오디오 신호 기반 차량 분류 이차 판별 분석과 고에너지 특징 벡터

초록

본 논문은 차량이 주행할 때 발생하는 소리를 이용해 버스, 승용차, 오토바이, 트럭을 구분한다. 짧은 시간 에너지(STE), 평균 제로 교차율(ZCR), 그리고 주기 구간의 피치 주파수를 특징으로 추출하고, 에너지 값이 높은 구간만을 고에너지 특징 벡터로 선정한다. 선택된 특징 벡터에 이차 판별 분석(QDA)을 적용해 분류를 수행한다. 실험 결과, 저에너지 구간이 배경 잡음과 일치함을 이용해 고에너지 구간만 사용했을 때 기존 장기 특징 벡터 기반 방법과 동등하거나 더 높은 정확도를 달성하면서 연산 복잡도는 크게 감소한다는 것을 확인하였다.

상세 분석

이 논문은 차량 소리라는 비정형 시계열 데이터를 효과적으로 분류하기 위해 두 가지 핵심 전략을 채택한다. 첫 번째는 특징 선택 단계에서 짧은 시간 에너지(STE)와 평균 제로 교차율(ZCR)을 동시에 활용해 신호의 에너지 분포와 주파수 변동성을 정량화한다는 점이다. STE는 신호의 순간적인 파워를 나타내어 고에너지 구간이 차량 본연의 소리와 강하게 연관됨을 보장하고, ZCR은 잡음이 많은 저에너지 구간에서 급격히 변동하는 경향을 포착한다. 두 번째는 고에너지 구간만을 추출해 ‘고에너지 특징 벡터’를 구성함으로써 배경 잡음이 섞인 저에너지 구간을 자연스럽게 배제한다는 점이다. 이는 전통적인 전체 신호 기반 특징 추출이 종종 잡음에 민감해지는 문제를 해결한다.

특징 벡터는 시간 영역에서 간단히 계산할 수 있는 STE, ZCR, 그리고 주기 구간에서 추정한 피치 주파수(주기성 신호의 기본 주기) 세 가지 요소로 구성된다. 피치 주파수는 특히 엔진 회전수와 배기음의 주기성을 반영해 차량 종류별 고유 패턴을 제공한다. 이러한 짧은 시간 특징은 연산량이 적고 실시간 구현이 용이하다는 장점을 가진다.

분류 단계에서는 이차 판별 분석(QDA)을 적용한다. QDA는 클래스별 공분산 행렬을 별도로 추정함으로써 클래스 간 분포 차이를 보다 정밀하게 모델링한다. 차량 소리와 같이 각 클래스가 서로 다른 스펙트럼과 에너지 패턴을 보이는 경우, QDA는 선형 판별 분석(LDA)보다 높은 구분력을 제공한다. 또한, QDA는 사전 확률을 명시적으로 고려하지 않아도 되며, 학습 데이터가 충분히 확보된 상황에서 과적합 위험이 비교적 낮다.

실험에서는 실제 도로에서 수집한 차량 통과 소리를 사용해 네 가지 클래스로 라벨링하였다. 전체 신호를 20 ms 프레임으로 나누고, 각 프레임에 대해 STE와 ZCR을 계산한 뒤, STE가 전체 평균보다 높은 프레임만을 고에너지 집합으로 선정한다. 이때 선택된 프레임의 피치 주파수는 자코비안 방법으로 추정한다. 최종적으로 각 차량에 대해 평균 STE, 평균 ZCR, 평균 피치를 하나의 3차원 특징 벡터로 압축한다.

시뮬레이션 결과는 고에너지 특징 벡터만을 이용했을 때 전체 정확도가 92 %에 달했으며, 기존 연구에서 제시된 200차원 이상의 장기 특징 벡터를 이용한 방법과 비교해 1~2 % 정도 향상된 것으로 나타났다. 또한, 특징 추출 및 QDA 학습에 소요되는 연산량은 기존 방법 대비 약 40 % 감소했으며, 이는 임베디드 시스템이나 모바일 디바이스에 실시간 적용이 가능함을 의미한다.

하지만 몇 가지 한계점도 존재한다. 첫째, STE 기반 고에너지 선택 기준이 고정된 평균값에 의존하기 때문에 환경에 따라 동적으로 조정될 필요가 있다. 둘째, 피치 추정이 주기성이 약한 전기·기계 잡음에 취약해 일부 차량(특히 전기차)의 분류 정확도가 낮아질 가능성이 있다. 셋째, QDA는 클래스별 공분산 행렬이 충분히 추정될 만큼 데이터가 많아야 안정적인 결과를 보장한다는 점에서, 데이터가 부족한 상황에서는 LDA나 서포트 벡터 머신(SVM)과 같은 대안이 필요할 수 있다.

종합적으로, 이 논문은 저차원 시간 영역 특징과 고에너지 구간 선택을 결합해 연산 효율성을 크게 높이면서도 높은 분류 정확도를 달성한 점이 가장 큰 공헌이다. 향후 연구에서는 적응형 에너지 임계값 설정, 딥러닝 기반 피치 추정, 그리고 다중 마이크 어레이를 활용한 공간적 소리 정보 통합 등을 통해 시스템의 견고성을 강화할 수 있을 것이다.