基于声震信号融合的轻量级神经网络车辆识别算法研究的任务书.docx

基于声震信号融合的轻量级神经网络车辆识别算法研究的任务书
一、选题背景与意义
随着城市化进程的加快，城市道路的交通问题越来越突出。车辆识别技术因其应用广泛、效果好等优点，逐渐成为解决城市交通问题的重要手段之一。车辆识别技术可以应用于交通监控、道路计费、治安监控等各个领域。同时，车辆识别技术可以辅助路面交通管理，并提高公路运输系统的管理效率。
目前，车辆识别技术主要分为两种：基于视觉的车辆识别技术和基于声音的车辆识别技术。基于视觉的车辆识别技术依赖于摄像头等设备，对于天气、光照等自然环境的干扰比较大。而基于声音的车辆识别技术具有鲁棒性高、成本低等优点，因此在嘈杂环境下，基于声音的车辆识别技术比基于视觉的车辆识别技术更为适用。
为提高声音识别技术的精度和效率，本研究拟采用基于声震信号融合的轻量级神经网络车辆识别算法。该算法将车辆穿行路面时所产生的声音信号和震动信号进行融合，提高车辆特征的区分度，提高识别准确率。
二、研究目标
1.提出基于声震信号融合的轻量级神经网络车辆识别算法。
2.基于该算法实现车辆识别系统，并对数据集进行训练和测试。
3.通过实验验证所提出的算法的识别精度和效率，并与现有算法进行对比。
三、研究内容
1.车辆声音信号和震动信号的获取和预处理。在获取车辆声音信号时，将声音信号进行分段，并对其进行滤波、降噪等处理；在获取车辆震动信号时，通过传感器实时采集车辆震动数据，并进行预处理，以保证信号质量。
2.在预处理后的信号上，提取车辆的特征。本研究将声音信号和震动信号相结合，采用复合特征来描述车辆。为了提高复合特征的表征能力，引入了互信息筛选（MIFS）作为特征选择的方法。
3.构建轻量级神经网络模型。将所提出的特征输入神经网络中，采用卷积神经网络（CNN）进行特征抽取，然后再将其输入到全连接层中，得到最终的分类结果。本研究将在神经网络模型中加入残差网络结构，使得更深层次的特征能够被有效提取。
4.采用真实数据集对所提出的算法进行评估。本研究将采用公开的自行车鸣笛声音数据集和震动数据集作为实验数据集，进行数据的训练和测试。
五、预期结果
1.提出的基于声震信号融合的轻量级神经网络车辆识别算法将提高车辆识别的准确率和效率，并优于其他常用算法。
2.获得一套在车辆识别领域应用广泛的算法，并为实现车辆识别技术的推广应用提供技术支撑。
六、研究计划
第一年：完成车辆声音信号和震动信号的获取和预处理，提取车辆特征并进行特征选择，搭建轻量级神经网络模型。
第二年：实现车辆识别系统，并进行数据的训练和测试，对所提出的算法进行实验验证。
第三年：对实验数据进行分析和处理，撰写论文并进行答辩。
七、参考文献
1.Xiao,J.,Zhang,G.,Chen,Y.,Zhang,Y.,Xu,X.,&Wang,Y.(2019).DeepLearning-BasedVehicleClassificationUsingAcousticandSeismicSensing.IEEESensorsJournal,19(11),4360-4367.
2.Yin,H.,Liu,H.,&Liu,Y.(2019).Avehicleidentificationsystembasedonacousticandseismicsensing.JournalofAmbientIntelligenceandHumanizedComputing,10(12),4723–4732.
3.Matsumoto,M.,Yan,J.,Nakamura,T.,&Tamagawa,H.(2018).Avehiclerecognitionmethodusingvibrationsignalsgeneratedbyroadsurface.TransportationResearchPartC,89,307-323.