基于數(shù)字指紋的音頻檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、近年來,隨著多媒體技術(shù)的普及,音頻數(shù)據(jù)在網(wǎng)絡(luò)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(guān)注?；趦?nèi)容的音頻檢索系統(tǒng)利用從信號(hào)中提取出的聲學(xué)特征與數(shù)據(jù)庫中存儲(chǔ)的聲學(xué)特征進(jìn)行比對(duì)從而檢索出音頻信號(hào)的元數(shù)據(jù)(作者,專輯,流派等)。其潛在應(yīng)用包括自動(dòng)音頻識(shí)別,音頻軌跡跟蹤,版權(quán)保護(hù),電視節(jié)目檢索,廣告背景音樂檢測等等。
　　本篇論文主要實(shí)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(shí)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(xué)特征的緊致數(shù)字簽名,將數(shù)字音頻指紋作為用于識(shí)別音頻的索引,并和相應(yīng)的元數(shù)據(jù)信息內(nèi)容一起存儲(chǔ)在數(shù)據(jù)庫中,檢索時(shí)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(chǔ)的進(jìn)行比對(duì)從而識(shí)別出未知音頻文件。
　　本文著重對(duì)影響著音頻檢索系統(tǒng)魯棒性的幾個(gè)重要步驟:特征提取,指紋模型和匹配進(jìn)行了研究:
　　首先,本文研究比較了幾個(gè)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(zhuǎn)換頻譜(Constant Q Spectrum),以及積譜(Product Spectrum)。前三個(gè)特征提取只是來源于幅度譜,其已經(jīng)廣泛應(yīng)用于音頻信號(hào)處理及關(guān)鍵點(diǎn)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(shí)別中效率非常高。實(shí)驗(yàn)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(gè)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(shí)驗(yàn)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(xùn)練音頻數(shù)據(jù)庫,高斯混合模型能更好地描述聲學(xué)特征的特點(diǎn)。通過訓(xùn)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(zhuǎn)換成了象征性的符號(hào)標(biāo)記,然后在數(shù)據(jù)庫中進(jìn)行檢索。實(shí)驗(yàn)結(jié)果表明了高斯混合