[发明专利]一种基于数据增强的声场景辨识方法

说明书

本发明公开了一种基于数据增强的声场景辨识方法，包括下列步骤：首先采集并标注不同声场景的音频样本；然后预处理，对音频样本进行预加重、分帧和加窗处理；接着进行数据增强，提取各音频样本的谐波源和冲击源，得到更充足的音频样本，从音频样本及其谐波源和冲击源中提取对数梅尔滤波器组特征，再将上述三个特征堆叠成一个三通道的高维特征，接着采用混合增强技术构造更丰富的训练样本；最后将上述三通道高维特征输入到Xception网络进行判决，辨识出各音频样本所对应的声场景。本发明的数据增强方法可以有效提高Xception网络分类器的泛化能力，稳定网络的训练过程。在对声场景进行辨识时，本方法可取得更优的辨识效果。

技术领域

本发明涉及音频信号处理和深度学习技术领域，具体涉及一种基于数据增强的声场景辨识方法。

背景技术

音频信号含有丰富的信息，并具有非接触性、自然性的优势。声场景则是音频信号在语义层面上的高级表示。声场景辨识的任务是将语义标签和音频流相关联，标识声音产生环境的类别。该技术能使智能设备根据声音感知周围环境，从而做出恰当的决策。目前音频数据海量增长，由于人工标注数据非常耗时耗力，因此有准确标签的音频样本非常少。没有标签的音频样本是不能直接用来训练分类器的。如何基于有限的有标签音频样本构造更加多样性的训练数据从而构建更具泛化能力的分类器，是目前声场景辨识任务需要解决的主要问题之一。目前主要采用人工标注的方式增加有标签数据的多样性，但人工标注成本非常高。另外，在不同的分类任务中需要重新标注数据样本，不具备通用性，使得人工标注的成本更加高。为了克服人工标注数据成本高、有标签训练数据不足的问题，目前亟待采用数据增强的方法，增加有限的有标签音频数据的多样性，从而提高对复杂分类器的适应性及其泛化能力。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于数据增强的声场景辨识方法，该方法对音频数据集进行数据增强处理，并将其相应堆叠后得到的三通道高维声学特征输入Xception网络分类器进行训练，训练完毕后对测试集数据进行测试，实现声场景辨识。

本发明的目的可以通过采取如下技术方案达到：

一种基于数据增强的声场景辨识方法，所述的声场景辨识方法包括：

S1、音频样本准备步骤，利用录音设备在不同声场景采集音频样本，并进行人工标注，然后将上述音频样本划分为训练集和测试集；

S2、预处理步骤，分别对训练集和测试集中音频样本进行预加重、分帧、加窗处理；

S3、数据增强步骤，分离各音频样本的谐波源和冲击源，再分别提取音频样本、谐波源、冲击源的对数梅尔滤波器组特征，再将上述三个对数梅尔滤波器组特征堆叠成一个三通道的高维特征，接着采用混合增强技术构造新的训练样本数据；

S4、声场景辨识步骤，将上述各音频样本的三通道高维特征输入已训练好的Xception网络，得到各音频样本的声场景类别。

进一步地，所述的S1、音频样本准备步骤过程如下：

S1.1、利用录音设备采集音频数据：在不同场景放置录音设备，记录相应场景的音频样本，其采样频率为16kHz，量化位数为16bit；

S1.2、划分数据集：将标注好的音频样本随机划分为不相交的训练集与测试集，其中训练集占比约为80％，测试集占比约为20％。

进一步地，所述的S2、预处理步骤过程如下：

S2.1、预加重：利用数字滤波器对输入音频进行滤波，该滤波器的传递函数为：

H(z)＝1-az^-1，

其中a为常数，取值为0.96；

S2.2、分帧：将预加重后的音频按照帧长40ms切分成音频帧，帧移为20ms；