[发明专利]声音处理装置、声音处理方法、程序及集成电路

说明书

技术领域

本发明涉及从音频信号中检测频率等特征的变化点的技术。

背景技术

目前需要这样的功能：即对于用户使用数字照相机等拍摄的AV内容，能够将用户不需要的场景跳过而只视听用户期望的场景。

因此，使用AV内容中的声压或频率等声音信息来检测场景与场景之间的变化点（以后称为场景变化点）的技术受到关注。

例如，提出了这样的方法：按照AV内容的每帧，将声音信息作为特征量而定量化，检测帧间的特征量的变化超过阈值的帧来作为场景变化点（参照专利文献1）。

现有技术文献

专利文献

专利文献1：日本特开平5－20367号公报

发明概要

发明要解决的问题

可是，对于用户拍摄的AV内容而言，内容根据用户的想法而富于变化，其结果是应该检测的场景变化点也涉及多个方面。对于这种涉及多个方面的场景变化点，仅使用特定的方法来网罗应该检测的场景变化点是很困难的，而且存在即使使用上述现有的方法也难以检测的场景变化点。

发明内容

因此，本发明的目的在于，提供一种声音处理装置，能够检测利用现有的方法难以检测的场景变化点。

用于解决问题的手段

为了达到上述目的，本发明的声音处理装置的特征在于，该声音处理装置具有：特征计算单元，按照所输入的音频信号的预定时间长度的每个单位区间，计算表示所述音频信号的特征的区间特征；边界计算单元，对于多个所述单位区间中的每个单位区间，计算与包括该单位区间在内的由区间特征相似的多个单位区间构成的相似区间、和其它区间的边界相关的边界信息；以及判定单元，计算所述边界信息所表示的各个边界的优先度，根据所述优先度判定所述各个边界是否是场景变化点。

发明效果

根据本发明的声音处理装置，能够检测对多个单位区间中的每个单位区间设定的相似区间的边界来作为场景变化点。

附图说明

图1是表示构成AV内容的场景和音频信号的具体示例的图。

图2是表示特征量向量的计算方法的图。

图3是表示特征量向量的一例的图。

图4是表示锚定模型的一例的图。

图5是表示两个第1单位区间中的似然度向量的示例的图。

图6是表示第1单位区间与第2单位区间的关系的图。

图7是表示频次向量的一例的图。

图8是表示边界信息计算部计算出的边界信息的一例的图。

图9是横轴表示时刻、纵轴表示边界度的曲线图。

图10是表示具有声音处理装置的影像视听装置的功能构成例的框图。

图11是表示声音处理装置的功能构成例的框图。

图12是表示在计算基准向量时使用的基准区间的一例的图。

图13是使用向量空间的概念来表示基准向量、频次向量和阈值的图。

图14是表示相似区间的时间轴反方向的区间扩展处理的示意图。

图15是表示索引生成部的功能构成例的框图。

图16是表示锚定模型制作装置的功能构成例的框图。

图17是表示声音处理装置的动作的流程图。

图18是表示区间扩展基准指标计算处理的流程图。

图19是表示边界信息计算处理的流程图。

图20是表示索引生成处理的流程图。

图21是表示声音处理装置的功能构成例的框图。

图22是表示边界信息计算部计算出的边界信息的一例的图。

图23是表示索引生成部的功能构成例的框图。

图24是表示索引生成部生成的索引信息的一例的图。

图25是表示影像视听系统的构成例的框图。

图26是表示影像视听系统中的客户端的构成例的框图。

图27是表示影像视听系统中的服务器的构成例的框图。

具体实施方式

<想到本发明的经过>

AV内容根据捕捉场景的粒度，由各种长度的区间构成。例如，假设AV内容是拍摄了聚会的内容，由图1（a）所示的场景构成。并且，假设图1（b）表现了该场景中的音频信号。如图所示，在聚会中存在干杯的场景10及其后续的聚餐的场景20，聚餐的场景20又由主要在就餐的场景21、和主要在畅谈的场景22构成。场景20是从主要在就餐的场景21向主要在畅谈的场景22转变的过渡场景。