Hashing을 이용한 Fundamental frequency 기반의 오디오 핑거프린트 검색에 관한 연구 :A Study on Searching Fundamental Frequency based Audio Fingerprint using Hashing

손희수

추천

검색

자료유형: 학위논문

저자정보: 손희수 (상명대학교, 상명대학교 일반대학원)

지도교수: 이석필

발행연도: 2020

저작권: 상명대학교 논문은 저작권에 의해 보호받습니다.

이용수2

이 논문의 연구 히스토리 (3)

2020

Hashing을 이용한 Fundamental frequency 기반의 오디오 핑거프린트 검색에 관한 연구

손희수 ; 2020.01 학위논문

2019

Fundamental frequency 기반의 불법 오디오 검출 방법에 관한 연구

손희수 , 이석필 정보 및 제어 논문집 2019.10 학술대회자료

Fundamental frequency 기반의 오디오 핑거프린팅 방법에 관한 연구

손희수 , 이석필 대한전기학회 학술대회 논문집 2019.07 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문에서는 오디오 데이터의 불법복제 여부 추적 성능을 강화하기 위하여 다양한 공격에 대하여 강인한 Audio fingerprinting 방법을 제안한다. 기존의 주파수 대역에서 생성된 오디오 핑거프린트의 취약점을 보강하여 fundamental frequency 대역에서 생성되는 새로운 오디오 핑거프린팅 방법을 소개한다. Fundamental frequency 대역의 특징 값들이 가지는 기하학적인 특성을 이용한 hashing 검색 기술이 유사도 계산 과정에서 이용된다. 검색과정에서 hashing 함수를 이용하는 경우, 검색 속도가 매우 개선된다는 장점이 있다. 실험을 통하여 동일한 audio fingerprint 정보를 이용하여 hashing 함수로 검색을 수행했을 때의 검색속도는 Pearson’s 상관점수를 통한 계산방법으로 검색을 수행했을 때 보다 약 23배가량 빨라진 것을 확인할 수 있다. 대부분의 audio fingerprint는 오디오의 주파수대역에서의 정보이다. 이러한 fingerprint 정보들은 피치 값이 변하는 공격이 적용되면 불규칙한 이동이 발생하여 audio fingerprint의 고유성을 잃게 될 수 있다. 반면에, fundamental frequency로부터 생성된 audio fingerprint정보는 피치 값이 변하는 공격이 적용되더라도 그 값들이 규칙적으로 이동된다. 본 논문에서는 특징 점들의 이러한 기하학적인 성질을 이용하여 피치 변경을 포함한 다양한 공격에도 고유성을 유지하는 오디오 핑거프린팅 방법을 제안한다. 또한 오디오 특징 값 전체의 변화가 일어나는 공격 이외에 특정 주파수 대역에만 변화를 발생시키는 공격들에 대한 강인함을 보강하기 위하여 오디오의 핑거프린트를 low frequency 대역과 high frequency 대역의 정보를 담고 있는 두 가지의 오디오 핑거프린트를 생성한다. 본 논문에서 제안된 알고리즘의 타당성을 증명하기 위하여 템포, 피치, 스피드 변경과 노이즈 삽입 그리고 low pass filter와 high pass filter가 적용되는 총 6가지 환경에서 실험을 진행한다. 기존의 방법과 비교하여 향상된 성능을 보이기 위해 위의 6가지 실험환경에서 이전 연구인 [2]와, 필터링 및 해싱검색을 적용하지 않은 방법[1] 사이에서의 성능 평가를 진행한다. 결과로는 대부분의 실험환경에서 제안된 오디오 핑거프린팅 방법은 다른 방법들과 비교하여 높은 성능을 기록한다. 특히 제안된 방법은 low pass filter가 적용된 환경에서 가장 월등하며, high pass filter가 적용된 환경에서는 필터링 및 해싱검색이 적용되지 않은 방법에 비해 높은 성능 향상이 나타난다.

To enhance the tracking performance of the illegal audio copy, this paper introduces a robust audio fingerprinting method for various attacks. A new audio fingerprinting method produced in the fundamental frequency band makes up for the weakness of existing audio fingerprinting method that is generated from the frequency domain. Using the geometrical property of proposed fingerprints, the hashing method is employed in the similarity calculation process. In case of using hash function in the search process, the search speed is very improved. The experiment shows that the searching speed of hashing function is improved around 23 times faster than that of the Pearson’s correlation score method. Most audio fingerprints are the information in the frequency band of audio. These fingerprint values might lose the uniqueness of the audio fingerprint by irregular movement when an attack with a pitch value changes. By contrast, audio fingerprint generated from the fundamental frequency is shifted regularly despite the change in a pitch value. In this paper, we propose an audio fingerprinting method that maintains uniqueness against various attacks including pitch modification using this geometric property of feature points. In addition, to reinforce the robustness of attacks generating changes only in specific frequency bands, two audio fingerprints containing information of low and high frequency band are produced in audio data. In order to prove the validity of proposed algorithm, we conduct experiments in six environments, including tempo, pitch, speed modification and noise addition, low pass filter and high pass filter. The improved performance of proposed algorithm is compared to that of two methods: The Quad-based method and the other method which is not applied both filtering and hashing. The proposed method shows the highest level of performance in most experimental environments. In particular, the current method outperforms the low pass filter environment, and shows a high performance improvement in the high pass filter applied environment compare to the method which is not applied both filtering and hashing.

#Illegal use #copy detection #audio fingerprinting #fundamental frequency map #spatial adaptive hashing

1. 서론 1
1.1 연구목적 1
1.2 관련연구 2
1.2.1 Shazam 2
1.2.2 필립스 3
1.2.3 Google 4
1.2.4 Quad-based 5
1.3 연구방법 6
2. FFMAP 기반 Audio fingerprinting 방법 7
2.1 기존 방법과 비교 9
2.2 주파수 대역 분리 11
2.3 오디오 특징 값 추출방법 15
2.4 FFMAP 16
2.5 오디오 인식 알고리즘 18
2.5.1 방법 간 계산속도 비교 25
3. 실험 26
3.1 실험환경 26
3.2 Tempo 변경 29
3.3 Pitch 변경 30
3.4 Speed 변경 31
3.5 Noise 삽입 32
3.5.1 Noise 삽입 32
3.5.2 Noise 삽입 및 speed 변경 33
3.6 Low pass filter 적용 35
3.7 High pass filter 적용 37
4. 결론 39
참고문헌 40
ABSTRACT 43

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)