具体实施方式

以下结合附图1-7对本申请作进一步详细说明。

本申请实施例公开了一种烟雾报警声识别系统，该系统可以应用于网络摄像头中。

参照图1，烟雾报警声识别系统包括声音采集模块1、声音处理模块2、分析筛选模块3和报警模块4，声音采集模块1与声音处理模块2电连接，声音采集模块1可以采集外界环境的第一声音信号，并将第一声音信号发送至声音处理模块2。声音处理模块2接收第一声音信号并将第一声音信号进行滤波和降噪处理，处理成第二声音信号，声音处理模块2与分析筛选模块3电连接，声音处理模块2将第二声音信号发送在分析筛选模块3。分析筛选模块3基于报警信号特征，对第二声音信号进行筛选，从中筛选判断出烟雾传感器所发出的报警声音信号。分析筛选模块3与报警模块4电连接，当分析筛选模块3将筛选出的报警声音信号发送至报警模块4时，报警模块4生成报警信息。报警模块4与用户客户端通信连接并将报警信息发送至用户客户端，以远程警示用户发生火灾险情。

参照图2，声音采集模块1可以为驻极体话筒，声音处理模块2包括低通滤波单元21、高通滤波单元22和降噪单元23，其中高通滤波单元22为高通滤波器，低通滤波单元21为低通滤波器，高通滤波单元22和低通滤波单元21可以对信号起到滤波作用，降噪单元23可以为LMS自适应滤波器，降噪单元23可以对信号起到降噪作用。

参照图2，声音采集模块1与低通滤波单元21电连接，声音采集模块1采集第一声音信号后将第一声音信号发送至低通滤波单元21。低通滤波单元21与高通滤波单元22电连接，低通滤波单元21根据预设的阈值滤除第一声音信号中的低频信号后再将第一声音信号发送至高通滤波单元22。高通滤波单元22与降噪单元23电连接，高通滤波单元22根据预设的阈值再滤除第一声音信号中的高频信号，再将第一声音信号发送至降噪单元23，降噪单元23根据LMS算法对第一声音信号进行降噪处理，最终得到第二声音信号。

在另一实施例中，声音采集模块1与高通滤波单元22电连接，高通滤波单元22与低通滤波单元21电连接，低通滤波单元21与降噪单元23电连接，声音采集模块1采集到第一声音信号后先通过高通滤波单元22滤除高频信号，再通过低通滤波单元21滤除低频信号，最后再通过降噪单元23进行降噪处理，最终得到第二声音信号。

参照图2，分析筛选模块3包括阈值统计单元31、频域分析单元32、周期分析单元33和时长统计单元34，其中阈值统计单元31与降噪单元23电连接，频域分析单元32与阈值统计单元31电连接，周期分析单元33与频域分析单元32电连接，时长统计单元34分别与周期分析单元33和报警模块4电连接。阈值统计单元31可以统计出第二声音信号中包含的各种声音的声音阈值，频域分析单元32可以统计分析第二声音信号中各种声音的峰值占比数量，周期分析单元33可以分析第二声音信号中各种声音的周期变化特征，时长统计单元34可以统计第二声音信号中各种声音的总时长。当第二声音信号依次经过阈值统计单元31、频域分析单元32、周期分析单元33和时长统计单元34的分析筛选后，可以判断第二声音信号中是否包括烟雾报警器发出的报警声音信号，若包括，则最终由时长统计单元34将报警声音信号发送至报警模块4。

本申请实施例还公开了一种烟雾报警声识别方法，该方法可以通过网络摄像头内的SOC进行执行，其中SOC通常采用ARM Cortex-A7内核，因此SOC最大可以使用CPU总性能的70%，而网络摄像头内的常规业务一般只占用到CPU总性能的40%左右，还有约30%的CPU总性能可供应用层使用，而执行烟雾报警声识别方法仅占用CPU总性能的5%-10%。

参照图3，烟雾报警声识别方法包括如下步骤：

101，采集外界环境中的第一声音信号。

其中，第一声音信号中可能包含烟雾传感器所发出的报警声音信号。

102，将所述第一声音信号进行滤波处理。

其中，滤波处理包括高通滤波处理和低通滤波处理，可以先对第一声音信号进行高通滤波处理，再进行低通滤波处理，也可以先对第一声音信号进行低通滤波处理，再进行高通滤波处理。

103，将滤波处理后的所述第一声音信号进行降噪处理，得到第二声音信号。

其中，采用LMS算法对第一声音信号进行降噪处理。

104，基于特征分析对所述第二声音信号进行分析筛选，筛选出报警声音信号。

105，根据所述报警声音信号生成报警信息。

106，将所述报警信息发送至所述用户客户端。

本实施例的实施原理为：

先采集外界环境中的第一声音信号，但外界环境中可能会包含部分噪音，且采集过程中也可能会产生干扰信号，因此需要先对采集到的第一声音信号进行处理以减少干扰信号或噪音产生的影响，通过预先设定的阈值，经过高通滤波处理可以过滤第一声音信号中超出阈值的高频信号，经过低通滤波处理可以过滤第一声音信号中超出阈值的低频信号，再将滤波处理后的第一声音信号进行降噪处理，可以将第一声音信号中的杂乱噪声进行处理，从而得到处理后的第二声音信号，再对第二声音信号进行分析筛选，从中可以筛选出烟雾传感器所发出的报警声音信号，当从第二声音信号筛选出报警声音信号时，将生成报警信息并将报警信息发送至用户所持的用户客户端，以远程提醒用户发生火灾险情，使得用户可以及时采集紧急措施。

在图3所示实施例的步骤104中，将第一声音信号经过滤波和降噪处理成第二声音信号后，需要通过多维度的信号特征对第二声音信号进行分析，以筛选判断出第二声音信号中所包含的报警声音信号，具体通过图4所示实施例进行详细说明。

参照图4，基于特征分析对第二声音信号进行分析筛选包括如下步骤：

201，根据预先采集的所述报警声音信号分析获取报警声音特征。

其中，预先采集烟雾传感器发出的报警声音信号，并对预先采集的报警声音信号进行特征分析，分析出报警声音信号的报警声音特征，其中报警声音特征包括报警声音阈值、报警声音频率、周期变化特征和报警总时长。对常规噪音也进行预先采集并分析，其中报警声音信号分贝阈值为75dB-85dB，常规噪音分贝阈值为68dB左右。

202，对所述第二声音信号进行阈值统计，得到阈值统计结果。

其中，对第二声音信号中的各种类声音信号均进行阈值统计，得到各种类声音信号的阈值。

203，基于所述阈值统计结果和所述报警声音阈值对所述第二声音信号进行初步筛选，得到初步筛选信号。

其中，由于烟雾传感器所发出的报警声音信号较为平缓，波动较小，且报警声音信号的分贝阈值比常规噪音分贝阈值高，因此根据报警声音阈值可以将第二声音信号中疑似报警声音信号的信号筛选提取出来，得到初步筛选信号。

204，基于所述报警声音频率分析报警声音信号的频率范围和对应的报警声峰值占比范围。

其中，在固定的采样率下所采集的报警声音信号的频率范围为2.6KHz-3KHz，因此对应的报警声峰值占比范围为2600-3000个。

205，根据预设的采样率统计所述初步筛选信号中的采样峰值占比数量。

其中，预设的采样率大于报警声音信号最大频率的两倍，因此预设的采样率可以为8KHz。

206，判断所述采样峰值占比数量是否处于所述报警声峰值占比范围内，若是，则执行步骤207；若否，则执行步骤208。

其中，举例来说，若在采样率为8KHz的条件下，初步筛选信号中的采样峰值占比数量为2800个，则执行步骤207。

207，基于周期变化特征和信号时长判断所述初步筛选信号是否为所述报警声音信号。

其中，由于烟雾传感器所发出的报警声音具有固定的时长和固定的音调循环，因此可以根据初步筛选信号的周期变化特征和信号时长判断其是否为报警声音信号。

208，滤除所述初步筛选信号，并重新对所述第二声音信号进行分析筛选。

其中，由于初步筛选信号的信号特征与报警声音信号的信号特征不相符，因此重新根据报警声音信号阈值的特征重新在第二声音信号中进行分析筛选。

本实施例的实施原理为：

先对预先采集的报警声音信号进行特征分析，获取报警声音特征，其中包括报警声音阈值和报警声音频率，再通过报警声音频率分析报警声音信号的频率范围和对应的报警声峰值占比范围，预先采集的报警声音信号的阈值高于常规噪音且信号较为平稳，因此报警声音阈值的波动幅度也较小，对第二声音信号的阈值统计，然后可以通过报警声音阈值对第二声音信号进行初步筛选，筛选出疑似为报警声音信号的初步筛选信号，再统计初步筛选信号中的采样峰值占比数量，通过对采样峰值占比数量是否处于报警声峰值占比范围内的判断，判断初步筛选信号与报警声音信号在频域上的相似性，若相似则继续通过周期变化特征和信号时长作进一步判断，若不相似则回到通过阈值统计进行分析筛选的步骤。

在图4所示实施例的步骤207中，初步筛选信号在阈值特征与频域特征上与报警声音信号具有相似性，还需要根据周期变化特征和信号时长判断初步筛选信号与报警声音信号的相似性，其中根据周期变化特征判断初步筛选信号与报警声音信号的相似性的具体步骤通过图5所述实施例进行详细说明。

参照图5，基于周期变化特征对初步筛选信号进行判断包括如下步骤：

301，根据所述采样率从所述初步筛选信号中截取多段采样信号。

其中，所截取的采样信号的时长小于报警声音信号的周期变化时长，若截取的采样信号的时长大于报警声音信号的周期变化时长，则难以对比出采样信号的周期变化特征与报警声音信号的周期变化特征之间的相似性。且多段采样信号之间的间隔时长与周期变化时长相等，可以保持采样信号的一致性。

302，判断所有采样信号的频率变化特征是否相同，若否，则执行步骤303；若是，则执行步骤304。

其中，由于多段采样信号之间的间隔时长与周期变化时长相等，因此从初步筛选信号中截取的多段采样信号的频率变化特征相同，则初步筛选信号的变化周期与报警声音信号的变化周期相同。

303，滤除所述初步筛选信号，并重新对所述第二声音信号进行分析筛选。

其中，详情步骤参考步骤208。

304，判断所述频率变化特征是否与所述频率周期变化特征中的部分特征重合，若否，则执行步骤303；若是，则执行步骤305；

其中，当确认初步筛选信号的变化周期与报警声音信号的变化周期相同后，再将采样信号与报警声音信号进行重合比对，若出现变化特征重合则可以对初步筛选信号作进一步判断。

305，基于信号时长判断所述初步筛选信号是否为所述报警声音信号。

本实施例的实施原理为：

先截取初步筛选信号中的多段采样信号，并且使得采样信号之间的间隔时长与报警声音信号的周期变化时长相等，通过判断所有采样信号的频率变化特征是否相同，可以判断出初步筛选信号是否具有周期性，若具有周期性还可以判断初步筛选信号的周期变化时长是否与报警声音信号的周期变化时长相同，若初步筛选信号具有周期性且周期变化时长也与报警声音信号的周期变化时长相同，则在通过判断采样信号的频率变化特征是否与报警声音信号中的部分频率变化特征重合，若重合则根据信号时长再进行进一步判断，若不重合则回到通过阈值统计进行分析筛选的步骤。

在图5所示实施例的步骤305中，初步筛选信号在阈值特征、频域特征和周期变化特征上均与报警声音信号具有相似性，还需要根据信号时长判断初步筛选信号与报警声音信号的相似性，具体步骤通过图6所述实施例进行详细说明。

参照图6，基于信号时长对初步筛选信号进行判断包括如下步骤：

401，计算获取所述初步筛选信号的采样总时长。

其中，根据计算初步筛选信号阈值的上升沿至下降沿所经过的时长获取初步筛选信号的采样总时长。

402，基于预设的误差阈值比对所述采样总时长和所述报警总时长。

其中，根据报警声音信号的不同可以预设不同的误差阈值，若报警总时长较长，则预设的误差阈值也较大，若报警总时长较短，则预设的误差阈值偏小。

403，判断所述采样总时长和所述报警总时长的差值是否小于所述误差阈值，若是，则执行步骤404；若否，则执行步骤405。

其中，举例来说，计算预先采集的报警声音信号的报警总时长为10s，预设的误差阈值为1s，而计算出初步筛选信号的采样总时长为9.8s，因此采样总时长与报警总时长之间的差值为0.2s，小于预设的误差阈值，则执行步骤404。

404，判断所述初步筛选信号为所述报警声音信号。

405，滤除所述初步筛选信号，并重新对所述第二声音信号进行分析筛选。

其中，详情步骤参考步骤208。

本实施例的实施原理为：

根据初步筛选信号的信号特征将初步筛选信号采样截取出来，并计算初步筛选信号的采样总时长，由于在采集过程中存在其他噪声的干扰，因此初步筛选信号的采样总时长可能会和报警总时长有一定的偏差，又由于报警声音信号较为平稳，因此受其他噪声的干扰不会太大，所以通过误差阈值的设定，可以对采样总时长和报警总时长之间的差值进行判断，若差值小于误差阈值，则初步筛选信号为报警声音信号，若误差大于误差阈值，则回到通过阈值统计进行分析筛选的步骤。

在图3所示实施例的步骤106中，当分析筛选出第二声音信号中包含报警声音信号后将生成报警信息，并将报警信息发送至用户所持的用户客户端处以远程提醒用户发生火灾险情，具体通过图7所示实施例进行详细说明。

参照图7，将报警信息发送至用户客户端包括如下步骤：

501，与用户客户端建立至少两种通信协议的通信连接方式。

其中，可以与用户客户端建立蜂窝网络通信、局域网通信和蓝牙通信。

502，基于所述通信连接方式的通信协议将所述报警信息转换为对应的报警通信信号。

503，根据预设的间隔时间，重复以所述通信连接方式将所述报警通信信号发送至所述用户客户端。

其中，若预设的间隔时间为10s，则每隔10s均通过蜂窝网络、局域网和蓝牙向用户客户端发送报警通信信号。

本实施例的实施原理为：

通过至少两种通信连接方式与用户客户端连接，并通过至少两种通信连接方式将报警信号发送至用户客户端，且发送过程采用定时重复发送的方式，以减少用户忽略报警信息的可能，起到远程向用户进行警示的效果。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。