毛 峡，张旭东，陈立江

(北京航空航天大学 电子信息工程学院，北京 100191)

尖叫声识别在现代智能监控系统的研究中具有重大意义，它能为保护居民生命安全，减少犯罪率提供有力保障.现代主要的监控系统多为视频监控系统.视频监控系统极容易受到光线环境的影响，很难在夜晚发挥应有的作用.监控的及时性很大程度上取决于监控人员，在监控人员高度疲劳或者注意力不集中的情况下，视频监控中的危险细节很容易被遗漏.此外，视频监控存在着不可避免的盲区问题，一个传统的视频监控系统无法捕捉在视线盲区内的任何信息.而音频监控能够有效地克服视频监控中存在的各种先天问题，具有较高的鲁棒性.在发生突发事件时，惊慌失措的人群往往使得视频信息变得晦涩、杂乱以及不稳定，与之相反，此时音频信息往往更值得信赖[1].此外，音频识别系统还可以辅助视频自动监控系统，使得监控系统更好地理解监控环境中发生的异常事件，从而做出更加及时与准确的反映[2].

目前，国内外学者针对尖叫声识别进行了研究.在文献[3]中，作者使用梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient, MFCC)、短时能量、短时过零率作为特征，使用隐马尔可夫模型(Hidden Markov Model, HMM)来检测电影中尖叫声片段，达到的平均准确率高于97%.在文献[4]中，作者训练了支持向量机(Support Vector Machine, SVM)以及一个高斯混合模型(Gaussian Mixture Model, GMM)，对尖叫、哭喊、玻璃碎裂声等声音进行分类，系统所达到的性能是检测概率96.5%，虚警概率23%.在文献[5]中，作者借鉴深度学习(Deep Learning, DP)的方法，利用深度波尔兹曼机对尖叫声进行检测；在文献[6-7]中，作者提出的系统能够区分讲话、哭喊以及像玻璃破碎和水洒出来之类的事件.在文献[8]中，作者使用两个串联的SVM分类器： 第一个分类器使用多组一对一分类器对环境噪声进行排除；第二个分类器使用一个一对多的分类器进行危险信号识别.该方法在20dB的信噪比(Signal Noise Ratio, SNR)下达到的检测概率为93.16%，虚警概率4.76%；0dB下达到的检测概率为84.13%，虚警概率为4.13%.文献[9]使用深度神经网络(Deep Neural Network, DNN)从环境噪声中识别出枪声及尖叫声，准确度为93.8%.文献[10]使用混合时间轨迹方法对地铁站内的异常音频事件进行检测，在20dB的信噪比下F值达到了92.03.

为了解决目前国内外研究在尖叫声识别领域中存在的问题,本文对几种不同的尖叫声识别算法进行了改进，并对改进后的算法进行了系统地比较，然后讨论了尖叫声识别算法在硬件上的具体实现细节.

1 尖叫声识别

1.1 尖叫声特征

考虑到尖叫声所特有的声音特质(声谱往往在尖叫声起始和结束时变化明显)，本文除采用传统特征如梅尔频率倒谱系数(MFCC)[11]、频谱特征[12-13]，还使用了梅尔频率倒谱系数变化率作为一种改进特征:

(1)

式中：c(n)代表当前帧的第n阶MFCC；cprevious代表前一帧的第n阶MFCC；cvariance代表了MFCC相对变化率.式(1)的分子部分反映了MFCC变化值的平方和，分母部分则表示相对变化的概念.图1，图2展示了两种不同音频的MFCC变化率cvariance随样本帧序号i的变化规律.对比图1与图2可知，尖叫声样本MFCC变化率在整个发生过程中取值较小(大部分取值在0.15以下)且中间部分变化平稳；相反，对话声样本MFCC变化率在发声过程中取值较大(大部分取值在0.15以上，且部分取值达到0.5以上)且变化剧烈.

图1 尖叫声样本MFCC变化率Fig.1 MFCC variance of a scream sample

图2 说话声样本MFCC变化率Fig.2 MFCC variance of a conversation sample

1.2 尖叫声识别算法

1.2.1 基于改进HMM与矢量量化的识别算法

使用传统的基于HMM与矢量量化的方法进行识别时，往往选取其中HMM输出的对数概率最大者的类别号作为测试样本类别号，即：

(2)

式中：Pi代表样本属于i类的概率.此算法实验效果较差，这是因为这分类器过于“严格”.因此本文对HMM的识别方法做了一些改进.

首先，算法将对数概率ln(Pi)进行降序排序，得到一个按元素大小排列的向量：

(3)

设定两个阈值(R,dT).识别算法可描述为，判定测试样本为尖叫声(类别号为1)，当且仅当下列两个条件满足：

(4)

式中：N为该样本所对应序列长度.这可简单描述为： 样本为尖叫声的对数概率的值lnP1要排在所有类别对数概率降序排列后的前R位，且其隐含的帧平均概率要大于等于dT.之所以强调帧平均概率，是因为满足相同概率分布的序列，长度越长，则它出现概率的期望将越低.传统识别方法对应的阈值为(1,+∞)，为改进算法的一个特例.

1.2.2 基于SVM与静态特征的识别算法(SVM-S)

因为SVM并没有上下文相关的结构，所以在使用SVM对音频信号进行分类时，可以采用取所有帧特征的统计值作为新特征的方法.该统计特征通常称作静态特征.统计特征通常选取均值、均方差、顺序统计量、差分的均值和方差等.本文中选取均值和方差作为统计特征，即：

(5)

1.2.3 基于SVM与码字直方图的识别算法(SVM-H)

SVM方法存在着无法反映音频信号时间结构的问题.因此，本节将采用直方图技术来分析音频信号码字的组成成分，并以此作为特征向量，使用SVM对其进行分类.

矢量量化将特征向量序列映射到正整数序列：

因此直方图向量可表示为：

(6)

(7)

图3和图4分别展示了尖叫声集合和对话集合上的直方图向量的平均值.从图中可以看出，尖叫声的码字出现的较为单一，而对话相对分布比较广泛.

图3 尖叫声样本码字直方图Fig.3 Code words histogram of a scream sample

图4 说话声样本码字直方图Fig.4 Code words histogram of a conversation sample

2 尖叫声识别算法验证与分析

2.1 实验数据

本文使用部分MIVIA实验室[14-15]的音频数据(使用Axis T83全方向麦克风获取)以及部分电影音频剪辑作为数据源，总共583条音频，其中包含了尖叫声、动物声音、咳嗽、笑声、音乐、对话6类声音.所有音频的采样率为32kHz，分辨率为16bit，绝大部分时长在0～3s之间.在算法训练和调优中，使用408条作为训练集合，60条作为未开发集合，115条作为测试集合.

本文使用一部电影的音频作为噪声源来模拟真实情况下的噪声，其中包含了对话、音乐等不同种类的声音，本文称待添加噪声的测试样本为目标样本.首先本文从电影音频中剪辑若干个有声片段；在需要添加噪声时，程序将随机选择一段剪辑，并随机选择剪辑中与目标样本等长的一段声音作为环境噪声；如果该剪辑长度小于目标样本的长度，将剪辑复制并添加到剪辑尾部来进行长度扩展.之后以固定20dB的信噪比向环境噪声中添加高斯白噪声.最后将这段环境噪声以指定的信噪比(0，20，40dB)加入到测试样本中.

2.2 特征选择与验证

图5，图6给出了4种特征集合在不同信噪比环境下的ROC(Receiver Operating Characteristic)曲线，其中蓝色、红色、黄色、紫色分别代表以“MFCC+频谱特征+MFCC变化率”、“MFCC+MFCC变化率”、“MFCC+频谱特征”、“频谱特征”作为特征集合时的ROC曲线.图中，纵坐标为检测概率(Detection Rate, DR)，横坐标为虚警概率(False Alarm Rate, FAR).一般来说，曲线越靠近左上方，分类器性能越好.

图5 SNR为20dB时不同特征集合的ROC曲线Fig.5 ROC for different feature sets in 20dB SNR

图6 SNR为0dB时不同特征集合的ROC曲线Fig.6 ROC for different feature sets in 0dB SNR

从图5，图6可以看出当信噪比为20dB时，ROC曲线仍处于图中的右上方，因此，这些特征对噪声并不敏感.只有当信噪比很低时，例如0dB，ROC曲线才会明显地向右下方移动，说明算法对噪声的抗干扰能力较强.

另一方面，当算法使用“MFCC+频谱特征+MFCC变化率”作为特征时效果最好，而“MFCC+MFCC变化率”和“MFCC+频谱特征”效果差别不大.MFCC变化率只利用到了MFCC，没有其他更多的运算.但是计算频谱特征需要更多的计算，并且它包含3个单独的特征分量.

鉴于“MFCC+频谱特征+MFCC变化率”的ROC曲线总是分布在其他特征的ROC曲线的左上方，最终算法选取“MFCC+频谱特征+MFCC变化率”作为特征.

2.3 算法评估

图7，图8给出了3种尖叫声识别算法在不同信噪比下的ROC曲线.在信噪比为20dB时，分类器的识别性能相差不大，但是在较低的信噪比环境中(SNR为0dB)，使用矢量量化后的特征的分类器性能会大大下降.因此，本文选择SVM-S算法来实现尖叫声识别系统.

图7 SNR为20dB时3种算法的ROC曲线Fig.7 ROC for three algorithms in 20dB SNR

图8 SNR为0dB时3种算法的ROC曲线Fig.8 ROC for three algorithms in 0dB SNR

3 尖叫声识别算法在ARM9上的实现

3.1 系统框架

整个尖叫声识别系统分为硬件和软件两部分，鉴于它们各自不同的特点，本节将从硬件和软件两部分来介绍整个系统框架.图9展示了整个系统硬件的模块图.首先麦克风将空气中的振动信号转变为电信号；然后，UDA1341TS对原始的电信号进行放大、滤波；之后，该芯片将通过模数转换将模拟信号转变为PCM数据；这些数据将在DMA控制器的协调下通过IIS接口，存储到RAM中；待需要时，这些数据将被送到CPU中进行运算，从而识别；最后，CPU将输出识别信号.在本文中，识别信号通过LED周期性地的亮灭来表示.

图9 系统硬件模块Fig.9 Hardware modules in the designed system

图10展示了系统软件流程图.首先系统上电后完成必要的寄存器初始化工作；然后，主程序将请求DMA(图10中虚线代表请求DMA，DMA工作不需要CPU参与，一旦DMA完成工作，将一帧信号送入内存，CPU将会进入中断处理程序)，通过IIS接口获取音频数据并将其存入内存中.主程序通过识别标志监视DMA中断处理程序的进程；在DMA中断处理中，程序将检查每一帧的能量，并根据能量来决定状态机的状态变化，标定音频信号的起始点和终止点；一旦能量条件满足，中断处理程序将通过激活识别标志来通知主程序进行识别；当音频信号结束后，将暂时停止DMA请求；主程序发现识别标志被激活后，将对音频数据进行特征提取和识别，并输出识别信号；最后，主程序将重新请求DMA，进入到下一个流程循环.

图10 系统软件流程Fig.10 Programming flowchart for the designed system

3.2 音频传输模块

在ARM9尖叫声识别系统中，音频传输是协调音频采集与音频识别的关键.音频传输采用IIS总线接口，它参与了图9中DMAC控制器协调下的音频传输过程.整个接口模块如图11所示，模数转化后的串行数据首先经过移位寄存器，在通道发生器和状态机的控制下进入一个FIFO中，FIFO的状态可以通过一个寄存器组和状态机进行查询和控制，DMAC利用该寄存器组完成从FIFO中读取数据，并将其存入RAM的工作.

图11 IIS接口模块图Fig.11 IIS interface module

在整个任务的软件编程中，通过对寄存器组和状态机写入控制字来对IIS模块进行控制.首先需要对两个分频器进行配置，使其能正确产生使得IIS以及UDA1341TS工作的时钟.分频比必须准确，否则可能会导致音频采样率不准.之后选择IIS的发送接收模式为DMA.当请求DMA时，DMA控制器将自动从IIS模块取音频数据，不需要CPU干预.

3.3 系统性能测试

本文最终在测试集合中选取115条音频(测试集中所有样本)进行硬件测试，系统采用的特征为“MFCC+MFCC变化率+频谱特征”，采用的算法为SVM-S.音频在实验室环境下使用电脑进行播放.结果如表1，其中每一列代表实际尖叫声或非尖叫声的样本数量，每一行代表预测得出的尖叫声或非尖叫声样本数量.例如表中数据第一行第一列代表了实际为尖叫声，在预测中也被判断为尖叫声的样本数量.系统的检测概率为96%，虚警概率为3.4%.并且在测试中，系统的应答时间均小于2s.因此，该系统基本满足尖叫声识别系统的要求.

表1 系统测试结果

在系统测试过程中发现，在被误识别为非尖叫声的尖叫声样本中，尖叫者发出了多次连续尖叫且幅度变化剧烈，与其他样本具有明显区别.另外，经过电脑外放与ARM9重新采集后的音频与原始音频之间存在差异，影响了计算得到的特征值.以上原因导致了系统对一部分样本进行了错误的识别，作者将在后续研究中针对系统中的不足进行改进.

4 结 语

本文提出用MFCC变化率作为尖叫声特征，以此改进了尖叫声识别系统的检测概率和虚警概率并对HMM的传统判别方式进行了改进，使得其可以通过阈值(R，dT)对HMM的ROC曲线进行调整，进而避免了检测概率过小的问题.在此基础上，本文使用IIS和DMA实现了基于ARM9的尖叫声识别系统.