20171018周报黄敬雯1

在本周的工作中，主要涉及了MATLAB在音频特征提取中的应用，特别是利用Gabor滤波器来处理和显示语谱图。Gabor滤波器是一种在时间和频率域中具有优良局部化特性的滤波工具，它在音频事件检测，尤其是语音处理领域中扮演着重要角色。这种滤波器的构造和工作原理如下： Gabor滤波器组由一系列二维滤波器构成，它们在设计上模拟了生物听觉和视觉系统的行为。每个滤波器由一个时频包络函数和一个时频载波函数定义。滤波器函数由公式给出，其中k和n分别表示频率和时间的索引，k0是载波频率，n0是时间帧的中心，𝜔𝑘和𝜔𝑛为调制频率，𝑉𝑘和𝑉𝑛是半周期数，而∅是一个全局相位。Gabor滤波器的尺寸受到限制，通常使用69个频率通道和40帧时间窗，以适应滤波器的时频分辨率。 调制频率和载波频率之间存在线性关系，确保了Gabor滤波器具有constant-Q属性，即每个滤波器覆盖的频率范围在时间和频率上保持一致。此外，通过调整相邻滤波器的相对距离dx，可以控制滤波器之间的重叠，这有助于保持特定的时频分辨率并减少特征间的相关性。 在音频特征提取过程中，首先会计算对数Mel谱系数，然后将这些系数输入到二维Gabor滤波器中。滤波器的输出取实部作为音频信号的Gabor特征。由于可能得到高维特征向量（例如，23个Mel滤波器与41个Gabor滤波器组合会产生943维特征），因此通常需要降维处理。研究发现，对Gabor滤波器输出进行主成分分析或二次抽样，后者在识别性能上更优，最终保留311维特征作为最具有代表性的成分。 Gabor滤波器在图像处理中常用于边缘检测，其空间域和频率域的局部化特性使其能有效描述图像的局部结构信息。滤波器的自相似性意味着所有Gabor滤波器都可以通过基本小波的膨胀和旋转生成，这使得它们能够从不同尺度和方向提取特征。 在语音分析中，语谱图是一种关键工具，它以二维图形式展示语音信号随时间变化的频谱特性。语谱图中的特征，如横杠（共振峰）和竖直条（基音），提供了语音识别的关键信息。通过选择合适的帧长（Winsiz）和其他参数，可以对语谱图进行定制，以适应不同的分析需求。 本周的工作重点在于理解和实现Gabor滤波器在音频特征提取中的应用，以及如何利用MATLAB进行语谱图的生成和分析。这一过程涉及到音频信号处理的基础理论，包括滤波器设计、特征提取和降维技术，以及与视觉和听觉感知相关的生物学原理。通过这种方式，可以有效地检测和理解音频事件，特别是在语音识别和处理中。