Algorithms in Signal Processors Audio and Video ... laryngeal sound source. The muscles of the larynx

  • View
    0

  • Download
    0

Embed Size (px)

Text of Algorithms in Signal Processors Audio and Video ... laryngeal sound source. The muscles of the...

  • Algorithms in Signal Processors

    Audio and Video Applications

    2010

    DSP Project Course using

    Texas Instruments TMS320C6713 DSK and TMS320DM6437

    Dept. of Electrical and Information Technology, Lund University, Sweden

    i

  • ii

  • Contents

    I Speech Recognition Divyesh V. Vaghani, Farhan Ahmed Khan 1

    1 Voice Generation in Human Body 2

    2 Introduction 2

    3 How To Recognize The Speech 3 3.1 Voice Detector . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3.2 Autocorrelation . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3.3 Pitch Detector . . . . . . . . . . . . . . . . . . . . . . . . . . 4

    4 FLOW CHART 4

    5 DESIGN COMPONENTS 7

    II Speech Recognition Dan Liu, Hongwan Qin, Ziyang Li, Zhonghua Wang 11

    1 Introduction 12

    2 The algorithm 12 2.1 Speech Recognition System . . . . . . . . . . . . . . . . . . . 12

    2.1.1 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . 12 2.1.2 Feature extraction . . . . . . . . . . . . . . . . . . . . 13 2.1.3 Reference creation . . . . . . . . . . . . . . . . . . . . 13

    2.2 Speech Recognition algorithm . . . . . . . . . . . . . . . . . . 13 2.2.1 Partition and Pre-emphasis . . . . . . . . . . . . . . . 13 2.2.2 Detector . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2.3 Autocorrelation . . . . . . . . . . . . . . . . . . . . . . 14 2.2.4 Schur recursion . . . . . . . . . . . . . . . . . . . . . . 14 2.2.5 Comparison . . . . . . . . . . . . . . . . . . . . . . . . 15

    3 How to realize the whole speech recognition 15 3.1 MatLab Implementation . . . . . . . . . . . . . . . . . . . . . 16 3.2 DSP implementation . . . . . . . . . . . . . . . . . . . . . . . 16

    4 The problem and solution 16

    5 The conclusions 17

    iii

  • III MIDI Synthesizer Nauman Hafeez, Waqas Shafiq 21

    1 Inroduction 22

    2 Description 22 2.1 MIDI Standard . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Envelop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

    2.2.1 ADSR . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

    3 Synthesis Techniques 25 3.1 FM Synthesis . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.2 Additive Synthesis . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 Subtractive Synthesis . . . . . . . . . . . . . . . . . . . . . . . 32 3.4 Wavetable Synthesis . . . . . . . . . . . . . . . . . . . . . . . 32

    4 Implementation 32

    5 Conclusion 33

    IV Pitch Estimation Aravind K Annavaram V, Mohammed Azher Ali, Mirza Jameel Baig, Surendra Reddy U 35

    1 Introduction 36

    2 Different methods of pitch estimation 36 2.1 Time-domain approaches: . . . . . . . . . . . . . . . . . . . . 36 2.2 Frequency-domain approaches: . . . . . . . . . . . . . . . . . 37

    3 Cepstrum analysis 37

    4 The Cepstrum algorithm Implementation 39 4.1 The MatLab algorithm . . . . . . . . . . . . . . . . . . . . . 39 4.2 Observations . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3 Algorithm for the DSP . . . . . . . . . . . . . . . . . . . . . 39 4.4 FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.5 Absolute And Logarithm Function . . . . . . . . . . . . . . . 40 4.6 IFFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.7 Maximum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.8 Pitch Estimation . . . . . . . . . . . . . . . . . . . . . . . . . 41

    5 Simulation Results 41

    6 Problems encountered 43

    iv

  • 7 Conclusion 43

    V Video processing Bilgin Can, Ma Ling, Lu Fei 45

    1 Introduction 46

    2 Object detection 46 2.1 Moving object location . . . . . . . . . . . . . . . . . . . . . . 47

    2.1.1 Image differential . . . . . . . . . . . . . . . . . . . . . 47 2.1.2 Noise reducing . . . . . . . . . . . . . . . . . . . . . . 47 2.1.3 Other optimizations . . . . . . . . . . . . . . . . . . . 47

    2.2 Edge detection . . . . . . . . . . . . . . . . . . . . . . . . . . 48 2.2.1 Canny edge detection . . . . . . . . . . . . . . . . . . 48 2.2.2 Canny implementation in real time system . . . . . . 49

    2.3 Summary for object detection . . . . . . . . . . . . . . . . . . 50

    3 Object identification 50 3.1 The three categories’ features . . . . . . . . . . . . . . . . . . 50 3.2 Classification implementation in real time system . . . . . . . 50 3.3 Summary for object identification . . . . . . . . . . . . . . . . 51

    4 Result assessment 51 4.1 Evaluation for object detection and classification . . . . . . . 51 4.2 Performance analysis for real time system . . . . . . . . . . . 52 4.3 Assessment summary . . . . . . . . . . . . . . . . . . . . . . . 52

    5 Conclusion and further work 52

    VI Video Processing - Light Saber Kashif, Raheleh, Shakir, Vineel 57

    1 Introduction 58 1.1 Development Kit . . . . . . . . . . . . . . . . . . . . . . . . . 58 1.2 MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 1.3 Code Composer Studio . . . . . . . . . . . . . . . . . . . . . . 58

    2 Background 58 2.1 Chroma Key . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 2.2 Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 2.3 PAL System . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 2.4 Color space representaion . . . . . . . . . . . . . . . . . . . . 59

    v

  • 3 Implementation 59 3.1 MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 3.2 Code Composer Studio . . . . . . . . . . . . . . . . . . . . . . 61

    4 Simulation results 61

    5 Conclusion and Future work 61

    VII Reverberation Syed Zaki Uddin, Farooq Anwar, Mohammed Abdul Aziz, Kazi Asifuzzaman 65

    1 Introduction 66 1.1 Introduction to Reverberation . . . . . . . . . . . . . . . . . . 66 1.2 Characteristics of Reverberation . . . . . . . . . . . . . . . . 66 1.3 Simulation of Reverberation . . . . . . . . . . . . . . . . . . . 67

    2 Reverberator types 67 2.1 Reverberation Chamber . . . . . . . . . . . . . . . . . . . . . 67 2.2 Plate Reverberator . . . . . . . . . . . . . . . . . . . . . . . . 67 2.3 Spring Reverberator . . . . . . . . . . . . . . . . . . . . . . . 68 2.4 Digital Reverberator . . . . . . . . . . . . . . . . . . . . . . . 68

    3 Reverberation Modeling 68 3.1 Impulse Response . . . . . . . . . . . . . . . . . . . . . . . . . 68 3.2 Early Reflection Modeling . . . . . . . . . . . . . . . . . . . . 69 3.3 Late Reflection Modeling . . . . . . . . . . . . . . . . . . . . 69 3.4 Reverberation Algorithms . . . . . . . . . . . . . . . . . . . . 69

    3.4.1 Shroeder Algorithm . . . . . . . . . . . . . . . . . . . 69 3.4.2 Moorer Algorithm . . . . . . . . . . . . . . . . . . . . 69 3.4.3 Gardner Algorithm . . . . . . . . . . . . . . . . . . . . 70 3.4.4 Dattoro Algorithm . . . . . . . . . . . . . . . . . . . . 70 3.4.5 Jot Algorithm . . . . . . . . . . . . . . . . . . . . . . . 70

    4 Reverberator Design 70 4.1 Jot Reverberation Algorithm . . . . . . . . . . . . . . . . . . 70 4.2 Coefficients calculation . . . . . . . . . . . . . . . . . . . . . . 70

    4.2.1 Modal Density (Dm(f)) . . . . . . . . . . . . . . . . . 72 4.2.2 Frequency and Time Density . . . . . . . . . . . . . . 72 4.2.3 Echo Density (De) . . . . . . . . . . . . . . . . . . . . 72 4.2.4 Energy Decay Curve(EDC) . . . . . . . . . . . . . . . 72 4.2.5 Reverberation Time (Tr) . . . . . . . . . . . . . . . . 72 4.2.6 Energy Decay Relief (EDR) . . . . . . . . . . . . . . . 73

    4.3 Designing Jot Reverberator . . . . . . . . . . . . . . . . . . . 73 4.3.1 Delay Length (M) . . . . . . . . . . . . . . . . . . . . 73

    vi

  • 4.3.2 First order low pass Filter H(i) . . . . . . . . . . . . . 74 4.3.3 Effects of Matrix B and C . . . . . . . . . . . . . . . . 74 4.3.4 Tonal Correction Filter . . . . . . . . . . . . . . . . . 75

    5 Realtime Reverbaration Implementation 75 5.1 Implementation Model . . . . . . . . . . . . . . . . . . . . . . 75 5.2 CBUFF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 5.3 H(z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 5.4 A Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 5.5 T(Z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 5.6 conv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

    6 Results 80

    VIII Pitch Estimation/Singstar Anil kumar Metla, Anusha Gundarapu, Yaoyi Lin 85

    1 Introduction 86 1.1 Pitch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 1.2 Introduction to the project . . . . . . . . . . . . . . . . . . . 86

    2 Pitch Estimation Algorithms in Theory 88 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

    2.1.1 Time domain Fundamental Period Pitch Detection : . 88 2.1.2 Auto-correlation Pitch Detection : . . . . . . . . . . . 89 2.1.3 Adaptive filter Pitch Detectors : . . . . . . . . . . . . 89 2.1.4 Frequency Domain Pitch Detectors : . . . . . . . . . 89 2.1.5 Pitch Detection based on models of the ear : . . . . . 89

    2.2 Cepstrum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 2.3 Auto Correlation . . . . . . . . . . . . . . . . . . . . . . . . . 90

    3 Project Implementation 93 3.1 Implementation in Matlab . . . . . . . . . . . . . . . . . . . . 93 3.2 Implementation on C6713 . . . . . . . . . . . . . . . . . . . . 93 3.3 Singstar Extension . . . . . . . . . . . . . . . . . . . . . . . . 98

    4 Results 98

    5 Conclusion 100

    vii

  • viii

  • Part I

    Speech Recognition

    Div