冯凯强 潘雨青 李 峰 徐小波

（江苏大学计算机科学与通信工程学院 镇江 212013）

1 引言

近年来，伴随着科学技术的发展，社会对安防监控系统的需求也在日益增加，然而目前视频监控是安防监控领域中采用的最普遍的方法，但是视频监控对设备性能的要求和通信的要求较高，且对外部环境比较依赖，比如：光照、监控的视野、遮挡等，另外随着监控已经慢慢进入到每个家庭的生活中，视频监控中个人隐私问题变得更加突出，异常声音检测可以很好地弥补目前监控系统中出现的问题，在原本以图像为主的监控领域中，增加了声音的属性，可以更好地提高整个安防系统的安全性，更高效地检测出异常事件。

在传统的音频分类模型中，多数采用DTW［17］、SVM［6］、HMM［10］等方法，自从2006年Hinton［5］发表了关于深层网络的一篇文章后，深度学习在视频和音频等领域有了重大的进步，目前在音频处理领域已经把深度学习作为主要的分类模型，例如语音识别［7～8］、说话人识别［9～10］等，深度学习在音视频领域取得的效果得益于复杂的网络结构和高性能的硬件设备，而物联网设备的计算能力和存储空间硬件参数无法满足深度学习运行标准，因此有必要在保证模型的准确度的同时，进一步缩减模型的大小，使能够满足物联网设备的性能要求，在边缘端进行异常声音识别。在特征选择方面不同的应用场景，也有不同的选择，常见的有MFCC［11］、语谱图［12］。从上述相关文献可以看出，深度学习在语音领域可以很好地应用，但针对异常声音的研究相对较少。……