ANLISISDELASPRESTACIONESDE ANLISISDELASPRESTACIONESDE ANLISISDELASPRESTACIONESDE ANLISISDELASPRESTACIONESDE

DISTINTASTCNICASDEPREPROCESADO DISTINTASTCNICASDEPREPROCESADO DISTINTASTCNICASDEPREPROCESADO DISTINTASTCNICASDEPREPROCESADO

ENAUDIOFINGERPRINTING ENAUDIOFINGERPRINTING ENAUDIOFINGERPRINTING ENAUDIOFINGERPRINTING








Tutor:Dr.JosRamn
Cerquides.Departamentode
TeoradelaSealy
Comunicaciones.Universidadde
Sevilla
JosSerradillaArellano
UniversidaddeSevilla
Enero-Mayo2007

ndice


1. Audio Fingerprinting: Generalidades3

1.1- Introduccin.3
1.2- Fundamentos3
1.3- Propiedades4
1.4- Modos de Uso6
1.4.1- Identificacin6
1.4.2- Verificacin de la Integridad7
1.4.3- Apoyo al Watermarking..7
1.4.4- Recuperacin y procesamiento de audio basados en el
contenido 8
1.5- Escenarios de Aplicacin.8
1.5.1- Monitorizacin y Seguimiento del Contenido de Audio.8
1.5.2- Servicios de Valor Aadido10
1.5.3- Sistemas de Verificacin de Integridad..11
1.6- Alternativas: Audio Watermarking. 11
1.6.1- Semejanzas y diferencias con Audio Fingerprinting.13

2. Uso de Audio Fingerprinting para Identificacin 16

2.1- Repaso de los diversos mtodos propuestos 16
2.1.1- Extraccin de Huellas...16
2.1.1.1- Front-End 18
2.1.1.2- Modelado de Huellas. 21
2.1.2- Distancias y Mtodos de Bsqueda..23
2.1.2.1- Distancias23
2.1.2.2- Mtodos de Bsqueda..23
2.1.3- Comprobacin de Hiptesis 25

3. El Sistema de Philips.....26

3.1- Algoritmo.27
3.1.1- Algoritmo de extraccin27
3.1.2- Algoritmo de Bsqueda29
3.2- Anlisis Prcticos a Realizar 33
3.2.1- Anlisis de Falso Positivo34
3.2.2- Anlisis Experimental de Robustez.39

4. Mejoras Propuestas en Preprocesado45

4.1- Filtrado Paso-bajo 45
4.1.1- Introduccin Terica. 45
4.1.2- Resultados Experimentales..46
4.2- Distortion Discriminant Anlisis 51
4.2.1- Introduccin Terica..51
4.2.2- Primer Paso de Preprocesado 52
4.2.2.1- Anlisis de Falso Positivo55
4.2.2.2- Anlisis Experimental de Robustez56
4.2.3- Segundo Paso de Preprocesado59
4.2.3.1- Anlisis de Falso Positivo..59
4.2.3.2- Anlisis Experimental de Robustez61

5. Referencias 65

Anexo 1: Funciones usadas para el algoritmo de Philips..68

Anexo 2: Funciones usadas para el preprocesado de filtrado 78

Anexo 3: Funciones usadas en el preprocesado de DDA80


















1. Audio Fingerprinting: Generalidades
1.1 Introduccin

Los sistemas de huellas dactilares tienen ms de 100 aos de
antigedad. En 1893, Sir Francis Galton fue el primero en probar que no
hay dos huellas iguales de dos seres humanos distintos. Aproximadamente
19 aos despus Scotland Yard acept un sistema diseado por Sir Edward
Henry para identificar huellas de gente. El sistema se basa en el modelo de
surcos drmicos en las yemas de los dedos y todava es la base de todas las
tcnicas de huellas dactilares humanas de hoy en da. Este tipo de sistema
de huellas forense ha existido sin embargo durante ms de un siglo, ya que
hace 2000 aos, los emperadores chinos ya usaban las firmas con el pulgar
para documentos importantes. La implicacin es que ya esos emperadores
(o, al menos, sus sirvientes administrativos) se dieron cuenta que cada
huella era nica. Conceptualmente, una huella puede ser como un resumen
o firma humana que es nica para cada ser humano. Es importante hacer
notar que una huella dactilar humana difiere de un resumen textual en que
no permite la reconstruccin de otros aspectos del original. Por ejemplo,
una huella humana no da ninguna informacin sobre el color de los ojos o
del pelo de la persona.

Los ltimos aos han visto un creciente inters cientfico e industrial
en computar huellas de objetos multimedia. El creciente inters industrial es
mostrado entre otros por un gran nmero de compaas (Auditude,
Relatable, Audible Magic, Shazam) y la reciente demanda de informacin
basada en tecnologas de audio fingerprinting por parte de la Federacin
Internacional de la Industria Fonogrfica (IFPI) y de la Asociacin de la
Industria de Grabacin de Amrica (RIAA).

1.2 Fundamentos
La tecnologa de Audio fingerprinting (o Huella Dactilar de Audio)
es una firma compacta basada en el contenido que resume una grabacin
de audio [1]. Audio fingerprinting y, en general, todas las tecnologas
CBID (Content-Based Identification o Identificacin basada en el
contenido) extraen caractersticas acsticas relevantes de la seal acstica.
Dichas caractersticas son nicas para cada seal de audio y, por analoga
con las huellas dactilares humanas, son llamadas tambin huellas
dactilares. Una grabacin de msica o un anuncio solo pueden ser
reconocidos si esas caractersticas fueron previamente grabadas e
introducidas en una base de datos especial.
.
Despus de la adquisicin de estas caractersticas ya no es necesario
ningn procesamiento ms de la seal. Cuando se implementa la tecnologa
de audio fingerprinting, la seal de audio en s no es modificada, en
particular no se le aade ninguna informacin adicional. El reconocimiento
del ttulo se realiza basndose exclusivamente en el contenido, es decir,
basndose slo en caractersticas derivadas de la pista de audio.

Este enfoque difiere de otra solucin alternativa existente para
monitorizar contenido de audio, llamada Audio Watermarking
(literalmente Marca de Agua de Audio). En ella, se realiza una investigacin
psicoacstica para que un mensaje arbitrario, la marca de agua, pueda ser
incrustado en la grabacin sin alterar la percepcin del sonido.

Usando fingerprints y un algoritmo eficiente para buscar
coincidencias en la base de datos, pueden identificarse como el mismo ttulo
versiones modificadas o distorsionadas de la misma cancin. Dichas
modificaciones incluyen, por ejemplo, distorsiones lineales tales como
cambios de nivel o limitacin de ancho de banda, como pueden darse en el
caso de emisiones de radio. Otras modificaciones incluyen distorsiones no
lineales, como, por ejemplo, codificacin en formato MP3. Tambin pueden
reconocerse trozos de material de audio que estn incompletos o, incluso,
entre varias versiones de una grabacin particular, si est grabada en
estudio o en directo, y entre varias grabaciones en directo de la misma
pieza.
El factor decisivo para la implementacin de un proceso de Audio
Fingerprinting es la seleccin de las caractersticas a investigar. Ser
capaces de discernir entre un nmero elevado de ttulos solo es posible si se
seleccionan las caractersticas adecuadas. Eso s, al mismo tiempo hay que
tener en cuenta que la seleccin de las caractersticas influye directamente
en el tamao de la huella, y, por tanto en el tiempo necesario para
identificar un ttulo.
1.3 Propiedades

Los requisitos dependen fuertemente de la aplicacin pero son tiles
para evaluar y comparar diferentes tecnologas de audio fingerprinting.

Una enumeracin detallada de los requisitos que pueden ayudarnos a
distinguir entre los distintos enfoques incluye:

Precisin: El nmero de identificaciones correctas, identificaciones
falsas (falsos positivos) e identificaciones que se pasan por alto.

Fiabilidad: En la generacin de playlists o listas de reproduccin
para organizaciones de control de copyright es de una importancia
capital tener mtodos para valorar si un elemento est presente o no
en el conjunto de elementos a identificar. En esos casos, si una
cancin no ha sido emitida, no debera ser identificada como una
coincidencia, incluso a costa de obviar verdaderas coincidencias. En
otras aplicaciones, como el etiquetado automtico de archivos .MP3,
evitar falsos positivos no es una necesidad tan perentoria.

Robustez: Habilidad para identificar con precisin un elemento, sin
importar su nivel de compresin y distorsin o de interferencia en el
canal de transmisin. Es tambin la habilidad de identificar ttulos
completos a partir de extractos de unos pocos segundos, lo cual
requiere mtodos para tratar con la falta de sincronizacin. Otras
fuentes de degradacin son la ecualizacin, ruido de fondo,
conversiones A/D y D/A, codificadores de audio (tales como GSM y
MP3), etc.

Seguridad: Vulnerabilidad de una solucin a manipulaciones
intencionadas. En contraste con el requerimiento de robustez, las
manipulaciones con las que hay que tratar estn diseadas
especficamente para engaar al algoritmo de identificacin de
fingerprint.

Versatilidad: Habilidad para identificar sea cual sea su formato.
Habilidad para usar la misma base de datos para distintas
aplicaciones.

Escalabilidad: Actuacin con bases de datos de ttulos muy largas o
con un gran nmero de identificaciones concurrentes. Esto afecta a la
precisin y a la complejidad del sistema.

Complejidad: Se refiere al coste computacional de la extraccin de la
huella, al tamao de la misma, a la complejidad de la comparacin, al
coste de aadir nuevos elementos a la base de datos, etc.

Fragilidad: Algunas aplicaciones, tales como sistemas de verificacin
de la integridad del contenido, pueden requerir la deteccin de
cambios en el contenido. Esto es contrario al requerimiento de
robustez, ya que la huella debera ser robusta a transformaciones en
las que se preserva el contenido, pero no a otras distorsiones.

Mejorar un determinado requerimiento implica empeorar cualquier otro.
Generalmente, la huella debera ser:

Un resumen perceptual de la grabacin. La huella debe retener el
mximo de informacin acsticamente relevante. Este resumen
debera permitir la discriminacin entre un nmero elevado de
huellas. Esto puede entrar en conflicto con otros requerimientos tales
como la complejidad o la robustez.

Invariante a las distorsiones. Esto deriva del requisito de robustez.
Sin embargo, las aplicaciones que vigilan la integridad del contenido
relajan esta restriccin para las distorsiones que preservan el
contenido, con la intencin de detectar manipulaciones deliberadas.

Compacto. Para la complejidad es interesante una representacin de
pequeo tamao, ya que necesitamos almacenar y comparar un gran
nmero de huellas (puede que millones, depende de la aplicacin).
Sin embargo, un tamao de representacin excesivamente corto
puede no ser suficiente para discriminar entre grabaciones, afectando
a la precisin, fiabilidad y robustez.

Fcilmente computable. Por razones de complejidad, la extraccin de
la huella no debera consumir demasiado tiempo.


1.4 Modos de uso

1.4.1 Identificacin

Independientemente del enfoque especfico para extraer la firma
compacta basada en el contenido, se puede observar una arquitectura
comn para describir la funcionalidad del fingerprinting cuando se usa
para identificacin.

El funcionamiento general mimetiza la manera en la que los humanos
realizan la tarea. Como se ve en la fig. 1, se realiza en dos niveles, creacin
de la base de datos e identificacin en si misma:



-Creacin de la base de datos: La coleccin de trabajos que se
pretende reconocer es presentada al sistema para la extraccin de su
huella. Las huellas son almacenadas en la base de datos y pueden ser
enlazadas a una etiqueta o a otros metadatos relevantes para cada
grabacin.

-Identificacin: El audio sin etiquetar es procesado para extraer la
huella. sta es comparada con las huellas de la base de datos. Si se
encuentra una coincidencia, se obtiene la etiqueta asociada al trabajo que
estaba en la base de datos. Tambin se puede realizar una medida de la
fiabilidad de dicha coincidencia. La diferencia entre unos y otros enfoques
del problema se encuentra en las caractersticas de audio que se observan,
adems de en los algoritmos de bsqueda e indexado que se usan. Entre las
caractersticas a estudiar podemos nombrar: energa, volumen, centroide
espectral, tasa de cruces por cero, tono, armonicidad, monotona espectral,
coeficientes Mel-Cepstrum, etc. Los algoritmos pueden ir desde la
comparacin directa, extrayendo un hash del archivo binario y usando
alguna representacin compacta como el CRC (cdigo de redundancia
cclico) para almacenarlo en la base hasta otros algoritmos ms complejos y
robustos (a veces basados tambin en hash) que estudiaremos ms
detalladamente ms adelante.


1.4.2 Verificacin de la integridad

La verificacin de la integridad pretende detector la alteracin de los
datos. El funcionamiento general es similar al de identificacin (ver fig.2).
Primero, se extrae la huella del audio original. En la fase de verificacin, la
huella extrada de la seal de prueba es comparada con la huella de la
original. Como resultado, se da como salida un informe indicando si la seal
ha sido manipulada o no. Opcionalmente el sistema puede indicar el tipo de
manipulacin y donde ha ocurrido dentro del audio. Los datos de
verificacin, que deberan ser significativamente ms pequeos que los
datos de audio, pueden ser enviados junto a los anteriores (por ejemplo, en
una cabecera) o almacenados en una base de datos. Una tcnica, conocida
como auto-incrustacin evita la necesidad de una base de datos o una
cabecera especialmente dedicada incrustando la firma basada en el
contenido en los datos de audio usando watermarking [2].


1.4.3 Apoyo al Watermarking

La tcnica de Audio Fingerprinting puede asistir a la de
watermarking. La huella de audio puede ser usada para obtener claves
secretas a partir del contenido presente. Como se describe en [3], usar la
misma clave secreta para una serie de elementos de audio distintos puede
comprometer la seguridad, ya que cada elemento puede filtrar informacin
parcial sobre la clave. La codificacin hash perceptual puede ayudar a
generar claves dependientes de la entrada para cada pieza de audio. Un
mbito donde puede ser usado el audio fingerprinting para mejorar la
seguridad de las marcas de agua es en el intento de hacer copias ilegales
[4]. En estos casos se intenta estimar una marca de un contenido
marcado y transplantarla a un contenido no marcado. Adems puede
usarse fingerprinting para combatir intentos de insercin o borrado de
contenido que causan una desincronizacin de la deteccin: usando la
huella, el detector es capaz de encontrar puntos ancla en el flujo de audio
y resincronizarse en ellos [3].





1.4.4 Recuperacin y procesamiento de audio basados en el
contenido

Obtener firmas compactas a partir de objetos multimedia complejos e
ndices potentes para buscar contenidos es un asunto esencial en
Recuperacin de Informacin Multimedia. La tcnica de fingerprinting
puede extraer informacin de la seal de audio en diferentes niveles de
abstraccin, desde descriptores de bajo nivel hasta descriptores de alto
nivel. Especialmente las abstracciones de alto nivel para modelar audio nos
dan la posibilidad de extender los modos de uso de dicha tcnica a la
navegacin basada en el contenido, la bsqueda por similaridad,
procesamiento basado en el contenido y otras aplicaciones de Recuperacin
de Informacin de Msica. Adaptar los eficientes sistemas actuales de la
identificacin a la bsqueda de similaridad puede tener un significativo
impacto en la industria musical. Antes, los proveedores de msica on-line
ofrecen una bsqueda por datos editoriales (artista, ttulo, etc.). Con
fingerprinting podra usarse la huella de una cancin para encontrar no
solo la versin original de dicha cancin, sino otras versiones similares de la
misma.


1.5 Escenarios de aplicacin

Aqu vamos a presentar algunos usos particulares de la tecnologa de
fingerprinting, la mayora de ellos son casos particulares del modo de uso
de identificacin ya descrito. Se basan en la habilidad del audio
fingerprinting de unir audio sin etiquetar a sus correspondientes meta-
datos, sea cual sea el formato del audio.

1.5.1 Monitorizacin y Seguimiento del contenido de audio

Un sistema de monitorizacin a gran escala basado en huellas
consiste en varios puntos de monitorizacin y en un lugar central de
monitorizacin donde se encuentra el servidor de huellas. En los puntos de
monitorizacin, se extraen las huellas de todos los canales de emisin
(locales). El sitio central recoge las huellas de los puntos de monitorizacin.
Posteriormente, el servidor, que contiene una enorme base de datos de
huellas, produce las listas de reproduccin de todos los canales de emisin.


En el lado del distribuidor

Los distribuidores de contenido pueden necesitar saber si tienen los
derechos o no para difundir el contenido a los consumidores. La huella
puede ayudar a identificar audio sin etiquetar en los archivos de canales de
TV y radio. Tambin puede identificar contenido sacado de CDs de fbrica y
distribuidores en investigaciones anti-piratera (por ejemplo, avances de
grabaciones sin masterizar en plantas de fabricacin de CDs).




En el canal de transmisin

En muchos pases, las emisoras de radio deben pagar derechos de
autor por la msica que emiten. Los poseedores de los derechos necesitan
monitorizar las transmisiones para verificar si dichos derechos estn siendo
pagados apropiadamente o no. Incluso en los pases donde las emisoras
pueden emitir msica gratuitamente, los poseedores estn interesados en
monitorizarlas con objetivos estadsticos. Los anunciadores tambin
necesitan monitorizar las transmisiones de radio y TV para verificar si sus
anuncios estn siendo difundidos segn lo acordado. Lo mismo se puede
aplicar a emisoras web. Otros usos incluyen compilaciones para anlisis
estadstico o refuerzo de leyes culturales (por ejemplo, las canciones
francesas en Francia). Para todos estos propsitos actualmente se estn
usando sistemas de monitorizacin basados en el fingerprinting. El
sistema escucha la radio y continuamente actualiza una lista de
reproduccin de canciones o anuncios emitidos por cada emisora. Por
supuesto, debe estar disponible para el sistema una base de datos que
contenga las huellas de todas las canciones y anuncios que se pretenden
identificar, y dicha base de datos debe ser actualizada con las nuevas
canciones que salgan. Ejemplos de proveedores comerciales de este servicio
son: Broadcast Data System, Music Reporter, Audible Magic o Yacast.

Napster y otras comunidades parecidas, donde los usuarios
intercambian msica, han sido excelentes canales para la piratera musical.
Despus de una batalla judicial con la industria musical, a Napster se le
prohibi facilitar la transferencia de msica con copyright. La primera
medida que se tom conforme al mandato judicial fue la introduccin de un
sistema de filtrado basado en el anlisis del nombre de los archivos, de
acuerdo con listas de grabaciones de msica con copyright aportadas por
las compaas discogrficas. Pero este simple sistema no solucion el
problema, ya que los usuarios demostraros ser extremadamente creativos
para escoger ttulos de canciones que torearan el sistema, pero
permitiendo a los otros usuarios una identificacin fcil. Adems, el elevado
nmero de canciones con ttulos idnticos fue un factor adicional que redujo
la eficiencia de dichos filtros. Los sistemas de monitorizacin basada en las
huellas constituyen una solucin bastante apropiada al problema. De hecho,
Napster adopt una nueva tecnologa de fingerprinting y un nuevo sistema
de filtrado de archivos basados en ella. Adems, se puede encontrar
contenido de audio en pginas web ordinarias. El audio fingerprinting
combinado con un web crawler (araa de la web, que inspecciona las
pginas del World Wide Web de forma sistemtica y automatizada) puede
identificar este contenido e informar a los correspondientes poseedores de
los derechos.

En el extremo del consumidor

En aplicaciones de monitorizacin de la poltica de uso, el objetivo es
evitar un mal uso de las seales de audio por parte del consumidor.
Podemos concebir un sistema donde una pieza de msica es identificada por
medio de una huella, y se mira en una base de datos para obtener
informacin sobre sus derechos. La informacin dicta el comportamiento del
dispositivo en el que se va a reproducir (por ejemplo, lectores y grabadores
de CD y DVD, reproductores de MP3 o incluso ordenadores), de acuerdo con
la poltica de uso. Dichos dispositivos necesitan estar conectados a una red
para poder tener acceso a la base de datos.


1.5.2 Servicios de valor aadido

La informacin del contenido se define como informacin sobre un
extracto de audio que es relevante para el usuario o necesario para la
aplicacin pretendida. Dependiendo de la aplicacin y del perfil del usuario,
se pueden definir varios niveles de informacin de contenido. Estas son
algunas de las situaciones que podemos imaginar:

Informacin de contenido describiendo un extracto de audio, tales
como descripciones rtmicas, armnicas y meldicas.
Metadatos describiendo un trabajo musical, como fue compuesto y
como fue grabado. Por ejemplo: compositor, ao de composicin,
intrprete, fecha de la actuacin, grabacin en estudio/actuacin en
directo
Otras informaciones concernientes a un trabajo musical, tales como
la imagen de la portada del lbum, precio del mismo, biografa del
artista, informacin de los prximos conciertos, etc.

Se pueden definir distintos perfiles. Los usuarios normales estaran
interesados en informaciones generales sobre un trabajo musical, tales
como el ttulo, compositor, sello discogrfico y ao de edicin; los msicos
podran estar interesados en qu instrumentos se han utilizado, los
ingenieros de sonido podran estar interesados en informaciones sobre el
proceso de grabacin. La informacin de contenido puede ser estructurada
por medio de un esquema de descripcin de msica (MusicDS), que es una
estructura de metadatos usada para describir y anotar datos de audio. El
estndar MPEG-7 propone un esquema de descripcin para contenido
multimedia basado en el metalenguaje XML, aportando un intercambio de
datos fcil entre distintos equipos.

Algunos sistemas almacenan informacin de contenido en una base de
datos que es accesible a travs de Internet. La huella puede ser pues usada
para identificar una grabacin y obtener la correspondiente informacin de
contenido, sin tener en cuenta el tipo de soporte, formato de archivo o
cualquier otra particularidad de los datos de audio. Por ejemplo,
MusicBrainz, Id3man o Moodlogic etiquetan automticamente colecciones
de archivos de audio; el usuario puede descargar un reproductor compatible
que extrae las huellas y las manda a un servidor central desde donde se
descargan los metadatos asociados a las grabaciones. Gracenote, quien ha
estado proveyendo enlaces a metadatos de msica basados en la tabla de
contenidos (TOC) de un CD, empez a ofrecer tecnologa de audio
fingerprinting para extender el enlace hasta el nivel de cancin. Su mtodo
de identificacin de audio se usa en combinacin con clasificadores basados
en texto para aumentar la precisin. Todo esto se puede usar para
organizar una biblioteca musical dentro de cada ordenador. Hoy en da
muchos usuarios de PCs tienen una biblioteca musical que contiene varios
cientos, incluso miles de canciones. La msica est almacenada
normalmente en formato comprimido (por ejemplo MP3) en sus discos
duros. Cuando esas canciones se obtienen de otras fuentes, tales como
ripeadas de un CD o descargadas de una red de intercambio de archivos,
estas libreras habitualmente no estn bien organizadas. Los metadatos son
inconsistentes, incompletos y, a veces, incluso inexistentes. Asumiendo que
la base de datos de huellas contiene metadatos correctos, la tecnologa de
audio fingerprinting puede hacer consistentes los metadatos de las
canciones de la librera, permitiendo una fcil organizacin basada, por
ejemplo en disco o artista.

Otro ejemplo es la identificacin de una meloda mediante dispositivos
mviles, por ejemplo un telfono mvil; es una de las situaciones ms
exigentes en trminos de robustez, ya que la seal de audio viaja a travs
de distorsin de radio, conversiones A/D y D/A, ruido de fondo y
codificacin GSM, distorsin del canal de comunicacin mvil y slo estn
disponibles unos pocos segundos de audio.

Otro posible ejemplo podran ser las radios de los coches que ofrecen un
botn de identificacin.


1.5.3 Sistemas de verificacin de Integridad

En algunas aplicaciones, la integridad de las grabaciones de audio
debe ser establecida antes de que la seal pueda ser de hecho usada, es
decir, uno debe asegurar que la grabacin no ha sido modificada o que no
est demasiado distorsionada: Si la seal sufre compresin con prdidas,
conversiones A/D o D/A, u otras transformaciones que preservan el
contenido en el canal de transmisin, la integridad no puede ser
comprobada por medio de funciones de hash estndar, ya que el mnimo
cambio en un solo bit es suficiente para que la salida de la funcin cambie.
Los mtodos basados en la marca de agua pueden ofrecer falsas alarmas en
este contexto. Los sistemas basados en audio fingerprinting, a veces
combinados con watermarking estn siendo investigados para afrontar
este problema [2]. Entre algunas posibles aplicaciones podemos nombrar:
comprobar que los anuncios son emitidos con la calidad y longitud
requeridas, verificar que una grabacin supuestamente infractora es de
hecho la misma que una cuyo dueo es conocido, etc.


1.6 Alternativas: Audio Watermarking


Durante siglos, el uso de documentos con marca de agua impresa
para evitar falsificaciones ha sido una prctica habitual. Por analoga, el
trmino Watermarking tambin es habitualmente usado para describir
mtodos que pretenden marcar imperceptiblemente documentos digitales
(imgenes, audio o video) [5].

Las primeras investigaciones en audio watermarking datan de
mediados de los aos 90 [6]. La idea bsica consiste en aadir una seal, la
marca de agua, a la seal original de audio. La seal resultante debe ser
percibida por el oyente como idntica a la original. La marca de agua
transporta datos que pueden ser recuperados por un detector y ser usados
para una multitud de objetivos.

Al igual que los sistemas de audio fingerprinting, estos sistemas
deben cumplir una serie de propiedades, que frecuentemente dependen de
la aplicacin y entran en conflicto unas con otras. En general podemos
nombrar: inaudibilidad, robustez, capacidad, fiabilidad y baja complejidad.
Como ya hemos dicho, dichos requisitos dependen de la aplicacin. As, por
ejemplo, algunas aplicaciones (como el audio en Internet, con baja tasa de
bit) pueden admitir que la marca de agua aada una pequea degradacin
de la calidad de la seal, mientras que otras (como audio con alta tasa de
bit) deben ser extremadamente rigurosas con este asunto.

En general, podemos ver este sistema como un sistema de
comunicaciones: la marca de agua es la seal de informacin y la seal de
audio hace el papel de ruido del canal. En los sistemas de comunicacin
convencionales la seal til es normalmente ms fuerte que el ruido, que
normalmente se asume que es blanco y gaussiano. Aqu este no es el caso.
Para evitar la distorsin audible, la seal de marca de agua debe ser mucho
ms dbil (decenas de decibelios) que la seal de audio. Adems, la seal
de audio generalmente no es estacionaria y es fuertemente coloreada. En la
literatura han sido propuestos varios enfoques para audio watermarking:

- De Espectro Ensanchado: Como en los sistemas de comunicacin de
espectro ensanchado, la idea consiste en ensanchar la marca de agua
para maximizar su potencia, consiguiendo mantenerla inaudible e
incrementar su resistencia a ataques [6].

- Echo-hiding: Se explotan las propiedades de enmascaramiento
temporal para mantener la marca de agua inaudible. La marca es un eco
de la seal original [7].

- En la Cadena de Bits: La marca es insertada directamente en el
flujo de bits generado por un codificador de audio.

Se han propuesto muchas variantes de estos esquemas bsicos. Por
ejemplo, en vez de aadir la marca en el dominio del tiempo, hacerlo en el
de la frecuencia, reemplazando directamente componentes espectrales [8].

Para asegurar la inaudibilidad de la seal se usan modelos
psicoacsticos. Es bien sabido que cuando dos tonos estn muy prximos
en frecuencia, un tono, si es mucho ms fuerte, puede enmascarar al otro.
Los modelos se usan para generalizar el efecto de enmascaramiento en
frecuencia a seales no tonales. A partir de una seal de audio, se calcula
una curva llamada umbral de enmascaramiento, homognea a una densidad
espectral de potencia. La marca se construye modificando en frecuencia una
seal aproximadamente blanca segn el umbral de audicin. Despus de
esta operacin, el PSD de la marca siempre estar por debajo del umbral de
audicin y no se oir en presencia de la seal de audio. Se puede conseguir
esto con una diferencia de potencia entre la seal y la marca de unos 20
dB.


1.6.1 Semejanzas y diferencias con audio fingerprinting

El Audio Watermarking modifica la seal de audio original
incrustando una marca en ella, mientras que el Audio Fingerprinting no la
cambia en absoluto, sino que la analiza y obtiene un hash (la huella)
unvocamente asociada a la seal. En watermarking hay un compromiso
entre la potencia de la marca (y su audibilidad) y su capacidad de
deteccin. En fingerprinting no existe tal compromiso: el sistema
escucha el audio, construye una descripcin y busca en la base de datos
una descripcin que coincida.

Necesidad de un catlogo de huellas: Un oyente humano slo puede
identificar una pieza de msica si la ha odo antes, salvo que tenga acceso a
algo ms que a la seal de audio. Similarmente, los sistemas de
fingerprinting requieren un conocimiento previo de las seales de audio
para poder identificarlas, ya que no hay disponible ninguna informacin
adems de la seal en si misma durante la fase de identificacin. Por tanto,
debe construirse una base de datos, que contenga todas las canciones que
se supone que debe identificar el sistema. Mientras ms grande sea la base
de datos, ms requerimientos de memoria y coste computacional sern
necesarios, aumentando, por tanto la complejidad del proceso de deteccin.
En contraste a esto, para un sistema de watermarking no hace falta base
de datos, ya que toda la informacin asociada a la seal est en la marca
en s misma. El detector comprueba la presencia de una marca y, si
encuentra una, extrae los datos contenidos en ella. Adems, tampoco hace
falta ir actualizando el detector cuando aparecen nuevas canciones y la
complejidad no cambia cuando llegan marcas nuevas.

Para algunas aplicaciones, la necesidad de preprocesar las seales de
audio es una gran desventaja de los sistemas de watermarking. Por
ejemplo, los sistemas de monitorizacin de distribucin basados en
watermarking solo seran capaces de detectar infracciones de copyright si
las seales con copyright haban sido previamente marcadas, lo que
significa que todo el material antiguo no marcado no sera protegido en
absoluto. Adems, el nuevo material tendra que ser marcado en todos sus
formatos de distribucin, e incluso la disponibilidad de un pequeo grupo de
copias no marcadas podra comprometer la seguridad del sistema. Esto no
es ninguna preocupacin para los sistemas de fingerprinting, ya que no
hace falta ningn procesado previo.


En la deteccin de la marca, la seal que contiene la informacin til
para la misma corresponde a una fraccin muy pequea de la potencia de
entrada, ya que la marca es mucho ms dbil que la seal de audio original
debido a la restriccin de inaudibilidad. Adems, el ruido que podra
aadirse a la seal marcada (por compresin MP3 o transmisin analgica,
por ejemplo), puede ser tan fuerte como la marca, o incluso ms. En casos
de perturbacin severa de canal o de ataques de piratas, puede que la
marca deje de ser detectable.
En contraste, la deteccin en sistemas de fingerprinting est
directamente basada en la seal de audio en s misma, la cual es
suficientemente fuerte para resistir la mayora de las perturbaciones de
canal y es menos susceptible a ataques piratas. Estos sistemas son, por
tanto, inherentemente ms robustos. Mientras que el audio original en la
base de datos suene aproximadamente igual que la pieza de msica que
el sistema est escuchando, sus huellas tambin sern similares. La
definicin de aproximadamente depende del proceso de extraccin de la
huella, y, por tanto, la robustez del sistema depende tambin de eso. La
mayora de sistemas usan un enfoque psicoacstico para sacar la huella.
Haciendo esto, el audio a analizar puede sufrir una fuerte distorsin sin que
ello provoque un decremento en la efectividad del sistema.

La informacin contenida en la marca de agua puede no tener
relacin directa con la portadora de la seal de audio. Por ejemplo, una
emisora de radio podra incrustar las ltimas noticias en las canciones que
emite a travs de una marca; en la recepcin las noticias apareceran en
una pequea pantalla mientras suenan las canciones. Por el contrario, una
huella est correlada con la seal de audio a partir de la cual se obtuvo;
cualquier cambio en la seal de audio que sea perceptible al odo humano
debera provocar un cambio en la huella. Este hecho est detrs de la
mayora de diferencias en las aplicaciones de cada uno de los dos enfoques:
mientras que las marcas pueden transportar cualquier tipo de informacin,
las huellas siempre representan la seal de audio.
Esta independencia entre seal e informacin se deriva del hecho de que
los sistemas de marcas solo tratan con informacin que ha sido
previamente aadida, dado que no se provee la conexin a ninguna base de
datos. Esta informacin pude estar relacionada o no con la seal de audio
en la que se ha incrustado. Con fingerprinting se puede extraer
informacin de la seal en diferentes niveles de abstraccin, dependiendo
de la aplicacin y el escenario de uso. Las abstracciones de nivel ms alto
permiten extender las aplicaciones a navegacin basada en el contenido,
bsqueda por similaridad y otras aplicaciones de Recuperacin de
Informacin Musical.


En conclusin, ambas metodologas tienen muchas aplicaciones en
comn y tambin muchas especficas de cada una. El audio watermarking,
aunque en un principio estaba pensado para proteccin de copyright,
tambin es til para otros muchos propsitos, particularmente para
transporte de informacin de propsito general. El audio fingerprinting se
usa sobre todo para identificar seales de audio, no solo en aplicaciones de
copyright, sino tambin en reconocimiento de anuncios, por ejemplo.


Se podra decir que el watermarking tiene un rango ms amplio de
aplicaciones que fingerprinting. Sin embargo, ste ltimo es
inherentemente ms robusto, lo cual significa que resistir distorsiones ms
fuertes, lo que le hace particularmente atractivo en cuestiones de copyright.
Y el hecho de pueda reconocer audio a partir de extractos hace que sea una
solucin flexible para estos temas. Eso s, la proteccin absoluta contra la
piratera no es ms que una mera ilusin. Puesto que sus puntos fuertes
son normalmente complementarios, el uso de ambas tcnicas combinadas
da lugar a aplicaciones muy interesantes.

.

2. Uso de Audio Fingerprinting para
Identificacin

De todas las posibles aplicaciones ya nombradas, nos vamos a
centrar en el uso de huellas para identificar trozos de audio y, ms
concretamente, anuncios de radio. Para ello, primero se va a hacer un
repaso de los diferentes algoritmos propuestos para realizar esta tarea [9],
y posteriormente nos centraremos en el algoritmo de Haitsma y Kalker para
Philips [10].


2.1 Repaso de los diversos mtodos propuestos

A pesar de las distintas lgicas detrs de la tarea de identificacin, los
mtodos comparten ciertos aspectos. Como se puede ver en la figura 3, hay
dos procesos fundamentales: la extraccin de la huella y el algoritmo de
bsqueda de coincidencias.


Fig. 3: Estructura general de un sistema de identificacin


2.1.1 Extraccin de Huellas

La extraccin de la huella proporciona un conjunto de caractersticas
perceptuales relevantes de una grabacin de una forma concisa y robusta.
Los requerimientos de la huella, como ya hemos nombrado otras veces
incluyen: capacidad de discriminacin sobre un enorme nmero de otras
huellas, invarianza a las distorsiones, compacidad y simplicidad
computacional.

Las soluciones propuestas para cumplir todos los requisitos arriba
mencionados implican un compromiso entre reduccin de la
dimensionalidad y prdida de informacin. La extraccin de la huella
consiste en un front-end y un bloque de modelado de huellas (ver figura
4). El front-end computa una serie de medidas tomadas de la seal, que
explicaremos ms adelante. El bloque de modelado de huellas define la
representacin final de la huella, por ejemplo, un vector, una traza de
vectores, una secuencia de ndices a clases de HMM (modelos ocultos de
Markov), una secuencia de palabras correctoras de errores o atributos
musicalmente significativos de alto nivel.

_
Fig.4: Estructura general del proceso de extraccin, con front-end (arriba) y modelado (abajo)


Dada una huella derivada de una grabacin, el algoritmo de bsqueda
busca en una base de datos de huellas para encontrar la mejor coincidencia.
Se necesita, por tanto, una manera de comparar huellas, como puede ser la
distancia. Puesto que el nmero de comparaciones es alto y la distancia
puede ser costosa de computar, requerimos mtodos que aceleren la
bsqueda. Es habitual ver mtodos que usan una distancia ms simple para
rpidamente descartar candidatos y una ms correcta pero costosa
distancia para un reducido conjunto de candidatos. Hay tambin mtodos
para computar distancias off-line (sin conexin) y construir una estructura
de datos que permita reducir el nmero de cmputos a realizar on-line.
Unos buenos mtodos de bsqueda deberan ser:

- Rpidos: El escaneo secuencial y el clculo de la distancia pueden
ser demasiado lentos para bases de datos enormes.

- Correctos: Deberan devolver los objetos calificados con una nula
(o, al menos, baja) Tasa de Falso Rechazo (FRR).

- Uso de memoria eficiente: Deberan requerir poco espacio en
memoria.

- Fcilmente actualizable: Deberan permitir fcilmente insertar,
borrar y actualizar objetos.

El ltimo bloque del sistema comprobacin de hiptesis (ver fig.3)
computa una medida fiable indicando como de seguro est el sistema sobre
una identificacin realizada.

2.1.1.1 Front-End

El front-end convierte una seal de audio en una secuencia de
caractersticas relevantes para alimentar al bloque de modelado de
huellas. En el diseo del front-end hay que tener en cuenta varias cosas
fundamentales:

Reduccin de la dimensionalidad
Parmetros perceptualmente significativos (similares a los usados por
el HAS, sistema auditivo humano)
Invarianza o robustez (a distorsiones en el canal, ruido de fondo,
etc.)
Correlacin temporal (sistemas que capturen la dinmica espectral)

Ahora vamos a ir detallando los distintos bloques que se observan en
la fig.4. En algunas aplicaciones, donde el audio a identificar est codificado,
por ejemplo en mp3, es posible saltarse algunos de estos bloques y extraer
las caractersticas directamente de la representacin codificada.

A. Preprocesado

En un primer paso, el audio es digitalizado (si es necesario) y
convertido a un formato general: Frecuentemente a un formato de datos en
bruto (16 bits PCM), en mono promediando los canales izquierdo y derecho,
a una determinada frecuencia de muestreo (que puede ir desde los 5 a los
44,1 Khz.). Algunas veces el audio es preprocesado para simular el canal,
por ejemplo: filtrado paso-banda en identificacin telefnica. Otros tipos de
procesado son un codificador/decodificador GSM en el sistema de
identificacin de un telfono mvil, pre-nfasis, normalizacin de amplitud
(limitando el rango dinmico entre (-1,1)).

B. Framing & Overlap (Descomposicin en tramas y solapamiento)

Una asuncin clave en la medida de caractersticas es que la seal
puede ser considerada estacionaria en el intervalo de unos pocos
milisegundos. Por tanto, la seal se divide en tramas de un tamao
comparable a la velocidad de variacin de los eventos acsticos
subyacentes. El nmero de tramas computadas por segundo se llama
frame rate. Para minimizar las discontinuidades al principio y al final de
cada bloque, se aplica una ventana. Para asegurar la robustez a la variacin
de los datos (y tambin cuando los datos de entrada no estn bien
alineados) es necesario usar solapamiento. Hay otra vez un compromiso al
escoger los valores entre la tasa de cambio del espectro y la complejidad
del sistema.




C. Transformaciones lineales: Estimaciones espectrales

La idea detrs de las transformaciones lineales es la transformacin
del conjunto de medidas en un nuevo conjunto de caractersticas. Si la
transformada es escogida convenientemente, la redundancia se reduce
significativamente. Hay transformaciones ptimas en el sentido de
compactacin de la informacin y propiedades de decorrelacin, como la
Transformada de Karhunen-Love (KLT) o la Descomposicin en Valores
Simples (SVD). Estas transformadas, sin embargo, son dependientes del
problema y computacionalmente complejas. Por esta razn son habituales
transformadas de menor complejidad que usan bases de vectores fijadas.
La mayora de los mtodos CBID (Identificacin de Informacin basada en
el contenido) por tanto usan transformaciones tiempo-frecuencia estndar
para facilitar una compresin eficiente, eliminacin de ruido y el
subsiguiente procesado. Lourens [11] y Kurth et al. [12] han propuesto, en
algunos casos (para secuencias altamente distorsionadas, donde el anlisis
tiempo-frecuencia tambin presenta distorsin) el uso de medidas de la
potencia de la seal. La potencia tambin puede ser vista como una
distribucin tiempo-frecuencia simplificada, con solo una frecuencia.

La transformacin ms comn es la Transformada Rpida de Fourier
(FFT). Han sido propuestas otra serie de transformadas, como por ejemplo
la Transformada Discreta del Coseno (DCT), la Transformada de Haar o la
Transformada de Walsh-Hadamard. Se han realizado estudios [13] que
demuestran, por ejemplo que la DFT (Transformada Discreta de Fourier) es
menos sensible generalmente al cambio de bits que la de Walsh-Hadamard
y que la MCLT (Modulated Complex Transform) presenta propiedades de
invarianza a esto [3].

D. Extraccin de caractersticas

Una vez que tenemos una representacin tiempo-frecuencia, se
aplican transformaciones adicionales para generar los vectores acsticos
finales. En este paso encontramos una enorme diversidad de algoritmos. El
objetivo es otra vez reducir la dimensionalidad y, al mismo tiempo,
incrementar la invarianza a las distorsiones. Es muy comn incluir el
conocimiento de las etapas de transduccin del sistema auditivo humano
para extraer parmetros ms significativos desde el punto de vista
perceptual. Por tanto, muchos sistemas extraen diversas caractersticas
realizando un anlisis de las bandas crticas del espectro (ver fig.5). As por
ejemplo hay algoritmos que usan los Coeficientes Mel-Cepstrum en
Frecuencia (MFCC, que son los coeficientes de la DCT del logaritmo de la
energa de la seal de voz en cada banda perceptual, es decir, en cada
banda la energa queda ponderada por el correspondiente filtro perceptual
del odo). En el sistema de Allamanche et al. [14] la Medida de la Blancura
Espectral (SFM, Spectral Flatness Measure), que es una estimacin de la
calidad de una banda en el espectro. Papaodysseus et al. [15] presentaron
los vectores representativos de las bandas, que son una lista ordenada de
los ndices de las bandas con tonos prominentes (con picos con amplitud
significativa). Tambin se puede usar la energa de cada banda [16]. Por
ltimo, en el algoritmo de Philips [10] que presentaremos posteriormente
con detalle, ya que es con el que vamos a trabajar, se usa la energa de 33
bandas logartmicamente escaladas para obtener una cadena de hash,
que es el signo de la diferencia de energa entre las bandas (tanto en el eje
del tiempo como en el de la frecuencia).

Las estimaciones espectrales y las caractersticas relacionadas son
solo inadecuadas cuando se produce distorsin en el canal de audio. En este
caso, para caracterizar el comportamiento variante en el tiempo de las
seales de audio se puede utilizar un anlisis de modulacin en frecuencia.
Las caractersticas corresponderan a la media geomtrica de la estimacin
modulada en frecuencia de la energa de 19 filtros paso de banda separados
logartmicamente [17].



Fig.5 Ejemplos de extraccin de caractersticas


Los enfoques que se usan en los sistemas de Recuperacin de
Informacin de Msica incluyen caractersticas que han demostrado ser
vlidos para comparar sonidos: armonicidad, ancho de banda, volumen,
ZCR, etc.

Las caractersticas usadas ms habitualmente son heursticas, y, por
tanto pueden no ser ptimas [18]. Por esa razn, se puede usar una
Transformada de Karhunen-Love Modificada, la Descomposicin en
Componentes Principales Orientada (OPCA), para encontrar las
caractersticas ptimas de una forma no supervisada. Si la PCA (KLT)
encuentra un conjunto de direcciones ortogonales que maximizan la
varianza de la seal, la OPCA obtiene un conjunto de direcciones
posiblemente no ortogonales que tienen en cuenta una serie de distorsiones
predefinidas.


E. Post-Procesado

La mayora de las caractersticas descritas hasta ahora son medidas
absolutas. Con la intencin de caracterizar mejor las variaciones temporales
de la seal, se aaden al modelo de la seal derivadas de ms alto orden
del tiempo. Por ejemplo, en un sistema propuesto por Cano y Batlle [19],
el vector de caractersticas es la concatenacin de MFCCs, su derivada
(delta) y la aceleracin (delta-delta), as como ambas derivadas de la
energa.

Otros sistemas solo usan la derivada de las caractersticas y no las
caractersticas absolutas [12,14]. Usar las derivadas de las medidas de la
seal tiende a amplificar ruido, pero, al mismo tiempo filtra las distorsiones
producidas en canales lineales invariantes o lentamente variantes con el
tiempo (como una ecualizacin). La Normalizacin Media Cepstrum (CNM)
tambin se usa para reducir distorsiones en canales lineales lentamente
variantes. Si se usa la distancia eucldea como mtodo de bsqueda, son
aconsejables la sustraccin de la media y la normalizacin de la varianza
teniendo en cuenta los componentes.

Es relativamente habitual aplicar una cuantizacin de muy baja
resolucin a las caractersticas: ternaria [13] o binaria [10]. El objetivo de
la cuantizacin es ganar robustez contra las distorsiones, normalizar,
facilitar las implementaciones hardware, reducir los requerimientos de
memoria y por conveniencia en partes subsiguientes del sistema. Las
secuencias binarias hacen falta para extraer palabras correctoras de error
en algunos sistemas que las utilizan, como el propuesto por Mihak y
Venkatesan [3]. En este, la discretizacin se disea para incrementar la
aleatoriedad con la intencin de minimizar la probabilidad de colisin de
huellas.

2.1.1.2 Modelado de Huellas

El bloque de modelado de huellas normalmente recibe una secuencia
de vectores de caractersticas calculados teniendo en cuenta todas las
tramas una por una. Explotar redundancias entre tramas vecinas en el
tiempo, dentro de una grabacin y a lo largo de toda la base de datos es til
para posteriormente reducir el tamao de la huella. El tipo de modelo
escogido condiciona la mtrica de la distancia y tambin el diseo de
algoritmos para una recuperacin rpida de informacin.

Una forma muy concisa de huella se consigue resumiendo las
secuencias de vectores multidimensionales de una cancin completa (o de
una parte de ella) en un vector simple. As por ejemplo, Etantrum calcula
el vector a partir de las medias y varianzas de las 16 energas filtradas
correspondientes a 30 segundos de audio, dando como resultado una firma
de 512 bits. La firma, junto con la informacin en el formato original de
audio es mandada a un servidor para su identificacin. La firma TRM de
MusicBrainz incluye en un vector: la tasa media de cruces por cero, la tasa
estimada de beats por minuto (BPM), un espectro promediado y algunas
caractersticas ms para representar una pieza de audio (correspondiente a
26 segundos). Estos dos ejemplos aqu nombrados son computacionalmente
eficientes y producen una huella muy compacta. Han sido diseados para
aplicaciones como asociar archivos mp3 a metadatos (ttulo, artista, etc.) y
pretenden conseguir sobre todo una baja complejidad (tanto en el lado del
cliente como en el del servidor) ms que una gran robustez.

Las huellas tambin pueden ser secuencias (trazas, trayectorias) de
caractersticas. As, encontramos sistemas que representan la huella como
secuencias de vectores binarios. La huella en el sistema de Papaodysseus
[15], que consiste en una secuencia de vectores representativos de las
bandas, es codificada en binario por cuestiones de eficiencia de memoria.

Algunos sistemas incluyen atributos de alto nivel musicalmente
significativos, tales como el ritmo (BPM) o el tono predominante.

Siguiendo el razonamiento que expusimos antes de la posible sub-
optimalidad de las caractersticas heursticas [18], se usan varias capas de
OPCA para disminuir las redundancias estadsticas locales de los vectores de
caractersticas respecto al tiempo. Adems de reducir la dimensionalidad, se
tienen en cuenta en esta transformacin los requisitos extra de robustez
ante el intercambio de bits.

En el sistema de Allamanche et al. [14] se explotan las redundancias
globales dentro de una cancin. Si asumimos que las caractersticas de un
elemento de audio dado son similares entre ellas, se puede generar una
representacin compacta agrupando los vectores de caractersticas. La
secuencia de vectores es, pues, aproximada por un nmero mucho ms
bajo de vectores de cdigo representativos, un libro de cdigo. La evolucin
temporal del audio se pierde completamente con esta aproximacin.
Adems, en este sistema se recogen estadsticas de cortos periodos de
tiempo en distintas regiones temporales. Esto da como resultado tanto un
mejor reconocimiento, ya que las dependencias temporales son tenidas en
cuenta, como una bsqueda de coincidencias ms rpida, ya que la longitud
de cada secuencia tambin se reduce.

El sistema de Cano y Batlle [19] usa un modelo que explota ms la
redundancia global. La base lgica est muy inspirada por la investigacin
del habla. En el habla, un alfabeto de clases de sonido, es decir los
fonemas, pueden usarse para segmentar una coleccin de datos hablados
en bruto en texto, logrando una gran reduccin de la redundancia sin
mucha prdida de informacin. Anlogamente, podemos ver un trozo de
msica como secuencias construidas concatenando clases de sonidos de un
alfabeto finito. En un gran nmero de canciones pop aparecen sonidos de
batera perceptualmente equivalentes. Esta aproximacin nos conduce a
una huella que consiste en secuencias de ndices a un conjunto de clases de
sonidos representativo de una coleccin de elementos de audio. Las clases
de sonido son estimadas va agrupamiento sin supervisin y modeladas con
Modelos Ocultos de Markov (HMMs). El modelado estadstico del transcurso
de la seal en tiempo permite una reduccin de la redundancia local. La
representacin de la huella como secuencias de ndices a clases de sonidos
conserva la informacin de la evolucin del audio a travs del tiempo.

En [3] las secuencias discretas son mapeadas a un diccionario de
palabras correctoras de errores. En [12], el mtodo de indexado est
basado en los cdigos correctores de errores.


2.1.2 Distancias y mtodos de bsqueda

2.1.2.1. Distancias

Las mtricas de distancia estn altamente relacionadas con el tipo de
modelo escogido. Cuando se comparan secuencias de vectores es habitual
usar una correlacin. La distancia eucldea, o versiones ligeramente
modificadas de la misma que tratan con secuencias de diferente longitud, se
usa por ejemplo en [20]. En [17], la clasificacin es el Vecino Ms Cercano
usando una estimacin de la entropa cruzada. En los sistemas donde las
secuencias de vectores de caractersticas estn cuantizadas, se usa una
distancia Manhattan (o Hamming cuando la cuantizacin es binaria). Mihak
[3] sugiere que otra mtrica de error, que llaman Pseudo norma
exponencial (EPN), podra ser ms apropiada para distinguir mejor entre
valores cercanos y distantes con un nfasis ms fuerte que el lineal.

Hasta ahora hemos presentado una estructura de trabajo para la
identificacin que sigue un mismo paradigma para la bsqueda de
coincidencias: tanto los patrones de referencia las huellas almacenadas en
la base de datos- como el patrn de prueba la huella extrada a partir del
audio desconocido- estn en el mismo formato y son comparados segn
alguna mtrica de distancia, por Ej.: distancia Hamming, una correlacin,
etc. En algunos sistemas, slo los elementos de referencia son realmente
huellas modeladas compactamente como un libro de cdigos o una
secuencia de ndices a HMMs. En estos casos, las distancias son computadas
directamente entre la secuencia de caractersticas extradas a partir del
audio desconocido y las huellas del audio de referencia almacenadas en la
base. En [14], la secuencia del vector de caractersticas es comparada con
los distintos libros de cdigo usando una mtrica de distancia. Para cada
libro, se acumulan los errores. El elemento desconocido es asignado a la
clase que d el menor nmero de errores acumulados. En [21], la secuencia
de caractersticas es comparada con las huellas (una concatenacin de
ndices apuntando a clases de sonidos HMM) usando el algoritmo de Viterbi.
Se selecciona el recorrido ms probable en la base de datos.

2.1.2.2- Mtodos de Bsqueda

Ms all de la definicin de una mtrica de distancia para la
comparacin de huellas, un asunto fundamental para la usabilidad de un
sistema es cmo de eficientemente realiza las comparaciones entre el audio
desconocido y posiblemente, millones de huellas. Un enfoque de fuerza
bruta, que compute las similaridades entre la huella de la grabacin
desconocida y las que estn almacenadas en la base de datos puede ser
inviable. El tiempo para encontrar la mejor coincidencia en este mtodo
lineal o secuencial es proporcional a N*c(d())+E, donde N es el nmero de
huellas almacenadas y c(d()) el tiempo que se necesita para encontrar una
sola similaridad y E tiene en cuenta algn tiempo extra de CPU.

En general los mtodos dependen de la representacin de la huella,
pero vamos a hacer una clasificacin ms o menos general de los enfoques
propuestos en la literatura.

- Pre-computar distancias offline: Uno no puede calcular similaridades
offline con la huella candidata, puesto que sta no ha sido presentada
previamente al sistema. Sin embargo uno pude computar distancias entre
las huellas ya almacenadas y construir una estructura de datos para reducir
el nmero de evaluaciones de similaridad una vez que se presenta la huella.
Es posible construir offline conjuntos de clases de equivalencia, calcular
algunas similaridades online para descartar algunas clases y buscar
exhaustivamente entre el resto. Si la medida de similaridad es una mtrica,
por ejemplo, la medida es una funcin que cumple las siguientes
propiedades: positividad, simetra, reflexividad y la desigualdad triangular,
hay mtodos para reducir el nmero de evaluaciones y garantizar que no
hay falsos rechazos. Los espacios vectoriales permiten el uso de eficientes
mtodos de acceso espacial ya existentes.

- Filtrado de candidatos improbables con una medida de similaridad simple:
Otra posibilidad es usar una medida de similaridad ms simple para eliminar
rpidamente muchos candidatos y la ms precisa y compleja en el resto.
Como se demuestra en [22], para garantizar que no se produzcan falsos
rechazos, la medida simple utilizada para descartar hiptesis poco
prometedoras debe limitar por debajo a la medida ms cara (fina).

- Indexado de archivos inverso: Un mtodo de bsqueda muy eficiente es el
uso de indexado de archivos inverso. Haitsma et al. propusieron un ndice
de posibles trozos de una huella que apuntan a posiciones en las canciones.
Dado que un trozo de la huella candidata est libre de errores (coincidencia
exacta), se puede obtener eficientemente una lista de canciones candidatas
para buscar exhaustivamente en ella. En [19], se usan indexados y
heursticas similares a las usadas en biologa computacional para la
comparacin del ADN para acelerar la bsqueda en un sistema donde las
huellas son secuencias de smbolos. Kurth et al. [12] presentan un ndice
que usan palabras de cdigo extradas de secuencias binarias que
representan el audio. A veces estos enfoques, aunque son muy rpidos
hacen suposiciones sobre los errores permitidos en las palabras usadas para
construir el ndice, lo que podra resultar en falsos rechazos.

- Reduccin de candidatos: Una optimizacin simple para acelerar la
bsqueda es mantener el mejor resultado obtenido hasta el momento.
Podemos abandonar el clculo de una medida de similaridad si llegados a un
cierto punto sabemos que ya no vamos a mejorar el mejor resultado
obtenido hasta el momento. Algunas medidas pueden aprovecharse de
algunas estructuras como rboles de sufijos para evitar clculos duplicados
[23]. Millar et al. [24] proponen un rbol para evitar redundancias en el
clculo de la mejor coincidencia en una estructura de trabajo construida con
la representacin de huellas de [10]. Combinando la estructura de rbol con
una heurstica del mejor hasta ahora se evita no slo la computacin de
similaridad de la huella actual sino que tambin la de todas las huellas que
tengan un inicio comn.

- Otros enfoques: En [25], el almacn de las huellas se separa en dos bases
de datos. La primera y ms pequea guarda las huellas con mayor
probabilidad de aparicin, por ejemplo las canciones ms populares del
momento y la otra guarda el resto. Las huellas candidatas son confrontadas
primero con la ms pequea y ms probable y slo cuando no se encuentra
ninguna coincidencia el sistema examina la segunda base de datos. Los
sistemas de produccin de hecho usan varios de los mtodos de aceleracin
descritos ms arriba. El de Wang y Smith [25], por ejemplo, adems de
buscar primero en el almacn de canciones ms populares, usa un indexado
de archivos inverso para acceder rpidamente a las huellas junto con una
heurstica para filtrar candidatos poco prometedores antes de buscar
exhaustivamente con la medida de similaridad ms precisa.


2.1.3 Comprobacin de Hiptesis

Este ltimo paso pretende responder si el elemento en cuestin est
o no en el almacn de datos a identificar. Durante la comparacin de la
huella extrada con la base de datos de huellas, se obtienen resultados (a
partir de las distancias). Para poder decidir si hay una identificacin
correcta, el resultado debe estar por encima de un determinado umbral. No
es fcil de escoger dicho umbral ya que depende de: el modelo usado para
la huella, la informacin del elemento, la similaridad de las huellas de la
base y el tamao de la misma. Mientras ms grande sea la base, mayor es
la probabilidad de indicar una coincidencia errneamente, lo que es un falso
positivo. La tasa de falso positivo se llama tambin tasa de falsa aceptacin
(FAR) o probabilidad de falsa alarma. La tasa de falso negativo tambin es
llamada tasa de falso rechazo (FRR). La nomenclatura est relacionada con
las medidas de evaluacin del comportamiento del sistema de Recuperacin
de Informacin: Precisin y Memoria.
























3. El Sistema de Philips

El proyecto se va a centrar en el estudio del sistema propuesto por
los ingenieros de Philips Jaap Haitsma y Ton Kalker en su artculo A Highly
Robust Audio Fingerprinting System [10]. En primer lugar presentaremos
detalladamente el algoritmo para pasar posteriormente a comentar los
resultados obtenidos en la simulacin del mismo (principalmente en
trminos de probabilidad de falso positivo y probabilidad de deteccin).

Antes de empezar el diseo e implementacin del sistema hay que
hacerse unas cuantas preguntas. La primera y ms importante es qu tipo
de caractersticas son las que se van a usar. Ya hemos expuesto
exhaustivamente en el captulo anterior un gran nmero de posibles
caractersticas usadas en la literatura. Estas podan dividirse en dos grandes
clases: caractersticas semnticas y caractersticas no semnticas. Las
primeras seran, por ejemplo, el gnero o el ritmo (BPM). Este tipo suelen
tener una interpretacin directa y se usan de hecho para clasificar msica,
generar listas de reproduccin, etc. El segundo tipo consiste en
caractersticas que tienen una naturaleza ms matemtica y son ms
difciles de obtener directamente a partir de la msica para una mente
humana. Un elemento tpico de este grupo es lo que se llama Audio
Flatness, usado en MPEG-7. Para este algoritmo se decidi explcitamente
trabajar con caractersticas no semnticas por una serie de razones que
nombramos a continuacin:

- Las caractersticas semnticas no siempre un significado claro y no
ambiguo, es decir, las opiniones personales difieren sobre dichas
clasificaciones. Es ms, incluso pueden cambiar con el tiempo: por ejemplo,
lo que se clasificaba como hard rock hace 25 aos hoy podra considerarse
bastante ms suave. Esto hace que el anlisis matemtico sea dificilsimo.

- Las caractersticas semnticas son, en general, ms difciles de
computar que las no semnticas.

- Las caractersticas semnticas no son aplicables universalmente. Por
ejemplo, el ritmo (BPM) no se suele aplicar a la msica clsica.

Una segunda cuestin a tener en cuenta es la representacin de las
huellas. Una opcin evidente es representarla como un vector de nmeros
reales, donde cada componente exprese el peso de una cierta caracterstica
espectral bsica. Una segunda opcin es mantener el espritu de las
funciones criptogrficas de hash y representar las huellas como cadenas
de bits. Por razones de reducida complejidad en la bsqueda se decidi
trabajar con la segunda opcin. La primera implicara una medida de
similaridad involucrando sumas/sustracciones reales y dependiendo de la
medida de similaridad, puede que incluso multiplicaciones reales. Las
huellas basadas en representaciones de bits pueden ser comparadas solo
contando bits. Dados los escenarios de aplicacin esperados, no esperamos
una alta robustez para todos y cada uno de los bits en una huella como
esta. Por tanto, en contraste con los hash criptogrficos que tienen como
mucho varios centenares de bits, permitiremos huellas que tengan unos
pocos miles de bits. Las huellas que contienen un gran nmero de bits
permiten una identificacin fiable incluso si el porcentaje de bits que no
coinciden es relativamente alto.

Una ltima cuestin se refiere a la granularidad de las huellas. En las
aplicaciones que se prevn no hay ninguna garanta de que los archivos de
audio estn completos. Por ejemplo, en la monitorizacin de emisiones,
cualquier intervalo de 5 segundos es una unidad que tiene valor comercial,
y por tanto debe ser identificado y reconocido. O, por ejemplo, en
aplicaciones de seguridad tales como el filtrado de archivos en una red
peer-to-peer, uno no deseara que el borrado de los primeros segundos de
un archivo pudiera evitar la identificacin. Aqu se adopta la postura de
flujos de huellas, asignando sub-huellas a intervalos suficientemente
pequeos (llamados tramas). Estas sub-huellas pueden no ser
suficientemente grandes para identificar las tramas en s mismas, pero un
intervalo ms grande, que contenga suficientes tramas permitir una
identificacin robusta y fiable.

3.1 Algoritmo

3.1.1 Algoritmo de extraccin

Como ya hemos comentado, la mayora de los algoritmos de
extraccin estn basados en el siguiente enfoque. Primero la seal de audio
es segmentada en tramas. Para cada trama se computa un conjunto de
caractersticas, escogidas de tal forma que sean invariantes (al menos hasta
cierto punto) a las degradaciones de la seal. A la representacin compacta
de una trama individual se le llama sub-huella. El procedimiento global
convierte un flujo de audio en un flujo de sub-huellas. Una sub-huella
normalmente no tendr informacin suficiente para identificar un archivo de
audio. A la unidad bsica que contiene suficiente informacin para
identificar un archivo de audio (y, por tanto determinar la granularidad) le
llamaremos bloque de huellas. El esquema de extraccin de huellas
propuesto est basado en este enfoque general. Extrae sub-huellas de 32
bits por cada intervalo de 11,6 milisegundos. Un bloque consiste en 256
sub-huellas consecutivas, correspondiendo a una granularidad de tan solo 3
segundos. Una vista general del esquema se muestra en la siguiente figura:


Fig.6: Vista general del esquema de extraccin



La seal es primero segmentada en tramas solapadas. Dichas tramas
tienen una longitud de 0,37 segundos y son ponderadas por una ventana de
Hanning, con un factor de solapamiento de 31/32. Esta estrategia resulta
en la extraccin de una sub-huella cada 11,6 milisegundos. En el peor caso
posible, los lmites de la trama usados durante la identificacin estn 5,8
milisegundos desplazadas con respecto a los lmites usados en la base de
datos de huellas previamente computadas. Debido a la gran superposicin,
dos sub-huellas consecutivas tienen una gran similaridad y varan
lentamente con el tiempo.

Ya sabemos que las caractersticas perceptuales ms importantes
estn en el dominio de la frecuencia. Por tanto, se computa una
representacin espectral, realizando una transformada de Fourier a cada
trama. Debido a la sensibilidad de la fase de la transformada de Fourier a
diferentes lmites de trama y al hecho de que el sistema auditivo humano
(HAS) es relativamente insensible a la fase, solo nos quedamos con la
informacin de mdulo.

Para poder extraer un valor de sub-huella de 32 bits para cada
trama, se seleccionan 33 bandas de frecuencias no solapadas. Estas bandas
estn entre los 300 y los 2000 Hz (el rango espectral ms relevante para el
HAS) y estn logartmicamente espaciadas. El espaciamiento logartmico se
escoge porque es bien sabido que el HAS opera en bandas
aproximadamente logartmicas (la llamada Escala Bark). Est verificado
experimentalmente que el signo de la diferencia de energas
(simultneamente en el eje del tiempo y en el de la frecuencia) es una
propiedad que es muy robusta a distintos tipos de procesado. Si denotamos
la energa de la banda n de la trama n por E(n,m) y el m-simo bit de la
sub-huella de la trama n por F(n,m), los bits de la sub-huella son
formalmente definidos como:

( ) ( ) ( ) ( )
( ) ( ) ( ) ( )

+ +
> + +
=
0 1 , 1 , 1 ) 1 , ( , , 0
0 1 , 1 , 1 ) 1 , ( , , 1
) , (
m n E m n E m n E m n E
m n E m n E m n E m n E
m n F (1)


En la siguiente figura se muestra un ejemplo de un bloque de 256
sub-huellas de 32 bits, extrados con este esquema a partir de un trozo de
O Fortuna de Carl Orff. Un bit a 1 corresponde a un pxel blanco y uno a
0, a un pxel negro. La fig. 7a corresponde al bloque obtenido a partir de la
versin en calidad CD, mientras que el 7b ha sido obtenido a partir de la
versin comprimida en MP3 (32kbps). Aunque idealmente ambas figuras
deberan ser idnticas, no lo son, algunos de los bits cambian. Estos bits
errneos, que aparecen en negro en la figura 7c, se usan como medida de
similaridad en el esquema.



Fig.7: (a)Bloque de huellas de la versin original, (b)de la versin comprimida en mp3, (c) diferencia de ambas
(BER= 0.078)


Los recursos de computacin requeridos para el algoritmo propuesto
son limitados. Puesto que el algoritmo solo tiene en cuenta frecuencias por
debajo de 2KHz, el archivo de audio es primero submuestreado a un flujo
de audio mono con una tasa de muestreo de 5 KHz (en realidad,
44100/8=5512,5 Hz). Las sub-huellas han sido diseadas de tal forma que
sean robustas contra degradaciones de la seal. Por tanto se pueden usar
filtros de submuestreo muy sencillos sin introducir ninguna degradacin en
el comportamiento del sistema. Se usan 16 filtros FIR. La operacin que
ms requiere computacionalmente es la transformada de Fourier de todas
las tramas de audio. En la seal de audio submuestreada, la trama tiene
una longitud de 2048 muestras. Si la transformada se implementa con una
FFT, el algoritmo ha demostrado poder ejecutarse eficientemente en
aparatos porttiles tales como una PDA o un telfono mvil.

3.1.2 Algoritmo de Bsqueda

Aunque no ser objeto de este proyecto (nos centraremos en analizar
y proponer mejoras al algoritmo de extraccin), vamos a presentar
tambin, ms brevemente, el algoritmo de bsqueda en la base de datos,
una vez que ya se ha extrado la huella.

La tarea no es trivial. En vez de buscar por una huella con todos los
bits exactamente iguales, lo que hay que encontrar es la huella ms similar.
Pongamos por ejemplo una base de datos de tamao moderado, con 10.000
canciones de una duracin media de 5 minutos. Esto corresponde a unos
250 millones de sub-huellas. Para identificar un bloque originado a partir de
un trozo de audio desconocido hay que encontrar cual entre 250 millones da
la tasa de error mnima. Esto es realizable por fuerza bruta, en un
ordenador con una capacidad de anlisis de 200.000 bloques por segundo
tardara unos 20 minutos, lo cual no es viable en la prctica.

Se propone un algoritmo ms eficiente. Se calcula la BER slo para
una serie de candidatos, que contienen una alta probabilidad de ser la
mejor posicin en la base de datos. En una versin simple del algoritmo se
hace la suposicin de que es muy probable que, por lo menos una sub-
huella (32 bits, recordemos) tenga una coincidencia exacta en la posicin
ptima de la base de datos. Si esto es vlido, slo hay que comprobar las
posiciones en las que una de las 256 sub-huellas del bloque a identificar
coincida. Como ejemplo, en la fig.8 se muestra el nmero de errores por
sub-huella para la huella mostrada en la fig.7. Se observa que de hecho hay
17 sub-huellas de las 256 que no tienen errores.


Fig.8: Bits errneos por sub-huella para el caso de O Fortuna de Orff


Si asumimos que la huella original de la fig. 7a est en la base de
datos, su posicin estar entre las candidatas seleccionadas cuando el audio
a identificar sea la versin mp3 de la fig. 7b.

Las posiciones de una base de datos donde se encuentra una sub-
huella de 32 bits especfica se obtienen usando la arquitectura de base de
datos de la fig.8.


Fig.9: Esquema de la base de datos


La base de datos contiene una Lookup Table (LUT) con todas las
posibles sub-huellas de 32 bits como entrada. Cada entrada apunta a una
lista con punteros a las posiciones en la base de datos real donde se
encuentran las respectivas huellas de 32 bits. En sistemas prcticos con
memorias limitadas una tabla que contenga 2
32
entradas no es factible o no
es prctica. Adems, la LUT estar rellena de una forma dispersa, porque
solo un nmero limitado de canciones pueden almacenarse en memoria. Por
tanto, en la prctica, se usa una tabla de hash en vez de una LUT.

Si volvemos a hacer cuentas, para una base de datos de 10.000
elementos, tendremos unos 250 millones de sub-huellas. Por tanto, el
nmero medio de posiciones en una lista ser 0,058 (=256*10
6
/2
32
). Si
suponemos que todas las sub-huellas son igualmente probables, el nmero
medio de comparaciones por identificacin sera 15 (=0,058*256). En la
prctica se observa que la distribucin de las sub-huellas es no uniforme, lo
que hace aumentar el nmero de comparaciones en un factor de 20 ms o
menos. Aun as, en un buen ordenador, 300 comparaciones se pueden
hacer en 1,5 milisegundos. Por lo tanto este algoritmo es unas 800.000
veces ms rpido que la bsqueda simple.

Se haba supuesto que una de las sub-huellas estaba libre de errores,
lo cual es casi siempre cierto para seales con degradacin ms o menos
suave. Para seales fuertemente degradadas la suposicin no es siempre
vlida. Si esto no ocurre, se mira si hay sub-huellas con un solo error y, en
vez de buscar en la base de datos posiciones donde ocurra una de las 256
huellas buscamos posiciones con una distancia de Hamming de 1 (es decir,
un bit cambiado) con respecto a todas las 256 sub-huellas. Esto
incrementar el nmero de bsquedas en un factor de 33, lo que todava es
asumible. Pero, si el nmero mnimo de bits errneos en una sub-huella es
3, el tiempo de bsqueda se incrementa en un factor de 5489, lo que ya no
es asumible. Es interesante observar que el factor de no-uniformidad de 20
va disminuyendo al ir aumentando el nmero de bits a conmutar.

Puesto que este mtodo lleva muy rpido a tiempos de bsqueda
inaceptables se propone otro enfoque que usa decodificacin suave. Es
decir, se propone estimar y usar la probabilidad de que un bit de una huella
sea recibido correctamente. Las sub-huellas se obtienen comparando y
umbralizando diferencias de energa. Si la diferencia de energa est muy
cerca del umbral es razonablemente probable que el bit sea errneo y
viceversa. Derivando la informacin de fiabilidad de cada bit de la sub-
huella a es posible expandir una huella dada en una lista de probables sub-
huellas. Asumiendo que una de las ms probables tiene una coincidencia
exacta en la posicin ptima de la base de datos, la identificacin se hace
como antes. Lo que se hace es ordenar los 32 bits de menos a ms fiables y
se va haciendo la lista de sub-huellas probables conmutando solo los menos
fiables. Ms concretamente, la lista consiste en todas las sub-huellas con los
N bits ms fiables fijados y el resto variables. Por ejemplo, si la informacin
de fiabilidad es perfecta y el nmero mnimo de errores por sub-huella es 3,
puede identificarse el bloque con slo 8 (=2
3
) bsquedas, que, comparado
con 5489 es una gran mejora. Por supuesto, la informacin de fiabilidad no
es perfecta y la mejora es menos, pero aun as sigue siendo sustancial. Lo
podemos ver en la siguiente figura:


Fig. 10: Bits errneos por sub-huella (en gris) y fiabilidad del bit errneo ms fiable (en negro) de la versin
mp3@32kbps de O Fortuna de Orff.


Por ejemplo, la primera sub-huella tiene 8 errores. Estos 8 bits
errneos no son los 8 ms dbiles, porque uno de ellos tiene una fiabilidad
de 27. Sin embargo, la sub-huella tiene slo un error, que resulta ser el
tercero menos fiable. Por tanto, este bloque habra sido apuntado al lugar
correcto cuando se conmutaran los 3 bits ms dbiles. La cancin se habra
identificado bien.

Acabamos dando un ejemplo de como funciona el esquema de la
fig.8. La ltima sub-huella extrada del bloque de la figura es 0x00000001.
Primero el bloque es comparado con las posiciones en la base de datos
donde se encuentra dicha sub-huella. La LUT slo apunta a una posicin
para dicha huella, una cierta posicin p de la cancin 1. Ahora se calcula la
BER entre el bloque y los valores entre la posicin p-255 y p de la cancin
almacenada. Si la BER est por debajo de 0,35, la probabilidad de que
corresponda a esa cancin es alta, si no, o bien la cancin no est en la
base de datos o la sub-huella tiene un error. Asumimos que el menos fiable
es el 1 del final y la sub-huella ms probables es 0x00000000. sta tiene
dos candidatos, en la cancin 1 en la 2. Si el bloque tiene una BER por
debajo del umbral al comparar con alguna de las dos, se dir que hay
coincidencia. Si no, bien se usan otras sub-huellas probables o se coge
alguna de las otras 254 sub-huellas, donde se repite el proceso. Si todas las
256 sub-huellas y sus sub-huellas ms probables han generado posiciones
candidatas y ninguna ha dado una BER por debajo del umbral, el algoritmo
decide que no puede identificar la cancin.

Como conclusin, podemos resumir el sistema segn los parmetros
de diseo de este tipo de sistemas:

- Tamao de huella: Se extrae una huella de 32 bits cada 11,8
milisegundos, lo que da una tasa de 2,6 kbps.

- Granularidad: Un bloque consistente en 256 sub-huellas y
correspondiente a 3 segundos de audio es la unidad bsica de identificacin.

- Velocidad de bsqueda y escalabilidad: Usando un algoritmo en dos
fases una base de datos de huellas que contenga 20.000 canciones y
maneje docenas de peticiones por segundo puede ser ejecutada en un
ordenador moderno.


3.2 Anlisis prcticos a realizar

Una vez expuesto el algoritmo usado por Philips, el primer objetivo
del presente proyecto es realizar una serie de anlisis prcticos del mismo,
sobre todo de dos parmetros fundamentales para describir la actuacin de
todo sistema: La Probabilidad de Falso Positivo y la Robustez ante
degradaciones de la seal.

Para ello, se ha programado en Matlab el algoritmo de extraccin de
huellas, junto con una serie de funciones de comprobacin de la BER entre
dos huellas dadas. Todos estos cdigos se incluyen en el Anexo 1 del
proyecto.

Una vez demostrada la idoneidad o no del sistema, se propondrn
una serie de opciones de preprocesado de la seal de audio antes de ser
introducida en el sistema y se realizarn los mismos anlisis para
comprobar si dichas opciones suponen una mejora en las prestaciones o no.
Para esto se usarn las funciones anteriormente mencionadas junto con
otras que sern necesarias para programar los distintos algoritmos de
preprocesado.


3.2.1 Probabilidad de falso positivo

Diremos que dos seales de audio de 3 segundos son iguales si la
distancia Hamming (es decir, el nmero de bits errneos) entre las huellas
derivadas de ambos bloques est por debajo de un cierto umbral T. El valor
T de dicho umbral condiciona directamente la probabilidad de falso positivo,
P, es decir, la probabilidad de que dos seales de audio distintas sean
consideradas iguales. Mientras ms pequeo sea dicho umbral,
evidentemente menor ser la probabilidad de que esto pase. Pero, por otro
lado, mientras ms pequeo sea T, mayor ser la probabilidad de que dos
seales iguales sean consideradas diferentes (Probabilidad de Falso
Negativo).

Si empezamos con un anlisis terico del problema, para analizar la
eleccin de dicho umbral T, asumimos que el proceso de extraccin de
huellas da como resultado unos bits aleatorios e i.i.d. (independientes e
idnticamente distribuidos). El nmero de bits errneos tendr una
distribucin binomial (n,p), donde n es el nmero de bits extrados y p
(=0,5) es la probabilidad de extraer un 1 o un 0. Puesto que n (=32*256)
es grande en nuestra aplicacin, la distribucin binomial puede aproximarse
por una distribucin normal de media m=n*p y desviacin estndar
= ) 1 ( p np . Dado un bloque de huellas F
1
, la probabilidad de que un
bloque seleccionado aleatoriamente F
2
tenga menos de T=a*n errores con
respecto a F
1
viene dada por:

P
f
( )=
( )
( )
|

\
|
=

n erfc dx e
n
x
2
2 1
2
1
2
1
2 1
2
2

(2)

Donde denota la probabilidad de error, la BER.
Sin embargo, en la prctica las sub-huellas tienen una alta
correlacin a lo largo del eje temporal. Esta correlacin es debida no slo a
la inherente correlacin temporal existente en el audio, sino tambin al gran
solapamiento de las tramas usadas en la extraccin de huellas. Una
correlacin ms alta implica una desviacin estndar ms grande. Esto se
demuestra en la siguiente discusin.

Asumamos una fuente binaria simtrica con alfabeto {-1,1}, tal que
la probabilidad del smbolo x
i
y del smbolo x
i+1
sean iguales es q. Entonces
se podra demostrar que

E[x
i
x
i+k
]=a
|k|
(3)

donde a=2*q-1. Si la fuente Z es el XOR de dos secuencias como esa
X e Y, entonces Z es simtrica y

E[z
i
z
i+k
]=a
2|k|
(4)

Para N grande, la desviacin estndar de la media Z
N
sobre N
muestras consecutivas de Z puede ser descrita aproximadamente por una
distribucin normal de media 0 y de desviacin estndar igual a

( )
2
2
1
1
a N
a

+
(5)

Trasladando este razonamiento al caso de bits de las huellas, un
factor de correlacin a entre bits de huellas consecutivas implica un
incremento en la desviacin estndar en un factor

( )
2
2
1
1
a
a

+
(6)

En [10], para determinar la distribucin de la BER con bloques reales
lo que se hizo fue generar una base de datos de 10.000 canciones. Despus
se determin la BER de 100.000 pares de bloques seleccionados
aleatoriamente. La desviacin estndar de la distribucin resultante se
midi en 0,0148, aproximadamente 3 veces mayor de los 0,0055 que se
esperaran de bits aleatorios i.i.d.

En la figura 10 se muestra la funcin densidad de probabilidad de la
distribucin de la BER medida y de una distribucin normal de media 0,5 y
desviacin estndar 0,0148. La PDF de la BER es una aproximacin
bastante cercana a la distribucin normal. Para BERs por debajo de 0,45 se
observan algunos valores atpicos debido a un nmero insuficiente de
valores.


Fig. 11: Comparacin de la PDF de la BER dibujada con + y la distribucin normal

Para incorporar la mayor desviacin estndar de la distribucin de la
BER la frmula () es modificada incluyendo un factor 3.

P
f
( )=
( )
|

\
|
n erfc
2 3
2 1
2
1
(7)

Usando esta frmula con un umbral de = 0,35 y sustituyendo en la
frmula anterior se llega a un resultado terico de FPR=3,6*10
-20
.

En la prctica, lo primero que se nos podra ocurrir hacer es coger un
trozo cualquiera de 3 segundos y compararlo con un archivo de audio de
varias horas. Si se compara con un archivo de una hora, el nmero de
comparaciones es del orden de las 300.000. Como hemos visto en el
anlisis terico, la BER es del orden de 10
-20
, as que este enfoque directo
es inviable. Lo que habr que hacer es obtener el histograma de dichas
medidas de error, su media, su desviacin estndar y su funcin densidad
de probabilidad y, a partir de ah, obtener una FPR terica, tal y como se
hace en [10]. Para obtener la f.d.p. a partir de una serie de medidas se usa
la herramienta de Matlab, Distribution Fitting Tool (Herramienta de Ajuste
de Distribucin), que nos permite representar la f.d.p. de un conjunto de
datos, que en nuestro caso ser el vector de probabilidades de error y
encontrar una distribucin que se ajuste bien a la distribucin emprica.
Vamos a realizar el ajuste con una distribucin normal, ya que previamente
se ha usado otra instruccin de Matlab, normplot, que nos permite saber,
observando una simple grfica si los datos en un determinado vector tienen
una distribucin normal. Si la tienen, en la grfica se observar una recta,
mientras que si la distribucin que siguen es otra aparecern curvaturas. El
resultado de la orden normplot se muestra en la siguiente figura:

0.44 0.46 0.48 0.5 0.52 0.54 0.56
0.001
0.003
0.01
0.02
0.05
0.10
0.25
0.50
0.75
0.90
0.95
0.98
0.99
0.997
0.999
Data
P
r
o
b
a
b
i
l
i
t
y
Normal Probability Plot
10
-0.35
10
-0.33
10
-0.31
10
-0.29
10
-0.27
10
-0.25
0.001
0.003
0.01
0.02
0.05
0.10
0.25
0.50
0.75
0.90
0.96
0.99
0.999
Data
P
r
o
b
a
b
i
l
i
t
y
Weibull Probability Plot

Fig 12a: Resultado de la orden normplot Fig 12b: Resultado de weibplot




El dibujo tiene tres elementos grficos. Los signos + muestran la
probabilidad emprica contra el valor de los datos para cada punto en la
muestra. La lnea continua roja conecta los percentiles 25 y 75 de los datos
y representa un ajuste lineal robusto (es decir, insensible a los extremos de
la muestra). La lnea punteada extiende la lnea continua hasta los extremos
de la muestra.

Si todos los datos caen cerca de la lnea la asuncin de normalidad es
razonable, y en este caso podemos observar que solo en los casos muy
extremos, es decir, para probabilidades por debajo de 0.001 o por encima
de 0.999 se aleja de la recta. Como comparacin, si usamos weibplot, que
hace lo mismo pero suponiendo que la distribucin es una distribucin de
Weibull el resultado se observa en la fig. 11b. Comparando ambas, se
puede observar fcilmente por qu vamos a trabajar con la suposicin de
que la distribucin del error es normal. Sin embargo, por definicin, la BER
no puede ser negativa, as que trabajaremos con una f.d.p. lognormal

Una vez hecho esto ejecutamos dfittool, para cargar la herramienta
de ajuste y definimos un ajuste lognormal. El resultado del ajuste se
presenta en la siguiente figura y la siguiente tabla:

Distribution: Lognormal
Log likelihood: 281939
Domain: 0 < y < Inf
Mean: 0.500153
Variance: 0.000247017

Parameter Estimate Std. Err.
mu -0.693335 9.78455e-005
sigma 0.0314162 6.91877e-005

Estimated covariance of parameter estimates:
mu sigma
mu 9.57374e-009 1.48481e-020
sigma 1.48481e-020 4.78694e-009

Fig 13: Comparacin de la f.d.p. de la BER y de una f.d.p lognormal

El ltimo paso que nos queda es obtener la FPR en s misma, que
ser simplemente la probabilidad de que una distribucin lognormal de
media -0.693335 y desviacin tpica 0.0314162 est por debajo de 0.35.
Una posible manera de hacerlo es integrando la f.d.p de una lognormal
entre 0 y 0.35, pero dicha integracin resulta complicada, por lo que
finalmente se ha optado por hacerlo en matlab. Si observamos la fig. 12,
arriba de la grfica tenemos la opcin evaluate, que evala varios
parmetros de la f.d.p estimada. La probabilidad de falso positivo ser
simplemente el valor de la funcin de cuanta (c.d.f., cumulative density
function) para x=0.35. Lo podemos ver en la siguiente figura:


Fig. 14: Evaluacin de la FPR



FPR= 3.82612e-30

Comparado con el resultado terico de Haitsma [10], se ve que hay
una diferencia apreciable en los rdenes de magnitud. Esto se debe a que
nosotros hemos usado una distribucin lognormal, que calcula la
probabilidad acumulada entre 0 y 0.35 y en el de Haitsma se usa una
normal, que lo hace entre - y 0.35. De hecho, si nosotros realizamos este
mismo anlisis con una distribucin normal el resultado que se obtiene es
del orden de 10
-22
. En realidad, si se piensa bien, esta diferencia de los
rdenes de magnitud no tiene una gran importancia, el hecho importante
era demostrar que la probabilidad de que se produzca un falso positivo en
una aplicacin normal es prcticamente despreciable, lo cual, a la vista del
resultado, se puede afirmar sin miedo a equivocarse mucho.


3.2.2 Anlisis experimental de robustez

Con este anlisis pretendemos demostrar la robustez del esquema
propuesto. Es decir, tratamos de responder la cuestin de si la BER entre la
versin original y la versin degradada de un clip de audio est por debajo o
no del umbral , que sigue siendo igual a 0.35.

Para ello vamos a coger cuatro extractos cortos (estreo, 44100 Hz,
16 bps) de diferentes archivos de audio de diferentes gneros musicales: el
ya mencionado anteriormente The Dream Of Unreality de Pictures Of
Shorelines, un fragmento hablado de A Day in the Life de The Beatles,
Drugs or Me de Jimmy Eat World y un fragmento de Chariots Of Fire de
Vangelis.

A cada uno de los extractos se les ha sometido a una serie de
degradaciones de la seal, usando para ello el programa Adobe Audition. En
la siguiente figura se muestra la apariencia general del programa:


Fig. 15: Apariencia general de Adobe Audition

Los procesos a los que han sido sometidos los fragmentos de audio
son los siguientes:

Codificacin/decodificacin MP3 a 128 kbps y 32 kbps.
Compresin de Amplitud con las siguientes tasas de compresin:
8.94:1 para |A| -28.6 dB; 1.73:1 para -46.4 dB<|A|<-28.6 dB;
1:1.61 para |A| -46.4 dB.


Fig 16: Compresin en Audition

Ecualizacin Un ecualizador tpico de 10 bandas con los siguientes
parmetros:


Fig.17: Ecualizador utilizado

Adicin de eco
Filtrado paso de banda usando un filtro Butterworth de segundo
orden con frecuencias de corte de 100 Hz y 6000 Hz.


Fig.18: Filtro Butterworth en Audition

Modificacin de la escala temporal en un +4% y -4%. Solo
cambia el tempo, el tono permanece inalterado.


Fig. 19: Expansin de un -4% en Audition

Cambio lineal de la velocidad del +1%, -1%, +4%, -4%. Cambian
tanto el tono como el tempo. No incluimos imagen ya que el men es
el mismo que en la anterior transformacin, sealando en modo de
expansin la opcin Volver a muestrear.
Adicin de Ruido blanco uniforme.


Fig.20: Generacin de ruido blanco

Resampling consistente en submuestreo y posterior sobremuestreo
a 22050 Hz y otra vez a 44100 Hz.

Despus de realizar dichas transformaciones (por separado, a ningn
clip de audio se le hacen dos transformaciones distintas), se mide la BER
entre el fragmento original y el fragmento degradado para cada una de las
cuatro canciones originales. Los resultados se muestran en la siguiente
tabla:


Procesado Pictures Beatles Jimmy Eat
World
Vangelis
MP3@128 kbps 0.0851 0.0379 0.0666 0.0796
MP3@32 kbps 0.2313 0.0961 0.0984 0.1406
Comp. Amplitud 0.1430 0.0522 0.0722 0.1308
Ecualizacin 0.0343 0.0161 0.0142 0.0134
Adicin de Eco 0.1707 0.0904 0.1216 0.1423
Filtrado paso banda 0.0357 0.0078 0.0106 0.0099
Esc. Tiempo +4% 0.1571 0.2208 0.1488 0.1819
Esc. Tiempo -4% 0.1980 0.1925 0.2259 0.2260
Veloc. Lineal +1% 0.1590 0.1622 0.1254 0.1057
Veloc. Lineal -1% 0.1795 0.1403 0.2695 0.2303
Veloc. Lineal +4% 0.4312 0.4437 0.3571 0.3260
Veloc. Lineal -4% 0.5288 0.4343 0.5435 0.5592
Adicin Ruido 0.0809 0.0611 0.0487 0.0541
Resampling 0.000 0.000 0.000 0.000
Tabla 1: BER para los distintos tipos de degradacin de seal


Vemos que slo en los casos sealados en rojo se supera el umbral
de error de 0.35. Corresponden con el caso de los cambios lineales de
velocidad del 4%, tanto en un sentido como en el contrario. Esto es debido
a la desviacin del tramado (desalineamiento temporal) y al escalado
espectral (desalineamiento frecuencial).








.




























4. Mejoras Propuestas en Preprocesado

En el esquema terico de un sistema de audio fingerprinting usado
para identificacin se inclua la posibilidad de hacer un preprocesado de la
seal de audio, pero hasta ahora no se ha usado ningn preprocesado en
los anlisis realizados. Grficamente, lo que se est haciendo es lo
siguiente:


Fig. 21: Esquema general de preprocesado

Lo que vemos en la grfica es que el preprocesado debe ser
considerado como el primer paso dentro del mtodo o algoritmo que se
utilice para obtener la huella. En nuestro caso vamos a seguir utilizando el
algoritmo de Philips, con varias opciones de preprocesado, viendo en qu
medida mejoran lo que tenamos previamente. La primera opcin ser un
filtrado paso bajo [26], mientras que la segunda ser un anlisis llamado
DDA (Distortion Discrminant Analysis) [27].

4.1 Filtrado Paso Bajo

4.1.1 Introduccin terica

Las tcnicas para tratar con una distorsin conocida son sencillas
pero la distorsin real causada por la difusin es normalmente desconocida.
Podemos asumir el canal como una posible combinacin de todas las
posibles distorsiones tales como ecualizaciones, fuentes de ruido e incluso
manipulaciones de DJs. Para eliminar algunos efectos de dichas
distorsiones, podemos asumir que son causadas por un canal LTI, lineal e
invariante en el tiempo (o lentamente variante) que puede ser aproximado
por un filtro lineal C() que cambia lentamente con el tiempo. En el dominio
logartmico de Fourier podemos escribir que

| ) ( | ln | ) ( | ln | ) ( | ln X C Y + = (8)

Donde X() e Y() son las seales transmitidas y recibidas
respectivamente. Si el canal que distorsiona H() es lentamente variante
podemos disear un filtro que aplicado a la secuencia temporal es capaz de
minimizar los efectos del canal. El filtro con el que trabajaremos ser

1
1
98 . 0 1
1
99 . 0 ) (

=
z
z
z H (9)

Vemos que dicho filtro presenta un polo en z=0.98 y un cero en z=1.
Su respuesta en frecuencia puede observarse en la siguiente grfica:

-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

Fig.22: Funcin de Transferencia de H(z)

Vemos que slo se va a filtrar la continua.


4.1.2 Resultados prcticos

En la prctica el filtrado slo supondr una orden de Matlab, que se
incluye justo antes de llamar a la funcin que calcula la huella. Es decir, las
huellas que comparamos sern distintas puesto que trabajarn con las
seales filtradas en lugar de las originales. Por lo dems, los anlisis
realizados sern los mismos, el anlisis de falso positivo y el anlisis de
robustez.

Respecto al falso positivo, se sigue al pie de la letra el proceso del
apartado anterior. Con dfittool se saca la curva que mejor se adapta a la
distribucin emprica de la BER, que en este caso vuelve a ser una
lognormal con la media y varianza que se observan en el siguiente cuadro:

Distribution: Lognormal
Log likelihood: 281946
Domain: 0 < y < Inf
Mean: 0.500151
Variance: 0.000246986

Parameter Estimate Std. Err.
mu -0.693338 9.78397e-005
sigma 0.0314143 6.91836e-005

Estimated covariance of parameter estimates:
mu sigma
mu 9.5726e-009 1.15996e-020
sigma 1.15996e-020 4.78637e-009



Fig. 23: Ajuste de los datos empricos mediante una distribucin lognormal

Evaluando la funcin de cuanta en x=0.35 se vuelve a llegar a la
Probabilidad de Falso Positivo, que en este caso resulta ser:

FPR= 3.80196e-30


Comparando este valor con el que se tena previamente se observa
una ligersima mejora, tan ligera que puede considerarse que dicho
algoritmo no provoca un cambio reseable en trminos de falso positivo.

El siguiente anlisis a realizar es el anlisis de robustez. Se usarn los
mismos archivos y se realizarn los mismos anlisis que en el caso de
Philips sin preprocesado. Los resultados se recogen en la siguiente tabla:


Procesado Pictures Beatles Jimmy Eat
World
Vangelis
MP3@128 kbps 0.0851 0.0380 0.0668 0.0796
MP3@32 kbps 0.2314 0.0960 0.0986 0.1406
Comp. Amplitud 0.1430 0.0522 0.0792 0.1308
Ecualizacin 0.0343 0.0161 0.0140 0.0134
Adicin de Eco 0.1707 0.0904 0.1216 0.1423
Filtrado paso banda 0.0357 0.0078 0.0106 0.0099
Esc. Tiempo +4% 0.1570 0.2208 0.1488 0.1819
Esc. Tiempo -4% 0.1980 0.1923 0.2259 0.2260
Veloc. Lineal +1% 0.1590 0.1623 0.1254 0.1056
Veloc. Lineal -1% 0.1794 0.1403 0.2694 0.2305
Veloc. Lineal +4% 0.4312 0.4438 0.3574 0.3260
Veloc. Lineal -4% 0.5288 0.4342 0.5438 0.5592
Adicin Ruido 0.0809 0.0611 0.0487 0.0540
Resampling 0.0000 0.0000 0.0000 0.0000
Tabla 2: BER para distintas degradaciones filtradas

En la siguiente tabla se muestra una comparacin de la mejora
obtenida en probabilidad de error. En verde se representa una disminucin
de la BER y en rojo, un aumento.


Procesado Pictures Beatles Jimmy Eat
World
Vangelis
MP3@128 kbps 0 0.0001 0.0002 0
MP3@32 kbps 0.0001 0.0001 0.0002 0
Comp. Amplitud 0 0 0 0
Ecualizacin 0 0 0.0002 0
Adicin de Eco 0 0 0 0
Filtrado paso banda 0 0 0 0
Esc. Tiempo +4% 0.0001 0 0 0
Esc. Tiempo -4% 0 0,0002 0 0
Veloc. Lineal +1% 0 0.0001 0 0.0001
Veloc. Lineal -1% 0.0001 0 0.0001 0.0002
Veloc. Lineal +4% 0 0.0001 0.0003 0
Veloc. Lineal -4% 0 0,0001 0.0003 0
Adicin Ruido 0 0 0 0.0001
Resampling 0 0 0 0
Tabla 3: Mejora por el uso del filtrado


La misma informacin expresada en la tabla la vamos a representar
grficamente en cuatro grficas, una para cada archivo. En cada una de
ellas representaremos dos curvas de errores, una sin preprocesar y otra
despus de preprocesar. En el eje X los nmeros del 1-14 se corresponden
a las 14 medidas realizadas de la siguiente forma:

1 MP3@128 kbps 8 Esc. Tiempo -4%
2 MP3@32 kbps 9 Veloc. Lineal +1%
3 Comp. Amplitud 10 Veloc. Lineal -1%
4 Ecualizacin 11 Veloc. Lineal +4%
5 Adicin de Eco 12 Veloc. Lineal -4%
6 Filtrado paso banda 13 Adicin Ruido
7 Esc. Tiempo +4% 14 Resampling


Pictures
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.

Fig.24: Comparacin de la BER con y sin preprocesado para el primer archivo
Beatles
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.

Fig.25: Comparacin de la BER para el segundo archivo

Jimmy
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.

Fig. 26: Comparacin de la BER para el tercer archivo

Vangelis
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.

Fig. 27: Comparacin de la BER para el cuarto archivo


Vemos que el efecto del preprocesado sobre la robustez es tambin
mnimo. Una posible razn es que ninguno de los elementos de nuestro
banco de pruebas contiene la distorsin para la que fue pensado, que es la
que se produce por la emisin a travs de radio. Adems, el filtrado es
dbil, y, por la propia concepcin del sistema de Philips, las huellas se
obtienen como diferencia de energas de las bandas, as que todas las
bandas se ven igualmente afectadas por el filtrado.

Sea por las razones que sean, la conclusin a la que llegamos es que
no merece la pena usar este preprocesado, simplemente porque no
introduce ninguna mejora reseable.




4.2 Distortion Discriminant Analysis

4.2.1 Introduccin terica

En [27] se describe un nuevo algoritmo, llamado DDA (Distortion
Discriminant Analysis) para extraer automticamente a partir del audio
caractersticas robustas frente al ruido. Las caractersticas son computadas
por una red neuronal lineal, convolucional donde cada capa realiza una
versin de la reduccin dimensional mediante el Anlisis del Componente
Principal orientado (OPCA).

Para datos de grandes dimensiones tales como el audio, OPCA puede
ser aplicado en capas. Consideremos, por ejemplo, la extraccin de una
huella de dimensin 64 a partir de 6 segundos de audio. Si primero
convertimos la seal de audio a mono y submuestreamos a 11025 Hz, la
extraccin de caractersticas debe mapear un vector de dimensin 66150 a
un vector de dimensin 64. Resolver directamente el problema de
autovalores generalizados es en este caso irrealizable. En vez de esto, OPCA
puede ser aplicado en dos capas, donde la primera capa opera con un
espectro logartmico computado en una ventana pequea y la segunda
opera con vectores que se construyen agregando los vectores producidos
por la primera capa. Es a este enfoque a lo que se le llama DDA. DDA es un
mtodo lineal; las proyecciones que ocurren en una capa dada pueden ser
vistas como una convolucin. Por tanto DDA puede ser vista como una red
neuronal lineal y convolucional donde los pesos se escogen usando OPCA.

El sistema con el que se va a trabajar en primer lugar convierte la
seal de audio estreo a mono y luego submuestrea a 11025 Hz. La seal
es a continuacin dividida en tramas de longitud fija de 372 ms que se
solapan por la mitad. A cada trama se le aplica una MCLT (Modulated
Complex Lapped Transform, una Transformada de Fourier enventanada)
[28]. Tomando el logaritmo del mdulo de cada coeficiente MCLT se obtiene
un espectro logartmico. La MCLT se considera una extensin de la MLT,
pero haciendo uso de la informacin de fase al ser compleja. En MCLT se
definen las funciones base de anlisis (transformada directa) y sntesis
(transformada inversa) p
a
(n,k) y p
s
(n,k) como modulacin en coseno y en
seno de las ventanas de anlisis y sntesis, h
a
(n) y h
s
(n):

(

\
|
+ = =
M
n n h n h
s a
2 2
1
sin ) ( ) (
(10)

( ) ) , ( ) , ( , k n jp k n p k n p
s
a
c
a a
=
(11)


(

\
|
+
|

\
| +
+ =
M
k
M
n
M
n h k n p
a
c
a
2
1
2
1
cos
2
) ( ) , ( (12)


(

\
|
+
|

\
| +
+ =
M
k
M
n
M
n h k n p
a
s
a
2
1
2
1
sin
2
) ( ) , ( (13)

( ) [ ] ) , ( ) , (
2
1
, k n jp k n p k n p
s
s
c
s s
+ =
(14)


(

\
|
+
|

\
| +
+ =
M
k
M
n
M
n h k n p
s
c
s
2
1
2
1
cos
2
) ( ) , ( (15)

(

\
|
+
|

\
| +
+ =
M
k
M
n
M
n h k n p
a
s
a
2
1
2
1
sin
2
) ( ) , ( (16)


Donde el ndice de tiempo n vara de 0 a 2M-1 y el eje de frecuencias
k vara de 0 a M-1 siendo M el tamao del bloque de entrada. Los
coeficientes MCLT X(k) se computan a partir del bloque de entrada x(n)
como

=
=
1 2
0
) , ( ) ( ) (
M
n
a
k n p n x k X
(17)

Por cada M muestras reales de la seal de entrada se obtienen M
coeficientes en frecuencia complejos [29].

Una vez que se tiene el flujo de audio transformado, se El flujo de
audio realizan dos pasos de preprocesado en cada trama que suprimen las
distorsiones especficas y fcilmente identificables. Ambos pasos se realizan
por separado, es decir, primero haremos todos los estudios para la seal
resultante de aplicar el primer paso y luego los haremos para la seal
resultante de aplicar slo el segundo. La posibilidad de combinarlos ambos o
combinarlos con otros posibles preprocesados queda fuera del objetivo de
este proyecto.


4.2.2- Primer Paso de Preprocesado


El primer paso de preprocesado elimina distorsiones causadas por
ecualizacin en frecuencia y ajuste de volumen. Este paso aplica un filtro
paso-bajo al espectro logartmico tomando la DCT (Transformada del
Coseno) del espectro, multiplicando cada coeficiente DCT por un valor que
va linealmente desde 1 para el primer coeficiente a 0 para el sexto y
superiores y entonces realizando la DCT inversa. Esto da como resultado
una suave aproximacin A al espectro logartmico. A es a continuacin
bajado 6 dB y cortado en -70 dB. El vector de salida de este primer paso de
preprocesado es la diferencia componente a componente entre el espectro
logartmico y A si la diferencia es positiva y cero en caso contrario.

Esta seal est en el dominio MCLT, por lo que antes de introducirla
en el algoritmo de Philips hay que hacer la MCLT inversa. Anlogamente a
como se defini la transformada directa en (17), a partir de una seal
transformada Y(k) (que puede ser igual a X(k) o no), se define la seal en
el dominio del tiempo y(n) como:

=
=
1
0
) , ( ) ( ) (
M
k
s
k n p k Y n y
(18)

Lo que no queda claro en [28] es como realizar la superposicin de
las diversas y(n). Si se observa bien, por cada M muestras de Y(k), la
frmula indicada anteriormente obtiene 2M muestras, que deben
superponerse, ya que, como hemos indicado anteriormente, por cada M
nuevas muestras de x(n) se obtienen M nuevas muestras transformadas.
Para inferir el funcionamiento de la transformada, se ha propuesto un
ejemplo concreto, con un vector de longitud 16 y tamao de trama M=4:


x(n)=[1 1 1 1 1 2 3 4 1 0 1 0 1 1 1 1]


Al ser M=4, se divide x(n) en 4 tramas de tamao=2M=8. A cada una
de estas tramas se le hace la transformada aplicando las ecuaciones (10)-
(13) y (17), dando como resultado:





x
1
(n)=[1 1 1 1 1 2 3 4]


X
1
(k)=[3.6913+ j1.7315
1.0614 j0.5158
0.3573 j0.2452
0.0381 + j0.1501]

x
2
(n)=[1 2 3 4 1 0 1 0]


X
2
(k)=[2.6173+ j5.2301
-2.9375 j1.0898
0.8656 j1.6310
0.9239 + j0.1585]

x
3
(n)=[1 0 1 0 1 1 1 1]


X
3
(k)=[1.6913+ j1.0381
0.4619 + j0.1913
0.1913 + j0.4619
-0.9619 - j0.3087]


x
4
(n)=[1 1 1 1 1 1 1 1]



X
4
(k)=[2+ j2
0 + j0
0+ j0
0 + j0]

Una vez realizado este paso, lo que hacemos a continuacin es hacer
aplicar las ecuaciones (14)-(16) y (18) para realizar la transformada
inversa. As, se obtienen como resultado:


y
1
(n)


y
2
(n)


y
3
(n)


y
4
(n)


0.0381 - j0.3098
0.3087 - j0.6290
0.6913 j0.7807
0.9619 j0.4862
0.9619 j0.4967
1.3827 j0.1416
0.9260 +j0.5513
0.1522 +j0.3330


0.0381 - j0.3487
0.6173 j1.0655
2.0740 j1.5274
3.8478 +j0.8742
0.9619 +j2.8086
0.0000 j0.8361
0.3087 +j0.7568
0.0000 +j0.2791

0.0381 - j0.0688
0.0000 - j0.4619
0.6913 j0.2310
0.0000 j0.1913
0.9619 j0.5845
0.6913 +j0.4619
0.3087 +j0.2310
0.0381 +j0.1913

0.0381 - j0.1913
0.3087 - j0.4619
0.6913 j0.4619
0.9619 j0.1913
0.9619 +j0.1913
0.6913 +j0.4619
0.3087 +j0.4619
0.0381 +j0.1913


Lo siguiente que hay que saber es cmo recuperar la seal original
x(n) (de longitud 16 y real) a partir de estos 32 elementos complejos. Lo
primero que observamos es que si sumamos las partes reales de los ltimos
cuatro elementos de cada una de las listas con las partes reales de los
cuatro primeros de la lista siguiente se obtiene lo siguiente:


0.9619
0.6913 +
0.3087
0.0381
0.0381
0.3087 =
0.6913
0.9619
1
1
1
1
0.9619
1.3827 +
0.9260
0.1522
0.0381
0.6173 =
2.0740
3.8478
1
2
3
4

0.9619
0.0000+
0.3087
0.0000
0.0381
0.0000 =
0.6913
0.0000
1
0
1
0
0.9619
0.6913+
0.3087
0.0381
0.0381
0.3087 =
0.6913
0.9619
1
1
1
1


Vemos que dichos valores coinciden con los valores de x(n). Y no es
fruto de la casualidad para este ejemplo concreto, para otras seales x(n),
de la misma longitud o ms largas se comprueba lo mismo. El hecho de
enlazar la primera con la ltima es porque al hacer la MCLT tambin lo
hemos enlazado. En [28] ese aspecto no queda claro, podra haberse hecho
tambin rellenando con ceros media trama al inicio y media trama al final,
pero hemos optado por esta posibilidad. Evidentemente, este es el
algoritmo que simularemos en Matlab (ver anexo).

Por ltimo, lo que falta antes de introducir la seal resultante de la
transformada inversa en el algoritmo de Philips es volver a submuestrear,
de 11025 Hz a los 5512,5 Hz a los que trabaja dicho algoritmo. Una vez
hecho esto ya podemos realizar los anlisis de falso positivo y de robustez.


4.2.2.1- Anlisis de falso positivo

El anlisis vuelve a ser anlogo a los anteriores y se utilizan los
mismos archivos, el extracto de 3 segundos de Pictures y el trozo de 20
minutos sacado de la radio comercial. Utilizando dfittool, la distribucin
que mejor se asemeja al error vuelve a ser una lognormal, con los
siguientes parmetros:

Distribution: Lognormal
Log likelihood: 33842.2
Domain: 0 < y < Inf
Mean: 0.499933
Variance: 0.000279045

Parameter Estimate Std. Err.
mu -0.69384 0.000296932
sigma 0.0334045 0.000209975

Estimated covariance of parameter estimates:
mu sigma
mu 8.81684e-008 -3.61613e-021
sigma -3.61613e-021 4.40894e-008


Fig. 28: Distribucin de la BER comparada con una distribucin lognormal

Evaluando la funcin de cuanta para x=0.35 se llega a la siguiente
Probabilidad de Falso Positivo (marcada en rojo):



Fig. 29: Probabilidad de falso positivo


Comparando este valor, se ve que es mayor que el obtenido en los
dos anlisis anteriores, sin embargo podemos aplicar aqu el mismo
razonamiento que aplicamos la primera vez. Un cambio en el valor del
orden de 10
-30
a 10
-27
no es grave, podemos seguir considerndolo
despreciable. El principal problema que observamos es que aumenta mucho
la complejidad computacional del anlisis, que dura del orden de 10-15
veces ms que sin el preprocesado. Una posible solucin sera haber
utilizado un algoritmo rpido para la MCLT, descrito en [28], que obtiene la
transformada a partir de una DCT-IV y una DST-IV, pero dada la
complejidad y la dificultad para programarlo se ha optado por no utilizarlo y
quedarnos con el primer algoritmo.


4.2.2.2- Anlisis de Robustez


El anlisis realizado es exactamente el mismo de los apartados
anteriores, con los mismos archivos de tres segundos de msica. En la
siguiente tabla se recogen los resultados obtenidos para la BER:


Procesado Pictures Beatles Jimmy Eat
World
Vangelis
MP3@128 kbps 0.1411 0.0964 0.0960 0.1393
MP3@32 kbps 0.2232 0.1544 0.1481 0.2026
Comp. Amplitud 0.0803 0.0950 0.0539 0.0643
Ecualizacin 0.0367 0.0294 0.0281 0.0388
Adicin de Eco 0.1356 0.2107 0.1160 0.1144
Filtrado paso banda 0.0106 0.0053 0.0053 0.0085
Esc. Tiempo +4% 0.1304 0.2010 0.1365 0.1413
Esc. Tiempo -4% 0.1482 0.1431 0.1135 0.1272
Veloc. Lineal +1% 0.1718 0.1596 0.1297 0.1576
Veloc. Lineal -1% 0.1896 0.1615 0.2602 0.2775
Veloc. Lineal +4% 0.3907 0.4196 0.3824 0.3185
Veloc. Lineal -4% 0.4705 0.4315 0.4542 0.4080
Adicin Ruido 0.0922 0.1863 0.0565 0.0681
Resampling 0.0000 0.0000 0.0000 0.0000
Tabla 4: BER para las distintas degradaciones preprocesadas

Al igual que en el apartado anterior, en la siguiente tabla se recoge la
comparacin de la BER obtenida con la BER que se obtuvo sin realizar
ningn preprocesado. Los valores en rojo indican un incremento de la BER
respecto a la original y los valores en verde, una disminucin del error:


Procesado Pictures Beatles Jimmy Eat
World
Vangelis
MP3@128 kbps 0,056 0,0585 0,0294 0,0597
MP3@32 kbps 0,0081 0,0583 0,0497 0,062
Comp. Amplitud 0,0627 0,0428 0,0253 0,0665
Ecualizacin 0,0024 0,0133 0,0139 0,0254
Adicin de Eco 0,0351 0,1203 0,0056 0,0279
Filtrado paso banda 0,0251 0,0025 0,0053 0,0014
Esc. Tiempo +4% 0,0267 0,0198 0,0123 0,0406
Esc. Tiempo -4% 0,0498 0,0494 0,1124 0,0988
Veloc. Lineal +1% 0,0128 0,0026 0,0043 0,0519
Veloc. Lineal -1% 0,0101 0,0212 0,0093 0,0472
Veloc. Lineal +4% 0,0405 0,0241 0,0253 0,0075
Veloc. Lineal -4% 0,0583 0,0028 0,0893 0,1512
Adicin Ruido 0,0113 0,1252 0,0078 0,014
Resampling 0 0 0 0
Tabla 5: Comparacin de las BER con y sin preprocesado

A continuacin volveremos a representar en grficas independientes
los resultados para cada uno de los cuatro archivos. En este apartado
resultarn ms interesantes que en el anterior, donde el preprocesado
prcticamente no introduca ningn cambio en las probabilidades de error.
La correspondencia entre los nmeros en el eje de abscisas y las
distorsiones de la seal es la misma del apartado anterior:


1 MP3@128 kbps 8 Esc. Tiempo -4%
2 MP3@32 kbps 9 Veloc. Lineal +1%
3 Comp. Amplitud 10 Veloc. Lineal -1%
4 Ecualizacin 11 Veloc. Lineal +4%
5 Adicin de Eco 12 Veloc. Lineal -4%
6 Filtrado paso banda 13 Adicin Ruido
7 Esc. Tiempo +4% 14 Resampling

Pictures
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.

Fig.30: Comparacin de la BER con y sin preprocesado para el primer archivo

Beatles
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.

Fig.31: Comparacin de la BER para el segundo archivo
Jimmy
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.

Fig.32: Comparacin de la BER para el tercer archivo


Vangelis
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.

Fig.33: Comparacin de la BER para el cuarto archivo


En la tabla y en las grficas se observan resultados interesantes. Para
el archivo Beatles A Day in The Life, que es hablado los resultados son
en general peores que en los otros tres, que contienen msica. Vemos que,
en general, para compresin de amplitud, eco, filtrado paso banda y
escalado el preprocesado es til ya que disminuye la probabilidad de error,
mientras que para seales con ruido no lo es.


4.2.3- Segundo paso de preprocesado

El segundo paso elimina distorsiones en la seal que no pueden ser
detectadas por el odo humano. Este paso hace el exponente del espectro
logartmico y entonces genera un umbral perceptual dependiente de la
frecuencia mediante un algoritmo descrito en [30]. La seal preprocesada
final es la diferencia en dB entre el espectro logartmico y el umbral
perceptual logartmico si la diferencia es positiva y cero en caso contrario.
Los datos finales preprocesados consisten en 2048 coeficientes reales (y,
por tanto 2048 bandas) por trama.

4.2.3.1- Anlisis de Falso Positivo

Las funciones que vamos a utilizar tanto para este anlisis como para
el siguiente se encuentran en el Anexo 3. Agradecemos al seor Malvar, de
Microsoft la deferencia de habernos enviado las funciones hthres.m y
thrabs.m, necesarias para generar el umbral perceptual dependiente de la
frecuencia.

Por lo dems, el proceso se hace igual que siempre. Obtenemos la
distribucin del error y, con la herramienta dfittool de Matlab encontramos
la distribucin que mejor se ajusta. Vuelve a ser, como en los casos
anteriores, la distribucin lognormal, con los siguientes parmetros:

Distribution: Lognormal
Log likelihood: 34354.3
Domain: 0 < y < Inf
Mean: 0.500182
Variance: 0.00025732

Parameter Estimate Std. Err.
mu -0.693297 0.000285003
sigma 0.0320625 0.000201539

Estimated covariance of parameter estimates:
mu sigma
mu 8.12265e-008 -7.30711e-021
sigma -7.30711e-021 4.06181e-008


En la siguiente grfica se muestra la distribucin del error y la
distribucin lognormal, superpuestas


Fig. 34: Distribucin de la BER y distribucin lognormal

Finalmente, el valor de probabilidad de falso positivo que se obtiene
se muestra en la siguiente grfica:


Fig.35: Probabilidad de Falso Positivo

Podemos observar que es ligeramente peor que el original, pero
ligeramente mejor que el que se obtena en el anlisis anterior. De todas
formas, lo importante es que podemos seguir diciendo que la probabilidad
de falso positivo sigue siendo prcticamente despreciable.

4.2.3.2- Anlisis de robustez

El proceso vuelve a ser el mismo, con los mismos archivos de los
anteriores anlisis as que pasamos directamente a los resultados, que se
muestran en la siguiente tabla:

Procesado Pictures Beatles Jimmy Eat
World
Vangelis
MP3@128 kbps 0.1353 0.1083 0.1050 0.1067
MP3@32 kbps 0.2050 0.1668 0.1489 0.1749
Comp. Amplitud 0.0924 0.1249 0.0587 0.0606
Ecualizacin 0.0496 0.0353 0.0335 0.0329
Adicin de Eco 0.1231 0.2124 0.1369 0.1339
Filtrado paso banda 0.0032 0.0005 0.0005 0.0006
Esc. Tiempo +4% 0.1501 0.2125 0.1600 0.1709
Esc. Tiempo -4% 0.1731 0.1536 0.1303 0.1499
Veloc. Lineal +1% 0.1844 0.1838 0.1610 0.1613
Veloc. Lineal -1% 0.2071 0.1836 0.2860 0.2810
Veloc. Lineal +4% 0.3892 0.4582 0.3572 0.3175
Veloc. Lineal -4% 0.4688 0.4420 0.4317 0.3964
Adicin Ruido 0.0719 0.1825 0.0442 0.0376
Resampling 0 0 0 0.0000
Tabla 6: BER para los distintos tipos de degradacin
En la siguiente tabla se muestra la comparacin entre los resultados
obtenidos en este anlisis y los resultados sin ningn preprocesado. Los
nmeros indican la diferencia entre ambos (en rojo implica que en este
anlisis es mayor y en verde, que es menor).

Procesado Pictures Beatles Jimmy Eat
World
Vangelis
MP3@128 kbps 0,0502 0,0704 0,0384 0,0271
MP3@32 kbps 0,0263 0,0707 0,0505 0,0343
Comp. Amplitud 0,0506 0,0727 0,0205 0,0702
Ecualizacin 0,0153 0,0192 0,0193 0,0195
Adicin de Eco 0,0476 0,122 0,0153 0,0084
Filtrado paso banda 0,0325 0,0073 0,0101 0,0093
Esc. Tiempo +4% 0,007 0,0083 0,0112 0,011
Esc. Tiempo -4% 0,0249 0,0389 0,0956 0,0761
Veloc. Lineal +1% 0,0254 0,0216 0,0356 0,0556
Veloc. Lineal -1% 0,0276 0,0433 0,0165 0,0507
Veloc. Lineal +4% 0,042 0,0145 0,0001 0,0085
Veloc. Lineal -4% 0,06 0,0077 0,1118 0,1628
Adicin Ruido 0,009 0,1214 0,0045 0,0165
Resampling 0 0 0 0
Tabla 7: Comparacin de la BER con este preprocesado y con ninguno

De la tabla podemos extraer varias conclusiones. Primero, parece que
el algoritmo funciona mejor para el primer y el cuarto archivo, funciona
regular para el archivo de Jimmy y, al igual que en el paso anterior,
bastante mal para el archivo de los Beatles. Si lo analizamos por
distorsiones, funciona bien para seales filtradas paso-banda, seales con
escala de tiempo modificada y con cambio lineal de la velocidad y para
seales con ruido.

Para representar los resultados grficamente se ha considerado
interesante incluir en las grficas tambin los resultados del anlisis
anterior, el del primer paso. As, se obtienen las siguientes grficas, donde
los nmeros en el eje de abscisas se corresponden con las siguientes
distorsiones:

1 MP3@128 kbps 8 Esc. Tiempo -4%
2 MP3@32 kbps 9 Veloc. Lineal +1%
3 Comp. Amplitud 10 Veloc. Lineal -1%
4 Ecualizacin 11 Veloc. Lineal +4%
5 Adicin de Eco 12 Veloc. Lineal -4%
6 Filtrado paso banda 13 Adicin Ruido
7 Esc. Tiempo +4% 14 Resampling

Pictures
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.1
Con preproc.2

Fig.36: Comparacin de la BER sin preprocesado y con preprocesados para el primer archivo
Beatles
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.1
Con preproc.2

Fig.37: Comparacin de la BER sin preprocesado y con preprocesados para el segundo archivo
Jimmy
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.1
Con preproc.2

Fig.38: Comparacin de la BER sin preprocesado y con preprocesados para el tercer archivo
Vangelis
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin preproc
Con preproc.1
Con preproc.2

Fig.39: Comparacin de la BER sin preprocesado y con preprocesados para el cuarto archivo

Se puede observar que este preprocesado no mejora al anterior para
la mayora de las medidas, solo es mejor en todos los casos para seales
con ruido y para seales filtradas paso bajo.

5. Referencias

[1]. Audio Fingerprinting: Concepts And Applications, Pedro Cano,
Eloi Batlle, Emilia Gomez, Leandro de C.T.Gomes, and Madeleine Bonnet

;
Studies in Computational Intelligence (SCI) 2, 233245, 2005.

[2]. Mixed watermarking fingerprinting approach for integrity
verification of audio recordings. Gmez E, Cano P, Gomes L de C T,
Batlle E, Bonnet M (2002) Proc. of the Int. Telecommunications Symposium,
Natal, Brazil.

[3]. A perceptual audio hashing algorithm: a tool for robust audio
identification and information hiding, M. Mihak y R. Venkatesan, in 4th
Int. Information Hiding Workshop, Pittsburg, PA, April 2001.

[4]. Robust audio hashing for content identification Haitsma J,
Kalker T, Oostveen J. Proc. of the Content-Based Multimedia Indexing,
Firenze, Italy (2001)

[5]. Audio Watermarking and Fingerprinting: For Which
Applications?, Pedro Cano, Eloi Batlle, Emilia Gomez, Leandro de
C.T.Gomes, and Madeleine Bonnet, Journal of New Music Research 32(1)
pps. 6582, 2003.

[6]. Digital watermarks for audio signals Boney, L., Tewfik, A., &
Hamdy, K. (1996). IEEE Proceedings Multimedia.

[7]. Techniques for data hiding. Bender, W., Gruhl, D., Morimoto, N.,
& Lu, A., (1996). IBM System Journal vol. 35, pp. 313-336.

[8]. Digital watermarking of audio signals using a psychoacoustic
auditory model and spread-spectrum theory. Garcia, R. A. (1999).
107th AES Convention.

[9]. A review of audio fingerprinting, Cano, P., E. Batlle, T. Kalker,
and J. Haitsma Journal of VLSI Signal Processing 41, 271284, 2005

[10]. A Highly Robust Audio Fingerprinting System, Jaap Haitsma,
Ton Kalker, in Proceedings of the International Symposium on Music
Information Retrieval, Paris, France, 2002.

[11]. Detection and Logging Advertisements Using its Sound, J.
Lourens, in Proc. of the COMSIG, Johannesburg, 1990.

[12]. Identification of highly distorted audio material for querying
large scale databases, F. Kurth, A. Ribbrock, and M. Clausen, in Proc.
AES 112th Int. Conv., Munich, Germany, May 2002.

[13]. Short-Term Sound Stream Characterisation for Reliable, Real-
Time Occurrence Monitoring of Given Sound-Prints, G. Richly, L.
Varga, F. Kovs, and G. Hossz, in Proc.10th Mediterranean Electrotechnical
Conference, MEleCon, 2000.

[14]. Content-based identification of audio material using mpeg-7
low level description, E. Allamanche, J. Herre, O. Helmuth, B. Frba, T.
Kasten, and M. Cremer in Proc. of the Int. Symp. Of Music Information
Retrieval, Indiana, USA, Oct. 2001.

[15]. A new approach to the automatic recognition of musical
recordings, C. Papaodysseus, G. Roussopoulos, D. Fragoulis, T.
Panagopoulos, and C. Alexiou, J. Audio Eng. Soc., vol. 49, no. 1/2, 2001, pp.
2335.

[16]. Very Quick Audio Searching: Introducing Global Pruning to the
Time-Series Active Search, A. Kimura, K. Kashino, T. Kurozumi, and H.
Murase, in Proc. of Int. Conf. on Computational Intelligence and Multimedia
Applications, Salt Lake City, Utah, May 2001.

[17]. Modulation frequency features for audio fingerprinting, S.
Sukittanon and L. Atlas in Proc. of the ICASSP, May 2002.

[18]. Extracting Noise-Robust Features from Audio Data, C. Burges,
J. Platt, and S. Jana, in Proc. of the ICASSP, Florida, USA, May 2002.

[19]. Robust Sound Modelling for Song Detection in Broadcast
Audio, P. Cano, E. Batlle, H. Mayer, and H. Neuschmied, in Proc. AES
112th Int. Conv., Munich, Germany, May 2002.

[20]. Method and article of manufacture for content-based analysis,
storage, retrieval and segmentation of audio information, T. Blum, D.
Keislar, J. Wheaton, and E. Wold, U.S. Patent 5,918,223, June 1999.

[21]. Automatic Song Identification in Noisy Broadcast Audio, E.
Batlle, J. Masip, and E. Guaus, in Proc. of the SIP, Aug. 2002.

[22]. Fast Subsequence Matching in Time-Series Databases, C.
Faloutsos, M. Ranganathan, and Y. Manolopoulos in Proc. On the ACM
SIGMOD, Minneapolis, MN, 1994, pp. 419429.

[23]. Modern Information Retrieval, R. Baeza-Yates and B. Ribeiro-Neto
Addison Wesley, 1999.

[24]. Audio Fingerprinting: Nearest Neighbour Search in High
Dimensional Binary Spaces, M. Miller, M. Rodriguez, and I. Cox in 5th
IEEE Int. Workshop on Multimedia Signal Processing: Special session on
Media Recognition, US Virgin Islands, USA, Dec. 2002.

[25]. System and Methods for Recognizing Sound and Music
Signals in High Noise and Distortion, A.L.-C.Wang and J. Smith II, U.S.
Patent Application Publication US 2002/0083060 A1, 2002.

[26]. System Analysis and Performance Tuning for Broadcast Audio
Fingerprinting, E. Battle, J. Masip, P. Cano, Proc. of the 6
th
Int.
Conference on Digital Audio Effects, London, 6-11 September 2003

[27]. Distortion Discriminant Analysis for Audio Fingerprinting,
Christopher J.C. Burges, John C. Platt and Soumya Jana, IEEE Transactions
on Speech and Audio Processing, Vol. XX, NO. Y, Month ZZ

[28]. A Modulated Complex Lapped Transform and its Applications
to Audio Processing H. Malvar IEEE Transactions on Speech and Audio
Processing 1999 pag. 1421-1424

[29]. The Modulated Lapped Transform, Its Time-Varying Forms and
Its Applications to Audio Coding Standards Seymour Shlien IEEE
Transactions on Speech and Audio Processing Vol.5 No4 July 1997

[30]. Auditory masking in audio compression, H. Malvar, in Audio
Anecdotes, K. Greenebaum, Ed. A. K. Peters Ltd., 2001.








































Anexo 1: Funciones usadas para el algoritmo de
Philips


Funcin principal para el clculo de la huella


% archivo: fingerprint_princ.m
%
% Funcin que, dado un archivo de audio, calcula su huella.
%


function F=fingerprint(audio)

Fs=44100/8; %frecuencia de muestreo de la seal de audio
N=2048; %numero de muestras por frame
overlap=31/32; %factor de overlap
desplaz=floor(N-N*overlap); %desplazamiento de la ventana para cumplir
con el factor de overlap
num_band=33; %numero de bandas en que dividimos cada frame
f_inferior=300; %frecuencia inferior para la division en bandas
f_superior=2000; %frecuencia superior para la division en bandas

ventana=hanning(N);


%Para solventar el problema de que el numero de muestras no es
%mltiplo de N, nos quedarnos con el numero entero de muestras de la
%seal mas alto posible que sea multiplo de 'desplaz'

numero_fingers=floor((length(audio)-N)/desplaz); %numero de huellas
sin contar la primera
audio=audio(1:(N+numero_fingers*desplaz));

Eperanterior=zeros(num_band,1); %energa de las bandas del frame
anterior
m=1; %ndices para guardar los bits de los fingerprints

%Calculo del vector para la divisin en 33 bandas separadas
%logartmicamente entre 300 Hz y 2000 Hz

indice=logspace(log10(f_inferior),log10(f_superior),num_band+1);
indice=round(indice*N/Fs);

%Bucle que divide la seal en tramas y las procesa

for k=0:desplaz:length(audio)-N
frame=audio(k+1:k+N,1);
frame=ventana.*frame;
FRAME=abs(fft(frame));

% Se divide la trama en bandas

bandaSup=FRAME(indice(num_band):indice(num_band+1),1);


for k=num_band:-1:2
banda=FRAME(indice(k-1):indice(k),1);

% Se llama a la funcin que calcula la energa de las bandas

Eactual=calc_energia(banda);
Esuperior=calc_energia(bandaSup);

%Se obtiene el bit F(m,k-1) de la huella

F(m,k-1)=bit_derivation(Eactual,Esuperior,Eperanterior(k-
1,1),Eperanterior(k,1));


%actualizamos variables

bandaSup=banda;
Eperanterior(k,1)=Esuperior;

%Para evitar coger un valor equivocado al llamar a
"bit_derivation"

if k==2
Eperanterior(k-1,1)=Eactual;
end

end

m=m+1;

end






















Funcin que calcula la energa de las bandas


% archivo: calc_energia.m
%
% Funcin que calcula la energa de una banda,
% empleada para el calculo del fingerprints

function E=calc_energ(x)

[M,N]=size(x);

if M>=N
E=x'*x;
else
E=x*x';
end





Funcin que calcula cada bit de la huella


% Archivo: bit_derivation.m
%
% Funcin que calcula un bit de la fingerprint
%
% Parmetros:
% e: energa de la banda
% e_banterior: energa de la banda anterior
% e_tanterior: energa de la banda en el periodo anterior
% e_tb: energa de la banda posterior en el periodo anterior

function F=bit_derivation(e,e_banterior,e_tanterior,e_tb)

ED=e-e_banterior-(e_tanterior-e_tb);

if ED>0
F=1;
else
F=0;
end











Script del anlisis de falso positivo


% archivo: falsopositivo.m
%
% Script con todo el proceso del anlisis de falso positivo
%

clear all;

%Proceso completo del anlisis de falso positivo

Fs=44100/8; %frecuencia de muestreo
alpha=0.35; %umbral

% cargamos el bloque de 3 segundos y obtenemos su huella

audio1=readwav('pictures5512_3sg.wav');
f1=fingerprint_princ(audio1);
[m,n]=size(f1);

% cargamos el archivo con el que vamos a comparar, entero

audio2=readwav('1123075521_5512_20min.wav');
f2=fingerprint_princ(audio2);

%se comparan ambas huellas

d=busqueda(f1,f2);
d=d./(m*n); %BER de cada comparacin

% sacamos la media y la desviacin estndar y llamamos a la
herramienta
% dfittool

media=mean(d)
desv=std(d)

dfittool
















Funcin para leer archivos de audio

Esta funcin debi ser utilizada por una incompatibilidad entre los
archivos tratados con Adobe Audition y la orden wavread de Matlab. La
presente funcin hace lo mismo que wavread.

function [y,fs,wmode,fidx]=readwav(filename,mode,nmax,nskip)
%READWAV Read a .WAV format sound file
[Y,FS,WMODE,FIDX]=(FILENAME,MODE,NMAX,NSKIP)
%
% Input Parameters:
%
% FILENAME gives the name of the file (with optional .WAV extension)
or alternatively
% can be the FIDX output from a previous call to
READWAV
% MODE specifies the following (*=default):
%
% Scaling: 's' Auto scale to make data peak = +-1
% 'r' Raw unscaled data (integer values)
% 'q' Scaled to make 0dBm0 be unity mean square
% 'p' * Scaled to make +-1 equal full scale
% 'o' Scale to bin centre rather than bin edge (e.g.
127 rather than 127.5 for 8 bit values)
% (can be combined with n+p,r,s modes)
% 'n' Scale to negative peak rather than positive peak
(e.g. 128.5 rather than 127.5 for 8 bit values)
% (can be combined with o+p,r,s modes)
% Offset: 'y' * Correct for offset in <=8 bit PCM data
% 'z' No offset correction
% File I/O: 'f' Do not close file on exit
% 'd' Look in data directory: voicebox('dir_data')
%
% NMAX maximum number of samples to read (or -1 for unlimited
[default])
% NSKIP number of samples to skip from start of file
% (or -1 to continue from previous read when FIDX is
given instead of FILENAME [default])
%
% Output Parameters:
%
% Y data matrix of dimension (samples,channels)
% FS sample frequency in Hz
% WMODE mode string needed for WRITEWAV to recreate the data file
% FIDX Information row vector containing the element listed
below.
%
% (1) file id
% (2) current position in file
% (3) dataoff byte offset in file to start of data
% (4) nsamp number of samples
% (5) nchan number of channels
% (6) nbyte bytes per data value
% (7) bits number of bits of precision
% (8) code Data format: 1=PCM, 2=ADPCM, 6=A-law, 7=Mu-law
% (9) fs sample frequency
%
% If no output parameters are specified, header information will be
printed.
%
% For stereo data, y(:,1) is the left channel and y(:,2) the right
%
% See also WRITEWAV.

% *** Note on scaling ***
% If we want to scale signal values in the range +-1 to an integer
in the
% range [-128,127] then we have four plausible choices corresponding
to
% scale factors of (a) 127, (b) 127.5, (c) 128 or (d) 128.5 but each
choice
% has disadvantages.
% For forward scaling: (c) and (d) cause clipping on inputs of +1.
% For reverse scaling: (a) and (b) can generate output values < -1.
% Any of these scalings can be selected via the mode input: (a) 'o',
(b) default, (c) 'on', (d) 'n'

% Copyright (C) Mike Brookes 1998-2003
% Version: $Id: readwav.m,v 1.5 2006/11/06 08:16:02 dmb Exp $
%
% VOICEBOX is a MATLAB toolbox for speech processing.
% Home page:
http://www.ee.ic.ac.uk/hp/staff/dmb/voicebox/voicebox.html
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%
% This program is free software; you can redistribute it and/or
modify
% it under the terms of the GNU General Public License as published
by
% the Free Software Foundation; either version 2 of the License, or
% (at your option) any later version.
%
% This program is distributed in the hope that it will be useful,
% but WITHOUT ANY WARRANTY; without even the implied warranty of
% MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
% GNU General Public License for more details.
%
% You can obtain a copy of the GNU General Public License from
% ftp://prep.ai.mit.edu/pub/gnu/COPYING-2.0 or by writing to
% Free Software Foundation, Inc.,675 Mass Ave, Cambridge, MA 02139,
USA.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%

if nargin<1 error('Usage:
[y,fs,wmode,fidx]=READWAV(filename,mode,nmax,nskip)'); end
if nargin<2 mode='p';
else mode = [mode(:).' 'p'];
end
k=find((mode>='p') & (mode<='s'));
mno=all(mode~='o'); % scale to input limits not
output limits
sc=mode(k(1));
z=128*all(mode~='z');


info=zeros(1,9);
if ischar(filename)
if any(mode=='d')
filename=fullfile(voicebox('dir_data'),filename);
end
fid=fopen(filename,'rb','l');
if fid == -1
fn=[filename,'.wav'];
fid=fopen(fn,'rb','l');
if fid ~= -1 filename=fn; end
end
if fid == -1 error(sprintf('Can't open %s for input',filename));
end
info(1)=fid;
else
info=filename;
fid=info(1);
end

if ~info(3)
fseek(fid,8,-1); % read riff chunk
header=fread(fid,4,'uchar');
if header' ~= 'WAVE' fclose(fid); error(sprintf('File does not
begin with a WAVE chunck')); end

fmt=0;
data=0;
while ~data % loop until FMT and DATA chuncks
both found
header=fread(fid,4,'char');
len=fread(fid,1,'ulong');
if header' == 'fmt ' % ******* found FMT chunk
*********
fmt=1;
info(8)=fread(fid,1,'ushort'); % format: 1=PCM, 6=A-
law, 7-Mu-law
info(5)=fread(fid,1,'ushort'); % number of channels
fs=fread(fid,1,'ulong'); % sample rate in Hz
info(9)=fs; % sample rate in Hz
rate=fread(fid,1,'ulong'); % average bytes per
second (ignore)
align=fread(fid,1,'ushort'); % block alignment in
bytes (ignore)
info(7)=fread(fid,1,'ushort'); % bits per sample
fseek(fid,len-16,0); % skip to end of
header
if any([1 6 7]==info(8)) info(6)=ceil(info(7)/8);
else info(6)=1; sc='r';
end
elseif header' == 'data' % ******* found DATA chunk
*********
if ~fmt fclose(fid); error(sprintf('File %s does not contain
a FMT chunck',filename)); end
info(4) = fix(len/(info(6)*info(5)));
info(3)=ftell(fid);
data=1;
else % ******* found unwanted chunk
*********
fseek(fid,len,0);
end
end
else
fs=info(9);
end


if nargin<4 nskip=info(2);
elseif nskip<0 nskip=info(2);
end

ksamples=info(4)-nskip;
if nargin>2
if nmax>=0
ksamples=min(nmax,ksamples);
end
elseif ~nargout
ksamples=min(5,ksamples);
end
if ksamples>0
info(2)=nskip+ksamples;
pk=pow2(0.5,8*info(6))*(1+(mno/2-
all(mode~='n'))/pow2(0.5,info(7))); % use modes o and n to determine
effective peak
fseek(fid,info(3)+info(6)*info(5)*nskip,-1);
nsamples=info(5)*ksamples;
if info(6)<3
if info(6)<2
y=fread(fid,nsamples,'uchar');
if info(8)==1 y=y-z;
elseif info(8)==6
y=pcma2lin(y,213,1);
pk=4032+mno*64;
pkp=pk;
elseif info(8)==7
y=pcmu2lin(y,1);
pk=8031+mno*128;
pkp=pk;
end
else
y=fread(fid,nsamples,'short');
end
else % 3 or 4 byte values
if info(6)<4
y=fread(fid,3*nsamples,'uchar');
y=reshape(y,3,nsamples);
y=([1 256 65536]*y-pow2(fix(pow2(y(3,:),-7)),24)).';
else
y=fread(fid,nsamples,'long');
end
end
if sc ~= 'r'
if sc=='s'
sf=1/max(max(abs(y)),1);
elseif sc=='p'
sf=1/pk;
else
if info(8)==7
sf=2.03761563/pk;
else
sf=2.03033976/pk;
end
end
y=sf*y;
else % mode = 'r' - output raw values
if info(8)==1 y=y*pow2(1,info(7)-8*info(6)); end % shift to get
the bits correct
end

if info(5)>1 y = reshape(y,info(5),ksamples).'; end
else
y=[];
end

if all(mode~='f') fclose(fid); end

if nargout>2
wmode=setstr([sc 'z'-z/128]);
if info(8)==1 % PCM modes
if ~mno wmode=[wmode 'o']; end
if any(mode=='n') wmode=[wmode 'n']; end
wmode=[wmode num2str(info(7))];
elseif info(8)==6
wmode = [wmode 'a'];
elseif info(8)==7
wmode = [wmode 'u'];
end
fidx=info;
elseif ~nargout
codes=' '*ones(9,6); codes(1+[1 2 6 7],:)=['PCM ';'ADPCM ';'A-law
';'Mu-law'];
fprintf(1,'\n%d Hz sample rate\n%d channel x %d samples = %.3g
seconds\ndata type %d: %d bit %s\n',info([9 5 4]),info(4)/info(9),
info([8 7]),char(codes(1+max(0,min(8,info(8))),:)));
end






Funcin que calcula el error entre dos trozos de audio

% archivo: busqueda.m
%
% Funcin que va comparando dos huellas y obteniendo el error
% En las matrices entrada van los fingerprints correspondientes a los
3
% segundos de deteccin de la seal de audio (matriz de dimensin
256x32) y los fingerprints del anuncio
% (matriz de dimensin x32)

function d=busqueda(detectado,anuncio)

[m1,n1]=size(detectado);
[m2,n2]=size(anuncio);

for k=1:m2-m1
d(k)=sum(sum(abs(anuncio(k:k+m1-1,:)-detectado)));
end





Script del anlisis de robustez


% Archivo: robustez.m
%
% Script para calcular la BER entre dos trozos de audio
%

clear all;
Fs=44100/8; %frecuencia de muestreo


% cargamos el bloque de 3 segundos original y obtenemos su huella

audio1=readwav('jimmy_3sg_5512.wav');
f1=fingerprint_princ(audio1);
[m1,n1]=size(f1);

% cargamos el bloque modificado con el que vamos a comparar

audio2=readwav('jimmy_3sg_comp_5512.wav');
f2=fingerprint_princ(audio2);
[m2,n2]=size(f2);

% para tener en cuenta el hecho de que por la distorsin
% puede que los dos trozos sean de distinta duracin

if m1<m2
d=busqueda(f1,f2);
d=d./(m1*n1);
BER=min(d)

else if m1==m2
BER=sum(sum(abs(f2-f1)))/(m1*n1)

else
d=busqueda(f2,f1);
d=d./(m2*n2);
BER=min(d)
end
end
















Anexo 2: Funciones usadas para el preprocesado
de filtrado

Script del anlisis de falso positivo


% Archivo: falsopositivo_filt.m
%
% Script que realiza el anlisis de falso positivo, se diferencia del
% anterior en la inclusin de la orden filter, que filtra el audio
% antes de calcular la huella

clear all;

%Proceso completo del anlisis de falso positivo

Fs=44100/8; %frecuencia de muestreo
alpha=0.35; %umbral

% cargamos el bloque de 3 segundos y obtenemos su huella

audio1=readwav('pictures5512_3sg.wav');
audio1filt=filter([0.99 -0.99],[1 -0.98],audio1);
f1=fingerprint_princ(audio1filt);
[m,n]=size(f1);

% cargamos el archivo con el que vamos a comparar, entero

audio2=readwav('1123075521_20min.wav');
audio2filt=filter([0.99 -0.99],[1 -0.98],audio2);
f2=fingerprint_princ(audio2filt)

%se comparan ambas huellas

d=busqueda(f1,f2);
d=d./(m*n); %BER de cada comparacin

% sacamos la media y la desviacin estndar

media=mean(d)
desv=std(d)

dfittool











Script del anlisis de robustez


% Archivo: robustez_filt.m
%
% Script para calcular la BER entre dos trozos de audio, tambin se
% diferencia del anterior en la inclusin de la orden filter
%

clear all;
Fs=44100/8; %frecuencia de muestreo


% cargamos el bloque de 3 segundos original y obtenemos su huella

audio1=readwav('vangelis_3sg_5512.wav');
audio1filt=filter([0.99; -0.99],[1; -0.98],audio1);
f1=fingerprint_princ(audio1filt);
[m1,n1]=size(f1);

% cargamos el bloque modificado con el que vamos a comparar

audio2=readwav('vangelis_3sg_lsc-1_5512.wav');
audio2filt=filter([0.99; -0.99],[1; -0.98],audio2);
f2=fingerprint_princ(audio2filt);
[m2,n2]=size(f2);

if m1<m2
d=busqueda(f1,f2);
d=d./(m1*n1);
BER=min(d)

else if m1==m2
BER=sum(sum(abs(f2-f1)))/(m1*n1)

else
d=busqueda(f2,f1);
d=d./(m2*n2);
BER=min(d)
end
end
















Anexo 3: Funciones usadas en el preprocesado
de DDA


Script del anlisis de falso positivo

% Archivo: falsopositivo_dda.m
%
% Script para el anlisis de falso positivo. Se diferencia de
% los anteriores en que se llama a la funcin preprocdda, que es la
que
% hace el preprocesado en s mismo y en que se trabaja a 44100 Hz

clear all;

%Proceso completo del anlisis de falso positivo

Fs=44100; %frecuencia de muestreo
alpha=0.35; %umbral

% cargamos el bloque de 3 segundos y obtenemos su huella

audio11=readwav('pictures44100_3sg.wav');
preproc1=preprocdda(audio11);

audio1=decimate(preproc1,2); %de 11025 Hz a 5512,5
f1=fingerprint_princ(audio1);
[m,n]=size(f1);

% cargamos el archivo con el que vamos a comparar, entero

audio21=readwav('1123075521_5512_20min.wav');

preproc2=preprocdda(audio21.');

audio2=decimate(preproc2,2); % de 11025 Hz a 5512,5
f2=fingerprint_princ(audio2);

%se comparan ambas huellas

d=busqueda(f1,f2);
d=d./(m*n); %BER de cada comparacin

% sacamos la media y la desviacin estndar

media=mean(d)
desv=std(d)





Script del anlisis de robustez


% Archivo: robustez_dda.m
%
% Script para calcular la BER entre dos trozos de audio con
preprocesado
% DDA. Se diferencia de los anteriores en que se cargan los archivos a
% 44100 Hz
%

clear all;


% cargamos el bloque de 3 segundos original y obtenemos su huella

audio11=readwav('vangelis44100_3sg.wav');
preproc1=preprocdda(audio11);

audio1=decimate(preproc1,2); %se pasa de 11025 Hz a 5512 Hz

f1=fingerprint_princ(audio1);
[m1,n1]=size(f1);

% cargamos el bloque modificado con el que vamos a comparar

audio21=readwav('vangelis44100_3sg_lsc-4.wav');
preproc2=preprocdda(audio21);

audio2=decimate(preproc2,2); %se pasa de 11025 Hz a 5512 Hz

f2=fingerprint_princ(audio2);
[m2,n2]=size(f2);

if m1<m2
d=busqueda(f1,f2);
d=d./(m1*n1);
BER=min(d)

else if m1==m2
BER=sum(sum(abs(f2-f1)))/(m1*n1)

else
d=busqueda(f2,f1);
d=d./(m2*n2);
BER=min(d)
end
end








Funcin que hace el primer paso de preprocesado


% Archivo: preprocdda.m
%
% Funcin que realiza el primer paso de preprocesado del algoritmo DDA
%

function x=preprocdda(audio)

Fs=11025; %frecuencia de muestreo
N=4096; %numero de muestras por frame
overlap=1/2; %factor de solapamiento
desplaz=floor(N-N*overlap); %desplazamiento para comenzar cada trama

%antes de nada se submuestrea el audio a Fs

audio11025=decimate(audio,4);

% para calcular el numero de tramas

numtramas=floor((length(audio11025)-N)/desplaz); %numero de tramas sin
contar la primera
audio11025=audio11025(1:(N+numtramas*desplaz));

%Generamos el espectro logartmico

transf=mclt(audio11025,desplaz);

spect=10*log10(abs(transf));

%ya tenemos el espectro logartmico, ahora hay que realizar el primer
paso
%propiamente dicho
%Primero hay que realizar la DCT

for k=0:desplaz:length(spect)-desplaz

transdct(k+1:k+desplaz)=dct(spect(k+1:k+desplaz));

%se filtra paso-bajo, cogiendo solo los componentes principales

ramp=[1 0.8 0.6 0.4 0.2 zeros(1,desplaz-5)];
transdct(k+1:k+desplaz)=transdct(k+1:k+desplaz).*ramp;

%y se hace la transformada inversa

A(k+1:k+desplaz)=idct(transdct(k+1:k+desplaz));

for i=1:desplaz
A(k+i)=A(k+i)-6; %se bajan 6 dB
if A(k+i)<=-70
A(k+i)=-70;
end
if spect(k+i)-A(k+i)>0
xt(k+i)=spect(k+i)-A(k+i); %xt todava en el dominio
mclt, ahora hay que antitransformar
else
xt(k+i)=0;
end
end
end

% se vuelve a pasar a dominio del tiempo

x=imclt(xt,desplaz);



Funcin que hace la transformada MCLT


% Archivo: mclt.m
%
% Funcin que calcula la transformada MCLT de las distintas tramas
% de una seal de audio, de longitud M

function trans=mclt(x,M)

N=2*M;
j=sqrt(-1);
n=0;
k=0;
m=0;

%Ventana de anlisis

ha=zeros(2*M,1);

pa=zeros(2*M,M);
mclt=zeros(length(x),1);

%Ahora se computa la transformada

n=1:2*M;
ha=-sin(((n-1)+1/2)*pi/(2*M));

% creamos la matriz de anlisis, pa(n,k)

for k=1:M
for n=1:2*M
pa(n,k)=ha(n)*sqrt(2/M)*cos(((n-1)+(M+1)/2)*((k-
1)+1/2)*pi/M)-j*ha(n)*sqrt(2/M)*sin(((n-1)+(M+1)/2)*((k-1)+1/2)*pi/M);
end
end

%dividimos la seal en tramas de longitud 2M y multiplicamos por
%la matriz pa, dando lugar a transformadas de longitud M

for m=0:M:length(x)-N
frame=x(m+1:m+N);
trans(m+1:m+M)=pa.'*frame.';

if m==length(x)-N % para mandar la ltima
trama
frame=[x(m+M+1:m+N) x(1:M)];
trans(m+M+1:m+N)=pa.'*frame.';

end
end






Funcin que realiza la transformada MCLT inversa


% Archivo: imclt.m
%
% Funcin que realiza la transformada MCLT inversa, con tramas de
% longitud M

function y=imclt(x,M)

j=sqrt(-1);
n=0;
k=0;
m=0;
y=zeros(length(x),1);
yp=zeros(2*M,1); % transformadas parciales
ypant=zeros(M,1);
hs=zeros(2*M,1); %Ventana de anlisis

ps=zeros(2*M,M);


%Ahora se computa la transformada

n=1:2*M;
hs=-sin(((n-1)+1/2)*pi/(2*M));

% se genera la matriz de sntesis, ps(n,k)

for k=1:M
for n=1:2*M
ps(n,k)=1/2*hs(n)*sqrt(2/M)*[cos(((n-1)+(M+1)/2)*((k-
1)+1/2)*pi/M)+j*sin(((n-1)+(M+1)/2)*((k-1)+1/2)*pi/M)];
end
end

% En el algoritmo, para sacar la primera trama hace falta la ltima
% transformada parcial

ypant=ps*x(length(x)-M+1:length(x)).';

% se van sacando todas las tramas a partir de la transformada parcial
de
% dicha trama y de la anterior

for m=0:M:length(x)-M
yp=ps*x(m+1:m+M).'; %resultado parcial
y(m+1:m+M)=real(yp(1:M))+real(ypant(M+1:2*M));
ypant=yp;
end


Funcin que hace el segundo paso de preprocesado

% Archivo: preprocdda2.m
%
% Funcin que realiza el segundo paso de preprocesado del algoritmo
DDA
%

function x=preprocdda2(audio)

Fs=11025; %frecuencia de muestreo
N=4096; %numero de muestras por frame
overlap=1/2; %factor de solapamiento
desplaz=floor(N-N*overlap); %desplazamiento para comenzar cada trama

%antes de nada se submuestrea el audio a Fs

audio11025=decimate(audio,4);

% para calcular el numero de tramas

numtramas=floor((length(audio11025)-N)/desplaz); %numero de tramas sin
contar la primera
audio11025=audio11025(1:(N+numtramas*desplaz));

%Generamos el espectro logartmico

transf=mclt(audio11025,desplaz);

spect=10*log10(abs(transf));

%segundo paso

spectexp=10.^(spect/10); % se eleva el espectro logartmico

for k=0:desplaz:length(spect)-desplaz

Ht(k+1:k+desplaz)=hthres(spectexp(k+1:k+desplaz),Fs); %umbral
auditivo en u.n.
HtdB(k+1:k+desplaz)=10*log10(Ht(k+1:k+desplaz));

for i=1:desplaz
if spect(k+i)-HtdB(k+i)>=0
xt(k+i)=spect(k+i)-HtdB(k+i);

else
xt(k+i)=0;

end
end
end

% se vuelve a pasar a dominio del tiempo

x=imclt(xt,desplaz);



Funciones para obtener el umbral de audicin


% HTHRES Hearing threshold
%
% H. S. Malvar - Nov'00, (c) H. S. Malvar
%
% Syntax: Ht = hthres(X,fs)
%
% X = vector of frequency magnitude components
% fs = sampling frequency, in Hz
% Ht = vector of thresholds, in rms

function Ht = hthres(X,fs)

Dabs = 60; % in dB, how much to bring down Fletcher-Munson curves;
% it depends on the assumed playback level

Thmin = -60; % in dB, how far down can any threshold go
Thmax = 60; % in dB, how far up can any threshold go
Rfac = 8; % Power reduction factor in dB for masking within the
% same bark frequency band

% Bark subbands upper limits

Bh = [100 200 300 400 510 630 770 920 1080 1270 1480 1720 2000 2320
2700 3150 3700 4400 5300 6400 7700 9500 12000 15500 22050];


P = X.*X; % power spectrum
TdB = 0*P; % Threshold in dB

Nbands = length(X);

f=[0:Nbands-1]'*fs/(2*(Nbands-1)); % subband center frequencies, in Hz

% Loop to generate Bark power spectrum and Bark center thresholds

dindx = Nbands*2/fs; % # of coefficients per Hz

stop = 0;

i1 = 1;

il=[]; iu=[];

for i = 1:25 % scan all 25 Bark bands
% i-th Bark subband covers original subbands i1 to i2

i2 = round(Bh(i)*dindx);
if i2 > Nbands
i2 = Nbands;

stop = 1; % stop loop if signal bandwidth is reached

end

il = [il;i1];
iu = [iu;i2];

% Average RMS signal amplitude over Bark band [i1,i2]
Arms = sqrt(mean(P(i1:i2)));
% average signal amplitude over Bark band [i1,i2], in dB
Adb = 20*log10(Arms+eps);
% Tr = relative threshold given power level within i-th band
Tr = Adb - Rfac; % center threshold

Sbu(i) = Tr;

i1 = i2+1;

if stop break; end;

end

Lsb = i; % number of Barks covered for the given fs


% Cross-Bark spreading

Sbu = Sbu';
Sb = Sbu;

pl = -100;
pr = -100;
pli = Sbu(1);

for i = 1:Lsb

if i < Lsb; pr = Sbu(i+1)-25; else pr = -100; end

if pli > pl; pl = pli; end

pl = pl - 10;

if pl > Sb(i); Sb(i) = pl; end

if pr > Sb(i); Sb(i) = pr; end

pli = Sbu(i);

end

% Adjust thresholds considering absolute masking

for i = 1:Lsb
i1 = il(i);
i2 = iu(i);

Tr = Sb(i);

% Ta = Fletcher-Munson absolute threshold

Ta = mean(thrabs(f(i1:i2)))-Dabs;

if Tr < Ta; Tr = Ta; end

% Clip at minimum and maximum levels

if Tr < Thmin; Tr = Thmin; end

if Tr > Thmax; Tr = Thmax; end

Sb(i) = Tr; % save dB thresholds in vector Sb

TdB(i1:i2) = Tr; % same threshold for all bands within Bark band

end

Ht = 10.^(TdB/20); % convert from power to rms levels







%THRABS Absolute hearing threshold (Fletcher-Munson)
%
% H. S. Malvar - Nov'00, (c) H. S. Malvar
%
% Syntax: T = thrabs(f)
%
% f = frequency, in Hz (or a vector of frequencies)
% T = corresponding absolute threshold of hearing, in dB SPL

function T=thrabs(f)


fk = f/1000;

% Approximation to the F&M curves

T = 3.64*(fk.^(-.8))-6.5*exp(-.6*(fk-3.3).^2)+1e-3*fk.^4;






Agradecimientos

Antes de dar por acabada esta memoria, es el momento de dedicar
algunas palabras a todos aquellos que han formado parte del (largo)
proceso que culmina con el presente proyecto.

A veces parece que estos aos se han pasado volando, que no ha
sido tanto el tiempo transcurrido, pero han sido muchas las maanas,
muchas las tardes, que se han hecho llevaderas gracias a la buena
compaa y a los buenos amigos con los que he tenido la suerte de
coincidir. Algunos podrn venir a la presentacin, otros ya son personas de
provecho y tendrn que trabajar, pero sea como sea se merecen todo mi
agradecimiento por todos estos aos. Y a todos los que, fuera de la escuela,
se interesan por lo que hago, por como me va y confan en m, aqu incluyo
a los amigos de toda la vida (desde el instituto juntos, ya son aos!) y en
general a todos los que han estado pendientes desde la distancia, incluso
desde fuera de nuestras fronteras.

Tambin me gustara agradecer al tutor Dr. Jos Ramn Cerquides
por su ayuda para sacar adelante el proyecto en momentos en los que
pareca que se iba a atascar por carecer de algn material necesario para su
realizacin (buen momento para agradecer tambin al seor Malvar de
Microsoft, gran detalle el suyo) y a los miembros del tribunal.

Debo agradecer tambin su ayuda a mi compaero Alejandro Alvrez,
que ha estado trabajando en un proyecto similar al mo y ha compartido
conmigo su trabajo.

Y, por ltimo y ms importante a la familia, toda entera. Empezando
por mi hermano, siempre a mi lado y ahora marcndome el camino a
seguir, por supuesto mis padres, que me han aportado todo el apoyo y la
confianza necesarios para poder afrontar esto tranquilamente, sin otras
preocupaciones, sin presin y apoyndome tambin en todo lo que han
considerado mejor para m aunque ello les cueste tenerme lejos. Y a todos
los dems, por estar siempre atentos y, aunque muchas veces no sepan
exactamente en qu estoy trabajando, interesarse por saber como me va.