異常聲音檢測總結
異常聲音檢測,顧名思義,就是檢測現實生活中的異常聲音,如槍聲、爆炸聲、哭聲、尖叫聲等,屬於公共安全監控的範疇。
傳統的公共安全監控是用攝像頭,但是攝像頭只能監控某個固定的場景,而且受光線影響很大,因而在電影中,罪犯只要知道攝像頭的位置,就可以很容易地避開攝像頭或用布將攝像頭遮住。
隨著移動網際網路的發展,各種可穿戴式的安全產品相繼出現,但都是主打定位牌,360兒童手錶倒是可以錄音,但是需要家長主動撥打手錶來錄音,這種應用場景是在家長想知道孩子在哪時撥打孩子的手錶使其錄音10秒,這10秒錄音能不能讓家長知道孩子所處的環境暫且不說,單家長主動去撥打手錶就有個何時撥打的問題,家長只在想起來的時候才撥打,也許孩子早已經處於危險之中。360兒童手錶還可以讓孩子在遇到危險的時候緊急呼救,這裡所謂的危險必須是兒童意識清醒而且有呼救意識。所以這種家長主動撥或孩子主動求救的方法都是被動的。
如果用異常聲音來判斷孩子是否安全呢?因為聲音是全向傳播的,不受光線影響,所以檢測異常聲音理論上是可以的。但是異常聲音的種類是在太多太複雜了,姑且不說有哭聲、尖叫聲、槍聲等不同異常聲音,即使是槍聲這一種異常聲音也有手槍、步槍等;而且現實生活中的干擾實在太多,所以準確判斷出異常聲音還是很困難。
目前這一領域有兩種方案,一種叫異常聲音檢測,另一種叫異常聲音分類。所謂異常聲音檢測,就是檢測是否有異常聲音,但不能確定是何種異常聲音;而異常聲音分類,就是將異常聲音分類,從而知道檢測到的是何種異常聲音,很明顯,這種方法能檢測出的異常聲音種類有限。
異常聲音檢測的一般方法是對背景環境聲建模,所有和模型不匹配的都是異常聲音;而異常聲音分類則是對異常聲音建模,所有和模型匹配的就是某種異常聲音。這兩種方法的原理其實都來自語音識別,本質上是要訓練出一個分類器。而語音識別的關鍵是分類器的區分度,也就是模型的準確性,而這又是由所選的聲學特徵和聲音模型確定的。
常用的聲學特徵就是MFCC,此外還有MPEG-7等。我們聽到的聲音包含太多無用的資訊,MFCC就是用24維特徵係數來代表一幀的聲音。常用的聲音模型當然是HMM,此外還有GMM等。所以運用這類方法的難點和語音識別的難點是相同的。
而在實時檢測中,準確檢測出異常聲音的起點和終點也是很重要的。因為如果起點和終點不準確,勢必會影響模型準確性,從而影響識別率。
相關文章
- 異常檢測
- 序列異常檢測
- 異常點檢測演算法小結演算法
- 異常小總結
- 【多媒體之聲音總結】
- Android聲音相關總結Android
- 華為AGC提包檢測報告:檢測異常GC
- Hadoop異常總結Hadoop
- 【機器學習】李宏毅——Anomaly Detection(異常檢測)機器學習
- python異常大總結Python
- OOM異常型別總結OOM型別
- 電腦沒聲音怎麼辦? 電腦沒聲音的原因總結
- 為什麼電腦沒聲音? 電腦沒聲音的原因總結!
- 準實時異常檢測系統
- C++檢測異常assert()函式C++函式
- AI賦能一鍵自動檢測:頁面異常、控制元件異常、文字異常AI控制元件
- airpods2連線win10聲音異常如何修復_airpods2連線win10聲音異常的解決方法AIWin10
- 機器學習-異常檢測演算法(二):LocalOutlierFactor機器學習演算法
- 異常總結2013-03
- [譯] 時間序列異常檢測演算法演算法
- HIVEMapJoin異常問題處理總結Hive
- 總結:整理 oracle異常錯誤處理 .Oracle
- java物件導向複習總結(異常)Java物件
- [譯] 時間順序的價格異常檢測
- 白話異常檢測演算法Isolation Forest演算法REST
- 吳恩達機器學習筆記 —— 16 異常點檢測吳恩達機器學習筆記
- 異常點/離群點檢測演算法——LOF演算法
- 表空間檢測異常的問題診斷
- 77種Java異常總結 附解決方案Java
- Python異常處理回顧與總結Python
- oracle異常彙總Oracle
- windows下常檢視埠占用方法總結Windows
- 軟體為什麼要做異常測試?測試員必知的22個測試點總結!
- 執行時異常和檢查性異常區別
- Java常出現的異常解決方法總結(不斷更新)Java
- MV-Sketch介紹--網路流量異常檢測
- 在非同步Java程式碼中解救已檢測異常非同步Java
- 5個專注於檢測和預測異常的Java工具分享Java