本发明涉及移动计算与声音感知领域，尤其涉及声音信号处理与声音多普勒效应建模技术，用于感知车辆与行人的空间位置信息，以检测行人面临的潜在交通安全风险。
背景技术
随着移动互联网高速发展与广泛普及，基于丰富多彩的移动app应用，人们越来越多地在行走的同时使用智能手机进行各项活动，包括通话、浏览信息、聊天、听音乐、看视频等。基于手机交互的活动严重地分散了行人的注意力，延长了行人对道路紧急情况的反应时间，尤其使得其极易忽略车辆迫近的风险，导致致命车祸的发生。根据调查，近年来发生的车辆与行人相撞的车祸中，引发事故的普遍原因是行人由于使用手机而未能对靠近的车辆作出及时反应。
智能手机作为行人注意力分散的根源，同时也可以作为解决方案的一部分。现代智能手机配备了多种多样的传感器，包括摄像头、麦克风、加速度计、陀螺仪等。通过传感器获取行人外部状态的变化，利用信号处理、分析与建模等技术，可以感知行人面临的交通风险，向行人发出预警，使之知晓潜在风险以反应，规避交通事故的发生。
基于移动环境，现有的提升行人安全的技术手段主要分为三类：
一、基于图像识别的车辆靠近感知。该技术利用智能手机背部的摄像头实时采集图像，并利用计算机视觉技术进行车辆靠近识别，事先需要通过机器学习、模式识别等方法在大量车辆图片的基础上训练出车辆识别模型。该技术可用于行人手持手机通话的情形，以提醒行人车辆靠近引起的风险。该技术首先受限于手机后置摄像头的可见性，在夜晚、恶劣天气与摄像头平放时失去作用。其次受限于图像识别算法的高电量消耗，不能适应有限的手机电池容量。
二、基于惯性测量单元(imu,inertialmeasurementunit)的地形感知。该技术在鞋子上部署包含加速度计、陀螺仪与地磁传感器的惯性测量单元嵌入式硬件，通过感知行人的运动状态检测行走地形，判断出人行道与车行道的过渡，同时发出提示。该技术首先限制于额外的硬件部署，限制了其可扩展性。另外在没有划分人行道与车行道的郊区，此技术失去作用。再者，地形转换并不是行人安全风险的的关键信息，基于其所产生的警告实际效果不理想。
三、基于智慧交通系统的车辆-行人定位追踪。该技术通过部署大规模智慧交通系统，将所有车辆与行人组成网络，以实时追踪其位置，并通过运动趋势预测预知交通安全隐患。该技术具有良好的效果，是未来的趋势，然而需要政府层面的大范围部署，近期之内难以实现。且目前基于gps的定位技术精度不够，对于预测交通事故而言准确性仍不足。
根据以上描述可看出，虽然现有技术通过各种途径感知行人安全威胁，但是存在受限于可见性、基础设施部大规模部署、电量消耗以及安全关键信息不足等问题。
技术实现要素：
本发明的目的在于克服现有技术中存在的不足，提供一种基于声音多普勒效应的车辆空间位置信息感知方法，以解决现有技术中无法可靠、高效、准确感知行人安全风险的技术问题。本发明采用的技术方案是：
本发明提供一种基于声音多普勒效应的车辆空间位置信息感知方法，包括以下步骤：
步骤s1，车辆声音信号处理与接收频谱图获取；
通过手机麦克风采集车辆驶近行人过程中的声音；将声音信号进行噪声去除与带通滤波，带通滤波的通频带为[fl,fh]，fl与fh为通频带上下界，为系统经验参数；进一步地，进行快速傅里叶变换(fft,fastfouriertransform)，获取声音信号频域特征，并得出车辆声音的接收频谱图；
步骤s2，车辆分类模型训练；
事先采集已知的不同种车辆驶近的声音，对每种车辆的声音采样，进行快速傅里叶变换，获取声音信号频域特征，并得到车辆声音的频谱图，进而进行频域上的短时与长时特征值提取，形成特征向量，基于支持向量机(svm，supportvectormachine)算法训练出车辆分类器；
步骤s3，建立车辆声音基准频谱图库；
对于事先采集的每一种已知车辆声音，进行信号能量峰值检测，在信号能量峰值处取邻域，对邻域内的声音信号作快速傅里叶变换，获得频谱图，即为该车辆声音的基准频谱图；基准频谱图代表车辆声音相对于行人径向相对速度为0，从而不存在多普勒频移的情况。对于每一种车辆声音采样，重复上述过程，得到车辆声音基准频谱图库；
步骤s4，车辆声音基准频谱图获取；
基于得到的svm车辆分类器，对在线采集的车辆声音信号进行分类测试，得出车辆分类结果；根据车辆分类结果，在车辆声音基准频谱图库中获取对应车辆种类的基准频谱图；
步骤s5，等效多普勒频移计算；
对于车辆声音的基准频谱图与接收频谱图，分别计算基于能量分布的累计概率分布函数(cdf,cummulativedensityfunction)fe与fr；对于基准频谱图与接收频谱图的累计概率分布函数，分别进行n等分，得到n-1个相等的1/n概率区间：
在fr中，为：ir1,ir2…iri…irn-1，在fe中，为：ie1,ie2…iei…ien-1；
其中，iri的以区间形式表示为[fril,frih]，fril,frih分别为iri的区间左、右端点；iei以区间形式表示为[feil,feih]，feil,feih分别为iei的区间左、右端点；
对于两个概率密度函数fe与fr各自的n-1个等概率区间的左右端点，对左端点作差，再对右端点作差，再取左右端点差值的平均值，作为区间内的等效多普勒频移:
δfei＝[(frih-feih)+(fril-feil)]/2
对所有n-1个等概率区间的等效多普勒频移取平均值，得到整体等效多普勒频移δfe；
对于基准频谱图的n-1个等概率区间的左右端点，分别作差并取平均值，作为区间内的等效基准频率：
δfei＝(feih-feil)/2
对所有n-1个等概率区间的等效基准频率取平均值，得到整体等效基准频率fe；
通过多普勒效应频移与相对速度的关系，计算出车辆与行人的径向相对速度vr：
vr＝δfe/fe·c
其中，c为声音传播的速度；
步骤s6，车辆空间位置信息重构；
连续重复步骤s1、s4、s5，获得车辆与行人的径向相对速度的时间序列；通过车辆与行人的径向相对速度的时间序列，对于车辆行驶轨迹的不同三个位置组成的两段行驶轨迹，分别作径向相对速度对时间的积分；进一步地，建立上述积分结果与对应的径向位移之间的空间几何位置关系，组成方程组，解出车辆的对地速度、方位角以及车辆与行人的最短距离。
本发明的优点在于：在本发明提出的基于声音多普勒效应的车辆空间位置信息感知方法中，能够对车辆声音进行信号处理，建立车辆声音频谱图库，并根据车辆声音进行车辆分类，获取车辆的接收频谱图与对应的基准频谱图，并计算出等效多普勒频移，从而重构出车辆的空间位置信息，感知交通事故的潜在风险。本发明的一系列处理方法适用范围广，无需额外基础设施部署，能获取涉及行人安全的关键有效信息，能够高效、可靠、准确地感知行人潜在的交通事故风险。
附图说明
图1为本发明实施基于声音多普勒效应的车辆空间位置信息感知方法的基本流程示意图。
图2为本发明实施车辆声音基准频谱图库建立的示意图。
图3为本发明实施车辆空间位置信息重构的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出的一种基于声音多普勒效应的车辆空间位置信息感知方法，包括以下步骤：
步骤一，车辆声音信号处理：通过手机麦克风采集车辆声音，进行噪声去除，进一步地对声音采样连续进行短时傅里叶变换，可以得到其时间频谱图，对于典型的车辆声音，其时空频谱图由低频、中频、高频三个区域构成，区域之间存在间隔频带。车辆声音的多普勒效应主要来源于发动机声音，对应于中频区域。进一步地，对车辆声音信号作带通滤波，获取中频区域，然后进行快速傅里叶变换，可得到其接收频谱图，获知频域特征信息。
步骤二，车辆分类：事先采集已知的不同种车辆驶近的声音，对每种车辆的声音采样，进行快速傅里叶变换，获取信号频域特征，并得到车辆声音的频谱图，进而进行频域上的短时与长时特征值提取，形成特征向量，基于支持向量机(svm，supportvectormachine)算法训练出车辆分类器。
步骤三，同时，对于事先采集的每一种已知车辆声音，进行信号能量峰值检测，参见图2，在信号能量峰值处取邻域，对邻域内的声音信号作快速傅里叶变换，获得频谱图，即为该车辆声音的基准频谱图。对于每一种车辆声音采样，重复上述过程，得到基准频谱图库。
步骤四，对步骤一中采集到的车辆声音信号使用训练出的分类器进行分类测试，得出分类结果，获取对应车辆种类的基准频谱图。
步骤五，车辆声音多普勒效应建模。根据上述步骤得到的车辆声音的基准频谱图与接收频谱图，进行等效多普勒频移计算。计算过程如下：首先对于基准频谱图与接收频谱图，计算基于能量分布的概率密度函数，进一步地，分别进行n等分，得到n-1个相等的1/n概率区间。对于两个概率密度函数各自的n-1个等概率区间的左右端点，对左端点作差，再对右端点作差，再取左右端点差值的平均值，作为区间内的等效多普勒频移。进一步地，对所有n-1个等概率区间的等效多普勒频移取平均值，得到整体等效多普勒频移。对于基准频谱图的n-1个等概率区间的左右端点，分别作差并取平均值，作为区间内的等效基准频率。进一步地，对所有n-1个等概率区间的等效基准频率取平均值，得到整体等效基准频率。通过多普勒效应频移与相对速度的关系，计算出车辆与行人的径向相对速度。
步骤六，车辆空间位置信息重构。
连续重复步骤一、四、五，可以获得车辆与行人的径向相对速度的时间序列。对于车辆行驶轨迹的不同三个位置a、b、c，对于从a到b，从b到c之间的两段行驶轨迹，分别作径向相对速度对时间的积分：
其中，ta，tb为行驶过程时间始、末点，vrti为ti时刻的径向相对速度；
进一步地，建立上述积分结果与对应的径向位移之间的空间几何位置关系：
其中，θ1，θ2，θ3为车辆相对于行人在a、b、c点的方位角；vra，vrb，vrc分别为车辆在a、b、c三个不同位置的径向相对速度；v0为车辆的对地速度，d为车辆轨迹与行人的垂直距离，即图3中线段op；
通过方程组可解出车辆的对地速度、方位角以及车辆与行人的最短距离即d。根据重构出所得的车辆空间位置信息，可以判断交通事故的潜在风险。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。