本發(fā)明屬于智能交通技術(shù)領(lǐng)域，尤其涉及一種基于音頻的交通事件檢測(cè)裝置及方法。

背景技術(shù)：

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，城市道路、國(guó)道和高速公路的車輛越來越多，致使交通擁堵、事故、治安等的情況日益嚴(yán)峻，交通延誤現(xiàn)象多發(fā)。然而，大多數(shù)的交通異常狀態(tài)是由于非經(jīng)常性的交通事件引起的。因此，交通事件的信息獲取，尤其是異常事件如擁堵、事故、治安等方面的信息獲取，對(duì)減少交通事件的影響和持續(xù)時(shí)間、實(shí)施合理的路網(wǎng)優(yōu)化有著重要的意義。

目前，交通事件的檢測(cè)方法大多數(shù)采用視頻技術(shù)。采用視頻的交通信息獲取技術(shù)是通過視頻傳感器，如攝像機(jī)實(shí)時(shí)采集道路的視頻信息，通過計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)交通事件的檢測(cè)和分類，系統(tǒng)的關(guān)鍵部分為視頻傳感器和計(jì)算機(jī)視覺算法。當(dāng)交通事件發(fā)生時(shí)，事件通過光學(xué)方式傳送至視頻傳感器，嵌入式系統(tǒng)通過處理所獲得的視頻信息，從而判斷事件的類型。該方法的缺點(diǎn)在于價(jià)格昂貴，設(shè)備容易受天氣變化、光線強(qiáng)弱等因素的影響，視頻傳感器也容易因?yàn)槲廴径档蜋z測(cè)靈敏度。

基于音頻的交通事件檢測(cè)屬于一個(gè)新興技術(shù)領(lǐng)域，國(guó)內(nèi)外的研究處于起步階段。音頻交通事件檢測(cè)裝置的出現(xiàn)，無疑為解決視頻檢測(cè)器存在的問題帶來了可能。利用道路交通的音頻信號(hào)來識(shí)別交通信息類型，設(shè)備簡(jiǎn)單、成本低廉，不容易受到環(huán)境、光線等因素的影響，能在一定程度上彌補(bǔ)視頻方案的不足。在實(shí)際應(yīng)用中，一些交通事件無法通過聲音的方式表現(xiàn)出來，在這些情況下，音頻檢測(cè)方案將無法得到預(yù)期的結(jié)果。因此，應(yīng)根據(jù)工程、環(huán)境的實(shí)際情況，合理配置各種檢測(cè)裝置，以達(dá)到符合各方面指標(biāo)考慮的系統(tǒng)。在基于音頻的交通事件檢測(cè)裝置的數(shù)據(jù)處理方面，當(dāng)今主流的方法是智能化的檢測(cè)算法，例如人工神經(jīng)網(wǎng)絡(luò)，該方法檢測(cè)率高、誤報(bào)率低，但是神經(jīng)網(wǎng)絡(luò)層數(shù)加深時(shí)不易找到全局最優(yōu)點(diǎn)，而降低了交通事件的識(shí)別性能。采用卷積神經(jīng)網(wǎng)絡(luò)能有效改善傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)層數(shù)加深而不易找到全局最優(yōu)的問題，對(duì)復(fù)雜問題的魯棒性更高，很好的提高交通事件的識(shí)別能力。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于音頻的交通事件檢測(cè)裝置及方法。

本發(fā)明是通過如下的技術(shù)方案來解決上述技術(shù)問題的：一種基于音頻的交通事件檢測(cè)裝置，包括麥克風(fēng)陣列模塊、麥克風(fēng)信號(hào)接收模塊、降噪去混響模塊、事件檢測(cè)模塊；

麥克風(fēng)陣列模塊，用于對(duì)被測(cè)路段進(jìn)行聲音采集，并將采集到的聲音模擬信號(hào)轉(zhuǎn)換成PDM數(shù)字信號(hào)，多路輸出；所述麥克風(fēng)陣列模塊安裝在車道側(cè)面或車道上方；

麥克風(fēng)信號(hào)接收模塊，用于對(duì)麥克風(fēng)陣列模塊輸出的PDM數(shù)字信號(hào)進(jìn)行接收和預(yù)處理，所述麥克風(fēng)信號(hào)接收模塊對(duì)每一路PDM數(shù)字信號(hào)進(jìn)行解調(diào)和濾波處理，得到預(yù)設(shè)采樣率的多路數(shù)字音頻信號(hào)；

降噪去混響模塊，用于對(duì)麥克風(fēng)信號(hào)接收模塊輸出的多路數(shù)字音頻信號(hào)進(jìn)行噪聲抑制和混響抑制處理，經(jīng)過處理后得到的信號(hào)主要是車道上事件的信號(hào)，便于后續(xù)處理；

事件檢測(cè)模塊，用于對(duì)降噪去混響模塊輸出的信號(hào)進(jìn)行數(shù)字變換，通過Gammatone濾波器得到音頻信號(hào)的耳蝸?zhàn)V，并將其輸入到卷積神經(jīng)網(wǎng)絡(luò)得到事件類型的輸出概率。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述麥克風(fēng)陣列模塊包括五個(gè)及以上的數(shù)字MEMS麥克風(fēng)，所述麥克風(fēng)呈環(huán)形均勻排列，且環(huán)形面與車道平行。

作為本發(fā)明的進(jìn)一步改進(jìn)，降噪去混響模塊利用改進(jìn)的MVDR算法進(jìn)行聲源定位和波束形成，對(duì)分幀后的數(shù)字聲音信號(hào)同時(shí)進(jìn)行降噪和去混響處理，聲音信號(hào)得到增強(qiáng)后，最后得到一路聲音信號(hào)輸出。

作為本發(fā)明的進(jìn)一步改進(jìn)，利用基于音頻的交通事件檢測(cè)裝置進(jìn)行檢測(cè)的具體步驟如下：

步驟1：交通事件的聲音通過麥克風(fēng)陣列模塊采集得到，該聲音模擬信號(hào)經(jīng)過N路數(shù)字麥克風(fēng)輸出N路PDM格式的數(shù)字信號(hào)；

步驟2：N路PDM格式的數(shù)字信號(hào)輸入到麥克風(fēng)信號(hào)接收模塊，經(jīng)過解調(diào)濾波轉(zhuǎn)換成N路數(shù)字音頻信號(hào)；

步驟3：N路數(shù)字音頻信號(hào)輸入到降噪去混響模塊中，采用改進(jìn)的MVDR算法對(duì)數(shù)字音頻信號(hào)進(jìn)行增強(qiáng)，得到一路聲音數(shù)字信號(hào)；

步驟4：步驟3中得到的一路聲音數(shù)字信號(hào)輸入到事件檢測(cè)模塊，通過卷積神經(jīng)網(wǎng)絡(luò)得到交通事件類型的輸出概率，從而得到交通事件的類型。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟3中降噪去混響模塊的改進(jìn)的MVDR算法具體步驟如下：

步驟1.1：假設(shè)信號(hào)已分幀，s(t)為聲音信號(hào)的一幀，檢測(cè)事件的發(fā)生，白化輸入信號(hào)s(t)，得到x(t)

其中，E(s(t))為s(t)的數(shù)學(xué)期望，σ_s為s(t)的標(biāo)準(zhǔn)差，N_s為s(t)的長(zhǎng)度，設(shè)px為x的概率密度，計(jì)算負(fù)熵：

neg(x)＝H(Y_gauss)-H(x) (2)

其中H(x)＝-E(logpx)，Y_gauss為均值為0，方差為1的高斯白噪聲；如果neg(x)＜0.2則無事件發(fā)生，該幀視為噪聲，估計(jì)N_i(ω)，跳過以下步驟；

步驟1.2：估計(jì)各麥克風(fēng)的衰減因子α_i(ω),i＝1,....P

其中，P為麥克風(fēng)個(gè)數(shù)，X_i(ω)為第i個(gè)麥克風(fēng)信號(hào)的頻譜，N_i(ω)為第i個(gè)麥克風(fēng)的加性噪聲頻譜，并且N_i(ω)通過無事件幀估計(jì)得到；

步驟1.3：構(gòu)造代價(jià)函數(shù)J

其中，τ_i,i＝1,....P，為第i個(gè)麥克風(fēng)與聲源之間的時(shí)延，以采樣點(diǎn)為單位，k_i(ω)＝0.1|X_i(ω)|²+0.9E{|N_i(ω)|²}；求解關(guān)于J的最小化問題，即

argmin_τJ (5)

得到τ_i,i＝1,....P；

步驟1.4：求解聲源信號(hào)的頻譜S(ω)

其中，Q(ω)＝E[N(ω)N^H(ω)]；

對(duì)S(ω)進(jìn)行傅里葉逆變換，則得到經(jīng)降噪和去混響后的聲源時(shí)域波形。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟4中事件檢測(cè)模塊進(jìn)行交通事件類型檢測(cè)的具體步驟如下：

步驟2.1：通過neg(x)的取值情況得到事件的起點(diǎn)和終點(diǎn)時(shí)刻；

步驟2.2：對(duì)聲源時(shí)域波形s(t)進(jìn)行分幀，并求其Gammatone耳蝸?zhàn)V；Gammatone濾波器組的沖擊響應(yīng)如下

g(f,t)＝t^h-1e^-2πvt cos(2πft) (7)

其中，h＝4為常量，v為濾波器中心頻率對(duì)應(yīng)的等效矩形帶寬，f為子帶中心頻率，則編號(hào)為c、中心頻率為f_c的子帶可以通過對(duì)s(t)濾波得到

x(c,t)＝x(t)*g(f_c,t) (8)

步驟2.3：通過Gammatone濾波器組進(jìn)行分帶濾波得到32個(gè)子帶信號(hào)，對(duì)這32個(gè)子帶信號(hào)求得頻譜，則得到關(guān)于s(t)的時(shí)間-頻譜分布圖，即耳蝸?zhàn)V；

步驟2.4：將耳蝸?zhàn)V輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，得到卷積神經(jīng)網(wǎng)絡(luò)的輸出，對(duì)輸出進(jìn)行解碼得到交通事件類型。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟4中卷積神經(jīng)網(wǎng)絡(luò)模型是一個(gè)多層架構(gòu)，由卷積層和非線性層交替多次排列構(gòu)成，這些層最終通過全連通層對(duì)接到softmax分類回歸器上，卷積神經(jīng)網(wǎng)絡(luò)的模型配置如下：

1-卷積層1，2-最大池化層1，3-歸一化層1，4-卷積層2，5-歸一化層2，6-最大池化層2，7-全連接層1，8-全連接層2，9-全連接層3，10-softmax回歸層；

其中，卷積使用1步長(zhǎng)，0邊距的模板，池化用2x2大小的模板做最大池化。

與現(xiàn)有技術(shù)相比，本發(fā)明所提供的基于音頻的交通事件檢測(cè)裝置，采用數(shù)字麥克風(fēng)陣列作為拾音設(shè)備，體積小、成本低，實(shí)現(xiàn)對(duì)道路上發(fā)生的信息如檢查車輛啟動(dòng)、行駛通過、剎車、碰撞、爆炸和呼救等事件的獲取和識(shí)別；利用改進(jìn)的MVDR算法對(duì)信號(hào)進(jìn)行處理，能同時(shí)有效抑制噪聲和混響，具有魯棒性好、實(shí)時(shí)性好、穩(wěn)定性高、算法復(fù)雜度低的優(yōu)勢(shì)；最后通過卷積神經(jīng)網(wǎng)絡(luò)得到交通事件的概率，從而確定交通事件的類型，改善了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)層數(shù)加深時(shí)不易找到全局最優(yōu)點(diǎn)的問題；對(duì)于不同的交通狀態(tài)，本發(fā)明具有成本低、適用范圍廣、全天候工作、檢測(cè)精度高的優(yōu)點(diǎn)。

附圖說明

為了更清楚地說明本發(fā)明的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一個(gè)實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來說，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明一種基于音頻的交通事件檢測(cè)裝置結(jié)構(gòu)示意圖；

圖2是利用本發(fā)明基于音頻的交通事件檢測(cè)裝置實(shí)現(xiàn)事件檢測(cè)的具體步驟。

具體實(shí)施方式

下面結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

如圖1所示，本發(fā)明所提供的基于音頻的交通事件檢測(cè)裝置，包括麥克風(fēng)陣列模塊、麥克風(fēng)信號(hào)接收模塊、降噪去混響模塊、事件檢測(cè)模塊；所述麥克風(fēng)陣列模塊安裝在車道側(cè)面或車道上方。

麥克風(fēng)陣列模塊采集公路上的交通聲音信號(hào)，麥克風(fēng)陣列模塊包括六個(gè)數(shù)字MEMS數(shù)字麥克風(fēng)，即麥克風(fēng)A～麥克風(fēng)F；其中，麥克風(fēng)A～麥克風(fēng)E呈環(huán)形排列，麥克風(fēng)F位于圓心，聲音模擬信號(hào)經(jīng)過數(shù)字麥克風(fēng)陣列模塊輸出六路PDM數(shù)字信號(hào)，所述六路PDM數(shù)字信號(hào)作為麥克風(fēng)信號(hào)接收模塊的輸入。

麥克風(fēng)信號(hào)接收模塊對(duì)六路PDM數(shù)字信號(hào)進(jìn)行解調(diào)、濾波等預(yù)處理，將PDM數(shù)字信號(hào)轉(zhuǎn)換成單一采樣率和比特位的數(shù)字音頻信號(hào)。麥克風(fēng)信號(hào)接收模塊采用XMOS公司XU216系列微處理器，XU216是高性能多核麥克風(fēng)陣列處理器，具有多路PDM信號(hào)輸入接口和較強(qiáng)的處理能力，高度的靈活性和可編程性，同時(shí)集成了USB通信接口，能夠滿足本系統(tǒng)聲音陣列信號(hào)預(yù)處理的需要。麥克風(fēng)陣列模塊輸出的六路PDM數(shù)字信號(hào)經(jīng)麥克風(fēng)信號(hào)接收模塊解調(diào)后，得到六路44ksps，16bit的數(shù)字音頻信號(hào)，經(jīng)USB總線傳入嵌入式處理器進(jìn)行后續(xù)處理。

降噪去混響模塊，集成在微處理器上，所述微處理器具有一定的計(jì)算能力，能接收麥克風(fēng)信號(hào)接收模塊中USB輸出的六路數(shù)字音頻信號(hào)，如計(jì)算機(jī)或ARM架構(gòu)的微處理器。降噪去混響模塊對(duì)六路數(shù)字音頻信號(hào)進(jìn)行噪聲和混響抑制，所述模塊采用改進(jìn)的MVDR算法，利用多麥克風(fēng)波束形成技術(shù)，對(duì)數(shù)字音頻信號(hào)進(jìn)行增強(qiáng)，同時(shí)達(dá)到噪聲抑制和混響抑制的目的。所述降噪去混響模塊對(duì)六路數(shù)字音頻信號(hào)進(jìn)行處理后，得到一路增強(qiáng)后的聲音數(shù)字信號(hào)，并輸入到事件檢測(cè)模塊。

事件檢測(cè)模塊，集成在微處理器上，所述微處理器與降噪去混響模塊中的微處理器為同一微處理器。事件檢測(cè)模塊對(duì)一路增強(qiáng)后的聲音數(shù)字信號(hào)進(jìn)行數(shù)字變換，通過Gammatone濾波器對(duì)該路聲音數(shù)字信號(hào)進(jìn)行子帶濾波，得到音頻信號(hào)的耳蝸?zhàn)V，然后將耳蝸?zhàn)V輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)得到事件類型的輸出概率，從而判斷交通事件類型。

如圖2所示，一種基于音頻的交通事件檢測(cè)裝置進(jìn)行事件檢測(cè)的方法，具體步驟如下：

步驟1：交通事件的聲音通過麥克風(fēng)陣列模塊采集得到，該聲音模擬信號(hào)經(jīng)過N路數(shù)字麥克風(fēng)輸出N路PDM格式的數(shù)字信號(hào)；

步驟2：N路PDM格式的數(shù)字信號(hào)輸入到麥克風(fēng)信號(hào)接收模塊，經(jīng)過解調(diào)濾波轉(zhuǎn)換成N路數(shù)字音頻信號(hào)；

步驟3：N路數(shù)字音頻信號(hào)輸入到微處理器中集成的降噪去混響模塊中，采用改進(jìn)的MVDR算法對(duì)數(shù)字音頻信號(hào)進(jìn)行增強(qiáng)，得到一路聲音數(shù)字信號(hào)；

步驟4：步驟3中得到的一路聲音數(shù)字信號(hào)輸入到微處理器中集成的事件檢測(cè)模塊，通過卷積神經(jīng)網(wǎng)絡(luò)得到交通事件類型的輸出概率，從而得到交通事件的類型。

所述步驟3中降噪去混響模塊的改進(jìn)的MVDR算法具體步驟如下：

步驟1.1：假設(shè)信號(hào)已分幀，s(t)為聲音信號(hào)的一幀，檢測(cè)事件的發(fā)生，白化輸入信號(hào)s(t)，得到x(t)

其中，E(s(t))為s(t)的數(shù)學(xué)期望，σ_s為s(t)的標(biāo)準(zhǔn)差，N_s為s(t)的長(zhǎng)度，設(shè)px為x的概率密度，計(jì)算負(fù)熵：

neg(x)＝H(Y_gauss)-H(x) (10)

其中H(x)＝-E(logpx)，Y_gauss為均值為0，方差為1的高斯白噪聲；如果neg(x)＜0.2則無事件發(fā)生，該幀視為噪聲，估計(jì)N_i(ω)，跳過以下步驟；

步驟1.2：估計(jì)各麥克風(fēng)的衰減因子α_i(ω),i＝1,....P

其中，P為麥克風(fēng)個(gè)數(shù)，X_i(ω)為第i個(gè)麥克風(fēng)信號(hào)的頻譜，N_i(ω)為第i個(gè)麥克風(fēng)的加性噪聲頻譜，并且N_i(ω)通過無事件幀估計(jì)得到；

步驟1.3：構(gòu)造代價(jià)函數(shù)J

其中，τ_i,i＝1,....P，為第i個(gè)麥克風(fēng)與聲源之間的時(shí)延，以采樣點(diǎn)為單位，k_i(ω)＝0.1|X_i(ω)|²+0.9E{|N_i(ω)|²}；求解關(guān)于J的最小化問題，即

argmin_τJ (13)

得到τ_i,i＝1,....P；

步驟1.4：求解聲源信號(hào)的頻譜S(ω)

其中，Q(ω)＝E[N(ω)N^H(ω)]；

對(duì)S(ω)進(jìn)行傅里葉逆變換，則得到經(jīng)降噪和去混響后的聲源時(shí)域波形。

所述改進(jìn)的MVDR算法使用負(fù)熵判斷事件的存在與否，由于噪聲的負(fù)熵近似零，因此負(fù)熵能很好地區(qū)分事件幀和非事件幀；通過估計(jì)麥克風(fēng)的增益因子，能有效改善麥克風(fēng)陣列的麥克風(fēng)單元存在增益不一致導(dǎo)致的時(shí)延估計(jì)不準(zhǔn)確的問題；所述改進(jìn)的MVDR算法在建模過程中將混響作為噪聲的一部分進(jìn)行處理，達(dá)到同時(shí)抑制噪聲和混響的目的。

所述步驟4中事件檢測(cè)模塊進(jìn)行交通事件類型檢測(cè)的具體步驟如下：

步驟2.1：通過neg(x)的取值情況得到事件的起點(diǎn)和終點(diǎn)時(shí)刻；

步驟2.2：對(duì)聲源時(shí)域波形s(t)進(jìn)行分幀，并求其Gammatone耳蝸?zhàn)V；Gammatone濾波器組的沖擊響應(yīng)如下

g(f,t)＝t^h-1e^-2πvt cos(2πft) (15)

其中，h＝4為常量，v為濾波器中心頻率對(duì)應(yīng)的等效矩形帶寬，f為子帶中心頻率，則編號(hào)為c、中心頻率為f_c的子帶可以通過對(duì)s(t)濾波得到

x(c,t)＝x(t)*g(f_c,t) (16)

步驟2.3：通過Gammatone濾波器組進(jìn)行分帶濾波得到32個(gè)子帶信號(hào)，對(duì)這32個(gè)子帶信號(hào)求得頻譜，則得到關(guān)于s(t)的時(shí)間-頻譜分布圖，即耳蝸?zhàn)V；

步驟2.4：將耳蝸?zhàn)V輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，得到卷積神經(jīng)網(wǎng)絡(luò)的輸出，對(duì)輸出進(jìn)行解碼得到交通事件類型。

所述卷積神經(jīng)網(wǎng)絡(luò)的模型配置如下：

1-卷積層1，2-最大池化層1，3-歸一化層1，4-卷積層2，5-歸一化層2，6-最大池化層2，7-全連接層1，8-全連接層2，9-全連接層3，10-softmax回歸層；

其中，卷積使用1步長(zhǎng)，0邊距的模板，池化用2x2大小的模板做最大池化。卷積層包括卷積濾波器、tanh非線性變換函數(shù)、可訓(xùn)練的增益系數(shù)和校正算子，目的在于提取耳蝸?zhàn)V的局部特征；最大池化層通過取最大的局部鄰域?yàn)V波器響應(yīng)實(shí)現(xiàn)部分連接，達(dá)到對(duì)微小變形(拉伸、平移和微小失真等)的不變性；歸一化層對(duì)局部做減和除歸一化，迫使相鄰特征進(jìn)行局部競(jìng)爭(zhēng)，并提取耳蝸?zhàn)V的低階和高階統(tǒng)計(jì)特征；全連接層的作用與經(jīng)典神經(jīng)網(wǎng)絡(luò)的連接層類似，輸入的特征向量通過隱含層變換達(dá)到輸出層，在輸出層得到分類結(jié)果；softmax回歸層使用softmax函數(shù)將上述層提供的“證據(jù)”綜合，得到輸入信號(hào)屬于各種分類的概率。本發(fā)明使用大量經(jīng)標(biāo)注的樣本對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，基于NVIDIA JETSON TX1開發(fā)組件搭建訓(xùn)練平臺(tái)，使用GPU陣列進(jìn)行計(jì)算；訓(xùn)練過程中，使用對(duì)卷積核和權(quán)重進(jìn)行隨機(jī)初始化，而對(duì)偏置進(jìn)行全0初始化，使用標(biāo)準(zhǔn)的梯度下降算法來訓(xùn)練模型。

本發(fā)明采用基于音頻的交通事件檢測(cè)裝置，采用數(shù)字麥克風(fēng)陣列作為拾音設(shè)備，體積小、成本低，實(shí)現(xiàn)對(duì)道路上發(fā)生的信息如檢查車輛啟動(dòng)、行駛通過、剎車、碰撞、爆炸和呼救等事件的獲取和識(shí)別；利用改進(jìn)的MVDR算法對(duì)信號(hào)進(jìn)行處理，能同時(shí)有效抑制噪聲和混響，具有魯棒性好、實(shí)時(shí)性好、穩(wěn)定性高、算法復(fù)雜度低的優(yōu)勢(shì)；最后通過卷積神經(jīng)網(wǎng)絡(luò)得到交通事件的概率，從而確定交通事件的類型，改善了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)層數(shù)加深時(shí)不易找到全局最優(yōu)點(diǎn)的問題；對(duì)于不同的交通狀態(tài)，本發(fā)明具有成本低、適用范圍廣、全天候工作、檢測(cè)精度高的優(yōu)點(diǎn)。

以上所揭露的僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或變型，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。