Accueil Enseignement Recherche Oussopo Introduction Correction
de timbre
Contrôle du bruit
de quantification
Filtrage particulaire
et modèles TVAR
Projet WaRRIS Projet ICityForAll

Un signal discret stationnaire peut être classiquement décrit par un modèle autorégressif, dans lequel chaque échantillon est une combinaison linéaire des échantillons précédents et d'un terme d'innovation de variance constante. La parole, processus non stationnaire, peut être décrite par un tel modèle, à condition de considérer une combinaison linéaire à coefficients variables dans le temps et une innovation de variance variable, d'où le nom de modèle autorégressif variant dans le temps (TVAR, time-varying auto-regressive).

Dans le cadre du débruitage par filtre de Kalman fondé sur l'estimation TVAR par filtrage particulaire, les paramètres TVAR estimés ne peuvent être comparés aux originaux pour un signal naturel (parole par ex). La qualité de l'estimation TVAR est donc évaluée par des critères indirects comme le rapport signal à bruit du signal débruité ou une analyse statistique du signal observé. Nous avons proposé une méthode d'évaluation fondée sur la caractérisation statistique de la sortie de l'inverse du modèle TVAR estimé. Les critères proposés se révèlent à la fois plus simples et plus corrélés à la distance entre les modèles TVAR estimé et original. [1]

Nos travaux visent également à concevoir une méthode de tatouage substitutif fondée sur la modélisation TVAR. Les méthodes substitutives sont souvent peu robustes à certaines altérations anodines du signal. Une explication est que les paramètres modulés, porteurs de l'information tatouée, ne sont pas suffisamment caractéristiques du signal. Par exemple, la représentation temporelle d'un signal audio peut être complètement modifiée sans que la différence avec le signal originel ne soit perceptible. Il s'agit donc de tatouer des paramètres qui constituent l'essence perceptive du signal audio. A cet égard, les paramètres TVAR constituent de bons candidats à un tatouage par modulation des trajectoires, puisqu'ils correspondent aux formants du spectre du signal.

Publications

[1] I. Samaali, G. Mahé M. Turki-Hadj Alouane, , "Criteria to measure the quality of TVAR estimation for audio signals", 15th European Signal Processing Conference (EUSIPCO 2007), Poznan, Pologne (2007) , pp 798-802