频域特征分析：声音中的重要指标

声音是由不同频率、不同能量幅度的声波构成的。人的耳朵能够听到的音频频率范围是20~20000Hz。频域特征是声音的重要特征之一。音频的时域特征分析是以某个时刻信号能量大小为依据的，而频域特征分析主要考虑某个频率上的信号能量大小，对其进行统计分析。因此，在进行频域特征分析之前，首先要进行傅里叶变换，将采样值从时域转换到频域。

假设(x1，…，xn)表示对音频片段x采样后得到的n个采样点，将其划分为m个音频窗口，则对每个窗口中的n/m个采样点进行傅立叶变换，得到的系数值就是当前音频窗口在不同频率上的能量值。

梅尔倒谱系数(Mel-frequency Cepstrum Coefficients，MFCC)^[1]是一种常用的频域特征，并且是针对音频窗口计算得到的，即:音频在短时间内反映出来的静态的、平稳的特征。如果要分析整个音频片段在所有持续时间内的动态特征，可以在静态特征的基础上进行差分计算等操作。更进一步地，将静态和动态特征结合成音频特征向量，则更有利于提高模式识别和检索等应用的性能。(www.xing528.com)

MFCC的计算是建立在傅立叶变换和倒谱分析的基础上，主要包括如下几个步骤:首先对音频窗口中的采样点进行傅立叶变换，得到音频窗口在不同频率上的能量值；将其输入Mel频率滤波器组进行卷积计算；最后把各个滤波器的输出结构组成向量，进行离散余弦变换，得到Mel刻度谱上的Mel频率倒谱。