采用DSP及车辆噪声信号的车辆碰撞声检测装置

进行编程。
该软件首先进行初始化，对VC5509和AIC23的运行参数进行配置。对VC5509芯片的锁相环配置时，将系统时钟设置为144kHz。对McBSP进行配置时，打开VC5509的McBSP0并启动其进行输入输出操作。配置DMA0通道，使其工作于兼容模式并在中断时停止数据的传输。配置AIC23的工作模式为DSP模式并使用IIC方式传输数据。启动AIC23对声信号进行32k采样速率的采样。
初始化结束后进行采样检测，经过采样检测，一旦发现采集到的信号满足分帧条件，即采集到的声信号长度足够1秒时，就执行自动声检测算法。
自动声检测算法读出数据并进行判断，如果检测到的是非碰撞事件，则继续执行采样检测以等待处理下一秒数据，这时软件在执行空循环；当自动声检测算法检测到的是碰撞事件，就向通讯模块传递信息，在GPS模块确认速度和位置信息之后就通过报警模块报警。此软件的流程如图3所示。

软件流程图中自动声检测算法的设计是核心部分，下面做重点介绍。由于不同声波信号的幅频特性和相频特性不同，不同声波信号在各个频率段的幅值也存在一定的差异。因此，可利用各个频率成分的能量变化来实现目标识别。
自动声检测算法包括声音信号采集和分帧、特征提取、特征降维、特征分类四部分，

其具体实现步骤如下：

(1)采集和分帧。将采集到的信号按每2s分为一帧，帧与帧之间有1s的交叠。对32k采样率的芯片来说，即每一次只对2s的片段65536个点进行处理，在训练阶段两个片段之间有1／2重复。这样得到一组数据Datai(1≤i≤65535)。

(2)特征提取。对每一帧信号数据Datai(1≤i≤65535)实施DWT变换以得到频域信息，然后根据得到的频域信息统计能量的分布，以此作为识别交通事故的特征。本算法采用DB1小波，对每一帧信号，先进行一层分解，然后高频系数进行两层完整的分解，低频系数进行10层单向分解得到18组数据。计算得到特征分量F=[E1，E2…E18]，En的计算公式如下：，其中N为Cn的长度。
(3)特征降维。对特征提取后的信号量实现降维。在提取出的特征分量F的基础上，本算法采用基于主成分分析(PCA)的异常点检测算法检测交通事故碰撞声。原特征F变换后得到公式为，其中H为PCA方法得到的投影矩阵。
(4)特征分类。收集正常运行和交通事故时的车辆周围声音信号样本，并训练构造分类器，实现对行驶过程中的声音分类。分类器拟输出两类分类结果：一类为正常运行声音，另一类为重大交通事故的碰撞声音。判别条件为：

其中为训练样本集的特征分量投影。n表示允许偏出给定区间Ii的最大个数，当n大于某个阈值时即为碰撞，反之则不为碰撞。

3 实验结果及分析
系统实验所采用的实验样本总数为200个，分为碰撞样本和非碰撞样本两类，每类都为100个样本。碰撞样本采集于车辆厂商的碰撞试验，非碰撞样本采集于日常常见各类声音信号。其中碰撞样本的长度为10s，包含完整的车辆碰撞过程的声音，并混有刹车等常见噪声。非碰撞样本的长度为20s，分为自然环境类、音乐类和语音类等几种声音。在碰撞样本中，20个作为算法的训练样本，剩下的80个用于检测算法的效果。一般普通声音的频谱如图4 a)所示，而典型的碰撞声样本的频谱如图4 b)所示。

我们的碰撞声检测仪在一个模拟的环境下进行测试，尽可能地还原真实场景。使用低失真功放装置反复对真实场景中采集到的碰撞信号进行实验。并和文献中的实验结果进行了对比。其中整体成功率是对判断对的样本总数和实验样本总数的比值。实验结果示于表1。

由实验结果可以看出，无论对碰撞样本还是非碰撞样本，实验结果都非常准确，这说明本算法在设计上较为合理，在较小的干扰下可以达到碰撞声分类的目的，和文献提到的结果相比，无论是碰撞样本还是非碰撞样本，准确度都有所提升。

4 结束语
利用TMS3205509芯片做信号处理以及TLV320AIC23B做采集芯片的车辆碰撞报警装置，体积小、成本低。此装置使用分帧的方式对声信号进行模式识别计算，以实现车辆碰撞的及时报警。实验结果表明，此系统可靠性高、延时较短、可及时发出报警信号。此系统的应用可提高机动车辆驾乘人员的安全系数，从而降低驾乘人员的车祸伤亡率，具有良好的应用前景。