[发明专利]基于语义分割编解码网络的声学场景分类方法

说明书

本发明公开了一种基于语义分割编解码网络的声学场景分类方法，包括如下步骤：S10，分别提取待识别音频数据的梅尔声谱图和标准声谱图；S20，在分别对所述梅尔声谱图和所述标准声谱图进行归一化处理后，将归一化处理后的梅尔声谱图和标准声谱图进行融合处理，得到融合特征；S30，将所述融合特征分别输入SegNet声学模型和UNet声学模型；S40、获取所述SegNet声学模型的第一输出结果以及所述UNet声学模型的第二输出结果，根据所述第一输出结果和第二输出结果确定所述第二输出结果中各个单元音频的声学场景。采用本方法能够使待识别音频数据中的各个单元音频均准确地确定相应声学场景，可以提高声学场景的识别性能。

技术领域

本发明涉及声音信号处理技术领域，尤其涉及一种基于语义分割编解码网络的声学场景分类方法。

背景技术

环境声音或背景声音是一个丰富、未被完全发掘的信息源，其提供了一种了解人类活动、通讯方式以及所处环境的途径。近年来，环境声音有着许多的实际应用，许多研究者试图通过音频信息使移动机器人获得更好的环境感知能力，让机器人获得听觉，其还被应用在机器人巡航、机器人辅助、音频检索，以及其他基于情景感知、可穿戴设备上，如智能手机可以根据使用者所处环境自动切换提醒方式、根据使用者所在位置提供有用信号。

而针对环境声音所进行的声学场景分类，其目的就是通过环境声音对声学场景进行分类，从而使得智能对象或设备可以直接利用从声学场景中提取的信息来调整系统或应用程序参数或行为，以满足消费者对不同环境和个性化的需求。

声学场景是指具有一定时长、一定语义环境的连续语音片段，即某些特定场景中产生的特定声学信号组成的一组声音，如公园、办公室和机场等环境。声学场景分类(Acoustic Scene Classification，ASC)是对记录环境声音的输入音频流分配一个预定义类别标签的过程(如图1所示)，以此表征记录的环境，作为一个感知周围环境的有效方法，被广泛应用于机器人导航、移动机器人的情景感知中。传统方案往往依据背景音进行相应声学场景的识别，存在识别准确率差的问题，影响相应地识别性能。

发明内容

针对以上问题，本发明提出一种基于语义分割编解码网络的声学场景分类方法。

为实现本发明的目的，提供一种基于语义分割编解码网络的声学场景分类方法，包括如下步骤：

S10，分别提取待识别音频数据的梅尔声谱图和标准声谱图；

S20，在分别对所述梅尔声谱图和所述标准声谱图进行归一化处理后，将归一化处理后的梅尔声谱图和标准声谱图进行融合处理，得到融合特征；

S30，将所述融合特征分别输入SegNet声学模型和UNet声学模型；所述SegNet声学模型为依据融合特征输出待识别音频数据中各个单元音频的参考声学场景，以及各个单元音频相对于相应参考声学场景的准确度的一种网络模型；所述UNet声学模型为依据融合特征输出待识别音频数据中各个单元音频的参考声学场景，以及各个单元音频相对于相应参考声学场景的准确度的另一种网络模型；

S40、获取所述SegNet声学模型的第一输出结果以及所述UNet声学模型的第二输出结果，根据所述第一输出结果和第二输出结果确定所述第二输出结果中各个单元音频的声学场景。

在其中一个实施例中，上述基于语义分割编解码网络的声学场景分类方法，还包括：

在将所述待识别音频数据预处理成设定格式的音频数据后，执行分别提取待识别音频数据的梅尔声谱图和标准声谱图的过程；所述设定格式包括：左声道、右声道、双声道融合或者双声道相减。

在其中一个实施例中，所述提取待识别音频数据的梅尔声谱图包括：

对所述待识别音频数据进行傅里叶变换转换到频域上，采用梅尔频率滤波器对应频域信号进行处理，得到所述梅尔声谱图。