牛憲華1，曾柏森2，陳思利

(1.西華大學(xué)數(shù)學(xué)與計算機(jī)學(xué)院,四川 成都 610039；，2. 中國聯(lián)通成都市分公司網(wǎng)絡(luò)優(yōu)化中心，四川 成都 610036；3.成都工業(yè)學(xué)院通信工程系，四川 成都 611730)

隨著互聯(lián)網(wǎng)的發(fā)展和音頻壓縮技術(shù)的進(jìn)步，網(wǎng)絡(luò)上出現(xiàn)了海量的音頻信息。人工管理海量的數(shù)字音頻數(shù)據(jù)是一件幾乎無法完成的工作，這直接促使了音頻指紋(audio fingerprinting，AF)技術(shù)的快速發(fā)展。音頻指紋技術(shù)建立了一種用于比較2個音樂數(shù)據(jù)聽覺質(zhì)量的有效機(jī)制，可以快速高效地識別和檢索出音頻內(nèi)容，是數(shù)字音頻的內(nèi)容識別、版權(quán)保護(hù)、內(nèi)容完整性校驗等領(lǐng)域的關(guān)鍵技術(shù)之一。近年來，音頻指紋技術(shù)成為國內(nèi)外學(xué)者研究的熱點[1-4]。采用短時傅里葉變換得到音頻信號的頻譜信息是提取音頻指紋時廣泛使用的一種方法。2002年，J.Haitsma等[5]提出Philips音頻指紋算法。Philips算法將頻譜子帶能量時頻濾波結(jié)果的正負(fù)值作為音頻特征，對多種信號畸變具有較好的魯棒性。2006年，A.Ramalingam等[6]將香農(nóng)熵、子帶能量、頻譜子帶質(zhì)心、頻譜帶寬和梅爾頻率倒譜系數(shù)等多種基于短時傅里葉變換的特征作為音頻特征分析其魯棒性，其實驗結(jié)果表明在一定的信號畸變下，頻譜子帶質(zhì)心的魯棒性較好。J. S.Seo等[7]基于文獻(xiàn)[6]提出采用歸一化頻譜子帶質(zhì)心(normalized spectral sub-band centroids, NSSC)作為音頻特征，并證明NSSC算法具有良好的魯棒性。本文對性能較好的Philips算法進(jìn)行了仿真分析，并針對Philips算法在某些信號畸變情況下，魯棒性不理想的情況，引入功率譜差分的思想，給出了改進(jìn)算法，并將改進(jìn)算法與現(xiàn)有算法進(jìn)行了比較分析。

1 算法概述

1.1 Philips算法

Philips音頻指紋算法是在2002年提出的[5]。該算法將頻譜子帶能量時頻濾波結(jié)果的正負(fù)值作為音頻特征，其流程圖如圖1所示。

圖 1 Philips音頻指紋算法流程圖

重疊分幀模塊是按31/32的重疊率進(jìn)行分幀；傅里葉變換模塊實現(xiàn)時頻轉(zhuǎn)換；頻帶濾波器模塊是使用濾波器組劃分頻譜子帶；二維濾波器模塊是使用濾波器組進(jìn)行頻譜子帶差分；門限判別模塊是計算每幀信號的音頻指紋。

1.2 Philips 算法分析

本文主要分析Philips算法中的2個關(guān)鍵模塊：頻帶濾波器模塊和二維濾波器模塊。通過分析發(fā)現(xiàn)，改進(jìn)Philips算法在這2個模塊所采用的濾波器形式，就可以有效地提高音頻指紋的魯棒性。

1.2.1 頻帶濾波器模塊

頻帶濾波器模塊主要是使用濾波器組來劃分頻譜子帶。常用的功率譜子帶劃分方式有2種：一種是采用Bark刻度[8-9]的矩形濾波器組；另一種是采用Mel刻度的三角形濾波器組[10]。Philips算法采用Bark刻度的矩形濾波器組劃分頻譜子帶，各個濾波器之間沒有重疊。本文將Philips算法中的矩形濾波器組用三角形Mel刻度濾波器組來代替。采用這2種濾波器組的算法仿真對比分析結(jié)果如圖2所示。

從圖2可以看出，使用Mel刻度三角形濾波器組的音頻指紋，在時間刻度修改和線性速度改變時，誤碼率明顯減小，但在白噪聲干擾情況下誤碼率變化不大。通過計算可得出2種濾波器組功率譜子帶間的相關(guān)性，如圖3所示?？梢钥闯?，使用Mel刻度三角形濾波器組時功率譜子帶間的相關(guān)性較高。結(jié)合圖2的結(jié)果可知：增大功率譜子帶間的相關(guān)性可以有效提高音頻指紋針對線性速度改變和時間刻度修改的魯棒性；與之相反的是，可以提高音頻指紋對白噪聲的魯棒性[11]。

圖 2 矩形Bark刻度濾波器組與三角形Mel刻度濾波器組的音頻指紋誤碼率比較

圖 3 2種濾波器組的子帶相關(guān)性

1.2.2 二維濾波器模塊

設(shè)原始音頻信號s(n)被噪聲d(n)污染，形成帶噪音頻信號x(n)=s(n)+d(n)。帶噪音頻信號經(jīng)過短時分幀處理后表示為

xn(m)=sn(m)+dn(m) (0≤m≤M-1,

0≤n≤N-1)。

(1)

式中：m為幀號；M為音頻信號的幀數(shù)；n為幀內(nèi)序號；N為每幀信號的長度。

根據(jù)傅里葉級數(shù)性質(zhì)，式(1)的離散傅里葉級數(shù)關(guān)系可以表示為

Xk(m)=Sk(m)+Nk(m)。

(2)

式中，Xk(m) 、Sk(m)和Nk(m)分別表示xn(m)、sn(m)和dn(m)的離散傅里葉級數(shù)，0≤k≤K-1，K表示離散傅里葉變換的長度。

設(shè)加性噪聲d(n)的均值為零，那么Nk(m)的均值也為零，記為Nk。有

(3)

(4)

(5)

再通過多項式近似的方法來求功率譜對時間t的導(dǎo)數(shù)[12]，為

(6)

對功率譜進(jìn)行子帶劃分即讓功率譜通過特定的濾波器組。每個濾波器的輸出為

(7)

式中：a和b分別表示帶通濾波器的頻帶寬度的上下限；αi表示濾波器組的系數(shù)。根據(jù)式(5)和式(6)可以得出

(8)

其中T值代表計算濾波器輸出的差分值時用到的前面幀和后面幀的個數(shù)。

由以上推導(dǎo)可知，濾波器輸出對時間求導(dǎo)的結(jié)果與噪聲無關(guān)，因此可以采用功率譜頻域和時域差分的方式給出改進(jìn)算法。Philips算法相當(dāng)于把功率譜子帶通過一個二維的濾波器，即在頻域和時域上都通過一個一階高通FIR濾波器，濾波器傳遞函數(shù)均為

U1(z) = 1-z-1。

(9)

仿真結(jié)果表明，時域差分可以消除直流分量和變化緩慢的噪聲干擾，頻域差分可以減小頻譜間的相關(guān)性。由前面的推導(dǎo)可知，功率譜子帶求導(dǎo)可以消除噪聲的影響，功率譜子帶對時間的導(dǎo)數(shù)即為濾波器輸出的差分值。當(dāng)進(jìn)行差分運算時只用到前后各1幀，即T=1時，濾波器組的輸出就可以認(rèn)為經(jīng)過了一個二階帶通FIR濾波器，濾波器傳遞函數(shù)為

U2(z) =z-z-1。

(10)

當(dāng)使用前后各2幀進(jìn)行差分運算，即T=2時，濾波器組的輸出即為一個四階帶通FIR濾波器，相應(yīng)的濾波器傳遞函數(shù)為

U3(z) =3z3+2z2+z-z-1-2z-2-3z-3。

(11)

3種濾波器的傳遞函數(shù)U1、U2、U3的幅度特征如圖4所示。

圖 4 濾波器U1、U2、U3的幅度響應(yīng)

可以看出：采用濾波器U1過濾白噪聲和變化緩慢的噪聲時，提升了高頻分量；但是由于高頻分量里的有效信息較少，這樣會造成大量頻譜信息的丟失。若選用既包含更多低頻分量同時又能抑制高頻分量的濾波器U2或U3來處理，則可以更好地消除白噪聲和變化緩慢的噪聲。

1.3 改進(jìn)算法

通過前面對功率譜子帶劃分和子帶間時頻差分的分析發(fā)現(xiàn)，改變功率譜子帶劃分方式和功率譜子帶間的時頻差分方式，可以有效提高音頻指紋在白噪聲和時間刻度修改等信號畸變下的魯棒性；因此，基于時頻差分的思想給出了改進(jìn)的音頻指紋算法，其流程圖如圖5所示。

圖 5 音頻指紋改進(jìn)算法流程圖

重疊分幀模塊是按15/16的重疊率進(jìn)行分幀的，比Philips算法31/32的重疊率低，減少了數(shù)據(jù)的處理量；傅里葉變換模塊實現(xiàn)時頻轉(zhuǎn)換；頻帶濾波器模塊使用三角形Mel刻度濾波器組代替Bark刻度濾波器組進(jìn)行頻譜子帶劃分；頻率差分和時域差分模塊使用濾波器組U3+U1進(jìn)行功率譜子帶差分；門限判別模塊用于計算每幀信號的音頻指紋。

筆者在Philips音頻指紋算法的基礎(chǔ)上，主要修改了頻帶濾波器組模塊的功率譜子帶劃分方式和二維濾波器模塊的子帶間時頻差分方式，提出了2種改進(jìn)算法，算法主要修改部分描述如下。

1)改進(jìn)算法1：頻帶濾波器組使用矩形Bark刻度濾波器組，頻率和時域差分模塊改用濾波器組U3+U1。

2)改進(jìn)算法2：頻帶濾波器組改用三角形Mel刻度濾波器組，頻率和時域差分模塊改用濾波器組U3+U1。

2 噪聲魯棒性分析

把實驗環(huán)境分為理論環(huán)境和真實環(huán)境來模擬常見的噪聲環(huán)境。在理論環(huán)境條件下，采用包括MP3編解碼、白噪聲、幅度壓縮的方法對音頻信號進(jìn)行畸變；在真實環(huán)境條件下，采用在4個典型場景采集的音頻信號作為實驗樣本。

2.1 理論環(huán)境

首先，對實驗樣本進(jìn)行幾類常見的處理：幅度壓縮、白噪聲、MP3編解碼、時間刻度修改和線性速度改變。然后利用NoiseX-92[13]中的幾類噪聲(車內(nèi)噪聲、公共場合噪聲和工廠噪聲)對實驗樣本加噪。在上述噪聲環(huán)境條件中，Philips算法和改進(jìn)算法的誤碼率如圖6所示。

從圖6可以看出：在車內(nèi)、公共場合和工廠環(huán)境下，改進(jìn)算法一的誤碼率明顯低于其他2種算法，即在這些環(huán)境下改進(jìn)算法1的噪聲魯棒性優(yōu)于另外2種算法；在時間刻度修改和線性速度改變這2種信號畸變情況下，改進(jìn)算法2的誤碼率較低，噪聲魯棒性優(yōu)于另外2種算法；而針對一些對音頻指紋誤碼率影響較小的畸變，如幅度壓縮、MP3編解碼等，改進(jìn)算法與Philips算法的誤碼率相差不大。

筆者又將改進(jìn)算法1和Philips算法進(jìn)行比較，其結(jié)果如圖7所示，改進(jìn)算法1的魯棒性優(yōu)于Philips算法。

圖 7 算法的正確識別率比較

2.2 真實環(huán)境

將實驗樣本在4個不同的真實場景下進(jìn)行錄音采集。為符合一般的采集條件，使用Samsung GT-I9305型號手機(jī)在4種典型環(huán)境下進(jìn)行信號采集：1)室內(nèi)，安靜，噪聲少；2)小區(qū)，安靜，噪聲相對較少；3)商場，喧鬧，存在說話聲、音樂等各種背景噪聲；4)公交車，喧鬧，嘈雜，存在發(fā)動機(jī)聲、說話聲等各種背景噪聲。

將以上4種典型環(huán)境下采集的音頻信號作為實驗樣本，分別采用改進(jìn)算法和Philips算法提取音頻指紋，得到的誤碼率如圖8所示。

圖8的實驗結(jié)果表明：在比較喧鬧嘈雜的環(huán)境下，改進(jìn)算法一相較Philips算法，其魯棒性明顯改善；在相對安靜的環(huán)境下，2種改進(jìn)算法與Philips算法差別不大；本文提出的改進(jìn)算法在真實環(huán)境下的噪聲魯棒性相較Philips算法有明顯提高。

3 結(jié)束語

本文通過對經(jīng)典音頻指紋算法——Philips算法進(jìn)行分析研究，發(fā)現(xiàn)Philips音頻指紋算法在低信噪比、線性速度改變等方面存在魯棒性較差的問題，通過仿真分析總結(jié)出功率譜差分能有效消除加性噪聲的特性。為此，提出了一種基于頻域和時域差分的音頻指紋提取算法。在實驗環(huán)境和真實環(huán)境條件下對改進(jìn)算法和現(xiàn)有算法進(jìn)行了對比分析。其實驗結(jié)果表明，改進(jìn)算法的魯棒性優(yōu)于Philips算法。

圖 8 真實環(huán)境下算法誤碼率比較

[1]Grosche P, Müller M, Serrà J. Audio Content-Based Music Retrieval[J]. Multimodal Music Processing, 2012, 3：157-174.

[2]Kamaladas M D , Dialin M M. Fingerprint Extraction of Audio signal using Wavelet Transform[C]//2013 International Conference on Signal Processing Image Processing & Pattern Recognition (ICSIPR). Coimbatore：IEEE, 2013： 308-312.

[3]Doets P J O , Lagendijk R L. Distortion Estimation in Compressed Music Using Only Audio Fingerprints[J].IEEE Transactions on Audio, Speech, and Language Processing, 2008, 16(2)： 302-317.

[4]Lee S , Yook D , Chang S. An Efficient Audio Fingerprint Search Algorithm for Music Retrieval[J].IEEE Transactions on Consumer Electronics, 2013, 59(3)： 652-656.

[5]Haitsma J , Kalker T. A Highly Robust Audio Fingerprinting System[J]. Proceedings of the International Symposium on Music Information Retrieval, 2002, 11： 107-115.

[6]Ramalingam A , Krishnan S. Gaussian Mixture Modeling of Short-Time Fourier Transform Features for Audio Fingerprinting[J].IEEE Transactions on Information and Forensics and Security, 2006, 1(4)： 457-464.

[7]Seo J S , Jin M , Lee S , et.al. Audio Fingerprinting Based on Normalized Spectral Subband Centroids[J]. IEEE International Conference on Acoustics, Speech, and Signal Proceedings, 2005, 3(3)： 213-216.

[8]Thomas F. Quatieri 離散時間語音信號處理:原理與應(yīng)用[M].趙勝輝, 劉家康，譯.北京：電子工業(yè)出版社, 2004： 540-550.

[9]Shaughnessy D O. Speech Communication： Human and Machine[M].[s.n.]： Universities Press (India) Pvt Limited, 1987:23-45.

[10]Davies S B , Mermelstein P. Comparison of Parametric Representations for Monosyllabic Word Recognition in Continuously Spoken Sentences[J].IEEE Transactions on Acoustics, Speech, and Signal Processing, 1980, 28(4)： 357-366.

[11]Nadeu C , Hemando J , Gorricho M. On the Decorrelation of Filter-Bank Energies in Speech Recognition[J].Proc Eurospeech, 1995： 1381-1384.

[12]Xu J F , Wei G. Noise-Robust Speech Recognition Based on Difference of Power Spectrum[J]. IEEE Electronics Letters, 2000, 36(14)： 1247-1248.

[13]Varga A , Steeneken H J M. Assessment for Automatic Speech Recognition： II. NOISE-92： A Database. An Experiment to Study the Effect of Additive Noise on Speech Recognition Systems[J]. Speech Communication, 1993, 12： 247-251.