| 1 |
1
무인 항공기(Unmanned Aerial Vehicle)의 음향을 인식하는 방법에 있어서,잡음(noise)이 존재하는 환경에서 MFCC(Mel Frequency Cepstral Coefficients) 기법에 기초하여 무인 항공기의 음향 신호 관련 특징 벡터를 추출하는 단계; 상기 특징 벡터를 기반으로 생성된 학습 데이터 세트에 기초하여 HMM(hidden Markov Model) 모델을 학습시키는 단계; 및입력된 음향 신호를 대상으로, 상기 학습된 HMM 모델에 기초하여 무인 항공기에 해당하는 음향 신호를 인식하는 단계를 포함하고,상기 특징 벡터를 추출하는 단계는,무인 항공기에 해당하는 음향 신호를 기반으로 켑스트럴 계수(Cepstral Coefficient)를 계산하는 단계;상기 켑스트럴 계수를 기반으로 제 1 델타 계수와 제 2 델타 계수를 계산하는 단계;상기 켑스트럴 계수와 제 1 델타 계수로 제 1 MFCC를 구성하는 단계;상기 켑스트럴 계수, 제 1 델타 계수 및 제 2 델타 계수로 제 2 MFCC를 구성하는 단계; 및상기 제 1 MFCC 및 제 2 MFCC를 통하여 상기 특징 벡터를 추출하는 단계를 포함하고, 상기 켑스트럴 계수를 계산하는 단계는,상기 음향 신호를 대상으로 고주파 필터링(highpass filtering)을 수행하는 프리 엠퍼시스(pre-emphasis) 처리 단계;상기 프리 엠퍼시스 처리된 신호를 대상으로 프레이밍(framing), 윈도윙(windowing) 및 고속 푸리에 변환(FFT)을 수행하여 상기 음향 신호에 해당하는 특징 벡터를 나타내는 스펙트로그램(spectrogram)을 생성하는 단계;상기 고속 푸리에 변환된 신호를 대상으로 멜 스케일 필터 뱅크(Mel-scale filter bank)를 통과시키는 단계; 및상기 멜 스케일 필터 뱅크를 통과한 신호를 대상으로 이산 코사인 변환(DCT)을 수행하여 상기 켑스트럴 계수를 계산하는 단계를 포함하고, 상기 스펙트로그램을 생성하는 단계는, 상기 프레이밍을 통해 프레임 쉬프트를 수행하여, 상기 프리 엠퍼시스 처리된 신호에서 인접 프레임들 간의 오버랩을 유도하는 단계;상기 오버랩된 프레임들을 대상으로, 상기 프리 엠퍼시스 처리된 신호에서 각 프레임에 대해 상기 윈도윙을 수행하는 단계; 및상기 윈도윙된 신호를 대상으로, 상기 FFT 처리를 수행하여, 상기 스펙트로그램을 생성하는 단계를 포함하고, 상기 HMM 모델을 학습시키는 단계는,HMM 모델을 초기화하는 단계;순방향 및 역방향 알고리즘을 이용하여, 상기 특징 벡터를 기반으로 생성된 학습 데이터 세트를 기초로 순방향 우도(forward likelihood) 및 역방향 우도(backward likelihood)를 계산하는 단계; 및상기 순방향 우도 및 역방향 우도를 기초로 상기 초기화된 HMM 모델의 파라미터들을 재추정하여, 상기 초기화된 HMM 모델을 업데이트하는 단계를 포함하는 무인 항공기의 음향 인식 방법
|
| 3 |
3
무인 항공기(Unmanned Aerial Vehicle)의 음향을 인식하는 시스템에 있어서,잡음(noise)이 존재하는 환경에서 MFCC(Mel Frequency Cepstral Coefficients) 기법에 기초하여 무인 항공기의 음향 신호 관련 특징 벡터를 추출하는 특징 벡터 추출부; 상기 특징 벡터를 기반으로 생성된 학습 데이터 세트에 기초하여 HMM(hidden Markov Model) 모델을 학습시키는 모델 학습부; 및입력된 음향 신호를 대상으로, 상기 학습된 HMM 모델에 기초하여 무인 항공기에 해당하는 음향 신호를 인식하는 음향 인식부를 포함하고, 상기 특징 벡터 추출부는,무인 항공기에 해당하는 음향 신호를 기반으로 켑스트럴 계수(Cepstral Coefficient)를 계산하고, 상기 켑스트럴 계수를 기반으로 제 1 델타 계수와 제 2 델타 계수를 계산하고, 상기 켑스트럴 계수와 제 1 델타 계수로 제 1 MFCC를 구성하고, 상기 켑스트럴 계수, 제 1 델타 계수 및 제 2 델타 계수로 제 2 MFCC를 구성하고, 상기 제 1 MFCC 및 제 2 MFCC를 통하여, 상기 특징 벡터를 추출하고, 상기 특징 벡터 추출부는,상기 음향 신호를 대상으로 고주파 필터링(highpass filtering)을 수행하는 프리 엠퍼시스(pre-emphasis) 처리하고, 상기 프리 엠퍼시스 처리된 신호를 대상으로 프레이밍(framing), 윈도윙(windowing) 및 고속 푸리에 변환(FFT)을 수행하여 상기 음향 신호에 해당하는 특징 벡터를 나타내는 스펙트로그램(spectrogram)을 생성하고, 상기 고속 푸리에 변환된 신호를 대상으로 멜 스케일 필터 뱅크(Mel-scale filter bank)를 통과시키고, 상기 멜 스케일 필터 뱅크를 통과한 신호를 대상으로 이산 코사인 변환(DCT)을 수행하여 상기 켑스트럴 계수를 계산하고, 상기 특징 벡터 추출부는,상기 프레이밍을 통해 프레임 쉬프트를 수행하여, 상기 프리 엠퍼시스 처리된 신호에서 인접 프레임들 간의 오버랩을 유도하고, 상기 오버랩된 프레임들을 대상으로, 상기 프리 엠퍼시스 처리된 신호에서 각 프레임에 대해 상기 윈도윙을 수행하고, 상기 윈도윙된 신호를 대상으로, 상기 FFT 처리를 수행하여, 상기 스펙트로그램을 생성하고, 상기 모델 학습부는,HMM 모델을 초기화하고, 순방향 및 역방향 알고리즘을 이용하여, 상기 특징 벡터를 기반으로 생성된학습 데이터 세트를 기초로 순방향 우도(forward likelihood) 및 역방향 우도(backward likelihood)를 계산하고, 상기 순방향 우도 및 역방향 우도를 기초로 상기 초기화된 HMM 모델의 파라미터들을 재추정하여, 상기 초기화된 HMM 모델을 업데이트하는 무인 항공기의 음향 인식 시스템
|
