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

Feature Extraktion 62
Innerhalb solcher 50 ms Abschnitte sucht der Algorithmus dann nach stabilen Fragmen-
ten. Das Extrahieren von Melodiestimmen besteht in der Folge aus dem Gruppieren
passender aufeinanderfolgender Fragmente. Dabei wird in mehreren Schritten vorge-
gangen.
1. Fragmente mit stark ausgeprägter Obertonreihe werden herausgefiltert. Ein zwei-
ter Filter eliminiert alle jene Fragmente, deren relative Lautheit unter einem be-
stimmten Schwellwert liegt.
2. Auf diese Art ausgewählte signifikante Fragmente werden entsprechend ihrer Ähn-
lichkeit geclustert. Diese ergibt sich anhand mehrere Features. Unter anderem sind
das die Durchschnittsfrequenz, die durchschnittliche Lautstärke, das Verhältnis
ungerader zu geraden Obertönen bzw. die Unregelmäßigkeiten in den Obertönen,
die Cepstrum Koeffizienten oder die Dominanz der erzeugenden Tonmodelle im
Verhältnis zum Gesamtklangbild. Das Ergebnis sind zwei bis fünf Cluster, die
anhand des k-means Algorithmus gebildet werden.
3. Gerichtete azyklische Graphen (directed acyclic graphs – DAGs) werden durch
Verbinden benachbarter ähnlicher Fragmente desselben Clusters gebildet. Auf
diese Art werden näherungsweise größere Bruchstücke der Melodiestimmen zu-
sammengesetzt. Jedem Fragment wird dabei ein Graphknoten zugeordnet. Die
Kanten werden je nach Frequenz- und Lautstärkenunterschied, Länge des zeitli-
chen Spalts zwischen den Gruppen sowie Klangfarbenabweichung gewichtet.
4. Kurze Lücken zwischen verbundenen signifikanten Fragmenten werden bestmög-
lich geschlossen. Dabei kommt ein Shortest Path Algorithmus zur Anwendung
um den besten tatsächlichen Pfad entlang gefundener Fragmente von einem DAG-
Knoten zum nächsten zu finden. Die Gewichtung der Kanten entlang eines Pfades
ergibt außerdem die Kosten.
5. Konkurrierende Pfade über die Fragmente werden aufgelöst indem kurze Pfade
bzw. solche mit geringen Kosten bevorzugt werden.
6. Pfade des dominantesten Clusters formen schließlich die extrahierte Melodie.
Die Dominanz ergibt sich dabei aus einer Kombination aus Lautstärke, Cluster-
Konsistenz und Verhältnis der Gesamtzeit zu jener Zeit, in der eine Melodiestim-
me präsent ist.
Anwendung findet dieses Verfahren unter anderem in [30] um die Ähnlichkeit zwischen
zwei Musikstücken zu ermitteln. Die ermittelte Melodie wird dabei anhand des durch
eine Rhythmuserkennung gewonnenen Tempos normiert. Weiters findet eine Struktur-