基于语谱图与改进DenseNet的野外车辆识别

针对在野外运动车辆分类过程中,传统梅尔倒谱系数与高斯混合模型分类方法对干扰噪声较为敏感的情况,提出了改进的密集卷积网络结构(DenseNet)方法。首先是将声音信号转换为语谱图,然后送入到改进的DenseNet网络结构中进行识别。其中,改进的DenseNet网络结构是在全连接层加入了中心损失(center loss)函数,使得同类特征聚合程度较高,这样就能够提取出声音信号的深度特征,有利于分类。实验结果表明,在相同的样本集下,改进DenseNet方法的识别率得到了明显的提升,达到97.70%。