Tìm kiếm âm nhạc theo nội dung sử dụng đặc trưng đường bao phổ và phương pháp phân cụm K-MEANS

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn | 80

TÌM KIẾM ÂM NHẠC THEO NỘI DUNG SỬ DỤNG ĐẶC TRƢNG ĐƢỜNG BAO PHỔ

VÀ PHƢƠNG PHÁP PHÂN CỤM K-MEANS

Phùng Thị Thu Hiền1

, Vũ Tất Thắng2

,

Thái Quang Vinh2

, Nguyễn Văn Huy1

1

Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên,

2Viện Công nghệ thông tin - Viện KHCN Việt nam

TÓM TẮT

Trong các cơ sở dữ liệu đa phương tiện lớn vấn đề tìm kiếm âm nhạc theo nội dung rất quan trọng.

Tìm kiếm âm nhạc trong các cơ sở dữ liệu hiện tại thường dựa trên cơ sở tìm kiếm chỉ mục. Tuy

nhiên, việc tìm kiếm âm nhạc theo chỉ mục có nhiều nhược điểm. Nhiều khi người dùng có thể

không nhớ được các từ khóa text của bài hát như tên bài hát, tác giả, ca sĩ hoặc lời bài hát. Tìm kiếm

âm nhạc theo nội dung khắc phục được những nhược điểm này. 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,… Gần đây, một số nghiên cứu trên thế giới tập trung

vào một cách tiếp cận khác, trong đó áp dụng các kiến thức về xử lý tín hiệu âm thanh, về phân

tích mô hình tạo âm thanh, mô hình cảm thụ âm thanh của con người có thể giúp việc tính toán

vector đặc trưng âm thanh được chính xác và hạn chế tối đa thông tin dư thừa. Bài báo này trình

bày phương pháp tìm kiếm âm nhạc theo nội dung dùng đặc trưng đường bao phổ Mel Cepstral, được

xây dựng dựa trên mô hình cảm thụ âm thanh của con ngườ, và thuật toán phân cụm K-means.

Từ khóa: Vector đặc trưng, Mel Cepstral, K-mean, MFCC.



ĐẶT VẤN ĐỀ

Tìm kiếm âm nhạc theo nội dung là một lĩnh

vực nghiên cứu mới và được nhiều nhà

nghiên cứu quan tâm. Hiện có một số phương

thức đã được áp dụng tìm kiếm âm nhạc theo

nội dung.

Theo Bel Logan [3] 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. David

Pye [7] áp dụng phương pháp nhận dạng sự

thay đổi phổ của tiếng nói với hai kỹ thuật

chính, Gaussian Mixture Modelling (GMM) –

mô hình phân loại độ vang âm thanh và

phương thức Tree-Based Vector Quantization

(TreeQ) (Lượng tử hoá vector dựa trên cấu

trúc cây). Các kỹ thuật này yêu cầu biểu hiện

các tham số của mẫu âm thanh thành các

vector đặc trưng. Mel Frequency Cepstral

Coefficients (MFCC) - hệ số Mel được sử



Tel:0986060545, Email: [email protected]

dụng như là một hệ số cơ sở trong xử lý tiếng

nói. Những giá trị khác thể hiện một hệ thống

chỉ số dựa trên việc kết nối các đặc trưng như

là độ cao, độ to hoặc hệ số tần số Mel [9].

Foote [9] đã thiết kế một hệ thống chỉ mục âm

nhạc dựa trên biểu đồ các đặc trưng MFCC

xuất phát từ vector lượng tử hóa. Beth Logan

[3] đã thực hiện theo cách của Foote sử dụng

các biểu đồ của các đặc trưng MFCC nhưng

sử dụng thêm giải thuật phân cụm K-means.

Phương thức của ông thực hiện sau kỹ thuật

phục hồi âm thanh thực hiện bởi Liu và

Huang [11].

Trong các nghiên cứu về giác quan của con

người, phương thức sử dụng hệ số tần Mel để

biểu hiện âm thanh bằng tham số cũng đã

được chứng minh là rất thành công. MFCC

tạo ra chữ ký hay dấu riêng cho mỗi bài hát.

Việc so sánh giữa chữ ký với nội dung âm

thanh là hiệu quả, bởi vì nó không liên quan

tới dữ liệu đã được bỏ đi trong quá trình tính

toán chữ ký, kết quả là cải thiện được việc tìm

kiếm dữ liệu với tỷ lệ thiết lập dữ liệu nhỏ và

yêu cầu lưu trữ bộ nhớ nhỏ.