音頻分割與聚類技術研究.pdf

1、隨著多媒體和互聯(lián)網(wǎng)技術的廣泛應用和深入普及，多媒體數(shù)據(jù)的數(shù)量正在飛速增長，音頻數(shù)據(jù)作為多媒體數(shù)據(jù)的重要組成部分，其信息量也在不斷膨脹。如何有效地對音頻信息進行組織和處理成為現(xiàn)代信息處理的一個研究熱點。
　　 原始音頻數(shù)據(jù)本身僅僅是一種非語義符號表示和非結構化的二進制流，缺乏內(nèi)容語義的描述和結構化組織，給音頻信息的深入處理和分析工作帶來了很大的困難。音頻的分割和聚類，作為提取音頻內(nèi)容語義和結構的重要手段之一，其研究日益引起人們的重

2、視。本文在總結前人研究成果的基礎上，著重對音頻特征分析與提取、音頻分割算法以及音頻聚類算法等三方面進行了研究。主要工作如下：
　　 首先，利用多分辨分析的優(yōu)勢，給出了基于小波域的音頻特征。該方法以小波變換為理論基礎，重點分析了基于幀的音頻特征提取和基于例子的音頻特征提取，較好的解決了基于時域和基于頻域的特征無法描述信號時頻局部性質(zhì)的不足。
　　 其次，針對傳統(tǒng)單一音頻分割算法中存在的冗余分割點過多等問題，設計了基于GLR

3、(Generalized Likelihood Ratio)距離的改進BIC(BayesianInformation Criterion)音頻分割算法。該方法提出了候選跳變點潛在區(qū)域的判斷準則，并據(jù)此給出潛在區(qū)域中跳變點的檢測方法，對檢測到的跳變點進行校驗。實驗結果表明，與傳統(tǒng)的音頻分割算法相比，該算法的綜合性能大大提高。
　　 最后，提出一種基于Mean Shift的音頻聚類算法，該算法可以避免目前大多數(shù)聚類算法依賴聚類數(shù)目這