音乐特征提取.docVIP

声音媒体是除视觉媒体外最重要的媒体，占有总信息量的20%左右，语音和音乐是最常见的声音媒体。对声音进行数字化处理得到的结果称为音频。声音其实是一种正弦波，故具有振幅、频率、相位等特性。但由于声音是我们所能感觉到的媒体，因此声音具有物理和心理两种属性，并且是相互关联的。物理属性与波形有关，包括声强、频率、声波复合、谐波结构等属性。心理属性则与我们的感觉有关，且因人而异，包括强度、音调、音色、音量、和谐 等属性。在音频检索中，需要特征提取、音频分割、音频检索这几个关键技术。 特征提取 人耳听到的音频是连续模拟信号，而计算机只能处理数字化的信息，所以模拟连续音频信号要经过离散化即抽样后才变成计算机处理的采样离散点。在音频处理中，一般假定 音频信号特性在很短时间区间内变化是很缓慢的，所以在这个变化缓慢的时间内所提取的音频特征保持稳定。这样，对音频信号进行处理的一个基本概念就是将离散音频信号分成 一定长度单位进行处理，即将离散音频采样点分成一个个音频帧。这种方法就是音频信号“ 短时”处理方法，一般一个“短时”音频帧持续时间长度约为几到几十微秒。假设用x =（x（1），?x（n），?，x（K））表示一段连续音频信号流x 采样后的离散音频信号，这意味着从此连续音频信号中得到了K 个采样数据，其中x（n）是时刻n（1SnSk）得到的数据。在“短时”处理时候，假设将这K 个数据分成L组，每一组就是一帧，每一帧包含［K/ L］个采样点。如果从每一帧的［K/ L］个采样点可以提取nfeature 个特征，最后得到L*nfeature 个特征就构成了音频数据x 的特征，这些特征被用来对音频数据流x 进行分割、识别与检索。 频域特征提取 音频频域特征有多种，常用的有线性预测倒谱系数(LinearPredictive Cepstrum Coefficient，LPCC)或Mel频率倒谱系数。通常MFCC参数更符合人耳的听觉特性，在有信道噪声和频谱失真情况下，能产生更高的识别精度嗍。MFCC在语音领域中得到广泛的应用。它是音频数据经z变换和对数处理后得出的结果，一般每段数据取12个系数，可以较好地表现每帧的特征。MFCC将人耳的听觉系统和语音的产生系统相结合，在～定程度上模拟了人耳对声音的处理特点，具有很好的识别效果。其处理过程如图I所示：(1)将每帧音频信号进行傅氏变 换得其频谱；(2)用Mel滤波器组在频域进行带通滤波，并对每个频带的能量叠加得到频谱能量算(J})；(3)将滤波器组的输出 能量取对数，然后做离散余弦变换，即得到MFCC特征由于MFCC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内的静态特征，音频信号的动态特征可以用这些静念特征的差分来描述，把前后相邻帧的MFCC特征相减，就得到一阶差分MFCC系数。它可以反映这个音频的动态特征。把这些动态特征和静态特征一起组成音频的特征向 量，能够相互弥补，很大程度可以提高改善系统的识别性能。本文采用的就是把12维MFCC系数及2维一阶差分MFCC系数共同作为音频的频域特征。