基于壓縮域特征的多媒體數(shù)字音頻檢索方法

劉 彥

（青島市技師學(xué)院 山東 青島 266229）

0 引言

隨著社會(huì)的信息技術(shù)水平的不斷發(fā)展，多媒體網(wǎng)絡(luò)已成為人們工作和生活的必需品[1]。音頻技術(shù)是多媒體數(shù)據(jù)處理中的重要組成部分，且形式復(fù)雜樣[2]。由于音頻數(shù)據(jù)的多樣化，對(duì)其進(jìn)行檢索分析較為困難，如何準(zhǔn)確對(duì)多媒體數(shù)字音頻進(jìn)行檢索和分析，成為當(dāng)前社會(huì)熱門話題之一[3]。

傳統(tǒng)的音頻檢索是通過人工將音頻數(shù)據(jù)上傳到數(shù)據(jù)庫(kù)，通過人工標(biāo)注音頻數(shù)據(jù)，這樣的方法大大增加了時(shí)間成本[4]。同時(shí)通過人工進(jìn)行標(biāo)注的方法，無(wú)法將音頻數(shù)據(jù)準(zhǔn)確且全面標(biāo)注，進(jìn)行檢索時(shí)，不能準(zhǔn)確將所需音頻數(shù)據(jù)分析識(shí)別[5]。因此本文提出基于壓縮域特征的多媒體數(shù)字音頻檢索方法。以壓縮域特征為基礎(chǔ)對(duì)數(shù)字音頻進(jìn)行特征識(shí)別和分析，提高在多媒體數(shù)字音頻檢索過程中的準(zhǔn)確率。

1 基于壓縮域特征的多媒體數(shù)字音頻檢索

1.1 多媒體數(shù)字音頻特征提取

對(duì)多媒體數(shù)字音頻進(jìn)行檢索時(shí)，其過程主要分為音頻特征提取、音頻分割和分類、音頻檢索這三個(gè)主要的部分，即原始音頻需經(jīng)過細(xì)致的處理，以最后實(shí)現(xiàn)檢索的目的，如圖1所示。

對(duì)于每一幀，每個(gè)子帶矢量值的均方根為：

S為32維的子帶矢量，M為一個(gè)32維的矢量[6]。M表征這一幀的特性，則質(zhì)心的具體特征為：

質(zhì)心反映在壓縮域上音頻信號(hào)的基本頻率帶[7]。通過矢量平衡點(diǎn)，獲取衰減截止頻率：

其中，R為音頻信號(hào)能量衰減3分貝時(shí)的截止頻率。格鄰兩幀的M矢量正規(guī)化后以2為模的差分，頻譜流量體現(xiàn)音頻信號(hào)的動(dòng)態(tài)特征。由均方根[8]衡量這一幀音頻信號(hào)強(qiáng)度：

通過對(duì)多媒體數(shù)字音頻的均方根計(jì)算，一共提取出11種不同的音頻特征，然后再將這些不同種類的音頻特征進(jìn)行融合，這樣能夠很好地將音頻信息中的靜態(tài)特征和動(dòng)態(tài)特征表現(xiàn)出來(lái)，將音頻信息具象化，以此為音頻的識(shí)別和檢索提供了必要的基礎(chǔ)。

1.2 多媒體數(shù)字音頻壓縮域特征融合

1.2.1 建立模糊集合

模糊數(shù)據(jù)集合以自然語(yǔ)言為主，通過建立多媒體數(shù)字音頻模糊集合來(lái)確定清晰集合中所含有的元素[9]。這種集合中的元素是確定的，且數(shù)量是不變化的。確定好清晰數(shù)據(jù)集合中的元素后，再利用排除法，將模糊數(shù)據(jù)集合中的元素進(jìn)行標(biāo)注，二者的數(shù)據(jù)集合元素不存在交集情況。

對(duì)于多媒體數(shù)字音頻來(lái)說(shuō)，建立真實(shí)可靠的模糊邏輯是十分重要的。相比較普通的模糊數(shù)據(jù)邏輯，多媒體數(shù)字音頻模糊數(shù)據(jù)邏輯定義更加廣泛。分為真邏輯和假邏輯，在此將真邏輯標(biāo)注為“1”，將假邏輯標(biāo)注為“0”進(jìn)行區(qū)分。在多媒體數(shù)字音頻模糊數(shù)據(jù)邏輯中，所有的數(shù)據(jù)均會(huì)存在真假邏輯，取值可以在“0”到“1”間的任意一個(gè)數(shù)字。通過關(guān)于數(shù)字的對(duì)比，能夠確定數(shù)據(jù)中的真邏輯和假邏輯的比值情況。模糊邏輯的主要作用是反應(yīng)反映多媒體數(shù)字音頻數(shù)據(jù)中所含有的不確定因素以及發(fā)生的隨機(jī)性。通過對(duì)不確定因素以及發(fā)生的隨機(jī)性進(jìn)行整理，能夠大大提高對(duì)于多媒體數(shù)字音頻的識(shí)別和檢索的準(zhǔn)確性以及效率。

1.2.2 模糊集合的度量

若集合A的論域?yàn)閁，x為A中的元素，x屬于A的程度由隸屬度函數(shù)映射為0與l之間的某一隸屬度μA(x)表示，則模糊集A為：

式中x為模糊集合所對(duì)應(yīng)的論域中元素；μA(x1)為相應(yīng)的隸屬度。

數(shù)值種類不一樣的隸屬度之間，它們的差異可以按照模糊集合的極值中的不穩(wěn)定值和以模糊度為基礎(chǔ)而進(jìn)行建立的數(shù)據(jù)。所以，不同的模糊數(shù)據(jù)中的隸屬度，能夠通過數(shù)據(jù)樣本的不確定性和模糊程度進(jìn)行相關(guān)定義。

1.2.3 隸屬度的賦值

隸屬度函數(shù)是模糊理論中不可或缺的一部分[10]。在對(duì)一個(gè)數(shù)據(jù)樣本進(jìn)行模糊處理時(shí)，它的基礎(chǔ)是確認(rèn)這個(gè)數(shù)據(jù)樣本的隸屬度函數(shù)。文將對(duì)多媒體數(shù)字音頻數(shù)據(jù)中所提取出來(lái)的壓縮域特征進(jìn)行分類操作，按照模糊程度劃分為三個(gè)不同的模糊基礎(chǔ)數(shù)據(jù)集合，并且按照數(shù)據(jù)的大小類類為L(zhǎng)、M、S三個(gè)等級(jí)。如圖2所示，為三種分類的隸屬度函數(shù)。

對(duì)熵進(jìn)行最精確分類操作的主要部分是對(duì)已經(jīng)確定好分類的數(shù)據(jù)庫(kù)進(jìn)行集中分析。通過概率分布可以看出熵存在不確定性，其不確定值為3。對(duì)于多媒體數(shù)字音頻信息的測(cè)量，需要將數(shù)據(jù)進(jìn)行分類討論，并且確定數(shù)據(jù)信息的不確定值以及數(shù)據(jù)樣本的最大容量。對(duì)樣本進(jìn)行多次測(cè)量迭代，以此測(cè)試出最佳的分類結(jié)果。集合的熵是用率和以及所有結(jié)果概率的對(duì)數(shù)來(lái)定義的。歸納法中的第三個(gè)定律表明一個(gè)規(guī)則的熵需最小化。最小的熵（S）與所有的盡可能接近1或0的pi相關(guān)聯(lián)，用熵的最小化分析方法來(lái)建立模糊閾值，從而確定隸屬度函數(shù)，計(jì)算出模糊域值，即隸屬度函數(shù)圖中的a，b，c三個(gè)值，從而確定隸屬度函數(shù)，完成多媒體數(shù)字音頻壓縮域特征數(shù)據(jù)融合。

隸屬度函數(shù)是以分解和分類篩選為主要基礎(chǔ)的方法，通過在兩種音頻數(shù)據(jù)中間分割出一條閾值線進(jìn)行分類。這樣能夠劃分出最佳的樣本分類，以此為后續(xù)的識(shí)別檢索提供方便。

1.3 基于壓縮域特征的多媒體數(shù)字音頻檢索

以壓縮域特征為基礎(chǔ)，用偏斜度對(duì)融合特征分類，引用三角模糊集算法得到辨別函數(shù)，對(duì)音頻進(jìn)行有效檢索。這種多媒體數(shù)字音頻檢索是使用用戶與多媒體數(shù)據(jù)庫(kù)之間的一種信息交互活動(dòng)。

用近似度表達(dá)音頻資源間的一致性，偏斜度可靠度矩陣表達(dá)式為：

其中，ri表示音頻檢索偏斜度；i表示音樂類別的數(shù)量；t表示多媒體數(shù)字音頻檢索時(shí)間。音頻檢索偏斜度的可靠度矩陣存在時(shí)間與空間兩個(gè)維度信息的可靠性，在t時(shí)域內(nèi)檢索壓縮域特征音頻的偏斜度為：

公式（7）得到偏斜度，用這個(gè)結(jié)果對(duì)壓縮域特征進(jìn)行分類，得到較可靠的音頻信息。設(shè)音頻特征樣本為(x,y)，音頻信息庫(kù)的隱層數(shù)為L(zhǎng)，引用偏斜度計(jì)算，得到第l個(gè)輸出為：

其中，Gu表示音頻壓縮域最大特征值，通過辨別函數(shù)對(duì)音頻信息進(jìn)行定位，實(shí)現(xiàn)音頻資源分布式檢索：

通過公式（9）的分布式計(jì)算分析，可以有效檢索音頻壓縮域特征，以此提升音頻相識(shí)度，為用戶提供音頻相似性判斷，優(yōu)化多媒體數(shù)字音頻。

2 實(shí)驗(yàn)論證分析

為了驗(yàn)證本文所設(shè)計(jì)的基于壓縮域特征的多媒體數(shù)字音頻檢索方法是否能夠有效的識(shí)別數(shù)字音頻，于是設(shè)計(jì)對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)樣本隨機(jī)選取新聞報(bào)道、音樂和其他音頻文件，并且所采樣的音頻頻率均為20 500 Hz。

在對(duì)音頻進(jìn)行特征提取以及分割融合時(shí)，采集三種種類不同的音頻樣本進(jìn)行實(shí)驗(yàn)分析。三種樣本分別為：第一種，30個(gè)時(shí)長(zhǎng)為20秒的純音樂片段；第二種，30個(gè)時(shí)長(zhǎng)為20秒的人聲唱歌片段；第三種，30個(gè)時(shí)長(zhǎng)為30秒的純?nèi)寺曅侣劜?bào)片段。選定的實(shí)驗(yàn)樣本一共為30個(gè)，將每個(gè)樣本隨機(jī)截取10秒作為實(shí)驗(yàn)基礎(chǔ)，每組實(shí)驗(yàn)由以上三種實(shí)驗(yàn)樣本組成，每組樣本組成為隨機(jī)。

首先將樣本數(shù)據(jù)進(jìn)行分割操作，將分割完的音頻數(shù)據(jù)進(jìn)行先粗分類，一共采集到70個(gè)音頻樣本片段，片段種類為純音樂片段、人聲唱歌片段、純?nèi)寺曅侣劜?bào)段歌各20個(gè)。對(duì)以上實(shí)驗(yàn)樣本進(jìn)行音頻特征提取，將提取因?yàn)橐纛l數(shù)據(jù)記錄到音頻特征數(shù)據(jù)庫(kù)中。隨機(jī)挑選一個(gè)實(shí)驗(yàn)樣本以外的音頻對(duì)數(shù)據(jù)庫(kù)中的音頻進(jìn)行對(duì)比和檢索。音頻片段識(shí)別結(jié)果如表1所示。

表1 音頻片段識(shí)別結(jié)果

由表1可以看出，本文所設(shè)計(jì)的基于壓縮域特征的多媒體數(shù)字音頻檢索方法能夠有效提取到音頻的特征，將數(shù)字音頻進(jìn)行有效分類，大大提高了音頻識(shí)別的準(zhǔn)確率。

在音頻片段識(shí)別準(zhǔn)確率較高的基礎(chǔ)上，對(duì)多媒體數(shù)字音頻檢索時(shí)間進(jìn)行測(cè)試。測(cè)試結(jié)果如圖3所示。

由圖3得出，當(dāng)信息量達(dá)到300 bit，本文方法耗時(shí)6.5 s，張樺等[4]方法耗時(shí)9.2 s，買爾丹·祖農(nóng)[5]方法耗時(shí)8.9 s，由此結(jié)果可以看出，本文方法具有較高的音頻資源檢索效率，有更廣的應(yīng)用前景。

3 結(jié)語(yǔ)

本文設(shè)計(jì)了以壓縮域特征為基礎(chǔ)的多媒體數(shù)字音頻檢索方法。首先對(duì)多媒體數(shù)字音頻進(jìn)行特征提取和分割，然后基于壓縮域特征對(duì)多媒體數(shù)字音頻的特征進(jìn)行分析與融合，最后進(jìn)行識(shí)別。本文方法大大提高了對(duì)于數(shù)字音頻的識(shí)別，有效增加了多媒體數(shù)字音頻的檢索效率。但由于時(shí)間限制，沒有進(jìn)行多次實(shí)驗(yàn)，還需在今后的研究中不斷完善。