元音检测和最值点符号特征匹配的音乐检索

哼唱的随意性和音乐特征提取算法误差都会影响基于哼唱的音乐检索系统的性能。针对上述问题,利用元音帧检测获得较为精确的音符边界,实现音符分割;对分割后的音符提取相对音高和音长,实现符号描述;最后将哼唱片段中音高和音长最值点周围的符号描述作为特征与数据库中的数据进行匹配,得到最相似的候选音乐。实验表明该方法对未经训练的哼唱者的首位匹配正确率达到70%以上,匹配速度也大大优于传统方法,检索性能基本达到了实际应用的需求。     

基于两级神经网络的连续哼唱特征提取

针对用户以任意字词连续哼唱的情况下,哼唱特征提取中音符分割、音符识别难度大的问题,提出了一种基于两级神经网络的哼唱特征提取方法。第一级采用BP神经网络实现哼唱音符分割,得到独立音符;第二级采用RBF神经网络识别分割出的各个音符,获得音符的MIDI音高值。实验结果表明,该方法能较好地完成哼唱特征的提取,适合于实际哼唱检索系统对连续哼唱的要求。     

基于定性映射的哼唱音乐旋律提取

根据哼唱旋律提取的特点和定性映射的相关知识,结合基本乐理,提出哼唱片段旋律提取的定性映射模型和算法,包括哼唱旋律音符切分阈值的动态定性判定,以及音符音高确定的动态赋权的定性映射。实验结果表明,该算法不仅能灵活合理地确定音符切分的定性判定基准,同时能够较准确地提取音符音高,并得到哼唱片段的旋律轮廓线。     

哼唱检索中联合音高与能量的音符切分算法

为改善哼唱检索系统中利用旋律轮廓和节奏进行匹配的性能,提出一种新的联合音高与能量的音符切分算法。该算法改进基于自相关的基音提取算法,对提取的基音频率曲线进行后处理,并在切分过程中保持能量的分割信息,利用半音曲线的突变做切分,以提高音符切分的准确度。实验结果表明,在安静实验室环境下,该算法能获得88.75%的分割准确度。     

一种新的哼唱音符音高划分方法

哼唱音符音高的准确划分,对哼唱音乐检索系统识别率的提高起着很大的作用。目前,大部分的哼唱音乐检索系统都是采用能量划分的方法,在很大程度上并不能对哼唱波形文件顺利完成单音切割,因此,论文提出的一种新的音符音高划分方法,在基于一般能量划分的基础上,采用基于倍音列的音高识别模型对划分结果进行二次划分、规整,最终实现哼唱音符音高的划分。实验表明,该划分方法能够有效地实现哼唱音符音高的准确划分。     

哼唱检索中改进的动态时间规整算法

针对传统动态时间规整算法只考虑音高特征而不考虑音长特征的缺点,提出改进的算法,采用音高差和音长差共同构成算法中的代价函数,在此基础上实现了一个哼唱检索系统的原型。在数据库容量为115首乐曲和118个哼唱片段的测试中,该算法的前10位命中率为81.0%,前3位命中率为72.4%,性能优于4种同类算法。     

基于聚类分割和特征点的显著区域检测算法

针对彩色图像中的显著区域检测,对基于聚类分割的特征点检测算法及基于亮度、颜色和梯度多特征的显著区域检测算法进行了研究,提出一种基于特征点和聚类分割的显著区域检测算法,该算法的处理思路是先对目标彩色图像利用高斯低通滤波和局部熵纹理分割去除纹理区,得到R、G、B分量的滤波灰度图,聚类分割自动划分出每个分量的最亮区域、最暗区域和剩余区域这三个区域,每个颜色分量选择最亮或最暗这两个区域与剩余区域亮度差值最大的一个区域,对此选择区域边界进行角点、边缘点检测,将其角点和边缘点作为显著点,然后通过数学形态学将显著点扩展到显著区域.利用公共数据库中的多幅自然图像进行实验对比,实验结果显示本文所提算法不仅提高了检测准确性,同时简化了计算过程,验证了该算法在提取尤其是纹理复杂的图像的显著区域上的有效性.     

基于分形理论的离群点检测

现有离群点数据挖掘算法在高维空间效率比较低,针对上述不足,从离群点对数据集有序性的影响角度出发,在界定分形离群点含义的基础上,利用分形理论将离群数据挖掘作为一个优化分割问题进行处理。采用推广的G-P算法计算数据集的多重分形广义维数,利用贪婪算法的思想设计FDOM算法用于求解离群数据挖掘优化问题。实验结果证明,该算法能有效地解决离群点检测问题。     

车载单线激光雷达成像分割及噪声检测算法水

针对国内外已有的激光雷达2D成像分割聚类算法,提出了基于ABD(adaptive breakpoint detector)算法检测分割点后的再次分割聚类判定的方法,通过实验对比可以发现,改进后的算法使分割效果更加理想.针对激光成像中的噪声数据,提出了基于上述改进分割算法的有效简易检测算法,噪声点检测效果理想.针对激光雷...     

基于凹点匹配的重叠图像分割算法

针对图像处理中多个颗粒重叠的问题,提出了1种利用重叠区域边界寻找凹点来分割重叠图像的算法。算法利用Canny边缘检测获得重叠区域的边界轮廓,对于边缘检测所得边界存在断裂的情况,首先进行连续边界轮廓的恢复;然后在获得的连续边界轮廓上寻找凹点,将相邻的凹点视为1个凹点群,取其中凹陷最显著的点作为待匹配凹点,并赋以一定的权值;再根据凹点匹配条件对待匹配凹点进行匹配,将成功匹配的凹点对作为分割点对。对多幅模拟图像和PTA晶体图像的分割结果表明,算法不仅适用于颗粒形状规则、大小差异较小颗粒的重叠情况,对于狭长颗粒和大小差异明显颗粒的重叠情况也有良好的分割效果。     

幅值补偿的AMDF基音周期检测算法

传统的基于AMDF及其改进算法LV-AMDF容易导致检测基音周期时产生加倍、减半等错误。针对该现象,分析了AMDF、LV-AMDF函数的特性及其用于基音检测时存在的不足,提出了幅值补偿AMDF算法来检测基音周期,降低了基音检测中经常出现的半频、倍频错误,提高了检测的精度。实验表明该方法基音检测性能优于AMDF和LV-AMDF的方法。     

一种有效的实时基音检测算法

针对基音周期检测实时性的要求,提出了基于小波变换的实时语音基音周期检测算法。该算法利用小波变换极值与信号突变点之间的关系,将小波域波形与时域波形相结合,采取自适应基准、多特征参数提取小波系数极大值,并在2.5ms时间内捕捉并检测到新的基音脉冲位置。实验表明,该算法对语音和残差信号取得了较好结果。     

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。     

基于小波变换和平均周期的鲁棒性基音周期检测方法

提出了一种基于小波变换和平均周期的鲁棒性基音周期检测方法（MPRE）。检测前加入小波变换预处理，以平滑信号中的细节分量，检测采用最小预测能量差和基于子帧划分的基音平均周期检测方法。该方法可以克服很氏我基音检测方法中阈值难以确定的问题，并对噪声有效强的鲁棒性。     

基于线性预测编码与AMDF的高精度基音检测算法

根据语音信号产生原理,结合线性预测编码(LPC)与平均幅度差函数法(AMDF),提出了一种高精度的基音检测算法。该算法首先利用线性预测分析提取残差信号;然后采用累积平均归一化差分函数与差分信号修正,使基音周期的谷值点更加尖锐;最后利用二次函数拟合与基音周期的倍数检查筛选候选值,得到了准确的基音周期。实验结果表明,与传统方法相比, 该算法的基音检测效果有了明显改善,减少了基音检测中的半频错误,在高信噪比下具有良好的准确性和鲁棒性。     

基于前置滤波和小波变换的带噪语音基音周期检测方法

根据语音信号的基音周期范围有限和在声门闭合时刻语音信号出现锐变的特点，提出一种基于前置滤波和小波变换的基音周期检测方法。带噪语音信号经过3阶椭圆低通滤波器滤波后，采用以二次样条小波作为小波函数，进行一级小波变换检测语音信号的锐变点，再计算基音周期。实验表明，本文提出的基音周期检测方法，与平均幅度差函数(AMDF)和自相关函数(ACF)方法相比，提高了提取基音周期的准确率；与多尺度小波变换的基音周期检测方法相比，减小了计算量，削弱了噪声信号和语音的共振峰对基音周期检测的影响。     

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。     

基于线性预测和最大似然的基音检测算法

根据语音信号产生机理，结合常用的线性预测和最大似然法，提出了一种有效的基音检测算法。该算法采用频域分块估计候选基音周期的范围，提高了算法的计算速度。仿真实验表明，该算法与传统方法相比其基音检测结果有了明显的改善，克服了随机错误及倍频、半频错误，在低信噪比下鲁棒性较好。     

基于两层神经网络的基音检测算法

传统基音检测方法中当信噪比较低时,会出现清浊音检测效果差、算法精度低、鲁棒性差的缺点。为了克服这些缺点,提出了一种基于两层神经网络的基音检测算法。该方法采用BP人工神经网络进行端点检测,再采用第二层BP神经网络进行清浊音分离,最后通过动态验证得到基音频率。实验结果证明,与传统的自相关法相比,该方法减少了倍频及半频的误差提取,提高了基音频率的提取精度。     

基于音频波形极值的基音检测方法

提出了一种基于波形极值的短时基音检测算法。在对语音数据进行预处理、清浊音判断后,提取语音波形极值,进行波形修正,计算幅度差,采用一定的基音判断准则查找基音。该算法无需对音频数据做分窗处理,且主要运算是对波形极值进行处理,比常用的AMDF有着更小的计算量,且有较高的精度。实验结果表明,利用该方法能够很好地得到基音周期,适宜进行实时处理。