Signalbehandling_til_lydsøgning - Danmarks Tekniske Universitet

21 3.2 Korttidslige features
3.3.1 Mel-frekvens cepstrale koefficienter (MFCC)
Mel-frekvens cepstrale koefficienter (MFCC) er blevet brugt i en række
sammenhænge til behandling af lydsignaler. Heraf er de benyttede som features til
musik genre klassifikation med gode resultater i bl.a. [44].
Motivationen for at benytte MFCC, er at de til en vis grad repræsenterer de
frekvensmæssige karakteristika, som også gælder for den menneskelige hørelse.
Dermed forventer man, at de er i stand til at opfange nogle af de kendetegn for
musik, som mennesker også opfanger.
I Figur 3.4 nedenfor vises et flowdiagram over hvordan MFCC beregnes ud fra den
enkelte tidsramme.
Figur 3.4. Overordnet flowdiagram for hvordan Mel-frekvens Cepstral koefficienterne
beregnes. Der eksisterer forskellige metoder, for hvordan MFFC implementeres, men langt
de fleste følger det ovenforstående flowdiagram.
Efter at have benyttet et Hamming vindue, udføres den Diskrete Fourier
transformation, hvor der kun bruges den reelle del af resultatet, dermed opnås en Ndimensional
spektral repræsentation af tidsrammen. Fasen ignorereres da den ikke
vurderes at have den store indvirkning på hvordan mennesker opfatter musik.
Næste skridt er såkaldt Mel-skalering. Formålet med mel-skalering er som nænvt i
kapitel 2 at estimere forholdet imellem opfattet pitch og frekvens. Pitch er relevant,
da det benyttes af mennesker til at dele lyd op efter på en musikskala.
Til mel-skalering benyttes normalt en filterbank bestående af triangulere filtre i
frekvens domænet, hvor center frekvenserne er delt op efter melskalaen.
Logskalering benyttes hovedsageligt til at tilnærme menneskets af Loudness.