[发明专利]基于可变时长的音频特征分类方法

说明书

技术领域

本发明属于多媒体信号处理和模式识别技术领域，尤其涉及一种基于可变时长的音频特征分类方法。

背景技术

随着通信技术的不断发展，数字音频处理在移动通信、互联网、广播以及个人电子等多个领域得到了广泛的应用。以音频编解码技术来看，其已经从传统的以窄带话音为主的语音编码，逐渐扩展到带宽扩展质量更高的多媒体音频编码，3G、LTE的兴起也进一步对新一代音频编解码技术在对信道的适应性、传输的可靠性以及编解码质量等方面有了更高的要求。而无论是音频编解码，或是音效编辑制作，音频信号本身所具有的多样性，使得对不同类型的音频信号可能需要选择不同的处理技术。如ITU-T的G.718和G.729.1，就对音频信号分成了语音和音乐两种编码模式，而在之后的G.718-SWB中又添加了对含正弦特性的音频信号的编码模式。由此可以看出，在某些应用场景中，需要先对音频信号进行简单而高效的分类，获知所属类型。

分类时，提取音频信号的短时特征和长时特征。由于音频信号的短时平稳性，通常相比短时特征，长时特征的稳定性和可区分性更好，但缺点是检测延时大，对实时分类系统上的应用有一定局限性。此外，不同特征表现出来的平稳周期可能不一致，若对这些特征都取定同一时长下计算对应的长时特征可能并非最优。

发明内容

本发明的目的在于，针对常用的音频特征分类方法主要采用提取长时特征的技术方案影响实时效果的问题，提出一种基于可变时长的音频特征分类方法，通过提取同一短时特征在不同时长下的同一统计参量构成的可变时长长时特征来训练分类器，并利用训练好的分类器进行音频特征分类。

本发明的技术方案是，一种基于可变时长的音频特征分类方法，其特征是所述方法包括下列步骤：

步骤1：将确定类型并经过标注的音频序列作为训练序列；

步骤2：提取训练序列中的音频信号的短时特征F₁，F₂，...，F_K，构成短时特征向量，K是短时特征向量的分量个数；

步骤3：计算各个短时特征F_k在设定时长内，当前帧和之前的(n-1)帧的短时特征的统计参量，n为设定时长内的总帧数；每个短时特征F_k对应一组由该短时特征的统计参量构成的统计特征向量，进而短时特征向量对应一个统计特征向量，其中；1≤k≤K；

步骤4：选取P个值，N₁，N₂，...，N_P满足N₁＜N₂＜...＜N_P，令n分别等于N₁，N₂，...，N_P，按照步骤3计算得到短时特征向量对应的一组统计特征向量，由该组统计特征向量构成训练序列的长时特征向量：

步骤5：利用训练序列的长时特征向量训练分类器；

步骤6：提取测试序列中的音频信号的短时特征，并按照步骤2和步骤3的方法计算测试序列的第i帧的统计特征向量以及测试序列的；

步骤7：根据测试序列的第i帧的统计特征向量以及测试序列的，计算测试序列的第i帧的输入长时特征向量；

步骤8：将第i帧的输入长时特征向量送入步骤5训练后的分类器中，其输出即为第i帧的分类类型。

所述短时特征包括对数能量、过零率和均匀子带能量分布。

所述当前帧和之前的(n-1)帧的短时特征的统计参量包括当前帧和之前的(n-1)帧的短时特征最大值MaxF_k(n)、最小值MinF_k(n)、算术平均AvgF_k(n)或方差VarF_k(n)中的一个或多个。

所述利用训练序列的长时特征向量训练分类器具体是利用训练序列的长时特征向量训练单个分类器。

所述利用训练序列的长时特征向量训练分类器具体是使用前向特征选择法，在训练序列的长时特征向量中选择有效特征构成有效长时特征向量，并利用有效长时特征向量训练单个分类器。

所述利用训练序列的长时特征向量训练分类器具体是利用训练序列的长时特征向量的分向量各自分别训练同类型的单个分类器后并联构成的分类器组。

所述计算测试序列的第i帧的输入长时特征向量具体利用公式

其中，q＝1，2，L，P-1，中的共有q个，中的共有P-q个。