哼唱检索中一种新颖的基音周期提取算法

在哼唱检索（QBH）研究中,针对乐曲旋律表达方式以及有效的检索匹配算法已有一定的研究成果,但提取哼唱音频信息基音周期的算法研究还不充分。正确提取基音周期,降低哼唱信号基音周期提取过程中引入的误差,是有效提高整个检索性能的关键所在。在充分分析已有的基音周期提取方法基础上,提出了一种短时自相关（ACF）与短时平均幅度差（AMDF）函数相结合的CAA算法,仿真实验证明了新方法的有效性,相对于传统时域算法提取基音周期,准确度有显著提高。     

一种用关键乐段对音乐进行检索的方法

"用关键乐段检索音乐"是一种基于内容的音乐检索方法。该文在对音乐库做了统计分析的基础上,总结了一些启发式规则,帮助对哼唱输入进行基音检测、音符分割,音乐匹配,从而实现通过内容对音乐进行检索,并初步论证了所提方法的有效性。     

改进的基音检测算法

提出了一种改进的基音检测算法。利用LMS自适应滤波器对带噪语音信号进行语音增强,再求语音信号的自相关函数（ACF）和平均幅度差函数（AMDF）,对ACF峰值和AMDF谷值进行分析,提取改进的ACF/AMDF加权平方特征进行基音检测。实验结果表明,改进算法的检测效果明显优于传统方法,在低信噪比环境下,鲁棒性较好,提高了检测精度。     

支持得分矩阵的音乐检索技术

作为音乐检索的重要方式,哼唱检索由于其有效性和方便性,引起了广泛的关注。对此提出了一种新的基于得分矩阵的音乐哼唱快速检索技术,可以实现哼唱音乐的快速检索。首先根据哼唱音乐特征,将音乐数据库和用户提供的哼唱片段,按自然停顿方式划分音乐的语句,同时使用K-means聚类算法对音乐的语句片段进行音高相似性计算,并根据聚类情况提取出位置特异性得分矩阵。此外,基于得分矩阵提出NA匹配算法和两种加速分段计分方法,分别是顺序前瞻计分SLS算法和置换矩阵前瞻计分PLA算法。实验结果表明所提出的基于得分矩阵的音乐检索技术能够快速有效地返回查询结果,同时PLA算法具有更有效的哼唱音乐检索结果。     

有效的哼唱旋律基音提取方法研究与实现

为使用户可以通过哼唱音乐片段的方式,在较大规模乐曲库中能实时、准确、快速搜索到目标歌曲,结合多种音乐的乐理特点和音乐的数字化表示,提出考虑周期性测度改进传统端点检测方案,并综合线性预测分析（LPC）和相关函数与削波法相结合的方法进行旋律基音提取。实验表明利用LPC仅仅保留声门激励信号的特点,有效地减少了声道共振峰的影响,而采用削波法也一定程度减少噪声的干扰并使得计算相关函数的运算量大为减少,更显著的是考虑周期性测度的端点检测可以找到更精确的语音段,可以准确提取旋律并有效达到哼唱检索实时性要求。     

一个使用歌谱信息进行哼唱检索的系统

提出一种直接使用歌谱信息进行哼唱检索的方法,并在此基础上实现了一个基于内容的哼唱检索系统--Music Angel.该系统采用歌谱轮廓作为检索目标,首先提出歌谱轮廓特征提取算法并构造标准音调差值图,然后提取哼唱片段的基音轮廓特征并将其转换为歌谱轮廓特征,最后使用动态规划算法进行字符串相似度计算,得出检索结果.结果表明,该系统对环境噪声有较好的鲁棒性;在含有405首歌曲的搜索空间中,检索前5位成功率超过90%.     

结合语音增强的基音检测改进方法

针对低信噪比情况下,语音信号传统的基音检测方法鲁棒性较差的问题,提出一种结合语音增强的基音检测改进方法。通过基于听觉掩蔽的多频带谱减法减小带噪语音信号背景噪声,得到较干净的语音;将增强后的语音作为基音检测的待处理语音,利用能零积和能零比的多门限法对其进行清浊音判决;在平均幅度差函数（AMDF）加权自相关函数（ACF）的基础方法上进行改进,实现精确的基音检测。理论与仿真结果表明,在信噪比为－10dB时,该方法依然能够精确检测基音周期,鲁棒性明显提高。     

改进的基音周期检测算法研究

针对传统的短时平均幅度差函数（AMDF）法由于出现均值下降趋势,谷点并非全局最低谷点而导致基音周期提取中的倍频和半频错误出现的情况,提出一种改进算法。将传统的AMDF经过经验模式分解（EMD）处理后去掉趋势项重组新的EMDAMDF,再利用短时自相关函数（ACF）对其进行加权,构造新的EMDAMDF/ACF加权平方特征检测该语音帧的基音。仿真结果表明,该方法有效地加强了AMDF的谷值特性提高了基音周期检测的准确率。     

一种启发式的用哼唱检索音乐的层次化方法

“用哼唱检索音乐”是一种友好的基于内容的音乐检索方法，它已经引起了广泛的研究兴趣；在对音乐库做了统计分析的基础上，总结了一些启发式规则，帮助对哼唱输入进行基音检测、音符分割，哼唱输入表达为音高轮廓图和节奏，音乐库中的音乐按音乐的节奏类型分为不同的节奏区域，并从每首音乐中抽取旋律轮廓图和节奏信息，用递归神经网络记忆旋律轮廓，音乐库的索引是神经网络的权值矩阵，将哼唱输入与音乐库中的音乐匹配的过程就是计算神经网络的输出过程。实验结果显示了所提方法的有效性。     

基于音乐旋律轮廓的特征提取算法

提出了一种基于音乐旋律轮廓的特征提取算法。该算法从哼唱片断中提取出歌曲基音序列,经规整、合并、分段后转化为旋律轮廓序列,然后使用标准音调生成的标准音调差值表将此序列转化为旋律轮廓特征。结果表明,该系统对环境噪声有较好的鲁棒性;在含有405首歌曲的搜索空间中,检索前5位成功率超过90%。     

音乐检索特征库构建方法

合理的音乐特征库构建方法对于实现准确音乐检索具有重要意义.以基于内容音乐检索框架为基础,将音乐特征库的构建分为采用基音提取方法建库、采用乐谱信息建库和采用MIDI分析方法建库3种方式,并提出一种基音提取及后处理方法和MIDI分析方法实现音乐特征库的构建.实验结果表明,这两种建库方法是正确有效的,可以准确、快速地实现音乐特征库的构建.     

Precise pitch profile feature extraction from musical audio for key detection

The majority of pieces of music, including classical and popular music,are composed using music scales, such as keys. The key or the scale information of a piece provides important clues on its high level musical content, like harmonic and melodic context. Automatic key detection from music data can be useful for music classification, retrieval or further content analysis. Many researchers have addressed key finding from symbolically encoded music(MIDI); however, works for key detection in musical audio is still limited. Techniques for key detection from musical audio mainly consist of two steps:pitch extraction and key detection. The pitch feature typically characterizes the weights of presence of particular pitch classes in the music audio. In the existing approaches to pitch extraction, little consideration has been taken on pitch mistuning and interference of noisy percussion sounds in the audio signals, which inevitably affects the accuracy of key detection. In this paper, we present a novel technique of precise pitch profile feature extraction, which deals with pitch mistuning and noisy percussive sounds. The extracted pitch profile feature can characterize the pitch content in the signal more accurately than the previous techniques, thus lead to a higher key detection accuracy. Experiments based on classical and popular music data were conducted. The results showed that the proposed method has higher key detection accuracy than previous methods, especially for popular music with a lot of noisy drum sounds.     

加权短时自相关函数的基音周期估计算法

语音基音频率的准确检测是语音信号处理的难点之一。提出一种加权短时自相关函数(Autocorrelation Function,ACF)算法提取基音频率。在传统的ACF方法基础上,利用短时平均幅度差函数(Average Magnitude Difference Function,AMDF)的平方对ACF函数进行加权,由此加强短时自相关函数在基音周期倍数处的峰值特性。对提取出的基频曲线做平滑处理。实验结果表明,该方法提高了基音周期检测的准确率。     

基于哼唱的音乐检索应用系统

通过研究哼唱旋律基频提取和检索算法,给出了一个完整的基于哼唱的音乐检索系统框架。系统主要分析了旋律特征提取和近似旋律匹配部分。旋律特征提取部分采用基于差分Mel倒谱法求基频;旋律匹配部分对经典的动态时间弯折算法原理分析后,根据声音特征引入音长差序列的余弦相似度,提高了检索效率和精度。在340首MIDI歌曲的测试集上,前三位识别效率提高3.7%,用时降低16%,系统的性能有明显改善。     

基于权值分配的音符识别研究

在基于音高的音乐识别中,基音周期是音符识别中最重要的参数之一。本文以钢琴乐曲为例,提出一种基于权值分配的基音检测算法。在基音周期自相关检测的基础上,分析音乐信号的帧样本,并利用基于权值分配的改进方法检测音符基频,能够有效提高基频识别精度。