基于DTW与HMM证据融合的特种车鸣笛声识别方法
本发明公开了一种基于DTW与HMM证据融合的特种车鸣笛声识别方法,包括以下步骤:步骤1:建立车辆鸣笛声样本库;步骤2:预处理步骤;步骤3:车辆鸣笛声特征参数提取及降维处理;步骤4:基于证据融合的特种车鸣笛声识别;分别采用DTW算法和HMM算法得到DTW识别结果和HMM识别结果;若DTW识别结果和HMM识别结果一致,则最终的识别结果与DTW识别结果或HMM识别结果保持一致;若DTW识别结果和HMM识别结果不一致,则进行DS证据理论的识别决策推理,决策输出最终的识别结果。该基于DTW与HMM证据融合的特种车鸣笛声识别方法采用融合识别技术,识别率高。
发明专利
CN201210546541.5
2012-12-17
CN103065627A
2013-04-24
G10L15/12(2006.01)I
中南大学
余伶俐;蔡自兴;吴敏;唐琎;周开军;黄益绍;谭平
410083 湖南省长沙市岳麓区麓山南路932号
长沙市融智专利事务所 43114
黄美成
湖南;43
一种基于DTW与HMM证据融合的特种车鸣笛声识别方法,其特征在于,包括以下步骤:步骤1:建立车辆鸣笛声样本库;车辆鸣笛声包括警车、消防车、救护车和普通汽车的鸣笛声;从现场采集车辆鸣笛声或从影视资料中截取车辆鸣笛声,形成车辆鸣笛声样本库;样本库中存储的内容均为音频信号;步骤2:预处理步骤;对当前采集的汽车鸣笛声进行预加重处理、分帧加窗处理,然后进行端点检测,以分解出汽车鸣笛声每个声段;步骤3:车辆鸣笛声特征参数提取及降维处理;提取经过预处理后的汽车鸣笛声中的特征参数,并对该特征参数进行降维处理;步骤4:基于证据融合的特种车鸣笛声识别;分别采用DTW算法和HMM算法得到DTW识别结果和HMM识别结果;若DTW识别结果和HMM识别结果一致,则最终的识别结果与DTW识别结果或HMM识别结果保持一致;若DTW识别结果和HMM识别结果不一致,则进行DS证据理论的识别决策推理,决策输出最终的识别结果。