Descripteur pour la détection et la classification de sources continues avec présence de

Cette revue bibliographie a pour objectif de présenter les différents espaces de représentation permettant d’extraire les paramètres de détection et de classification des sources sonores. Une étude détaillée sera consacrée aux bruits rayonnés par les bateaux, sujet principal de ces travaux. Ce type de source sonore partage des caractéristiques communes avec les véhicules motorisés terrestres et aériens, en particulier en ce qui concerne la présence de raies spectrales. Après une synthèse faite sur les différents travaux réalisés en acoustique aérienne, un parallèle a pu être réalisé entre le bruit des bateaux et l’analyse instrumentale et de genre musical. L’aspect multifréquences fondamentales est présent dans le signal en raison de la superposition des sources au sein d’un bateau (harmoniques dues au moteur et harmoniques dues à l’hélice) et du mélange des signatures acoustiques de plusieurs bateaux. La notion d’harmonique et de mélodie, employée dans le domaine de la recherche d’information musicale, fait écho à la notion d’énergie large bande et d’énergie bande étroite des bruits rayonnés par les bateaux. Une synthèse des travaux de classification de genre musicaux est présentée.

6.2.1 Dans la communauté d’acoustique sous-marine (bateau)

Que ce soit pour la surveillance et la protection de zones spécifiques [Sutin_2013a] ou la détection de bateaux transportant des drogues [Pollara_2016], la détection et classification de bateaux par acoustique passive est un sujet majeur qui, depuis ces dernières années, suscite l’intérêt des organisations de défense. Cette détection peut être réalisée sur la détection de bruits stationnaires ou de bruits transitoires : [Zaugg_2010] réalise une classification de bruits impulsifs de clics de baleine et de bruits transitoires provoqués par les bateaux en utilisant un réseau de neurone basé sur 9 paramètres. Les travaux présentés dans ce manuscrit s’intéressent à la détection et la classification du bruit global reçu, sans détection de transitoire. Outre les détecteurs automatiques caractérisant un passage de bateau par une augmentation des niveaux acoustiques, des algorithmes plus élaborés de détection de bateaux sont présents dans la littérature. Ces algorithmes caractérisent les bruits induits par les passages de bateaux avec un ensemble de paramètres. Ces paramètres sont estimés sur différentes caractéristiques détaillées Figure 62 ci-dessous. Même si une variété de méthodes concernant la détection et la classification des bateaux est présentée, la grande majorité des études sont réalisées par analyse spectrale et DEMON. Les autres méthodes d’analyse de la revue bibliographie représentent une faible proportion des travaux réalisés sur ce sujet.

Figure 62 : Méthode de détection et classification des bruits rayonnés de bateaux présent dans la communauté d’acoustique sous-marine

Le chapitre 1 a mis en évidence que les éléments mécaniques en rotation, tels que les pales d’hélices, l’arbre du moteur et les auxiliaires, provoquent l’apparition de raies spectrales et de leurs harmoniques [chapitre 1]. La méthode de détection et de classification la plus couramment utilisée consiste en l’analyse de ces raies. Cette analyse peut être réalisée directement sur la visualisation spectrale du signal [Arveson_2000]. [Sorensen_2010] et [Ogden_2011] appliquent un filtre de Kalman pour effectuer le suivi temporel de cette fréquence fondamentale et identifient les bateaux en se basant sur une caractérisation de la structure d’harmoniques correspondant à l’affichage du niveau enregistré pour chaque fréquence associée à l’indice de l’harmonique. Une analyse plus fine des caractéristiques des raies est réalisée par analyse DEMON (Detection of Enveloppe Modulation On Noise) [Lourens_1988, Sutin_2013a, Labat_2015]. Cette méthode est fondée sur l’analyse des modulations de l’enveloppe du signal. L’estimation de la transformée de Fourier ou du spectrogramme à l’issue de l’analyse DEMON permet d’identifier les caractéristiques propres du bateau : la fréquence de rotation d’une pale d’hélice, la fréquence de rotation de l’arbre d’hélice et par conséquent du nombre de pales. [Kummert_1993] identifie ces paramètres sur l’analyse DEMON en suivant une logique « fuzzy » où un indice de confiance est attribué aux 20 fréquences fondamentales testées. L’analyse DEMON est particulièrement sensible au mélange de signatures acoustiques. Ainsi [Fillinger_2011, Chung_2011] réalisent une séparation de sources par corrélation entre deux hydrophones avant d’effectuer une analyse DEMON sur la fonction d’autocorrélation.

[Tucker_2005] définit une liste de descripteurs acoustiques estimés sur la représentation temps- fréquence du signal. Ces descripteurs acoustiques permettent la classification des bruits rayonnés par les navires de types bruit de propulsion et bruit de machinerie (moteur).

L’analyse spectrale du signal permet aussi d’identifier le type de propulsion. Ainsi [Lourens_1987] crée trois catégories de bateaux basées sur l’analyse du spectre : les diesels lents (spectre large bande correspondant au son de broyage et de grattage créé par des anneaux de compression gigantesques), les diesels rapides (spectre composé de raies liées au claquement des pistons des moteurs diesels et de décroissance exponentiellement) et les turbines (spectre composé de quelques lignes spectrales). L’analyse des pôles obtenus après modélisation autorégressive (AR) d’ordre 2 de la transformée de Fourier permet ce classement. Ces travaux sont repris par [Farrokhrooz_2005_a] qui, en estimant le modèle AR d’ordre 13 à 15 de la PSD, réalise une classification en trois catégories basées sur la taille du navire : lourd, médian et léger. [Wales_2002] utilise la modélisation AR pour décrire le spectre des bateaux.

Il existe deux types de traitement multi-échelle des données : l’analyse par ondelette et la décomposition modale [Meignen_2007]. Ces méthodes sont exploitées dans la littérature de détection et classification de bruits rayonnés par les bateaux. L’analyse par ondelettes est aussi utilisée pour la détection et la classification de bateaux. Ainsi, [Averbuch_2011] propose un algorithme permettant de détecter les bateaux et d’identifier un type de bateau particulier. Cette méthode se base sur l’estimation de la transformée en paquet d’ondelettes et la création d’une carte d’énergie représentant l’énergie dans le bloc d’ondelettes pour les six premiers niveaux de décomposition. Huit blocs présentant des différences majeures sont sélectionnés et utilisés pour la classification. [Sorensen_2010] réalise une décomposition discrète par paquet d’ondelettes en considérant des ondelettes de type Daubechies. Un test d’hypothèse basé sur le seuillage de l’énergie des différentes transformées en ondelettes permet de détecter la présence de bateau. Le même type d’ondelette est utilisé par [Yang_2002] qui propose de classer les bateaux en utilisant le maximum de vraisemblance entre l’analyse par ondelettes du signal et un modèle établi pour chaque classe de bateau. D’autres études combinent l’analyse par ondelettes à d’autres méthodes d’analyse pour réaliser la détection de bateaux par acoustique passive. Ainsi, [Zeng_2013, Wang_2014] allie une décomposition en

127

ondelettes de type Bark à une transformation de Hilbert-Huang. [Yan_2017] crée une décomposition du signal en niveaux de résonance par une analyse de composantes morphologiques de la transformée en ondelettes Q-factor. Une analyse spectrale marginale de Hilbert (Hilbert marginal spectrum

analysis) est effectuée sur la composante de forte résonance.

L’analyse spectrale de Hilbert permet à [Zeng_2013, Wang_2014, Yan_2017] d’effectuer une analyse par décomposition modale empirique (Empirical Mode Decomposition): le signal est décomposé en un ensemble de fonctions modales intrinsèques (Intrinsic Mode Functions). Cette méthode vise à exploiter les non-linéarités et non stationnarités présentes dans un signal de bruit rayonné par un bateau. Ces fonctions intrinsèques modales sont estimées par [Bao_2010] en réalisant une décomposition modale d’ensemble empirique (Ensemble Empirical Mode Decomposition), dans l’objectif de définir des paramètres reflétant la dynamique non-linéaire sous-jacente et d’analyser les régularités cachées et non linéarités de chaque fonction modale intrinsèque.

Par la décroissance du spectre d’un bruit rayonné de bateau, des similarités avec un mouvement Brownien fractionnaire sont observables [Xiang_1999]. Le bruit rayonné de bateaux peut être caractérisé par des paramètres fractals. Ainsi [Yang_2000] montre que l’affichage en tridimensionnel de la déviation standard des séquences différentielles et des dimensions fractales (Blanket-covering

dimension) des sections 1 et 3 permettent de séparer les classes de bateaux.

L’utilisation de paramètres chaotiques permet d’extraire de l’information de régularités et non-linéarités contenues dans la signature acoustique des bateaux. [Yang_2013] intègre la série temporelle dans un espace de grande dimension en utilisant la reconstruction de l'espace d'état et estime le plus grand exposant de Lyapunov pour chaque état de l’évolution. Les résultats de la classification chaotique montrent une complémentarité entre l’analyse chaotique et l’analyse spectrale. La comparaison des résultats de ces deux méthodes montre une amélioration de la classification pour la moitié des 6 catégories de bateaux étudiés, mais aussi une dégrade pour les autres catégories. L’analyse cepstrale permet de réduire l’influence des distorsions induites par le canal de propagation, en séparant un signal source de la réponse du canal : [Das_2010] a montré par simulation de bruit rayonné de bateaux que le cepstre du signal source et la réponse du canal se séparent en grande partie vers les indices inférieurs et supérieurs du cepstre. Ainsi, [Das_2013] utilise 32 paramètres de classification des bateaux correspondant aux coefficients du cepstre, regroupés par bandes uniformes de 16 coefficients, ainsi que 32 paramètres obtenus par la moyenne temporelle des paramètres précédents. Les performances de cette méthode cepstrale sont évaluées en comparant les résultats à ceux obtenus en utilisant 8 paramètres spectraux : le nombre de raies spectrales, l’intervalle de fréquence moyen entre deux raies spectrales adjacentes, la fréquence correspondant au maximum de spectre, le niveau moyen des raies spectrales, la fréquence pour laquelle l’énergie bande large est maximale, la pente formée par le spectre bande large, le roll-off spectral, la centroïde spectrale. Le classifieur basé sur les paramètres cepstraux moyennés permet une meilleure classification. L’analyse a été réalisée sur des données acquises dans un environnement petit fond (30 m de fond). De même, [Santos-Domínguez_2016] réalise une détection et une classification des bateaux de la base de données ShipsEar par estimation de coefficients cepstraux.

Une modification de la distribution du signal est observée lors d’un passage de bateau : l’analyse de la divergence de kullback permet à [Pradhan_2015] de modéliser le bruit ambiant par une distribution de Weibull et le bruit du passage de bateaux par un modèle gaussien dont les paramètres dépendent de la classe de bateau. Le caractère gaussien du bruit ambiant a toutefois été mis en avant par [Das_2011]. [Pradhan_2017] réalise la détection de bateaux en appliquant le critère de Neyman Pearson au logarithme du rapport de vraisemblance entre les deux distributions.

6.2.2 Dans la communauté d’acoustique aérienne (véhicules motorisés)

La Table 27 présente une synthèse des différentes méthodes de détection et de classification de véhicules motorisés présentes dans la littérature d’acoustique aérienne. Ces méthodes visent à l’identification de véhicules terrestres, voitures et deux roues motorisées, ainsi que les véhicules aériens. [Quach_1999] propose une classification des véhicules aériens en trois catégories acoustiques : les avions à hélice, les avions à réaction et les hélicoptères.

Domaine d’étude

Précision sur la méthode, les paramètres Type de source détecté Source Analyse temporelle

Time Encoded Signal Processing and Recognition (TESPAR)

Véhicules [Mazarakis_2007]

Paramètres temporels (Zero-crossing rate) Véhicules [Starzacher_2009,

Basavaraj_2009] Analyse spectrale Détection d’harmonique, analyse des

harmoniques, Harmonique Line Association Avions Véhicules [Succi_1999, Quach_1999, Sutin_2013b, Tong_2013, Hohil_2003, Guo_2008] Analyse du Doppler

(avec un prérequis sur la vitesse ciblée)

Avions et voitures à grande vitesse

[Pourmohammad_2013] Estimation de la distance Euclidienne

entre la PSD et la PSD d’un modèle

Véhicules [Mairaj_2011]

Paramètres spectraux : centroid, bandwidth, roll-off point, flux, etc.

Véhicules [Starzacher_2009,

Basavaraj_2009] Analyse des moments de la PSD

(moyenne, variance, kurtosis skewness)

Véhicules [Thomas_1972]

Modélisation paramétrique

Analyse par codage linéaire prédictif (Linear predictive coding)

Véhicules [Nooralahiyan_1998]

Modélisation autorégressive AR Véhicules [Li_2002]

Time Varying Autoregressive (TVAR) Véhicules [Liu_1999, Kie_1999]

Analyse par ondelette

Transformation en ondelette discrète Véhicules [Choe_1996,

Maciejewski_1997, Khandoker_2007]

Transformée en paquet d’ondelette Véhicules [Averbuch_2001,

Amir_2009, Averbuch_2009] Estimation de la distance Euclidienne

entre la transformée en ondelette et celle de modèle Véhicules à deux roues [Anami_2011] Analyse énergétique

Ratio de l’énergie au-dessus et en dessous de 50 Hz

Avions et véhicules [Quach_1999]

Energie et différence d’énergie dans des bandes spécifiques :

10-50 Hz, 50-100 Hz, 100-200Hz et 200-300Hz // 10-200 Hz et 200-400Hz

Avions et véhicules [Quach_1999,

Nielsen_2009, Sutin_2013b]

Energie de l’enveloppe du signal Véhicules [Somkiat_1997]

Décomposition modal

Estimation des fonctions modales intrinsèques par modélisation AR

Scooters [Cheng_2008]

Analyse Cepstrale

Coefficients cepstraux Véhicules [Roberts_2001,

Starzacher_2009]

Mel-frequency cepstral coefficients Véhicules [Munich_2004, Qi_2006,

Kim_2009]

Table 27 : Synthèse des méthodes utilisées dans la communauté d’acoustiques aérienne pour la détection et la classification de véhicule motorisé terrien et aérien

129

6.2.3 Dans la communauté de traitement audio (parole et musical)

Les recherches de classification de sons audio (vocaux ou musicaux) se regroupent en plusieurs catégories telles que la reconnaissance vocale, la reconnaissance entre la musique et le parler, la reconnaissance d’instruments de musique et la classification de genres musicaux. Indétrônables, les coefficients de Mel (MFCC) sont largement utilisés en reconnaissance vocale. Différentes études ont montré l’inefficacité de ces paramètres pour la classification de nombreuses classes telles que les sons instrumentaux ou musicaux. Dans la communauté de la recherche d’information musicale, l’information portée par un extrait audio est analysée selon trois aspects correspondant, selon [Scaringella_2006]:

 Au timbre. La notion de timbre fait appel à notre perception du son et aux caractéristiques

perceptuelles qui permettent de différencier deux sons de même ton et de même volume. Cette notion de timbre est couramment exploitée dans la littérature par le suivi temporel de paramètres descriptifs. L’évolution de ce paramètre est caractérisée par sa moyenne, sa variance [Tzanetakis_2002] et la valeur du pic prédominant [Garcia_2006].

 Au rythme. La notion de rythme réfère à une régularité temporelle et permet de caractériser

l’ensemble des aspects temporels d’un extrait musical. Le rythme est peu souvent exploité dans la littérature pour un objectif de classification.

 _{A la mélodie et les harmoniques. Dans le domaine musical, les harmoniques, aussi appelées}

éléments verticaux, caractérisent les hauteurs et accords, réels ou implicites, présents dans une musique. En raison du mélange polyphonique, plusieurs fréquences fondamentales sont présentes dans le signal. Par opposition à ces harmoniques, la mélodie, appelée l’élément horizontal, représente un ensemble d’éléments perçus comme une seule entité.

La Figure 63présente différents paramètres et méthodes de détection et de classification d’extraits audio utilisés dans la communauté de traitement de la parole et de la recherche d’information musicale.

Figure 63 : Paramètres et méthodes de détection et de classifications utilisées dans la communauté de traitement de parole et de la classification de genres musicaux