風のノイズを検出する

Question

私はオーディオストリームに応じて風を検出するためのアプリケーションを開発したいと思います。
ガイドラインやリンクを教えてもらうための専門家の意見が必要ですが、これは簡単な作業ではありませんが、私はここで多くの努力をするつもりです。

ストリームの一般的なパターンを検出する予定です。この値が風のノイズの一般的なパターンに近い場合は、値が既知のパターンに近い場合は一致を検出します値がパターンと一致しない場合

....その後、私はそんなに風が何もありだと思いません、風が検出されたことを確認することができます

最初は私の計画ですが、私はどのようにこのことを学ぶ必要があること物事は終わった。開いているプロジェクトがありますか？または、このトピックに関する研究をしている人がいますか？

私がこのフォーラムに書き込む理由は、私はそれをGoogleに知らないので、見つけたものは私が探していたものではなかったからです。私は本当にこの種のアルゴリズムの開発を始める方法を知らない。

EDIT 1：
私は風を記録しようとした、と私は私のために保存した音声ファイルを開いたときには、数字のちょうど束だった:)。私はどのフォーマットでこれを保存すべきか見ていない、十分に良い波ですか？私は何か他のものを使うべきですか、またはmp3の風雑音のオーディオファイルを変換するとどうなりますか？これは解析に役立つでしょうか？

私は多くの疑問がありました。これは、この種のトピックについての詳細をどこから読んでいるかわからないからです。私はguidlinesで私の質問にタグを付けるので、誰かが私を助けることを願っています。

が検出可能である何かがなければならない、風ノイズが非常に一般的である引き起こし、これを検出するために何らかの形で存在しなければならない、我々は、このトピックに精通しているだけで私にヒントを与えるために誰か、誰かを必要としています。

Answer 1

問題の科学は「パターン分類」と呼ばれ、特に「音声パターン分類」のサブフィールドです。この課題は、録音を2つのクラス（風と風ではない）に分類することで抽象化されています。あなたはまだ信号処理に強い背景を持っていないようですので、私は1つの中心的な警告を挿入してみましょう： パターン分類は最初に見えるほど簡単ではありません。人間はパターン分類に優れています。コンピュータはそうではありません。

良い最初のアプローチは、あなたの信号およびサンプルのフーリエ変換の相関を計算することが多いです。しかし、風速にどれだけ依存するかはわかりません。

あなたはそれが周囲の騒音を分類するために成功裏に使用された、bag-of-framesアプローチを見を持っている場合があります。

Answer 2

これはオーディオパターンの分類の例です。風のため

主な特徴：これは、成形（濾過バンド/ HP）振幅およびピッチの小さな半ランダムな変動を有する白色ノイズです。少なくとも、それはほとんどのシンセサイザーがそれを再現する方法であり、かなり説得力があるように思えます。

スペクトルコンテンツを確認して、wavefileを変更する必要がありますので、FFTが必要です。入力形式は重要ではありませんが、明らかに原材料（wav）が優れています。

あなたはそれが有色雑音のいくつかの種類に近いだことを検出し、その後、おそらくピッチと振幅のシリーズを抽出し、そのデータ・セットのための古典的なパターン分類アルゴリズムを使用しようとすべきであるということだたら。私は監督下の学習がここで働くことができると思います。

Answer 3

私は最近、この記事に出会った。私は最近、録音の風雑音を検出できるライブラリを作った。

私は風の騒音のモデルを作成し、例のデータベースを作成し、機械学習アルゴリズムを訓練して、知覚的に重み付けされた風のレベルを検出して測定しました。

C++/C code is here誰にでも使えば！

Answer 4

これは実際に解決するのが難しい問題です。

マイクデータが1つしかないと仮定すると、です。オーディオファイル（時間領域信号）を開いたときに取得する生データには、この種の処理のための情報はありませんが、それほど多くはありません。 FFTを使用して周波数領域に入り、周波数ビンの統計を調べ、それを使用してSVMまたはランダムフォレストを使用する分類子を構築する必要があります。

@ Karoly-Horvathを尊重して、mp3などの圧縮された録音は使用しません。オーディオ圧縮アルゴリズムは、より高い周波数を常に歪ませます。これは明らかに風を検出する重要な機能です。可能であれば、生のPCMデータをマイクから取得します。 レコーディングが少なくとも24kHzでサンプリングされていることを確認して、信号の情報が最大12kHzになるようにする必要があります。

最後に、周波数領域の風の形状は、単純なフィルタリングされた白色ノイズではありません。その特徴は、通常、高周波数では、剪断音と羽ばたき音との低周波数（轟音タイプの音）のエネルギーが高いことである。 高周波エネルギーは非常に過渡的です。したがって、FFTサイズが大きすぎると、この重要な機能が失われます。

2つのマイクデータをお持ちの場合、これは少し楽になります。風が記録されると、風が局所的な現象です。確かに、録音では、葉のささやきや風によるチャイムの音を聞くことができます。しかし、それは風雑音ではなく、除外すべきではありません。

録音中に実際に聞こえる風の騒音は、マイクの膜に空気が当たっていることです。その効果はローカルイベントであり、2つのマイクがあれば悪用される可能性があります。このイベントは個々のマイクにローカルであり、他のマイクと相関がないため、悪用される可能性があります。もちろん、2つのマイクがお互いの関係に置かれている場所も重要です。彼らはお互いにかなり接近していなければなりません（例えば、8インチ以内）。

時間領域correlationを使用して、風雑音の存在を判定することができます。 （マイクはお互いにかなり近いので、録音された他の音は互いに関連しているため、相関が高いということは風がなく、相関が低いということは風を意味する）。このアプローチでは、入力オーディオファイルを解凍する必要はありません。合理的な圧縮アルゴリズムはこれに影響しません。

この概要が役立つことを願っています。