Imagerie acoustique et extraction du signal audio de sources mobiles

Télécharger le fichier original (Mémoire de fin d’études)

Gêne sonore et modélisation

Les premières études psychoacoustiques sur la gêne sonore ont cherché à définir le lien entre une quantité mesurable, le niveau sonore équivalent, et le pourcentage de la popula-tion gênée ou très gênée [98, 6, 39, 71, 56, 48], en introduisant la notion de relation dose-effet. La figure 1.9 présente un exemple issus de l’étude de Lercher et al. [63]. Cette notion a aussi été étendue à l’étude des risques sur la santé par rapport à l’exposition sonore [15, 42, 16].
(a) Proportion de “hautement gênés”. (b) Proportion de “moyennement gênés”.
FIGURE 1.9 – Estimation de la proportion de gêne élevée et modérée associé au niveau sonore de chaque type de source ou de la somme des sources.
Une autre approche consiste à définir de nouvelles métriques pour estimer la gêne so-nore ressentie. Certaines études ont cherché à faire le lien entre des indices énergétiques (LA,eq , L10, etc.) et la gêne exprimée. Lors d’études psychoacoustiques cherchant à quan-tifier la gêne sonore, les sujets doivent, par exemple, juger l’environnement (ou la scène) sonore auquel ils sont exposés sur une échelle de 0 (“pas gênant du tout”) à 9 (“extrêmement gênant”)[116, 117], ou sur une échelle relative par rapport à un son de référence [21, 20]. Cette évaluation est réalisée en demandant aux sujets de s’imaginer chez eux (fenêtre fer-mée, ouverte ou dans le jardin en fonction des études) et en train d’effectuer une activité (lire, jardiner, regarder la télévision, etc.). Lors d’études plus récentes qui utilisent un pro-tocole expérimental similaire [78, 59], des modèles de gêne sonore sont proposés à partir d’indices énergétiques et psychoacoustiques comme la sonie ou la rugosité directement cal-culés sur le signal acoustique.
Gêne spécifique ou partielle. Les études citées précédemment cherchent souvent à esti-mer la gêne spécifique. Ce terme désigne la gêne associée à la source de bruit écoutée seule. La gêne partielle, assez peu utilisé dans la littérature, a été introduite par Berglund et Nilsson [22]. Elle représente la part de gêne due à une source dans une scène sonore complexe composées de plusieurs sources.
Gêne totale. La gêne totale est définie comme la gêne ressentie à l’exposition à une scène sonore complexe composée de plusieurs sources. De nombreuses études, comme par exemple [104, 79, 116, 87, 20, 78], portent sur le lien entre gêne spécifique et gêne totale. D’autres études étudient le lien entre les gênes partielles et la gêne totale (comme [25, 68]). Mais au-cune ne s’accorde sur un modèle qui serait utilisable avec n’importe quel type de source ou de situation. Les principaux modèles sont rappelés dans le tableau 1.2.

Facteurs influençant l’estimation de la gêne sonore

Marquis-Favre et al.[69] proposent plusieurs facteurs pouvant influencer la sensation de gêne. Ils indiquent par exemple que l’évaluation à long-terme de la gêne sonore peut être surestimée par rapport à la moyenne des gênes sonores évaluées à court-terme.
Les auteurs listent aussi les facteurs acoustiques et non-acoustiques reconnus pouvant influencer l’évaluation de la gêne sonore in situ ou en laboratoire. Ils précisent que les dif-férents facteurs prennent des proportions différentes suivant la méthode d’étude. Les effets acoustiques listés dans le tableau 1.3 sont des effets qui sont quantifiables grâce au signal audio ou à la vision de la scène. Parmi ceux-ci, on peut citer par exemple la fluctuation en amplitude, le caractère tonal ou impulsionnel ou encore la périodicité de la présence de la source.
Les effets non-acoustiques comme l’activité effectuée pendant l’exposition à la source de bruit ou la perception du voisinage, présentés en tableau 1.4, peuvent varier de façon im-portante pour chaque individu. En effet, ils traduisent notre histoire, notre relation passée et vécue, avec la source du bruit. Si le sujet a une bonne entente avec son voisinage, la gêne exprimée pour un son de type “bruit de voisinage” sera inférieure à celle exprimée par un sujet en conflit permanent. Certaines études, comme celle de Miedema et Vos [72], cherchent à utiliser les facteurs acoustiques et non-acoustiques dans l’estimation de la gêne sonore. Dans cet exemple, la gêne est modélisée comme une combinaison du niveau sonore et la sensibilité au bruit. Ce dernier facteur étant estimer via des informations comme l’age et le genre.
De nombreuses autres études cherchant à estimer la gêne sonore se focalisent unique-ment sur l’utilisation des facteurs acoustiques, à savoir les caractéristiques mesurables et objectives du son. Elles cherchent donc à estimer la part de la gêne sonore commune à tous et non les variations inter-individus.

Modèles de gêne

Dans cette section nous présenterons des modèles disponibles dans la littérature pro-posant de nouvelles métriques pour estimer la gêne sonore. Ces modèles utilisent le signal audio de la source sonore et cherchent à le relier à la gêne exprimée par des riverains ou via des tests d’écoute en laboratoire. L’objectif de chacun de ces indices est d’avoir la meilleure corrélation entre les données physiques et perceptives.
Harmonica
L’indice Harmonica est issu du projet européen du même nom qui s’est terminé en dé-cembre 2014 dont les porteurs français était BruitParif et Acoucité [73]. Le but était le déve-loppement d’un outil d’information plus facile à appréhender que les cartes stratégiques du bruit et plus proche de la réalité des nuisances sonores telles qu’elles peuvent être ressenties par les riverains.
Ce nouvel indice propose de se baser sur des niveaux statistiques (pondérés A), notam-ment parce qu’ils sont disponibles dans la majeure partie des stations fixes des observatoires de bruit urbain. Il est constitué de la somme de deux sous-indices représentant la part de bruit de fond (BGN) et la part d’émergence (EVT), et dont la somme est comprise entre 0 et 0. Tel que défini dans l’équation (1.17), l’indice Harmonica est celui jugé le plus pertinent par les sujets d’une étude en laboratoire parmi quatre indices proposés dans une étude. Les deux sous-indices sont calculés comme suit :
BGN ˘ 0, 2 £(LA95 ¡30),EVT ˘ 0, 25 £(LAeq ¡LA95). (1.17)
L’indice Harmonica est normalisé de sorte qu’un son ayant un niveau constant de 30 dB(A) ait une valeur de 0. Il est, par ailleurs, non borné, ce qui peut engendrer des valeurs supé-rieures à 10 dans certaines situations.
Selon les auteurs [73], la représentation est assez intuitive (voir exemple figure 1.10) et fidèle aux objectifs de clarté du projet : l’indice BGN est représenté par un rectangle dont la hauteur dépend de sa valeur; celui-ci est surmonté d’un triangle dont la hauteur dépend de la valeur de l’indice EVT. Un code couleur est introduit pour quantifier l’indice total et dépend de la période de la journée, comme indiqué dans le tableau 1.5. On peut voir que tous les seuils sont minorés de 1 point pour la période nocturne par rapport à la période diurne.
La figure 1.10 présente un exemple de l’évolution de l’indice Harmonica sur une journée. On peut voir différentes situations d’exposition avec globalement un indice de bruit de fond assez faible mais une émergence assez importante dans la journée. Un exemple de différence d’appréciation (application du code couleur) est visible pour deux valeurs équivalentes de l’indice : à 5h (considéré comme période nocturne) et 6h (considéré comme période diurne) du matin.
FIGURE 1.10 – Exemple d’évolution sur 24 heures de l’indice Harmonica – Source: Mietlicki et al.[73].
Les résultats de l’indice ont été comparés aux données issues de 246 questionnaires de résidents sur huit sites de mesures répartis dans les agglomérations lyonnaises et parisiennes. Les résultats pour six sites sont présentés en figure 1.11 où les auteurs montrent que le co-efficient de détermination entre les gênes exprimées in situ et les valeurs de l’indice est de R2 ˘ 0,96 [73].
Ce modèle se base sur le niveau équivalent et sur le niveau de bruit de fond. Il résume donc l’évolution de l’exposition au bruit par deux valeurs constantes sur une période don-née. D’autres approchent consistent à analyser plus finement l’évolution du niveau sonore instantané.
Modèle d’événements détectés – De Coensel et al. (2009)
Les travaux de De Coensel et al.[35] se basent sur l’hypothèse que la gêne à long-terme est déterminée principalement par les événements sonores détectés par le sujet. Ils proposent alors un modèle cognitif basé sur une vision très physique du cerveau humain et, là encore, sur le LA,eq . Ainsi, un modèle d’attention est proposé sur une base d’exponentielle décrois-sante dépendant lui-même d’un modèle d’accoutumance.
Ce modèle à servi de base à la création d’un modèle d’attention basé sur la saillance des sons [32] qui a été implémenté et testé par Terroir et al. [105]. Dans cette étude, ils comparent le nombre d’événements sonores détectés par ce modèle et ceux détectés par des sujets en laboratoire. Ces résultats montrent de bons accords. En revanche, bien que disponibles, ils ne comparent pas les données de gêne sonore perçue avec un modèle.
Modèle de gêne sonore de Morel et al. (2016)
L’approche de Morel et al. [77] citée précédemment, cherche à décrire le trafic routier par les sources qui le constituent. L’objectif de cette étude est de proposé une typologie percep-tive et cognitive des bruits de passage de véhicules routiers. Pour cela, il a été demandé aux 58 participants de l’étude d’écouter les 57 bruits de passage disponibles dans leur corpus et de réaliser une tache de catégorisation libre, donc de les regrouper par groupe de sons similaires.
Ce corpus a été obtenu par des mesures stéréophoniques dans différentes rues, pour dif-férents types de véhicules. Le corpus était présenté aux sujets via une reproduction stéréo-phonique en laboratoire avec un niveau équivalent de 60 dB(A) au point d’écoute, ceci dans le but de chercher les aspects du bruit qui influent sur cette catégorisation en plus du fac-teur important qu’est le niveau du son. Une tache de verbalisation était aussi demandée aux participants pour qu’ils disent quelles étaient les similitudes intra-groupe et les différences inter-groupes.
A la suite de cette expérience Morel et al. proposent une typologie perceptive et cognitive des bruits de passage de véhicules basée sur sept catégories :
1. Deux-roues passant à vitesse constante,
2. Deux-roues en accélération,
3. Bus, véhicules lourds et légers passant à vitesse constante,
4. Deux-roues en décélération,
5. Bus, véhicules lourds et légers en décélération,
6. Véhicules légers en accélération,
7. Bus et véhicules lourds en accélération.
Cette étude a ensuite été complétée par une seconde [78] portant sur la gêne sonore in-duite par le trafic routier. Les auteurs proposent alors, sur la même base de données de bruits de trafic routier regroupés en sept catégories perceptives, de concevoir un modèle liant la gêne ressentie par trente sujets et les indices énergétiques ou psycho-acoustiques mesu-rables sur le signal audio de chaque véhicule appartenant aux sept catégories perceptives proposées précédemment.
Pendant les expériences qui ont permis d’établir le modèle, les sujets doivent s’imaginer chez eux en train de faire une activité. Chaque stimulus (issus du même corpus de son que précédemment [77]) est présenté aux sujets pour sept niveaux sonores entre 50 et 62 dB(A). Il leur est alors demandé de noter la gêne due à ce bruit entre 0 (pas du tout gênant) et 10 (extrêmement gênant). Les indices utilisés pour construire le modèle ont été calculés grâce au logiciels dBSonic de 01dB 2 qui n’est plus commercialisé par le fournisseur. La sonie est calculée avec le modèle de Zwicker basé sur la norme DIN 45631. Le calcul de l’acuité et de la rugosité sont calculés grâce au modèle d’Aures [11, 12].
Le modèle de gêne pour chaque catégorie est présenté en tableau 1.6. On peut constater que la sonie est l’un des facteurs qui est le plus utilisé dans ce modèle. Elle est complétée par la force de fluctuation, la rugosité ou encore le niveau sonore en moyennes fréquences. Par ailleurs, les coefficients de détermination sont assez élevés.
Dans ce tableau, p est le facteur déterminant la probabilité de validation de l’hypothèse nulle, celle-ci disant que la variable n’est pas significative. La valeur p<0,05 est classique-ment admise comme seuil de significativité.
Ce modèle montre l’importance des variations spectrales et temporelles du bruit dans l’estimation de la gêne sonore, confirmant ainsi les observations de Paviotti et al. [83], Vos [118] ou encore Trollé et al. [107].
Modèle de gêne sonore de Klein et al. (2015)
Selon Vos [118], les variations spectrales et temporelles, traduites par les indices percep-tifs que sont la rugosité, la force de fluctuation ou la sonie, peuvent expliquer 51% de la variance dans l’estimation de la gêne due au trafic routier et ferroviaire. Cependant, analysant les résultats de Morel et al. [78], Klein et al. [59] mettent en avant une corrélation assez limi-tée dans certains cas entre la rugosité, la force de fluctuation mesurée et la gêne exprimée due au trafic routier urbain, notamment pour les deux-roues motorisés passant à vitesse constante où uniquement la sonie est conservée dans le modèle (voir tableau 1.6).
Klein et al. [59] présentent un modèle de gêne sonore utilisant des indices psychoacous-tiques innovants caractérisant les variations temporelles et spectrales des même stimuli que Morel et al. [77, 78]. Ce modèle global, ne différenciant pas les types de véhicules ou les al-lures, estime la gêne sonore par : A ˘ 0, 50a Nmean ¯2, 85a msput t,10 ¯3, 51a mnas,10 ¯0, 026a TETC ¡0, 79, a p ˙ 0, 01, (1.21) où Nmean est la sonie moyenne, msput t ,10 est la valeur dépassée 10% du temps d’un indice proposé modélisant le facteur “pétaradant” du son, mnas,10 est la valeur dépassée 10% du temps d’un indice proposé modélisant le facteur “nasal” du son et TETC (pour Total Energy of Tonal Components) est un indice proposé par Trollé et al. [107] caractérisant le contenu tonal hautes fréquences d’un signal acoustique. Les facteurs msput et mnas sont calculés pour chaque trame temporelle i par:
msput ti ˘ • 2. j P(0) ‚, mnasi ˘ • P(0) ‚, (1.22)
Pmax (2 ¡100 Hz)j 2.jPmax (100 ¡200 Hz)j
avec P le spectre de l’enveloppe du signal audio et P(0) ˘ P( f ˘ 0) : la composante continue du spectre.
La figure 1.13 montre le lien entre les indices proposés (msput t,10 et mnas,10) et la gêne exprimée. On distingue notamment deux nuages de valeurs : les voitures (tous types d’allure confondus) qui ont une gêne ressentie faible et les autres véhicules (deux-roues, bus et poids-lourds) plus gênants. Les coefficients de corrélation sont donc assez faibles. Cepen-dant, ce modèle couple ces deux indices avec le TETC et la sonie moyenne. Cela augmente sensiblement la corrélation entre le modèle et les gênes exprimées puisque le coefficient de détermination du modèle est R2 = 0,94 et l’erreur-type est assez faible à 0, 35. Avec ce modèle, les auteurs proposent des indices (msput t ,10, mnas,10 et TETC) qui représentent 47% de la valeur de gêne (et 53% pour la sonie). Ils mettent en avant ici le fait que, comme Paviotti et al. [83], la rugosité et la force de fluctuation, notamment utilisées par Morel et al. [78], ne sont pas adaptées à la caractérisation de la gêne induite par les deux-roues motorisés. Ils apportent une première explication qui serait que le mode de calcul de ces deux indices psychoacoustiques sont établis avec des fluctuations sinusoïdales alors que l’enveloppe du signal de bruits routiers est bien souvent plus complexes.

Table des matières

Introduction
Objectifs et contributions originales de la thèse
Plan de la thèse
1 Modélisation de la gêne sonore
Introduction
1.1 Indices énergétiques et psychoacoustiques
1.1.1 Le niveau équivalent
1.1.2 Pondération fréquentielle
1.1.3 Pondération temporelle
1.1.4 Niveaux statistiques
1.1.5 Indices événementiels
1.1.6 La sonie
1.1.7 L’acuité
1.1.8 La force de fluctuation
1.1.9 La rugosité
1.2 Gêne sonore et modélisation
1.2.1 Facteurs influençant l’estimation de la gêne sonore
1.2.2 Modèles de gêne
Conclusion
2 Imagerie acoustique et extraction du signal audio de sources mobiles
Introduction
2.1 Méthodes inverses en antennerie acoustique
2.1.1 Modélisation du processus direct
2.1.2 La formation de voies, ou beamforming
2.2 Mégamicros, un système d’acquisition modulaire
2.2.1 Le systèmeMegamicros
2.2.2 Une géométrie d’antenne pour chaque application
2.3 Localisation et quantification des sources de bruit
2.3.1 Véhicules légers
2.3.2 Autres véhicules routiers
2.4 L’antennerie acoustique, outil de séparation de sources
2.4.1 Extraction du signal audio d’une source fixe
2.4.2 Extraction du signal audio d’un véhicule en mouvement
Conclusion
3 Classification du trafic routier par apprentissage supervisé
Introduction
3.1 Classification de signaux audio
3.1.1 Modèles et paramètres pertinents
3.2 Classification des véhicules par Support VectorMachines
3.2.1 Principe des SVM
3.2.2 Application des SVM à la base de donnée de véhicules isolés
Conclusion
4 Implémentation du modèle de gène sonore
Introduction
4.1 Modèles de calcul d’indices psychoacoustiques
4.1.1 Calcul de la sonie
4.1.2 Calcul de la rugosité
4.1.3 Calcul de la force de fluctuation
4.2 Implémentation du modèle de Morel et al. et application à une mesure de référence
Conclusion
5 Estimation in situ de la gène spécifique de chaque véhicule du trafic routier
Introduction
5.1 Extraction du signal audio d’un véhicule dans la ville
5.1.1 Dispositif expérimental
5.1.2 Du pixel à la position 3D
5.1.3 Séparation de sources en milieu urbain
5.2 Classification in situ
5.2.1 Classification avec apprentissage sur véhicules isolés
5.2.2 Classification avec apprentissage sur données acquises dans la ville
5.2.3 Influence du noyau du classifieur
5.3 Estimation de la gêne sonore in situ
Conclusion
Conclusion
Perspectives
Annexe : Localisation de sources sur deux-roues et véhicules lourds
Véhicules lourds
Vitesses constantes
Accélération et décélération
Deux-roues motorisés
Vitesses constantes
Accélération et décélération
Deux-roues électrique