Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости

Предложен метод быстрого поиска неизвестного аудиофрагмента в корпусе аудиозаписей с усовершенствованной оценкой степени близости, позволяющий повысить достоверность результатов поиска. Вследствие применения усовершенствованной оценки степени близости между неизвестным аудиофрагментом и аудиозаписям...

Full description

Saved in:

Bibliographic Details
Date:	2015
Main Authors:	Ткаченко, А.Н., Грийо Тукало, О.Ф.
Format:	Article
Language:	Russian
Published:	Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України 2015
Series:	Управляющие системы и машины
Subjects:	Автоматическая обработка и распознавание сигналов и изображений
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/112658
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости / А.Н. Ткаченко, О.Ф. Грийо Тукало // Управляющие системы и машины. — 2015. — № 6. — С. 51–58. — Бібліогр.: 13 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-112658
record_format	dspace
spelling	nasplib_isofts_kiev_ua-123456789-1126582025-02-09T21:42:43Z Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости Метод швидкого пошуку фрагмента аудіозапису з удосконаленою оцінкою міри близькості The Method of Audio Fragment Fast Search with an Improved Estimation of the Measure Proximity Ткаченко, А.Н. Грийо Тукало, О.Ф. Автоматическая обработка и распознавание сигналов и изображений Предложен метод быстрого поиска неизвестного аудиофрагмента в корпусе аудиозаписей с усовершенствованной оценкой степени близости, позволяющий повысить достоверность результатов поиска. Вследствие применения усовершенствованной оценки степени близости между неизвестным аудиофрагментом и аудиозаписями, содержащимися в корпусе, существенно увеличен уровень различимости собственной аудиозаписи. Запропоновано метод швидкого пошуку невідомого аудіофрагмента в корпусі аудіозаписів з удосконаленою оцінкою міри близькості, що дозволяє підвищити достовірність результатів пошуку. В результаті застосування вдосконаленої оцінки міри близькості між невідомим аудіофрагментом і аудіозаписами, які містяться в корпусі, істотно збільшено рівень розрізнення власного аудіозапису. The development of the Internet, digital media, multimedia technologies and new ways of processing audio information generates enormous interest and attention to the ways in which information technology can be applied. With access to the huge archives of multimedia, virtually anywhere and at any time, it is necessary to propose the new ways to navigate and interact with these large audio archives. This paper proposes a method for the fast search of the unknown audio fragment in the corpus of audio recordings with the improved estimation of the measure proximity, thus enhancing the reliability of the audio search. Through the use of the improved estimation of the measure proximity between the unknown fragment and the audio recordings contained in the corpus, the level of distinguishability of its own audio recording is significantly increased. Experimental results show that the overall distance to its own audio on average 8 times higher than estimate distances to other audio recordings in the corpus. 2015 Article Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости / А.Н. Ткаченко, О.Ф. Грийо Тукало // Управляющие системы и машины. — 2015. — № 6. — С. 51–58. — Бібліогр.: 13 назв. — рос. 0130-5395 https://nasplib.isofts.kiev.ua/handle/123456789/112658 621.39 ru Управляющие системы и машины application/pdf Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Автоматическая обработка и распознавание сигналов и изображений Автоматическая обработка и распознавание сигналов и изображений
spellingShingle	Автоматическая обработка и распознавание сигналов и изображений Автоматическая обработка и распознавание сигналов и изображений Ткаченко, А.Н. Грийо Тукало, О.Ф. Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости Управляющие системы и машины
description	Предложен метод быстрого поиска неизвестного аудиофрагмента в корпусе аудиозаписей с усовершенствованной оценкой степени близости, позволяющий повысить достоверность результатов поиска. Вследствие применения усовершенствованной оценки степени близости между неизвестным аудиофрагментом и аудиозаписями, содержащимися в корпусе, существенно увеличен уровень различимости собственной аудиозаписи.
format	Article
author	Ткаченко, А.Н. Грийо Тукало, О.Ф.
author_facet	Ткаченко, А.Н. Грийо Тукало, О.Ф.
author_sort	Ткаченко, А.Н.
title	Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости
title_short	Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости
title_full	Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости
title_fullStr	Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости
title_full_unstemmed	Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости
title_sort	метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости
publisher	Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
publishDate	2015
topic_facet	Автоматическая обработка и распознавание сигналов и изображений
url	https://nasplib.isofts.kiev.ua/handle/123456789/112658
citation_txt	Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости / А.Н. Ткаченко, О.Ф. Грийо Тукало // Управляющие системы и машины. — 2015. — № 6. — С. 51–58. — Бібліогр.: 13 назв. — рос.
series	Управляющие системы и машины
work_keys_str_mv	AT tkačenkoan metodbystrogopoiskafragmentaaudiozapisisusoveršenstvovannoiocenkoimeryblizosti AT griiotukaloof metodbystrogopoiskafragmentaaudiozapisisusoveršenstvovannoiocenkoimeryblizosti AT tkačenkoan metodšvidkogopošukufragmentaaudíozapisuzudoskonalenoûocínkoûmíriblizʹkostí AT griiotukaloof metodšvidkogopošukufragmentaaudíozapisuzudoskonalenoûocínkoûmíriblizʹkostí AT tkačenkoan themethodofaudiofragmentfastsearchwithanimprovedestimationofthemeasureproximity AT griiotukaloof themethodofaudiofragmentfastsearchwithanimprovedestimationofthemeasureproximity
first_indexed	2025-12-01T02:10:08Z
last_indexed	2025-12-01T02:10:08Z
_version_	1850270034067193856
fulltext	УСиМ, 2015, № 6 51 УДК 621.39 А.Н. Ткаченко, О.Ф. Грийо Тукало Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости Предложен метод быстрого поиска неизвестного аудиофрагмента в корпусе аудиозаписей с усовершенствованной оценкой степени близости, позволяющий повысить достоверность результатов поиска. Вследствие применения усовершенствованной оценки степени близости между неизвестным аудиофрагментом и аудиозаписями, содержащимися в корпусе, существенно увеличен уровень разли- чимости собственной аудиозаписи. Запропоновано метод швидкого пошуку невідомого аудіофрагмента в корпусі аудіозаписів з удосконаленою оцінкою міри близькос- ті, що дозволяє підвищити достовірність результатів пошуку. В результаті застосування вдосконаленої оцінки міри близькості між невідомим аудіофрагментом і аудіозаписами, які містяться в корпусі, істотно збільшено рівень розрізнення власного аудіозапису. Введение. Рост объемов мультимедийной ин- формации, в частности аудиоинформации, кото- рая передается и обрабатывается в компьютер- ных системах, обусловила необходимость ав- томатизации процессов анализа и поиска дан- ных. Поэтому в современных системах обработ- ки аудиоинформации возникает необходимость автоматического поиска музыкальных произве- дений (МП) на основе аудиоконтента в базах данных. С учетом больших объемов аудиоин- формации, хранящейся в корпусе МП, сущест- венное значение имеет скорость и надежность поиска. Для повышения надежности результатов поиска в статье предлагается метод быстрого поиска фрагмента аудиозаписи в корпусе МП с усовершенствованной оценкой степени близости между неизвестным аудиофрагментом и шабло- нами, позволяющий повысить достоверность принятия решения при поиске путем увеличения степени различимости шаблона собственного МП с остальными аудиозаписями. Постановка задачи Цель данной статьи – повышение достовер- ности принятия решения в процессе поиска шаблона собственного МП (далее в статье – соб- ственного шаблона) для неизвестного аудио- фрагмента благодаря применению усовершен- ствованной оценки степени близости между фрагментом и шаблонами, которая позволяет существенно увеличить уровень различимости шаблона собственного МП с другими. Для повышения достоверности принятия ре- шения при поиске собственного шаблона для неизвестного фрагмента необходимо решить следующие задачи:  выбрать параметры, которые позволили бы однозначно и компактно его описать;  предложить оценку степени близости неиз- вестного фрагмента МП и предварительно соз- данных шаблонов аудиозаписей, обеспечиваю- щую высокий уровень различимости шаблона собственного МП и остальных;  провеcти экспериментальные исследования. Результатом поиска будет шаблон МП в кор- пусе с минимальным различием относительно входной аудиозаписи. Считаем, что аудиозапись, которую надо определить, точно совпадает с од- ним из шаблонов корпуса. Выбор математической модели аудиосиг- нала мел-частотных кепстральных коэффи- циентов Схема определения соответствия МП на ос- нове контента базируется на использовании ау- диофайла для построения модели аудиосигнала. Сравнивать непосредственно звуковые сигналы во временной области неэффективно, поэтому аудиозапись разбивают на фреймы (фрагменты по 10 – 30 мс), для которых характеристики сиг- нала остаются относительно устойчивыми. Для каждого фрейма выполняется спектральный ана- лиз, на основе которого так или иначе вычисля- ется значение вектора параметров (параметриза- ция). Много различных параметров предложено в литературе [1, 2]. В данной стптье в качестве параметров выбраны мел-частотные кепстраль- ные коэффициенты (MFCC – Mel Frequency Cep- stral Coefficients), которые впервые было пред- ложено использовать в системах распознавания речи и диктора [3], в дальнейшем они получили 52 УСиМ, 2015, № 6 широкое применение в процессе информацион- ного поиска музыки (MIR) [4, 5]. В результате параметризации получаем описание МП в виде файла, содержащего вектора MFCC. Таким образом, если частота дискретизации звукового файла – 44,1 кГц, длина фрейма – 20 мс с перекрытием 0,5 фрейма, то среднеста- тистическое МП продолжительностью три мин. характеризуют примерно восемь млн. отсчетов, или, с учетом перекрытия фреймов, приблизи- тельно 18 тыс. фреймов, каждый из которых описывается вектором параметров MFCC раз- мерности 13 (рис. 1). Рис. 1. Описание wav-файла (3 мин.) Как видно, параметризация позволяет умень- шить количество информации, необходимой для описания МП, в десятки раз: 8 000 000 отсчетов 8 000 000 34 раза 18 000 13 234 000MFCC    . Таким образом, коэффициенты MFCC есть компактным представлением спектральной оги- бающей, что при распознавании МП позволяет успешно заменить миллионы отсчетов аудио- файла. Сравнение неизвестного музыкального произведения с шаблонами по приведенно- му расстоянию После выбора параметров для описания МП, необходимо перейти к сравнению неизвестно- го МП с аудиозаписями корпуса и определе- нию шаблона, различие с которым будет ми- нимальным. Для того чтобы идентифицировать неизвестную аудиозапись, необходимо иметь критерий сравнения. Как правило, таким кри- терием есть расстояние D. Сравнение по вы- бранным параметрам должно обеспечить вы- сокий уровень различимости собственного шаб- лона X~ и шаблонов других произведений ,~Y т.е. в результате сравнения неизвестного МП X с собственным шаблоном погрешность (по расстоянию) между ними должна быть мини- мальной, и как можно большей – для шабло- нов других произведений: ( , ) min ( , ) ( , ), ( , ) max D D D D      X X X X X Y X Y     (1) где X~ – множество векторов параметров соб- ственного шаблона; Y~ – множество векторов параметров шаблона иного МП. Рис. 2. Общая схема поиска МП Самым простым и очевидным подходом для определения близости между наборами пара- метров MFCC неизвестного МП и аудиозапи- сей в корпусе есть сравнение MFCC на основе наиболее распространенной евклидовой метрики (ЕМ), точнее квадрата евклидова расстояния. Формула невзвешенного евклидова расстояния между вектором параметров x = (x1, x2,, xd), МП, которое нужно идентифицировать, и век- тором шаблона  dyyy ~,...,~,~~ 21y :  22 1 ( , ) . d Eu i i i D x y   x y  (2) Соответственно расстояние (погрешность) между файлами параметров неизвестного про- изведения и шаблона можно найти как сумму расстояний: 2( , ) ( ).Eu j jD D ,X Y x y  (3) В идеальном случае при таком подходе рас- стояние между файлами параметров MFCC одного и того же МП будет равна нулю, для разных – отличной от нуля: ( , ) 0, ( , ) 0. D D     X X X Y   (4) Отметим, что даже для одного и того же МП аудиозаписи могут отличаться, например: в начале записи может идти тишина, мелодия другого МП и т.д.; записи могут иметь разный темп, продолжительность. Это означает, что при смещении фреймов во времени расстояние к собственному шаблону 0)~,( XXD , т.е. ус- ловие различимости собственного МП (4) не выполняется, следовательно, непосредствен- УСиМ, 2015, № 6 53 ное сравнение файлов параметров по евклидо- ву расстоянию не подходит для задачи поиска аудиофрагмента в корпусе аудиозаписей. Очевидно, что в большинстве случаев МП характеризуется определенной периодичностью, что заключается в наличии идентичных или очень похожих по тексту и характеру мелодии фрагментов. Соответственно можно говорить об избыточности данных, которыми описывается аудиозапись, и сократить количество параметров для ее описания. Учитывая это целесообразно применить методы кластерного анализа для фор- мирования корпуса аудиозаписей, приведенные далее. Использование кластеризации для форми- рования эталонов корпуса позволит уменьшить объемы памяти, необходимые для их хранения. Основные этапы сравнения файлов пара- метров неизвестного МП с определенным шаб- лоном в корпусе:  Поиск минимального евклидова расстоя- ния D min2 между текущим вектором парамет- ров x = (x1, x2,, xd) из множества параметров   n XxX , МП, которое нужно идентифи- цировать, и множеством векторов-центроидов   , ,m Y y Y   dyyy ~,...,~,~~ 21y шаблона:   2 2 2 1 min min( ( )) min , 1, . Eu jj d i jij i D D , x y j m            x y  (5)  Вычисление оценки расстояния в целом к шаблону в виде суммы квадратов минималь- ных расстояний Dmin2: 2 2 1 1 1 ( , ) min min ( ) , 1, . n n d i jijl l i D D x y j m              X Y  (6) Вместе с тем, поскольку МП имеют разную продолжительность, каждое произведение ха- рактеризуется собственным количеством фрей- мов, представленных векторами MFCC. При кластеризации вычисляется одинаковое количе- ство центроидов для всех шаблонов. Это при- водит к тому, что разные произведения нахо- дятся в неравных условиях, т.е. для произведе- ний, длительность которых больше, начальная погрешность (между файлами того же произ- ведения до и после кластеризации) тоже будет больше, так как в этом случае на каждый кла- стер будет приходиться больше векторов па- раметров. Избежать этого можно путем деле- ния расстояния до шаблона, определенного в формуле (6), на количество фреймов МП n. Назовем эту величину приведенным расстоя- нием (ПР – DПВ) аудиозаписи:   2 1 2 1 1 min ( , ) min , 1, . n l ПВ n d i ji l i D DD n n x y j m n                X Y  (7) Как видно из формулы (7) характеристика DПВ не зависит от количества фреймов (про- должительности записи). Таким образом, ее можно использовать в качестве критерия при- нятия решения как для записи в целом, так и для ее отдельного аудиофрагмента. Обоснова- ние этого приведено в [6], там же определена длительность фрагмента МП в 5с (500 фрей- мов или 500 векторов параметров MFCC) дос- таточная для поиска аудиозаписи. Создание корпуса шаблонов музыкаль- ного произведения на основе кластеризации Методы кластеризации широко используют- ся в системах распознавания аудиосигнала [7]. Задачу кластеризации можно сформулировать так: заданный набор из n векторов размерности d необходимо разбить на подмножества в со- ответствии с критерием минимизации искаже- ния .min2 ie Существуют различные пути оценивания искажения, но в большинстве при- кладных реализаций используют сумму сред- неквадратических евклидовых расстояний ме- жду центром кластера (центроидом) ci и векто- рами параметров, которые к нему относятся XXxX  ii },{ [8, 9], т.е.: 2 2 2 1 1 { : ( , ) \| ( , ) \| }, i iN N i i Eu j i i Eu j i j j e D D       c x c x X x c x X 2, \ , min ,i i ie   X X c X X где N i – количество векторов, принадлежащих центроиду ci. Таким образом, шаблоны МП можно опи- сать центроидами кластеров параметров MFCC. 54 УСиМ, 2015, № 6 Поскольку между каждым центроидом ci и век- торами, относящимися к нему, есть погрешность 2 ,ie то расстояние между файлами параметров, описывающих одно и то же МП до кластериза- ции и после (даже если аудиозаписи были иден- тичными), будет положительным и равным вели- чине суммарной погрешности кластеризации E 2. Итак, сформированный корпус шаблонов МП для идентификации неизвестного фрагмента аудиозаписи фактически представляет собой файл, содержащий центроиды MFCC всех шаб- лонов МП. Применение kd-деревьев для поиска фраг- мента музыкального произведения в корпу- се шаблонов Самое простое решение общеизвестной за- дачи поиска ближайшего соседа, а в нашем слу- чае – ближайшего центроида в корпусе аудиоза- писей – это вычисление расстояния между век- тором неизвестного аудиофрагмента, который нужно идентифицировать, и всеми векторами- центроидами шаблонов. Время выполнения пол- ного поиска пропорционально O(dN), где N – количество центроидов в корпусе, d – размер- ность векторов. Однако применение такого под- хода для поиска в больших базах данных прак- тически нереализуемо. Поэтому для уменьшения сложности вычислений при поиске фрагмента аудиозаписи в сформированном корпусе был применен простой способ разбиения простран- ства – k-мерное дерево (kd-дерево). Центроиды аудиозаписей в корпусе были упорядочены на основе kd-дерева [10]. Упорядочение выполняет- ся очень быстро, поскольку разбиение простран- ства происходит только вдоль осей данных, со- ответственно при этом не нужно вычислять d- мерные расстояния. В работе [11] предложено усовершенствованную процедуру поиска по kd- дереву, примененную для поиска ближайшего центроида в корпусе шаблонов в процессе поис- ка фрагмента МП. Чтобы обеспечить нахождение ближайшего вектора, поиск, кроме прямой фазы (спуска по дереву), должен иметь также обратную (поиск элементов дерева в заданном диапазоне). Во вре- мя прямого поиска фиксируются все расстояния к узлам d i. Прямая фаза завершается вычислени- ем расстояния Dmin = Dk к соответствующей тер- минальной вершине, в которой лежат неизвест- ный вектор, а также потенциально ближайший элемент дерева (центроид шаблона в корпусе), что задает на обратной фазе радиус поиска. В свою очередь на обратной фазе поиска вычис- ляются расстояния d i лишь к тем узлам дерева, которые могут обеспечить выполнение d i < Dmin. Если для соответствующего листа выполняется условие d k < Dmin , радиус поиска корректируют Dmin = Dk [11, 12]. Рассмотренная процедура поиска гаранти- рует нахождение ближайшего вектора по фор- муле (1), однако нуждается в большем количе- стве измерений расстояния, чем log 2 n. Отметим, что поиск на основе kd-дерева – очень эффективен только для небольших раз- мерностей (d < 20). Для d < 20 среднее время по- иска ближайшего вектора в корпусе, упорядо- ченного на основе kd-дерева, в среднем растет пропорционально ( ) ( log( 1)),O h O d N   где h – высота дерева [11]. Для больших размерностей вычислительная сложность может достигать O(d  N). Приведенная процедура поиска обеспечивает получение не одного ближайшего вектора, а не- которого множества векторов, упорядоченных по возрастанию расстояния согласно формуле (2). Это возможно, если данные о расстоянии к уже пройденным терминальным вершинам со- храняются, и одновременно осуществляется их упорядочение по возрастанию расстояния к не- известному вектору. Благодаря этому дополни- тельное нахождение нескольких ближайших векторов не требует много времени. Оценки степени близости неизвестного фрагмента с шаблонами музыкального про- изведения Для каждого фрейма (вектора) x l неизвест- ного аудиофрагмента сначала выполняется быс- трый поиск в упорядоченном на основе kd-де- рева корпусе шаблонов МП, в процессе кото- рого по ЕМ по формуле (2) отбирается множе- ство C векторов-центроидов шаблонов (кан- дидатов на ближайший вектор), упорядочен- ных по возрастанию расстояния: 1 2, { , , , },k C T C Y Y Y   УСиМ, 2015, № 6 55 , , , ,m k N m Q k N     Y C T где k – количество векторов шаблонов в списке ближайших к фрейму неизвестного фрагмента; m – количество центроидов (векторов) шаблона; Q – общее количество аудиозаписей в корпусе; N – общее количество центроидов в корпусе. Для каждого из k ближайших центроидов множества C хранятся расстояние к фрейму не- известного фрагмента 2 ( , )p q jD x y и индекс со- ответствующего шаблона МП ipq в корпусе: 2 2{ }, { ( , )}, ( , )pq p l qj p l qji D D  I D x y x y  = 2 1 ( ) , d i j i x y    1, , 1, , 1, , 1, .p k l n j m q Q    После этого определяется шаблон, ближай- ший к неизвестному аудиофрагменту. В табл. 1 показаны результаты для первых десяти из списка k ближайших центроидов шаб- лонов для первого и 145-го фреймов неизвест- ного МП, полученные поиском на основе kd-де- рева. Индекс собственного шаблона (ближайше- го суммарно по всем фреймам фрагмента) вы- делен цветом. Т а б л и ц а 1 Индексы ближайших шаблонов (и расстояния) для первого и 145-го фреймов № ПП 1 145 1 397 (0,288) 2 (0,431) 2 694 (0,306) 553 (1,115) 3 220 (0,319) 457 (1,159) 4 17 (0,358) 479 (1,177) 5 19 (0,359) 407 (1,238) 6 2 (0,380) 2 (1,269) 7 453 (0,385) 19 (1,273) 8 409 (0,396) 952 (1,284) 9 988 (0,419) 546 (1,317) 10 659 (0,425) 2 (1,353) Из результатов табл. 1 видно, что центрои- ды собственного шаблона могут находиться не на первых позициях (первый фрейм) в списке k ближайших. Также можно наблюдать на при- мере 145-го фрейма, что центроиды собственной аудиозаписи в списке ближайших могут встре- чаться несколько раз. Кроме того, полученные данные еще раз подтверждают то, что фрагмент для поиска лучше брать не с са7мого начала МП. На основе представленных в табл. 1 данных и их анализа рассмотрим возможные варианты вычисления степени близости неизвестного фрагмента с шаблонами в корпусе МП. Вычисление степени близости по приведен- ному расстоянию  Для текущего фрейма x l неизвестного фраг- мента расстояние к каждому шаблону опреде- ляется в соответствии с правилом: 2 2 min( ), , , , p q p D q Distance D p k q        I I (10) когда на данном фрейме расстоянием к шабло- ну будет считаться наименьшее расстояние сре- ди его центроидов, попавших в список бли- жайших. Расстояние для аудиозаписей в кор- пусе, центроиды которых не попали в список k ближайших, считается равным расстоянию для последнего k-го центроида из списка ближай- ших. Последнее фактически означает, что ис- кусственно занижается расстояние к тем шаб- лонам, которые не попали в список k ближай- ших, и соответственно уменьшается уровень различимости собственного шаблона и осталь- ных аудиозаписей в корпусе.  Для каждого шаблона qY~ вычисляется сум- ма расстояний по всем n фреймам неизвестно- го фрагмента. 1 ( , ) . n q q l D Distance  X Y (11)  На последнем шаге находится минимум приведенного расстояния, определенного ра- нее в формуле (7): ПВ ( , ) ( , ) min min .q qq q D D D n   X Y X X   (12) Считаем, что неизвестный аудиофрагмент X принадлежит тому шаблону X~ из корпуса МП, который обеспечивает минимум в формуле (12). Вычисление степени близости по количе- ству попаданий шаблона в список k ближай- ших центроидов (Hits)  Для каждого фрейма x l неизвестного фраг- мента фиксируется количество попаданий цен- троидов q-го шаблона в список k ближайших: 1 , k q p p h   Hits где 1, 0,p q h q       I I . (13) 56 УСиМ, 2015, № 6  Для каждого шаблона qY~ находится сум- марное значение количества попаданий по всем n фреймам неизвестного фрагмента.  Собственным шаблоном МП считается тот, для которого значение оценки меры близости согласно формуле (13) по всем n фреймам, есть самым большим: 1 ( , ) max . n qq l H   X X Hits (14) При таком подходе разница между собст- венной аудиозаписью и другими растет, при этом сложность вычислений уменьшается. Вычисление степени близости по взвешен- ному количеству попаданий шаблона в список k ближайших центроидов (Weighted Hits) При этом подходе к оценке степени близо- сти между неизвестным фрагментом и шабло- нами учитываются преимущества двух преды- дущих, т.е. учитываются как расстояния 2 pD , так и количество попаданий hp центроидов шаблона в список k ближайших, а также пози- ция шаблона в списке ближайших, что будет отражено в формуле (15).  Для каждого фрейма xl фрагмента вычис- ляется величина, названная взвешенным коли- чеством попаданий центроидов q-го шаблона в список k ближайших по формуле: 2 2 1 ( ) . k q k p p p D D h    Weighted Hits (15).  Аналогичным образом (как и в предыдущем подходе) для каждой аудиозаписи qY~ в кор- пусе находится суммарное значение взвешен- ного количества попаданий по всем n фреймам неизвестного фрагмента.  Собственным шаблоном МП считается тот, для которого значение оценки меры близости согласно формуле (15) по всем фреймам, раз- деленное на общее их количество (как в пер- вом подразделе), является наибольшим (как и во втором): 1 ( , ) max . n q q l WH n   W eighted Hits X X (16) Этот усовершенствованный подход оцени- вания степени близости между неизвестным фрагментом и шаблонами должен позволить уравновесить преимущества и недостатки пре- дыдущих двух. Экспериментальные результаты Для проведения экспериментальных иссле- дований был сформирован корпус из 1000 ау- диозаписей МП. Все МП имели формат wav (mono) с частотой дискретизации 44,1 кГц. Пред- варительно из аудиофайлов удалена тишина в начале и конце записей. В процессе формирова- ния корпуса МП аудиозаписи шаблонов были разбиты на фреймы по 20 мс с перекрытием 10 мс и для каждого фрейма вычислен вектор параметров MFCC размерности 13. Последова- тельности векторов параметров MFCC, описыва- ющих МП, были кластеризованы, используя усо- вершенствованный метод кластеризации k-сред- них, предложенный в [13]. После кластериза- ции каждый шаблон в корпусе был представ- лен 1000 центроидов MFCC (в среднем около 20 векторов на кластер). Фрагменты продолжи- тельностью 5с для идентификации выбирались случайным образом из эталонов сформирован- ного корпуса МП. Применение поиска по kd-де- реву и оценки меры близости к шаблонам со- гласно выражениям (10) – (12) в сравнении с полным поиском приводит к некоторому умень- шению степени различимости собственной ау- диозаписи и остальных шаблонов корпуса (рис. 3), однако разница остается достаточной для принятия правильного решения. Рис. 3. Сравнение результатов полного поиска и поиска на основе kd-дерева На рис. 4 показаны результаты сравнения не- известного фрагмента с шаблонами (собствен- ный шаблон под № 3) по предложенным в раз- деле формулам (11) – (16) для оценки степени УСиМ, 2015, № 6 57 их близости, и сводную гистограмму, на кото- рой представлены все варианты оценивания степени близости шаблонов и неизвестного фрагмента в относительных единицах для дос- тижения единого масштаба. Рис. 4. Сравнение оценок степени близости неизвестного фрагмента с шаблонами Как видно из приведенных результатов, оце- нивание степени близости по взвешенному ко- личеству попаданий шаблона в список k бли- жайших (Weighted Hits) обеспечивает высокий уровень различимости собственного и чужих шаблонов. Также на уровень различимости собствен- ного шаблона и остальных влияет количество центроидов, которыми представлены аудиоза- писи в корпусе, продолжительность фрагмента для поиска и количество ближайших центрои- дов, получаемых в результате поиска по kd- дереву. Последний вариант наиболее прием- лем для повышения уровня различимости, так как не приводит к значительному росту време- ни поиска. Рассматривались результаты для 20 и 50 ближайших кандидатов. В табл. 2 для пя- ти фрагментов представлены результаты, по- лученные при выборе собственной аудиозапи- си в корпусе по оценкам степени близости не- известного фрагмента с шаблонами, описанным ранее. Для каждой из оценок степени близости показаны значения, полученные для собствен- ного шаблона (выделены цветом), и наиболее близкого среди других. Полученные данные показывают, что, с уве- личением количества ближайших соседей до 50, разница в оценках возрастает, что увеличивает степень различимости между собственным шаб- лоном и остальными. Т а б л и ц а 2 k 20 50 № фрагм. 1 2 3 4 5 1 2 3 4 5 0,412 0,454 0,304 0,364 0,454 0,425 0,490 0,324 0,386 0,475DПВ 0,753 0,564 0,434 0,458 0,615 0,847 0,639 0,498 0,521 0,683 821 275 391 335 580 1238 412 535 479 931H 160 57 65 74 140 390 134 125 177 307 0,567 0,152 0,174 0,118 0,260 0,900 0,251 0,261 0,191 0,426WH 0,075 0,017 0,026 0,016 0,027 0,167 0,048 0,056 0,041 0,074 Оценка расстояния к собственной аудиоза- писи, полученная по формуле (16), при k = 20 в среднем в восемь раз превышает аналогичную оценку расстояния к другим шаблонам. Таким образом, усовершенствованная оценка близо- сти значительно повышает достоверность при- нятия решения в процессе поиска шаблона соб- ственного МП и обеспечивает возможность для дальнейшего расширения корпуса МП. Отметим, что для выполнения поиска в реаль- ных архивах аудиозаписей, что содержат сотни тысяч, миллионы аудиозаписей, критическим требованием есть высокая скорость поиска. Вы- полнение не точного, а приближенного поиска векторов (когда найденный вектор не обязатель- но ближайший, но достаточно близкий) на осно- ве kd-дерева позволяет достичь значительной экономии времени, однако приводит к сниже- нию достоверности результатов поиска. Поэто- му для уменьшения сложности вычислений при сохранении достоверности результатов целесо- образно для больших архивов аудиозаписей вы- полнять комбинированный поиск, сочетающий быстрый неточный поиск с применением kd- дерева нескольких ближайших аудиозаписей корпуса для заданного аудиофрагмента на пер- вом этапе поиска, среди которых на втором эта- пе происходит уточнение собственной аудиоза- писи с помощью полного перебора. Получил дальнейшее развитие метод поиска на основе kd-дерева с усовершенствованной оценкой меры близости по взвешенному коли- честву попаданий в список ближайших цен- троидов. Предложенный метод позволил уве- личить полноту и релевантность результатов по- иска, а именно: для аудиофрагмента длитель- ностью 5 с полнота поиска составляет 99,8 про- 58 УСиМ, 2015, № 6 центов, релевантность – 97,4 процентов, для ау- диофрагмента 1 с – 99,6 и 94,3 процентов соот- ветственно, что превышает аналогичные показа- тели существующих методов. Заключение. В статье предложен метод бы- строго поиска аудиофрагментов продолжитель- ностью 5с на основе kd-дерева с усовершенство- ванной оценкой степени близости между неиз- вестным фрагментом и аудиозаписями в кор- пусе, позволяющий повысить достоверность ре- зультатов поиска. Предложены аналитические соотношения для оценки степени близости неиз- вестного фрагмента с шаблонами, которые бази- руются на вычислении расстояния от фрагмента к заданному числу ближайших центроидов и ко- личества попаданий в список ближайших сосе- дей. Применение усовершенствованной оценки степени близости (по взвешенному количеству попаданий в список k ближайших центроидов) между неизвестным аудиофрагментом и шабло- нами существенно увеличивает уровень разли- чимости собственной аудиозаписи в корпусе. Оценка расстояния к собственной аудиозаписи при k = 20 в среднем в восемь раз превышает аналогичную оценку расстояния к другим ау- диозаписям корпуса. 1. Wang Y., Liu Z, Huang J,C. Multimedia content analy- sis using both audio and visual cues // IEEE signal processing magazine. – 2000. – N 17. – P. 12–36. 2. Grosche P., Müller M., Serrà J. Audio content-based mu- sic retrieval // Dagstuhl Follow-Ups Multimodal Music Processing. – Dagstuhl, Germany. – 2012. – 3. – P. 157– 175. 3. Ganchev T., Fakotakis N., Kokkinakis G. Comparative evaluation of various mfcc implementations on the speaker verification task // Proc. of 9th Int. Conf. on Speech and Comp., SPECOM’05. – 2005. – P. 191–194. 4. Logan B., Salomon A. A music similarity function based on signal analysis // Proc. IEEE Int. Conf. Mul- timedia Expo. – 2001. – P. 745–748. 5. Tzanetakis G., Cook P. Musical genre classification of audio signals // IEEE Trans. Speech Audio Process. – 2002. – 10, N 5. – P. 293–301. 6. Ткаченко О.М., Грійо Тукало О.Ф. Підхід до оціню- вання тривалості фрагмента для пошуку музичного твору за заданим шаблоном // Інформаційні техно- логії та комп’ютерна інженерія. – Вінниця: ВНТУ, 2014. – № 1. – С. 31–40. 7. Сажок Н.Н. Кластеризация слов при построении лингвистической модели для автоматического рас- познавания речевого сигнала // Кибернетика и вы- числительная техника. – 2012. – № 4. – С. 59–66. 8. Gersho A., Gray R.M. Vector Quantization and Signal Compression. – Boston: Kluwer Academic, 1992. – 760 p. 9. Jain A.K., Dubes R.C. Algorithms for Clustering Data. – Englewood Cliffs, N.J.: Prentice Hall. – 1988. – 334 p. 10. Moore A. An introductory tutorial on KD trees // Tech- nical Report. – 1991. – N 209 (Extract from PhD Thesis). – Computer Laboratory, University of Cambridge. – http//www.autonlab.org/autonweb/14665/version/2/pa et/5/data/moore-tutorial.pdf 11. Friedman J.H., Bentley J.L., Finkel R.A. An algorithm for finding best matches in logarithmic expected time // ACM Transactions on Mathematical Software, 1977. – 3(3). – Р. 209–226. 12. Arya S., Mount D.M. Algorithms for fast vector quan- tization // Proc. of DCC '93: Data Compression Con- ference. – 1993. – P. 381–390. 13. Метод кластеризації на основі послідовного запус- ку k-середніх з удосконаленим вибором кандидата на нову позицію вставки / О.М. Ткаченко, О.Ф. Грійо Тукало, О.В. Дзісь та ін. // Наукові праці ВНТУ. – 2012. – № 2. – 10 c. – http//praci.vntu.edu.ua//article/ view/2325 E-mail: alextk1960@gmail.com, xxmargoxx@gmail.com © А.Н. Ткаченко, О.Ф. Грийо Тукало, 2015 UDC 621.39 A.N. Tkachenko, O.F. Griyo Tukalo The Method of Audio Fragment Fast Search with an Improved Estimation of the Measure Proximity The development of the Internet, digital media, multimedia technologies and new ways of processing audio information gener- ates enormous interest and attention to the ways in which information technology can be applied. With access to the huge archives of multimedia, virtually anywhere and at any time, it is necessary to propose the new ways to navigate and interact with these large audio archives. This paper proposes a method for the fast search of the unknown audio fragment in the corpus of audio recordings with the improved estimation of the measure proximity, thus enhancing the reliability of the audio search. Through the use of the improved estimation of the measure proximity between the unknown fragment and the audio recordings contained in the corpus, the level of distinguishability of its own audio recording is significantly increased. Experimental results show that the overall distance to its own audio on average 8 times higher than estimate distances to other audio recordings in the corpus.  << /ASCII85EncodePages false /AllowTransparency false /AutoPositionEPSFiles true /AutoRotatePages /None /Binding /Left /CalGrayProfile (Dot Gain 20%) /CalRGBProfile (sRGB IEC61966-2.1) /CalCMYKProfile (U.S. Web Coated \050SWOP\051 v2) /sRGBProfile (sRGB IEC61966-2.1) /CannotEmbedFontPolicy /Error /CompatibilityLevel 1.4 /CompressObjects /Tags /CompressPages true /ConvertImagesToIndexed true /PassThroughJPEGImages true /CreateJobTicket false /DefaultRenderingIntent /Default /DetectBlends true /DetectCurves 0.0000 /ColorConversionStrategy /CMYK /DoThumbnails false /EmbedAllFonts true /EmbedOpenType false /ParseICCProfilesInComments true /EmbedJobOptions true /DSCReportingLevel 0 /EmitDSCWarnings false /EndPage -1 /ImageMemory 1048576 /LockDistillerParams false /MaxSubsetPct 100 /Optimize true /OPM 1 /ParseDSCComments true /ParseDSCCommentsForDocInfo true /PreserveCopyPage true /PreserveDICMYKValues true /PreserveEPSInfo true /PreserveFlatness true /PreserveHalftoneInfo false /PreserveOPIComments true /PreserveOverprintSettings true /StartPage 1 /SubsetFonts true /TransferFunctionInfo /Apply /UCRandBGInfo /Preserve /UsePrologue false /ColorSettingsFile () /AlwaysEmbed [ true ] /NeverEmbed [ true ] /AntiAliasColorImages false /CropColorImages true /ColorImageMinResolution 300 /ColorImageMinResolutionPolicy /OK /DownsampleColorImages true /ColorImageDownsampleType /Bicubic /ColorImageResolution 300 /ColorImageDepth -1 /ColorImageMinDownsampleDepth 1 /ColorImageDownsampleThreshold 1.50000 /EncodeColorImages true /ColorImageFilter /DCTEncode /AutoFilterColorImages true /ColorImageAutoFilterStrategy /JPEG /ColorACSImageDict << /QFactor 0.15 /HSamples [1 1 1 1] /VSamples [1 1 1 1] >> /ColorImageDict << /QFactor 0.15 /HSamples [1 1 1 1] /VSamples [1 1 1 1] >> /JPEG2000ColorACSImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /JPEG2000ColorImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /AntiAliasGrayImages false /CropGrayImages true /GrayImageMinResolution 300 /GrayImageMinResolutionPolicy /OK /DownsampleGrayImages true /GrayImageDownsampleType /Bicubic /GrayImageResolution 300 /GrayImageDepth -1 /GrayImageMinDownsampleDepth 2 /GrayImageDownsampleThreshold 1.50000 /EncodeGrayImages true /GrayImageFilter /DCTEncode /AutoFilterGrayImages true /GrayImageAutoFilterStrategy /JPEG /GrayACSImageDict << /QFactor 0.15 /HSamples [1 1 1 1] /VSamples [1 1 1 1] >> /GrayImageDict << /QFactor 0.15 /HSamples [1 1 1 1] /VSamples [1 1 1 1] >> /JPEG2000GrayACSImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /JPEG2000GrayImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /AntiAliasMonoImages false /CropMonoImages true /MonoImageMinResolution 1200 /MonoImageMinResolutionPolicy /OK /DownsampleMonoImages true /MonoImageDownsampleType /Bicubic /MonoImageResolution 1200 /MonoImageDepth -1 /MonoImageDownsampleThreshold 1.50000 /EncodeMonoImages true /MonoImageFilter /CCITTFaxEncode /MonoImageDict << /K -1 >> /AllowPSXObjects false /CheckCompliance [ /None ] /PDFX1aCheck false /PDFX3Check false /PDFXCompliantPDFOnly false /PDFXNoTrimBoxError true /PDFXTrimBoxToMediaBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXSetBleedBoxToMediaBox true /PDFXBleedBoxToTrimBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXOutputIntentProfile () /PDFXOutputConditionIdentifier () /PDFXOutputCondition () /PDFXRegistryName () /PDFXTrapped /False /CreateJDFFile false /Description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> /CHS <FEFF4f7f75288fd94e9b8bbe5b9a521b5efa7684002000410064006f006200650020005000440046002065876863900275284e8e9ad88d2891cf76845370524d53705237300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c676562535f00521b5efa768400200050004400460020658768633002> /CHT <FEFF4f7f752890194e9b8a2d7f6e5efa7acb7684002000410064006f006200650020005000440046002065874ef69069752865bc9ad854c18cea76845370524d5370523786557406300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c4f86958b555f5df25efa7acb76840020005000440046002065874ef63002> /CZE <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> /DAN <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> /DEU <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> /ESP <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> /ETI <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> /FRA <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> /GRE <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a stvaranje Adobe PDF dokumenata najpogodnijih za visokokvalitetni ispis prije tiskanja koristite ove postavke. Stvoreni PDF dokumenti mogu se otvoriti Acrobat i Adobe Reader 5.0 i kasnijim verzijama.) /HUN <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> /ITA <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> /JPN <FEFF9ad854c18cea306a30d730ea30d730ec30b951fa529b7528002000410064006f0062006500200050004400460020658766f8306e4f5c6210306b4f7f75283057307e305930023053306e8a2d5b9a30674f5c62103055308c305f0020005000440046002030d530a130a430eb306f3001004100630072006f0062006100740020304a30883073002000410064006f00620065002000520065006100640065007200200035002e003000204ee5964d3067958b304f30533068304c3067304d307e305930023053306e8a2d5b9a306b306f30d530a930f330c8306e57cb30818fbc307f304c5fc59808306730593002> /KOR <FEFFc7740020c124c815c7440020c0acc6a9d558c5ec0020ace0d488c9c80020c2dcd5d80020c778c1c4c5d00020ac00c7a50020c801d569d55c002000410064006f0062006500200050004400460020bb38c11cb97c0020c791c131d569b2c8b2e4002e0020c774b807ac8c0020c791c131b41c00200050004400460020bb38c11cb2940020004100630072006f0062006100740020bc0f002000410064006f00620065002000520065006100640065007200200035002e00300020c774c0c1c5d0c11c0020c5f40020c2180020c788c2b5b2c8b2e4002e> /LTH <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> /LVI <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> /NLD (Gebruik deze instellingen om Adobe PDF-documenten te maken die zijn geoptimaliseerd voor prepress-afdrukken van hoge kwaliteit. De gemaakte PDF-documenten kunnen worden geopend met Acrobat en Adobe Reader 5.0 en hoger.) /NOR <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> /POL <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> /PTB <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> /RUM <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> /RUS <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> /SKY <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> /SLV <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> /SUO <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> /SVE <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> /TUR <FEFF005900fc006b00730065006b0020006b0061006c006900740065006c0069002000f6006e002000790061007a006401310072006d00610020006200610073006b013100730131006e006100200065006e0020006900790069002000750079006100620069006c006500630065006b002000410064006f006200650020005000440046002000620065006c00670065006c0065007200690020006f006c0075015f007400750072006d0061006b0020006900e70069006e00200062007500200061007900610072006c0061007201310020006b0075006c006c0061006e0131006e002e00200020004f006c0075015f0074007500720075006c0061006e0020005000440046002000620065006c00670065006c0065007200690020004100630072006f006200610074002000760065002000410064006f00620065002000520065006100640065007200200035002e003000200076006500200073006f006e0072006100730131006e00640061006b00690020007300fc007200fc006d006c00650072006c00650020006100e70131006c006100620069006c00690072002e> /UKR <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> /ENU (Use these settings to create Adobe PDF documents best suited for high-quality prepress printing. Created PDF documents can be opened with Acrobat and Adobe Reader 5.0 and later.) >> /Namespace [ (Adobe) (Common) (1.0) ] /OtherNamespaces [ << /AsReaderSpreads false /CropImagesToFrames true /ErrorControl /WarnAndContinue /FlattenerIgnoreSpreadOverrides false /IncludeGuidesGrids false /IncludeNonPrinting false /IncludeSlug false /Namespace [ (Adobe) (InDesign) (4.0) ] /OmitPlacedBitmaps false /OmitPlacedEPS false /OmitPlacedPDF false /SimulateOverprint /Legacy >> << /AddBleedMarks false /AddColorBars false /AddCropMarks false /AddPageInfo false /AddRegMarks false /ConvertColors /ConvertToCMYK /DestinationProfileName () /DestinationProfileSelector /DocumentCMYK /Downsample16BitImages true /FlattenerPreset << /PresetSelector /MediumResolution >> /FormElements false /GenerateStructure false /IncludeBookmarks false /IncludeHyperlinks false /IncludeInteractive false /IncludeLayers false /IncludeProfiles false /MultimediaHandling /UseObjectSettings /Namespace [ (Adobe) (CreativeSuite) (2.0) ] /PDFXOutputIntentProfileSelector /DocumentCMYK /PreserveEditing true /UntaggedCMYKHandling /LeaveUntagged /UntaggedRGBHandling /UseDocumentProfile /UseDocumentBleed false >> ] >> setdistillerparams << /HWResolution [2400 2400] /PageSize [612.000 792.000] >> setpagedevice

Метод быстрого поиска фрагмента аудиозаписи с усовершенствованной оценкой меры близости

Institution

Similar Items