[发明专利]基于交叉熵的音频指纹快速搜索方法

摘要

基于交叉熵的音频指纹快速搜索方法，属于音频指纹搜索技术领域，其特征在于，利用共分量高斯混合模型来描述音频指纹，并且用交叉熵来衡量音频指纹间的距离，然后用广义动态时序比对方法，以滑动窗方式将用户指定音频段与输入音频流进行指纹比较，判断该音频流中是否包含有指定音频段。本发明具有能大大地减少距离计算次数，而且还能适应于多种音频失真情况，错误率相对于使用L1距离降低了三分之一的优点，已完成软件实现并在仿真实验中予以测试。

主权项

1.基于交叉熵的音频指纹快速搜索方法，其特征在于，是在计算机中依次按以下步骤实现的：步骤(1)计算机初始化：设置：共分量高斯混合模型生成模块，基于共分量高斯混合模型的音频指纹提取模块，广义动态时序比对模块，其中：所述共分量高斯混合模型生成模块，使用事先采集好的约100个小时的音频数据，进行最大似然参数估计，创建一个共分量高斯混合模型；所述音频指纹提取模块，基于所述共分量高斯混合模型提取音频指纹，并且用交叉熵衡量音频指纹间距离；所述广义动态时序比对模块，以滑动窗方式将用户指定音频段与输入音频流进行指纹比较，判断音频流中是否包含有指定音频段。步骤(2)按以下步骤创建一个共分量高斯混合模型：步骤(2.1)事先采集好约100个小时的音频数据。经过短时傅立叶分析，以10毫秒为一帧提取一个倒谱特征矢量。步骤(2.2)利用步骤(2.1)得到的倒谱特征矢量集，进行最大似然参数估计，创建一个共分量高斯混合模型。该模型包含M个高斯分布作为其分量，以及M个权重系数，M的取值为512：{ω_i^(u)，μ_i^(u)，∑_i^(u)}_{i＝1，...，M}其中μ_i^(u)，∑_i^(u)表示第i个高斯分量的均值矢量和协方差矩阵，ω_i^(u)表示第i个高斯分量的权重系数，i＝1，…，M，上标u标识此共分量高斯混合模型。步骤(3)按以下步骤对用户指定音频段进行预处理：步骤(3.1)向计算机输入用户指定音频段c，时间长度为几秒，经过短时傅立叶分析，以10毫秒为一帧提取一个倒谱特征矢量。这样，音频段c用一个倒谱特征矢量序列{x_n^(c)}_{n＝1，...，W}来表示，W表示音频段c的帧数，n＝1，…，W表示音频段c的各帧的序号，上标c标识此音频段c。步骤(3.2)按下式计算共分量高斯混合模型的第i个高斯分量在音频段c的第n帧的权重系数ω_i，n^(c)，n＝1，…，W：ωi,n(c)=ωi(u)Ni(xn(c)|μi(u),Σi(u))Σj=1Mωj(u)Nj(xn(c)|μj(u),Σj(u))]]>其中i＝1，…，M，j＝1，…，M为共分量高斯混合模型的高斯分量的编号，N_i(x|μ_i^(u)，∑_i^(u))表示均值矢量为μ_i^(u)，协方差矩阵为∑_i^(u)的高斯分布概率密度函数。按下式计算第i个高斯分量在音频段c中各帧的权重系数的算术平均值，用ω_i^(c)表示：ωi(c)=1WΣn=1Wωi,n(c),]]>计算得到的各个高斯分量的权重系数的算术平均值组成一个矢量{ω_t^(c)}_{i＝1，...，M}，将该矢量作为音频段c的低维表示一音频指纹。步骤(4)以滑动窗方式将用户指定音频段c与被测试音频流s进行指纹比较：步骤(4.1)在设定的小时数内，向计算机输入被测试音频流s，经过短时傅立叶分析，以10毫秒为一帧提取一个倒谱特征矢量。这样，被测试音频流s用一个倒谱特征矢量序列{x_t^(s)}_{t＝1，...，T}来表示，T为被测试音频流s的帧数，t＝1，…，T表示音频流s的各帧的序号，上标s标识此音频流s。步骤(4.2)按下式计算共分量高斯混合模型的第i个高斯分量在音频流s的第t帧的权重系数ω_i，t^(s)，t＝1，…，T：ωi,t(s)=ωi(u)Ni(xt(s)|μi(u),Σi(u))Σj=1Mωj(u)Nj(xt(s)|μj(u),Σj(u))]]>其中i＝1，…，M，j＝1，…，M为共分量高斯混合模型的高斯分量的编号。N_i(x|μ_i^(u)，∑_i^(u))表示均值矢量为μ_i^(u)，协方差矩阵为∑_i^(u)的高斯分布概率密度函数。步骤(4.3)设置l＝1。步骤(4.4)如果l+W-1＞T，则退出。步骤(4.5)将音频流s从第l帧开始的长度为W的一个窗内的音频段{x_t^(s)}_{t＝l，...，l+W-1}，以下称音频段s^(l)，与音频段c进行指纹距离计算。首先，按下式计算得到音频段s^(l)的指纹ωi(s,l)=1WΣt=ll+W-1ωi,t(s),]]>即第i个高斯分量在音频段s^(l)中各帧的权重系数的算术平均值作为音频段s^(l)的音频指纹的第i维。然后，按下式计算出音频段s^(l)的指纹{ω_i^(s，l)}_{i＝1，...，M}与音频段c的指纹{ω_i^(c)}_{i＝1，...，M}之间交叉熵距离dKL(l)=Σi=1M(ωis,l-ωi(c))logωi(s,l)ωi(c)]]>如果d_KL(l)≤θ，则判断音频流s从第l帧开始包含了音频段c，其中θ为一个预设检测阈值，取0.01。接着令l＝l+1，回到步骤(4.4)继续搜索音频流s的剩下部分是否还包含有音频段c。如果d_KL(l)＞θ，则按下式计算出一个跳跃步长其中Δ为一个预设偏移量，取0.001或0.005，表示向下取整。接着令l＝l+τ_KL-skip，回到步骤(4.4)继续搜索音频流s的剩下部分是否还包含有音频段c。