[發(fā)明專利]基于交叉熵的音頻指紋快速搜索方法

無效

• 申請?zhí)枺?/td>: 200910241366.7
• 申請日: 2009-12-07
• 公開（公告）號: CN101853262A
• 公開（公告）日: 2010-10-06
• 發(fā)明（設(shè)計）人: 歐智堅;林暉
• 申請（專利權(quán)）人: 清華大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京眾合誠成知識產(chǎn)權(quán)代理有限公司 11246
• 代理人: 朱琨

1.基于交叉熵的音頻指紋快速搜索方法，其特征在于，是在計算機中依次按以下步驟實現(xiàn)的：

步驟(1)計算機初始化：

設(shè)置：共分量高斯混合模型生成模塊，基于共分量高斯混合模型的音頻指紋提取模塊，廣義動態(tài)時序比對模塊，其中：

所述共分量高斯混合模型生成模塊，使用事先采集好的約100個小時的音頻數(shù)據(jù)，進行最大似然參數(shù)估計，創(chuàng)建一個共分量高斯混合模型；

所述音頻指紋提取模塊，基于所述共分量高斯混合模型提取音頻指紋，并且用交叉熵衡量音頻指紋間距離；

所述廣義動態(tài)時序比對模塊，以滑動窗方式將用戶指定音頻段與輸入音頻流進行指紋比較，判斷音頻流中是否包含有指定音頻段。

步驟(2)按以下步驟創(chuàng)建一個共分量高斯混合模型：

步驟(2.1)事先采集好約100個小時的音頻數(shù)據(jù)。經(jīng)過短時傅立葉分析，以10毫秒為一幀提取一個倒譜特征矢量。

步驟(2.2)利用步驟(2.1)得到的倒譜特征矢量集，進行最大似然參數(shù)估計，創(chuàng)建一個共分量高斯混合模型。該模型包含M個高斯分布作為其分量，以及M個權(quán)重系數(shù)，M的取值為512：

{ω_i^(u)，μ_i^(u)，∑_i^(u)}_{i＝1，...，M}

其中μ_i^(u)，∑_i^(u)表示第i個高斯分量的均值矢量和協(xié)方差矩陣，ω_i^(u)表示第i個高斯分量的權(quán)重系數(shù)，i＝1，…，M，上標u標識此共分量高斯混合模型。

步驟(3)按以下步驟對用戶指定音頻段進行預處理：

步驟(3.1)向計算機輸入用戶指定音頻段c，時間長度為幾秒，經(jīng)過短時傅立葉分析，以10毫秒為一幀提取一個倒譜特征矢量。這樣，音頻段c用一個倒譜特征矢量序列{x_n^(c)}_{n＝1，...，W}來表示，W表示音頻段c的幀數(shù)，n＝1，…，W表示音頻段c的各幀的序號，上標c標識此音頻段c。

步驟(3.2)按下式計算共分量高斯混合模型的第i個高斯分量在音頻段c的第n幀的權(quán)重系數(shù)ω_i，n^(c)，n＝1，…，W：

ωi,n(c)=ωi(u)Ni(xn(c)|μi(u),Σi(u))Σj=1Mωj(u)Nj(xn(c)|μj(u),Σj(u))]]>

其中i＝1，…，M，j＝1，…，M為共分量高斯混合模型的高斯分量的編號，N_i(x|μ_i^(u)，∑_i^(u))表示均值矢量為μ_i^(u)，協(xié)方差矩陣為∑_i^(u)的高斯分布概率密度函數(shù)。

按下式計算第i個高斯分量在音頻段c中各幀的權(quán)重系數(shù)的算術(shù)平均值，用ω_i^(c)表示：

ωi(c)=1WΣn=1Wωi,n(c),]]>

計算得到的各個高斯分量的權(quán)重系數(shù)的算術(shù)平均值組成一個矢量{ω_t^(c)}_{i＝1，...，M}，將該矢量作為音頻段c的低維表示一音頻指紋。

步驟(4)以滑動窗方式將用戶指定音頻段c與被測試音頻流s進行指紋比較：

步驟(4.1)在設(shè)定的小時數(shù)內(nèi)，向計算機輸入被測試音頻流s，經(jīng)過短時傅立葉分析，以10毫秒為一幀提取一個倒譜特征矢量。這樣，被測試音頻流s用一個倒譜特征矢量序列{x_t^(s)}_{t＝1，...，T}來表示，T為被測試音頻流s的幀數(shù)，t＝1，…，T表示音頻流s的各幀的序號，上標s標識此音頻流s。

步驟(4.2)按下式計算共分量高斯混合模型的第i個高斯分量在音頻流s的第t幀的權(quán)重系數(shù)ω_i，t^(s)，t＝1，…，T：

ωi,t(s)=ωi(u)Ni(xt(s)|μi(u),Σi(u))Σj=1Mωj(u)Nj(xt(s)|μj(u),Σj(u))]]>

其中i＝1，…，M，j＝1，…，M為共分量高斯混合模型的高斯分量的編號。N_i(x|μ_i^(u)，∑_i^(u))表示均值矢量為μ_i^(u)，協(xié)方差矩陣為∑_i^(u)的高斯分布概率密度函數(shù)。

步驟(4.3)設(shè)置l＝1。

步驟(4.4)如果l+W-1＞T，則退出。

步驟(4.5)將音頻流s從第l幀開始的長度為W的一個窗內(nèi)的音頻段{x_t^(s)}_{t＝l，...，l+W-1}，以下稱音頻段s^(l)，與音頻段c進行指紋距離計算。

首先，按下式計算得到音頻段s^(l)的指紋

ωi(s,l)=1WΣt=ll+W-1ωi,t(s),]]>

即第i個高斯分量在音頻段s^(l)中各幀的權(quán)重系數(shù)的算術(shù)平均值作為音頻段s^(l)的音頻指紋的第i維。

然后，按下式計算出音頻段s^(l)的指紋{ω_i^(s，l)}_{i＝1，...，M}與音頻段c的指紋{ω_i^(c)}_{i＝1，...，M}之間交叉熵距離

dKL(l)=Σi=1M(ωis,l-ωi(c))logωi(s,l)ωi(c)]]>

如果d_KL(l)≤θ，則判斷音頻流s從第l幀開始包含了音頻段c，其中θ為一個預設(shè)檢測閾值，取0.01。接著令l＝l+1，回到步驟(4.4)繼續(xù)搜索音頻流s的剩下部分是否還包含有音頻段c。

如果d_KL(l)＞θ，則按下式計算出一個跳躍步長

其中Δ為一個預設(shè)偏移量，取0.001或0.005，表示向下取整。接著令l＝l+τ_KL-skip，回到步驟(4.4)繼續(xù)搜索音頻流s的剩下部分是否還包含有音頻段c。