乐符识别matlab,基于DPP的自动音符切分识别研究

摘要：基于内容的音乐分析是计算机音乐智能处理领域的重要分支，其中音符的分割和识别是关键技术之一。本文首先根据音级轮廓特征(PCP)，对音乐进行特征提取，将帧集通过行列式点过程(DPP)进行建模，最后根据最大后验概率估计(MAP)选出帧子集，从而实现音符的分割。DPP将复杂的概率计算转换为简单的行列式计算，减少了计算量。在钢琴音乐片段多音符的的识别中，得到了67.3%的正确率，解决了多音符的切分识别难题。本文引用地址：http://www.eepw.com.cn/article/201604/290272.htm

1 引言

对音符进行识别是音乐信号分析处理领域中重要的研究内容。音符识别技术在音乐数据库的建立、管理和索引中具有重要的应用价值，如何准确地进行音符分割是检索系统中较困难的问题[1]。音符识别技术可以便捷地实现乐谱的计算机录入，在音乐内容检索、计算机辅助钢琴教学、音乐作品数字化等领域具有广阔的应用前景。随着计算机多媒体技术、数字信号处理技术等不断发展，越来越多的音乐作品进入数字化的轨道，基于计算机的音乐识别、乐谱跟踪、音乐分类等一系列课题也被越来越多的学者关注。现有音符分割的方法大多是依据能量分割。文献[2]提出了使用声音的频谱参数，利用计算音符的自相似性进行音符分割。文献[3]凭借能量特征确定哼唱的起点和终点，通过设定动态门限的方法实现音符分割。近些年，国内学者的研究主要集中在和弦的识别以及单音符的识别上，对于多音符的识别较为欠缺。本文将运用DPP识别模型，对多音符进行分割识别。

行列式点过程模型(DPP)在图片分割、文本摘要和商品推荐系统中都有成功的应用。DPP将复杂的概率计算转换成简单的行列式的计算，减少了计算量，提高了运行速度，并且很好地解决了负相关的问题[4]。本文首先将音乐信号进行PCP特征提取，在识别阶段运用DPP进行建模，并用300段标记好的训练集对模型参数进行训练，从而完成音符的自动分割识别。

2 DPP音符切分

2.1 PCP特征提取

音级轮廓特征(PCP)是音乐信息检索中广泛使用的一种信号特征。PCP将频谱重建为音级谱，将音乐信号能量映射到12个音级上。

PCP特征计算：

第1步：分帧处理，将时域离散信号分为重叠的帧。

(1)

k表示频率坐标，n表示短时傅里叶变换窗口的中心，w(m)为汉明窗。

第2步：频谱映射,强XSTFT(k,n)映射为一个十二维的向量p(k)，每维表征了一个半音级的强度。映射公式为：

　(2)