14-音频特征提取与表达.pptVIP

线性预测系数的平均预测误差 在计算模型系数时，采用如下最小均方误差解法，即定义音频短时帧的平均预测误差 为： 其中 。在该式中令 ， 就可以得到一组线性方程组，解之即可得到最佳的模型参数。 线性预测系数的优缺点 优点 线性预测模型的最大优点是模型求解是一个线性问题，容易计算。 缺点 缺点是模型精度不高，只是近似计算，通过模型模拟（预测）的信号与原始信号存在误差。 Mel倒谱系数 Mel倒谱系数(MFCC, Mel-frequency coefficients)是建立在Fourier和倒谱分析基础上的。该特征计算方法如下： 对短时音频帧中的采样点进行Fourier变换，得到这个短时音频帧在每个频率上的能量大小。如果音频信号的采样率为25kHz，那么由采样定理知，音频帧的最大频率为12.5kHz。把0kHz—12.5kHz的频率按照线性或非线性方法划分为若干个子带。分别计算这n个子带上的总能量，就得到了该短时音频帧的n个Mel系数。如果对提取出来的Mel系数再计算其对应的倒谱系数，就是Mel倒谱系数。 倒谱 功率谱的对数值的逆傅氏变换称为倒谱，以称作功率倒频谱。广泛应用于语音信息处理。倒频谱函数C(q)(power cepstrum)其数学表达式为： Mel倒谱系数 下图是一种频率子带划分的示意图[2]。三角滤波器是计算各子带能量时所用到的滤波器，每个三角滤波器对应一个子带。子带之间有交叠。可以看到，频带的划分是非线性的，高频部分频率子带较宽，低频部分则反之。 Mel倒谱系数 图中对子带划分其决定作用的f[m]计算公式为[2] 其中，N为音频帧长，Fs为采样频率，fl和fh为图中滤波器组的最低和最高频，M为滤波器数目，图中为6，B(f) = 1125ln(1 + f / 700)。 Mel倒谱系数 在提取Mel系数时要注意以下几点 所谓将频率带非线性分为若干频率子带，是指每个子带上的频率宽度是不一样的。 生理学研究表明，人耳就是一个滤波器。人耳这个滤波器对某些频率子带的能量敏感，对某些则不敏感。在求Mel系数时，如何仿照人耳机制对频率带进行非线性划分，是目前提取音频感知特征研究的热点。 特征使用说明 由于LPC, MFCC和Delta倒谱特征是从每个短时音频帧中提取出来的，它们主要反映的是音频在很短时刻内的静态特征，音频信号的动态特征可以用这些静态特征的差分来描述，如前后相邻帧提取的MFCC特征相减，就可以反映这个音频MFCC特征的动态特性。 把这些动态特征和静态特征一起组成音频的特征向量空间，能够互补，可以很大程度改善系统的识别性能。 Clip-Level Features To extract the semantic content, we need to observe the temporal variation of frame features on a longer time scale. Volume-based features: VSTD (volume standard deviation) VDR (volume dynamic range) Percentage of low-energy frames: proportion of frames with rms volume less than 50% of the mean value within one clip NSR (nonsilence ratio): the ratio of the number of nonsilent frames Clip-Level Features ZCR-based features: With a speech signal, low and high ZCR periods interlaced. ZSTD(standard deviation of ZCR) Standard deviation of first order difference Third central moment about the mean Total number of zero crossing exceeding a threshold Difference between the number of zeros crossing above and below the mean values Clip-Level Features Pitch-based features PSTD(standard deviation of pitch: SPR