基于情感特征的背景音乐分类方法

时间:2017-09-18 10:15 来源:网络整理

摘 要: 为了准确描述背景音乐的类别,提出基于情感特征的背景音乐分类方法。针对当前方法没有考虑情感特征的缺陷,提取情感特征,并与其他特征进行融合组成背景音乐分类特征向量,然后对特征进行筛选,作为神经网络的输入向量,最后采用神经网络进行自动学习,建立背景音乐分类器,并对具体背景音乐数据进行分类和识别。实验结果表明,该方法能够准确区别各种背景音乐,分类正确率高达98%以上,同时也可以应用于其他音乐的分类,具有良好的推广性。

关键词: 背景音乐; 分类器设计; 情感特征; 特征向量

中图分类号: TN912?34; TP391 文献标识码: A 文章编号: 1004?373X(2017)15?0115?04

Abstract: In order to describe the categories of background music accurately, a background music classification method based on emotional feature is put forward. Since the defects of the emotional feature aren′t considered in current methods, the emotional feature is extracted, and fused with other features to compose the feature vector of background music classification. The feature is selected as the input vector of neural network. The neural network is used to perform the automatic learning to establish the background music classifier. The specific background music data is classified and identified. The experimental results show that the method can distinguish various background music accurately, its classification accuracy can reach up to 98%, which can be applied to the classification of other music, and has perfect generalization.

Keywords: background music; classifier design; emotional feature; feature vector

0 引 言

背景音樂是音乐的一种类型,在许多场合都会用到,如电影等[1?2]。如何选择最合适的背景音乐与相应的场景搭配具有重要的实际应用价值。而背景音乐分类是背景音乐选择的前提和基础,因此背景音乐自动分类引起了人们的广泛关注[3]。

针对背景音乐的自动分类问题,人们的研究一直没有停止过,随着研究不断深入,当前背景音乐自动分类方法主要有基于时域特征的背景音乐自动分类方法和基于频域特征的背景音乐自动分类方法两种[4?5]。在实际应用中,单一的时域特征或者频域特征都无法准确描述背景音乐的类别,自动分类和识别的准确性不高,而且错误分类率很高[6]。为此有学者结合了时域特征或者频域特征优点,提出基于组合特征的背景音乐自动分类方法[7],与单一时域特征或者频域特征,组合特征可以提供更多背景音乐信息,出现了线性判断、灰色模型等背景音乐自动分类方法,但是当背景音乐中含有噪声时,背景音乐自动分类效果变差[8?10]。特征太多,使得背景音乐自动分类器结构更加复杂,背景音乐自动分类效率低下。相对于其他音乐,背景音乐有自身的特殊性,因为要渲染气氛,加入了情感特征,而当前背景音乐分类方法却忽略了情感特征,分类正确率有待进一步提高[11?12]。

为了准确描述背景音乐的类别,提出基于情感特征的背景音乐分类方法。首先提取背景音乐的情感特征,然后采用蚁群优化算法进行特征选择,作为神经网络的输入向量,最后采用神经网络进行自动学习,建立背景音乐分类器,并对具体背景音乐数据进行分类和识别。结果表明,该方法能够准确区别各种背景音乐分类,分类正确率高达98%以上。

1 背景音乐信号的采集和处理

1.1 背景音乐信号的采集

采用专用设备对背景音乐信号进行采集,然后采用Cool Edit Pro2.1将其保存,结果如图1所示。

1.2 背景音乐信号的预处理

背景音乐信号采集过程受到多种外界因素的干扰,包含有噪声,噪声对后继的背景音乐信号分类产生不利影响,为了抑制噪声对后续背景音乐信号自动分类的干扰,选择小波变换对背景音乐信号进行去噪处理。选择db6基函数,阈值为:

2 提取背景音乐的特征

在背景音乐分类过程中,情感特征比较多,本文选择短时能量、时域方差和频域方差作为特征,将它们组合作为背景音乐分类的特征向量。

2.1 提取背景音乐的短时能量特征

对背景音乐信号进行采集和去噪后,得到理想的背景音乐信号为提取其短时能量为:

2.2 时域方差特征提取

对于背景音乐信号的第帧,可以描述为:

2.3 提取背景音乐信号的频域方差特征

对于某帧背景音乐信号进行傅里叶变换,相应的频域信号为,具体可表示为:

3 筛选背景音乐的重要特征

通过上述步骤提取背景音乐分类特征,情感特征比较多,本文选择短时能量、时域方差和频域方差特征,原始特征数量比较大,若直接采用这些特征进行背景音乐分类,那么分类器的结构会十分复杂,对背景音乐分类效率产生负面影响,因此采用蚁群优化算法对原始背景音乐分类特征进行筛选,简化背景音乐分类器的结构,提高背景音乐分类效率,同时获得更加理想的背景音乐分类结果。





上一篇:文化节目发力 清流综艺找到情感共鸣才能持久
下一篇:性优谷两性健康资讯网
相关文章