[发明专利]一种声场景分类中融合类间标准差的特征提取方法

说明书

本发明一种声场景分类中融合类间标准差的特征提取方法，包括：步骤1，基于传统方式的特征提取：计算原始音频的频谱图，基于传统滤波器降采样，得到降采样后的特征频谱图P1；步骤2，基于类间标准差的特征提取：计算原始音频的频谱图，基于类间频域标准差滤波器降采样，得到降采样后的类间标准差特征频谱图P2；步骤3，基于类间标准差的特征融合：将步骤1中的特征频谱图P1和步骤2中的特征频谱图P2进行拼接，作为声场景分类模型的输入。本发明提高声场景分类准确率的方案，克服了现有声场景分别率不高的问题；首创通过类间标准差提取特征，并与其他特征融合，提高系统的识别性能。本发明的系统结构简单，实施便捷。

技术领域

本发明涉及声音信号分析领域，尤其涉及一种声场景分类中融合类间标准差的特征提取方法。

背景技术

近年来，在音频研究领域中，在广大学者的关注下，语音识别这项任务已经取得了很大的进步，然而对于非语音比如环境声音亦含有重要的信息，所以对于它们的分析和理解也同样重要。声学场景分类(Acoustic scene classification,ASC)这个概念的就是通过分析语音片段，从而识别出这个语音片段录制的环境，给这段音频赋予对应的环境语义标签。如公园、地铁、办公室等。ASC的主要研究目标是让计算机能够像人类的听觉系统一样，通过分析声音来理解周围的环境，是与计算声学场景分析(Computational AudioScene Analysis,CASA)相关的一个研究方向，同时也与机器学习、机器人技术、模式识别和人工智能等领域相关联。ASC的主要目的是理解这段音频的背景环境，在需要针对环境变化而提供不同服务的系统设计上，应用ASC可以提供更智能更人性化的服务。

ASC作为一个典型的分类问题，主要由两部分组成：信号预处理和特征提取、声学模型(Acoustic Model，AM)训练与模式匹配。以原始的音频信号作为输入，经过信号预处理后，对音频数据进行分析计算，提取鲁棒性强的特征向量。声学模型以特征提取部分的特征为输入，通过一些分类算法将这些特征进行分类得到最后的识别结果，声学场景分类最后的正确率取决于特征，所以如何提取特征，使得它能够代表这些声学场景是一个重要问题。现阶段对原始音频数据进行特征提取，用作分类的声学特征有以下两大类：短时特征和长时特征。短时特征既可以在时域提取，如短时平均过零率、短时能量，也可以在将时域信号变换到频域，在频域提取线性预测系数(Linear Prediction Coefficient,LPC)和梅尔倒谱系数(Mel Frequency CepstralCoefficents，MFCC)；长时特征多为对音频段整体进行统计分析，如一些频谱质心、低能量率等这些长时统计特性。1997年麻省理工学院多媒体实验室的Sawhnney和Maes用循环神经网络和K-近邻准则去构建这些音频底层特征和场景类别之间的映射，最终达到了68％的分类准确率。Guo。对语音进行分帧加窗，对每帧的数据提取了两类特征，一类是感知特征：如整个频带的能量、子带能量、基因特征等，第二类是MFCC。在提取特征之后，通过支持向量机(Support Vector Machine，SVM)和二叉树的识别策略进行声学场景的识别。Kyuwoong等人使用参数较少的高斯直方图作为一小段音频的特征，Kullback-Leibler距离作为两个高斯直方图之间的距离度量，然后使用K近邻算法进行分类。深度神经网络被应用在声学场景分类的任务上的起步很晚，但是实验结果表明卷积神经网络(Convolutional Neural Network,CNN)比传统的基于高斯混合模型(Gaussianmixture model,GMM)和SVM的模型能产生更好的识别结果。CNN被用在图像识别领域，直接将原图像作为输入，避免了人工提取特征不准确的问题。音频中常见提取特征是梅尔谱，梅尔谱是基于人耳对频率感知的分辨率提取的频谱图，而各频率成分的声学场景辨析度可能和感知分辨率不完全一致，仅采用单一特征频谱作为CNN特征输入，存在特征表达不够充分的问题，会影响声学场景分类的识别率。

发明内容