基于DSP及車輛噪聲信號的車輛碰撞聲檢測裝置
加入技術交流群
2 軟件和算法設計
我們設計的系統軟件是一個運行于DSP之上的程序，控制系統各模塊工作，并完成算法計算。使用TI公司的CCS集成開發環境，用C語言和匯編語言進行編程。
該軟件首先進行初始化，對VC5509和AIC23的運行參數進行配置。對VC5509芯片的鎖相環配置時，將系統時鐘設置為144kHz。對McBSP進行配置時，打開VC5509的McBSP0并啟動其進行輸入輸出操作。配置DMA0通道，使其工作于兼容模式并在中斷時停止數據的傳輸。配置AIC23的工作模式為DSP模式并使用IIC方式傳輸數據。啟動AIC23對聲信號進行32k采樣速率的采樣。
初始化結束后進行采樣檢測，經過采樣檢測，一旦發現采集到的信號滿足分幀條件，即采集到的聲信號長度足夠1秒時，就執行自動聲檢測算法。
自動聲檢測算法讀出數據并進行判斷，如果檢測到的是非碰撞事件，則繼續執行采樣檢測以等待處理下一秒數據，這時軟件在執行空循環；當自動聲檢測算法檢測到的是碰撞事件，就向通訊模塊傳遞信息，在GPS模塊確認速度和位置信息之后就通過報警模塊報警。此軟件的流程如圖3所示。本文引用地址：http://www.104case.com/article/151358.htm
軟件流程圖中自動聲檢測算法的設計是核心部分，下面做重點介紹。由于不同聲波信號的幅頻特性和相頻特性不同，不同聲波信號在各個頻率段的幅值也存在一定的差異。因此，可利用各個頻率成分的能量變化來實現目標識別。
自動聲檢測算法包括聲音信號采集和分幀、特征提取、特征降維、特征分類四部分，
其具體實現步驟如下：
(1)采集和分幀。將采集到的信號按每2s分為一幀，幀與幀之間有1s的交疊。對32k采樣率的芯片來說，即每一次只對2s的片段65536個點進行處理，在訓練階段兩個片段之間有1／2重復。這樣得到一組數據Datai(1≤i≤65535)。
(2)特征提取。對每一幀信號數據Datai(1≤i≤65535)實施DWT變換以得到頻域信息，然后根據得到的頻域信息統計能量的分布，以此作為識別交通事故的特征。本算法采用DB1小波，對每一幀信號，先進行一層分解，然后高頻系數進行兩層完整的分解，低頻系數進行10層單向分解得到18組數據。計算得到特征分量F=[E1，E2…E18]，En的計算公式如下：
，其中N為Cn的長度。
(3)特征降維。對特征提取后的信號量實現降維。在提取出的特征分量F的基礎上，本算法采用基于主成分分析(PCA)的異常點檢測算法檢測交通事故碰撞聲。原特征F變換后得到
公式為
，其中H為PCA方法得到的投影矩陣。
(4)特征分類。收集正常運行和交通事故時的車輛周圍聲音信號樣本，并訓練構造分類器，實現對行駛過程中的聲音分類。分類器擬輸出兩類分類結果：一類為正常運行聲音，另一類為重大交通事故的碰撞聲音。判別條件為：
評論