Detecting of Warning Sounds in the Traffic Using Linear Predictive Coding Method

Abstract

Engelli bireylerin hayata katılımını sağlamak veya artırmak önemli bir sosyal konudur. Bu bağlamda, ambulans, itfaiye ve polis aracı gibi geçiş önceliği olan araçların sirenleri ve uyarı sinyallerinin tespit edilmesi işitme engellilerin trafikte daha rahat araç kullanmalarını sağlayacaktır. Bu tez çalışmasında bu tür uyarı seslerinin tanınması ve ses yönünün tespiti amaçlanmıştır. Trafikteki ambulans, polis, itfaiye gibi araçların siren sesleri uygulama için pozitif örnekler olarak nitelendirilmiştir. Müzik, trafik gürültüsü gibi sesler ise negatif sesler olarak nitelendirilip bir veri seti oluşturulmuştur. Ses sinyalleri sayısal verilere dönüştürülerek Doğrusal Tahmini Kodlama ile verinin içindeki sesi yansıtmayan nitelikler atılıp sesi en iyi yansıtan nitelikler belirlenmiştir. Temel bileşen analizi yöntemi kullanılarak veriyi en iyi temsil eden, anlamlı nitelikler çıkartılarak Destek Vektör Makineleri algoritmasıyla sınıflandırılmıştır. Ses tanıma ile ilgili model oluşturulduktan sonra yeni ses kayıtları yapılarak model test edilmiştir. Uyarıcı ses olduğu tespit edilen ses için kullanıcıya sesin yönüyle ilgili bilgi verilmesi sağlanmıştır.

Providing attendance of disabled persons into life and increasing it is an important social issue. In this context detecting sirens and sounds of those vehicles which have priority of way in traffic such as ambulance, fire-fighting vehicle and police car will enable to hearing disabled people to drive more comfortably. Recognising such warning sounds and detecting their direction have been aimed in this thesis. Sirens of ambulance, police car and fire-fighting vehicle in traffic have been classified as positive samples for application. Noises such as music and traffic noises have been classified as negative. Linear Predictive Coding has been made up by converting sound signals into digital data and qualities that reflect the sound in the best way has been determined by removing the qualities that do not reflect the sound in the data. By using principal component analysis method, meaningful and those qualities that represent the data in the best way have been classified by Support Vector Machine Algorithm. After creating model about sound detection, model has been tested by performing new sound records. For the sound which has been detected to be warning sound, information about the sound direction has been given to user.