一种基于频带差异度的声学目标定位识别方法

技术领域

本发明涉及传感器信号处理技术领域，特别是一种基于频带差异度的声学目标定位识别方法。

背景技术

目标定位是声学传感器系统的一个常见应用。传统的分布式声传感器定位机制有基于信号强度/到达时间定位(RSSI/ToA)、到达角定位(DoA)、基于到达时间差定位(TDoA)、匹配定位、导向响应功率(SRP)等，在这些机制下衍生出了各种现有算法，以及针对多种环境下的改进与修正算法，应用于各种定位领域。

在实际使用场景下，多目标的存在以及干扰信号/声源的影响给定位算法的性能带来负面影响。单纯采用预处理手段将信号转换到强度、时间(差)、角度等中间量后导致目标特性信息的丢失，需要额外的处理进行信号识别、区分等工作。要达到定位识别的同步实现，需要从前期处理就引入目标特性信息。

发明内容

鉴于此，本发明提供一种基于频带差异度的声学目标定位识别方法，以解决上述技术问题。

本发明公开了一种基于频带差异度的声学目标定位识别方法，其包括以下步骤：

步骤1：在分布式传感器场景下，所有传感器对目标进行同步采样，得到N个目标信号；其中，N为传感器的数量；所述目标为声源；

步骤2：对N个目标信号进行组合，每次选出两个传感器组成传感器对，形成多个传感器信号对；

步骤3：按照事先确定的频带同步划分N个目标信号，分别计算每个频带上每对传感器采集的目标信号的互相关结果；

步骤4：基于所述互相关结果，分别计算每个频带的导向响应功率分布；

步骤5：基于所有频带的导向响应功率分布，得到声源的定位识别结果。

进一步地，所述步骤1包括：

分布式传感器场景中的所有传感器同时以相同的采样频率，对所有传感器覆盖范围内的声源进行信号采集，得到N个目标信号。

进一步地，所述步骤2包括：

按照相同的频带范围同时对N个目标信号进行频带划分，同时将分布式传感器场景中的传感器两两组合成对，最多有

进一步地，所述步骤3包括：

步骤31：通过以下公式，计算第一个频带上第一对传感器采集的目标信号的互相关结果：

其中，f为频率，F

步骤32：按照步骤31类推，分别计算所有频带上各对传感器采集的目标信号的互相关结果。

进一步地，所述步骤4包括：

步骤41：基于第一个频带F

其中，

步骤42：按照步骤41类推，分别得到所有频带对应的导向响应功率分布

进一步地，所述步骤5包括：

步骤51：基于每个位置的所有频带的导向响应功率，得到该位置的功率方差，进而获得在所有位置上的方差分布，找到方差分布的峰值后，得到声源的位置估计；

步骤52：基于参考目标的导向响应功率和其他位置的所有频带的导向响应功率的相似性，得到声源的类别估计；其中，所述参考目标的类别已知；

步骤53：融合声源的类别以及声源的位置估计，即得到声源的定位识别结果。

进一步地，所述步骤51包括：

基于G(p)，通过以下公式计算得到方差分布：

其中，σ

获得σ

进一步地，所述步骤52包括：

分析搜索空间中各位置与特征矢量的相似性；其中，相似性采用余弦相似性来描述，即：

M(,p

其中，M(p,p

M(,p

进一步地，所述步骤53包括：

采用σ

由于采用了上述技术方案，本发明具有如下的优点：本方法采用基于频带差异度的定位方式，能对平稳噪声场景下的目标进行较好的定位。本发明提出一种新型的处理方法与模式，提高系统的目标分辨、定位、识别能力。本发明可以提高在多目标场景下的目标分类能力。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种基于频带差异度的声学目标定位识别方法的流程示意图；

图2为本发明实施例的含有双声源的分布式传感器场景示意图；

图3为本发明实施例的双目标场景下的各通道信号对比示意图；

图4(a)和图4(b)分别为本发明实施例的双目标场景下的SRP分布结果和频带方差分布结果的示意图；

图5为本发明实施例的以峰值(3,6)为参考时的频带差异度分布示意图；

图6(a)和图6(b)为本发明实施例的双目标场景下的差异度与频带方差融合结果的上视图和斜视图；

图7(a)和图7(b)分别为本发明实施例的三目标场景下的传统SRP分布结果与融合结果对比示意图；

图8(a)、图8(b)和图8(c)为本发明实施例三目标场景下三组差异度(三个色相)分布图。

具体实施方式

结合附图和实施例对本发明作进一步说明，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。

参见图1，本发明提供了一种基于频带差异度的声学目标定位识别方法的实施例，其包括以下步骤：

步骤1：在分布式传感器场景下，所有传感器对目标进行同步采样，得到N个目标信号；其中，N为传感器的数量；目标为声源；

步骤2：对N个目标信号进行组合，每次选出两个传感器组成传感器对，形成多个传感器信号对；

步骤3：按照事先确定的频带同步划分N个目标信号，分别计算每个频带上每对传感器采集的目标信号的互相关结果；

步骤4：基于互相关结果，分别计算每个频带的导向响应功率分布；

步骤5：基于所有频带的导向响应功率分布，得到声源的定位识别结果。

本实施例中，步骤1包括：

分布式传感器场景中的所有传感器同时以相同的采样频率，对所有传感器覆盖范围内的声源进行信号采集，得到N个目标信号。

本实施例中，步骤2包括：

按照相同的频带范围同时对N个目标信号进行频带划分，同时将分布式传感器场景中的传感器两两组合成对，最多有

本实施例中，步骤3包括：

步骤31：通过以下公式，计算第一个频带上第一对传感器采集的目标信号的互相关结果：

其中，f为频率，F

步骤32：按照步骤31类推，分别计算所有频带上各对传感器采集的目标信号的互相关结果。

本实施例中，步骤4包括：

步骤41：基于第一个频带F

其中，

步骤42：按照步骤41类推，分别得到所有频带对应的导向响应功率分布

本实施例中，步骤5包括：

步骤51：基于每个位置的所有频带的导向响应功率，得到该位置的功率方差，进而获得在所有位置上的方差分布，找到方差分布的峰值后，得到声源的位置估计；

步骤52：基于参考目标的导向响应功率和其他位置的所有频带的导向响应功率的相似性，得到声源的类别估计；其中，参考目标的类别已知；

步骤53：融合声源的类别以及声源的位置估计，即得到声源的定位识别结果。

本实施例中，步骤51包括：

基于G(p)，通过以下公式计算得到方差分布：

其中，σ

获得σ

本实施例中，步骤52包括：

分析搜索空间中各位置与特征矢量的相似性；其中，相似性采用余弦相似性来描述，即：

M(,p

其中，M(p,p

M(,p

本实施例中，步骤53包括：

采用σ

为了便于理解，本发明给出了一个更为具体的实施例：

在此通过结合仿真实例来展示本方法效果。如图2所示，预设一个20m*20m的实验场地，并在四角部署声传感器。两个声源分别部署在(3,6)、(12,15)两个位置上。每个会在随机时间发出一段短时间信号，每个信号由1～5kHz中随机抽取的三个频率成分组成，再叠加白噪声。三个频率成分的功率也是随机的，但两个信号的无噪声总功率相等，且信号叠加噪声后信噪比为-5dB。如此设置下，四个声传感器都接收到两个声源的信号。

步骤一：分别以10kHz采样率采集一段1024点(102.4ms时长)的信号段，信号如图3所示。虽然不知道具体信号频率，但由于采样率为10kHz，可以处理5kHz以下的信号。将[1Hz,5kHz]均匀划分为10个频带，F

步骤二：将四个传感器分为4对，Pr

以此类推，可以获取所有频带上Pr

步骤三：每个频段的生成导向响应功率分布。在已经有每个频带，每一对信号的互相关结果后，可以采用前述公式

由于实际处理中互相关结果为离散表示，可以在步骤二时先不计算全部的

获取所有频带的分布后，得到

上述方差分布的目标分辨效果可以在图4(a)和图4(b)中看到，并与普通的基于互相关的导向响应功率结果，即∑G(p)进行对比，可以看到其在峰值识别度和非目标区域抑制上的性能优势。获得σ

步骤四：分析目标差异特性，进行目标识别。在这里，将σ

M(p,p

实验中例子的相似性分布如图5所示。图中展示归一化后的结果，深色代表颜色相似度高。可以看到，在参考点(3,6)附近有最高的相似度，其它区域的相似度则相应较低，出现在其它区域(相似度低区域)的其他峰值应当判定为不同的目标。

步骤五：融合定位和识别的结果。采用σ

对于更多目标的场景，方法也可处理。在上述场景中加入一个位于(17,9)位置的目标进行三目标场景测试。为区分多个目标，将频带划分为F

需要指出的是，上述三目标场景与前述双目标场景相比信噪比较高，(此处为0dB，双目标场景为-5dB)但仍然出现了假目标。这一问题来源于信息量的不足，而非处理错误。仿真中只采用了4个传感器，分为4对，信息量较少。在实际中，这一点需要通过增加节点数来解决。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。