壓縮域魯棒音樂識(shí)別算法研究.pdf

1、數(shù)字化的音樂伴隨著互聯(lián)網(wǎng)的飛速發(fā)展已經(jīng)成為音樂存儲(chǔ)的主流媒體,并且數(shù)量龐大,按照傳統(tǒng)人工的檢索和識(shí)別音樂,已經(jīng)變得非常困難,并且也不能滿足人們對檢索方式要求。而數(shù)字指紋作為音頻信息檢索的一種自動(dòng)化方式迅速成為了工業(yè)界和學(xué)術(shù)界研究的熱點(diǎn)。數(shù)字音頻指紋是指可以代表一段音樂重要聲學(xué)特征的基于內(nèi)容的緊致數(shù)字簽名,主要目的是建立一種有效機(jī)制來比較兩個(gè)音頻文件的感知聽覺質(zhì)量,可用廣泛的應(yīng)用在在音頻識(shí)別、檢索,內(nèi)容完整性校驗(yàn)等實(shí)際場景。雖然MP3已經(jīng)

2、成為最常見的數(shù)字音樂存儲(chǔ)和傳輸格式,但是絕大多數(shù)已發(fā)表的數(shù)字音頻指紋算法仍是基于非壓縮域如WAV格式的音頻特征,直接作用在壓縮域上的算法尚不多見,且效果一般。
　　在本文介紹了音頻指紋系統(tǒng)的基本知識(shí),應(yīng)用場景,大致系統(tǒng)框架和主流算法。講解了壓縮域內(nèi)的基本知識(shí)及其研究情況。在此之上,我們提出了兩大類壓縮域音頻指紋算法,并給出了實(shí)驗(yàn)原理和結(jié)果。
　　第一類算法使用的特征為壓縮域內(nèi)頻譜熵,該特征主要利用了壓縮域內(nèi)系數(shù)頻譜熵的統(tǒng)計(jì)特

3、性,使得指紋具有較好的穩(wěn)定性。使得原始片段受到處理后,也不會(huì)破壞這種統(tǒng)計(jì)特性,這樣算出的特征依然保留著較強(qiáng)的穩(wěn)定性。
　　第二類算法用到的特征是壓縮域內(nèi)系數(shù)的低階Zemike矩。算法大致過程是使用壓縮域內(nèi)的MDCT系數(shù)構(gòu)成“偽圖片”,計(jì)算“偽圖片”的低Zemike價(jià)矩。而計(jì)算Zernike矩的過程是將原始數(shù)據(jù)進(jìn)行正交分解的過程,依據(jù)Zernike矩的理論特性和實(shí)驗(yàn)證實(shí),高階矩代表了信號(hào)的細(xì)節(jié)分量,容易受到信號(hào)處理的影響,而低階矩則