基于模式識別的手寫樂譜數(shù)字化研究.pdf

1、近年來，光學樂譜識別逐漸受到國內(nèi)外學術(shù)界的關(guān)注。盡管在譜線檢測與刪除、樂譜分割、音樂符號分類等方面已取得一些進展，但目前的樂譜識別效果還不夠理想，尤其是手寫樂譜的識別，其識別速度及準確率仍有很大的提升空間。本文對手寫和印刷樂譜圖像的自動識別進行了系統(tǒng)的研究，在譜線檢測與刪除、音樂符號分類、音樂樂譜識別系統(tǒng)的建立等方面取得了一系列進展，并提出了一些新的思路和方法。
　　論文完成的主要工作如下:
　　(1)提出了預選擇穩(wěn)定路徑譜

2、線檢測方法，通過計算連通分量，來將譜線組周邊大面積空白以及文字區(qū)域去除，使計算穩(wěn)定路徑的區(qū)域鎖定在譜線組范圍內(nèi)，從而提升譜線檢測速度。該算法在保持了穩(wěn)定路徑方法抗噪聲能力強的這一原有優(yōu)勢的同時，彌補了其運行時間過長的不足。經(jīng)測試，該算法對彎曲、不連續(xù)、以及傾斜的譜線魯棒性很好，而且計算量降低三分之一甚至更多，有效解決了現(xiàn)有方法存在的抗噪性和計算時間長之間的矛盾。
　　(2)根據(jù)音樂符號的多樣性和多態(tài)性特點，提出了一種基于集成神經(jīng)網(wǎng)

3、絡的音樂符號分類方法。該方法將三個不同的多層感知模型組合，根據(jù)符號的不同形狀確定三個模型的輸入圖像大小，然后對得到的三個分類結(jié)果進行投票，得出最終的類別，從而大大減小了分錯的幾率。同時，針對樂譜識別領(lǐng)域數(shù)據(jù)庫的欠缺狀態(tài)，本文建立了一個標準的音樂符號分類數(shù)據(jù)庫，該數(shù)據(jù)庫包含了20類手寫符號和20類印刷符號，對今后的音樂符號分類算法評估具有重要的意義。
　　(3)提出一種基于有向無環(huán)圖——大間隔分布機的手寫音樂符號分類方法。該方法利用

4、有向無環(huán)圖結(jié)構(gòu)將現(xiàn)有的二類分類器大間隔分布機拓展到多類，建立了基于大間隔分布機的多分類模型。我們對N類音樂符號訓練N(N-1)/2個分類器，N類音樂符號的順序依照其特征合理排序，從而防止了有向無環(huán)圖結(jié)構(gòu)的錯誤累積效應。實驗表明用這種有向無環(huán)圖結(jié)構(gòu)解決多類分類問題的效率更高，速度更快，同時，該算法在識別手寫音樂符號時效果優(yōu)于其他主流分類算法。
　　(4)針對各類樣本數(shù)目相差比較大的情況，提出了不平衡大間隔分布機。該算法在最大化樣本分

5、布的均值和最小化其方差的同時添加了誤分懲罰系數(shù)，使得分類面逐漸向多類樣本靠近，從而提高少類樣本的分類準確率。不平衡大間隔分布機有效地解決了樂譜圖像中各類音樂符號樣本數(shù)量懸殊導致的分類效果低下的問題。實驗表明，隨著懲罰的增大，少類樣本的分類準確率顯著提高。
　　(5)針對樂譜分割造成的符號漏檢率高的情況，提出了音樂符號分割和分類交替進行的識別算法。將樂譜圖像交替地進行分割與分類，并應用滑動窗對初次分割的殘缺符號或者高密度符號集合進行

6、復原與多次分割，再通過提前訓練的多個分類器來對音樂符號進行分類，動態(tài)找回因分割而殘缺的符號，并將識別的所有符號保存。最后通過音符的類別與附點的個數(shù)確定音符的時長，通過計算符頭與譜線的相對位置確定音符的音高，最終得到重建的樂譜，并輸出為MIDI(Musical Instrument Digital Interface)文件。
　　(6)最后，應用MATLAB GUI開發(fā)了一個完整的光學樂譜識別系統(tǒng)。該系統(tǒng)結(jié)合音樂背景知識，實現(xiàn)了樂譜