基于音频指纹和版本识别的音乐检索技术研究-计算机科学与技术专业论文.docx

万方数据 万方数据 Classified Index: TP391.42 U.D.C: 681.3 Dissertation for the Master Degree in Engineering THE MUSIC RETRIEVAL TECHNOLOGY BASED ON AUDIO FINGERPRINT AND VERSION IDENTIFEICATION Candidate： Guo Yongshuai Supervisor： Associate Prof. Zheng Guibin Academic Degree Applied for： Master of Engineering Speciality： Computer Science and Technology Date of Defence： June, 2014 Degree-Conferring-Institution： Harbin Institute of Technology 哈尔滨工业大学工学硕士学位论文 哈尔滨工业大学工学硕士学位论文 摘 要 基于内容的音乐检索是当前音频检索的热门领域，而且随着在线音乐量的 不断增加，其应用价值也越来越大。另一方面，用户的检索需求也在变化，他 们往往不满足于仅仅获得与查询完全相同的歌曲，还希望获得目标音乐的多个 版本，比如不同歌手、不同场合演唱的版本。随着网络自媒体的发展和业余翻 唱的普及，这种需求也越来越明显。 基于内容的音乐检索分别从查询音乐和样例音乐提取特征，然后进行特征 匹配来检索与查询相同的样例音乐。在样例检索中使用的特征通常称为音频指 纹，其追求格式紧凑简洁，倾向于匹配内容相同的音乐片段，而音乐版本特征 表达复杂，倾向于匹配版本特征相同的片段，而内容并不一定相同。因此本文 对两者分开处理，音乐版本识别可以在规范样例库中离线进行，而基于音频指 纹的检索实时进行，对于指纹检索命中样例，可以根据版本识别结果马上给出 相关样例（即该歌曲的其它版本）。 由于人类听觉性能良好，本文希望从基于听觉机理的特征出发来构建音频 指纹。在分析人耳的生理特征后，本文使用余弦基和发放函数来仿真耳蜗对声 音的处理流程，然后使用稀疏分解得到特征系数。为了克服分解耗时较高的问 题，提出了基于匹配追踪算法的快速特征提取方法。 由于基于听觉机理的稀疏特征形式复杂，并不适于直接用来检索，本文将 其压缩转换为音频指纹。应用的主要方法包括使用最小哈希对高维二值序列特 征进行降维，以及使用局部敏感哈希进行快速检索，然后给出相应的候选确认 和样例检出方法。实验表明该指纹特征具有较好的检索效率和表达性，对于轻 微噪声和时域全局性变化的鲁棒性较好，但对时域局部变化鲁棒性较差。 在音乐版本识别方面，本文首先分析了音乐版本领域内的基础定义、主要 问题和通用处理方法。通过对识别流程梳理和各种方法比较分析，构建出完整 的音乐版本识别方法。本文对常用的谐波音级轮廓特征进行了改进，加入节拍 和调移信息并作为版本识别的核心特征，而且在特征计算前应用了必要的预处 理步骤，包括峰值估计、节拍估计和参照频率估计等。实验结果显示本文构建 的版本识别方法是有效的。 关键词：音频指纹；版本；稀疏分解；局部敏感哈希；谐波音级轮廓特征 I Abstract Content-based music retrieval is one hot area of music retrieval. The significant increase of online music has enhanced its value of application. On the other hand, users’ retrieval demand are also in the change, they are never satisfied with just get the same song as query, but also want to get multiple versions of music, such as different singers sung the song at different occasions.With the development of the we-media and the popularity of amateur cover, this demand is becoming more and more obvious. Content-based music retrieval system will extract feature from the query music and sample music respectively,