基于DSP的車輛碰撞聲檢測裝置設計
加入技術交流群
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。
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：
其中為訓練樣本集的特征分量投影。n表示允許偏出給定區間Ii的最大個數，當n大于某個閾值時即為碰撞，反之則不為碰撞。
3 實驗結果及分析
系統實驗所采用的實驗樣本總數為200個，分為碰撞樣本和非碰撞樣本兩類，每類都為100個樣本。碰撞樣本采集于車輛廠商的碰撞試驗，非碰撞樣本采集于日常常見各類聲音信號。其中碰撞樣本的長度為10s，包含完整的車輛碰撞過程的聲音，并混有剎車等常見噪聲。非碰撞樣本的長度為20s，分為自然環境類、音樂類和語音類等幾種聲音。在碰撞樣本中，20個作為算法的訓練樣本，剩下的80個用于檢測算法的效果。一般普通聲音的頻譜如圖4 a)所示，而典型的碰撞聲樣本的頻譜如圖4 b)所示。
我們的碰撞聲檢測儀在一個模擬的環境下進行測試，盡可能地還原真實場景。使用低失真功放裝置反復對真實場景中采集到的碰撞信號進行實驗。并和文獻中的實驗結果進行了對比。其中整體成功率是對判斷對的樣本總數和實驗樣本總數的比值。實驗結果示于表1。
由實驗結果可以看出，無論對碰撞樣本還是非碰撞樣本，實驗結果都非常準確，這說明本算法在設計上較為合理，在較小的干擾下可以達到碰撞聲分類的目的，和文獻提到的結果相比，無論是碰撞樣本還是非碰撞樣本，準確度都有所提升。
4 結束語
利用TMS3205509芯片做信號處理以及TLV320AIC23B做采集芯片的車輛碰撞報警裝置，體積小、成本低。此裝置使用分幀的方式對聲信號進行模式識別計算，以實現車輛碰撞的及時報警。實驗結果表明，此系統可靠性高、延時較短、可及時發出報警信號。此系統的應用可提高機動車輛駕乘人員的安全系數，從而降低駕乘人員的車禍傷亡率，具有良好的應用前景。
評論