一種針對講座視頻的時間軸自動產(chǎn)生方法
【專利摘要】本發(fā)明是一種針對講座視頻的時間軸自動產(chǎn)生方法，包括以下步驟：第一步，掃描一遍視頻，通過小波變換和自相關(guān)函數(shù)法檢測出基音頻率；第二步，尋找基音頻率的平均值μ和標(biāo)準(zhǔn)差σ，作為講話人的基因頻率；第三步，根據(jù)基音頻率，進(jìn)行初劃分，劃分為時間軸單元；第四步，對于每一個時間軸單元，計(jì)算其基音頻率相似性A及頻譜相似性B，對于A，B取兩個閾值，當(dāng)A和B均大于這兩個閾值時，認(rèn)為是演講人在說話，排除非演講人說話的時間軸，得到的時間軸為演講人說話的時間軸。本發(fā)明是一種針對視頻講座可以自動產(chǎn)生出高精度的講座視頻時間軸的方法。
【專利說明】一種針對講座視頻的時間軸自動產(chǎn)生方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)軟件【技術(shù)領(lǐng)域】，尤指一種針對講座視頻的時間軸自動產(chǎn)生方 法。

【背景技術(shù)】
[0002] 講座、演講、講話類視頻的特點(diǎn)是：（1)主講人單一；（2)環(huán)境噪音干擾??；（3)主 要的干擾是掌聲、笑聲、拖音和呼吸聲。通常，講座視頻長度為10分鐘-2小時。以1小時 的視頻為例，切分出時間軸，需要1-2小時的人工，浪費(fèi)人力物力。


【發(fā)明內(nèi)容】

[0003] 為解決上述問題，本發(fā)明提供一種可以自動產(chǎn)生出高精度的講座視頻時間軸的針 對講座視頻的時間軸自動產(chǎn)生方法。
[0004] 本發(fā)明是一種針對講座視頻的時間軸自動產(chǎn)生方法，使用頻率相似性和頻譜相似 性結(jié)合來得到時間軸語音段；并且采用二次掃描，根據(jù)過零率，得到更精確的時間軸語音 段，包括以下步驟： 第一步，掃描一遍視頻，通過小波變換和自相關(guān)函數(shù)法檢測出基音頻率； 第二步，尋找基音頻率的平均值μ和標(biāo)準(zhǔn)差σ，作為講話人的基因頻率； 第三步，根據(jù)基音頻率，進(jìn)行初劃分，劃分為時間軸單元； 第四步，對于每一個時間軸單元，計(jì)算其基音頻率相似性Α及頻譜相似性Β，所述頻率 相似性A，既是該時間軸的基音平均頻率，在以第二步計(jì)算得到的，基音頻率的平均值μ和 標(biāo)準(zhǔn)差σ所得到的正態(tài)分布上，所出現(xiàn)的概率；所述頻譜相似性Β的計(jì)算方式如下：每個 時間軸由Ν幀組成，計(jì)算每一幀與前一幀的基因頻率差的平均值D ;取一個閾值Κ，當(dāng)D〈K 時，B = 1，當(dāng)D>K時，B按線性衰減；對于A，B取兩個閾值，當(dāng)A和B均大于這兩個閾值時， 認(rèn)為是演講人在說話，排除非演講人說話的時間軸，得到的時間軸為演講人說話的時間軸。
[0005] 本發(fā)明的有益技術(shù)效果在于：本方法通過語音分析的方式，自動得到講座視頻的 時間軸，主要用于給講座、演講、講話類視頻加配字幕時的預(yù)處理，省去了人工調(diào)制的過程。 本方法可以自動產(chǎn)生出高精度的講座視頻時間軸，節(jié)省大量的人工。

【專利附圖】

【附圖說明】
[0006] 圖1為劃分的時間軸單元示意圖。

【具體實(shí)施方式】
[0007] 下面結(jié)合實(shí)施例，對本發(fā)明的【具體實(shí)施方式】作進(jìn)一步詳細(xì)描述。
[0008] 本方法通過語音分析的方式，自動得到講座視頻的時間軸，主要用于給講座、演 講、講話類視頻加配字幕時的預(yù)處理，省去了人工調(diào)制的過程。
[0009] 講座、演講、講話類視頻的特點(diǎn)是： (1) 主講人單一； (2) 環(huán)境噪音干擾?。?(3) 主要的干擾是掌聲、笑聲、拖音和呼吸聲。
[0010] 本方法針對講座視頻的上述特點(diǎn)，采用兩次掃描、三門閾法產(chǎn)生出時間軸，自動提 取出語音片段，產(chǎn)生字幕時間軸。
[0011] 本發(fā)明是一種針對講座視頻的時間軸自動產(chǎn)生方法，通過基音頻率對主講人的聲 音及其他聲音進(jìn)行分開，具體包括以下步驟： 第一步，掃描一遍視頻，通過小波變換和自相關(guān)函數(shù)法檢測出基音頻率。
[0012] 第二步，鑒于講話人固定，基音頻率也固定，尋找基音頻率的平均值μ和標(biāo)準(zhǔn)差 〇，作為講話人的基因頻率。
[0013] 第三步，根據(jù)基音頻率，進(jìn)行初劃分，劃分為時間軸單元，如圖1所示。
[0014] 第四步，對于每一個時間軸單元，計(jì)算其基音頻率相似性Α及頻譜相似性Β，所述 頻率相似性A，既是該時間軸的基音平均頻率，在以第二步計(jì)算得到的，基音頻率的平均值 μ和標(biāo)準(zhǔn)差σ所得到的正態(tài)分布上，所出現(xiàn)的概率；所述頻譜相似性B的計(jì)算方式如下：每 個時間軸由Ν幀組成，計(jì)算每一幀與前一幀的基因頻率差的平均值D ;取一個閾值Κ，當(dāng)D〈K 時，B = 1，當(dāng)D>K時，B按線性衰減；對于A，B取兩個閾值，當(dāng)A和B均大于這兩個閾值時， 認(rèn)為是演講人在說話，排除非演講人說話的時間軸，得到的時間軸為演講人說話的時間軸。
[0015] 由于人說話時，語音的頭部和尾部并不具有基音特征，因此，真實(shí)的說話的時間區(qū) 間比根據(jù)基音得到的時間區(qū)間要大一些，因此，對于根據(jù)基音得到的時間軸，需要在此時間 軸基礎(chǔ)上，向前或向后各分析0. 5秒的時間。計(jì)算這段時間的語音信號的過零率，如果過零 率的值較大，則認(rèn)為是語音，從而得到修正后的時間軸數(shù)據(jù)。
【權(quán)利要求】
1. 一種針對講座視頻的時間軸自動產(chǎn)生方法，其特征在于，包括以下步驟： 第一步，掃描一遍視頻，通過小波變換和自相關(guān)函數(shù)法檢測出基音頻率； 第二步，尋找基音頻率的平均值μ和標(biāo)準(zhǔn)差σ，作為講話人的基因頻率； 第三步，根據(jù)基音頻率，進(jìn)行初劃分，劃分為時間軸單元； 第四步，對于每一個時間軸單元，計(jì)算其基音頻率相似性Α及頻譜相似性Β，所述頻率 相似性A，既是該時間軸的基音平均頻率，在以第二步計(jì)算得到的，基音頻率的平均值μ和 標(biāo)準(zhǔn)差σ所得到的正態(tài)分布上，所出現(xiàn)的概率；所述頻譜相似性Β的計(jì)算方式如下：每個 時間軸由Ν幀組成，計(jì)算每一幀與前一幀的基因頻率差的平均值D ;取一個閾值Κ，當(dāng)D〈K 時，B = 1，當(dāng)D>K時，B按線性衰減；對于A，B取兩個閾值，當(dāng)A和B均大于這兩個閾值時， 認(rèn)為是演講人在說話，排除非演講人說話的時間軸，得到的時間軸為演講人說話的時間軸。
【文檔編號】H04N21/435GK104159145SQ201410423661
【公開日】2014年11月19日 申請日期:2014年8月26日 優(yōu)先權(quán)日:2014年8月26日
【發(fā)明者】程國艮, 袁翔宇, 王宇晨 申請人:中譯語通科技（北京）有限公司