音频自动分类中的特征分析和抽取

1、| 维普资讯 h ttp:/| 维普资讯 h ttp:/第班擋第H期2005年11月小型薇型计算机玉统 M1NI-MICRO SYSTEMSVq. 2 No+llNovt 2005| 维普资讯 h ttp:/| 维普资讯 h ttp:/音频自动分类中的特征分析和抽取白亮+老松杨，竦剑费-吴玲达（国防科技大学密探体研童中心，蘭削崔沙斗10073）E - nutl I xibpz? 163, comM 要：音頻特征分析养科取是皆頻自动令类的島础本文舟音痣对常分为特音憔晋，纯语音*带鴛量音语dH音乐等5姿肌 療星次柏枇屆冼上課入分析了不同类*锁之间的区削性特從.也括横层灰上的MFGL烦珈施畳，子带能

2、受"过家半+卯淆中它 爭特轻雄此墓玳上计算了段雇丈上的农車音頰特枉*包需静音比率，于带施童比均值#粳曲了 3个音理"流”肴程一High- ZCR It # t Low-Frequency-Energy 比 + t ft i* lit 量 it 计并实观了 一胖基 T JL#support vector machine的自奇分蠅«.<frT±it特征爼成的時征案停裡錶井荽卑中的令姿性能.宾验表期，本丈槌岀的特柜有楚*裁类枝能良好*关调t特征井桁和抽取；基干内容的音频分类¥支持向盘机中番分类号：TP316文就标识码tA文童壞号JOCK）J锂0

3、焙帅"11-旳四-MFeature Analysis and Extraction for Audio Automatic CjassificationBAI Liang,LAO Sang'yangtCHLN jLan-yun, WU Ling-dajRejmr*血 and Evtopmtnl Center 9 National Urt? varsity of ISrrnfr Tichnology 9 Changsha 410073 Cft/Hj)Abstract gFeature analysis and extraction Are the fanndatiion of

4、audio auLLtomatic classification R this paper divides audio into four classes t silence( noise» pure speech tSpeech with background and musics Audio features are analysed deeply in frame level and clip level t including MFCC frequency energyi sub-band energy t ZCR 打equency centroid »etc* m

5、 frame level and silence ratio« mean of suib-band energy ratio tetcP in clip level - Three 合udio flux featuresHigh-ZCR ratio¥ Low-frequency-emergy ratiQ t spectrum flux are proposed Th聽ir performances are evaluated in a SVM-based audio classifier tht is realized in this paper. The experiin

6、jent results show that the features selected are effective for audio classification« and the classification accuracy ik good.Key words3feature analysis and extractioni conteni-based audio classification« support vector machine| 维普资讯 h ttp:/1引喜音频的非语义特号表示和无第构化组塩的特点阻碍了音 頻应用的发展，因此如何提啟音频中的结构化信息

7、和内容语 义便得无序的音頻数据变得有序是解决问题的关鑼“音频 自动分类是解决这一同题的重要手段，是当前基于内容的音 频分析和禺索领城中的一个研究的热点.传统的音頻分类主聲是采用基于规则的层决分类方 法卩匕即誓一歩根据一种咸若几种音频特征及其闵值判足音 频翫属的类别但是，层次分类方袪存在口下缺点，<1）只能劃画音频的均值和方差馨静垂址计特性*而音 频信号持征通常具有时间魏计特性.<2）决第规则和搜盍呱序井不一定是最优的.<3）上层的决策错溟盘积累到下一展而晤範雪球”竝 应.<4）分类溟差大且需薑人的先验知识和试脸分析，比如 瞬值的确崖.SVM擅任统计学习理论基础上发展起来

8、的一种新的机 器学习方摄皿它可吕克服基于规则的层次分类方法的上述 陕点囲此、本文提岀了一种基于SVM的音频分类方袪，分 类对象是规语音带背景音的语音音乐静音噪音.为此本 文考察了这几类音频的区别性特征井且根据音频短时处理 技术的理论和人耳听觉待性分别分祈了帕层祝上的音频特 征和段层战上的音频特征*段层衣上音频挣征足在帕层次特 征的基础上忡算轉到的、抽氏通常是髦秒级的*在如此短的时 闾内人耳几乎无涨分辨出音频类别而段檢通常是秒级的，从 人耳听觉特性来讲*更能够反映不同娄音频的听噓特性*木丈 以段层武特征构遗祷征集分析了它们在基于SVM分类器 中的表理“2音频特征分析音频特征分析在音频自动分类中朋

9、选取的特征应该能 够充分表禾音频频域和时域的重要井类特性*对环境的改娈 具有棒性和一般性*| 维普资讯 h ttp:/| 维普资讯 h ttp:/收WfSJW 12004-05-21峯金项目載育部新世圮优堯人才支撑期目.柞君简介：B ?E.,1978年生*硕七研究生，主要研究方向为音频 并类分割和基于内容的音频倍也检弟】强松翼男19舒年生.救崔主要硏究方向为站于内容的舉碟休值息摊漏】陈劇皓，女 Wd年生.博上研 究生*主要研究方向为視频内容分靳、段頻抽雷i異琲址+立.19鴉年生.戦授*暉士生导肺，主要研究方向为驀于内容的審煤体偿息植家和虐拟现 真技术'| 维普资讯 h ttp:/200

10、5 年2030c3(100并计算各子带能址的分布.计算艺同时频域能量也垦区分音乐和静音的有效特征.通常小型微型计算机系统囲】一国语音的頻域能It谐I21»G # It (band width)带宽是術it音频频域范围的摘标”一殿的*语音的带宽范 围在0. 3KHz-3. iKHi左右.而音乐的带寵龍围比较宽，在一段沼音的肌r图2语音/音乐議r團特征提取前，需要对嫖始音痣数据采样频率为睥 050kHz»S处理：首先对原始音频信号樹预加重(re-empha- 陀阴)处理.続少尖挠嗓音声影响.提升高频信号庐(昉为原 始信号飪理后信号y(n)tjf(fl) 数*工(”-1)tl)参

11、数邇常取&聽或0. 97.然后将咅频分割为lOOOmsQZMCi 个釆样)的片威+相邻片段间无重聲部甘*衽对毎亍片段加 23ms的hamming曲形睨帧.榨辅恆间有11，5血 的亶叠部 分.2.1 基(frame)的音频特证帧是我们辿理的音频信号曲最小单位*ii算出每一戦的 特征值然后在此基础上计算出片段层次上的特征值通常庄 帧层次上有U下几种典型的音腰特征.2. 1. 1 MFCC(Mel-frequency central coefficients)MFCC魁在Mel标度頻率域提取出来得倒谱尊数.Mtl 标度描述了人耳对频率感知的非线性特性.MFCC是语音识 别和说话人识别中十仃重

12、要的特征+ MFCC用在音频分类中 也有很好的效集可以提高音频分类的辖度"汁算步烫如 下：(1) til Hanimine窗"减少Jibhn效应* (釆用繭处理中的 结M)*S(n)是加窗后信号.m 对进行DFT变换，把DFT得到的频谱系数用序列三弟濾渡器进行滤 波蛙理*碍到一组泵數ml ,m2，ni3*'+,利用DCT求得倒谱泵数.2- 1- 2 频脱能(frequency energy)频域能量定史如下：E=kg(jT IFCW)!4)(2)尸血悬逆桢的FFT变换系数，処铮于釆样頻率的一半. 利用频域能盘E来判斷静音楓如果某一抽的釁域能杲.整于I®值，

13、則将该軾标记为静音桢.否则为非备音祯."荷的频率上*既燃高频率廉味豊有高的过零率*低.频率產味若 有低的过零率那么，在过零率和能莹的频率分布之间就有很 强的相关关系，合理的归纳来说语音信号是清音过零率高, 语音信号是浊音过零率低”所以对语音信号来说它的过零 率的变化要比音乐大如田2. ZCR擅比较常用的音频特 征心气2, 1. 5 Jffi f (frequency centroid)厠率中心是度fit音频亮度(hrightne)的插标一般的* 音乐的频率中心比语音要高.计算方社如式(时：FA :曲QJ式如式T"寺匕F3!仏Lj和Hj为子带的上下边界频率.不岡类型的咅频，其

14、能量在 各牛子带区间的分布有所不眞.音乐的频域能fit在上述孑个 子带区洵的分布比较均匀；而语音中*能ft主要集中庄第。个 子帶，豹有列蚪以上，如国1所示.2. L 1过零準在离敵时何信号悄况下.相邻的抽样具有不同的代数符 号就称发生了过零.过零率魁描述过零的速度，是信号频率债 的一牛简单的度量*计算公茨如式人Mm)为藹載音频信号通常语膏信号是由发音的音节和不 发音的音节交替组成，音乐没有这种結构.语音产生摸型表 朋由于声门渡引起了谱的高频跌霜所以浊音语音能量约集 中在3kH；W下，煞而对于清音语音.多数能量却是出现在较语音中吉冇比音乐中翌爭的静音因而.审青的频與能量变比 要比音乐中的大很雾.

15、'盒】再于带能童比将频域划分为4个子带，分则为Q，叫兀%/氛/4丄气/4 *£/2 *| 维普资讯 h ttp:/期BW语音/音乐LFER图(11)7022. 05KHz左右，计算公式如式(Gh(cm-FC)1 |F(w) I1 虹xGiO是输人的离散音频信号冲fm)是窗函数,L是窗按+ K 是鳶愼忖立叶礎换的阶数,N是片段中音频愼数，由于语音信 号由清音和桂音交替构成所以语音倍号的SF值幣大于音 乐荷号.因而该特证可出有效的区别语音和音乐，如图5所 示,0-160秒是-段语音.160-S20秒是段音乐，白亮黑：音频自动分类中的特征分析和抽取与音乐信号榷比.语音信号中皆有逐多

16、的静音祯.因此* 语音佶号中频城能備低于某个風值的祯所占的比率耍高于音 乐信号，如图4所示(亦】甜秒悝的语音和音乐基于此可且 定义特征LFER,遠里闹值取一个片段中各桢頻城能平脚 值的0.5倍，诒育信号过零率高于某个高2口？值的帧所占的比例高于音 乐信号+如图3所示【駁丄曲秒长的语音和音乐人这里取这个 ZCR值为一个片段中ZCR平均值的1, 5借.则本文定丈特征 HZCRR如下:文厭DG研究表明.湾音可以认为量随机燥声濒励一个线 性时不嗖靈统产生的，而険音可以认为是一种准周期禅击串 撤励一个圾性时不变萊址产生的+二者的基音周期会有显着10 20 30 JO ?0«7C 帥就ICO I

17、IUI20130140150血1祁 B0 clip 山dcx图3陪音/音乐HZCRR ffiJ： F(cy) | J duf2- 1. 7Jt-#1# (pirch frequency)基音頻率是衢音调高低的单位本文中越音频率采用 中心消拳数为山加)短时自柑关函数的渡峰检测算祛计HZCRR = ZCsgn(ZCR<nM，vZCR>+lN为一个片段中«SK>ZCR(n)是第n輒的过零率，2* 2 5 Low Frequency Energy 比率2-2 It于片段Slip)的音頻特征根据上面廿算的7类輔昙次的基本特征可以卄算片段 层次上药特征.2, 2, 1 带音比倒

18、(silence ratio)如果-祯的频域能危E小于阀值，则认为谨帳为静音 帧*否刚为非静音fct宦規山例一片段中静音辄的数目fT静音如-片段中軸的总敎语音中一般会翘常有停顿的地方*所以其静音比例会比 音乐高"2.2.2子帝能責比麹俚子带能*比定丈为各子带能与频城总能的比值.在 此基础上求片段中各軾子带能童比的均值.诱特征在很多研 究工作中被使用A，偏.2.2.3 帶寬均隹和频谱中心妁值二者分别定义为片段中各赖的带宽均值和亮度均僵.2.2.4 High ZCR Jt#幅据上面对2CR特征的分析，在一个音节中语音由清音 和浊青交善构雀，而音乐不具有这种結构因此”对于语音信 号，其过零

19、率的变化率要高于音乐信号也就是说一个片段中I W-1EFEK=击三|卯(0. 5mE-EG0+1(91N为一个片段中ttfe-ECn)是第n牺的頻与能最.2.2,6顿瑞确频谐流就企义为一个片段中，相郸阿祯之间频倦变化童 的均值丽计算&武如下；F/xr 1WJl r：X £ SDog?l(n)-lagA(fi-1)3J(10)jv-1f «-U-l其中，100200 3fl0 4fld 500dip index图5锻音/音乐験谱流图| 维普资讯 h ttp:/| 维普资讯 h ttp:/2032小型徽型计算机系统| 维普资讯 h ttp:/(12)不同.所以语音的基音

20、频率曲线应该呈现高低帯落，谐成分 所占的比例小而音簸不具有语音的这种结构常会出现一些 基音周期比较平滑的音频段据就，下列几个持征可H有效的 区井语音和音乐.2,2.7 基音锁卓标准才JL个片战中，基音频率的标准方羞衡童基音频率的壹化 范0B大小.2. 2. & 和诸塵定义一个片段中基音频率不蒔于0的帧数所占的比例大 小为利谐度'比例大和谐度高2,2. 9 平滑扯音比若第i帧的基音频率不聲于4并且其与第i-1帧的基音 福率基值小于一圭的阑值.则第1軾为基音平滑赖一个片段 中平滑祯的数目与其中基音频率大于0的总帧数之比为平構 基音比*2.3特征舉的构造粮据上述的特征分析，可以枸适音

21、频分类的待征集合由 于不同音频特征的值有很大的差别斯以进行归一化业理t j/ =为均值*6为方差由于MFCC归一化址理后的实验结果不理搓，所且对MFCC 不懺归一化处理，对一个片段中的各軾卄算12螞MFCC系 数然岳在片段内对备维莊平均值+作为谨片段的MFCC特 征值这样由13维段展次的基本待证加上12维MFCC特征 值组成25维的特征向蛊握，作为SVM分类器的捕人.3基干支持向机梧¥M)的分类器3.1 SVM 3*3支持向議机的原理是用分类辭平面将空间中两类样本点 正瞒分离并取得堆大边缘疋样卒与负祥車列超平面的最小 距离狞L该问题町归结为一个二欧型方程求解囱題:叭其散 学形式为：M

22、inimis仙3*站+时"r= 1J范数履小的满足约朿的艸就是最忧分类超平面的挂向量.目 标函数是严格上凹的二衣型、约東歯数垦下凹的这是一个严 格凸规划“按龍履优化理论中凸二次规划的解耗'可以转化肯Wolfe对偶问題来求解；* 1 *Mnunizt WCe)= 迟&-百 壬也码量孑卡，* X,4 L £ T头h迟町M=o暫鼻。(13)i«其中是样本点&的Lagrange乘子.根据Kuhn-Tunker条 件无敢妁束所对应的Lasrang 子为m分类规则就仅由 恰好在超平面边缥上的少数支持向除决定而与其它样+无 关.对于线性不可分问理+则将其

23、映射到一个烏维空间中*在 该空间申线性可分井且线性判抉只需裡高维空间中进行内 积运算甚至不捕要知道采用的非线性蜜换的解武*所以避开 了离维变化计算何题使问题丸大简化.捷据HilbertSchmidt 原理*只要一种运算满足Mercer条件、就可以作为内积函数 便用.目前常用的内积函数主要有】cn参项式内軌函籃，(2)径向基内积雷数”KGnW = gxp-号护CIS)Sigmoid内积曲数K Cxi>) =tanli-w(x yJ+f(16)根据不同的分类问题可以透用不同的械函戳*但目前还投有 一个对辂定何虺选择巌隹核函数的有效方袪”3.2 MSVM的分类器的设计本丈中将音爛片段分为5类：

24、静音嗓音，音乐+纯语音和 带背景音的语音首先选取能童和辺爭率特征”利用基于规则 的分类方法识别出静音和噪音片段.静音的识别規则枷下*'avEEfhr,Aeii/avZCR为该片段所有音频辄ZCR的均值，的E为谨片段所有 音频抽频域能龙均值.崗时溝足上述两个规则則认为潼片段 为静晋片段.本文中认为噪音是不包含任何语义内客的育频片段礫 音的识别方袪如下：噪声的来源取决于实际的应用环境宽带 噪声是比较普遍的一类噪声.其来源很爭*热噪声、流(如 凤、呼吸身)嘴声&各种随机曉声源基在频城上与语音中的 辅音撇谱相眦.宽带嘯声的ZCR很高*这是因为其离频分it 的能较大'在时城上表现

25、为信号比较杂乱无规律其胞 谱在较怏的时间内f 一般大于為)喳化较小本文空要考虑宽 带噪声.噪声的判别主要挾据ZCR和萌星瞎*捷判新规则如 下t 对 Y< A ZC/?t > bt)屮时V 加阳*甜我中、N为此段的祯® s ZCR.報示该片段中第軾的 ZCRP此段的能址方差5卄是噪声能童方蔭的歸 值.構足上述两个规则，则谏片段是嗪音片段.燃后对于非静音利非噪音片段采用SVM甘类器进行 分类、首先构造SVM1区分出育乐和语音片戟.然后构造 SVM2对语音片段识别*区分出纯语育和带有背景音的语音. 本文训练2个槿向基圈数核支持向量机作为音乐*纯语音和 带背量音的语音的自动井类器

26、，軽向基碣貌摩数Q选樺为 10.4实验结果和分析试验音频数据来源于CCTV-5博育新闻节目广告节 目的音席内容和CD音乐，采样睾是22,050KHz.ffiJt 16 存储務武为wav |»式*时间快度为lOOmim特征提取后共得 片段序列总数GOOO.M中静音片段528,1%音14百，音乐2480, 纯语音1克&带背It音的语音11汕.分类的准确度采用分类11期白 亮峥匸音频自动分类中的特征分析和抽联2033箱度(accur&cy)来衡:分类精度=(17)41»音和曇音的识别本文中+静音和噪音采用基于规则的分类方睦宾验设计 如下*对全部片段样本嶺辭音和嘴音

27、的域值判断*记录正确分 类數*谋分类数(不是静音但判断成静音的片段数)井计算分 类精度实验结果如表1所示.« 1静音、哩音分类结果righterror Accuracy静音S084796,J1音94対64,3从试验中可看到*潇音的识别准确車很高，康因是静音 的区别性特征一能椚对于其他类别音频大小区别明显所 取识别准确率高，出现溟分类的情况主要是由于在一个片段 中即包含静音和又包含菇他的音频类别+所以其能均值可 能也很小.对此可以通过挖小能判断域值的方法解决+表2音乐/语音分类结果训塚宴支持向数鷹试築并类棒匱试验12280317304 E94.5%试矍233003电2Z0Z60乐丁贻试

28、鲨345353897S137,1%対于噪音的说别准确率不尽人竜，分析原因是不同音频 类别中出现的嗓音源不尽相同*所以其燥音的时癩特性也不 一样，采用单一的屈值判断缺艺普适性，因而试验中噪音判断 的准确率低，同时澳识率高,所以爍音的识别不宜于采用基于 規剧的方袪.4.2音乐，炖语音珈常井量音语青的识别分别训练2个SVM分类器识别音乐纯语音和带背景 音曲语音，宾验设计从所有样本向量中屈机选耽一罡数jt的 样本向量作为训练样本其它的作为側试样本橄三欢试验. 每次塔加一宦歎样本到圳练集中*试验结果如表氛表3所 示ft 3纯语音/带背的分类站果训嫌集玄持向数测试集试验1ieao17911GC9S. 2%

29、试验卑212724671995. 3J4试验32500259珈9S. 1%从试验中可以看到，支持向机分类器曲分类准确率很 高，音乐/语音分类精度平均可以达到95, 纯语音/带普 景音的隔音分类精度平均达到94+(5%,同时也验证了年文提 耽的特征第的有效性.4.3特征有爺性幷析本文在典型的戦层嵐上的特征提取的基魁上计算并提取 了 9类段层就上的音频特征.其中MFCC.WF比例*子带能 量比带覽均值频谱中心均值是大部分文就中比较常用的基 本音駅特征JICBase昭t),結合文獻4对语音捷音机理的研 究所提出来的基音频率标惟方差，和谐度，平滑基音比3类特 征刻画了不同类型音齟墓音周期的礎化特性，述

30、里称为基音 粹征集(BasePeriod註t)，同时分析不同音般时频域特征在整 牛音频流上的曬化特性*本文提出了 High ZCR比率 Frequency Energy比率"離谱瞬却个特征，称为流特征集 (Flux昶小.为了验证本文选取的特征宾的有效性"取不同的 特征II组合来进行实验分析，试验结果如表4所示+«4特征有敦性分析试验結果B setB sen-BPB set 十F seiBsei+AN音曲/语音 規谄音f帯 背K音语音99. 192. 7( + 5.1)93. K + 4. 3).4( + 8. 1)0L3(+£. 2)96. 3<

31、+40.0)94.2C+S.1)从上页的实蟹结果可以看出：基本特征集对于这三类音 频的识别具有一楚的有效性和推确性*加人基音周钢特征養 后，对语音/音乐和施语音/带背量音语音的识别穡确度都有 大甫度的提高分别提高了& 4和4.2个百分点说崩了对语 音产生模型殳析而提出的这3个特征的合理性和有效性加 人流特征集后，对音乐/语音分类穡确度影瞩開显，有大幅度 提高一£ 1个百井点原因是音乐和涪音的过零率能量频 谱尊特征左时间轴上变化程度医别徂大.所取这3个特征可 以有效的促甘语音和音乐同时述发现'对纯语音和带背量音 语音的识别流特征敘果不明显，稱确度貝提高了 2/个百分 点

32、，说明带背景音语音与规语音时频城特征査化幅度濫区别 不显著】全特征套药识别精确度分别达到了 96- 和94. 2%，说明了本文选取的特征集合理、冇效.伺时，为了分析MFCC阶数対佥类结果的老响*本文分 别提凰了 0阶MFCC与其他特征组成特征蹩进 行分类试验，试验编果如表帝所示.表5不同阶MFCC粹征试验结果分类帝崖t%)MFCC izvtMFCCMFCC3Q加MFCC40防95.8瞪】畑&埔语音/带背11音语音94,94+794. 294.9从试验结果可以看到随着MFCC阶数的划加音乐/语 音的分类精度有一定程度相应的提高这与文献4得列的结 论相同.原因是髙阶的M

33、FCC特征更好的刻型了音频的谐 度，而谐度是区分音乐和皓音的有效特征*闲而提髙MFCC 阶蠱*音乐/语音的分类稱度会提高；同时发现,城语音/带背 量音语音的分类精度无明显哑化*说明高RMFCC对二者区 别性不显著，5结论音频自动分类是稱决音頻站构优问题和提取音頻结构化 倍息和內容语文的关键是当前基于内容的音频分析领城中 一亍研兗热点在音频栓索视频摘要和辅助视爛分析尊方面 都有重要的应用忻僅.本文将音頻幷为静音.嗥音-音乐、炖语I维普资讯http:/www.cqW2034小型微型计算机系统2005 年音和帶背倉音的语音5襄分析了不同类音麴的在帧层次上 和段层次上的区别性特址根据音頻淤时频城特征变

34、化待性+ 提出了 High 2CR比率丄网Energy比率頓it就$个音膜 乂流"特征煤合考察了不同特征瘵在®TSVM分类器中的 分类性能和精确度.iilMFCC阶数对井莞性能的影响试 验结果丧明本文选取的特征有效合理+分类性能良好一未来的研究方向应放在两个方面'一牛是嗓音识别从试 验中可且看到丫本文的方法对曉音的识别敷果不好，如何針对 不同音殿环境下噪音的特性提取区别性特征来识别桌音是未 来工作的一个亶点另一个方面音赫中除了语音和音乐外还 有其他一些含有直耍语文的音頻类剧，比如一些典型的环境 声音如雨声，先通工具声，检炮声畔畔，这些声音对于我们理 解音频内容也有重

35、要的作用如何分析井提取这些类别声音 的区别性特征并进行分类识别也是未来要进一步研兖的一个 賣点*KefereiKes:1 Hac JianT Tony Lin* Hangji&n Zh&njL Videa segmentaiionwith the support cf Audio flCRcinenTAiion And tlaAificatian1 n ； Proceedings of LCME*2000-lEEE Tnt建rnaticmal Conferenct an MultknediA And Expo,忡*w YorkkJ000,3:1507*1510.2 Tong E

36、h岂ng+ C. Jay Kua. Fhuristic Approach far generic audio data ementauon and annatationCj.【ruProtMd吨m of the 7 ih ACM Internalional Conferencf an MultiHidia* Orlando* 1999,fi7-73： Kavithj Srinivanni Drngntin Petkovic, Dulce Ponctleon. To warda rcbuMt r« At urea fur cEassifying udto in the cudfi Vi

37、deo sya- tEtnC： IniPnxztedi-ngK of the 7 th ACM International Con锂 ence on Multirr#diA T QrlAndc t1999 »393-400.4 Lu Jiift* l-htn Yisditgh Sun Zhenxing et aL Feature aiulynis(©t Bpewh/muEW： mtomatie ：laA9ific»tk)n . J Journal o( Computer-Aidtd Design & CdirLpmer GrAphic&t 2QO3+ 14 (3 ) f 23S- 237.L 5 J Vapnik V. The naiurc at Btatiatic&l I earning theory M. New York； Springer-Vtrlas. 1995.r