基于錨空間的音頻場景識別方法研究.pdf

1、隨著現(xiàn)代信息技術(shù)，特別是數(shù)字信號處理技術(shù)、網(wǎng)絡(luò)多媒體技術(shù)的迅猛發(fā)展，越來越多的聲音信號被數(shù)字化處理，并以各種音頻格式存在。基于此，人們迫切地需要能夠在音頻數(shù)據(jù)流中對音頻內(nèi)容進(jìn)行識別和理解的有效技術(shù)手段，從而高效地利用這些音頻資源，并為各種智能系統(tǒng)提供基于聲音的決策依據(jù)信息。
　　音頻場景是指語義上相關(guān)，時間上相鄰的若干聲學(xué)事件所組成的一個音頻片段，此片段總是蘊含著高層抽象概念和特定的語義表達(dá)。音頻場景識別是對音頻語義內(nèi)容高層次的識

2、別和理解，該技術(shù)可廣泛應(yīng)用于信息內(nèi)容安全、智能監(jiān)控、無人駕駛車輛、智能會議室等領(lǐng)域。傳統(tǒng)的音頻場景識別方法，如高斯混合模型方法等，一般在短時上進(jìn)行建模和識別，在長時上根據(jù)短時得分進(jìn)行綜合判決。這種方法忽略了聲學(xué)內(nèi)容在長時上的分布特性，且不適用于目標(biāo)聲學(xué)內(nèi)容與非目標(biāo)內(nèi)容混雜的情況。本文提出了三種在長時上進(jìn)行建模的錨空間音頻場景識別方法，并設(shè)計了一個識別任務(wù)對這三種方法的性能進(jìn)行了驗證，在一段娛樂節(jié)目中根據(jù)音頻尋找“令人激動”的場景片段，該

3、場景一般對應(yīng)較激烈的歡笑聲和鼓掌聲等。
　　錨可以看作一個類別的原型表示，是根據(jù)信號產(chǎn)生的矢量到類別的一種映射關(guān)系。本文提出了三種面向音頻場景的錨空間構(gòu)造方法，并設(shè)計了相應(yīng)的場景識別方法：1）基于狀態(tài)變化統(tǒng)計量的錨空間音頻場景識別方法。此方法將音頻特征在時序上的變化量轉(zhuǎn)化為若干變化狀態(tài)，基于這些變化狀態(tài)的統(tǒng)計信息張成錨空間，每個目標(biāo)音頻文件在此錨空間中映射成一個錨矢量，將此錨矢量當(dāng)作目標(biāo)場景的一個模板，從而構(gòu)成目標(biāo)場景庫；2）基于

4、高斯混合模型的錨空間音頻場景識別方法。訓(xùn)練數(shù)據(jù)的目標(biāo)音頻文件訓(xùn)練得到目標(biāo)高斯混合模型，集外音頻文件訓(xùn)練得到集外高斯混合模型，基于各高斯分量的均值矢量張成錨空間，通過計算余弦距離將音頻幀映射到錨空間中的一個點，求全部目標(biāo)場景文件各幀在錨空間中的樣本均值作為錨模板，目標(biāo)場景由此錨模板表示；3）基于稀疏分解的錨空間音頻場景識別方法。訓(xùn)練數(shù)據(jù)的目標(biāo)音頻文件訓(xùn)練得到目標(biāo)字典，集外音頻文件訓(xùn)練得到集外字典，基于其字典原子張成錨空間，稀疏分解得到的稀