音频的时域特征提取方法及其局限性

如果将音频看成一种二维信号，如图5-1所示，横坐标是时间轴，纵坐标表示音频在某一时刻的能量幅度，可以提取的时域特征包括短时过零率、平均能量、线性预测系数等。其中，过零率，顾名思义，是指在一个音频窗口的范围内，采样点的能量值从正到负和从负到正的变化总次数。

图5-1　音频的二维坐标表示

1.短时平均能量

简单地说，短时平均能量是指在一个音频窗口的较短时间范围内，所有采样点的平均能量。假设x表示一段音频，用(x1，…，xn)表示对x采样后得到的n个采样点，短时平均能量计算过程如下:将音频片段x的所有n个采样点x1，…，xn划分成的m个音频窗口，每个窗口包括几百个采样点，相邻的两个音频窗口之间有大约30%的重叠率，则对于某个音频窗口Wi(i∈[1，m])，其短时平均能量的计算公式为(www.xing528.com)

式中，E(xi)表示音频窗口Wi中采样点xi的能量值；F表示窗口函数，用于对离散信号序列截短。

2.线性预测系数

所谓“线性”是指用线性模型M(ξi)来模拟音频片段x＝(x1，…，xn)，这个模型中的参数ξi就叫做线性系数；通过已知的采样点建立线性模型M(ξi)，并用于计算后续采样点的能量值，称为线性预测，因此，参数ξi也称为线性预测系数(Linear Predictive Coefficient，LPC)。这种特征在提取时一般是以音频窗口为对象，分别为每个窗口建立线性预测模型，其中的参数就作为这个音频窗口的特征。

这种特征提取方法的优点是简单、易于求解，缺点是误差大、不精确，这主要是因为音频本质上是一种非线性信号。然而，如果用非线性模型来建模，则又面临着计算量大、收敛性和稳定性差等缺点。