(11) Lajstromszám: E (13) T2 EURÓPAI SZABADALOM SZÖVEGÉNEK FORDÍTÁSA

Átírás

1 !HU T2! (19) HU (11) Lajstromszám: E (13) T2 MAGYAR KÖZTÁRSASÁG Magyar Szabadalmi Hivatal EURÓPAI SZABADALOM SZÖVEGÉNEK FORDÍTÁSA (21) Magyar ügyszám: E (22) A bejelentés napja: (96) Az európai bejelentés bejelentési száma: EP (97) Az európai bejelentés közzétételi adatai: EP A (97) Az európai szabadalom megadásának meghirdetési adatai: EP B (1) Int. Cl.: GL 11/00 (06.01) G06F 17/ (06.01) (87) A nemzetközi közzétételi adatok: WO 061 PCT/EP 0/07971 () Elsõbbségi adatok: DE (72) Feltalálók: Allamanche, Eric, Emeryville, California (US); Herre, Jürgen, Buckenhof (DE); Hellmuth, Oliver, Erlangen (DE); Kastner, Thorsten, Stockheim/Reitsch (DE); Cremer, Markus, Berkeley, California (US) (73) Jogosult: m2any GmbH, Garching (DE) (74) Képviselõ: dr. Antalffy-Zsiros András, DANUBIA Szabadalmi és Jogi Iroda Kft., Budapest (4) Készülék és eljárás audiojelek robusztus osztályozására, valamint eljárás audiojel adatbank létrehozására és mûködtetésére, valamint számítógépi program (7) Kivonat Készülék egy ujjlenyomatjel (24) létrehozására egy audiojelbõl (12), amelynek van egy, az audiojel idõben egymás után következõ szegmenseinek frekvenciasávjaihoz tartozó energiaértékek kiszámítására szolgáló berendezése (14), egy berendezése (18) az energiaértékek skálázására, hogy skálázott vektorsorozatot () kapjanak; és egy berendezése (22) a skálázott vektorsorozat () idõbeli szûrésére, hogy egy olyan HU T2 A leírás terjedelme 18 oldal (ezen belül 4 lap ábra) 1. ábra Az európai szabadalom ellen, megadásának az Európai Szabadalmi Közlönyben való meghirdetésétõl számított kilenc hónapon belül, felszólalást lehet benyújtani az Európai Szabadalmi Hivatalnál. (Európai Szabadalmi Egyezmény 99. cikk (1)) A fordítást a szabadalmas az 199. évi XXXIII. törvény 84/H. -a szerint nyújtotta be. A fordítás tartalmi helyességét a Magyar Szabadalmi Hivatal nem vizsgálta.

2 1 HU T2 2 szûrt sorozatot (24) kapjanak, ami az ujjlenyomatjelet jelenti vagy amelybõl az ujjlenyomatjel levezethetõ. A berendezés az idõbeli szûréshez egy aluláteresztõ szûrõt tartalmaz. Ezzel egy, a kódolásspecifikus vagy átvitelicsatorna-specifikus zavarokkal szemben robusztus ujjlenyomatot állítanak elõ, amely különösen alkalmas mobil távközlési alkalmazások céljára. Jelen találmány általánosságban egy készülékre és egy eljárásra vonatkozik audiojelek robusztus osztályozására, valamint egy eljárásra egy audiojeladatbank létrehozására és mûködtetésére, különösen egy készülékre és egy eljárásra olyan audiojelek osztályozására, amelynél az audiojel számára egy ujjlenyomatot állítunk elõ és értékelünk ki. Az utóbbi években a multimédiás adatállomány rendelkezésre állása egyre nõtt. A nagy teljesítményû számítógépek, a széles sávú adathálózatok fokozódó elérhetõsége, a nagy teljesítményû tömörítõeljárások és a nagy kapacitású tárolóközegek ehhez lényegesen hozzájárultak. Különösen erõteljes a növekedés az elérhetõ audiotartalmak számában. Különösen szélesen elterjedtek az olyan audiofájlok, amelyek az MPEG1/2¹Layer 3¹szabvány, röviden MP3 szerint kódoltak. A nagyon gyakran zenedarabokat jelentõ audioadatok nagy mennyisége szükségessé teszi, hogy olyan készülékeket és eljárásokat fejlesszünk ki, amelyek lehetõvé teszik az audioadatok osztályozását és meghatározott audioadatok megtalálását. Mivel az audioadatok különbözõ formátumokban vannak jelen, ami például a veszteséges tömörítés vagy egy torzítást felmutató átviteli csatornán történõ átvitel miatt nem teszi minden esetben lehetõvé az audiotartalom egzakt helyreállítását, olyan eljárásokra van szükség, amelyek az audiojeleket nem az érték szerinti jelentésük alapján, hanem valamilyen tartalmon alapuló jellemzés révén ítélik meg, illetve hasonlítják össze. Egy audiojeltartalmon alapuló jellemzésére szolgáló berendezés egy alkalmazási területe például az egy audiojelre vonatkozó metaadatok rendelkezésre bocsátása. Ez elsõsorban zenedarabokkal kapcsolatban lényeges. Ilyen esetben egy zenedarab egy adott részletéhez meg lehet állapítani a címet és az elõadót. Ezen a módon járulékos információk is megállapíthatók, például arról az albumról, amelyen a zeneszám található, továbbá szerzõi jogi információk is. Egy audiojel jellemzõit egy tartalmon alapuló jellemzés esetén az audiojel rendelkezésre álló megjelenítésébõl kell extrahálni. Különösen elõnyösnek bizonyult, ha az audiojelhez olyan adatkészletet rendelünk hozzá, amelyet az audiojel audiotartalma alapján nyerünk, és amelyet felhasználhatunk egy audiojel osztályozására, keresésére vagy összehasonlítására. Egy ilyen adatkészletet ujjlenyomatnak is nevezünk. Az utóbbi években egy sor eljárást hoztak nyilvánosságra audiojelek tartalmon alapuló indexelésére. Az ilyen berendezésekkel a zenejeleket, vagy általánosan akusztikus jeleket egy elõre megadott tulajdonság alapján egy meghatározott osztályhoz vagy mintához rendelhetjük hozzá. Ezáltal az akusztikus jelek meghatározott hasonlóságok szerint sorolhatók be. A következõkben részletesebben is leírjuk az egy audiojel ujjlenyomatával kapcsolatos lényeges követelményeket. A rendelkezésre álló audiojelek nagy száma következtében szükséges, hogy az ujjlenyomatot mérsékelt számítástechnikai ráfordítással tudjuk létrehozni. Ez csökkenti az ujjlenyomat létrehozásához szükséges idõt, és egyáltalán lehetõvé teszi az ujjlenyomatok nagyarányú alkalmazását. Ezen túlmenõen az ujjlenyomatnak nem szabad túl sok tárolóhelyet igénybe vennie. Számos esetben van szükség arra, hogy nagyszámú ujjlenyomatot tároljunk egy adatbázisban. Különösen szükséges lehet, hogy nagyszámú ujjlenyomatot egy számítógép központi memóriájában tartsunk. Ebbõl világosan látható, hogy az ujjlenyomat adatmennyiségének világosan kisebbnek kell lennie, mint a tényleges audiojel adatmennyiségének. Másrészt az is szükséges, hogy az ujjlenyomat egy audioszámra jellemzõ legyen. Ez azt jelenti, hogy két, eltérõ tartalmú audiojel egymástól eltérõ ujjlenyomattal kell rendelkezzen. Ezen túlmenõen egy ujjlenyomattal szemben támasztott fontos követelmény, hogy az ugyanazt az audiotartalmat reprezentáló, két olyan audiojelhez tartozó ujjlenyomat, mely jelek például torzítás miatt különböznek egymástól, elegendõ mértékben azonos legyen, hogy egy összehasonlítás során összetartozóként lehessen beazonosítani. Ezt a tulajdonságot jellemzõ módon az ujjlenyomat robusztusságának nevezik. Ez különösen fontos, ha olyan audiojeleket kell összehasonlítani, amelyeket különbözõ eljárásokkal tömörítettek, illetve kódoltak. Ezen túlmenõen az olyan audiojeleknek, amelyeket torzítást okozó csatornán keresztül közvetítettek, egy, az eredeti ujjlenyomathoz nagyon hasonló ujjlenyomattal kell rendelkezniük. Már egy sor olyan eljárás ismert, amelyek segítségével egy audiojelbõl annak jellemzõi vagy ujjlenyomatai extrahálhatók. Az US,918,223 számú szabadalmi leírás audioinformációk tartalmon alapuló elemzésére, tárolására, visszanyerésére és szegmentálására alkalmas eljárást ismertet. Az audioadatok elemzése olyan numerikus értékkészletet hoz létre, amelyet jellemzõ vektornak is nevezünk, és amely arra használható, hogy az egyes audioadatok közötti hasonlóságot beosztályozzuk és rangsoroljuk. Az audioszámok tartalom szerinti jellemzésére, illetve osztályozására alkalmas jellemzõként egy darab hangerejét, a hangmagasságot, a hangvilágosságot, a sávszélességet és az úgynevezett mel-frekvenciás kepsztális komponenseket (MFCC) használjuk. A blokkonkénti vagy keretenkénti értékeket tároljuk, és egy elsõ idõalapú deriválás- 2

3 1 HU T2 2 nak vetjük alá. Ezeknek a jellemzõknek mindegyikébõl statisztikus értékeket számítunk ki, mint például a középérték vagy a standard eltérés, beleértve azok elsõ deriváltját is, hogy ezzel az idõbeli változást le tudjuk írni. A statisztikus értékeknek ez a készlete képezi a tulajdonságvektort. A tulajdonságvektor így tehát a zenedarab ujjlenyomata, és adatbankban tárolható. Az IEEE Signal Processing Magazine 00. novemberi számában, a oldalakon megjelent Yao Wang és társai: Multimedia Content Analysis címû szakpublikációja egy hasonló koncepciót ismertet, amellyel multimédiás darabokat lehet indexelni és jellemezni. Annak érdekében, hogy egy audiojelet hatékonyan hozzá lehessen rendelni egy meghatározott osztályhoz, egy sor jellemzõt és osztályozót fejlesztettek ki. Egy multimédiás darab tartalmának az osztályozására szolgáló jellemzõként idõtartomány-jellemzõket vagy frekvenciatartomány-jellemzõket javasolnak. Ezek magukban foglalják a hangerõt, a hangmagasságot, mint egy audiojelforma alapfrekvenciáját, spektrális jellemzõket, mint például egy sáv teljes energiatartalomra vonatkoztatott energiatartalma, a spektrális lefutás határfrekvenciái és mások. A rövid idejû jellemzõk mellett, amelyek az audiojel letapogatási értékeinek blokkonkénti úgynevezett értékére vonatkoznak, hosszú idejû értékeket is javasolnak, amelyek az audiodarab egy hosszabb idõtartamára vonatkoznak. További tipikus jellemzõket a mindenkori jellemzõk idõbeli differenciálképzése révén állítanak elõ. A blokkonként nyert jellemzõket csak ritkán adják tovább, mint osztályozásra közvetlen jellemzõket, mivel még túlságosan nagy adatmennyiséggel rendelkeznek. A további feldolgozás egy szokásos formája a rövid idejû statisztikák számításában áll. Ehhez tartozik például a középérték, a variancia és az idõbeli korrelációs együtthatók képzése. Ez egyrészt csökkenti az adatmennyiséget, másrészt egy audiojel jobb újrafelismerését eredményezi. A WO 02/06782 számú szabadalmi dokumentumban egy eljárást írnak le egy multimédiás jelhez tartozó ujjlenyomat létrehozására. Az eljárás egy audiojelbõl egy vagy több jellemzõ extrakcióra vonatkozik. Az audiojelet ehhez szegmensekre osztják fel, és minden egyes szegmensben megtörténik a blokkonkénti és frekvenciasávonkénti feldolgozás. Példaként a teljesítménysûrûség-spektrum energiájának, tonalitásának és standard eltérésének a sávonkénti számítását nevezzük meg. Ezen túlmenõen a DE és DE számú szabadalmi dokumentumokból egy olyan készülék és eljárás ismert audiojel osztályozására, amelyeknél az ujjlenyomatot az audiojel tonalitásának egy mértéke alapján nyerik ki. Az ujjlenyomat ennek során az audiojelek robusztus, tartalmon alapuló osztályozását teszi lehetõvé. A nevezett dokumentumok több lehetõséget ismertetnek arra, hogy egy audiojelre vonatkozó tonalitásmértéket hozzunk létre. A tonalitás kiszámítása minden esetben az audiojel egy szegmensének a spektrális tartományba történõ átalakításán alapul. A tonalitást egy adott frekvenciasávra, vagy akár az összes frekvenciasávra párhuzamosan számíthatjuk ki. Egy ilyen eljárás hátránya az, hogy az ujjlenyomat az audiojel fokozódó torzulásával nem lesz elegendõen kifejezõ, és hogy ilyen esetben az audiojel felismerése nem lesz többé lehetséges kielégítõ megbízhatósággal. Torzítások azonban számos esetben fellépnek, különösen ha az audiojeleket csekély átviteli minõségû rendszer segítségével továbbítják. Ez napjainkban különösen mobilrendszereknél, illetve erõteljes adattömörítés esetén lép fel. Az ilyen rendszereket, mint például a mobiltelefonokat, elsõdlegesen beszédjelek kétirányú átvitelére fejlesztették ki, és zenei jeleket gyakran csak nagyon gyenge minõséggel visznek át. Ehhez még további tényezõk is társulnak, amelyek negatívan befolyásolhatják egy átvitt jel minõségét, például gyenge minõségû mikrofonok, csatornazavarok és transzkódolási hatások. A jelminõség romlásának egy jel azonosítására és osztályozására szolgáló berendezés tekintetében az a következménye, hogy a felismerési teljesítmény erõteljesen leromlik. A vizsgálatok azt mutatták, hogy különösen a DE és DE számú szabadalmi dokumentumok szerinti készülék, illetve eljárás alkalmazása esetén a rendszerben végrehajtott változások a tonalitás mint felismerési kritérium megtartása mellett a felismerési teljesítmény további lényeges javulásához nem járulnak hozzá. Kijelenthetjük, hogy az audiojelek osztályozására, illetve egy audiojel ujjlenyomatának létrehozására szolgáló ismert eljárások legtöbbször nem képesek a felállított követelmények kielégítésére. Továbbra is problémák jelentkeznek az audiojel torzításával szembeni robusztusság vagy az audiojelre ráülõ zavarokkal szemben. Az audiojelek tárolására és továbbítására szolgáló jelenlegi rendszerek túlnyomó részénél erõteljes jeltorzulások és zavarok lépnek fel. Ez különösen abban az esetben lép fel, ha veszteséges adattömörítõ eljárást vagy zajos zavart átviteli csatornát használnak. A veszteséges tömörítést mindig olyan esetben alkalmazzák, amikor az egy audiojel tárolásához vagy átviteléhez szükséges adatmennyiséget csökkenteni kell. Erre jó példa az MP3-szabvány szerinti adattömörítés és a digitális mobil rádiós készülékeknél alkalmazott eljárás. Mindkét esetben a kis adatmennyiséget azáltal érik el, hogy az átvitel céljából a jelet lehetõleg durván kvantálják. Az audiosávszélesség részben erõsen leszûkített. Ezen túlmenõen azokat a jelösszetevõket is elnyomják, amelyeket az emberi hallás nem vagy csak nagyon gyengén érzékel, mert például más jelösszetevõk által elfedettek. Az átviteli csatornán a ma szokásos mobilbeszédátviteli alkalmazásoknál nagyon gyakran lépnek fel zavarok. Különösen a vételi minõség alacsony nem ritkán, ami az átvitt audiojel megnövekedett zajában jelentkezik. Emellett még az átvitel is teljesen megszakadhat rövid idõre úgy, hogy egy átvitelre szánt audiojel egy rövid részdarabja teljes egészében kiesik. Egy mobiltelefon egy ilyen megszakítás alatt olyan zajjelet kelt, amelyet egy emberi használó kevésbé erõsen zavarónak talál, mint az audiojel teljes kimaradását. Vé- 3

4 1 HU T2 2 gül egy mobiltelefoncellától egy másik mobiltelefoncellához történõ átadás során is zavarok lépnek fel. Mindezek a zavaró befolyások egy ujjlenyomatot nem hamisíthatnak meg túlságosan erõsen úgy, hogy egy zavart audiojel azonosítása még mindig nagy biztonsággal lehetséges legyen. Végül az audiojelek átvitelét az audiorész frekvenciamenet-karakterisztikája is ronthatja. Különösen a kicsi és olcsó alkatrészek, amelyeket a mobilkészülékeknél gyakran használnak, rendelkeznek jellegzetes frekvenciamenettel, és torzítják ezáltal az azonosítandó audiojeleket. Míg egy emberi hallgató egy audiojelet a leírt zavarok és torzítások fennállása esetén is nagy megbízhatósággal be tud azonosítani, a felismerési teljesítmény a zavart audiojelek fennállása esetén olyan audiojelfelismerõ berendezések esetében, amelyek egy audiojel hagyományos ujjlenyomatát használják, észrevehetõen lecsökken. A J. S. Seo és társai által jegyzett Linear Speed- Change Resilient Audio Fingerprinting címû publikáció, amelyet a Proceedings 1 st IEEE Benelux Workshop on Model Based Processing and Coding of Audio (MPCA-002), Leuven, Belgium, November., 02. címû dokumentumban hoztak nyilvánosságra, sebességérzéketlen audioujjlenyomatok számára ír le egy olyan eljárást, amely a Fourier Mellin-transzformáció invarianciatulajdonságain alapul. Egy audiojelet ennek során keretekre osztanak fel, és a jel spektrális képét Fourier-transzformáció végrehajtásával kapják meg. Az eredményül kapott spektrumból 33 energiából álló vektort számítanak ki, amennyiben az energiát 33 logaritmikusan elhelyezkedõ sávban számolják ki. A sávok Hz és 00 Hz közötti tartományban húzódnak. Az egymás után következõ keretek energiavektorait azután egy mátrix soraiba helyezik el, hogy egy spektrogramot kapjanak. A spektrogramot egy egyszerû 2D¹szûrõvel szûrik a frekvenciatengely mentén, és az idõtengely mentén egy F,t szûrõmag alkalmazásával. Végül a szûrt energiaértékeket bitekké konvertálják, amennyiben a keletkezett érték elõjelét használják. Ezzel kapcsolatban további részletek találhatók a J. Haitsma és társai: A Highly Robust Audio Fingerprinting System címû publikációban, amely a Journal of New Music Research folyóirat 32. kötet 2. számában került nyilvánosságra a oldalakon, 02. október 17¹én. Az R. Lancini és társai: Audio Content Identification by Using Perceptual Hashing címû cikk, amelyet az IEEE International Conference on Multimedia and Expo, Taipei, Tajvan, 04. június 27., 1. kötet, oldalakon publikáltak, egy tördelõeljárást ír le automatikus dalfelismeréshez. Az eljárás egy audiojel elõfeldolgozását, keretekre osztását, egy ablakmûveletet, egy FFT-transzformációt, valamint egy jellemzõ extrakciót foglal magában. Jellemzõként egy közepes energiát, egy spektrálislaposság-mértéket, valamint egy spektrálisamplitúdó-tényezõt használnak. Ezt követõen végbemegy az ujjlenyomat modellezése Az A. Kimura és társai Very Quick Audio Searching: Intriducing Global Pruning To The Time-Series Active Search címû publikációja, amelyet a Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing, 01, Vol. 1. of 6., 7. Mai. 01. kiadvány oldalán hoztak nyilvánosságra, egy olyan elõfeldolgozó eljárást ír le, amely meggyorsít egy, audio- vagy videofelvételeket egy meghatározott szegmens céljából keresõ keresõeljárást. Az eljárás hosszú jelek globális hisztogramcsoportosítását és a csoportok, illetve klaszterek alkalmazása révén felesleges információk eltávolítására szolgáló eljárást foglal magában. Az eljárásnál egy olyan jellemzõ vektort határoznak meg, amelynek elemei szabványosított rövid idejû teljesítményspektrumokat jelentenek. A jellemzõ vektorokat azután egy vektorkvantáló algoritmus alkalmazásával kvantálják, majd a kvantált vektorok felhasználásával hisztogramokat hoznak létre. A P. Cano és társai: A Review of Algorithms for Audio Fingerprinting címû cikke, amelyet a Proceedings of the 03 IEEE Radar Conference folyóirat oldalán hoztak nyilvánosságra, háttér-információkat ad a különbözõ audioujjlenyomatokhoz. A C. Papaodysseus és társai: A New Approach to the Automatic Recognition of Musical Recording címû cikke, amelyet a Journal of the Audio Engineering Society folyóirat 49. kötet 1./2. számának oldalán hoztak nyilvánosságra 01. januárban, további háttérinformációkat ad zenei felvételek automatikus felismerésére és egy ismeretlen zenei felvétel számára reprezentatív vektorkészlet létrehozására szolgáló eljárás tekintetében. A nevezett cikk továbbá egy adaptív FFTtranszformáció számítására is kitér, továbbá figyelmet fordít egy zenei felvétel jellegzetességének a kódolására is. Ezen túlmenõen a cikk minták egyezésének felismerésére vonatkozó algoritmusokat ismertet. A J. S. Seo és társai: Audio Fingerprinting Based on Normalized Spectral Subband Centroids címû, utólagosan publikált cikke, amelyet a Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing, 18. March. 0. folyóirat oldalán publikáltak, egy további eljárást ismertet audioujjlenyomat létrehozására, szabványosított spektrálisalsáv-súlypontok alkalmazásával. A jelen találmány feladata egy koncepció létrehozása egy robusztus ujjlenyomat kiszámításához egy audiojel alapján. Ezt a feladatot egy készülékkel és egy eljárással oldjuk meg egy ujjlenyomatjel létrehozására egy audiojelbõl az 1., illetve 2. igénypontok szerint, továbbá egy készülékkel és egy eljárással oldjuk meg egy audiojel jellemzésére a 26., illetve 27. igénypont szerint, továbbá egy eljárással oldjuk meg egy audiodatbank létrehozására a 28. igénypont szerint, egy eljárással oldjuk meg információ kinyerésére egy audiojeladatbank alapján a 29. igénypont szerint, és egy 31. igénypont szerinti számítógépprogrammal oldjuk meg. Jelen találmány azon a felismerésen alapul, hogy egy audiojelhez tartozó ujjlenyomatjel akkor robusztus 4

5 1 HU T zavarokkal szemben, ha a jelnek egy olyan jellemzõjét használjuk fel, amely a jel különféle torzulásaitól messzemenõen befolyásolásmentes marad, és amely az emberi akusztikus észleléshez hasonló formában hozzáférhetõ, tehát amely sávenergiákat és különösen skálázott sávenergiákat foglal magában, ahol a skálázott sávenergiák idõbeli lefolyásának szûrése révén egy további robusztusságot kapunk, például egy vezeték nélküli csatorna zavarai ellen. Az emberi hallás az audiojeleket különálló frekvenciasávokra felosztva észleli. Ennek megfelelõen elõnyös, ha egy audiojel energiáját sávonként határozzuk meg. Ezért a találmány szerinti készülék több frekvenciasáv energiaértékének a kiszámítására alkalmas berendezést is magában foglal. E berendezés révén egy audiojel spektrális burkológörbéjét mûszakilag és pszichoakusztikusan értelmes közelítésben tudjuk ábrázolni. Ezen túlmenõen jelen találmány azon a felismerésen alapul, hogy az energiaértékek több frekvenciasávban való skálázása egyrészt összhangban van az emberi akusztikus észleléssel, másrészt egyszerûbbé tesz az energiaértékek mûszaki továbbfeldolgozását és a spektrális jeltorzulások kiegyenlítõdését, amelyeket egy átviteli csatorna ideálistól eltérõ frekvenciamenete okoz. Az emberi akusztikus észlelés egy audiojelet akkor is azonosítani tud, ha egyes frekvenciasávok teljesítményükben kiemeltek vagy elnyomottak. Emellett egy emberi hallgató egy jelet annak hangerejétõl függetlenül azonosítani tud. Egy emberi hallgatónak ezt a képességét egy skálázásra szolgáló berendezéssel képezzük le. A sávonkénti energiaértékek átskálázása mûszaki alkalmazás céljára is segítséget jelent. Végül a sávonkénti energiaértékeken végrehajtott szûrési mûvelet révén a zavarásokat ugyanolyan módon tudjuk elnyomni, ahogyan az az emberi hallásérzékelés során történik. A sávonkénti energiaértékek idõbeli szûrése ennek során hatékonyabb, mint magának az audiojelnek a hagyományos szûrése, és lehetõvé teszi egy, jelzavarásokkal szemben a hagyományos készülékeknél szokásosnál robusztusabb ujjlenyomat létrehozását. Ily módon egy találmány szerinti készülékkel, amely több frekvenciasávban lévõ energiaértékek sávonkénti meghatározását skálázással és azok szûrésével is összeköti, egy audiojel nagy kifejezõ értékû robusztus ujjlenyomatjelét tudjuk létrehozni. A jelen készülék egy elõnye az, hogy egy audiojel ujjlenyomata ennek során az emberi halláshoz igazodik. Nem csupán tisztán fizikai, hanem lényegében pszichoakusztikusan megalapozott jellemzõk is bekerülnek az ujjlenyomatba. Egy találmány szerinti készülék alkalmazása esetén az audiojelek akkor rendelkeznek hasonló ujjlenyomattal, ha egy emberi hallgató is ezeket egymáshoz hasonlónak minõsítené. Az ujjlenyomatok hasonlósága korrelál az audiojeleknek azzal a szubjektív érzetû hasonlóságával, amit egy emberi hallgató megállapítana. A fenti megfontolások eredménye egy készülék egy ujjlenyomatjel létrehozásához egy olyan audiojel alapján, ami lehetõvé teszi, hogy olyan audiojeleket is azonosítani és osztályozni tudjunk, amelyek jelzavarásokat és torzításokat tartalmaznak. Különösen robusztusak az ujjlenyomatok a zaj, csatornafüggõ zavarok, kvantálási hibák és a vesztesége adattömörítés alapján jelentkezõ elváltozások vonatkozásában. Egy olyan ujjlenyomatra, amelyet egy találmány szerinti készülékkel hozunk létre, még a frekvenciamenetre vonatkozó torzulások sem jelentenek súlyos befolyást. Ezáltal egy találmány szerinti készülék egy audiojel ujjlenyomatának a létrehozására mobil kommunikációs berendezések, például GSM¹, UMTS- vagy DECT-szabvány szerinti mobiltelefonokkal kapcsolatos felhasználás céljára igencsak alkalmas. Egy elõnyös kiviteli példánál kompakt ujjlenyomatokat tudunk kb. 1 kilobájt/perc adatsebességû audioanyaggal létrehozni. Ez a kompakt felépítés az ujjlenyomatok nagyon hatékony továbbfeldolgozását teszi lehetõvé elektronikus adatfeldolgozó berendezésekben. Járulékos elõnyöket az egy audiojel ujjlenyomatának létrehozására szolgáló jelen találmány további részletbeli javításai révén érhetünk el. Egy különösen elõnyös kiviteli példa esetében egy audiojel egy szegmense vonatkozásában diszkrét Fourier-transzformációt hajtunk végre gyors Fouriertranszformációval. Ezt követõen a Fourier-együtthatók összegeit négyzetre emeljük, és sávonként összegezzük, hogy egy-egy frekvenciasávra vonatkozó energiaértéket kapjunk. Egy ilyen eljárás elõnye, hogy az energiát egy frekvenciasávban csekély ráfordítással ki tudjuk számítani. Ezen túlmenõen megfelelõ mûvelet található már az MPEG7-szabványban is, és így nem kell külön megvalósítani. Ez csökkenti a fejlesztési költségeket. Egy további elõnyös kiviteli alak esetében a frekvenciasávok változó sávszélességûek, ahol a sávszélesség a nagyobb frekvenciákon nagyobb. Egy ilyen eljárás összhangban áll az emberi hallással és a pszichoakusztikus felismerésekkel. Egy további elõnyös kiviteli alak esetében a skálázóberendezés egy logaritmálóberendezést és egy, a logaritmálóberendezés után kapcsolt, egy azonos rész elnyomására szolgáló berendezést foglal magában. Egy ilyen elrendezés nagyon elõnyös, mert csekély ráfordítással végrehajtható mind a logaritmikus normálás, mint pedig a frekvenciasávok jelszintbefolyásának a semlegesítése is. A jelszint idõben állandó változása a logaritmálás során csupán egy azonos részt idéz elõ. Ez egy alkalmas elrendezéssel viszonylag egyszerû módon elnyomható. A logaritmikus normálás egyébként nagyon jól hozzáilleszkedik az emberi hangerõ-érzékeléshez. Jelen találmány elõnyös kiviteli alakjait az alábbiakban a csatolt rajzok segítségével ismertetjük részletesebben. A rajzon az 1. ábra egy találmány szerinti készülék tömbvázlata egy audiojel ujjlenyomatjelének a létrehozására; a 2. ábra egy találmány szerinti készülék egy további kiviteli alakjának részletes tömbvázlata, egy

6 1 HU T audiojelbõl egy ujjlenyomatjel létrehozására; a 3. ábra egy audioadatbank létrehozására vonatkozó eljárás egy kiviteli példájának folyamatábrája; és a 4. ábra információk audioadatbank alapján történõ kinyerésére szolgáló eljárás egy kiviteli alakjának folyamatábrája. Az 1. ábra egy találmány szerinti készülék tömbvázlatát mutatja egy audiojelbõl egy ujjlenyomatjel létrehozására, mely készülék a maga összességében hivatkozási jellel van megjelölve. A készülékbe bemeneti jelként 12 audiojelet vezetünk. Egy elsõ 14 fokozatban frekvenciasáv-energiaértékeket számítunk ki, amelyek azután energiaérték- 16 vektor formájában állnak rendelkezésre. Egy második 18 fokozatban az energiaértékeket skálázzuk. Ezt követõen több frekvenciasáv számára skálázott energiaérték- vektor áll rendelkezésre. Egy harmadik 22 fokozatban ezt a vektort idõben szûrjük. A készülék kimenõjeleként több frekvenciasávra vonatkozó skálázott és szûrt energiaérték- 24 vektor jön létre. A 2. ábra egy audiojelbõl egy ujjlenyomatjelet létrehozó, összességében hivatkozási jellel jelölt találmány szerinti készülék egy kiviteli alakjának részletes kapcsolási vázlatát mutatja. A készülék bemenetén egy impulzuskód-modulált 32 audiojel van jelen. Ezt egy MPEG¹7 34 frontendhez vezetjük. Az MPEG¹7 frontend kimenetén 36 vektorszekvencia van jelen, amelynek összetevõi a megfelelõ sávok energiáit jelentik. Ezt a vektorszekvenciát egy második 38 fokozathoz vezetjük a spektrális audioburkológörbe feldolgozásához. Ennek kimenetén egy vektorszekvencia van jelen, amely összességében az audiojel ujjlenyomatát képviseli. Az MPEG¹7 34 frontend az MPEG-7-audioszabvány egy része, és a PCM kódolású 32 audiojel ablakolására szolgáló 0 berendezést foglal magában. Az 0 ablakolóberendezés kimenetén az audiojel- 2 szegmens szekvenciája jelenik meg ms¹os hosszúsággal. Ezeket egy olyan 4 berendezésbe vezetjük, amely diszkrét Fourier-transzformációval kiszámítja az egyes szegmensek spektrumát, és amelynek kimentén így 6 Fourier-együtthatók jelennek meg. Egy utolsó 8 berendezés alkotja a spektrális audio burkológörbét ( Audio Spectrum Envelope, ASE). Ennek során az 6 Fourieregyütthatók összegeit négyzetre emeljük és sávonként összegezzük. Ez a sávenergiák számításának felel meg. A sávok szélessége növekvõ frekvenciával nõ (logaritmikus sávbeosztás) és egy további paraméterrel határozható meg. Így minden egyes szegmens számára egy olyan 36 vektor adódik, amelynek bejegyzései egy ms hosszú szegmens frekvenciasávjában lévõ energiát jelentik. Az audioszegmens sávonkénti spektrális burkológörbéjének a számításához használt MPEG¹7 frontend része az MPEG-7-audioszabványnak (ISO/IEC JTC1/SC29/WG 11 (MPEG): Multimedia Content Description Interface-part 4: Audio, nemzetközi szabvány 938 4, ISO/IEC 01). Az MPEG¹7 frontenddel nyert vektorszekvencia, mint olyan, egy robusztus audiojel osztályozás szempontjából alkalmatlan. A spektrális audioburkológörbének egy további feldolgozási fokozatára van tehát szükség, hogy a jellemzõként szolgáló vektorszekvenciát módosítsuk, hogy az nagyobb robusztusságot és kisebb adatmennyiséget tartalmazzon. A spektrális audioburkológörbe feldolgozására szolgáló 38 berendezés elsõ fokozatként a sávonkénti 36 energiaértékek logaritmálására szolgáló 70 berendezéssel rendelkezik. A logaritmált 72 energiaértékeket ezután egy 74 aluláteresztõ szûrõbe vezetjük. A 74 aluláteresztõ szûrõ után az energiaértékek számának decimálására szolgáló 76 berendezés van kapcsolva. Az energiaértékek decimált 78 szekvenciáját egy 80 felüláteresztõ szûrõbe vezetjük. A spektrális energiaértékek felüláteresztõ szûrõn áteresztett 82 szekvenciáját végül egy jelillesztett 84 kvantálónak adjuk át. Annak kimenetén végül feldolgozott spektrális energiaérték-szekvencia jelenik meg, amely összességében az ujjlenyomatot jelenti. Az egy audiojelbõl egy ujjlenyomatjel létrehozására szolgáló készülék szerkezetének a leírásán alapulva a mûködésmódot írjuk le részleteiben. Az egy audiojelbõl egy ujjlenyomatjel létrehozására szolgáló találmány szerinti készülék alapja egy audiojelszegmens több frekvenciasávjában a sávenergiák számítása. Ez megfelel a spektrális audioburkológörbe meghatározásának. A bemutatott kiviteli alak esetében ezt az MPEG¹7 34 frontenddel érjük el. Ennél a kiviteli alaknál elõnyös, ha a sávok szélessége növekvõ frekvenciával nõ, és hogy a frekvenciasávok energiaértéke az MPEG¹7 34 frontend kimenetén sávenergia-értékek 36 vektoraként áll rendelkezésre. Egy ilyen jellegû jelfeldolgozás az emberi hallásnak felel meg, amelynél az észlelés több frekvenciasávra van felosztva, melyek szélessége növekvõ frekvenciával nõ. Ily módon az emberi hallás benyomását ebben a vonatkozásban az MPEG¹7 34 frontenddel utánérezzük. Egy további feldolgozási lépésben az energiaértékek sávonkénti normálása következik. A normálásra szolgáló készülék itt két fokozatot fog át, egy az energiaértékek logaritmálására szolgáló 70 berendezést és egy 80 felüláteresztõ szûrõt. A logaritmálás ennek során két feladatot lát el. Az egyik logaritmálás egyrészt a hangerõsség emberi érzékelését képezi le. Pontosan nagy hangerõ esetén a szubjektív emberi érzékelés egy meghatározott mértékben nõ, ha az audioteljesítmény éppen megduplázódik. Egy 70 logaritmálóberendezés pontosan ugyanezt a viselkedést mutatja. Ezen túlmenõen a 70 logaritmálóberendezés azzal az elõnnyel jár, hogy az értéktartomány az egy sávban lévõ energiaértékekre csökken, ami egy technikailag érezhetõen elõnyös számábrázolást tesz lehetõvé. Különösen arra nincs szükség, hogy lebegõpontos ábrázolást alkalmazzunk, hanem egyszerû fix pontos ábrázolás is használható. Meg kell említeni továbbá, hogy a logaritmálást itt nem szigorúan matematikai értelemben kell érteni. Különösen az egy frekvenciasávban lévõ kis energiák esetében vezetne a logaritmálás összegszerûen nagyon nagy értékekhez. Ez sem mûszaki értelemben 6

7 1 HU T2 2 nem elõnyös, sem pedig az emberi hallásérzetnek nem felel meg. Sokkal inkább értelmes, hogy ha kis energiaértékekhez egy közelítõen lineáris karakterisztikát alkalmazunk, vagy legalább az értéktartományt lefelé behatároljuk. Ez ismét az emberi érzékelésnek felel meg, amelynél a kis hangerõk számára egy hallási küszöb létezik, nagy hangerõk számára azonban egy hozzávetõlegesen logaritmikus hangteljesítmény-érzékelés következik be. Így tehát biztosítható, hogy az energiaértékek dinamikája, amely a tapasztalat szerint nagyon nagy értéktartományú lehet, a logaritmálás révén egy sokkal alacsonyabb értékre tömörítõdik. Az elõzõleg adott leírásnak megfelelõ logaritmálás mûvelete így megközelítõleg egy specifikus hangosságképzésnek felel meg. A logaritmusalap megválasztása lényegtelen, mert az csupán egy szorzóállandónak felel meg, amelyet a további jelfeldolgozás, különösen egy azt követõ kvantálás révén kompenzálni tudunk. A dinamikatartomány kompressziója és az emberi halláshoz történõ hozzáigazítás mellett a skálázás további feladata, hogy az egy audiojelbõl egy ujjlenyomat létrehozását függetlenítse az audiojel szintjétõl. Ennek megértéséhez itt figyelembe kell venni, hogy az ujjlenyomat egy eredetileg rendelkezésre álló hamisítatlan jelbõl, és egy valamilyen átviteli csatornán továbbított jelbõl egyaránt létrehozható. Ennek során a hangerõ, illetve a jelszint változhat. Ezen túlmenõen a nem állandó frekvenciamenetû átviteli szakaszon keresztül történõ átvitel esetén egyes frekvencia-összetevõk csillapulnak, illetve erõsödnek. Így két, azonos tartalmú jel különbözõ spektrálisenergia-eloszlást mutathat fel. A továbbiakban tételezzük fel, hogy a frekvenciamenet-torzítás két jel között idõtõl független. Tételezzük fel továbbá, hogy a torzítás egy frekvenciasávon belül megközelítõleg állandó. Ebben az esetben kiindulhatunk abból, hogy egy elõre megadott frekvenciasávban az energiák két, azonos audiotartalmú jel vonatkozásában csupán egy idõben állandó szorzókonstans tekintetében különböznek egymástól. A logaritmálás mûvelete egy idõben konstans szorzóállandót ad egy idõben állandó additív tagon. Így az energiák logaritmálását követõen egy erõsítési, illetve csillapítási állandó jelenik meg, amellyel két jel különbözik egymástól, mint konstans additív tag a jellemzõ értékben. Ezt egy 80 felüláteresztõ szûrõ alkalmazásával, amely elsõsorban az egyenrészt nyomja el, szûrjük ki a jelbõl. Más, egy egyenrészt elnyomó szûrõt is alkalmazhatunk. Különösen utalunk arra, hogy egy ilyen illesztés a bemutatott elrendezésnél minden egyes frekvenciasáv tekintetében külön-külön következik be. Ily módon a jelszintnormálás is független minden egyes frekvenciasávra, és egy jel spektrális torzítását ki tudjuk egyenlíteni. Ez egyébként az emberi hallás képességének felel meg, hogy a spektrálisan torzított audiojeleket is azonosítani tudja. Ezen túlmenõen az egy audiojelbõl egy ujjlenyomatjel létrehozására szolgáló készülék az itt bemutatott kiviteli alak esetében egy 74 aluláteresztõ szûrõt tartalmaz. Ez az idõtartományban a frekvenciasávokra vonatkozó energiaérték szekvenciát szûri ki. A szûrés ebben az esetben is frekvenciasávonként külön-külön történik. Aluláteresztõ szûrõ használata azért ésszerû, mivel a logaritmált értékek idõbeli sorozata mind az azonosítandó jel részeit, mind zavarokat tartalmaz. Az aluláteresztõ szûrés kisimítja az energiaértékek idõbeli lefolyását. Ezzel el tudjuk távolítani a frekvenciasávokra vonatkozó energiaérték-szekvenciából azokat a gyorsan változó részeket, amelyeket legtöbbször zavarok okoznak. Ez a zavarjelek jobb elnyomását eredményezi. Egyidejûleg a 74 aluláteresztõ szûrõvel végzett aluláteresztõ szûrés révén le tudjuk csökkenteni azt az információmennyiséget, amelyet fel kell dolgozni, amelynek során különösen a nagyfrekvenciás részeket távolítjuk el. A jel aluláteresztett jellege következtében a jelet egy, a 74 aluláteresztõ szûrõ után kapcsolt 76 decimálóberendezéssel egy meghatározott D tényezõvel decimálhatjuk anélkül, hogy ennek során információt vesztenénk ( letapogatási teoréma ). Ez annyit jelent, hogy ezután már csak kisebb számú letapogatási értéket használunk az egy frekvenciasávban lévõ energia számára. Az adatmennyiség ennek során a D tényezõnyit csökken. A 74 aluláteresztõ szûrõ és a 76 decimálóberendezés kombinációja nemcsak azt teszi lehetõvé, hogy a zavarokat az aluláteresztõ szûréssel elnyomjuk, hanem különösen lehetõséget ad arra, hogy a redundáns információt elnyomjuk, és ezzel az ujjlenyomatjelhez szükséges adatmennyiséget csökkentsük. Így ezzel az összes olyan információt elnyomjuk, amely semmilyen közvetlen befolyással nincs az emberi hallásra. A decimálótényezõt a szûrõ aluláteresztési frekvenciája alapján határozzuk meg. Végül célszerû, ha az így feldolgozott energiaértékeket egy 84 kvantálóberendezésben jelillesztett módon kvantáljuk. Ennek során a valós értékû energiaértékekhez véges egész számú értékeket rendelünk hozzá. A kvantálási intervallumok ennek során adott esetben egymástól eltérõek lehetnek, és a jelstatisztika határozza meg õket. Alternatív megoldásként elõnyös lehet, ha kis értékek esetén kis kvantálási intervallumokat, nagy értékek esetén pedig nagy kvantálási intervallumokat használunk. Különösen elõnyösnek jelentkezik egy 80 felüláteresztõ szûrõ és egy 84 kvantálóberendezés összekapcsolása. A 80 felüláteresztõ szûrõ csökkenti a jel értéktartományát. Ezáltal kisebb felbontású kvantálás válik lehetõvé. Hasonlóképpen számos értéket kisebb kvantálási fokozatú számra képezünk le, ami lehetõvé teszi a kvantált jel entrópiakódok segítségével történõ kódolását, és ezáltal csökkenti az adatmennyiséget. Ezen túlmenõen egy jelillesztett kvantálást hajthatunk végre azáltal, hogy az egy elõfeldolgozó berendezésben lévõ jel számára egy amplitúdó statisztikát képezünk. Ennek alapján megtudjuk, hogy a jelben mely amplitúdóértékek lépnek fel a legnagyobb gyakorisággal. A kvantálók jelleggörbéit a mindenkori értékek relatív gyakorisága alapján határozzuk meg. Gyakran elõforduló amplitúdóértékekhez finom kvantálási fokozatokat választunk, míg azokat az amplitúdóértékeket, 7

8 1 HU T illetve a hozzá tartozó amplitúdóintervallumokat, amelyek ritkán jelennek meg a jelben, nagyobb kvantálófokozatokkal kvantáljuk. Ennek az az elõnye, hogy egy elõre meghatározott amplitúdóstatisztikájú adott jel számára a lehetõ legkisebb hibájú kvantálást tudjuk elérni (amely jellemzõ módon hibateljesítményként vagy hibaenergiaként van megmérve). Az elõzõleg leírt nemlineáris kvantálástól eltérõen, amelynek során a kvantálási fokozatok nagysága lényegében egyenesen arányos a hozzá tartozó jelértékkel, a jelhez illesztett kvantálás esetén a kvantálót minden egyes jelre újból be kell állítani, kivéve, ha abból indulunk ki, hogy több jel nagyon hasonló amplitúdóstatisztikával rendelkezik. A jellemzõ vektorok jelhez illesztett kvantálása úgy is végbemehet, hogy a vektorösszetevõket egy hozzáillesztett vektorkvantálóval kvantáljuk. Ezen az úton implicit módon figyelembe vesszük az egyes összetevõk közt fennálló korrelációt. Egy közvetlen vektorkvantálás helyett arra is lehetõség van, hogy a vektorokat a kvantálást megelõzõen lineárisan transzformáljuk. Ezt a transzformációt elõnyös módon úgy hajtjuk végre, hogy a transzformált vektorösszetevõk számára a lehetõ legnagyobb dekorrelációt biztosítsuk. Egy ilyen transzformációt egy fõtengely-transzformációként is kiszámíthatunk. Ennek a mûveletnek a során a jelenergiát jellemzõ módon az elsõ transzformált összetevõben koncentráljuk, úgyhogy az utolsó értékeket figyelmen kívül tudjuk hagyni. Ez egy méretcsökkentésnek felel meg. A transzformált vektorokat azt követõen skalárisan kvantáljuk. Ez elõnyös módon az összes összetevõ esetében jelillesztett módon történik meg. Az eddigiekben egy olyan készülék kiviteli alakját írtuk le, amelynek segítségével egy audiojelbõl egy ujjlenyomatjelet tudunk létrehozni. A bemutatott készülék egy lényeges elõnye egyrészt nagyon nagy robusztusságában rejlik, amely lehetõvé teszi, hogy GSM-kódolt audiojeleket tudjunk azonosítani, másrészt pedig az aláírások csekély nagyságában rejlik. Körülbelül audioanyagpercenként egy kilobájtos aláírásokat hozhatunk létre. Megközelítõleg 4 perc átlagos hosszúságú dalhosszúság esetén ez dalonként 4 kilobájtos aláírási méretet jelent. Ez a kompakt jellemzõ teszi lehetõvé többek között, hogy megnöveljük egy különálló számítógép a fõ tárolójában. A 2. ábra segítségével leírt kiviteli alak a jelen találmány egy különösen elõnyös kiviteli alakját jelenti. Mindenesetre lehetõség van arra, hogy számos változtatást eszközöljünk anélkül, hogy a találmány magját képezõ gondolatoktól eltérnénk. Számos különbözõ berendezés használható arra, hogy meghatározzuk az egyes frekvenciasávokban rejlõ energiákat. Az MPEG¹7 34 frontendet egy másik, tetszõleges készülékkel helyettesíthetjük, mindaddig, amíg biztosított, hogy a több frekvenciasávban az energiaértékek egy audiojel szegmenseiben a kimeneten rendelkezésre állnak. Ennek során különösen a frekvenciasávok beosztását is módosíthatjuk. Logaritmikus sávbeosztás helyett tetszõleges sávbeosztást használhatunk, ahol egy olyan sávbeosztás tûnik elõnyösnek, amely az emberi halláshoz igazodik. Azoknak a szegmenseknek a hosszát, amelyekre az audiojelet felosztjuk, ugyancsak változtathatjuk. Az adatmennyiség kis értéken tartása érdekében legalább ms¹os szegmenshosszakat tartunk elõnyösnek. Az egyes frekvenciasávokban rejlõ energiaértékek skálázására számos eljárás áll rendelkezésre. A fenti kiviteli alak esetében alkalmazott spektrális sávenergia logaritmálása és azt követõ felüláteresztõ szûrése helyett erre a célra például egy közelítõleges logaritmálást is végezhetünk. Ezen túlmenõen a logaritmáló kimeneti értékeinek értéktartományát is korlátozhatjuk. Ez azzal az elõnnyel jár, hogy különösen nagyon kicsi energiaértékek esetén a logaritmálás eredménye egy szûk értéktartományban helyezkedik el. Különösen a logaritmáló- 70 berendezést helyettesíthetjük egy- az emberi hangerõérzethez még jobban hozzáillesztett berendezéssel. Egy ilyen javított berendezés különösen az ember alsó hallásküszöbét, valamint a szubjektív hangerõérzetet veheti figyelembe. Ezen túlmenõen a spektrális sávenergiák normálását az összenergiával is végezhetjük. Egy ilyen kiviteli alak esetében az egyes frekvenciasávokban lévõ energiaértékeket egy normálótényezõvel osztjuk, amely vagy a spektrum összenergiájára jellemzõ mértéket, vagy pedig a vizsgált sávok összenergiájára vonatkozó mértéket jelenti. A normálásnak ennél a formájánál nem kell többé felüláteresztõ szûrést végrehajtanunk, és logaritmálásra sincs többé szükség. Sokkal inkább az összenergia minden egyes szegmensben állandó értékû lesz. Egy ilyen mûvelet különösen akkor elõnyös, ha az egyes frekvenciasávokban csupán nagyon csekély mennyiségû közepes energia van jelen. Egy ilyen normálóeljárás tartalmazza a különbözõ sávok energiáinak az arányát is. Ez bizonyos audiojelek esetében egy fontos jellemzõként szolgálhat, és elõnyös ezt a jellemzõt megtartani. Annak az eldöntését, hogy milyen normálási mód tûnik célszerûnek, egy hamisítatlan, azaz frekvenciamenete tekintetében nem torzított audiojel következtében tudjuk végrehajtani. A spektrális sávenergiák összenergiával történõ normálását például Y. Wang, Z. Liu és J. C. Huang Multimedia Content Analysis címû mûve tartalmazza, IEEE Signal Processing Magazine, 00. Ezen túlmenõen lehetõség van arra, hogy lokális spektrális normálást hajtsunk végre. Egy ilyet ismertet J. Soo Seo, J. Haitsma és T. Kalker: Linear Speed- Change Resilient Audio Fingerprinting címû munkája, Proceedings 1 st IEEE Benelux Workshop on Model Based Processing and Coding of Audio, Leuven, Belgium, 02. Az egymás után következõ szegmensek energiaértékeinek idõbeli simítására különbözõ eljárásokat alkalmazhatunk. Az elõzõleg bemutatott kiviteli alak esetében egy digitális aluláteresztõ szûrõt használtunk. Ezen túlmenõen arra is lehetõség van, hogy az energiaértékekhez modulációs spektrumokat számítsunk ki. A kisfrekvenciás modulációs együtthatók ennek során a spektrális energiaértékek simított lefolyását írják le. Modulációs spektrumok alkalmazása audiofelismerés cél- 8

9 1 HU T jára például S. Sukittanon és L. Atlas: Modulation Frequency Features for Audio Fingerprinting címû mûvében szerepelnek, IEEE ICASSP, 02., oldal, Orlando, Florida, USA. Emellett az egymás után következõ szegmensek energiaértékei simításának idõbeli lefolyását az is lehetõvé teszi, hogy egy kúszó középértéket számítunk ki. Ily módon meghatározott számú egymás után következõ jellemzõbõl számítunk ki egy középértéket. Ez például az MPEG-7-szabványban a skálázható sorozatok révén lehetséges. Ez a simítási mód azonban azzal a hátránnyal jár, hogy jelelméleti értelemben mellékhatásokkal (aliasing) járhat. Ezt a hatást azonban helyesen méretezett aluláteresztõ szûrõvel messzemenõen el tudjuk nyomni. Ezen túlmenõen az is lehetséges, hogy a decimálófokozatról lemondunk. Ez abban az esetben ésszerû különösen, ha az audiojel feldolgozott szegmensei túlságosan hosszúak. Az adatmennyiség egy ilyen esetben már kielégítõen csekély, és nincs többé szükség decimálásra. Egy ilyen elrendezés elõnye abban áll, hogy egy ujjlenyomatnak a spektrális energia-értékekbõl való levezetésére szolgáló teljes berendezésben ugyanaz az adatmennyiség van jelen. Ez egyszerûsíti a mûszaki megvalósítást, különösen egy számítógépi program alakjában. A 80 felüláteresztõ szûrõt egy további széles tartományban változtathatjuk. Egy nagyon egyszerû kiviteli alak abban áll, hogy két-két, egymás után következõ érték különbségét használjuk fel. Egy ilyen kiviteli alaknak az az elõnye, hogy mûszakilag nagyon egyszerûen megvalósítható. A kvantálásra szolgáló 84 berendezést széles tartományban módosíthatjuk. Maga a berendezés nem feltétlenül szükséges, és egy adott kiviteli alaknál el is maradhat. Ez csökkenti a bonyolultságot a találmány szerinti készülék megvalósításánál. A másik oldalon egy további kiviteli alak esetében egy, ahhoz a jelhez illesztett kvantálóberendezést alkalmazhatunk, amelynél a kvantálási intervallumok egy jelamplitúdó statisztikájához vannak hozzáillesztve. Ezáltal az egy adott jelre vonatkozó kvantálási hiba minimális lesz. Egy vektorkvantálás is hozzáilleszthetõ a jelhez, illetve kombinálható lineáris transzformációval. Ezen túlmenõen lehetõség van arra, hogy a kvantálóberendezést a felüláteresztõ szûrésre, illetve a különbségképzésre szolgáló készülékkel kombináljunk. Egy különbségképzés számos esetben csökkenti a kvantálandó jelek értéktartományát. Az energiaértékek változásai hangsúlyt kapnak, az idõben állandó jeleket pedig nullának vesszük. Ha egy jel idõben egymás után következõ, elegendõen nagyszámú szegmensben csaknem változatlan értékeket mutat fel, akkor a különbség megközelítõleg nulla. A kvantáló kimeneti jele is ennek megfelelõen nulla lesz. Ha a kvantálandó jelek kódolására entrópiakódot használunk, amelynél a gyakran elõforduló jelértékekhez egy rövid szimbólumot rendelnek hozzá, úgy a jelfolyamot minimális tárolóhely-ráfordítással tudjuk eltárolni. Egy további kiviteli alak esetében azokat a skaláris kvantálókat, amelyek minden egyes frekvenciasáv feldolgozott energiaértékeit külön-külön kvantálják, egy vektorkvantálóval helyettesíthetjük. Egy ilyen, az alkalmazott frekvenciasávokban (például négy frekvenciasávban) lévõ feldolgozott energiaértékeket átfogó vektorhoz egy egész számú indexértéket rendel hozzá. Az eredmény minden egyes energiaérték-vektor számára már csupán egy skaláris érték marad. Ezzel a keletkezõ adatmennyiség kevesebb lesz, mint az egyes frekvenciasávokban lévõ energiaértékek különálló kvantálásánál, mivel a vektorokon belüli korrelációkat is figyelembe tudjuk venni. Ezen túlmenõen egy olyan kvantálási formát is alkalmazhatunk, amelynél az egyes kvantálási fokozatok szélességét nagy energiaértékekhez nagyobbra választjuk, mint a kis energiaértékekhez. Ennek az lesz az eredménye, hogy kis jeleket is kielégítõ felbontással tudunk kvantálni. Különösen arra is lehetõség van, hogy a kvantálóberendezést úgy alakítsuk ki, hogy akár kicsi, akár nagy energiaértékek számára a legnagyobb relatív kvantálási hiba megközelítõleg ugyanolyan nagy legyen. Emellett egy további kiviteli alak esetében megváltoztatható a feldolgozóberendezések sorrendje is. Elsõsorban azokat a berendezéseket tudjuk egymással felcserélni, amelyek az energiaértékek lineáris feldolgozását végzik. Célszerû azonban, hogy egy adott esetben meglévõ decimálóberendezést közvetlenül egy aluláteresztõ szûrõ után helyezzünk el. Az aluláteresztõ szûrés és a decimálás egy ilyen kombinációja azért ésszerû, mert ezáltal a leghatékonyabban el tudjuk kerülni az alsó letapogatás révén jelentkezõ zavaró behatásokat. Ezen túlmenõen egy felüláteresztõ szûrõt is el kell helyezni a logaritmálóberendezés után, hogy a logaritmálás során adott esetben keletkezõ egyenrészt el tudjuk nyomni. Az egy audiojelbõl egy ujjlenyomatjel létrehozására szolgáló találmány szerinti készüléket elõnyösen egy audioadatbank felépítésére és mûködtetésére is felhasználhatjuk. A 3. ábra egy audioadatbank létrehozására vonatkozó eljárás egy lehetséges kiviteli alakjának folyamatábráját mutatja. Itt egy audiojel alapján egy új adatkészlet létrehozásának a folyamatát írtuk le. Az eljárás kezdetét követõen elõbb megkeressük az elsõ szabad adatkészletet. Ezt követõen megvizsgáljuk, hogy van¹e feldolgozandó audiojel. Ha ez az eset áll fenn, úgy az audiojelhez létrehozunk egy ujjlenyomatjelet, és azt eltároljuk az adatbankban. Ha ezen túlmenõen járulékos információk (úgynevezett metaadatok) érhetõk el az audiojelre vonatkozóan, úgy ezeket ugyancsak eltároljuk az adatbankban, és egy kereszthivatkozást hozunk létre az ujjlenyomatra. Ezzel egy adatkészlet eltárolását befejeztük. Az adatbank alkalmazásban azután egy mutatót állítunk a következõ szabad adatkészletre. Ha további audiojelek is várnak feldolgozásra, úgy az ismertetett eljárást többször végrehajtjuk. Ha nincs több feldolgozandó audiojel, úgy az eljárást befejezzük. A 4. ábra információk audiojeladatbank alapján történõ kinyerésére vonatkozó eljárás egy kiviteli alakjának folyamatábráját mutatja. Ennek az eljárásnak az a célja, hogy egy elõre megadott keresési audiojelhez 9

10 1 HU T egy adatbankból információkat nyerjen. Egy elsõ lépésben a keresett audiojelbõl elõállítunk egy keresett ujjlenyomatot. Ennek során a jelen találmány egy készülékét, illetve egy eljárását használjuk fel. Ezt követõen az adatbank adatkészlet-mutatóját ráállítjuk az elsõ átkutatandó adatkészletre. Az adatbankban tárolt, egy adatbank-bejegyzésre vonatkozó ujjlenyomatjelet azután kiolvassuk az adatbankból. A keresett ujjlenyomatjel, valamint az aktuális adatbankbejegyzés kiolvasott ujjlenyomatjele alapján egy kijelentést teszünk az audiojelek hasonlóságára vonatkozóan. Ha további adatkészletek várnak feldolgozásra, úgy az ujjlenyomatjel kiolvasását és a további adatkészletek keresett ujjlenyomatjeleivel történõ összehasonlítását megismételjük. Ha az összes átkutatandó adatkészletet feldolgoztuk, úgy egy kijelentést teszünk a keresés eredményérõl, aminek során figyelembe vesszük a minden egyes átkutatandó adatkészletre vonatkozó kijelentéseket is. Egy elõnyös kiviteli alak esetén a találmány szerinti, egy audiojeladatbank átkutatására vonatkozó eljárást egy, az audiojelhez tartozó metainformáció kiadásával is kibõvítjük. Ez például zenedarabokkal kapcsolatban ésszerû. Egy zeneszám egy adott részlete alapján a leírt eljárás segítségével át tudunk kutatni egy adatbankot. Amennyiben az ismeretlen zeneszám kielégítõ mértékû hasonlóságát felismerjük egy, az adatbankban lévõ zeneszámmal, az adatbankban tárolt metaadatokat kiadhatjuk. Ezek magukban foglalhatják például a zeneszám címét és elõadóját, az albumra vonatkozó információkat, amelyen a zeneszám megtalálható, valamint a beszerzési helyekre és a szerzõi jogokra vonatkozó információkat. Ezáltal lehetõvé válik, hogy egy zenedarab egy részletébõl kiindulva az azzal kapcsolatos összes szükséges információt megkapjuk. A leírt eljárás egy bõvítése értelmében az adatbank a tulajdonképpeni zeneadatokat is tartalmazhatja. Ily módon egy zeneszám egy részletének a felismerésébõl kiindulva a teljes zeneszám visszaadhatóvá válik. Az egy audioadatbank üzemeltetésére vonatkozó leírt eljárás természetesen nem korlátozódik zeneszámokra. Sokkal inkább bármilyenfajta természetes vagy mûszaki zajt megfelelõ módon osztályozni tudunk. Egy, a találmány szerinti eljáráson alapuló audioadatbank így megfelelõ metaadatokat tud visszaadni, és lehetõséget biztosít a legkülönbözõbb akusztikus jelek felismerésére. Az egy audiojeladatbank létrehozására és mûködtetésére szolgáló, a 3. és 4. ábra segítségével leírt eljárások a hagyományos adatbankoktól lényegében abban a módban különböznek, amellyel egy ujjlenyomatjelet létrehozunk. Az egy ujjlenyomatjel létrehozására szolgáló, találmány szerinti eljárás lehetõvé teszi egy zavaró befolyásokkal szemben nagyon robusztus ujjlenyomatjel elõállítását egy audiojel tartalma alapján. Ezzel egy elõzõleg az adatbankban eltárolt audiojel újbóli felismerése akkor is nagy megbízhatósággal lehetséges, ha az összehasonlítás céljából igénybe vette audiojelre zavarok telepedtek, vagy annak frekvenciamenete torzult. Ezen túlmenõen egy találmány szerinti ujjlenyomatjel nagysága dalonként csupán hozzávetõlegesen 4 kb. Ez a kis méret azzal az elõnnyel jár, hogy a referencia-aláírások száma egy különálló számítógép fõ tárolójában más ismert eljárásokhoz képest megnõ. Egy modern számítógépen ily módon egy millió ujjlenyomatjelet tudunk a fõ tárolóban eltárolni. Ily módon az audiojelre vonatkozó keresés nem csupán nagyon megbízható, hanem nagyon gyors, és erõforrás szempontjából hatékonyan végrehajtható lesz. A 3. és 4. ábra segítségével bemutatott folyamatokat széles tartományban változtathatjuk. Különösen bármilyen, egy adatbank létrehozásához és mûködtetéséhez alkalmas eljárás felhasználható, ameddig biztosítható, hogy a találmány szerinti ujjlenyomatjelet használjuk. Így például egyes megoldások esetében elképzelhetõ, hogy az ujjlenyomatjelet az adatbankból csupán akkor hozzuk létre elõször, amikor arra ténylegesen szükség lesz. Ez abban az esetben elõnyös, ha egy audioadatbank több feladatot lát el egyszerre, és két audiojel összehasonlítására csupán kivételesen van szükség. Ezen túlmenõen járulékos keresési feltételeket vonhatunk be minden gond nélkül. Ezen túlmenõen lehetõség van arra, hogy az adatbank bejegyzéseit egy ujjlenyomatjel alapján hasonló audiojelosztályhoz rendeljük hozzá, és az információkat az egy osztályhoz tartozásról az adatbankban elhelyezzük. A találmány így egy készüléket és egy eljárást biztosít tehát egy ujjlenyomatjel létrehozására egy audiojelbõl, valamint készülékeket és eljárásokat, amelyek lehetõvé teszik, hogy ezek alapján az ujjlenyomatok alapján egy audiojelet jellemezzünk, illetve egy adatbankot hozzunk létre és mûködtessünk. Az ujjlenyomatjel létrehozása ennek során figyelembe veszi úgy az egy technikai megvalósítás szempontjából lényeges szempontokat, mint a csekély megvalósítási igényt is, az ujjlenyomatjel kis méretét és robusztusságát a zavarokkal szemben, továbbá a pszichoakusztikus jelenségekkel szemben. Az eredmény egy, az adatméret vonatkozásában nagyon kicsi ujjlenyomatjel, amely egy audiojel tartalmát jellemzi és az audiojel újrafelismerését nagy megbízhatósággal lehetõvé teszi. Az ujjlenyomatjel alkalmazása mind egy audiojel osztályozása céljából, mint pedig adatbanki felhasználások céljából ésszerû. Az adottságoktól függõen az egy audiojelbõl egy ujjlenyomatjel elõállítására szolgáló, találmány szerinti eljárás akár hardveresen, akár szoftveresen megvalósítható. A megvalósítás egy digitális tárolóközegen, különösen lemezen vagy CD¹n, elektronikusan kiolvasható vezérlõjelek útján valósítható meg, amelyek úgy képesek egy programozható számítógéprendszerrel együtt mûködni, hogy az a megfelelõ eljárást hajtja végre. A találmány általánosságban így egy számítógépiprogram-termék is, géppel olvasható hordozón tárolt programkóddal, a találmány szerinti eljárás megvalósítására, ha a számítógépiprogram-termék egy számítógépen fut. Más szavakkal kifejezve a találmány így egy számítógépprogramként is megvalósítható az eljárás megvalósítására szolgáló programkóddal, ha a számítógépi program egy számítógépen fut.

11 1 HU T2 2 Ezen túlmenõen a jelen találmány számos részlet javítással továbbfejleszthetõ. Egy kiviteli alak esetében az audiojel egy szegmense legalább ms¹os idõbeli hosszúságú. Egy ilyen kiviteli alak csökkenti az egyes frekvenciasávokban a létrehozandó energiaértékek számát azokhoz az eljárásokhoz képest, amelyek rövidebb szegmenshosszt használnak. A keletkezõ adatmennyiség kisebb, és az adatok azt követõ feldolgozása is kisebb ráfordítást kíván. Ezzel együtt úgy találtuk, hogy egy kb. ms¹os szegmenshossz az emberi érzékelésre tekintettel elegendõen kicsi. Egy frekvenciasávban rövidebb audiorészek a jellemzõnek mondható audiojelekben nem lépnek fel, és egy audiojeltartalom emberi érzékeléséhez nem is tesznek semmit hozzá. Egy kiviteli alak esetében a berendezés skálázható, hogy az energiaértékek értéktartományát tömöríteni tudjuk, úgyhogy egy tömörített energiaérték-értéktartomány kisebb, mint egy nem tömörített energiaértékekbõl álló értéktartomány. Egy ilyen kiviteli alak azzal az elõnnyel jár, hogy az energiaértékek dinamikatartományát le tudjuk csökkenteni. Ez egyszerû számkijelzést tesz lehetõvé. Különösen azt kerüljük el általa, hogy lebegõpontos kijelzést kelljen használni. Ezen túlmenõen egy ilyen intézkedés egy, az emberi fülben is létrejövõ dinamikakompressziót is figyelembe vesz. Egy további kiviteli alak esetében a skálázás az energiaértékek normálásával is együtt jár. Ha egy normálást hajtunk végre, azzal megszüntetjük az energiaértékek függését az audiojel kivezérlési szintjétõl. Ez lényegében az emberi hallás azon képességének felel meg, hogy mind a hangos, mind a halk jelekhez egyformán hozzá tud szokni, és két audiojel közötti tartalmi egyezést az aktuális lejátszási hangerõtõl függetlenül meg tudja állapítani. Egy kiviteli alak értelmében vagy az lehetséges, hogy az értéktartományt egy alsó határérték és egy felsõ határérték közötti intervallumra korlátozzuk le, vagy az energiaértékeket logaritmáljuk. Mindkét módszer robusztus audiojel-ujjlenyomatot eredményez. A logaritmálás ebben az esetben szorosabb rokonságot mutat fel az emberi hallásérzékelés tulajdonságaival. Egy kiviteli alak esetén a berendezést skálázhatóvá tesszük, hogy az energiaértékeket az emberi hangerõ érzékelésnek megfelelõen skálázni tudja. Egy ilyen módszer azzal az elõnnyel jár, hogy mind a halk, mind pedig a hangos jeleket nagy pontossággal meg tudjuk ítélni, az emberi érzékelésnek megfelelõen. Egy elõnyös kiviteli alak értelmében a berendezés az energiaértékeket skálázni tudja, hogy az energiaértékeket sávonként lehessen skálázni. A sávonkénti skálázás itt annak az emberi képességnek felel meg, hogy egy audiojelet akkor is felismer, ha annak frekvenciamenete torzult. Egy kiviteli alaknál egy egyenrész elnyomása a logaritmálóberendezés után kapcsolt felüláteresztõ szûrõvel történik. Ez lehetõvé teszi, hogy az összes frekvenciasávban egy elõre meghatározott törési tartományon belül azonos kivezérlési szinteket érjünk el A spektrális energiaértékek kiértékeléséhez engedélyezett tûrési tartomány ilyen esetben kb. +/ 3 db. Egy további kiviteli alak esetében a berendezés skálázhatóan van kiképezve, hogy az energiaértékek normálását az összenergia révén hajthassuk végre. Egy ilyen elrendezés segítségével a jelszinttõl való függést ugyanúgy meg tudjuk szüntetni, mint a sávonkénti normálás esetén. Egy további kiviteli alak esetében a skálázott vektorsorozat idõbeli szûrésére szolgáló berendezés egy olyan berendezést tartalmaz, amely úgy van kialakítva, hogy megvalósítsa a skálázott vektorsorozat idõbeli simítását. Ez azért elõnyös, mert az audiojelen lévõ zavarok legtöbbször az egyes frekvenciasávokban az energiaértékek gyors megváltozását eredményezik. Az információhordozó részek összehasonlításképpen legtöbbször lassabban változnak meg. Ez elsõsorban zeneszámot képviselõ audiojelek karakterisztikájában megalapozottnak tûnik. A skálázott vektorsorozat idõbeli simítását végzõ berendezés egy kiviteli alak esetében egy Hz¹nél alacsonyabb határfrekvenciájú aluláteresztõ szûrõ. Egy ilyen méretezés azon a felismerésen alapul, hogy egy beszéd- vagy zenei jel információhordozó jellemzõi összehasonlításképpen lassan, azaz egy idõskála szerint 0 ms¹ot meghaladó módon változnak meg. Egy további kiviteli alak esetében a skálázott vektorsorozat idõbeli szûrésére szolgáló berendezésnek a két, idõben egymás után következõ energiaérték közötti különbséget képezõ berendezése van. Ez nem más, mint egy felüláteresztõ szûrõ hatékony megvalósítása. Egy további kiviteli alak esetében az egy audiojelbõl egy ujjlenyomatjelet létrehozó készüléknek egy aluláteresztõ szûrõje, valamint egy, az aluláteresztõ szûrõ kimenetével összekötött decimálóberendezése van. Ez úgy van kialakítva, hogy az audiojelbõl levezetett vektorok számát úgy csökkentse le, hogy egy Nyquist-feltétel teljesüljön. Egy ilyen kiviteli alak azon a felismerésen alapul, hogy az egyes frekvenciasávok energiaértékeinek csupán az idõben lassú változásai rendelkeznek nagy információtartalommal az osztályozandó audiojelre vonatkozóan. Ennek megfelelõen az energiaértékek gyors változásait egy aluláteresztõ szûrõvel elnyomhatjuk. Ezzel az egy frekvenciasávhoz tartozó energiaérték-sorozat csak kisfrekvenciás részt tartalmaz. Megfelelõ módon lehetõség van a letapogatási sebesség csökkentésére is a letapogatási teoréma szerint. A decimálást követõen a skálázott és szûrt vektorsorozat már csak D szegmensenként egy vektort tartalmaz, ahelyett, hogy mint eredetileg, szegmensenként tartalmazna egy vektort. A D itt a decimálási tényezõ. Egy ilyen eljárás következménye az ujjlenyomatjel adatmennyiségének a csökkenése. Ily módon a redundáns információ eltávolítását egyben kombinálni tudjuk az adatmennyiség csökkentésével is. Egy ilyen módszer csökkenti egy adott audiojel eredõ ujjlenyomatát, és ezzel a találmány szerinti készülék hatékony felhasználását segíti elõ. 11

12 1 HU T Egy további kiviteli alak esetében a találmány szerinti készüléknek egy kvantálóberendezése van. Ez lehetõvé teszi, hogy a skálázás mellett az energiaértékek értéktartományát másodszor is átalakítsuk. Egy további kiviteli alak esetében a kvantálóberendezés elé egy felüláteresztõ szûrõ van beiktatva, ami úgy van kialakítva, hogy a kvantálandó értékek összegét csökkentse. Ez lehetõvé teszi azon bitek számának a csökkentését, amelyek egy nem jelillesztett kvantáló esetében ezeknek az értékeknek az ábrázolásához szükségesek. Ily módon az adatmennyiség is redukálódik. Egy jelillesztett kvantáló esetében a bitek száma nem függ a kvantálandó értékek összegétõl. Ezen túlmenõen egy entrópiakódolást tartunk elõnyösnek. Ennek során a gyakran fellépõ értékekhez rövid kódszavakat rendelünk hozzá, miközben a ritkán jelentkezõ értékekhez hosszú kódszavakat rendelünk hozzá. Ennek az eredménye egy tovább csökkentett adatmennyiség lesz. Egy további kiviteli alak esetében a kvantálóberendezést úgy alakíthatjuk ki, hogy a kvantálási fokozatok szélességét nagyobb energiaértékek esetében nagyobbra választjuk, mint a kisebb energiaértékek esetében. Ez is az egy energiaérték ábrázolásához szükséges bitek számának a csökkentéséhez járul hozzá, ahol a nagyon kis jeleket továbbra is kielégítõ pontossággal tudjuk bemutatni. Különösen egy kiviteli alak esetén a kvantálóberendezés alakítható ki úgy, hogy a legnagyobb relatív kvantálási hiba mind nagy, mind kicsi energiaértékekre nézve egy tûréstartományon belül azonos értékû. A relatív kvantálási hibát ebben az esetben például úgy definiáljuk, mint az egy energiaértékhez tartozó kvantálási hiba és egy nem kvantált energiaérték arányát. A maximumot egy kvantálási intervallumban képezzük. Tûréstartományként például egy elõre megadott értékhez viszonyított +/ 3 db tartományt használhatunk. A legnagyobb relatív kvantálási hiba ennek során a kvantáló bitsebességétõl is függ. A leírt kiviteli alak jelillesztett kvantálásra mutat példát. A jelfeldolgozás tartományában azonban még sok további jelillesztett kvantálási forma ismert. A találmány szerinti készülékben a kiviteli alakok bármelyike használható, mindaddig, amíg biztosítjuk, hogy illeszkedik a szûrt energiaértékek statisztikus tulajdonságaihoz. Egy kiviteli alak esetében a kvantálóberendezést úgy alakítjuk ki, hogy a nagyon ritka energiaértékekhez tartozó kvantálási fokozatok szélessége nagyobb, mint a gyakori energiaértékekhez tartozó kvantálási fokozatok szélessége. Ez is csökkenti az egy energiaérték ábrázolásához szükséges bitek számát, illetve kisebb kvantálási hibát jelent. Egy további kiviteli alak esetében a kvantálóberendezés úgy van kialakítva, hogy a feldolgozott energiaértékek vektorához egy szimbólumot rendel hozzá. Ez egy vektorkvantálót jelent. Egy ilyen segítségével az adatmennyiség további csökkentésére nyílik lehetõség. Végül leszögezzük, hogy a találmány szerinti készülék, illetve a találmány szerinti eljárás nagyon széles felhasználási területtel rendelkezik. Az itt leírt elgondolás egy ujjlenyomat létrehozására elsõsorban mintafelismerõ rendszerekben alkalmazható, hogy jeleket azonosítsanak vagy jellemezzenek vele. Ezen túlmenõen az elgondolás olyan eljárásokkal kapcsolatosan is felhasználható, amelyek két adatkészlet közötti hasonlóságokat, illetve eltéréseket határoznak meg. Ilyenek például az adatbank-alkalmazások lehetnek. SZABADALMI IGÉNYPONTOK 1. Készülék egy ujjlenyomatjel (24) létrehozására egy audiojelbõl (12), a következõ jellemzõkkel: egy, az audiojel idõben egymás után következõ szegmenseinek frekvenciasávjaihoz tartozó energiaértékek kiszámítására szolgáló berendezéssel (14), ahol egy frekvenciasáv energiaértéke a frekvenciasávban lévõ audiojel energiájától függ, hogy az audiojelbõl energiaérték-vektorsorozatot (16) kapjunk, ahol egy vektorösszetevõ egy frekvenciasávban lévõ egy energiaérték; egy berendezéssel (18) az energiaértékek skálázására, hogy skálázott vektorsorozatot () kapjunk; és egy berendezéssel (22) a skálázott vektorsorozat () idõbeli szûrésére, hogy egy olyan szûrt sorozatot (24) kapjunk, ami az ujjlenyomatjelet jelenti vagy amelybõl az ujjlenyomatjel levezethetõ, ahol a berendezés az idõbeli szûréshez egy aluláteresztõ szûrõt (74) tartalmaz. 2. Az 1. igénypont szerinti készülék, amelynél az audiojel egy szegmense legalább ms idõbeli hosszúságú. 3. Az 1. vagy 2. igénypont szerinti készülék, ahol, a berendezés (14) a frekvenciasávok energiaértékeinek a kiszámítására úgy van kialakítva, hogy egy diszkrét Fourier-transzformációt (DFT) hajtson végre egy szegmens audiojelének (2) gyors Fourier-transzformálásával (FFT), hogy Fourier-együtthatókat (6) kapjon, a Fourier-együtthatók összegét négyzetre emelje, hogy a Fourier-együtthatók négyzetösszegét megkapja, és a Fourier-együtthatók négyzetösszegét sávonként összegezze, hogy egy frekvenciasáv energiaértékeit (16) megkapja. 4. Az 1 3. igénypontok bármelyike szerinti készülék, amelynél a frekvenciasávok változó sávszélességûek, ahol nagyobb frekvenciájú frekvenciasávoknál a sávszélesség nagyobb, mint a kisebb frekvenciájú frekvenciasávok sávszélessége.. Az 1 4. igénypontok bármelyike szerinti készülék, amelynél a berendezés (18) skálázásra alkalmasan van kialakítva, hogy az energiaértékek (36) értéktartományát tömörítse úgy, hogy a tömörített energiaértékek értéktartománya kisebb legyen, mint a tömörítés nélküli energiaértékek értéktartománya. 6. Az 1. igénypontok bármelyike szerinti készülék, amelynél a skálázóberendezés (18) úgy van kialakítva, hogy az energiaértékeket (36) normálja. 7. Az 1 6. igénypontok bármelyike szerinti készülék, amelynél a skálázóberendezés (18) úgy van kialakítva, hogy az energiaértékeket (36) egy értéktartomá- 12

13 1 HU T nyon egy alsó határérték és egy felsõ határérték között skálázza vagy logaritmálja. 8. Az 1 6. igénypontok bármelyike szerinti készülék, amelynél a skálázóberendezés (18) úgy van kialakítva, hogy az energiaértékeket (36) az emberi hangerõ-érzékelésnek megfelelõen skálázza. 9. Az 1 8. igénypontok bármelyike szerinti készülék, amelynél a skálázóberendezés egy logaritmálóberendezés (70) és egy, a logaritmálóberendezés (70) után kapcsolt, egy egyenrész elnyomására szolgáló berendezést tartalmaz.. A 9. igénypont szerinti készülék, amelynél az egy egyenrész elnyomására szolgáló berendezés egy felüláteresztõ szûrõt (80) tartalmaz. 11. Az 1 8. igénypontok bármelyike szerinti készülék, amelynél a skálázóberendezés (18) úgy van kialakítva, hogy végrehajtsa az energiaértékek normálását egy, több energiaérték összegének a képzése révén keletkezõ összenergia alkalmazásával, ahol a normálás az energiaértékeknek az összenergiával megegyezõ normálótényezõvel történõ sávonkénti osztásával történik. 12. Az igénypontok bármelyike szerinti készülék, amelynél a skálázott vektorsorozat () idõbeli szûrésére szolgáló berendezés (22) úgy van kialakítva, hogy a skálázott vektorsorozat idõbeli simítását érje el. 13. A 12. igénypont szerinti készülék, amelynél az idõbeli szûrésre szolgáló berendezés (22) 0 Hz¹nél kisebb határfrekvenciájú mélyáteresztõ szûrõt (74) tartalmaz. 14. Az igénypontok bármelyike szerinti készülék, amelynél a skálázható vektorsorozat () idõbeli szûrésére szolgáló berendezés (22) egy Hz¹nél kisebb határfrekvenciájú felüláteresztõ szûrõt tartalmaz.. Az igénypontok bármelyike szerinti készülék, amelynél a skálázott vektorsorozat () idõbeli szûrésére szolgáló berendezés (22) ugyanabban a frekvenciasávban két, idõben egymás után következõ energiaérték közötti különbség képzésére szolgáló berendezést tartalmaz. 16. Az 1. igénypontok bármelyike szerinti készülék, amelynél az idõbeli szûrésre szolgáló berendezés egy aluláteresztõ szûrõt (74), valamint egy, az aluláteresztõ szûrõ (74) kimenetével kapcsolatban álló decimálóberendezést (76) tartalmaz, amely úgy van kialakítva, hogy csökkentse az audiojelbõl levezetett vektorok számát. 17. Az igénypontok bármelyike szerinti készülék, amely továbbá egy kvantálóberendezést (84) tartalmaz, amely az idõbeli szûrésre szolgáló berendezés után van kapcsolva, és úgy van kialakítva, hogy a szûrt sorozatot kvantálja, hogy a szûrt sorozatból az ujjlenyomatjelet le lehessen vezetni. 18. A 17. igénypont szerinti készülék, amelynél az idõbeli szûrésre szolgáló berendezésnek (22) egy felüláteresztõ szûrõje (80) van, amely úgy van kialakítva, hogy csökkentse a kvantálandó értékek (82) értéktartományát. 19. A 17. vagy 18. igénypont szerinti készülék, amelynél a kvantálóberendezés (84) úgy van kialakítva, hogy egy nagyobb energiaértékhez tartozó kvantálófokozat szélessége nagyobb, mint egy kisebb energiaértékhez tartozó kvantálófokozat szélessége.. A 17. vagy 18. igénypont szerinti készülék, amelynél a kvantálóberendezésnek (84) olyan kvantálásifokozat-beosztása van, hogy egy nagy energiaértékhez és egy kis energiaértékhez tartozó legnagyobb relatív kvantálási hiba egy tûrési tartományon belül egyenlõ nagyságú. 21. A. igénypont szerinti készülék, ahol a tûrési tartomány értéke +/ 3 db. 22. A 17. vagy 18. igénypont szerinti készülék, amelynél a kvantálóberendezés (84) úgy van kialakítva, hogy egy amplitúdóstatisztika szerinti kvantálási fokozatokat használjon, ahol a kvantálási fokozatok a kvantálandó jel értékeinek relatív gyakoriságára vonatkozó kijelentést tartalmazó, kvantálandó jel amplitúdóstatisztikája szerint vannak beállítva, ahol egy nagy relatív gyakoriságú kvantálandójel-értékeket tartalmazó értéktartományra a kvantálófokozatok finom beosztása van megvalósítva, és kis relatív gyakoriságú kvantálandó jelek értékeit tartalmazó értéktartományra a kvantálófokozatok durva beosztása van beállítva. 23. A 17. vagy 18. igénypont szerinti készülék, amelynél a kvantálóberendezés (84) úgy van kialakítva, hogy a szûrt sorozat egy vektorához egy szimbólumot rendel hozzá. 24. A igénypontok bármelyike szerinti készülék, amelynél a kvantálóberendezés (84) úgy van kialakítva, hogy a szûrt sorozat vektorán lineáris transzformációt hajt végre. 2. Eljárás egy ujjlenyomatjel létrehozására egy audiojelbõl a következõ lépésekkel: energiaértékek kiszámítása az audiojel idõben egymás után következõ szegmenseinek a frekvenciasávjaihoz, ahol egy frekvenciasáv egy energiaértéke az audiojelnek a frekvenciasávban lévõ energiájától függ, hogy az audiojelbõl energiaérték-vektorsorozatot kapjunk, ahol egy vektorösszetevõ egy frekvenciasávban egy energiaérték; az energiaértékek skálázása, hogy skálázható vektorsorozatot kapjunk; és a skálázott vektorsorozat idõbeli szûrése, hogy egy olyan szûrt sorozatot kapjunk, amely az ujjlenyomatjelet jelenti vagy amelybõl az ujjlenyomatjel levezethetõ, ahol az idõbeli szûrés egy aluláteresztõ szûrést (74) foglal magában. 26. Készülék egy audiojel jellemzésére, az alábbi jellemzõkkel: egy készülékkel egy, az igénypontok bármelyike szerinti ujjlenyomatjel létrehozására; és egy berendezéssel egy kijelentés meghozatalára az audiojel audiotartalmára vonatkozóan, az ujjlenyomatjel alapján. 27. Eljárás egy audiojel jellemzésére, a következõ lépésekkel: egy ujjlenyomatjel létrehozása a 2. igénypont szerinti eljárással; és egy kijelentés meghozatala az audiojel audiotartalmára vonatkozóan az ujjlenyomatjel alapján. 13

14 1 HU T Eljárás egy audioadatbank létrehozására az alábbi lépésekkel: egy-egy ujjlenyomat létrehozása minden egyes, az audioadatbankban rögzítendõ audiojelhez, a 2. igénypont szerinti eljárás alkalmazásával; minden rögzítendõ audiojel esetében az ujjlenyomat, valamint az audiojelhez tartozó további információ betárolása az audioadatbankba úgy, hogy az ujjlenyomat és az ahhoz tartozó információk egymáshoz rendelése adott legyen. 29. Eljárás információ kinyerésére egy audiojeladatbank alapján, amelyben több audiojelhez tartozó ujjlenyomatjelet tárolunk, amelyeket a 2. igénypont szerinti eljárással hoztunk létre, és egy elõre megadott keresési audiojellel, az alábbi lépésekkel: egy keresési ujjlenyomatjel képzése a keresési audiojelhez egy 2. igénypont szerinti eljárással; a keresési ujjlenyomatjel összehasonlítása legalább egy, az adatbankban tárolt ujjlenyomatjellel, és döntés/kijelentés meghozatala azok hasonlóságáról.. A 29. igénypont szerinti eljárás, amely a következõ lépéseket tartalmazza továbbá: metaadatok kiadása az audiojeladatokhoz, amelyeken az adatbankban tárolt ujjlenyomatjelek alapulnak, a keresõ ujjlenyomatjelnek az adatbankban tárolt ujjlenyomatjelekhez való hasonlóságára vonatkozó kijelentés függvényében. 31. Számítógépprogram-termék egy programkóddal a 2., 27., 28., 29. vagy. igénypont szerinti eljárás megvalósítására, ha a számítógépi program egy számítógépen fut. 14

15 HU T2 Int. Cl.: GL 11/00

16 HU T2 Int. Cl.: GL 11/00 16

17 HU T2 Int. Cl.: GL 11/00 17

18 HU T2 Int. Cl.: GL 11/00 Kiadja a Magyar Szabadalmi Hivatal, Budapest A kiadásért felel: Törõcsik Zsuzsanna fõosztályvezetõ-helyettes Windor Bt., Budapest