基于數(shù)字指紋的音頻檢索系統(tǒng)的設計與實現(xiàn).pdf

1、近年來,隨著多媒體技術的普及,音頻數(shù)據(jù)在網(wǎng)絡上有了爆炸性的增長,這使得開發(fā)高效的檢索分類音頻數(shù)據(jù)的方法越來越受到關注?；趦?nèi)容的音頻檢索系統(tǒng)利用從信號中提取出的聲學特征與數(shù)據(jù)庫中存儲的聲學特征進行比對從而檢索出音頻信號的元數(shù)據(jù)(作者,專輯,流派等)。其潛在應用包括自動音頻識別,音頻軌跡跟蹤,版權保護,電視節(jié)目檢索,廣告背景音樂檢測等等。
　　本篇論文主要實現(xiàn)了基于內(nèi)容的音頻檢索即通過數(shù)字音頻指紋來檢索識別音頻文件。數(shù)字音頻指紋是從

2、音頻內(nèi)容中提取出的一段可以代表音頻重要聲學特征的緊致數(shù)字簽名,將數(shù)字音頻指紋作為用于識別音頻的索引,并和相應的元數(shù)據(jù)信息內(nèi)容一起存儲在數(shù)據(jù)庫中,檢索時將未知音頻文件提取出的數(shù)字音頻指紋與數(shù)據(jù)庫中存儲的進行比對從而識別出未知音頻文件。
　　本文著重對影響著音頻檢索系統(tǒng)魯棒性的幾個重要步驟:特征提取,指紋模型和匹配進行了研究:
　　首先,本文研究比較了幾個頻譜特征,包括梅爾頻率倒譜系數(shù)(Mel-Frequency Cepstra

3、l Coefficients,MFCCs),色度頻譜(Chroma Spectrum),常數(shù)Q值轉換頻譜(Constant Q Spectrum),以及積譜(Product Spectrum)。前三個特征提取只是來源于幅度譜,其已經(jīng)廣泛應用于音頻信號處理及關鍵點檢測,而積譜則利用了幅度譜與群延遲的乘積,它在魯棒語音識別中效率非常高。實驗表明在音頻檢索系統(tǒng)中本文所用的基于積譜的特征提取方法比前三種特征提取方法更具有更高的檢索精確度。

4、>　　其次,本文提出了一個累積相似模型,以便能更好地提取出音頻數(shù)據(jù)之間的相似度。實驗表明累積相似模型比歐氏距離模型具有更好的效率與精確度。
　　第三,本文使用高斯混合模型來提高音頻檢索系統(tǒng)的魯棒性。高斯混合模型通過使用期望最大值算法(EM)來訓練音頻數(shù)據(jù)庫,高斯混合模型能更好地描述聲學特征的特點。通過訓練高斯混合模型,數(shù)據(jù)庫中的音頻和待檢測音頻片段的特征向量都轉換成了象征性的符號標記,然后在數(shù)據(jù)庫中進行檢索。實驗結果表明了高斯混合