Automatische Erkennung von Cover-Versionen und Plagiaten in ...

Feature Extraktion 61
3.6.1.4 Erweiterungen
Zu dem vorgestellten Verfahren entwickelte Goto [21] noch Erweiterungen. Grund dafür
sind im Wesentlichen die Einschränkungen, dass einerseits a priori Information über
den ungefähren Melodieverlauf nicht genutzt werden konnte und andererseits, dass ein
einziges quasi ideales Tonmodell verwendet wurde. Dies entspricht nicht der Realität
in der, bedingt durch unterschiedlichen Klangfarben, verschiedene Obertonstrukturen
vorherrschen.
Um die angesprochenen Punkte zu verbessern, wurden drei Erweiterungen zum PreFEst
Ansatz hinzugefügt.
• Mehrere Tonmodelle
Für jede Grundfrequenz wird nicht ein einziges Tonmodell sondern mehrere auf-
gestellt und deren Überlagerung betrachtet.
• Schätzen der Gestalt der Tonmodelle
Für jedes Tonmodell wird die relative Energie jedes Obertons durch einen EM
Algorithmus ebenso geschätzt wie die Gewichtung der einzelnen Tonmodelle un-
tereinander.
• Einführen einer a priori Verteilung
Anstatt der Maximum-Likelihood Schätzung wird nun eine auf Basis der Maxi-
mum A Posteriori Probability (MAP) verwendet. Diese erlaubt die Berücksichti-
gung einer a priori Verteilung der Tonmodelle.
Die Experimente in [21] zeigten eine deutliche Verbesserung gegenüber dem ursprüng-
lichen Verfahren aus [20].
3.6.2 Weitere Verfahren zur Melodieextraktion
Eine Methode, die stark an PreFEst angelehnt ist, ist die von Marolt in [29] vorgestell-
te zur Melodieextraktion anhand klangfarblicher Ähnlichkeiten. Die Bestimmung und
Gewichtung der Grundfrequenzen läuft analog zum PreFEst-Ansatz ab. Beim Verfol-
gen der Trajektorien wird jedoch, ausgehend von einem gefundenen Peak, immer ein
50 ms langes Fenster im Voraus als Ganzes betrachtet. Die weiterverfolgten Frequen-
zen werden somit in einem größeren Kontext bewertet und die Methode im gesamten
ausreißerunempfindlicher.