基于小波分析的雷声信号特征提取
2008-03-17
作者：柴 烨， 张有光
摘 要： 地下拾音报警系统" title="报警系统">报警系统以其隐蔽性强、监控范围广等优点受到文物保护部门的关注。给出了一种基于小波" title="小波">小波变换，利用能量等价关系构造特征空间的方法，可以有效地识别雷声信号，降低雷声造成的误报率，从而有效地改进了地下拾音报警系统的性能。
关键词： 声控报警 雷声信号 小波分析 特征提取" title="特征提取">特征提取 安防系统
近年来，文物安全问题日趋严峻，常见的安防报警手段如视频监控、玻璃破碎探测器等，不适于对室外环境下不可移动文物的保护。在探索新的安防模式的过程中，提出了一种基于声音信号的地下拾音报警系统。该系统隐蔽性强、成本较低、能够消除报警死区、缩短报警反应时间，比较适于对室外环境下的文物实行全面的技术防范。但由于自然界的雷声会造成设备频繁地误报警，所以需要消除雷声对系统的干扰，为此，要对雷声信号进行分类识别、特征提取，成为消除干扰的关键的一步。
以往的处理方法及存在的问题大致归纳为如下三种：(1)在有雷声时采取暂时关闭监控设备，但易造成漏报。(2)通过声强区分信号，但易将雷声信号和其他监听信号混淆。(3)使用传统方法通过计算频域" title="频域">频域峰值作为特征进行分析，但是经典的傅立叶变换只能针对平稳信号进行分析。在此基础上使用加窗的方法来处理非平稳信号的短时傅里叶变换，虽然有所进步，但是分析窗恒定的大小和形状仍无法满足要求[1]。针对以上三种处理方法所存在的问题，本文采用具有多分辨率特点的小波变换" title="小波变换">小波变换方法，对非平稳的雷声信号的局部特征进行分析。
1 地下拾音报警系统
1.1声音信号的优势
声音信号作用于安防系统有其独特的优势：其快速传递的特性使得实现迅速报警成为可能；声波可在空气、水、土壤、金属等物体内传递，因此，防范区域可以延伸到周边地区，异常目标在进入监控区域之前就可以被发现，起到预警的作用；声波以球面波的形式向四周均匀扩散（声辐射），也可以绕过障碍物的遮挡，发生声绕射（衍射），为消除监控系统的防范死区提供了可能。
1.2 地下拾音报警系统工作原理
地下拾音报警系统集集群监听、地下拾音、声控报警等功能于一体，利用埋于地下20厘米处的地下声敏传感器，可拾取地表(半径20米)、地下(30米)的微弱的声音信号，经物理谐振腔放大后以模拟信号输出，其有效传输距离不小于1500米。设备工作时，监控区域被认为是安静的，任何声响都被视为异常，一旦传感器所采集的声音信号的强度超过设定门限就触发报警行为。
2 雷声信号预处理
雷声信号预处理是：声敏传感器采集音频信号后，经前端调制器将模拟音频信号转换成数字信号，经过中间的音频传输控制线传送到监控室中的计算机，形成音频文件，作为雷声信号的原始特征；对信号进行预处理，去除噪声等的干扰，初步了解信号的时频特征。预处理步骤框图如图1所示。
（1）去除均值：信号的均值相当于一个直流分量，去除均值，可避免在估计该信号的功率谱时，零频位置的谱峰影响附近的频谱曲线。信号x(t)的均值常由下式估计。
（2）功率谱估计：使用以傅立叶变换为基础的经典谱估计对信号频域特征进行粗略估计。先计算N个数据的傅立叶变换（频谱），然后取频谱和其共轭的乘积，得到功率谱（直接法）[1]。具体公式如下：
（3）低通滤波：一般来说，信号的低频部分给出了信号的特征，高频部分则与噪音及扰动联系在一起。因此，参照声敏传感器的频响参数、经验值及粗略估计的信号特征设置滤波器参数，对信号进行低通滤波。以损失部分细节为代价，减少后续分析的运算量。
若选择约束最小二乘(CLS)FIR滤波器，无须专门定义幅值响应中的过渡带，便可在整个滤波器响应的频率范围内使用平方误差最小化技术，逼近理想的滤波器特性。取阶数为61、截止频率为0.6（归一化）、通带最大偏差为0.02（dp）、阻带最大偏差为0.008（ds）,其频域及时域波形分别如图2和图3所示。
（4）分割信号：分割信号为按一定长度的帧，提取最能体现其特点的部分，以降低信号长度，减少运算量。
（5）归一化：按信号幅度绝对值的最大值做归一化处理，得到长度范围、幅值范围统一的信号。
3 雷声信号的小波变换
非平稳信号的模式特征存在于时域与频率域中，使用传统变换方法提取特征不能达到较好的效果。利用小波分析方法进行雷声信号特征提取的框图如图4所示。
（1）小波变换：雷声信号作为非平稳信号，其统计特性随时间而变，所以其局部性的研究需要使用时域和频域的二维联合表示，否则会导致提取的特征不够准确。信号经过小波变换，可以分成不同的子带[2]，每个子带内的小波系数表现了信号相应带内的能量分布。小波分解结构可视为由低通和高通滤波器组成的滤波器组，将信号分解成低频近似信号和高频细节信号两部分，在下一层的分解中，又将低频部分再分解成更低频和更高频两部分，依此类推，完成更深层次的小波分解，如图5所示。
选择合适的小波基及分解层数对特征提取至关重要。经过对各小波函数的比较和频率分析试验，选用Daubechies小波，N值取7时，其小波函数图形如图6所示。音频文件采样频率为11.025kHz，即Nyquist频率为5.512kHz，进行7级小波分解，可获得8个小波系数。这样，原信号就可表示为不重叠的各个子带的小波系数之和。各分解系数对应的频带范围如表1所示。
这样就建立了小波系数与信号能量在时域上的等价关系。系数较大者携带的信号能量较多，系数较小者携带的信号能量较少。因此，对不同子带内的小波系数进行统计分析，可以获得声音信号的分布特征。这样，就完成了从高维的小波系数矩阵到较低维的小波系数能量空间的转化。
（3）归一化及提高灵敏度：不同的样本占有不同的特征空间区域，只要这些区域不相交叠，它们就可以分开。经常采用样本间的平均距离作为特征提取的判据函数[4-5]。由于脚步声信号、撞击声信号与雷声信号相近，所以为进一步区分，通过将特征值归一化后作平方运算，增加特征之间的距离差距，达到提高灵敏度的目的，缓解报警高灵敏度和误报率之间的矛盾。选取图7所示的信号进行对比，其结果如表2所示，特征分布如图8所示。可见，处理后的交叉面积有所减小。
(4）建立特征空间：可以使用以上方法求得特征向量直接构成特征空间，如：
T=[Ea7 Ed7 Ed6 Ed5 Ed4 Ed3 Ed2 Ed1]
也可以与预处理中得到的其他特征建立组合特征空间。
本文介绍的雷声特征提取方法，通过在部分样本信号上的测试，可以分辨出雷声信号和撞击声信号。本方法对抑制雷声造成的系统误报警起到了初步的作用，进一步提高了安全技术防范的可靠性，对于古墓、古塔、石刻等不可移动的室外环境下的文物防盗具有一定意义。未来工作是需要对更多种类、更大数量的样本信号进行算法测试，并结合实地应用情况进行设计上的改进。
参考文献
[1] 张贤达，保铮. 非平稳信号分析与处理[M]. 北京：国防工业出版社，1998.
[2] PARAMESWARIAH C, COX M. Frequency characteristics of wavelets[J]. IEEE Transactions on Power Delivery,2002,17(3)：800-804.
[3] 刘毅，张彩明，赵玉华，等. 基于多尺度小波包分析的肺音特征提取与分类[J]. 计算机学报，2006，29（5）：769-777.
[4] 周莉，郑建琳，颜琬. 基于小波多尺度和熵在图像字符特征提取方法的改进[J]. 电子技术应用， 2004,30(7)：6~8.
[5] BARSANTI R J, SPENCER E, CARES J,et al. Frature matching and signal recognition using wavelet analysis. In: Proceedings of the 38th Southeastern Symposium on System Theory, Cookeville, TN, USA, 2006：448-452.