So sánh hai phương pháp trích chọn đặc trưng âm thanh: Đường bao phổ (mfcc) và cao độ pitch trong việc tìm kiếm âm nhạc theo nội dung
Trong cách tiếp cận truyền thống, các vector đặc trưng của tín hiệu âm thanh được xây dựng từ các
đặc trưng vật lý của âm thanh như độ to, độ cao, năng lượng, phổ tần số, Có rất nhiều phương
pháp trích chọn đặc trưng âm thanh đã và đang được nghiên cứu để áp dụng vào bài toán tìm kiếm
âm nhạc theo nội dung. Tuy nhiên hai phương pháp phổ biến nhất và được đánh giá cao là phương
pháp sử dụng đường bao phổ (MFCC) và phương pháp sử dụng cao độ (F0).
Bài báo này nghiên cứu về hai phương pháp này đồng thời so sánh đánh giá hiệu quả của từng
phương pháp.
Bạn đang xem tài liệu "So sánh hai phương pháp trích chọn đặc trưng âm thanh: Đường bao phổ (mfcc) và cao độ pitch trong việc tìm kiếm âm nhạc theo nội dung", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
Tóm tắt nội dung tài liệu: So sánh hai phương pháp trích chọn đặc trưng âm thanh: Đường bao phổ (mfcc) và cao độ pitch trong việc tìm kiếm âm nhạc theo nội dung
![So sánh hai phương pháp trích chọn đặc trưng âm thanh: Đường bao phổ (mfcc) và cao độ pitch trong việc tìm kiếm âm nhạc theo nội dung So sánh hai phương pháp trích chọn đặc trưng âm thanh: Đường bao phổ (mfcc) và cao độ pitch trong việc tìm kiếm âm nhạc theo nội dung](https://s1.tailieubachkhoa.net/rl6k7x3q9zfh00j8/thumb/2021/12/02/so-sanh-hai-phuong-phap-trich-chon-dac-trung-am-thanh-duong_UhFvjpLcLa.jpg)
Phùng Thị Thu Hiền và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 112(12)/2: 33 - 38 33 SO SÁNH HAI PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ÂM THANH: ĐƯỜNG BAO PHỔ (MFCC) VÀ CAO ĐỘ PITCH TRONG VIỆC TÌM KIẾM ÂM NHẠC THEO NỘI DUNG Phùng Thị Thu Hiền1*, Đoàn Xuân Ngọc2, Phùng Trung Nghĩa3 1Trường Đại học Kỹ thuật Công nghiệp - ĐH Thái Nguyên 2Cục thuế tỉnh Thái Nguyên 3Trường Đại học CNTT&TT - ĐH Thái Nguyên TÓM TẮT Trong cách tiếp cận truyền thống, các vector đặc trưng của tín hiệu âm thanh được xây dựng từ các đặc trưng vật lý của âm thanh như độ to, độ cao, năng lượng, phổ tần số, Có rất nhiều phương pháp trích chọn đặc trưng âm thanh đã và đang được nghiên cứu để áp dụng vào bài toán tìm kiếm âm nhạc theo nội dung. Tuy nhiên hai phương pháp phổ biến nhất và được đánh giá cao là phương pháp sử dụng đường bao phổ (MFCC) và phương pháp sử dụng cao độ (F0). Bài báo này nghiên cứu về hai phương pháp này đồng thời so sánh đánh giá hiệu quả của từng phương pháp. Từ khóa: Vector đặc trưng, Mel Cepstral, K-means, F0, pitch, DTW. ĐẶT VẤN ĐỀ* Hiện nay, có rất nhiều nghiên cứu về vấn đề trích chọn đặc trưng âm thanh trong bài toán tìm kiếm âm nhạc theo nội dung. S.Blackburn và D.DeRoure [4] đã sử dụng kỹ thuật hiệu chỉnh cao độ (F0) để xác định giai điệu chính của đoạn nhạc. Trong nghiên cứu của mình, S.Blackburn và D.DeRoure đã so sánh tính toán độ tương tự của bài hát bằng kỹ thuật so khớp xâu. Trong khi đó, Mc Nab, Smith, Witten, Henderson và Cunningham [5] đã sử dụng phương thức tính toán giai điệu bằng cách ước lượng cao độ Pitch để so sánh giữa các bản phiên âm của mỗi bài hát. Tuy nhiên, theo một nghiên cứu của Beth Logan [3] thì cấu trúc âm thanh của âm nhạc là quan trọng. Vì vậy cần phải có một hệ thống nhận biết độ tương tự âm thanh theo cách gần giống như hệ thống nghe của con người, và hệ thống thính giác của con người dễ dàng thu và nhận dạng các nhóm âm thanh hơn là từng nốt nhạc hay âm riêng lẻ. Bài báo này trình bày phương pháp tìm kiếm âm nhạc theo nội dung sử dụng theo hai đặc trưng, thứ nhất là sử dụng đặc trưng cao độ (Pitch) và thứ hai là sử dụng đặc trưng đường * Tel: 0986060545; Email: pthientng@gmail.com bao phổ (MFCC), cuối cùng là đưa ra một số kết quả thực nghiệm để so sánh hiệu quả của hai phương pháp. CƠ SỞ LÝ THUYẾT Sử dụng đặc trưng cao độ Cao độ Pitch Không khí đi qua thanh quản làm thanh quản rung lên. Sự rung động này với một tỷ lệ nào đó cũng được gọi là tần số cơ bản – f0 . Tần số cơ bản phụ thuộc vào kích cỡ và áp lực của thanh quản. Tần số cơ bản liên quan đến âm thanh về cao độ và nó có thể được ước lượng chính xác từ tín hiệu âm thanh. Độ cao hay độ trầm bổng của âm thanh chính là tần số sóng cơ học của âm thanh. Âm thanh nào cũng phát ra ở một độ cao nhất định. Độ cao của âm thanh phụ thuộc vào tần số dao động. Đối với tiếng nói, tần số dao động của dây thanh quy định độ cao giọng nói của con người. Mỗi người có một cao độ giọng nói khác nhau, độ cao của nữ giới thường cao hơn nam giới và độ cao của trẻ em thường cao hơn của người lớn. Cao độ Pitch do đó là đại lượng tỷ lệ nghịch với tần số cơ bản F0. Pitch là thuộc tính cơ bản của tiếng nói. Tai người nhạy cảm với sự thay đổi tần số cơ bản Phùng Thị Thu Hiền và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 112(12)/2: 33 - 38 34 hơn là các tham số khác của tín hiệu tiếng nói. Ước lượng pitch khó do sự thay đổi của sóng âm thanh. Sóng âm thanh thay đổi nhỏ giữa các chu kỳ, thời điểm lựa chọn để đo sẽ ảnh hưởng tới chu kỳ cao độ. Ước lượng cao độ thiếu chính xác do sự xuất hiện của sóng hài hoặc hài bậc ba của cao độ tần số. Có rất nhiều thuật toán và phương thức ước lượng cao độ. Các thuật toán ước lượng pitch cố gắng để định vị chu kỳ trong miền thời gian của tín hiệu tiếng nói hoặc miền tần số của tín hiệu âm thanh. Các cách tính Pitch hầu hết dựa vào phương pháp tự tương quan hoặc biến thể của nó. Ước lượng Pitch bằng phương pháp tự tương quan Ước lượng Pitch thường sử dụng phương pháp tự tương quan. Ý nghĩa của sự tương quan là đo độ tương tự giữa 2 tín hiệu, và sự tự tương quan đo độ tương tự giữa chính nó và biến đổi theo thời gian của chính nó. Phương thức tự tương quan trong một khoảng thời gian ngắn của một đoạn s(m), của một tín hiệu rời rạc theo thời gian s(n) có thể được biểu diễn là: ∑ −− = += kN m kmsmskr 1 0 )()()( [1] k là độ trễ và N là độ dài đoạn, s(m) = 0 ngoài miền (0 1)m N≤ ≤ − . Hình 1: Dạng sóng và tự tương quan trên miền thời gian của một đoạn tiếng nói ngắn Hình 1 thể hiện một đoạn âm thanh ngắn và tính tự tương quan của đoạn đó. Chu kỳ cao độ được theo dõi trên khoảng 80 mẫu. Đỉnh nhô lên trong sóng tự tương quan biểu thị điều này. Giá trị cực đại để xuất hiện quá trình tự tương quan là ở mức trễ 0. Một giá trị cực đại khác ở mức trễ 162, cho thấy một sự kết hợp tốt khi dịch chuyển là hai lần chu kỳ cao độ. Vì vậy, để ước lượng cao độ pitch, cửa sổ âm thanh nên chứa ít nhất hai chu kỳ cao độ (N >2/Fo). Ước lượng Cepstral Pitch Khi một tín hiệu tuần hoàn với tần số cơ bản Fo chứa nhiều sóng hài sát nhau thì đoạn phổ tương ứng thể hiện các đường gợn sóng như cấu trúc hài của nó. Cepstrum của tín hiệu này sẽ thể hiện bằng một chóp cao tại tần số 1/F0. Cepstrum được định nghĩa là một biến đổi Fourier rời rạc ngược về cường độ với tín hiệu vào s(n). Cepstrum được biểu diễn là: |)))((|(log)( 10 nsFFTIFFTdCepstrum = [2] d là miền tần số của tín hiệu cepstrum. Các hệ số của chỉ số trên miền thời gian là các thành phần tuần hoàn của tín hiệu gốc. Thông tin cao độ được trích ra bởi vì một tín hiệu âm thanh không chỉ chứa các thành phần phổ có tần số cơ bản mà còn chứa các hài. Cepstrum thu được có cấu trúc lặp lại theo cường độ phổ. Miền tần số thấp của cepstrum thể hiện dạng vocal tract của hệ thống tiếng nói con người. Tần số cao của cepstrum mô tả thông tin kích thích trong tiếng nói – pitch. Hình 2 thể hiện cường độ phổ và cepstrum tương ứng với đoạn tiếng nói trong hình 1. Giá trị tại Cepstrum(0), được bỏ đi để thu được giải động tốt hơn. Đỉnh nhô lên tại tần số 82 biểu thị chu kỳ cao độ. Tần số này tương ứng với tỷ lệ mẫu của tín hiệu gốc, 8000Hz. Vì vậy tần số 82 thể hiện tần số cao độ 8000/82 = 97.2 Hz. Cấu trúc quan trọng trong miền tần số frequency thấp, từ 1 tới 16 miêu tả thông tin vocal tract. Với âm hữu thanh, phép phân tích Cepstral của một đoạn tiếng nói ngắn sẽ tạo ra một đỉnh của chu kỳ cao độ, nhưng đối với những âm vô thanh thì không. Phép phân tích Cepstral có thể được sử dụng cho đoạn âm thanh là hữu thanh hay vô thanh để xác định chu kỳ cao độ, 1/F0 nếu là đoạn hữu thanh. Phùng Thị Thu Hiền và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 112(12)/2: 33 - 38 35 Hình 2: Cường độ Log của DFT và tần số Cepstrum của đoạn tiếng nói trong hình 1 Sử dụng đặc trưng đường bao phổ MFCC Tần số cảm thụ có nghĩa Tai của con người nhận biết được những âm thanh có tần số thấp (<1kHz) tốt hơn những âm thanh có tần số cao. Vì vậy điều quan trọng là cần làm nổi bật lên những âm thanh có tần số thấp hơn là tần số cao. Dải thông của tín hiệu tiếng nói là khoảng 10kHz. Không có thành phần tần số nào tồn tại dưới 50kHz. Tần số tiếng nói là dưới 3kHz, cao hơn các thành phần tần số chính liên quan đến người nói, âm nhạc, dụng cụ âm thanh hoặc hiệu ứng. Formants cũng là thông tin quan trọng. Tần số formants của âm hữu thanh được tìm thấy dưới 5kHz trong khi của âm vô thanh biến mất. Hình 3: Cường độ âm hữu thanh và vô thanh A: Cường độ của tín hiệu âm vô thanh B: Cường độ của tín hiệu âm hữu thanh Phép phân tích Cepstral Cepstral là một phương pháp để trích chọn đặc trưng âm thanh. Trích chọn tham số đặc trưng âm thanh dựa trên hai cơ chế: Mô phỏng lại quá trình cảm nhận âm thanh của tai người. Mô phỏng lại quá trình tạo âm của cơ quan phát âm. Cường độ log phổ của hai tín hiệu s1 và s2 là sự tổ hợp tuyến tính của cường độ phổ log như được thể hiện trong biểu thức 3: log10(|DFT[s1*s2](k)|) = log10(|s1(k)|) +log10(|s2(k)|) [3] Giả sử rằng S1 và S2 là những phần tách rời của phổ và quan sát cường độ log phổ của 2 tín hiệu chập S1 và S2 ở trên, DFT có thể được tính toán để thu được sự mô tả các tần số riêng biệt theo log10(|s1(k)|) và log10(|s2(k)|). Tín hiệu chuyển đổi được miêu tả trong miền tần số vì vậy log10(|DFT[s1*s2](k)|) được chuyển đổi sang miền tần số dubbed, quá trình chuyển đổi này được gọi là phân tích cepstral và phổ thu được được gọi là cepstrum. Xử lý Cepstral theo thang đo tần số Mel Các đặc trưng của Mel Cepstral rất thành công trong các ứng dụng xử lý tiếng nói và phục hồi âm nhạc với độ chính xác cao. Các đặc trưng này tạo sự uyển chuyển của cường độ phổ của những đoạn tín hiệu âm thanh, vì vậy nó là công cụ mạnh khi có những thay đổi nhỏ trong giai điệu hoặc kiểu phối nhạc. MFCC có nhiều đặc trưng vượt trội khi sử dụng để nhận dạng tiếng nói theo thời gian. Mỗi bước của quá trình tạo các đặc trưng MFCC được thực hiện bằng hệ thống cảm thụ âm thanh của con người. Tức là những gì không liên quan có thể bỏ đi khỏi cơ sở dữ liệu gốc dựa trên quá trình cảm thụ âm thanh dạng sóng của con người, và tiếp theo là yêu cầu giảm kích thước dữ liệu và tăng tốc độ tính toán. Quá trình lọc theo thang Mel Cepstral: Theo Beth Logan, MFCC gồm 5 bước: 1. Chia tín hiệu thành các khung 2. Với mỗi khung, ta thu được biên độ phổ. 3. Lấy log của biên độ 4. Chuyển đổi sang thang Mel 5. Thực hiện biến đổi Cosine rời rạc. Phùng Thị Thu Hiền và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 112(12)/2: 33 - 38 36 Hình 4: Quá trình tạo các đặc tính MFCC Quan sát quá trình trên ta thấy, âm thanh được chia thành những khung có độ dài cố định. Mục đích là để lấy mẫu những đoạn tín hiệu nhỏ (theo lý thuyết là ổn định). Hàm cửa sổ bỏ đi những hiệu ứng phụ và vector đặc trưng cepstral được thực hiện trên mỗi khung cửa sổ. Biến đổi Fourier rời rạc của mỗi khung được tính toán và lấy logarithm biên độ phổ. Thông tin về pha bị bỏ qua do biên độ phổ là quan trọng hơn pha. Thực hiện lấy logarithm biên độ phổ do âm lượng của tín hiệu là xấp xỉ logarith. Tiếp theo biến đổi phổ theo thang Mel. Từ kết quả này, trong vector Mel – spectral của các thành phần tương quan cao, bước cuối cùng là thực hiện biến đổi cosine rời rạc để tổng hợp vector phổ Mel để tương quan lại các thành phần này Độ lệch tần số Mel Độ lệch tần số Mel làm nhẵn phổ và làm nổi lên các tần số cảm thụ có nghĩa. Biến đổi Fourier lên tín hiệu qua bộ lọc thông dải để làm đơn giản phổ mà không làm mất dữ liệu. Điều này được thực hiện bằng cách tập hợp các thành phần phổ thành một dải tần số. Phổ được làm đơn giản hóa do sử dụng một giàn bộ lọc để tách phổ thành các kênh. Các bộ lọc được đặt cách đều nhau trên thang Mel và lấy logarit trên thang tần số, các kênh có tần số thấp là không gian tuyến tính trong khi các kênh có tần số cao là không gian logarit. Tai người không cảm nhận sự thay đổi tần số của tiếng nói tuyến tính mà theo thang mel. Thang tần số Mel tuyến tính ở tần số dưới 1kHz và logarit ở tần số cao hơn 1kHz. Ta chọn tần số 1kHz, 40 dB trên ngưỡng nghe 1000 Mel. Do đó công thức gần đúng biểu diễn quan hệ tần số ở thang mel và thang tuyến tính như sau: Một phương pháp để chuyển đổi sang thang mel là sử dụng băng lọc. Khoảng cách của băng lọc được định nghĩa bởi một hằng số tần số mel theo thời gian. Băng lọc này được áp dụng trong miền tần số, nó có thể xem như các điểm thu được của bộ lọc chính. Với các khung nhỏ tốt nhất là sử dụng các bộ lọc dạng tam giác hoặc thậm chí hình chữ nhật vì độ phân giải là quá thấp trong miền tần số thấp. Hình 5: Băng lọc khoảng cách theo tần số Mel Mỗi bộ lọc trong băng lọc được nhân với phổ tín hiệu vì vậy chỉ có một giá trị đơn của cường độ trên bộ lọc được trả lại. Điều này có thể đạt được qua các tính toán của ma trận đơn. Kết quả là tổng của biên độ trong dải lọc và vì vậy làm giảm độ chính xác tới mức tai của con người. Hình 6: Phổ sau khi lọc theo thang Mel Quá trình độ lệch tần số mel được thực hiện theo ba bước sau: 1. Cố định vùng giá trị dưới mỗi bộ lọc và đôi khi đưa thang về 1. Đặt M = số băng lọc yêu cầu 2. Phân bố đều trên thang tần số Mel 3. Chuyển đổi từ Hz sang si'ω trên thang tuyến tính. Mối quan hệ giữa mel và frq được cho bởi công thức: m=ln(1+f/700)*1000/ln(1+1000/700) (4) (5) Phùng Thị Thu Hiền và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 112(12)/2: 33 - 38 37 KẾT QUẢ THỰC NGHIỆM Sử dụng F0 Chuẩn bị dữ liệu Dữ liệu bao gồm 20 bài hát thiếu nhi nổi tiếng thế giới childSong4public/QBSH-corpus/. Trong các cấu trúc file âm thanh thì MIDI là định dạng file đơn giản, kích cỡ nhỏ gọn nhưng vẫn biểu diễn được giai điệu âm nhạc.Trong bước huấn luyện, chương trình sử dụng 20 bản nhạc định dạng MIDI. Khi tìm kiếm chương trình thử nghiệm trên 20 file âm thanh PCM Wave tần số lấy mẫu 8 KHz, mã hóa 8 bít / mẫu, thu từ các điệu ngân nga không lời (humming) hoặc các đoạn hát không nhạc (singing) với giai điệu tương ứng với 45 bản nhạc MIDI đã huấn luyện. Các tham số thực nghiệm Cao độ Pitch được tính theo phương pháp tự tương quan ACF (AutoCorrelation Function) với các tham số: kích cỡ khung là 256 ms, không chồng lấp. Sau khi tính Pitch bằng hàm ACF, pitch được làm trơn bằng lọc trung vị. Phương pháp phân lớp sử dụng thuật toán thời gian động DTW tiến hành so sánh chuỗi Pitch đầu vào cần tìm kiếm tính từ file Wave với lần lượt các chuỗi Pitch của các file MIDI trong cơ sở dữ liệu. Thuật toán thời gian động cho phép so sánh 2 chuỗi Pitch có độ dài khác nhau với sai số nhỏ nhất. Độ tương tự của 2 chuỗi pitch sau đó được tính toán bằng khoảng cách Euclid để tìm ra chuỗi phù hợp nhất. Sử dụng MFCC Chuẩn bị dữ liệu Vẫn sử dụng dữ liệu trên nhưng được lưu ở định dạng PCM wave, tần số lấy mẫu 44 KHz, mã hóa 16 bit trên một mẫu. Mỗi bài hát được trích ra một đoạn ngắn < 5 s sử dụng làm mẫu tìm kiếm. Các tham số thực nghiệm Đặc trưng MFCC được cài đặt với các tham số sau : Kích cỡ khung là 512 ms, không sử dụng khung chồng lấp, số bộ lọc trong dãy băng lọc Mel là 20, số hệ số Ceptral là 12, không sử dụng các hệ số đạo hàm Delta, kết hợp các hệ số MFCC với 1 hệ số năng lượng. Giống như Beth Logan [8], phân lớp bằng cách phân hệ số cepstral thành 16 cụm theo thuật toán K-means chuẩn. Sử dụng khoảng cách Euclidean để tính toán độ tương tự. Kết quả thực nghiệm và đánh giá Trong cả 2 chương trình thử nghiệm, kết quả nhận dạng đúng cuối cùng sau 20 lần thử nghiệm đều là 100%. Kết quả này cao hơn kết quả đã công bố trong [8] và [4] dù dùng cùng thuật toán. Lý do có thể do chương trình demo mới thử nghiệm trên bộ cơ sở dữ liệu rất nhỏ. Hơn nữa độ dài âm thanh đầu vào (trích 1 đoạn từ file âm thanh cần tìm kiếm) đủ lớn (so với âm thanh tìm kiếm) trong chương trình thử nghiệm 1, độ dài âm thanh đầu vào và âm thanh cần tìm kiếm đều là cả bài hát trong chương trình thử nghiệm 2. Tỷ lệ nhận dạng sẽ giảm xuống khi dùng cơ sở dữ liệu lớn hơn (đặc biệt khi trong cơ sở dữ liệu có các bài hát có những phần tương tự nhau), tỷ lệ nhận dạng và tìm kiếm đúng cũng sẽ giảm xuống khi độ dài mẫu âm thanh đầu vào là nhỏ. Về mặt thời gian, chương trình 1 thực hiện huấn luyện và sau đó tìm kiếm hết ~ 4 s với một bài hát, chương trình 2 thực hiện tìm kiếm cho mỗi file Wave trong khoảng 0.2 s với điều kiện đã huấn luyện trước. Hình 7: Kết quả chạy chương trình Với thử nghiệm trên cả hai phương pháp đều cho kết quả tốt. Tuy nhiên, phương pháp MFCC tốt hơn khi dữ liệu được trích ra từ chính bài hát của tác giả. Còn phương pháp cao độ pitch có thể nhận diện được khi đoạn dữ liệu tìm kiếm có thể là một tiếng sáo, tiếng nhạc hoặc giai điệu của bài hát. Phùng Thị Thu Hiền và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 112(12)/2: 33 - 38 38 Do đó, với các ứng dụng yêu cầu độ chính xác cao mà dữ liệu nhỏ hơn ta có thể áp dụng phương pháp MFCC rất tốt còn trong trường hợp khi bộ dữ liệu lớn, mà đoạn dữ liệu tìm kiếm có thể chỉ là một đoạn là giai điệu của bài hát ta có thể áp dụng phương pháp cao độ Pitch. KẾT LUẬN Để kết quả thực nghiệm chính xác hơn, cần xây dựng một cơ sở dữ liệu âm nhạc đủ lớn để thử nghiệm. Từ đó sẽ đánh giá được độ chính xác, hiệu quả của các phương pháp tìm kiếm và có thể đề xuất các phương pháp cải tiến thao tác trích đặc trưng và phân lớp của hệ thống tìm kiếm. Hướng nghiên cứu tiếp theo sẽ là tìm hiểu sâu hơn về các phương pháp phân lớp dữ liệu như mạng Neural, giải thuật di truyền GA, mô hình Markov ẩn HMM, TÀI LIỆU THAM KHẢO [1]. Phùng Thị Thu Hiền, “Trích chọn đặc trưng âm thanh trong bài toán tìm kiếm âm nhạc theo nội dung”, Luận văn thạc sỹ Công nghệ thông tin, Đại học Thái Nguyên, 12/2009. [2]. Phùng Thị Thu Hiền, Thái Quang Vinh, Phùng Trung Nghĩa, Lê Tuấn Anh (2009), “Tìm kiếm âm nhạc theo nội dung sử dụng đặc trưng tần số cơ bản F0 và giải thuật thời gian động DTW”, Tạp chí Khoa học & Công nghệ ISSN, 1859 – 2171, T55 – 59. [3]. Beth Logan and Ariel Salomon (2002), “A Music Similarity Function Based on Signal Analysis”, Cambridge Research Laboratory. [4]. S.Blackburn and D. De Roure (1998), “A tool for content based navigation of music”, in ACM Multimedia. [5]. R. Mc Nab, L. Smith, I. Witten, C.Henderson, and S.Cunningham (1996), “Towards the digital music library: Tune retrieval from acoustic input,” in Digital Libraries, pp.11-18 [6]. Beth Logan and Stephen Chu (2000), “Music Summarization Using Key Phrases”, Cambridge Research Laboratories. [7]. J.T. Foote (1997), “Content-based retrieval of Music and Audio,” in SPIE, p.p 138- 147 SUMMARY COMPARING TWO METHOD: SPECTRAL ENVELOPE FEATURE (MFCC) AND PITCH IN CONTEND – BASED MUSIC RETRIEVAL Phung Thi Thu Hien1*, Doan Xuan Ngoc2, Phung Trung Nghia3 1College of Technology – TNU 2Department of Tax – Thai Nguyen province 3College of Information Communication and Technology In state of the art approaches, feature vectors of music signal are built based on their physical characteristics as volume, energy, and spectrum. There are many methods to extract feature in contend – based music retrieval. Spectral Envelope Feature and Pitch method are Two popular methods. This paper presens and compares these methods. Key words: Feature Vector, Mel Cepstral, K-means, F0, pitch, DTW. Phản biện khoa học: TS. Vũ Việt Vũ – Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên * Tel: 0986060545; Email: pthientng@gmail.com
File đính kèm:
so_sanh_hai_phuong_phap_trich_chon_dac_trung_am_thanh_duong.pdf