鳥聲辨識之初步研究與分析 Initial Studies and Analysis of Birdsong Recognition

Presentation on theme: "鳥聲辨識之初步研究與分析 Initial Studies and Analysis of Birdsong Recognition"— Presentation transcript:

1 鳥聲辨識之初步研究與分析 Initial Studies and Analysis of Birdsong Recognition

2 大綱 前言 特徵擷取 辨識模型 實驗分析 結論

3 前言 辨識系統兩大部分 語料訓練 語料辨識

4 ? 特徵擷取 梅爾倒頻譜係數(Mel-scale Frequency Cepstral Coefficients， MFCC)
共振峰(Formants) 音高(Pitch) 其他特徵(Others feature) ? Pre-emphasis Frame blocking Hamming windows

5 Triangular bandpass filter
梅爾倒頻譜係數 擷取步驟: Triangular bandpass filter Delta cepstrum FFT DCT Frames

6 共振峰

7 共振峰 smoothing 擷取步驟: fundamental period Frames FFT

8 fundamental frequency
音高 基本頻率至半音的轉換公式如下： semitone = *log2(frequency/440) 擷取步驟: Frames smoothing fundamental frequency pitch 音高與頻率對照表

9 其他特徵 Aperiodicity autocorrelation Voicing degree Energy zero-crossing

10 辨識模型 高斯混合模型 隱藏式馬可夫模型

11 高斯混合模型 簡述 是由數個高斯分佈所組成的機率密度函數，利用高斯混合模型中的每一個高斯分佈來模擬各種鳥鳴的聲音類別 混合加權值 平均值向量
共變異矩陣 i=1…M 高斯混合的機率密度函數可表示成: i=1…M 其中

12 高斯混合模型 模型參數估測 辨識法則 最大可能性估算法(Maximum likelihood estimation , ML)
期望值最大化(Expectation –maximization , EM) 辨識法則 最大事後機率法則(Maximum a posteriori criterion) Initial model EM Converge? Y N END

13 隱藏式馬可夫模型 簡述 隱藏式馬可夫模型基本上是一種雙重隨機過程，而之所以稱為隱藏式是因為其中有一組隨機過程是隱藏看不見的

14 隱藏式馬可夫模型 隱藏式馬可夫的參數 轉移機率:常用A矩陣表示，EX.A(i,j) 狀態機率:常用B矩陣表示，EX.B(i,j)

15 隱藏式馬可夫模型 訓練流程圖 N features initialization Viterbi Decoding
Re-estimation Y Converge?

16 實驗分析 MFCC維度之比較

17 實驗分析 各種特徵組合之實驗

18 實驗分析 混合鳥鳴語料辨識正確率

19 結論 能量資訊與MFCCs 之組合，辨識率最高 對單一鳥類辨識26-D的MFCCs效果比較好；對混合鳥 類辨識39-D且混和數高的效果較好
本系統於28 種鳥單一種類鳥鳴辨識率為84.38%; 混 合種類鳥鳴辨識正確率達78.67%