基于内容的音频检索技术优化方案

在基于内容的图像检索(Content-Based Image Retrieval，CBIR)技术出现之后，基于内容的音频检索也开始受到关注，其中有大量的研究是关于基于例子的音频检索。与CBIR研究类似，基于例子的音频检索探讨如何通过对底层听觉特征的分析和理解，比较用户提交的查询例子与数据库中音频样本的相似度，从而返回给用户与查询例子相似的音频。这类研究力求通过机器学习、统计分析等方法，理解底层特征所蕴含的潜在语义，使得检索结果尽可能地具有一定的语义相似性。

如图5-3所示，基于例子的音频检索一般包括如下几个步骤:特征分析和形式化表达、相似度匹配和相关反馈，其中，特征分析和形式化表达是最基础的部分，直接影响相似度计算的准确率，它又包括听觉特征的提取和降维、音频流的切分、索引和分类机制。

(www.xing528.com)

图5-3　基于例子的音频检索流程图

音频包括语音和非语音两种信号。基于例子的音频检索主要是针对非语音信号，如:音乐、动物的声音、环境音等；而语音信号一般是用来做识别研究，如:字、词、短语的识别。例如:美国卡耐基梅隆大学(Carnegie Mellon University)的Informedia项目曾对视频流中的语音信号进行识别研究，将语音信息转换成文本，以此来对视频流进行索引和检索。

除了基于内容的方法之外，也有很多人关注基于文本的音频检索，即:通过人工标注的形式，对音频数据进行注释和索引，然后通过文本匹配实现用关键字检索音频。但是，这种方法存在一些缺点:人工标注费时费力，又存在歧义性；音频往往数据量较大、语义丰富，难以用人工的方式主观地标注，例如:一段30min的音频，很可能蕴含了多个语义信息，不同的人进行标注将会得到不同的标注结果。