压缩域特征优化技巧

人的耳朵在听声音时具有时间遮掩和频率遮掩的感知特性。比如:很多人都有这样的经历:在一个嘈杂的场所，经过一段时间后，就听不到太多的声音了，这就是典型的时间遮掩；另外，当一种频率的声音非常大，就会很难注意到这个频率附近的其他声音，这就是频率遮掩。

这种听觉心理学现象反映了人耳的一种听觉特性。实际上，在存储和传输音频信息的时候，可以利用这种特性来进行数据压缩。MPEG技术正是结合了这种人耳感知特性，而发展起来的一种通用多媒体数据压缩标准。大量的音频数据都是按照MPEG标准进行编码和压缩的。压缩域特征的提取方法可以无需解码，直接从压缩后的音频数据中提取底层听觉特征。

对于每个音频窗口，MPEG标准将其划分为32个子带(具体内容可参考ISO/MPEG的相关标准)，首先计算每个子带的均方根，如下所示:

式中，整数i的取值范围为i∈[1，32]；E(i)表示音频窗口中子带i的均方根；s(i，j)表示子带i对应的32维子带矢量，可以根据ISO/MPEG编码标准计算得到。在子带均方根E(i)的基础上，可以计算质心(Centroid)、衰减截止频率(Rolloff)、均方根(RMS)、频谱流量(Spectral Flux)这四种常用的压缩域特征，如下所示:

(1)质心(Centroid)，从几何意义上讲，质心是矢量的平衡点，在这里它反映了音频信号在压缩域上的基本频率，计算公式如下:

(www.xing528.com)

(2)衰减截止频率(Rolloff)，是指音频信号在衰减3dB时的截止频率值，反映了人耳对音频信号由强到弱变化的敏感性，计算公式如下:

(3)均方根(RMS)，反映了音频信号的强度，即音量大小，计算公式如下:

(4)频谱流量(Spectral Flux)，计算相邻两个音频窗口的均方根E(i)的差分，体现了音频信号的动态特征。

选取一段持续时间为2s的鸟叫声音频信号，提取其压缩域的四种特征，特征提取结果如图5-2所示。