[发明专利]一种基于微孔径麦克风阵列的运动目标识别方法

说明书

技术领域

本发明涉及目标识别技术领域，特别是涉及一种基于微孔径麦克风阵列的运动目标识别方法。

背景技术

识别运动目标的类型是环境监视系统的重要功能之一。目标分类识别就是通过分析和处理目标信号的特征，将目标归为事先划定的某一类型。通常的做法是找出可分性能最好的一种特征，然后在该种特征的基础上确定某个判决规则，使按该规则对测试对象进行分类时所造成的误识率最小。

当前使用的运动目标识别方法主要包括基于图像、声音和震动等方式。在理想环境下，基于图像的目标识别率可达到90％，然而其识别率容易受到环境和光线的影响，而且安装成本和维护费用较高，不利于大范围使用。基于震动的目标识别方法探测范围远、功耗低，但是目标的震动信号会随着地质条件的变化而变化，某一组分类系数在一种地质条件下能取到良好的分类效果但是在另一种地质条件下分类效果会变差。基于声音的目标识别方法成本低、分类率高、实施容易，但是环境中的声响噪声，尤其是风噪会对声音目标的分类造成影响。

发明内容

本发明所要解决的技术问题是提供一种基于微孔径麦克风阵列的运动目标识别方法，使得微孔麦克风阵列能够提高信号的信噪比，最终实现对目标的精确分类。

本发明解决其技术问题所采用的技术方案是：提供一种基于微孔径麦克风阵列的运动目标识别方法，包括以下步骤：

（1）利用微孔径麦克风阵列采集环境噪声和已知类型运动目标的声响信号，并建立声响信号的样本库；

（2）对样本库中的每条样本各通道的数据进行叠加求和的降噪处理；

（3）采用精简的梅尔倒谱系数算法提取信号的特征；

（4）按照类别构建样本库中各类目标的高期混合模型的概率密度函数，以k-means算法进行模型初始化，以期望最大算法训练模型参数，并以此作为目标的分类系数；

（5）当微型麦克风阵列部署在实际环境中进行目标识别时，阵列各通道的麦克风同步采集环境中的声响信号，接着各通道的数据经叠加求和进行降噪处理，然后由精简的梅尔倒谱系数算法提取目标的特征，最后利用所述的分类系数计算各类别的高斯概率密度函数，将概率密度函数最大的类别作为识别结果。

所述微孔径麦克风阵列中麦克风的数量在两个以上，并且麦克风之间的最大间距为厘米量级。

所述步骤（2）中的叠加求和的降噪处理方法为：其中，c_i(n)为第i个通道声响信号，Q为阵列中麦克风的数量，x(n)为降噪后的信号。

所述步骤（3）包括以下步骤：

（31）预加重：s(n)＝x(n)-αx(n-1),其中α为预加重系数，介于0.1～1之间；

（32）加窗分帧：y(n)＝s(n)ham(n)，其中ham(n)为汉明窗的表达式，具体为：0≤n≤L-1，式中，L为帧长；

（33）短时傅立叶变换：Y(K)=ΣN=0L-1y(n)e(-j2πknL),0≤k≤(L-1);]]>