[发明专利]一种基于朴素贝叶斯模型的乐器种类识别方法和系统

说明书

本发明涉及一种基于朴素贝叶斯模型的乐器种类识别方法和系统，包括以下步骤：S1将待识别的乐曲分为若干音频帧；S2提取音频帧中的时域信息、频域信息与倒频域信息以及梅尔频率倒谱系数，形成与音频帧对应的特征向量；S3将若干个乐器对应的音频特征向量和所有的音频帧对应的特征向量输入至朴素贝叶斯模型，根据乐器出现在乐曲中的概率对乐器进行识别。其通过这种数据化的音乐特征提取的方式，实现人工智能对乐器的种类、音色、技法的识别，帮助精细化区分其同质化和异质化乐器之间的关系，尤其是同质性乐器种类的音响细分、音色相似度、技术重合度的人工分离和精准辨别。

技术领域

本发明是关于一种基于朴素贝叶斯模型的乐器种类识别方法和系统，属于乐器识别技术领域。

背景技术

近年来，随着互联网时代的快速发展，音乐的应用越来越多的影响着人们的日常生活，数字音乐在娱乐领域也呈现爆炸式的增长，人们的生活中并不缺少音乐，音乐社区逐渐普及、P2P的传播方式也逐渐盛行开来，如何帮助人们找到自己需要的音乐则是音乐识别技术未来发展的重要方向。随着音乐识别技术的发展，从歌名、歌手等文本方面进行音乐识别已经广泛普及，到了九十年代发展到基于旋律和节奏等乐理特征的识别，这种基于乐理特征的识别技术出现后就直接成为了应用极为广泛的技术，并且推动了音乐识别技术的发展。1980-1996年，基于音乐识别的专利申请开始起步，但总量不多，从1998年开始至2008年，音乐识别技术的专利数量开始增加，也是音乐识别技术的快速发展阶段，其中包括基于文本属性、旋律节奏属性的情感识别和音乐风格识别。

目前，对乐曲中使用的乐器进行识别的系统还不多见。这是因为，对于数据集规模比较大的曲库，相较于文本属性特征或是旋律节奏识别，识别乐曲所使用的乐器存在较大难度，虽然某些乐器之间，从波形图来分析具有很大的区别度，但仅单独从音调、尖声和响度等特征，对乐曲中乐器进行识别是远远不够的，因此有必要对更精准，更具有表征性的音频特征分析，才能实现区别不同乐器弹奏的不同声音。音色是声音质量的属性，而非声音的响度和强度，能区分不同乐器演奏同一乐符在听觉上的不同。例如，人的听觉系统可以区分出4410Hz的小提琴和双簧管，原因在于它们的高频泛音成分不相同，高频成分的幅度也不相同，而这种不同就是音色。故区分乐曲中不同乐器的关键点就是对乐器的音色进行区分，但如何以特征值的方式对乐曲进行表征是本领域亟待解决的问题。

发明内容

针对上述现有技术的不足，本发明的目的是提供了一种基于朴素贝叶斯模型的乐器种类识别方法和系统，其通过这种数据化的音乐特征提取的方式，实现人工智能对乐器的种类、音色、技法的识别，帮助精细化区分其同质化和异质化乐器之间的关系，尤其是同质性乐器种类的音响细分、音色相似度、技术重合度的人工分离和精准辨别。

为实现上述目的，本发明提供了一种基于朴素贝叶斯模型的乐器种类识别方法，包括以下步骤：S1将待识别的乐曲分为若干音频帧；S2提取音频帧中的时域信息、频域信息与倒频域信息以及梅尔频率倒谱系数，形成与音频帧对应的特征向量；S3将已有的若干个乐器对应的音频特征向量和所有的音频帧对应的特征向量输入至朴素贝叶斯模型，根据乐器出现在乐曲中的概率对乐器进行识别。

进一步，若乐器出现在乐曲中的概率超过阈值，则判断乐器出现在乐曲中，若乐器出现在乐曲中的概率未超过阈值，则判断乐器没有出现在乐曲中。

进一步，乐曲中使用的乐器包括主要乐器和次要乐器，通过朴素贝叶斯方法模型获得各乐器出现在乐曲中的概率区分主要乐器和次要乐器。

进一步，出现在乐曲中的概率最高的乐器为主要乐器，其他出现在乐曲中的乐器为次要乐器。

进一步，朴素贝叶斯模型的输出公式为：

其中，X_i代表一首乐曲X的某一帧，一共有z帧；y_j代表某一种乐器，一共有n种乐器。