一种结合plsa和at的音频事件分类方法
【技术领域】
[0001] 本发明涉及一种结合PLSA和AT的音频事件分类方法。
【背景技术】
[0002] 音频信息是多媒体信息的一种重要表现形式。音频领域中的音频事件分类技术在 实际生活中具有广泛的应用，不但可以用于进行多媒体检索、安全监控，而且可以用于智能 机器人和智能家居工程。
[0003] 音频文档主要包含两类音频事件，即纯净音频事件和混叠音频事件。纯净音频事 件是指某一时刻只有一个音频事件发生，发生的音频事件在此刻与其它音频事件没有时间 上的交叠；混叠音频事件是指某一时刻有多个音频事件同时发生，发生的音频事件在此刻 产生时间上的交叠。
[0004] 目前的音频分类技术能很好地分类纯净音频事件，但在对混叠音频事件分类时则 分类性能大为降低。这主要是因为混叠音频事件受混叠的影响，其特征较混叠之前的纯净 音频事件的特征发生了明显的改变，加大了分类的难度。此外，目前多数的混叠音频事件分 类技术是将混叠音频事件分类为其所包含的某一音频事件，而未能识别出其中的多个音频 事件，这也影响了分类性能的提高。
【发明内容】
[0005] 本发明的目的就是为了解决上述问题，提供一种结合PLSA和AT的音频事件分类 方法，本发明结合两种主题模型，即PLSA(Probabilistic Latent Semantic Analysis)模 型和AT (Author-Topic model)模型，进行分类。PLSA模型和AT模型的提出最初都是用于 文本分析。PLSA已有研宄将其引入音频领域进行语义标注和视频分类等，而对于AT模型， 现在还未见将其应用于音频领域的相关研宄。本发明创新性地将AT模型引入到音频分类 领域，并创新性地将其和PLSA模型结合起来进行分类。本发明提出的结合PLSA和AT的 音频事件分类方法既能很好地分类纯净音频事件，又能很好地分类混叠音频事件，而且在 分类混叠音频事件时能识别出其中的多个音频事件，而不仅仅是识别出其中的一个音频事 件。
[0006] 为了实现上述目的，本发明采用如下技术方案：
[0007] 一种结合PLSA和AT的音频事件分类方法，包括如下步骤：
[0008] 步骤⑴：通过训练音频文档训练得到AT模型；
[0009] 步骤⑵：通过训练音频文档训练得到PLSA模型；
[0010] 步骤（3):通过步骤（2)得到的PLSA模型，求得待分类的音频文档包含的潜在的 M个音频事件；
[0011] 步骤⑷：通过步骤⑴得到的AT模型，从步骤⑶潜在的M个音频事件中选择N 个音频事件作为分类结果，其中，K N < M。
[0012] 所述步骤（1)的具体步骤为：
[0013] 步骤（1-1):输入训练音频文档：
[0014] 训练音频文档中既包含纯净音频事件的音频文档，又包含混叠音频事件的音频文 档；
[0015] 步骤（1-2):分帧及特征提取：
[0016] 对训练音频文档进行分帧处理，每一帧作为一个样本；然后，以帧为单位提取音频 特征；
[0017] 步骤（1-3):通过聚类得到各个音频样本的字表达；
[0018] 步骤（1-4):通过吉布斯采样训练得到AT模型的"作者一主题"分布Θ和"主题一 字"分布Φ。
[0019] 所述步骤（1-3)的步骤为：
[0020] 采用Kmeans聚类算法对步骤（1-2)中分帧得到的样本进行聚类；
[0021] 假设训练集中共有L个样本，记为{fi，f2，…，fj ;聚类共得到W个簇，W个簇的簇 中心样本记为IC1, C2，…，Cj,…，CJ，将IC1, C2，…，Cj,…，CJ作为音频字典，则音频字典中 的每个样本e {1，2, ···，}表示音频字典中的一个音频字；
[0022] 根据音频字典，每个样本都能够得到如下的音频字表达：
[0023]
【主权项】
1. 一种结合PLSA和AT的音频事件分类方法，其特征是，包括如下步骤： 步骤（1):通过训练音频文档训练得到AT模型； 步骤（2):通过训练音频文档训练得到PLSA模型； 步骤（3):通过步骤（2)得到的PLSA模型，求得待分类的音频文档包含的潜在的M个 音频事件； 步骤（4):通过步骤（1)得到的AT模型，从步骤（3)潜在的M个音频事件中选择N个 音频事件作为分类结果，其中，K N < M。
2. 如权利要求1所述的一种结合PLSA和AT的音频事件分类方法，其特征是，所述步骤 (1)的具体步骤为： 步骤（1-1):输入训练音频文档： 训练音频文档中既包含纯净音频事件的音频文档，又包含混叠音频事件的音频文档； 步骤（1-2):分帧及特征提取： 对训练音频文档进行分帧处理，每一帧作为一个样本；然后，以帧为单位提取音频特 征； 步骤（1-3):通过聚类得到各个音频样本的字表达； 步骤（1-4):通过吉布斯采样训练得到AT模型的"作者一主题"分布Θ和"主题一字" 分布Φ。
3. 如权利要求1所述的一种结合PLSA和AT的音频事件分类方法，其特征是， 所述步骤（1-3)的步骤为： 采用Kmeans聚类算法对步骤（1-2)中分帧得到的样本进行聚类； 假设训练集中共有L个样本，记为{f\，f2，…，f J ;聚类共得到W个簇，W个簇的簇中 心样本记为IA，C2，…，C」，…，Cw}将IC1, C2，…，C」，…，CJ作为音频字典，则音频字典 中的每个样本e {1，2,，W}表示音频字典中的一个音频字； 根据音频字典，每个样本都能够得到如下的音频字表达：
其中， fi表示训练集中的第i个样本，下标i表示第i个； Cj表示聚类得到的第j个簇的簇中心样本，下标j表示第j个； W表示聚类得到的簇的个数，或者称为音频字典中字的个数； IDX(A)表示样本&在音频字典中的索引，或者称为样本匕的字表达； Dis (4 Cj)表示样本&和簇中心样本Cj之间的距离。
4. 如权利要求1所述的一种结合PLSA和AT的音频事件分类方法，其特征是， 所述步骤（1-4)的步骤为：将训练样本中包含的音频事件作为样本的作者；假设 "作者一主题"分布Θ和"主题一字"分布Φ的先验分布分别是服从参数为α和β的 Dirichlet分布，α和β是已知的参数值； 将每个音频文档中的所有字连接成一个向量，将整个训练集中所有音频文档连接起来 组成一个新的向量，用w表示此新的向量； 每个字对应一个作者和一个主题，因此W中每个字的作者组成一个向量，用X表示；W 中每个字的主题组成一个向量，用Z表示； 假设训练集中共有A个作者、T个主题，则向量X中的每个元素在A个作者中取值，向 量z中的每个元素在T个主题中取值； 训练"作者一主题"分布Θ和"主题一字"分布Φ是在同一个训练过程中同时进行的； 此训练过程具体分两步执行：第一步，吉布斯采样； 第二步：假设吉布斯采样在z和X的联合概率分布收敛之后又迭代了 S轮，每轮迭代后 的z和X的采样值记为（zs，xs)，s = 1，2，…，S ; s表示z和X的联合概率分布收敛之后继续迭代的第s轮，由（zs，Xs)统计得到相应的 (CTA)S矩阵和（CWT)S矩阵，（C ta)^P ((："广分别表示由第s轮采样值（zs，Xs)统计得到的Cta 矩阵和Cwt矩阵； 对S个矩阵（CTA)S，s = 1，2，…，S取平均，并对平均矩