基于長時特征的魯棒聲學事件檢測.pdf

1、聲學事件是指一段單一完整并能引起人們感知注意的連續(xù)聲音信號,而對這樣的信號進行檢測即是聲學事件檢測。隨著便攜式攝像機與視頻網(wǎng)站的迅猛發(fā)展,聲學事件檢測在各領域的應用日趨廣泛,例如個性化多媒體搜索、數(shù)字圖書館、網(wǎng)絡管理與信息安全等。近年來,盡管研究者們提出了很多聲學事件檢測方法,但由于采集設備、采集環(huán)境與傳輸條件等的千差萬別,新環(huán)境下的音頻數(shù)據(jù)日趨繁雜,使得類內(nèi)數(shù)據(jù)差異較大而類間數(shù)據(jù)更加易混,從而導致傳統(tǒng)識別方法的性能急劇下降,因此迫切需

2、要研究當前環(huán)境下的魯棒聲學事件檢測方法。
　　本文針對上述問題,從特征和模型等不同層面逐一展開研究,提出了一系列解決方法,主要的研究內(nèi)容包括:
　　1.提出了基于基頻段長時統(tǒng)計特征的聲學事件檢測方法?？紤]到多數(shù)聲學事件長度不等,但大多由發(fā)音幀組成,因此嘗試取代以往識別中常用的固定時長單元,而采用不定時長的基頻段作為識別的最小單位。在此基礎上,提出了包括基頻的均值、方差、直方圖、時序及韻律等統(tǒng)計特征。實驗表明,與傳統(tǒng)定長特征相

3、比,基頻段特征能夠有效的提高聲學事件檢測的準確率與召回率。
　　2.提出了基于偽高斯混合模型與異質(zhì)混合模型的聲學事件檢測方法。傳統(tǒng)的高斯混合模型是在原始空間中使用單一的分布來對數(shù)據(jù)進行密度估計,其不適合繁雜的數(shù)據(jù)環(huán)境。為此,本文將傳統(tǒng)的混合模型加以推廣,提出了偽高斯混合模型與異質(zhì)混合模型。前者通過在特征之間引入非線性度量,在高維空間中對數(shù)據(jù)建立高斯混合模型,從而使低維空間中不可分的復雜數(shù)據(jù)在高維映射空間中能夠分開;后者通過引入不同

4、的分布,建立異質(zhì)的混合模型,使分布之間優(yōu)勢互補,從而能夠選擇最適合的分布對不同數(shù)據(jù)進行建模。實驗結(jié)果表明,所提出的推廣混合模型更適合復雜數(shù)據(jù),識別效果優(yōu)于傳統(tǒng)的高斯混合模型。
　　3.提出了基于稀疏與低秩特征的聲學事件檢測方法。傳統(tǒng)的事件檢測方法中,特征受外界噪聲的影響較大,在繁雜數(shù)據(jù)情況下性能會明顯下降。本文基于稀疏編碼理論提出了基于稀疏分解的魯棒音頻特征,它較好的模擬了人耳的聽覺特性,對噪聲有良好的魯棒性。進一步,考慮到長時特

5、征對判決有較大的幫助,亦將短時的稀疏特征推廣到長時的多維表示,提出了具有低秩性質(zhì)的矩陣及張量音頻特征。由于低秩特征對環(huán)境具有一定的不敏感性,能夠表示聲學事件在不同噪聲環(huán)境,特別是隨機大幅噪聲下的不變性,因此具有較好的魯棒性。實驗結(jié)果表明,所提出的特征均取得了比傳統(tǒng)音頻特征較優(yōu)的識別性能。
　　4.針對傳統(tǒng)支持向量機方法不能充分利用矩陣與張量數(shù)據(jù)中結(jié)構(gòu)信息的問題,通過推廣傳統(tǒng)的基于最大邊際分類準則的分類方法,提出了基于松弛邊際模型的

6、聲學事件檢測方法。它通過將支持向量機的最大邊際分類原則與跡范限制相結(jié)合,直接在原始空間中對低秩音頻特征進行分類,有效的利用矩陣與張量特征中的結(jié)構(gòu)信息。并且它能夠在最大化邊界的同時,最小化分類器在低秩及歐式度量下的復雜程度。與目前最優(yōu)的矩陣和張量分類方法相比,所提出的算法在聲學事件檢測任務上取得了較優(yōu)的性能。
　　5.提出了基于并行訓練的聲學事件檢測方法。由于當前的音頻數(shù)據(jù)量大,且大多為流媒體形式,傳統(tǒng)的基于一次性加載數(shù)據(jù)的批處理訓