的所述玻璃破碎声音，将所述玻璃破碎声音与所述玻璃破碎声学模型库中的声学模型进行匹配处理；若匹配成功，则向所述报警模块104发送报警触发信号；所述报警模块104，用于根据所述报警触发信号发送报警信息；所述电源模块105用于向所述存储模块101、所述声音检测模块102、所述处理模块103及所述报警模块104提供电能。
[0042]具体的，所述玻璃破碎声学模型库中的声学模型是采用隐马尔科夫模型(HiddenMarkov Mode，HMM)声学建模方法，根据采集到的实际的玻璃破碎声音进行声学训练和分析建模后得到的。
[0043]实际应用中，所述声音检测模块102具体可以为至少一个麦克风，所述玻璃破碎检测装置100通过至少一个麦克风采集检测范围内的玻璃破碎声音。
[0044]所述声音检测模块102将检测到的玻璃破碎声音发送给所述处理模块103，所述处理模块103将所述玻璃破碎声音与所述玻璃破碎声学模型库中的声学模型进行匹配，若匹配成功则向所述报警模块104发送报警触发信号，以触发所述报警模块104向智能手机或云平台发送报警信息，所述报警模块104可以为有线传输模块或无线传输模块，其中，无线传输模块例如可以是无线保真(Wireless Fidelity,WiFi)模块、红外模块、蓝牙模块、模拟蜂窝网络模块及紫蜂协议ZigBee模块中的任意一种。
[0045]进一步的，为了提高检测到的玻璃破碎声音与声学模型的匹配的正确率，本实施例中，所述处理模块103在将所述玻璃破碎声音与玻璃破碎声学模型库中的声学模型进行匹配之前，需要对所述玻璃破碎声音进行音频过滤及去噪处理，将经过音频过滤及去噪处理后的所述玻璃破碎声音与所述玻璃破碎声学模型库中的声学模型进行匹配处理。其中，对所述玻璃破碎声音进行音频过滤及去噪处理可以通过硬件的方式实现，如使用滤波器，也可以通过软件的方式实现，本实施例对此不做具体限制。
[0046]本实施例的技术方案，所述声音检测模块检测玻璃破碎声音，并将玻璃破碎声音发送给所述处理模块，所述处理模块对所述玻璃破碎声音进行音频过滤及去噪处理后，将经过音频过滤及去噪处理后的所述玻璃破碎声音与所述玻璃破碎声学模型库中的声学模型进行匹配，若匹配成功，则向所述报警模块发送报警触发信号，所述报警模块根据所述报警触发信号发送报警信息，及时通知用户，通过将检测到的玻璃破碎声音与声学模型进行匹配，能够较为准确的检测玻璃破碎声音，提高了入侵报警的准确率，并且可以通过报警模块发出报警信息，智能方便。
[0047]图2为本发明实施例二提供的玻璃破碎检测装置的结构示意图。如图2所示，在上述实施例的基础上，进一步地，本实施例中，玻璃破碎检测装置100还可以包括信号检测模块106，用于检测高频声音信号，并将所述高频声音信号发送给所述处理模块103 ;其中，所述高频声音信号是玻璃破碎时产生的。
[0048]具体的，所述信号检测模块106为高频信号传感器，用于检测玻璃破碎时产生的高频信号，所述信号检测模块106利用压电陶瓷片的压电效应，对高频的声音信号，如10KHZ?15KHZ的信号进行有效检测，而对低频的声音信号，如10KHZ以下的信号有较强的抑制作用，从而实现对玻璃破碎声音的高频信号的检测。
[0049]相应的，本实施例中，所述处理模块103在对所述玻璃破碎声音与所述声学模型匹配成功，且接收到所述高频声音信号时，向所述报警模块104发送所述报警触发信号。
[0050]本实施例的技术方案，所述声音检测模块检测玻璃破碎声音，并将玻璃破碎声音发送给所述处理模块，所述处理模块对所述玻璃破碎声音进行音频过滤及去噪处理后，将经过音频过滤及去噪处理后的所述玻璃破碎声音与所述玻璃破碎声学模型库中的声学模型进行匹配，若匹配成功，且接收到所述信号检测模块发送的高频声音信号，则向所述报警模块发送报警触发信号，所述报警模块根据所述报警触发信号发送报警信息，及时通知用户，通过同时满足玻璃破碎声音与声学模型匹配成功且检测到高频声音信号这两个条件，来确定检测到的是否为玻璃破碎声音，提高了检测玻璃破碎声音的准确度，从而提高了入侵报警的准确率，并且可以通过报警模块发出报警信息，智能方便。
[0051]图3为本发明实施例一提供的玻璃破碎检测方法的流程图。如图3所示，本实施例提供的玻璃破碎检测方法具体可以由玻璃破碎检测装置执行，该方法具体可以包括:
[0052]步骤301、检测音频信息；
[0053]步骤302、将所述音频信息与预先存储的声学模型库中的声学模型进行匹配；
[0054]步骤303、若匹配成功，则判定所述音频信息为玻璃破碎声音，发送报警信息。
[0055]为了提高检测到的玻璃破碎声音与声学模型的匹配的正确率，步骤301中，在所述检测音频信息之后，所述玻璃破碎检测装置还会对所述音频信息进行音频过滤和去噪处理；并提取经过音频过滤和去噪处理后的所述音频信息的声学特征。相应的，步骤302中，将所述声学特征与预先存储的所述玻璃破碎声学模型库中的声学模型进行匹配。
[0056]进一步的，本实施例中，步骤301中，所述玻璃破碎检测装置还可以检测高频声音信号，所述高频声音信号是玻璃破碎时产生的；相应的，步骤303中，若匹配成功，且检测到所述高频声音信号，则发送所述报警信息。
[0057]需要说明的是，所述声学特征提取，是从音频波形中提取出重要的反映音频特征的相关信息，去掉相对无关的信息，如，背景噪声、信道失真等，并把这些信息转换为一组离散的参数矢量。
[0058]本实施例中，是采用倒谱系数法进行声学特征提取。具体的，倒谱系数法是利用同态处理方法，对语音信号求离散傅立叶变换后取对数，再求反变换得到倒谱系数。
[0059]倒谱系数法中，线性预测(Linear Predict1n，LPC)倒谱是建立在LPC谱上的。而梅尔倒谱系数(Mel Frequency Cepstral Coefficent, MFCC)则是基于 MEL 谱的。MFCC是受人的听觉系统研宄成果推动而导出的声学特征，对人的听觉机理的研宄发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应，MEL刻度就是对这一临界带宽的度量方法之一。
[0060]MFCC法首先用快速傅氏变换(Fast Fourier Transformat1n，FFT)将时域信号转化成频域，之后对其对数能量谱用依照MEL刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换(Discrete Cosine Transform，DCT)，并取前N个系数作为MFCC参数。需要说明的是，倒普系数法为本领域技术人员所公知的技术，在此不展开阐述。
[0061]本实施例中，所述玻璃破碎声学模型库中的声学模型是米用HMM声学建模方法，根据采集到的实际的玻璃破碎声音进行声学训练和分析建模后得到的。声学模型能真实的反映话音的物理变化规律，是音频识别的底层模型，HMM是强有力的语音识别方法，HMM的输出值通常就是各个帧的声学特征。为了降低模型的复杂度，通常HMM模型有两个假设前提，一是内部状态的转移只与上一状态有关，一是输出值只与当前状态或当前状态转移有关。
[0062]除了这两个假设外，HMM模型还存在着一些理论上的假设，其中之一就是，它假设语音是一个严格的马尔科夫过程。通常用从左向右的单向的、带自环的、带跨越的HMM拓扑结构来对识别基元建模。HMM模型是语音信号时变特征的有参表示法。它由相互关联的两个随机过程共同描述信号的统计特性，其中一个是隐蔽的(不可观测的)具有有限状态的马尔可夫链，另一个是与马尔可夫链的每一状态相