交通大学重庆市

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

一段wav格式的车辆声音信号

实验采集信号的小型车图片样例

图 2-3 实验采集信号的大型车图片样例使用音频处理软件处理录制的 wav 格式音频，对应视频截取出车辆碾压减速标线的音频信号作为实验所需样本信号，去除冗余信息，比如无车通过的信号段，每个样本信号时长为 2s。处理数据过程中，发现货车流量较多的情况下，平均 1小时的音频能得到 400 个数据，其中货车信号数据大概 80 个左右。根据实验所需样本信号数量，进行多次采集，最后获得小车样本信号 2000 余个，面包车样本信号 1000 余个，货车样本信号和客车样本信号各 1000 余个，每一类信号分别保存在不同的文件夹下。一个样本信号的时域波形图如下图 2-4。

【参考文献】：
期刊论文
[1]基于深度卷积神经网络的车型识别方法[J]. 袁公萍,汤一平,韩旺明,陈麒.  浙江大学学报(工学版). 2018(04)
[2]基于神经形态电路的音频场景特征提取及识别技术[J]. 王雨辰,胡华.  计算机应用研究. 2018(12)
[3]基于改进的卷积神经网络LeNet-5的车型识别方法[J]. 王秀席,王茂宁,张建伟,程鹏.  计算机应用研究. 2018(07)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[5]基于模糊神经网络的车辆声音信号识别研究[J]. 杜绍研.  自动化与仪器仪表. 2016(06)
[6]小客车通过减速带时地面振动信号的差异性分析[J]. 戴剑敏,郭建钢,陈必太.  福建农林大学学报(自然科学版). 2016(02)
[7]声谱图显著性在音频识别中的应用[J]. 弓彦婷,程小雪,任洪梅,陈雁翔.  合肥工业大学学报(自然科学版). 2016(01)
[8]大数据及其在城市智能交通系统中的应用综述[J]. 陆化普,孙智源,屈闻聪.  交通运输系统工程与信息. 2015(05)
[9]基于深度卷积神经网络的车型识别研究[J]. 邓柳,汪子杰.  计算机应用研究. 2016(03)
[10]智能交通系统综述[J]. 赵娜,袁家斌,徐晗.  计算机科学. 2014(11)

博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
[2]类内结构支持向量机学习算法研究[D]. 安文娟.北京交通大学 2015

硕士论文
[1]基于数据降维的机器学习分类应用研究[D]. 胡天宇.吉林大学 2017
[2]基于卷积神经网络的花卉图像分类算法的研究[D]. 刘园园.华北电力大学(北京) 2017
[3]基于地磁信息的车型识别技术的研究[D]. 李盼.北京交通大学 2015
[4]基于声音和震动信号特征融合的车型识别研究[D]. 靳舜.长安大学 2014
[5]基于声音识别的交通信息检测技术研究[D]. 李云焕.长安大学 2014
[6]校园道路减速带引起的振动实测与分析[D]. 张文星.福建农林大学 2013
[7]基于遗传神经网络的车型识别算法研究[D]. 陈丽.长安大学 2008
[8]车辆音频特征分析及车型识别研究[D]. 刘波.武汉理工大学 2007



本文编号：3034116