李海涛，杨树国

(青岛科技大学 数理学院,山东 青岛 266061)

日常生活中,人们每天都会接触到很多不同的声音,如汽车的鸣笛声、孩子的叫喊声等等,这些声音中包含了丰富的信息,识别生活环境中发生的不同声音事件从而进行不同的处理是非常重要的。声音事件检测(sound events detection,SED)就是检测音频信号中不同的声音事件及其起止时间,为进一步分析和处理声音事件奠定基础。SED在音频监控[1]、城市声音分析[2]、设备监控[3]等诸多领域都有着广泛的应用。

一般来说,SED的任务大致分为两类:单音SED和多音SED。单音SED在任一时刻至多检测出一种声音事件,而多音SED系统可以检测出多个声音事件[4]。从用途上看,因为现实环境中包含多个声源的情况更加多见,所以多音SED应用更为广泛;不同的声音事件往往相互重叠,而从混叠的声音中提取出的特征可能与从单个声音中提取的任何特征都不匹配,导致无法提取出能够有效代表单个声音事件的特征[5],所以多音SED更加困难和复杂,也更具挑战性。

传统的多音事件检测的模型有隐马尔可夫模型[6]和高斯混合模型[7]等。近年来,数据集和计算资源可用性的提高推动了深度学习模型在声音事件检测和分类任务中的应用,包括前馈神经网络(FNN)[8]、卷积神经网络(CNNs)[9]和循环神经网络(RNNs)[10]等。基于CNN和RNN的方法在SED任务中取得了良好的性能,这得益于它们能够学习提取出的音频特征与目标向量之间的非线性关系。特别是在多音SED的情况下,CNN与RNN的结合(CRNN)具有CNN提供的局部位移不变性,并具有RNN层提供的短期和长期时间依赖进行建模的能力,两种体系结构的结合提高了检测性能和效果[4]。……