Efficient Feature Set Developed for Acoustic Gunshot Detection in Open Space

Simple item page
dc.contributor.authorSigmund, Milancs
dc.contributor.authorHrabina, Martincs
dc.coverage.issue4cs
dc.coverage.volume27cs
dc.date.accessioned2021-12-06T06:55:40Z
dc.date.available2021-12-06T06:55:40Z
dc.date.issued2021-08-23cs
dc.description.abstractThis paper presents an efficient approach to automatic gunshot detection based on a combination of two feature sets: adapted standard sound features and hand-crafted novel features. The standard features are mel-frequency cepstral coefficients adapted for gunshot recognition in terms of uniform gamma-tone filters linearly spaced over the whole frequency range from 0 kHz to 16 kHz. The novel features were derived in the time domain from individual significant points of the raw waveform after amplitude normalization. Experiments were performed using single and ensemble neural networks to verify the effectiveness of the novel features for supplementing the standard features. In binary classification, the developed approach achieved an accuracy of 95.02 % in gunshot detection.en
dc.description.abstractTento článek představuje účinný postup na automatickou detekci výstřelů založený na kombinaci dvou sad příznaků: upravených standardních zvukových příznaků a ručně vytvořených nových příznaků. Standardními příznaky jsou mel-frekvenční kepstrální koeficienty přizpůsobené pro rozpoznání výstřelů pomocí jednotkových gama-tónových filtrů lineárně rozmístěných v celém frekvenčním rozsahu od 0 kHz do 16 kHz. Nové příznaky byly odvozeny v časové oblasti z jednotlivých významných bodů průběhu po normalizaci amplitudy. Experimenty byly prováděny s použitím jednoduchých a souborových neuronových sítí k ověření účinnosti nových příznaků pro doplnění standardních příznaků. V binární klasifikaci vyvinutý postup dosáhl přesnosti 95,02 % při detekci výstřelu.cs
dc.formattextcs
dc.format.extent62-68cs
dc.format.mimetypeapplication/pdfcs
dc.identifier.citationElektronika Ir Elektrotechnika. 2021, vol. 27, issue 4, p. 62-68.en
dc.identifier.doi10.5755/j02.eie.28877cs
dc.identifier.issn1392-1215cs
dc.identifier.other173150cs
dc.identifier.urihttp://hdl.handle.net/11012/203054
dc.language.isoencs
dc.publisherKaunas University of Technologycs
dc.relation.ispartofElektronika Ir Elektrotechnikacs
dc.relation.urihttps://eejournal.ktu.lt/index.php/elt/article/view/28877cs
dc.rightsCreative Commons Attribution 4.0 Internationalcs
dc.rights.accessopenAccesscs
dc.rights.sherpahttp://www.sherpa.ac.uk/romeo/issn/1392-1215/cs
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/cs
dc.subjectAcoustic signal processingen
dc.subjectgunshot detectionen
dc.subjectneural networksen
dc.subjectparameter estimationen
dc.subjectZpracování akustického signálu
dc.subjectdetekce výstřelů
dc.subjectneuronové sítě
dc.subjectodhad parametrů
dc.titleEfficient Feature Set Developed for Acoustic Gunshot Detection in Open Spaceen
dc.title.alternativeEfektivní soubor příznaků vyvinutý pro akustickou detekci výstřelů v otevřeném prostorucs
dc.type.driverarticleen
dc.type.statusPeer-revieweden
dc.type.versionpublishedVersionen
sync.item.dbidVAV-173150en
sync.item.dbtypeVAVen
sync.item.insts2022.01.05 20:56:46en
sync.item.modts2022.01.05 20:15:02en
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav radioelektronikycs
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
28877Article Text10137011020210823.pdf
Size:
1.12 MB
Format:
Adobe Portable Document Format
Description:
28877Article Text10137011020210823.pdf
Download
Collections
Ústav radioelektroniky