[发明专利]一种面向重叠声音事件检测的音频高层语义特征提取方法及系统

权利要求书

1.一种面向重叠声音事件检测的音频高层语义特征提取方法，其特征在于，包括以下步骤：

步骤S1：构建音频文件训练数据集，针对训练集中的不同场景的音频文件，选取梅尔能量特征构成输入矩阵；

步骤S2：构建CBG深度卷积神经网络，将步骤S1得到的输入矩阵输入CBG深度卷积神经网络中，进行训练；

步骤S3：对给定的音频文件，提取其梅尔能量特征，输入训练好的CBG深度卷积神经网络中，得到高层语义特征输出。

2.根据权利要求1所述的一种面向重叠声音事件检测的音频高层语义特征提取方法，其特征在于，步骤S1具体为：

步骤S11：构建音频高层语义特征提取网络的训练数据集；

步骤S12：对音频文件每隔1.2秒切分一个音频片段，对每一个音频片段标注其包含的多种声音事件；

步骤S13：对每个音频片段，按照帧长40ms、帧移20ms的方式得到61个音频帧，逐帧计算梅尔能量特征，每帧提取123维的梅尔能量特征，合并形成61帧123×1维大小的浅层梅尔能量特征序列，构成输入矩阵。

3.根据权利要求1所述的一种面向重叠声音事件检测的音频高层语义特征提取方法，其特征在于，所述训练数据集采用数据集TUT-SED 2016Home、TUT-SED 2016Residential和TUT-SED 2017Street。

4.根据权利要求1所述的一种面向重叠声音事件检测的音频高层语义特征提取方法，其特征在于，步骤S2具体为：

步骤S21：构建CBG深度卷积神经网络，该CBG深度卷积神经网络包括3层；第一层，通过卷积层提取抽象特征，激活函数为Relu，使用128个卷积核，大小为(3，3)，边界填充采用的方式为same，再通过大小为1×5的最大池化层降低特征维度；第二层与第三层，通过卷积层提取抽象特征，激活函数为Relu，使用128个卷积核，大小为(3，3)，边界填充为相同的方式，并通过大小为1×2的最大池化层降低特征维度；

步骤S22：把步骤S1构建好的61帧123×1维大小的浅层梅尔能量特征序列输入构建好的CBG深度卷积神经网络，进行网络训练，每个音频片段经由CBG深度卷积神经网络后得到61×768的高层语义特征。

5.根据权利要求1所述的一种面向重叠声音事件检测的音频高层语义特征提取方法，其特征在于，步骤S3具体为，对于给定的音频文件，每隔61帧，提取相应底层物理特征输入CBG卷积网络，得到按顺序输出的61×768维大小的高层语义特征。

6.一种面向重叠声音事件检测的音频高层语义特征提取系统，包括存储器与处理器，所述存储器中存储有能够被处理器运行的计算机程序，其特征在于，当处理器运行该计算机程序时，实现如权利要求1-5任一项所述的方法步骤。

7.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序，其特征在于，当处理器运行该计算机程序时，实现如权利要求1-5任一项所述的方法步骤。