[发明专利]基于卷积神经网络与随机森林分类的声音场景识别方法

说明书

本发明涉及一种基于卷积神经网络与随机森林分类的声音场景识别方法。首先，声音场景通过Mel滤波器生成Mel能量谱及其片段样本集；然后，利用片段样本集对CNN进行两阶段训练，截断全连接层的特征输出，得到片段样本集的CNN特征；最后，用随机森林对片段样本集的CNN特征进行分类，得到最终识别结果。相关实验结果表明，本发明方法在IEEE DCASE2016声音场景评估数据集上的识别率既优于Mel频率倒谱系数特征结合高斯混合模型(MFCC‑GMM)的基准方法，也优于现有的相关识别方法。

技术领域

本发明涉及一种基于卷积神经网络与随机森林分类的声音场景识别方法。

背景技术

声音场景识别，就是通过对音频信号进行分析，实现对声音场景的感知。作为分析环境信息的关键环节之一，它在场景识别，前景、背景声音识别和分离等方面有着广泛的应用。近年来，已经有相关研究将声音场景识别用来提升终端对情景的自主感知能力^[1][2][3]。如手机检测场景声音，实现在会议情景下自动静音；在吵杂的室外环境加大通话和铃声音量；自动驾驶系统通过周围的环境声音来分析场景并实现安全驾驶等。

对于声音场景的识别，一般首先提取声谱特征或Mel频率倒谱系数(Mel-frequency cepstral coefficients,MFCC)等特征，然后利用支持向量机(SupportVectorMachine,SVM)，高斯混合模型(GaussianMixture Model,GMM)，深度神经网络(DeepNeuralNetworks,DNN)以及卷积神经网络(ConvolutionalNeuralNetworks,CNN)等分类器进行建模和分类^[4]。近期典型的有：Kong等人^[5]抽取场景声音的Mel声谱特征结合DNN实现对场景的分类。Benjamin等人^[6]抽取场景声音的短时MFCC特征，通过GMM和最大后验估计学习特征分布将其转化为低维特征，使用SVM进行分类。Valenti等人^[7]对IEEEDCASE2016所规定使用的声音场景数据库^[8]中的场景声音进行不同长度的分割，然后提取了Mel能量谱，利用CNN进行声音场景识别。Bae等人^[9]将CNN和长短时记忆(Long Short-TermMemory,LSTM)进行结构上的联合特征提取，再使用DNN进行进一步对声音场景分类。Lidy等人^[10]使用Constant-Q transform(CQT)生成场景声音相应的声谱图，然后用双CNN并行的方式对声音场景进行建模和分类等。其中，Valenti^[7]与Bae^[9]等人结合CNN的方法取得了较高的识别率。

然而，基于CNN的相关方法中有以下缺点：1)识别效果依赖于设置分割的长度，长度不同引起的识别率变化将导致CNN模型不稳定，且在新数据集上需要多次调整分割参数，产生的效果带有一定偶然性。2)进行复杂结构的神经网络联合加剧模型的复杂度，使得模型难以训练。

针对这些缺点，本文根据IEEE DCASE2016中关于声音场景分类问题，提出卷积神经网络与随机森林结合的识别方法，使用随机森林对CNN中间特征进行识别。

发明内容

本发明的目的在于提供一种基于卷积神经网络与随机森林分类的声音场景识别方法，该方法在IEEEDCASE2016声音场景评估数据集上的识别率既优于Mel频率倒谱系数特征结合高斯混合模型(MFCC-GMM)的基准方法，也优于现有的相关识别方法。

为实现上述目的，本发明的技术方案是：一种基于卷积神经网络与随机森林分类的声音场景识别方法，首先，声音场景通过Mel滤波器生成Mel能量谱及其片段样本集；然后，利用片段样本集对CNN进行两阶段训练，截断全连接层的特征输出，得到片段样本集的CNN特征；最后，用随机森林对片段样本集的CNN特征进行分类，得到最终识别结果。