[发明专利]一种基于声纹能量特征的无人机检测方法

说明书

技术领域

本发明涉及无人机声音检测领域，具体涉及一种基于声纹能量特征的无人机检测方法。

背景技术

一般的基于声音特征的检测的方法主要包括：(1)基于梅尔频率倒谱系数(MFCC)特征向量的声音检测方法；(2)基于线性预测倒谱系数(LPCC)特征向量的声音检测方法。相对于后一种技术，基于梅尔频率倒谱系数(MFCC)特征向量的声音检测方法，更符合人的听觉原理，在声音检测中得到广泛应用。

但是，传统的基于梅尔频率倒谱系数(MFCC)特征向量的声音检测方法，处理过程比较复杂，计算复杂度高，且特征向量的可解释性较差，可以考虑构造新的特征向量。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于声纹能量特征的无人机检测方法。

本发明的目的是通过以下技术方案来实现的：一种基于声纹能量特征的无人机检测方法，包括如下步骤：

(1)处理无人机起飞阶段的声音信号，对比起飞前后的时频图，得到特征频率区间[f_1L′,f_1R′],[f_2L′,f_2R′],…,[f_NL′,f_NR′]，[f_1L′,f_1R′]为基频，其余为整数倍的谐波频率；

(2)根据特征频率在频谱中的位置，将频带等宽度划分为依次交替的特征频率区间[f_1L,f_1R][f_3L,f_3R][f_5L,f_5R]…与非特征频率区间[f_2L,f_2R][f_4L,f_4R][f_6L,f_6R]…，区间总数为m；

(3)将声音信号进行傅里叶变换，将步骤(2)划分的各频率区间等宽度划分成n个子区间，计算各个子区间的能量，取各个子区间的能量最大值代表该频率区间的最高能量值，得到m个频率区间的最高能量值e1,e2...em；

(4)对m个依次交替的特征频率区间与非特征频率区间，取各频率区间的最高能量值占所有频率区间的最高能量值的和的比例，得到一组特征向量其中e＝e1+e2+...+em；

(5)分别对为无人机的声音信号和非无人机的声音信号提取特征向量，使用机器学习的方法进行分类学习，建立声指纹库；

(6)提取将待识别声音信号的特征向量，结合声指纹库实现检测判别。

本发明提出的基于声纹能量特征的无人机检测方法，对无人机声信号的检测效果很好，漏检率低，虚警低。与现有技术相比，本发明具有如下优势：

1.创造性的提出无人机声纹特征向量。相比传统的梅尔频率倒谱系数特征向量，本发明提取等带宽依次交替的特征频率区间与非特征频率区间的最高能量值占所有频率区间的最高能量值的和的比例作为特征向量，计算简单，而且能够很好的表征无人机的声纹谐波特征。

2.应用机器学习的方法，训练模型，建立声指纹库，实现检测判别。

附图说明

图1是本发明基于声纹能量特征的无人机检测方法的流程图；

图2是本发明的检测方法在郊区户外环境中的实际检测结果图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明提出的基于声纹能量特征的无人机检测方法，包括如下步骤：

(1)处理无人机起飞阶段的声音信号，对比起飞前后的时频图，得到特征频率区间[f_1L′,f_1R′],[f_2L′,f_2R′],…,[f_NL′,f_NR′]，[f_1L′,f_1R′]为基频，其余为整数倍的谐波频率。

对无人机起飞阶段的声音数据，采用短时傅里叶变换(STFT)，得到任意时刻t的频谱功率，观察起飞前与起飞后的频谱功率变化，观测出无人机的特征频率区间。