[发明专利]一种音频场景识别方法、系统及装置

权利要求书

1.一种音频场景识别方法，其特征在于，所述方法包括：

获取待识别音频；

对所述待识别音频进行小波特征提取，以确定所述待识别音频对应的小波特征；

将所述待识别音频对应的小波特征输入至具有残差网络结构的神经网络嵌入特征提取器中，以得到至少一个深度嵌入特征序列；

将所述待识别音频对应的小波特征以及所述至少一个深度嵌入特征序列一并输入至神经网络分类器中，以确定出所述待识别音频所对应的音频场景；

其中，所述神经网络分类器包括特征拼接层和全连接分类层，所述全连接分类层包括至少一个全连接映射层和结果输出层；

所述将所述待识别音频对应的小波特征以及所述至少一个深度嵌入特征序列一并输入至神经网络分类器中，以确定出所述待识别音频所对应的音频场景，包括：

将所述待识别音频对应的小波特征以及所述至少一个深度嵌入特征序列输入至所述特征拼接层进行拉伸拼接，以构成一维深度特征向量；

将所述一维深度特征向量输入至所述至少一个全连接映射层，以确定音频场景分类特征；

将所述音频场景分类特征输入至所述结果输出层，以确定出各个音频场景的概率值；

根据所述各个音频场景的概率值，确定出所述待识别音频所对应的音频场景。

2.根据权利要求1所述的方法，其特征在于，所述对所述待识别音频进行小波特征提取，以确定所述待识别音频对应的小波特征，包括：

确定所述待识别音频对应的频谱；

将所述频谱通过多个小波滤波器得到所述待识别音频对应的小波特征。

3.根据权利要求2所述的方法，其特征在于，所述确定所述待识别音频对应的频谱，包括：

对所述待识别音频进行预加重；

对预加重后的所述待识别音频进行分帧加窗，确定出多帧预加重后的所述待识别音频；

针对所述多帧预加重后的所述待识别音频中的每一帧进行快速傅里叶变换，以确定出各帧对应的频谱。

4.根据权利要求2所述的方法，其特征在于，所述将所述频谱通过多个小波滤波器得到所述待识别音频对应的小波特征，包括：

对所述频谱进行取平方，以确定能量谱；

将所述能量谱输入至所述多个小波滤波器，得到所述待识别音频对应的小波特征。

5.根据权利要求1-4任意一项所述的方法，其特征在于，所述小波特征为所述待识别音频中各帧对应的小波特征谱图；或所述小波特征为所述待识别音频对应的小波特征序列，所述小波特征序列包含各帧对应的小波特征谱图。

6.根据权利要求1所述的方法，其特征在于，所述具有残差网络结构的神经网络嵌入特征提取器包括：至少一个网络块，其中，每个网络块包含双路卷积层，所述双路卷积层具有两条卷积路径，每个网络块将该网络块中两条卷积路径的结果进行合并，以确定该网络块输出的深度嵌入特征序列。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在训练阶段，若所述全连接映射层的数量大于或等于2，除最后一个全连接映射层之外的其它全连接映射层采用随机失活的方式，以预设概率屏蔽部分神经元。