基于MFCC和GFCC特征融合的汽车鸣笛声识别方法

对鸣笛声的准确识别是机动车鸣笛抓拍系统得以运用的关键。为了克服单一特征对鸣笛声表征不足的缺陷，提高识别的准确性，文章将Mel频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）与Gama频率倒谱系数（Gammatone Frequency Cepstrum Coefficient,GFCC）融合得到M-GFCC特征，并分别使用支持向量机（Support Vector Machines,SVM）和BP(Back Propagation,BP)神经网络算法进行分类。实验结果表明，与使用单一的MFCC特征相比，BP神经网络对鸣笛声识别的有效率提高了10.4%,SVM的有效率提高了4.4%；相较于单一的GFCC特征，BP神经网络的有效率提高了6.6%,SVM的有效率提高了4.2%，证明了该融合特征能提高鸣笛声识别准确性。