Signal Son

Méthodes d’identification pour le contrôle de
l’utilisation de documents audio

Jérome Lebossé
To cite this version:

Jérome Lebossé. Méthodes d’identification pour le contrôle de l’utilisation de documents audio. Traite-
ment du signal et de l’image [eess.SP]. Université de Caen, 2009. Français. �NNT : �. �tel-01073385�
HAL Id: tel-01073385

https://theses.hal.science/tel-01073385
Submitted on 9 Oct 2014
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Département de formation doctorale en informatique École doctorale SIMEM Normandie
UFR Sciences
Méthodes d’identification pour le

contrôle de l’utilisation de documents
audio
THÈSE
présentée et soutenue publiquement le Mi décembre

7 Mai 20092008
pour l’obtention du
Doctorat de l’Université de Caen

(spécialité informatique)
par
Jérôme Lebossé
Composition du jury
Rapporteurs : Myriam Desainte Catherine Professeur, Labri, Université de Bordeaux, France
François Pachet HDR, Sony CSL, Paris, France
Directeur : Luc Brun Professeur, Greyc Image, ENSICAEN, France
Examinateurs : Thierry Lecroq Professeur, LITIS, Université de Rouen, France
Jean-Claude Paillès Ingénieur, Orange Labs R&D, Caen, France
Marinette Revenu Professeur, GREYC Image, ENSICAEN, France
Laboratoire Greyc — UMR 6072

Mis en page avec la classe thloria.
Remerciements
Je souhaite tout d’abord remercier avec insistance Luc Brun. Grâce à ses conseils avisés
et à son expérience, cette thèse a su s’orienter vers des chemins pertinents. Son aide, tant
d’un point de vue recherche que morale dans les périodes de doute, a été plus que précieuse
pour mener à terme ce travail de recherche et je l’en remercie encore.
Je suis redevable envers Jean-Claude Pailles pour avoir pris en charge l’encadrement de
cette thèse à France Télécom ainsi qu’Yvan Rafflé pour avoir tout fait pour que cette thèse
soit acceptée dans les hautes sphère de France Télécom et sans qui rien n’aurait été possible.
Myriam Desainte Catherine et François Pachet ont accepté d’être rapporteurs de cette
thèse et c’est pour moi un très grand honneur et un motif de motivation supplémentaire.
Je suis reconnaissant envers Marinette Revenu qui, la première, a cru en moi au sein du
laboratoire Greyc Image de Caen et a eu un rôle essentiel dans ma candidature pour cette
thèse.
Je remercie aussi Thierry Lecroq et Christian Doncarli d’être jury de ce travail.
Je remercie mes collègues de France Télécom pour la très bonne ambiance quotidienne
qui y régnait et plus particulièrement Marie, Julien et Vincent qui ont partagé mon bureau
pendant tout ce temps.
Enfin, je souhaite remercier mes parents pour leur soutien de toujours et pour m’avoir
permis de faire des études aussi longues.
Et je finirai par remercier ma femme, Céline, qui m’a apporté son aide totale et sans
qui les périodes de démobilisation d’après thèse auraient surement eu raison de ce mémoire.
C’est grace à toi que j’ai trouvé la motivation pour aller au bout de ce travail.
i
Remerciements
ii
La vraie musique suggère des idées analogues dans des cerveaux différents.
L’Art romantique (1852)
Charles Baudelaire
iii
iv
Résumé
L’objectif de ces travaux de recherche est de proposer une méthode fiable et robuste
d’identification de documents audio et plus particulièrement musicaux. Les contraintes de
cette méthode sont nombreuses puisque nous désirons une méthode avec un fort pouvoir
discriminant qui soit capable d’identifier un document audio parallèlement à sa lecture, qui
requière de faibles capacités de stockage et soit robuste vis à vis de certaines altérations du
signal.
Nous avons donc conçu une méthode d’identification de signaux audio basée sur l’extrac-
tion d’une empreinte. Cette empreinte permet de reconnaı̂tre un signal parmi un ensemble
de signaux caractérisés par leurs empreintes. Pour cela, l’empreinte est calculée à partir de
certaines propriétés du signal. L’originalité de notre méthode vient du fait que la plupart
des méthodes existantes se basent sur une analyse des fréquences. Or notre méthode se base
uniquement sur une analyse temporelle du signal et l’extraction de positions remarquables
(onsets) à l’intérieur de celui-ci. Les mesures de similarité que nous proposons utilisent les
spécificités de nos empreintes pour identifier de façon précise des documents tout en conser-
vant de faibles temps de calculs malgré la taille et le nombre de nos empreintes.
Ce mémoire décrira les deux étapes conduisant à l’identification d’un extrait audio in-
connu, à savoir une première phase de calcul d’empreinte et une seconde de comparaison
avec un ensemble d’empreintes précalculées afin d’identifier l’extrait. L’efficacité de chacune
de ces étapes sera démontrée à travers différents essais et comparée avec la référence en
matière d’empreintes audio. Nous conclurons sur l’intérêt de nos travaux et les perspectives
ouvertes par ceux-ci.
Mots clés: empreinte audio, segmentation audio, identification.
v
Résumé
vi
Abstract
This thesis aims at defining a reliable and robust identification method for audio docu-
ments and more particularly for musical ones. Our method has to satisfy many constraints :
It must be able to discriminate between close signals and to identify an audio document
during its reading by a player. It must also require low computational and storage costs and
must finaly be robust against some common signal’s alterations.
We have based our identification method of audio signals on the computation of a small
hash of the signal called its fingerprint. This fingerprint captures essential properties of the
signal. It characterizes it and allows to identify a signal among a set. The originality of
our method comes from the fact that most of existing methods are based on an analysis of
the signal’s frequencies while our fingerprint is solely based on a temporal analysis of the
signal and on the detection of particular positions (called onsets) along it. The similarity
measures that we propose between fingerprints use the specific properties of our fingerprints
to identify precisely a document while keeping low computational time.
This thesis describes the two steps leading to the identification of an audio file : The
computation of the fingerprint and the comparison of an unknown fingerprint with a database
of fingerprints corresponding to known audio files. The efficiency of each of these steps is
evaluated by experiments and compared with the most known methods in this field. We
conclude this thesis by the insight of our work and the perspectives that it opens.
Mots clés: audio fingerprint, onsets, identification.
vii
Abstract
viii
Table des matières
Chapitre 1 Introduction
1.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Description d’un document audio . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 La reconnaissance d’empreinte audio . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Les applications potentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 La DRM analogique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Les paramètres de reconnaissance . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7 Nos contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Organisation de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Chapitre 2 Le Signal Audio 11

2.1 Structuration d’un signal audio . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.1 Perception du son . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.2 La numérisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.3 La représentation fréquentielle . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Caractérisation d’un signal audio . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Propriétés acoustiques globales . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Propriétés acoustiques de niveau intermédiaire . . . . . . . . . . . . . 18
2.2.3 Propriétés acoustiques de bas niveau . . . . . . . . . . . . . . . . . . . 19
2.3 Méthodes de compression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Chapitre 3 Identification de documents audio 23

3.1 Conception d’identifiants audio . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.1 Séparation du signal en intervalles . . . . . . . . . . . . . . . . . . . . 25
3.1.2 Propriétés extraites . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Comparaison et Reconnaissance d’identifiants audio . . . . . . . . . . . . . . 33
3.2.1 Distances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Techniques d’indexation . . . . . . . . . . . . . . . . . . . . . . . . . . 36
ix
Chapitre 4 Construction Robuste d’Identifiants Audio 39

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Analyse des fréquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Segmentation temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.4 Conception de l’empreinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Chapitre 5 Appariement d’Identifiants Audio 51

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2 Scores par quantité d’information . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2.1 Structuration de la base de données . . . . . . . . . . . . . . . . . . . 54
5.2.2 Décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3 Score par distance d’édition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Chapitre 6 Analyse des résultats 69

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.2 Évaluation de la robustesse de l’empreinte . . . . . . . . . . . . . . . . . . . . 70
6.2.1 Taille de l’empreinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.2.2 Mesures de performances . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2.3 Résistance à la compression . . . . . . . . . . . . . . . . . . . . . . . . 73
6.2.4 Invariance aux décalages temporels . . . . . . . . . . . . . . . . . . . . 75
6.3 Identification d’empreinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.3.1 Pertinence des q-grams . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.3.2 Scores par quantité d’information . . . . . . . . . . . . . . . . . . . . . 81
6.3.3 Scores par distance d’édition . . . . . . . . . . . . . . . . . . . . . . . 82
Chapitre 7 Un scénario pour la gestion des droits 85

7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.2 Cadre de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
7.3 Reconnaissance Audio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.4 Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.5 Prototypage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Chapitre 8 Conclusion et perspectives 93

8.1 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
8.1.1 Calcul d’empreinte audio . . . . . . . . . . . . . . . . . . . . . . . . . 94
8.1.2 Identification audio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
8.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.2.1 Améliorations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.2.2 Utilisations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
x
8.3 Publications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
Bibliographie 101
Chapitre 9 Annexe 107

2
9.1 Calcul de la moyenne γbc et de la variance σbc . . . . . . . . . . . . . . . . . . 107
xi
xii
Table des figures
1.1 Identification par empreinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1 Courbe de Fletcher et Munson . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Masquage des sons perçus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Technique d’échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Principe du théorème de Shannon . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5 Technique de quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6 Représentation spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.1 Technique de fenêtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Détection d’onsets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Caractérisation d’un signal par coefficients d’ondelettes . . . . . . . . . . . . . 30
3.4 Empreinte par signe de la courbe d’énergie . . . . . . . . . . . . . . . . . . . . 31
3.5 Analyse en Composantes Principales Orientées . . . . . . . . . . . . . . . . . 32
3.6 Empreinte par différences inter-filtres . . . . . . . . . . . . . . . . . . . . . . . 33
3.7 Figure du haut : courbe de dissimilarité. Figure du bas : localisation des zones
de correspondances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.8 Reconnaissance par la technique d’ondelettes pyramidales . . . . . . . . . . . 37
3.9 Reconnaissance par table d’index et distance de Hamming . . . . . . . . . . . 38
4.1 Relations de dépendances entre les différentes notions utilisées par Haitsma
et Kalker. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2 Distance de Hamming entre l’empreinte d’un contenu et celle de son compressé 45
xiii
Table des figures
4.3 Détection de transitions le long d’un signal audio. . . . . . . . . . . . . . . . . 46
4.4 Méthode de segmentation audio . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.1 Matrice de score entre les chaı̂nes 3.12.23.15.18.21 et 20.3.12.23.15.3.18.21.7.5
obtenues à partir de l’équation 5.9 pour α = 5 et β = 7. . . . . . . . . . . . . 64
5.2 Comparaison des fonctions de score basées sur les équations 5.9 et 5.10 . . . . 65
5.3 Filtrage par q-grams et appariement de sous empreintes . . . . . . . . . . . . 66
6.1 Taux de valeurs de sous-empreinte communes entre un original et sa version
compressée (à 48, 64, 96, 128, 192 et 256 Kbps) . . . . . . . . . . . . . . . . . 74
6.2 Taux de valeurs identiques entre un original et sa version décalée (de 1, 2, 3,
5 et 6.25 ms) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.3 Nombre et taille de q-grams en commun entre un extrait compressé et les
empreintes de la base ayant obtenus les meilleurs scores, le co-dérivé arrivant
toujours premier candidat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.4 Score de filtrage par q-grams . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.5 Score final obtenu à partir de 5 secondes d’extrait comparé avec la base de
données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.1 Contrôles de l’utilisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.2 Prototype de lecteur audio développé . . . . . . . . . . . . . . . . . . . . . . . 91
xiv
1
Introduction
Ce travail de recherche traite de l’identification de documents audio numériques. La
méthode proposée est basée sur des empreintes de documents audio. Cette méthode cal-
cule une signature qui résume le signal audio et permet de le reconnaı̂tre parmi une base
de données de signatures préalablement calculées. Un objectif additionnel de ce travail de
recherche est de proposer un scénario de gestion de contenus audio s’articulant autour de
notre méthode d’identification d’empreintes. Ce scénario pourrait être mis en œuvre pour
contrôler l’utilisation des documents audio et faire respecter les droit d’auteurs. Ce tra-
vail de recherche s’est déroulé dans le cadre d’une bourse CIFRE co-encadrée par Jean
Claude Paillès et Luc Brun appartenant respectivement aux laboratoires Orange Labs Caen
et GREYC (Groupe de Recherche en Informatique, Image, Automatique et Instrumentation
de Caen (UMR 6072)).
Dans ce chapitre, nous présenterons le contexte sociologique et économique qui a motivé
cette thèse. Nous introduirons ensuite la notion d’empreinte audio. Les applications poten-
tielles de ce type de techniques et plus particulièrement la DRM analogique seront exposées.
Nous décrirons aussi les critères permettant de mesurer l’efficacité de nos travaux ainsi que
nos contributions dans ce domaine. L’organisation de ce mémoire conclura ce chapitre.
1
Chapitre 1. Introduction
Sommaire
1.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Description d’un document audio . . . . . . . . . . . . . . . . . . 3
1.3 La reconnaissance d’empreinte audio . . . . . . . . . . . . . . . . 3
1.4 Les applications potentielles . . . . . . . . . . . . . . . . . . . . . 4
1.5 La DRM analogique . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Les paramètres de reconnaissance . . . . . . . . . . . . . . . . . 7
1.7 Nos contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Organisation de la thèse . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 Contexte
La gestion de contenus numériques à caractère musical est à l’heure actuelle devenue
un enjeu social, culturel et économique majeur. Le fait que la musique suscite un intérêt
si important est principalement dû à la quantité de documents audio devenus facilement
accessibles aux utilisateurs. Cette omniprésence a été grandement favorisée par les avancées
technologiques récentes en matière de capacités de stockage, de vitesses d’accès internet et
de diversité des types de lecteurs présents sur le marché. Cette prolifération de musique
numérique provoque dès lors de nouveaux enjeux et nécessite de nouvelles techniques d’or-
ganisation et de gestion de quantités importantes de documents. Les techniques usuelles de
recherche de musique sont généralement basées sur les metadonnées associées à un docu-
ment (artiste, style, ....). Cependant, les metadonnées sont des informations qui peuvent être
manquantes ou erronées lorsqu’on télécharge de la musique ou lorsqu’on encode un CD en
mp3. Ces informations ne sont donc pas fiables et ne peuvent pas être utilisées pour décrire
efficacement un document. On peut alors décrire un document audio à partir de son contenu,
c’est à dire du signal, afin de le caractériser de manière efficace et pertinente. C’est pourquoi
de nombreux chercheurs ont été attirés par la problématique générale de caractérisation du
signal audio musical.
2
1.2. Description d’un document audio
1.2 Description d’un document audio
Une information associée à un contenu musical est appelée métadonnée. Cependant, il
existe une ambiguı̈té entre les métadonnées éditoriales, dépendantes du contexte de création
du document (ex : artiste, album, maison de disque), les métadonnées culturelles liées à la
perception des auditeurs (ex : (( genre ))fourni aux moteurs de recherche), et les métadonnées
psychoacoustiques extraites à partir du signal (ex : tempo, rythme, énergie[47]). C’est pour-
quoi la description d’un document audio concerne un large panel de caractéristiques allant
de l’acoustique au culturel en passant par la psychoacoustique. Si on se penche sur les ca-
ractéristiques de type acoustique extraites à partir du signal, on distingue trois types de
descripteurs :
1. Les descripteurs de haut niveau font appel à la sémantique et ont, par conséquent,
une signification compréhensible pour l’utilisateur ( ex : émotion). Cela nécessite une
modélisation de l’analyse du signal par un utilisateur. Les recherches sur ce sujet font
appel aux sciences cognitives et psychologiques.
2. Les descripteurs de niveau intermédiaire analysent un lot important de données pour
en déduire des groupes ou des généralisations (ex : styles de musique). Ces descrip-
teurs conservent un sens pour l’utilisateur et font appel à l’analyse statistique et à
l’apprentissage.
3. Enfin, les descripteurs de bas niveau caractérisent des propriétés calculées directement
à partir du signal mais n’ayant pas forcément d’interprétation évidente pour l’utili-
sateur (ex : énergie, spectre). Cela permet d’extraire une information pertinente et
propre à un contenu.
1.3 La reconnaissance d’empreinte audio
La reconnaissance d’empreinte est une méthode qui attribue à chaque document audio,
une courte signature (l’empreinte) le résumant. Cette technique extrait des caractéristiques
acoustiques d’un contenu audio pour les stocker dans une base de données. Ces caractéristiques
sont généralement des descripteurs de bas niveau. Quand un extrait audio inconnu est
3
présenté à l’algorithme, celui-ci calcule ses caractéristiques acoustiques et les compare avec
celles de la base de données (Figure 1.1). Par l’utilisation d’une méthode de comparaison
appropriée, l’empreinte d’un document dégradé (ex : par compression) peut tout de même
être identifié comme étant une version dite (( co-dérivée )) [31] du document original dont la
signature est stockée dans la base de donnée. Deux empreintes sont dites co-dérivées si elles
ont été calculées à partir d’un même contenu ayant pu subir quelques altérations(bruit, com-
pression, coupures, ...). Notons que deux chansons d’un même auteur ne sont pas co-dérivées.
De même, une reprise d’une chanson n’est généralement pas un co-dérivé de l’original. La
comparaison d’empreinte s’effectue généralement à partir de quelques secondes de signal
extraites à n’importe quel moment. On calcule alors, pour cet extrait, une suite de valeurs
appelées (( sous-empreintes )). Si une suite de sous-empreintes stockée dans la base est suffi-
samment similaire à celle de l’extrait, l’extrait est identifié.
Fig. 1.1 – Identification par empreinte
1.4 Les applications potentielles
La reconnaissance audio basée sur l’empreinte a la particularité d’identifier un contenu
si la signature de celui-ci est stockée dans la base de données, et ce, même après altération
du contenu. Ce genre de technique trouve sa place au sein de nombreuses applications dont
voici une liste non exhaustive.
Vérification de la qualité : Dans de nombreuses applications, l’intégrité d’un contenu
audio doit être vérifiée avant d’utiliser le document. Par exemple, les distributeurs de
4
1.5. La DRM analogique
musique en ligne se doivent de vendre des documents numériques de bonne qualité
et, par conséquent, d’adapter le taux de compression en fonction de la qualité du
document compressé. En effet, la similarité de deux empreintes issues d’un même
contenu caractérise la qualité du signal [19].
Management des réseaux de distribution : Les distributeurs tels que radios ou télévision
doivent s’acquitter des droits d’auteur sur la plupart des documents. La technique
d’identification par empreinte peut aider à identifier de manière automatique tout
contenu musical diffusé à la radio où à la télévision afin de calculer ou vérifier l’acquit-
tement des droits d’auteurs à la SACEM.
Surveillance des réseaux internet non protégés : Les réseaux d’échanges entre utili-
sateurs ont amené de nombreux documents à être exploités illégalement. L’industrie
du disque a donc commencé à mettre en place des techniques de filtrage basées sur le
nom du document. Mais ce genre de mesure s’est vite trouvé limité. La recherche d’em-
preintes audio peut alors analyser les documents transitant sur ce type de réseaux non
protégés afin d’identifier les documents normalement soumis à des droits d’auteurs.
Gestion de droits d’auteurs : A la fin d’un échange sur réseau non protégé, l’utilisateur
dispose de documents audio totalement libres d’utilisation. L’idée proposée dans ce
travail est d’intervenir au sein de chaque appareil afin d’interdire la lecture de contenus
audio acquis illégalement.
1.5 La DRM analogique
En effet, de nos jours, le téléchargement de fichiers est devenu un acte courant. Cepen-
dant, la majeure partie des téléchargements de fichiers multimédia concerne des documents
normalement soumis aux droits d’auteurs. Il est donc normal que les ayant droits de ces
œuvres (auteurs, éditeurs, producteurs) se préoccupent de la protection de ces documents.
Aussi, progressivement, des dispositions ont été créées afin de protéger l’ensemble de ces
contenus. Parmi elles, les DRM1 comprennent un ensemble de technologies permettant de
protéger les droits d’auteurs en chiffrant les contenus et en n’autorisant qu’un accès et une
1 Digital Rights Management
5
utilisation spécifique du document en fonction des droits associés, en limitant, par exemple,
le nombre de copies ou la lecture sur n’importe quel appareil.
Cependant, les techniques de DRM actuelles doivent faire face à des pirates ingénieux
trouvant sans cesse des moyens de contournement des protections. Ces techniques de contour-
nement peuvent être assez élaborées, par décryptage numérique des protections du contenu,
ou plus simplement par capture analogique et ré-encodage numérique de l’œuvre, c’est
l’(( analog hole )). Ces contournements permettent donc de s’affranchir des protections DRM
associées à un contenu. Par conséquent, les DRM n’empêchent en rien l’apparition d’œuvres
soumises aux droits d’auteurs sur les réseaux d’échanges.
Enfin même si les techniques de DRM étaient parfaitement efficaces, elles ne pourraient
pas protéger les œuvres produites avant la mise en place de ces techniques et donc déjà
échangées et copiées.
En 1999, les principaux éditeurs phonographiques regroupant plus de 180 professionnels
de la musique, parmi lesquels figurent les cinq grands groupes de l’industrie du disque (Uni-
versal Music, BMG, Sony Music, Warner Music et EMI) se sont regroupés pour créer un
consortium appelé la Secure Digital Music Initiative (SDMI [12], initiative de sécurisation
des musiques au format numérique). Le but de cette association était de définir des standards
et mettre au point un système de protection de la musique au format numérique pour la
distribution de contenus protégés sur Internet dans le respect des droits d’auteurs associés.
La principale production du consortium a été un système DRM, les inconvénients de tels
systèmes ayant été exposés. Ce système DRM a été mis en œuvre pour la première fois dans
le cadre du format musical de Microsoft, WMF (Windows Media Format).
La SDMI a aussi proposé une solution de protection à base de watermarking. Cette tech-
nique impose l’ajout d’une marque digitale (watermark) au contenu audio, sans altération si-
gnificativement audible de sa qualité et qui permette de l’identifier. Cependant cette stratégie
pose plusieurs problèmes. Le premier concerne le respect de la vie privée et des informations
personnelles car cette technique permet d’associer un utilisateur aux musiques qu’il achète
(tout comme la DRM). De plus, la marque ajoutée au contenu peut être, par des techniques
très simples de traitement du signal, modifiée sans altérer significativement la qualité du
signal. Modifier ou supprimer la marque engendre alors la non-reconnaissance du document
6
1.6. Les paramètres de reconnaissance
et permet sa lecture malgré les droits d’auteur. Cette solution censée prévenir le piratage
a été mise à l’épreuve en 2001 par un concours de piratage à l’initiative de SDMI et a été
prise en défaut. Cette expérience a donc abouti à un échec, au moins partiel.
Actuellement, pour lutter contre le piratage, la méthode qui prime est la dissuasion. Cette
méthode n’est pas technique. Elle consiste à condamner les personnes qui téléchargent des
contenus normalement soumis à des droits par de lourdes amendes, voir des peines de prison
avec sursis ou une coupure de la connexion ADSL. Même si les sites de vente de musique
en ligne permettent d’avoir accès à des contenus audio à moindre prix par rapport aux CD,
le piratage par échange sur réseaux Peer To Peer reste important. Il est donc nécessaire
d’apporter une nouvelle approche pour répondre à ce problème.
Nous proposons, dans cette thèse, une solution alternative ou complémentaire aux DRM
afin de contrôler l’utilisation de documents audio et faire respecter les droits d’auteur :
l’ADRM (Analogic Digital Rights Management). Comme son nom l’indique, il ne s’agit plus
de gérer les droits de manière numérique mais analogique, par identification d’un docu-
ment audio à partir de ses caractéristiques perceptuelles. Cette donnée ne peut donc pas
être piratée ou modifiée sous peine de devoir détériorer le signal au point qu’il devienne
inécoutable.
Notre technique d’identification par empreinte serait donc la pierre angulaire d’un scénario
de contrôle de la lecture de contenus audio introduit sous forme de plug-in au sein de chaque
machine. Ce plug-in reprend le principe de l’empreinte digitale à l’entrée d’un hall pour
autoriser la lecture de documents audio uniquement si l’utilisateur a déjà apporté la preuve
de la possession de l’original.
1.6 Les paramètres de reconnaissance
Les contraintes imposées à une méthode d’identification basée sur les empreintes dépendent
principalement de l’utilisation qu’on en fait. Cependant, l’IFPI (International Federation of
the Phonographic Industry) et la RIAA (Recording Industry Association of America) ont
décrit un ensemble de propriétés qui font référence pour l’évaluation et la comparaison d’al-
gorithmes d’empreintes audio [50] :
7
Efficacité. Cela correspond à l’ensemble des résultats d’identification à savoir, le nombre
d’identifications correctes, de non-identification (faux négatifs), et de mauvaises iden-
tifications (faux positifs).
Robustesse et invariance. C’est la faculté à identifier un document audio, indépendamment
du fait qu’il ait été fortement compressé ou qu’il ait subi d’autres altérations (décalage
temporel, parties manquantes, .....). A noter que si l’identification d’un document
donne accès à sa lecture, la non-reconnaissance d’un document dont l’empreinte est
dans la base de données est équivalente à un refus de service. Cette propriété désigne
aussi la faculté d’identifier une chanson à partir d’un court extrait de quelques secondes
pris n’importe quand dans le signal original (granularity ou cropping). Ceci implique
de devoir synchroniser le processus de calcul de l’empreinte.
Fragilité. Certaines applications nécessitent de ne pas reconnaı̂tre le contenu ayant subi
certaines altérations. L’empreinte correspondant à un contenu co-dérivé doit être in-
variante aux transformations préservant le contenu. Cependant, elle ne doit pas per-
mettre de l’identifier s’il a été soumis à de fortes distorsions. C’est donc l’inverse de la
robustesse.
Complexité. C’est le coût de calcul requis pour l’extraction de l’empreinte, l’espace mémoire
requis pour stocker une empreinte ainsi que la complexité de recherche de l’empreinte
dans la base de données.
Sécurité. C’est la vulnérabilité de l’algorithme aux tentatives de cracking. En contraste
avec la robustesse, ce sont les manipulations du contenu nécessaires pour berner l’al-
gorithme d’identification d’empreinte.
Cependant, améliorer les performances vis à vis d’une contrainte peut parfois entraı̂ner
la chute de performance d’une autre. Par exemple, l’empreinte doit contenir suffisamment
d’information pour être discriminante mais doit, à l’opposé, avoir un faible coût de stockage.
En fonction de l’application, il est nécessaire de privilégier certaines propriétés, mais pas
toujours au détriment des autres. Pour notre application par exemple, il sera important
d’être robuste à la compression tout en étant capable de reconnaı̂tre une œuvre musicale à
partir d’un extrait de courte durée.
8
1.7. Nos contributions
1.7 Nos contributions
Ce travail de recherche apporte une contribution à l’état de l’art en matière de seg-
mentation de signal audio, de construction de signature robuste et de détermination de
score d’identification. En effet après avoir analysé les méthodes existantes en matière de
caractérisation et d’identification audio, nous nous somme orienté vers une nouvelle ap-
proche pour la définition d’empreintes audio. Nous avons donc développé une méthode en
adéquation avec les contraintes de stockage, de robustesse et d’efficacité imposées par notre
application. Nous avons également étudié les méthodes de comparaison de chaı̂nes pour
nous orienter vers une technique qui soit adaptée à la variation de l’empreinte vis à vis des
altérations de contenu. Nous avons enfin proposé un scénario d’utilisation de cette tech-
nique d’identification et développé un démonstrateur qui simule la gestion de documents
audio dans le respect des droits d’auteurs.
1.8 Organisation de la thèse
Cet ouvrage est structuré de la manière suivante :
Chapitre 2 - Propriétés d’un signal audio. Cette thèse introduit tout d’abord ce qu’est
un signal audio analogique ou numérique ainsi que les algorithmes les plus courants
de compression audio. Dans ce même chapitre, j’exposerai un état de l’art des princi-
paux travaux de recherche permettant de caractériser et de décrire un contenu musical.
Suivant l’application, nous remarquerons qu’un contenu audio peut très bien être ca-
ractérisé de manière subjective et sémantique mais aussi de manière acoustique et
perceptuelle.
Chapitre 3 - Méthodes d’identification existantes. Nous étudierons dans ce chapitre
les principales heuristiques utilisées dans le cadre de l’identification de fichiers audio.
Ainsi, les principales méthodes d’extraction d’empreinte seront tout d’abord exposées.
Nous décrirons ensuite les techniques d’identification de documents audio basées sur
la reconnaissance d’empreintes.
9
Chapitre 4 - Empreinte audio. Dans ce chapitre, j’expliquerai tout d’abord les pistes
que nous avons étudié afin d’extraire une empreinte à partir d’un fichier audio. Puis
j’exposerai notre proposition finale.
Chapitre 4 - Identification audio. L’algorithme utilisé afin de déterminer une signature
potentiellement proche sera présenté en premier lieu. Puis nous expliciterons les critères
utilisés pour savoir si cette empreinte correspond à un contenu audio connu du système.
Chapitre 6 - Analyse des résultats et discussion. Ce chapitre sera décomposé en deux
étapes distinctes. Tout d’abors nous exposerons les expérimentations réalisées afin
d’évaluer la méthode d’extraction d’empreinte et d’étudier ses propriétés. Nous évaluerons
ensuite l’efficacité de notre méthode de reconnaissance au travers de différents tests.
Ces résultats seront comparés avec les méthodes existantes dans ces domaines.
Chapitre 7 - Scénario de contrôle de l’utilisation. Le scénario de mise en œuvre de
la technique d’identification permettant de contrôler la lecture de documents audio
sera expliqué dans ce chapitre. Je commencerai par introduire le cadre applicatif et
expliquerai ensuite les cas d’utilisation.
Chapitre 8 - Conclusion générale. Enfin, je discuterai des résultats obtenus en rapport
avec l’objectif initial ainsi que des perspectives ouvertes par celui-ci.
10
2
Le Signal Audio
Comprendre les particularités de l’audition humaine, c’est mieux comprendre les réflexions
qui ont mené aux différentes techniques de traitement du signal audio comme par exemple
la numérisation et plus particulièrement la compression.
11
Chapitre 2. Le Signal Audio
Sommaire
2.1 Structuration d’un signal audio . . . . . . . . . . . . . . . . . . . 12
2.1.1 Perception du son . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.2 La numérisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.3 La représentation fréquentielle . . . . . . . . . . . . . . . . . . . 15
2.2 Caractérisation d’un signal audio . . . . . . . . . . . . . . . . . . 17
2.2.1 Propriétés acoustiques globales . . . . . . . . . . . . . . . . . . . 18
2.2.2 Propriétés acoustiques de niveau intermédiaire . . . . . . . . . . 18
2.2.3 Propriétés acoustiques de bas niveau . . . . . . . . . . . . . . . . 19
2.3 Méthodes de compression . . . . . . . . . . . . . . . . . . . . . . 19
2.1 Structuration d’un signal audio
2.1.1 Perception du son
Le son que nous entendons est le fruit de vibrations se propageant dans l’air et inter-
ceptées par notre capteur naturel, l’oreille, à la manière d’une parabole. Cependant, notre
appareil auditif ne perçoit les sons que s’ils sont compris dans une gamme de fréquences
allant de 20Hz à 20KHz environ. Plus précisément, la bande fréquentielle que capte le
mieux l’oreille humaine varie entre 2KHz et 6KHz puisque l’impression de l’intensité so-
nore diffère suivant la fréquence du signal sonore perçu. En effet, les niveaux de sensibilité
(seuil d’audition minimal) et de douleur (seuil maximal) ne sont pas constant et varient en
fonction de la fréquence (Figure 2.1).
De plus, dans la partie centrale du champ d’audition où elle est la plus sensible, l’appareil
auditif humain arrive à déceler une infime variation de l’intensité du niveau sonore entre deux
sons séparés de seulement 3Hz. Cependant, la perception d’un signal audio de faible intensité
sera modifiée par la présence d’un autre signal audio très intense. Ce son de volume plus élevé
pourra même empêcher totalement la perception de sons de faible puissance sonore, c’est ce
que l’on appelle le phénomène de masquage (Figure 2.2). Ce phénomène se manifeste dans
12
2.1. Structuration d’un signal audio
Fig. 2.1 – Courbe de Fletcher et Munson
une plage de fréquence autour du signal sonore intense (masquage fréquentiel) et pendant
toute la durée de ce signal et même un peu au delà (masquage temporel). L’exemple le
plus courant est celui d’un avion passant au dessus d’un nid d’oiseaux. Cet évènement de
volume sonore très élevé empêche alors totalement la perception du chant d’oiseaux et se
prolonge quelques instants après le passage de l’avion le temps que notre oreille se réadapte
progressivement à l’ambiance sonore plus faible.
2.1.2 La numérisation
L’objectif de la numérisation d’un signal audio est de convertir ce signal en une séquence
de nombres binaires, pouvant être traités par informatique. Cela s’effectue en mesurant
l’amplitude de l’onde produite par le son à des intervalles de temps réguliers. On peut alors
décomposer la numérisation en deux étapes :
Échantillonnage
Tout d’abord, l’échantillonnage est le fait de découper de manière régulière le signal
analogique (Figure 2.3) et de prélever, en quelque sorte, une image instantanée du
signal à chaque échantillon. Ainsi, une séquence d’échantillons successifs donne une
représentation de la forme de l’onde de la même manière que les images d’un film
13
Fig. 2.2 – Masquage des sons perçus
projetées rapidement donnent l’illusion du mouvement.
Fig. 2.3 – Technique d’échantillonnage
Afin de représenter fidèlement le signal, il est impératif de prélever un nombre suf-
fisant d’échantillons à chaque seconde. Comme on peut le voir dans la Figure 2.4,
si on prélève trop peu d’échantillons par rapport à la période du signal, l’allure de
la forme d’onde ainsi reconstruite sera différente de la forme d’onde d’origine. Afin
d’éviter ce phénomène d’aliasing, et selon le théorème de Shannon [52], la fréquence
d’échantillonnage (nombre d’échantillons par seconde) doit être au moins égale à deux
fois la fréquence maximum composant le signal à numériser. Il faut donc définir une
14
2.1. Structuration d’un signal audio
bonne période d’échantillonnage qui permette de restituer toutes les fréquences du si-
gnal. Or, la fréquence maximale que puisse entendre une oreille humaine est de 20KHz.
La fréquence d’échantillonnage des CD audio doit alors être supérieure à 40KHz et est
en général fixée à 44, 1KHz.
Fig. 2.4 – Principe du théorème de Shannon
Quantification
Ensuite, la chaı̂ne d’impulsions est codée. La quantification consiste à évaluer l’ampli-
tude de chacun des échantillons du signal et à placer ces amplitudes sur une échelle
de valeurs à intervalles fixes (Figure 2.5). Cette échelle est définie suivant l’amplitude
maximale et minimale possible et divise cet écart d’amplitudes en une série de paliers
de hauteur égale. Ce procédé permet donc d’attribuer à chaque échantillon un mot
binaire en fonction du palier auquel il correspond. En binaire, le nombre de pas de
quantification sera alors égal à 2n , avec n le nombre de bits utilisés pour représenter
chaque échantillon. En ce qui concerne les CD audio, cette valeur est égale à 16 bits,
soit 216 = 65536 paliers.
Par conséquent, le stockage d’une minute de signal audio stéréo, codé sur 2 octets par
voie et échantillonné à 44, 1KHz nécessitera : 60 ∗ 2 ∗ 2 ∗ 44100 = 10, 6M o
2.1.3 La représentation fréquentielle
Un phénomène physique dépendant du temps est décrit par un ou plusieurs signaux.
Cependant, on ne peut interpréter ces signaux de façon simple. Le problème est donc de
trouver une manière de décrire leur comportement. Plus particulièrement, le son est com-
15
Fig. 2.5 – Technique de quantification
posé d’une somme de signaux de fréquences, amplitudes et phases différentes. L’analyse
spectrale regroupe un ensemble de méthodes permettant d’analyser un signal dans le do-
maine fréquentiel. Elle nous permet notamment de déterminer la fréquence fondamentale
ainsi que les fréquences dites harmoniques qui composent le signal sonore (Figure 2.6).
Fig. 2.6 – Représentation spectrale
L’outil mathématique généralement utilisé pour effectuer cette décomposition spectrale
continue est la transformée de Fourier. Cette technique permet en effet de décrire la puissance
des fréquences qui composent le signal audio.
16
2.2. Caractérisation d’un signal audio
Un signal audio peut donc être caractérisé par ses propriétés temporelles et fréquentielles.
2.2 Caractérisation d’un signal audio
Le nombre et la variété de contenus audio ont ouvert la voie à de nombreux domaines
de recherche en rapport avec des applications à vocation industrielle. Ces applications se
heurtent généralement aux mêmes problématiques de recherche : (( comment caractériser
un document audio ? )) ou (( quelle propriété ou caractéristique du signal va permettre de
résoudre le problème posé par l’application ? )). Comme introduit en section 1.2, un signal
audio peut être caractérisé à partir de propriétés appartenant à différents domaines d’abs-
traction, acoustiques ou culturels par exemple. Une propriété acoustique signifie que cette
information est obtenue à partir de l’analyse du fichier audio sans référence à une informa-
tion textuelle [48]. Par conséquent, il s’agit d’une information obtenue à partir du signal.
Or, parmi les propriétés acoustiques du signal, il existe trois facteurs d’échelle permettant
de définir la manière d’extraire ces descripteurs.
Descripteurs Globaux : Les descripteurs globaux regroupent un panel de propriétés qui
décrivent un document audio dans sa totalité. Ce qui signifie que chacune de ses
propriétés ne peut être extraite qu’à partir de l’étude de toute la durée du signal audio.
Le genre, le rythme, ou encore l’humeur sont, par exemple, des descripteurs globaux.
On remarque que ces descripteurs ont une réelle signification pour un utilisateur et ne
nécessitent aucune connaissance spécifique. De plus, ces propriétés sont définies par
des termes linguistiques et non par des valeurs. En effet le genre peut avoir comme
définition ”rock”, le rythme ”lent et l’humeur ”mélancolique”. Par conséquent, ce
genre de descripteur est très utilisé dans les catalogues des distributeurs ou moteurs
de recherche.
Descripteurs Intermédiaires : Les descripteurs de niveau intermédiaire regroupent des
propriétés résultant de l’analyse de quelques secondes de signal audio. Cela permet
en général de détecter certains phénomènes acoustiques à cette échelle. On peut donc
segmenter un signal audio par détection de texture ou ruptures ce qui permet de séparer
le signal en parties bien distinctes. Chaque partie ainsi extraite est classée dans une
17
des catégories, définies en fonction de l’application. Ce genre de descripteur est par
exemple utilisé pour segmenter les émissions radio en trois parties (voix-jingle-musique)
ou effectuer un résumé d’extrait musical (chant-instrumental et introduction-couplet-
refrain).
Descripteurs Locaux : Les descripteurs locaux sont calculés à partir de quelques dixièmes
voir millisecondes du signal et ne sont en général compréhensibles que pour des experts.
On y retrouve le timbre, la percussivité, la hauteur, ... Ces propriétés sont généralement
utilisées dans des applications nécessitant la gestion de bases de données de grande
taille.
2.2.1 Propriétés acoustiques globales
Un exemple typique d’information acoustique est le tempo, c’est à dire le nombre de
pulsations par seconde. L’extraction des pulsations et du tempo a longuement intéressé la
communauté du traitement du signal et certains systèmes obtiennent à l’heure actuelle des
performances intéressantes[51]. D’autres informations plus complexes peuvent également être
extraites comme la structure du rythme. Derrière le rythme, d’autres perceptions virtuelles
ont été sujettes à de nombreuses investigations comme la percussivité, la reconnaissance
des instruments[29] , ou encore l’énergie perçue[61], voir même l’humeur[42]. Cependant, à
notre connaissance, aucune application commerciale n’utilise encore ces descripteurs. Mais
nul doute que l’efficacité de ceux-ci s’améliorera dans les prochaines années grâce à l’attention
croissante dont ils font l’objet.
2.2.2 Propriétés acoustiques de niveau intermédiaire
Les descripteurs globaux sont décrits par une valeur ou un terme unique à propos de la
totalité d’un titre musical. De plus, ils ne dépendent pas d’autres paramètres comme par
exemple, l’instant auquel l’information est calculée. Inversement, les descripteurs de niveau
intermédiaires sont calculés de façon régulière sur quelques secondes du signal. Ce genre de
descripteurs évoluant au cours du signal sont très utilisés pour gérer de larges collections de
titres. Le contour de l’enveloppe, ou l’extraction du pitch, peuvent par exemple être utilisés
pour des applications de query-by-humming[5] qui consistent à retrouver un titre à partir du
18
2.3. Méthodes de compression
chantonnement de l’utilisateur. A un degré supérieur, un document audio peut être analysé
afin d’en extraire une structure et de trouver les répétitions de refrains ( [49]) dans le but
de déduire automatiquement un résumé du fichier audio.
La norme Mpeg-7 est un standard normalisant la représentation de ces descripteurs
d’une manière syntaxique mais les résultats dépendent réellement de la méthode utilisée
pour extraire ces caractéristiques.
2.2.3 Propriétés acoustiques de bas niveau
Le timbre est probablement la propriété de bas niveau la plus difficile à définir et à ca-
ractériser [30]. La définition du timbre est vague. Il s’agit en fait de toute caractéristique
acoustique de bas niveau qui ne soit ni le pitch ni l’intensité. La perception du timbre est
associée à la structure du spectre du signal et, par conséquent, à sa représentation dans le
domaine fréquentiel. Pour cette raison, la transformée de Fourier est un des outils les plus
utilisés dans l’analyse du timbre et de l’évolution temporelle d’un signal audio en général. Ce-
pendant, le spectre ou tout autre décomposition temps-fréquence ne peuvent pas être utilisés
en tant que descripteurs à cause de leur dimensionnalité élevée. C’est pourquoi l’extraction
du timbre est basée sur l’extraction de caractéristiques bas-niveau correspondant à des pro-
priétés perceptuelles. Les études psychoacoustiques ont mis en évidence certains paramètres
comme le taux de passages par zéro2 [26], le spectral centroı̈d[23], spectral loudness[33],
roughness[44] qui sont considérés comme des descripteurs de timbre. Les descripteurs à base
de MFCC3 [43, 9, 35] ont été très largement utilisés dans le domaine de la recherche d’infor-
mation musicale4 . Ces descripteurs ont d’abord été utilisés dans la reconnaissance de genre
et de voix et sont considérés comme des outils de base dans ces domaines.
2.3 Méthodes de compression
Dans la section 1.6, nous avons introduit les notions de robustesse et d’invariance d’une
méthode d’identification comme la capacité à identifier un extrait audio, indépendamment

2 ZeroCrossing Rate
3 MelFrequency Cepstral Coefficients
4 MIR : Music Information Retrieval
19
du fait qu’il ait été altéré ou dégradé. Or, ceci est l’un de nos objectifs principaux. En effet,
notre application nous impose d’être capable de reconnaı̂tre un contenu musical dont on a
acquis les droits d’auteurs afin de pouvoir l’écouter, et ce, malgré l’influence de certaines
dégradations telles que la compression.
Tout acheteur de CD audio a le droit de compresser un CD légalement acquis afin d’en
faire une copie de sauvegarde à faible espace de stockage. Il doit donc pouvoir, s’il le souhaite,
écouter la version compressée d’un contenu original. Notre méthode doit donc être robuste
à de forts taux de compression (pouvant aller de 320kbps5 à 32kbps).
On rappelle donc que les contraintes de restitution d’un signal analogique de bonne
qualité pour l’oreille humaine (Section 2.1.1) ont permis de définir le format standard de
stockage du son sur CD à savoir :
– Fréquence d’échantillonnage à 44,1 kHz
– Quantification des échantillons sur 16 bits
– Voie gauche et droite pour le son en stéréo
D’après ces informations, une minute de musique sera alors stockée sur plus de 10 Mo.
Même avec les possibilités croissantes des médias de stockage, la compression reste inévitable
que ce soit pour stocker un nombre plus important de contenus sur un média de style CD
ou DVD ou pour un transfert/téléchargement plus rapide de ces contenus.
Parmi les techniques de compression de fichier audio, nous nous intéresserons ici aux
techniques dites destructrices. Une compression destructrice est une compression réalisée en
perdant de l’information. Cela signifie que si l’on décompresse le signal compressé à l’aide
d’une telle technique, on ne retrouvera pas le signal de départ. Parmi les techniques de
compressions destructrices, on a essentiellement des méthodes qui exploitent les propriétés
de l’oreille humaine (Section 2.1.1) qui ne distingue que les sons entre 20Hz et 20kHz avec
une sensibilité maximale entre 1kHz et 5kHz. Ainsi, la compression vise à analyser le signal
afin de déterminer les sons inaudibles en vue de les supprimer, d’où la notion de compression
destructrice. Les principaux formats de compression sont les suivants :
MP3
5 Kilo Bits Par Seconde
20
2.3. Méthodes de compression
La permière étape de la compression MP3 consiste à supprimer les fréquences inau-
dibles en fonction de la courbe 2.1. C’est à dire que suivant le taux de compression, les
fréquences supérieures ou inférieures à une certaine fréquence seront supprimées (par
ex : F > 15kHz). Puis, le phénomène de masquage (Section 2.1.1) fait que certaines
fréquences sont inaudibles du fait de la présence de fréquences proches d’amplitudes
plus intenses. De ce fait, ces fréquences inaudibles seront elles aussi supprimées. La
compression MP3 utilise aussi une technique appelée ”réservoir d’octets”. Certains pas-
sages d’une musique ne peuvent pas être compressés sans diminuer la qualité d’écoute.
Ainsi, un petit réservoir d’octets permet de ne pas compresser ces passages en utili-
sant les octets économisés lors de l’encodage de parties à un taux supérieur. De plus, la
compression MP3 utilise le fait qu’en dessous d’une fréquence donnée, l’oreille humaine
n’arrive pas à localiser la provenance du son. Ces fréquences seront alors enregistrées en
mono accompagnées d’informations complémentaires permettant de restituer un mini-
mum d’effets, c’est ce qu’on appelle le ”joint stereo”. La technique du Codage utilise le
fait que l’oreille humaine ne puisse pas distinguer la différence de fréquence entre deux
sons quasi identiques. Ainsi, si on a une suite de fréquences très proches, on ne codera
plus chaque fréquence, mais seulement la valeur de référence ainsi que le nombre de
répétitions. Enfin, le codage d’Huffman est un algorithme de codage agissant à la fin de
la compression basé sur des codes de longueur variables et la probabilité d’apparition
d’un événement. Ainsi, une compression classique réduira la taille du fichier audio à
la hauteur de 1 : 12.
OGG
Ogg Vorbis est un format de compression avec perte. La différence principale avec le
MP3 réside dans le fait que ce dernier utilise des séquences de bits fixes pour coder
les passages audio. A l’inverse, Vorbis est un format à débit variable utilisant plus ou
moins de bits suivant les passages audio à compresser. Par exemple, un passage sans
son ou ayant uniquement un tempo de batterie nécessitera un nombre de bits moins
important que des passages contenant de nombreuses fréquences aiguës. Ceci explique
par conséquent un meilleur taux de compression pour Vorbis mais une complexité et
un temps de traitement plus important.
21
Les autres formats
Il existe plusieurs normes de compression audio (MPEG1, MPEG2, ...). Ces normes
sont établies par des organismes de normalisation qui établissent des formats de com-
pression donnant parfois lieu aux dépôts de brevets. Parmi les autres formats audio
compressés, on trouve le mp3PRO, le WMA qui constituent les formats les plus connus
mais il existe aussi les formats AAC, VQF ...
Pour résumer, un encodage MP3 à 64kbps réduit de 25 fois la taille du fichier audio mais
perd considérablement en qualité d’écoute. Or, ce type de traitement est communément
utilisé dans l’échange et le stockage de documents audio. Lors de la conception de l’empreinte,
il sera important de prendre en considération de telles dégradations afin de proposer une
empreinte qui y soit peu sensible.
22
3
Identification de documents
audio
23
Chapitre 3. Identification de documents audio
Sommaire
3.1 Conception d’identifiants audio . . . . . . . . . . . . . . . . . . . 24
3.1.1 Séparation du signal en intervalles . . . . . . . . . . . . . . . . . 25
3.1.2 Propriétés extraites . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Comparaison et Reconnaissance d’identifiants audio . . . . . . 33
3.2.1 Distances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Techniques d’indexation . . . . . . . . . . . . . . . . . . . . . . . 36
3.1 Conception d’identifiants audio
La génération d’empreinte audio consiste à calculer une courte signature (l’empreinte)
dérivée des caractéristiques perceptuelles d’un extrait audio et qui permette de l’identifier.
Pour cela, les caractéristiques d’un ensemble de documents sont stockées dans une base
de données. Quand un extrait inconnu est présenté, ses caractéristiques sont calculées et
comparées avec celles présentes dans la base de données. Si la comparaison satisfait certaines
conditions dépendantes de la méthode utilisée, alors le document est identifié comme étant
dérivé du même contenu. Ce domaine de recherche implique donc le traitement du signal et
l’analyse musicale d’un côté ainsi que l’indexation et la reconnaissance d’identifiants d’un
autre côté.
Par conséquent, indépendamment des approches retenues pour calculer, rechercher, ou
comparer la signature, l’architecture d’un tel système peut être divisée en deux modes
opératoires :
1. Tout d’abord, le module de construction de la base de données extrait des propriétés
acoustiques d’un ensemble de contenus et calcule, pour chacun d’eux, une signature
compacte et unique le caractérisant. Cette représentation compacte est alors stockée
dans la base de données et associée à un ensemble de metadonnées ou tags pour chaque
document.
2. Ensuite, le processus d’identification calcule la signature d’un court extrait inconnu et
la compare avec celles de la base de données afin de retrouver une signature qui soit
24
3.1. Conception d’identifiants audio
identique ou très similaire si le signal a été dégradé.
Toutes les implémentations actuelles suivent ce schéma de fonctionnement mais diffèrent
au niveau des propriétés acoustiques utilisées pour caractériser le signal audio ainsi qu’au
niveau des algorithmes d’indexation et de comparaison utilisés.
La première étape consiste donc à analyser le signal audio et à obtenir un ensemble
de valeurs caractéristiques de l’extrait audio. Or, la plupart des méthodes se basent sur la
représentation fréquentielle du signal pour calculer ces valeurs, et plus particulièrement sur
la transformée de Fourier. Cependant, calculer une telle transformée sur le signal complet
n’apporte pas d’information temporelle sur les instants où interviennent les fréquences. Il est
donc nécessaire de diviser le signal audio en un ensemble d’intervalles temporels afin d’avoir
une représentation fréquentielle sur chacun de ces intervalles. Notons qu’appliquer la trans-
formée de Fourier discrète sur chaque intervalle revient à supposer que le signal est station-
naire sur celui-ci (ce qui n’est évidemment pas le cas). Pour chaque intervalle, les fréquences
composant le signal seront analysées afin d’en déduire une valeur de sous-empreinte. L’em-
preinte finale sera alors composée de la concaténation par ordre chronologique des valeurs
de sous-empreinte correspondant à chaque intervalle.
3.1.1 Séparation du signal en intervalles
La méthode couramment utilisée pour découper le signal audio en intervalles s’appelle le
(( fenêtrage )). La plupart des méthodes de calcul d’empreinte audio se basent sur la sélection
d’intervalles par fenêtrage. L’idée est de diviser le signal en une succession de segments tem-
porels de taille fixe à partir du début de l’extrait. Mathématiquement, cette opération de
troncature revient à multiplier le signal x(t) par une fenêtre rectangulaire f(t) de durée T.
Cependant, cette multiplication dans l’espace temporel correspond à un produit de convo-
lution dans l’espace fréquentiel entre le spectre du signal et le spectre en sinus cardinal de la
fenêtre rectangulaire. Il en résulte alors une déformation du spectre causée par les ondula-
tions du sinus cardinal. Il est donc nécessaire de réaliser une troncature moins abrupte, afin
d’éviter ces effets indésirables appelés (( étalement spectral )). L’utilisation d’une fenêtre telle
que la fenêtre de Hamming rend les transitions aux bords de l’intervalle sélectionné plus
25
douces. Cependant, sélectionner les intervalles à la suite engendre un nouveau problème.
En effet, il y a une perte d’information sur les fréquences aux transitions de deux fenêtres.
De plus, cela rend sensible le système aux altérations temporelles du contenu telles que
la suppression d’un peu du signal en début de piste. En effet, les intervalles seront alors
complètement décalés. Pour minimiser ces problèmes, les intervalles ne se succèdent plus
mais se chevauchent en partie, c’est ce que l’on appelle le recouvrement ou (( overlap )). La
figure suivante résume le principe de la division du signal audio en fenêtres (Figure 3.1).
Fig. 3.1 – Technique de fenêtrage
Toutefois, l’utilisation d’un recouvrement entre les fenêtres diminue la sensibilité du
système aux décalages temporels sans la supprimer totalement. Prenons par exemple un
signal échantillonné à 44KHz, soit 44 échantillons par millisecondes, si on calcule l’approxi-
mation des fréquences par transformée de Fourier sur une fenêtre de 40ms, on se base donc
sur 44x40 = 1760 échantillons du signal pour effectuer cette approximation. Dans ce cas,
un recouvrement d’un demi revient à sélectionner la nouvelle fenêtre avec 20ms de décalage,
soit à la moitié de la précédente. Introduisons maintenant un décalage de 10ms au début
du signal. Le calcul de la transformée de Fourier se basera alors toujours sur des fenêtres de
40ms mais dont seulement trois quart des échantillons seront identiques au calcul précédent.
Ce qui veut dire que 1320 échantillons seront identiques mais 440 seront différents. Ce type
de décalage induira des identifiant différents pour la majorité des méthodes d’identification
basées sur le fenêtrage.
Une solution alternative, à priori moins sensible aux décalages, consiste à utiliser un en-
semble d’intervalles sélectionnés à des positions particulières du signal. Ce type d’intervalles
est par exemple utilisé lors de la détection du rythme des signaux audio. Cela se traduit
concrètement par la recherche du début (aussi appelé onset) ainsi que la durée de chaque
26
partie composant le signal donnant alors une représentation du tempo. La plupart de ces
méthodes sont basées sur la détection de changements significatifs dans une ou plusieurs pro-
priétés calculées le long du signal audio. Ils reposent donc sur un vecteur de caractéristiques
extrait grâce à l’analyse continue du document audio et résumant l’information rythmique
du signal. Par exemple, si le signal audio est analysé dans le plan temps-fréquence, une
augmentation de l’énergie de certaines bandes de fréquences indiquera l’apparition d’un
changement brusque caractérisé par un onset. Si l’on considère la phase du signal comme
un critère de détection d’onset, alors une opposition de phase ou la détection d’irrégularités
de la phase indiquera elle aussi un onset. L’utilisation de l’énergie du signal a montré son
efficacité dans le cadre de la détection d’onsets pour les signaux avec des changements de
notes à forte consonance percussive comme la batterie, puisque l’énergie présente alors un
fort gradient [24]. L’information de phase quant à elle permet de détecter les onsets dans
des signaux aux sources mixtes et aux transitions moins franches ([21, 25, 39, 51, 57]).
Ansi Klapuri [38] fut un des tout premiers à utiliser l’amplitude de l’enveloppe du signal
temporel afin d’y détecter des changements relatifs d’intensité. Hainsworth [28], plus tard,
a introduit une technique similaire mais basée non plus sur l’enveloppe du signal temporel
mais sur des mesures de distances entre l’énergie des bandes de fréquences résultantes de
la Transformée de Fourier. Puis Juan Pablo Bello [4] incorpora à cette méthode la prise en
compte de la phase de la Transformée de Fourier.
Alonso [2, 3] propose une méthode basée sur la détection de changements brusques du
timbre et des harmoniques composant le signal. Pour cela, une transformée temps-fréquence
est appliquée au signal. Le plan fréquentiel est ensuite envoyé vers un filtre à réponse
impulsionnelle finie afin de diviser le plan fréquentiel en bandes. Les énergies des bandes
fréquentielles sont alors calculées afin d’obtenir un vecteur de pulsations périodiques corres-
pondant à la hauteur de l’énergie spectrale par bande. La détection des onsets est ensuite
générée par analyse de l’autocorrélation de ce vecteur de pulsations.
L’algorithme développé par Dixon [17, 18] propose d’estimer le tempo et la durée du
rythme musical. Pour cela, la première étape de l’algorithme recherche le début de change-
ments brusques en trouvant des maxima locaux lors de l’analyse de l’amplitude de l’enveloppe
du signal temporel. L’algorithme de déduction du tempo calcule alors l’intervalle inter-onset
27
entre deux évènements successifs et classifie ces intervalles en groupes de durées proches.
Il ordonne ensuite ces classes en fonction du nombre d’intervalles qu’elle contiennent et de
leur relations. Il obtient ainsi une liste ordonnée d’hypothèses de tempo du signal audio. Il
utilise finalement un système multi-agents afin de tester les différentes hypothèses de tempo
et trouver l’agent qui prédit au mieux le rythme par rapport au signal fourni.
Tzanetakis [56, 55] propose une méthode basée sur les ondelettes. Dans un premier
temps, le signal est segmenté en fenêtres temporelles de 3 secondes avec un recouvrement
de la moitié de la fenêtre. Chaque fenêtre est alors décomposée, par transformée en onde-
lettes, en 5 bandes de fréquences. L’énergie moyenne de chaque bande est calculée afin de
déterminer l’autocorrélation de ces énergies. L’autocorrélation maximum est extraite pour
chaque fenêtre afin de fournir une estimation du tempo. Le tempo final est défini par le
résultat d’un filtre médian appliqué à cette estimation (Figure 3.2).
Fig. 3.2 – Détection d’onsets
La détection de rupture peut également être effectuée en analysant le signal sur deux
intervalles situées respectivement avant et après un point que l’on suspecte d’être un point
de rupture. Si le signal sur chacun des intervalles est décrit par un ensemble de vecteurs, la
détection d’onsets revient à l’estimation de changements brusques parmi les ensembles de
vecteurs décrivant le signal avant et après le point de rupture suspecté. Dans ce cadre, F.
Desobry et al. [15] ont proposé une technique extrêmement novatrice basée sur l’utilisation
de noyaux permettant de projeter l’ensemble des vecteurs sur la sphère unitaire d’un espace
de grande dimension. F. Desobry, utilise également un SVM une classe pour estimer pour
chaque ensemble de vecteurs le support de sa densité de probabilité (i.e. l’ensemble des
points ou la densité est supérieure à un seuil). Tout l’intérêt de cette méthode est que
l’estimation du support de la densité de probabilité ne requiert par une explicitation de la
28
densité de probabilité. On évite donc une tache souvent délicate et parfois un peu arbitraire.
La distance entre deux ensembles de vecteurs est finalement estimée à partir de la distance
entre leurs support de densité de probabilité sur la sphère. Notons que cette technique
permet de détecter des changement entre ensembles de vecteurs et est donc applicable à
bien d’autres domaines que la détection d’onsets.
3.1.2 Propriétés extraites
Une fois le signal audio séparé en intervalles de temps consécutifs ou sélectionnés à des
instants particuliers, la construction d’empreinte se base sur l’extraction de propriétés acous-
tiques sur chaque intervalle afin d’en déduire une sous-empreinte. La plupart des méthodes
dans ce domaine se basent sur des transformées temps-fréquence standard, telle la trans-
formée de Fourier discrète (TFD) [20, 36] qui reste la plus utilisée. Pour autant, d’autres
transformées ont été testées telles la transformée en cosinus discret (DCT), la transformée
de Walsh-Hadamard [53], la transformée complexe modulée (MCLT) [8, 7], ou encore la
transformée en ondelettes (DWT) [13, 41]. A partir de l’espace temps fréquence obtenu,
l’idée est d’extraire des caractéristiques afin d’en déduire des sous-valeurs d’empreinte.
Dans ce but, de nombreuses méthodes ont été proposées. Une des plus répandue repose
sur l’utilisation des MFCC6 [43] pour analyser le spectre avec des bandes de fréquences
correspondant à l’appareil auditif humain. Les mesures de Spectral Flatness ont été mises
en oeuvre par Allamanche [1] car elles permettent d’estimer la qualité de la tonalité dans des
bandes de fréquence du spectre. Il en résulte une détection des transitions du signal audio.
Le signal est finalement caractérisé par une séquence de valeurs correspondant à la durée de
chaque tonalité.
D’autres, comme Li et Hou [41] ont mis en place un dispositif basé sur un algorithme de
transformée en ondelettes pyramidales. Leur algorithme calcule la transformée en ondelette
à différentes résolutions (d’où la notion de pyramide). Comme le montre la Figure 3.3, un
extrait audio inconnu est caractérisé par les coefficients de sa transformée en ondelettes à
chaque résolution.
6 Mel-Frequency Cepstral Coefficients
29
Fig. 3.3 – Caractérisation d’un signal par coefficients d’ondelettes
Avery Wang [58] utilise la méthode des fenêtres recouvrantes pour calculer et analyser le
spectre de chaque intervalle temporel afin de trouver et marquer des maximum locaux dans
le spectre. Ces marques sont déterminées, comme les onsets, en recherchant des changements
brusques et définis par leur coordonnées temporelles et fréquentielles. Le spectre est alors
divisé temporellement et fréquentiellement pour créer des zones composées d’un nombre fixe
de marques. Ces zones, caractérisées par les positions et fréquences des marques qu’elles
contiennent, seront alors comparées à celles pré-calculées pour trouver des zones identiques.
Dans une autre approche, Frank Kruth [40] décrit une technique de génération de très
courtes signatures de signaux audio. Tout d’abord l’extrait est envoyé dans un filtre passe-
bande linéaire dans le but de simuler grossièrement les effets d’une éventuelle distorsion.
Ensuite, le signal temporel est décomposé en intervalles par utilisation de fenêtres recou-
vrantes. Pour chaque intervalle, l’énergie totale du signal est calculée afin de quantifier
ce niveau d’énergie. Il compare ensuite ce niveau de quantification avec le précédent afin
d’en déduire un bit par fenêtre traduisant le signe de la différence d’énergie à l’instant t
avec l’énergie à l’instant t+1 : S(k) = sign(x(k + 1) − x(k)) (Figure 3.4). Pour résumer,
cette séquence de bits permet de coder la pente de la courbe dessinant la croissance ou la
décroissance de l’énergie du signal.
Burges et al. [8] présentent un algorithme de réduction de la dimensionnalité d’un si-
gnal appelé Analyse Discriminante de Distorsions7 . Ils proposent de se baser sur une trans-
formé de Karhunen-Loeve modifiée appelée Oriented Principal Component Analysis8 . Tout

7 Distorsion Discriminant Analysis
8 Oriented Principal Component Analysis
30
Fig. 3.4 – Empreinte par signe de la courbe d’énergie
d’abord, le signal audio est sous échantillonné à 11,025 KHz, converti en mono, et séparé
1
en intervalles de 23,2ms avec recouvrement de 2 sur lesquels ils appliquent une Transformée
Complexe Modulée (MCLT). Il en résulte alors pour chaque intervalle un vecteur de 128 va-
leurs décrivant le spectre avec une échelle logarithmique. Ils utilisent ensuite l’OPCA pour
réduire considérablement la dimensionnalité du signal audio et trouver un ensemble de pro-
jections du signal d’entré qui maximise le rapport signal sur bruit. Il est donc nécessaire
de disposer d’un ensemble d’apprentissage pour chaque distorsion à prendre en compte.
Ensuite, plusieurs niveaux d’Analyse en Composantes Principales Orientées sont combinées
afin de créer un réseau de neurones qui extrait pour chaque intervalle un ensemble de ca-
ractéristiques robustes aux bruits appris. Après ces couches successives de traitement, on
obtient un vecteur de 64 valeurs décrivant 20 secondes de signal. Ce vecteur est généré toutes
les 243,6ms.
L’algorithme de Brück [6] applique une transformée de Fourier sur des fenêtres d’une
durée de 40ms avec un recouvrement de 1/2. La représentation spectrale est envoyée vers un
banc de 8 filtres passe-bandes entre 300 et 2000Hz. L’énergie de chaque bande est stockée
sur 16bits, ce qui fait un total de 128 bits par intervalle.
Parmi les article dont s’est inspiré Brück figure celui de Haitsma et Kalker[36]. Dans cet
31
Fig. 3.5 – Analyse en Composantes Principales Orientées
article, les auteurs utilisent des intervalles de 0,37 secondes avec un recouvrement de 31/32
pour découper le signal audio. La sortie de la transformée de Fourier appliquée sur chaque
intervalle est envoyée vers un banc de 33 filtres passe-bandes de fréquences de coupure fixées
entre 300 et 2000Hz (Figure 3.6). L’énergie de chaque bande fréquentielle est calculée en sor-
tie de chaque filtre. La valeur de sous-empreinte correspondant à chaque intervalle est définie
sur 32 bits. Cette séquence de bits, est définie à partir du signe des différences d’énergie cal-
culée entre deux bandes de fréquences consécutives d’un même intervalle ainsi qu’entre deux
intervalles consécutifs. Plus précisément, définissons EB(n, m) comme l’énergie de la miene
bande de l’intervalle n et ∆EB(n, m) = EB(n, m) − EB(n, m + 1) la différence d’énergie
entre deux bandes successives d’un même intervalle. La valeur du miene bit de l’intervalle n
est alors définie par :

 1 Si ∆EB(n, m) − ∆EB(n − 1, m) ≥ 0

F (n, m) = (3.1)
 0 Si ∆EB(n, m) − ∆EB(n − 1, m) ≤ 0

Finalement, la valeur de sous-empreinte de chaque intervalle correspond à la concaténation
32
3.2. Comparaison et Reconnaissance d’identifiants audio
des 32 bits F (n, m), m ∈ {1, . . . , 32}.
Fig. 3.6 – Empreinte par différences inter-filtres
Dans chacun des cas, l’empreinte finale résulte de la concaténation des valeurs successives
de chaque intervalle pour former une séquence de valeurs que l’on va donc comparer avec la
base de données pour en rechercher des similitudes.
3.2 Comparaison et Reconnaissance d’identifiants audio
Du choix de la méthode de calcul d’identifiant dépendra le choix de la distance et de
l’algorithme d’indexation à mettre en oeuvre pour rechercher rapidement un document audio.
3.2.1 Distances
Comme nous l’avons vu, certaines méthodes caractérisent les documents à l’aide de vec-
teurs de caractéristiques. On va alors employer une distance qui permet de comparer deux
vecteurs entre eux. Pour ce faire, on peut penser à la distance Euclidienne [59, 8] ou dans le
cas binaire, à la distance de Hamming [37]. Mihçak et al [45] proposent une mesure d’erreur
appelée Exponential Pseudo Norm qui selon eux est plus appropriée car elle accentue l’écart
entre les valeurs faibles et élevées de la distance facilitant ainsi distinction entre deux iden-
tifiants. Certaines méthodes [1] utilisent également une représentation compacte du modèle
33
à base de vecteur de quantification et de séquences d’index par Modèles de Markov Cachés
(HMM) pour calculer une distance entre un identifiant inconnu et un référent.
Bruck [6] calcule une différence filtre à filtre. Un indice de dissimilarité local est calculé par
somme des valeurs absolues des différences. Ils obtiennent ainsi une courbe de dissimilarité
entre deux documents (Figure 3.7). L’extraction des minimums de dissimilarité localise alors
les positions de correspondances. Ils utilisent finalement un nettoyage itératif afin de faire
apparaı̂tre les zones de correspondances par des pics.
Fig. 3.7 – Figure du haut : courbe de dissimilarité. Figure du bas : localisation des zones
de correspondances
Dans le cadre de l’identification de Vidéos, Hoad [32, 31] a proposé des distances entre em-
34
preintes basées sur la notion de distance d’édition. Une telle distance suppose de considérer
chaque empreinte comme une chaı̂ne définie sur un alphabet Σ. Ces chaı̂nes peuvent être
modifiées par les opérations suivantes :
1. substitution d’un symbole x ∈ Σ par un symbole y ∈ Σ, notée x → y
2. insertion d’un symbole x ∈ Σ, notée λ → x
3. suppression d’un symbole y ∈ Σ, notée y → λ
où λ représente le symbole vide.
Une suite de transformations d’une chaı̂ne définit ce que l’on appelle une séquence
d’éditions [11] :
Définition 1. Séquence d’édition Une séquence d’édition S est définie comme une
séquence ordonnée d’opérations d’édition élémentaires s1 , . . . , sp .
Pour deux chaı̂nes structurellement proches, il existe ainsi une séquence d’édition de
faible coût alors que pour deux chaı̂nes dont la structure est très différente une séquence
d’édition, dont le coût est important, sera nécessaire.
La distance d’édition de deux chaı̂nes est définie comme le chemin d’édition de coût
minimum entre celles-ci.
Définition 2. Distance d’édition
Soit c une fonction de coût qui attribue à chaque opération d’édition s une valeur réelle
positive c(s). Le coût d’une séquence d’édition est défini comme la somme des coûts de
chacune des opérations d’édition élémentaires qui la compose :
p
X
c(S) = c(si ) (3.2)
i=1
La distance d’édition entre deux chaı̂nes X et Y est alors définie comme le coût minimum
des séquences d’édition permettant de transformer X en Y :
d(X, Y ) = min{c(S) : S est une séquence d’opérations d’édition qui transforme X en Y }
(3.3)
35
La distance d’édition permet d’affecter à chaque opération (insertion/suppression/substitution)
un coût adapté au contexte applicatif. Dans le cadre de l’identification de vidéos introduit
par Hoad, les empreintes sont définies à partir de la détection d’images correspondant à
des changements de plans dans les vidéos. Ce problème reste délicat et un algorithme de
détection peut facilement détecter des images additionnelles ou ne pas détecter certaines
images si l’on modifie légèrement la vidéo. L’utilisation d’opérations d’insertion/suppression
dans la distance d’édition permet de prendre naturellement en compte cette faiblesse des
algorithmes de calcul d’empreinte utilisé par Hoad.
3.2.2 Techniques d’indexation
Le problème qui se pose maintenant est de comparer efficacement la signature de l’ex-
trait inconnu avec les signatures pré-calculées stockées dans la base de données. Le but est
d’organiser les données afin de réduire le nombre de calculs de distance et par la même
occasion, le temps de recherche. En effet, un algorithme de recherche comparant chaque
combinaison de l’identifiant inconnu avec toute la base pré-calculée prendrait énormément
de temps, plusieurs dizaines de minutes voir bien plus suivant la taille de la base de données
et la machine employée.
Dans la méthode par ondelettes pyramidales [60], cette méthode génère les coefficients
d’ondelettes en approximant le signal à différentes échelles de résolution. Pour la recherche, ils
comparent les coefficients d’ondelette de niveau 6 par une distance Euclidienne (Figure 3.8).
Ensuite, ils classent par ordre croissant les distances obtenus. Ils conservent alors tous les
candidats dont la distance avec le signal inconnu est inférieure à la distance minimale calculée
multipliée par un certain facteur. Cela revient à conserver les identifiants dont la distance
est proche de la distance minimale trouvée. Puis, ils raffinent la recherche en ajoutant des
détails. Ils comparent donc les coefficients au niveau 5 du signal inconnu avec les candidats
rescapés de la recherche au niveau 6. Puis ainsi de suite, la méthode devient de plus en plus
sélective lorsque l’on passe au niveau inférieur et le nombre de candidats s’amenuise pour
n’en garder que quelques uns.
Haitsma et Kalker [36] calculent un identifiant comme étant une suite des valeurs de 32
bits associées à chaque fenêtre du signal. Pour retrouver le bon signal, ils font l’hypothèse
36
Fig. 3.8 – Reconnaissance par la technique d’ondelettes pyramidales
qu’au moins une fenêtre de l’identifiant pré-calculé correspondant ne contiendra aucun bit
erroné. Ils proposent alors d’utiliser un index des valeurs possibles de 32 bits. Chaque entrée
dans l’index est associée à un où plusieurs documents ainsi que les positions dans le signal
auxquelles apparaissent ces valeurs, comme le montre la Figure 3.9.
Partant d’un extrait inconnu, ces valeurs de sous-empreintes sont calculées et recherchées
dans la table d’index afin de trouver une liste de signaux-positions. Ensuite, pour chaque
candidat, à la position correspondante, ils calculent la distance de Hamming sur un durée
équivalente à 256 valeurs de sous-empreintes. Si une distance de Hamming entre 2 documents
est sous un certain seuil déterminé de manière empirique, alors le document associé est
considéré comme co-dérivé.
Les heuristiques des principales méthodes exposées dans ce chapitre sont résumées Tab. 3.1.
37
Fig. 3.9 – Reconnaissance par table d’index et distance de Hamming
Méthodes Segmentation Calcul d’em- Indexation Comparaison et

Temporelle preinte reconnaissance
Li et Hou[41] Ondelettes py- Coefficients d’onde- Indexation par Comparaison des co-
ramidales lettes à différentes échelle de résolution efficients d’ondelettes
échelles par distance eucli-
dienne
Kruth[40] Fenêtres recou- Bit de différence aucune Distance de Ham-
vrantes d’énergie entre ming
l’instant t et t+1
Burges et Transformée OPCA combinées aucune Reconnaissance par
al.[8] Complexe pour extraire un distance euclidienne
Modulée vecteur de 64 valeurs entre vecteurs de 64
décrivant 20s de valeurs
signal
Brück et al.[6] Fenêtres recou- Energies d’un banc aucune Somme des va-
vrantes de 8 filtres appliqués leurs absolues des
à la transformée de différences entre
Fourier stockées sur filtres par dis-
16 bits chacunes, soit tance euclidienne
128bits et détermination de
minima.
Haitsma et Fenêtres recou- Bits de différences Indexation par table Distance de Ham-
Kalker[36] vrantes entre filtres d’index associés ming calculée à par-
fréquentiels stockés aux documents et tir d’une valeur de 32
sur 32bits par inter- positions tempo- bits identique et sur
valle relles auxquelles sont une longueur de 256
calculées les valeurs valeurs.
Tab. 3.1 – Tableau Récapitulatif
38
4
Construction Robuste
d’Identifiants Audio
Dans ce chapitre, nous allons détailler les étapes qui nous ont conduit, à l’élaboration
d’une nouvelle empreinte de documents audio. Cette empreinte a été développée et a évolué
en adéquation avec les contraintes de notre application.
39
Chapitre 4. Construction Robuste d’Identifiants Audio
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Analyse des fréquences . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Segmentation temporelle . . . . . . . . . . . . . . . . . . . . . . . 44
4.4 Conception de l’empreinte . . . . . . . . . . . . . . . . . . . . . . 48
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1 Introduction
Rappelons brièvement les contraintes qui sont les notres :
1. L’identification doit être indépendante du format du fichier.
L’utilisation de différents formats (tel que MP3) va essentiellement modifier le taux
de compression du document audio. Il faut donc que notre méthode soit robuste aux
taux de compression couramment utilisés. Ceci nous a conduit à rejeter un ensemble
de méthodes trop peu résistantes vis à vis de ce critère.
2. L’identification doit pouvoir être effectuée à partir d’un échantillon quelconque d’un
document audio.
Cette dernière contrainte est sans doute celle qui a la plus forte incidence dans le
choix des outils à utiliser pour l’identification. En effet, beaucoup de documents au-
dio sont assez similaires dans les premières secondes (silence, applaudissements...), par
conséquent, l’identification ne doit pas se baser uniquement sur le début d’une oeuvre.
De plus, utiliser uniquement le début d’une oeuvre permet de contourner le système
de DRM en concaténant quelques secondes d’un morceau connu à un morceau piraté.
L’identification d’un morceau doit donc pouvoir être effectuée soit à partir d’une po-
sition aléatoire dans le fichier soit périodiquement au cours de l’écoute du document.
Cette contrainte induit un décalage de positions entre le document lu et celui présent
dans la base des morceaux connus, ce qui impose une synchronisation du calcul d’iden-
tifiants. Notre méthode doit donc être robuste à de tels décalages, ce qui nous a conduit
40
4.2. Analyse des fréquences
à rejeter l’ensemble (majoritaire) des méthodes présentant une fragilité pour ce type
d’altérations.
3. L’identification d’un morceau doit être effectuée en quelque secondes (environ 5s) et
doit nécessiter des ressources machine (temps de calcul, espace mémoire, espace disque)
compatibles avec les capacités d’un ordinateur familial ou d’un mobile.
Cette contrainte nous amène à privilégier une identification d’un document audio en
parallèle à sa lecture. Nous avons donc rejeté toutes les méthodes utilisant l’ensemble
d’un fichier audio pour l’identification. En effet, ces méthodes posent des problèmes
en terme de temps de calcul et de ressources (processeur, mémoire, disque) mobilisées.
Notons qu’un temps de calcul trop long rendrait inopérante la gestion des droits. En
effet, l’identification en 3 minutes d’un fichier audio de 4 minutes remet fortement en
cause la pertinence du système DRM qui ne peut alors interdire la lecture qu’à partir
des 3/4 de l’oeuvre.
4.2 Analyse des fréquences
Notre première méthode de calcul de sous-empreinte est basée sur le même principe que
celle de Haitsma et Kalker [37] exposée en Section 3.1.2 (équation 3.1). Comme ces auteurs,
nous avons utilisé la technique des fenêtres recouvrantes afin de séparer le signal en une
succession d’intervalles de taille fixe. Puis, nous avons calculé le spectre de chaque intervalle
que nous avons ensuite décomposé en une suite de bandes de fréquences avec un espace-
ment logarithmique. Cependant, comme le montrent nos expérimentations (Section 6.2.3),
un fort taux de compression peut significativement altérer la robustesse de cet algorithme
d’extraction de sous-empreinte. Par exemple, un taux de compression de 128kbps (un des
plus répandu dans les réseaux P2P) engendre un taux d’erreur bit à bit de 9% et un taux
de valeurs de 32-bits similaires de seulement 24%. Ces tests ont été fait en comparant bit
à bit ou valeur entière avec valeur entière l’empreinte d’un signal audio et celle du même
contenu préalablement compressé. Ce dernier inconvénient interdit une comparaison directe
de deux empreintes de documents audio basée sur le nombre de sous-empreintes communes
aux deux signaux. L’empreinte du contenu compressé est en effet trop éloignée de celle de
41
l’original (24%). L’altération du signal par du bruit, une compression, ou une opération de
suppression réduit donc de manière drastique le nombre de valeurs identiques entre l’em-
preinte d’un document et celle du même document dégradé. Comme nous l’avons vu dans le
chapitre précédent, Haitsma et Kalker résolvent ce problème en utilisant la distance de Ham-
ming entre deux séquences de sous-empreintes. Cette stratégie impose toutefois de nombreux
calculs de distance de Hamming avant de pouvoir identifier l’extrait inconnu.
Nous avons donc, dans un premier temps envisagé d’améliorer la robustesse de l’al-
gorithme d’extraction de caractéristiques en se basant sur les deux remarques suivantes
(Figure 4.1) :
– L’utilisation de deux intervalles successifs afin de calculer la valeur de la sous-empreinte
(equation 3.1) implique la corruption de deux sous-empreintes si une erreur se produit
dans l’extraction des caractéristiques de l’intervalle qu’ils ont en commun.
– La comparaison des énergies de deux bandes successives d’un spectre est sensible aux
erreurs qui peuvent se produire sur une seule bande. On observe alors le même in-
convénient qu’au point précédent entre deux valeurs basées sur l’énergie d’une même
bande.
EB(n,m)
EB(n,m+1)
∆EB(n − 1, m) ∆EB(n, m) ∆EB(n + 1, m)
F (n, m) F (n + 1, m)
Fig. 4.1 – Relations de dépendances entre les différentes notions utilisées par Haitsma et
Kalker.
Nous résolvons la première source d’erreurs en n’utilisant qu’un seul intervalle pour
chaque calcul de sous-empreinte. Ceci évite que l’extraction erronée des énergies de bandes
42
4.2. Analyse des fréquences
d’une sous empreinte ne perturbe la sous empreinte suivante. La seconde source d’erreur est
liée au fait que l’énergie d’une bande du spectre influe sur deux différences d’énergie entre
bandes. En effet, en utilisant les mêmes notations que dans dans la section 3.1.2, l’altération
de la mesure de l’énergie d’une seule bande (EB(n, m)) altère les valeurs de ∆EB(n, m − 1)
et ∆EB(n, m). Cette altération des bandes d’énergie peut être considérée comme la présence
d’un bruit aléatoire sur le signal EB(n, m)m∈{1,..,M } où M représente l’index de la dernière
bande d’énergie.
Si on suppose que le bruit est non corrélé entre les différents échantillons du signal
EB(n, m)m∈{1,..,M } , une méthode classique pour réduire l’influence du bruit consiste à rem-
placer chaque mesure EB(n, m) par une valeur moyenne de EB(n, m) fonction de m. Nous
définissons ainsi l’énergie moyenne S(n, m) d’une bande m, d’un intervalle n, comme la
moyenne de toute les énergies des bandes de 0 à m :
m
1 X
∀m ∈ {1 . . . , M }, S(n, m) = EB(n, i)
m i=1
On remplace alors EB(n, m) par S(n, m) dans le calcul des différences d’énergies entre
bandes. Le mieme bit de la sous-empreinte associée à l’intervalle n (F (n, m)) est donc défini
par :

 1

Si S(n, m) − S(n, m − 1) ≥ 0
F (n, m) =
 0

Sinon
Notons que F (n, m) utilise uniquement les informations de l’intervalle n. Les erreurs ne
se propagent donc pas entre deux intervalles. On a de plus la relation suivante :
1
Pm 1
Pm−1
S(n, m) − S(n, m − 1) = m i=1 EB(n, i) − m−1 i=1 EB(n, i)
1 1
Pm−1
= m EB(n, m) − m(m−1) i=1 EB(n, i)
1
= m (EB(n, m) − S(n, m − 1))
Puisque nous utilisons simplement le signe de S(n, m) − S(n, m − 1), la formule précédente
peut être simplifiée comme suit :
43

 1

Si EB(n, m) − S(n, m − 1) ≥ 0
F (n, m) =
 0

Sinon
La sous-empreinte pour chaque intervalle n est alors définie par la concaténation des M
bits F (n, m)m∈{1,..,M } . Le paramètre M est fixé à 32 afin de faciliter la comparaison de
nos empreintes avec celles d’Haitsma et Kalker [37] (chapitre 6). L’empreinte du document
audio est enfin définie comme la concaténation de la séquence de sous-empreintes.
La figure suivante (Figure 4.2) montre, à gauche, l’empreinte d’un signal audio dit origi-
nal. L’axe horizontal correspond au nombre de bits pour chaque empreinte et l’axe verticale
représente le temps. De cette manière, nous pouvons visualiser les valeurs de sous empreintes
du signal avec F (n, m) = 0 représenté de couleur noir tandis que F (n, m) = 1 est représenté
en blanc. L’empreinte centrale correspond au même contenu ayant subi une compression au
taux usuel de 128Kbps. Ainsi, nous observons à droite la distance de Hamming entre ces
deux empreintes où les zones blanches correspondent à des bits différents entre les deux em-
preintes. On observe dans cet exemple une faible variabilité de l’empreinte lorsque le contenu
est soumis à une altération de type compression.
4.3 Segmentation temporelle
Nos expérimentations (Chapitre 6, Fig. 6.1) ont montré que la modification précédente de
la méthode de Haitsma améliore significativement la robustesse de l’extraction d’empreinte
vis à vis de la compression. Cependant, nous nous sommes également aperçu que l’extraction
d’empreinte était sensible aux décalages temporels. Ces décalages peuvent être induits par :
1. la suppression d’une partie du morceau de musique ou bien
2. la sélection d’un extrait du morceau pour l’étape de reconnaissance.
Cette sensibilité aux décalages temporels est dûe à l’utilisation de la méthode des fenêtres
glissantes appelée fenêtrage ou framing (Section 3.1.1).
En effet, La méthode de fenêtrage assure qu’un nombre fixe et suffisant d’intervalles est
sélectionné à partir d’un signal d’entrée. Cependant, la sélection d’une séquence d’intervalles
44
4.3. Segmentation temporelle
Fig. 4.2 – Distance de Hamming entre l’empreinte d’un contenu et celle de son compressé
contigus est sensible aux décalages temporels qui peuvent être appliqués au document (Sec-
tion 2). Cet inconvénient est atténué grâce au recouvrement entre fenêtres mais n’est pas
complètement résolu. D’un autre côté, les méthodes de segmentation, à base d’onsets par
exemple, sont moins sensibles à ces opérations mais ne garantissent pas que suffisamment
d’intervalles seront extraits dans un intervalle de temps imparti. En effet, pour détecter un
onset, il est nécessaire d’avoir une transition suffisamment nette entre deux parties disc-
tinctes du signal.
La figure 4.3 illustre l’emplacement des changements significatifs du signal audio détectés
par des techniques usuelles d’extraction d’onsets ou de tempo. On observe bien qu’il est
possible de déterminer des instants particuliers et persistants après dégradation. Toutefois,
si on calcule des valeurs caractéristiques du signal uniquement lors de la détection de telles
45
Fig. 4.3 – Détection de transitions le long d’un signal audio.
transitions, nous devons garantir une fréquence minimale de détection pour pouvoir garantir
une fréquence minimale de génération de sous empreinte. Ceci est indispensable pour garantir
une identification d’un signal audio en un temps imparti. Cependant, le nombre de transitions
détectées dans un temps donné dépend de l’allure du signal et est donc imprévisible. On ne
peut donc pas garantir a priori qu’un nombre minimal de transitions sera détecté dans un
intervalle de temps donné.
L’idée de base de notre méthode est de combiner les avantages respectifs des méthodes
de fenêtrage et de détection :
1. Les méthodes de de fenêtrage permettent d’assurer qu’un nombre minimal et suffisant
d’intervalles sera extrait dans un temps imparti.
2. Les méthodes de détection permettent de sélectionner les intervalles à des instants
particuliers du signal et résistant aux altérations de type compression ou décalages
temporels. Ceci induit naturellement une synchronisation rapide de deux empreintes
similaires sur ces instants particuliers.
Pour ce faire, la méthode proposée se base sur la définition d’un intervalle de temps
de durée déterminée pendant lequel l’enveloppe du signal est analysée afin de rechercher
l’instant qui le caractérise au mieux. Cela se traduit par l’algorithme suivant décomposé en
3 étapes (Figure 4.4) :
– Dans la première étape, un intervalle, appelé Intervalle d’Observation (Io ) est sélectionné
au début du signal afin d’étudier l’enveloppe du signal sur cet intervalle. La taille de
cet intervalle est usuellement égale à quelques centièmes de secondes.
– L’intervalle Io est ensuite décomposé en une multitude de sous-intervalles de quelques
millisecondes appelés Intervalle d’Energie (Ie ). L’intervalle Ie va nous servir de fenêtre
glissante le long du signal. Chaque intervalle Ie est affecté d’une énergie définie par
46
4.3. Segmentation temporelle
l’amplitude moyenne des échantillons sur l’intervalle. L’instant qui caractérise le mieux
l’intervalle Io est défini comme le centre de l’intervalle Ie d’énergie maximum (noté
Iemax )
– Dans la troisième étape, un dernier intervalle, appelé Intervalle de Caractérisation (Ic )
est défini au même emplacement (centré) que l’intervalle Iemax . Cette intervalle Ic est
choisi de longueur égale à quelques dizièmes de secondes afin de calculer la transformée
de Fourier associée et d’extraire une valeur de sous-empreinte basée sur la méthode
expliquée dans la sous-section précédente.
Finalement, le début de l’intervalle Io suivant est positionné à la fin de Iemax .
Fig. 4.4 – Méthode de segmentation audio
L’enveloppe du signal est donc analysée par sous-parties. Sur chacune de ces sous-parties
est calculée une valeur de sous-empreinte à la position d’énergie maximale. Nous garantissons
ainsi qu’une sous empreinte sera calculée sur chaque intervalle Io et nous synchronisons les
calculs de sous empreintes sur des parties remarquables du signal.
Notre heuristique de sélection du prochain intervalle Io (après Iemax ) apporte une plus
grande robustesse envers les décalages temporels par rapport aux stratégies de base qui
consistent à selectionner une séquence consécutive d’intervalles Io sans tenir compte de la
position de l’intervalle Iemax . En effet, en utilisant cette dernière stratégie, un Iemax situé à
la transition entre deux intervalles Io pourrait ne pas être détecté. De plus, notre stratégie
permet de détecter plusieurs intervalles Ie , avec des énergies proches, au sein d’un même
47
Io . L’intervalle d’énergie maximum sera détecté mais si d’autres intervalles Ie d’énergie
proche lui succèdent, ils correspondront aux maximum sur les intervalles Io suivants et
seront donc également détectés. Cette dernière propriété renforce la robustesse de notre
méthode d’extraction d’empreintes. Sans cette propriété, la stratégie de base ne permettrait
de sélectionner qu’un seul intervalle Ic pour chaque Io . Or, une dégradation du signal pourrait
échanger la sélection de deux Ie dont les énergies seraient proches et importantes. Notre
stratégie renforce donc aussi la robustesse envers d’autres types de dégradations. Elle renforce
notamment la robustesse de l’extraction d’empreinte vis à vis de la compression ce qui nous
intéresse tout particulièrement.
A noter enfin que la distance entre deux intervalles Iemax successifs varie entre Ie et Io ,
1/Io est donc le nombre minimum de valeurs caractéristiques de sous-empreinte calculées en

une seconde. Notre méthode garantie donc bien une fréquence minimale I1o d’extraction
de sous empreinte.
4.4 Conception de l’empreinte
La Transformée de Fourier sur laquelle est basé notre calcul de la valeur de sous-empreinte
induit de nombreux calculs et est sensible aux altérations du signal. Ceci induit une varia-
bilité importante de notre empreinte en fonction des dégradations du signal. Or, notre pro-
cessus de segmentation audio est très fiable (Chapitre 6). Nous avons donc jugé qu’il n’était
pas utile de rajouter un second processus (la transformée de Fourrier) source potentielle
d’erreurs et avons décidé de baser notre empreinte uniquement sur l’information apportée
par le processus de segmentation.
Nous avons donc défini une nouvelle méthode de calcul de la valeur de sous-empreinte
basée sur l’écart (en ms) entre les instants particuliers détectés entre deux sous empreintes.
Comme nous l’avons vu, cette valeur varie entre Ie et Io . Une sous empreinte peut donc
prendre Io − Ie valeurs. Étant donné un codage en 44KHz mono, il est nécessaire d’utiliser
14 bits pour coder cette information au lieu des 32 utilisés par la méthode précédente. On
a donc une réduction significative de l’espace nécessaire pour stocker une sous empreinte.
De plus notre processus de segmentation sélectionne un nombre inférieur d’intervalles que
48
4.5. Conclusion
la méthode des fenêtres recouvrantes. La réduction est donc nettement plus importante que
14
le simple rapport 22 ≈ 23 .
4.5 Conclusion
Il est possible de jouer avec la valeur de Io en fonction des contraintes du système.
Pour un faible espace de stockage, un Io élevé réduit le nombre de valeurs contenues dans
l’empreinte et donc stockées dans la base de données. A l’inverse, pour de grosses bases de
données gérant des milliers de documents, un intervalle Io plus réduit augmente le nombre
de valeurs calculées par seconde et donc la quantité d’information servant à discriminer les
signaux.
49
50
5
Appariement d’Identifiants
Audio
Nous avons présenté notre méthode de calcul d’empreinte dans le chapitre 4. Ces em-
preintes se présentent comme une suite de nombres entiers, chaque entier codant une distance
entre deux instants particuliers du signal. La prochaine étape consiste à comparer efficace-
ment l’empreinte d’un extrait inconnu et une base d’empreintes pré-calculées. Nous allons
donc développer ici le cheminement qui nous à conduit à l’élaboration de notre méthode
d’identification.
51
Chapitre 5. Appariement d’Identifiants Audio
Sommaire
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2 Scores par quantité d’information . . . . . . . . . . . . . . . . . 54
5.2.1 Structuration de la base de données . . . . . . . . . . . . . . . . 54
5.2.2 Décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.2.2.1 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.2.2 Extension à plusieurs tailles de q grams . . . . . . . . . 60
5.3 Score par distance d’édition . . . . . . . . . . . . . . . . . . . . . 62
5.1 Introduction
La méthode que nous devons élaborer doit nous permettre de stipuler si une empreinte
correspondant au même contenu que le signal original est stockée dans la base ou si au-
cune empreinte n’est dérivée de l’extrait inconnu. Pour cela, lors de la comparaison, il
est nécessaire d’obtenir un score, une distance, ou une mesure de similarité permettant
de prendre cette décision. Or, retrouver l’empreinte la plus proche et décider si elle provient
d’un même contenu sont deux problématiques différentes. La première appelée indexation
consiste à retrouver l’empreinte ayant une plus faible distance ou un meilleur score, suivant
la méthode employée. La seconde problématique traite d’identification et de reconnaissance.
Il s’agit de fixer un seuil sur le critère de similarité. La position par rapport à ce seuil per-
mettra de savoir si deux empreintes proviennent d’un même contenu original. Cela implique
donc une contrainte forte sur le critère et le seuil utilisé afin de s’assurer :
1. que la distance maximale entre deux contenus co-dérivés sera inférieure au seuil et
2. que la distance minimale entre deux contenus différents (non co-dérivés) sera supérieure
au seuil.
Ces deux contraintes doivent bien sûr être satisfaites malgré d’éventuelles dégradations
(compression, décalages) qui peuvent affecter les signaux. Notons que ces deux contraintes
s’adaptent très facilement si on utilise un critère de similarité plutôt qu’une distance.
52
5.1. Introduction
Comme on l’a vu (Chapitre 3), la méthode utilisée par Haitsma et Kalker pour identifier
une empreinte se base sur une comparaison bit à bit par distance de Hamming. Cette distance
compare donc membre à membre deux suites de sous empreintes à partir d’une position com-
mune. Nos expérimentations (Section 6.2.2, Fig. 6.1) montrent que deux documents audio
co-dérivés ont entre 80 et 90% de valeurs de sous-empreinte en commun en fonction du taux
de compression utilisé pour dégrader l’un des deux signaux. Malgré ce nombre important
de valeurs communes (largement supérieur a celui obtenu par les méthodes antérieures), ce
résultat ne permet pas une comparaison membre à membre de deux empreintes puisqu’une
mauvaise détection d’un intervalle Iemax revient, dans ce contexte, à décaler une des deux
empreintes et fausse complètement le résultat de la comparaison. Toutes les autres méthodes
comparant deux empreintes terme à terme (Burges, Bruck) présentent le même inconvénient.
Dans le cadre de la reconnaissance d’empreinte, il existe une méthode alternative qui
consiste à considérer l’ensemble de toutes les valeurs de sous-empreintes possibles comme
un alphabet. Une empreinte peut alors être interprétée comme une chaı̂ne de caractères. Les
méthodes d’appariement de chaı̂nes (string matching) peuvent ainsi être appliquées afin de
calculer une distance entre deux chaı̂nes [14, 10]. Le principe de base de ces méthodes est de
calculer le degré de similarité entre deux chaı̂nes de caractères à partir du nombre minimum
d’opérations (insertion, suppression, inversion) nécessaires pour transformer une chaı̂ne en
la seconde. Chaque opération peut être pondérée afin d’établir des coûts adaptés au cadre
applicatif de la méthode.
De plus, si seul un court échantillon du signal d’entrée est utilisé pour calculer l’empreinte,
la reconnaissance de cette empreinte implique de trouver le plus faible coût de transformation
(ou coût d’édition) entre l’empreinte de cet extrait inconnu et une sous-séquence d’une des
empreintes stockées dans la base de données. On se retrouve donc confronté à un problème
d’alignement local .
Considérons une base de données composée de M empreintes de taille n. Si l’empreinte
du signal d’entrée est de taille k, une recherche exhaustive dans la base de données de
l’alignement de coût minimum serait accomplie en O(M kn) [14]. De ce fait, à cause du
large nombre M d’empreintes pouvant être stockées dans la base et de la valeur importante
de n dans le cadre de notre application, ce type de méthode est inutilisable car trop coûteux
53
en temps de calculs.
5.2 Scores par quantité d’information
La trop grande complexité de la méthode triviale mentionnée précédemment nécessite
la définition d’un premier filtre afin de réduire le nombre de candidats à l’identification. On
pourrait comparer ce processus au processus d’embauche. Les recruteurs reçoivent énormément
de candidatures spontanées. Après les avoir toutes parcourues assez sommairement, seules
certaines d’entre elles sortent du lot grâce à certaines caractéristiques recherchées. Ensuite,
les candidats correspondant aux curriculum vitae sélectionnés seront conviés à un entretien
afin d’étudier de manière plus approfondie leur profil et évaluer leur candidature. Enfin, le
candidat restant ne sera pas celui ayant le meilleur profil, mais celui correspondant parfai-
tement au profil recherché.
5.2.1 Structuration de la base de données
Cette première phase, dite phase de filtrage doit nous permettre de juger rapidement de
la ressemblance entre une sous partie de l’extrait inconnu et n’importe qu’elle sous partie
de la base de données. Comme nous l’avons mentionné, il s’agit de définir un indice qui soit
simple et rapide à calculer tout en apportant une indication de similarité forte. Dans notre
cas, nous avons décidé de nous baser sur une méthode bien connue de la problèmatique de
recherche de correspondances textuelles : le filtrage par q-grams [10].
Définition 3. Soit Σ un alphabet et S1 , S2 deux chaı̂nes construites sur Σ.
– Un q-gram de S1 est une sous chaı̂ne de S1 de longueur q,
– Un q-gram de S1 et S2 est une chaı̂ne de longueur q présente simultanément dans S1
et S2 .
Un q-gram commun de S1 et S2 est bien évidement un q-gram de S1 et de S2 .
Dans notre cas, les symboles de l’alphabet correspondent à une valeur de sous empreinte
codant l’espace temporel entre 2 instants particuliers du signal audio (sections 4.3 et 4.4).
54
5.2. Scores par quantité d’information
Un mot de q symboles comprend une succession de q sous-empreintes et caractérise une
allure bien précise du signal audio.
La plupart des méthodes de filtration par q-gram sont basées sur le théorème de Jokinen-
Ukkonen [34] :
Lemme 1. Soit P = P [1..m] et T = T [1..n] deux chaı̂nes de longueurs respectives m et n
sur un alphabet Σ. Supposons qu’une occurence de P puisse s’apparier avec T avec k erreurs.
La sous-chaı̂ne ainsi formée finissant à l’indice j de T , P et T [j − m + 1, ..j] partagent alors
au plus t = m + 1 − (k + 1)q q−grams.
La valeur de t correspond à un seuil qui définit généralement le nombre de q-grams que
chacune des sous-chaı̂nes de T et P doivent partager. Toutefois, ce Lemme correspond à
une distance d’édition très basique qui n’est pas adaptée à notre application. La notion de
q gram restant cependant centrale dans celle-ci, nous avons struturé notre base de données
d’empreintes en fonction des q-grams. Dans le cadre d’un stockage des empreintes dans une
base de données [27] ceci peut être réalisé en définissant un index supplémentaire de q grams.
Cet index permet de retrouver efficacement, pour toute empreinte correspondant à un signal
d’entré, les empreintes de la base qui partagent avec celle-ci un nombre minimal de q-grams.
Dans le cadre d’une implémentation par fichiers, un codage sensiblement équivalent peut
être réalisé en construisant un tableau de q grams. Ce tableau permet à l’algorithme de
recherche de limiter le nombre de séquences à comparer et de considérer seulement les
documents contenant ces régions d’intérêt caractérisées par les q-grams.
Le choix de la valeur de q dépend de l’application. Une valeur de q élevée permet de
filtrer un nombre maximum d’empreintes tout en augmentant la probabilité de rejeter à
tort une empreinte valide. Inversement, une valeur de q faible permet de se prémunir d’une
élimination abusive d’un bon candidat mais augmente également le nombre d’empreintes
acceptées à tort. Il faut donc définir une valeur de q qui minimise au mieux les taux de ((Faux
Acceptés)) et ((Faux Rejetés)). Flajolet [22] (dans le cas d’un modèle de Bernoulli uniforme)
et Szpankowski [54] (pour le modèle non uniforme) on démontré un résultat intéressant dans
ce cadre : pour un texte de taille n généré aléatoirement tout mot de longueur l < log(n/h)
apparait presque surement quand n tend vers l’infini. Le symbole h représente ici l’entropie de
55
Renyi qui peut être mesurée par log(1/pmin ) avec pmin la probabilité minimale d’apparition
d’une lettre de l’alphabet. Si nous considérons une probabilité uniforme p = pmin = 2−14 et
des chaı̂nes de longeur 5300 (longueur moyenne dans notre base), nous obtenons un l égal
à 6.3. La valeur de q devrait donc a priori être supérieure à 7. Nos résultats expérimentaux
contredisent partiellement ce résultat puisque une valeur de q proche de 5 semble représenter
un bon compromis entre les faux acceptés et les faux rejetés. Ceci est certainement du au
fait que nos valeurs de n, bien qu’élevées ne sont pas infinies.
5.2.2 Décision
Les expériences que nous avons menées nous ont montré que le filtrage de notre base
d’empreintes par q-gram était extrêmement efficace malgrè la taille (≈ 5300) et le nombre (≈
400) des empreintes de notre base. Nous pensons que cette efficacité est due essentiellement
à la taille de notre alphabet. En effet, si nous supposons que les empreintes sont générées par
un processus aléatoire uniforme, la probabilité d’apparition d’un q-gram particulier dans un
mot de longueur n sera dans notre cas égal à (n − q + 1)2−14q ce qui est extrêmement petit
même pour n grand. A contrario, si on trouve un nombre élevé de q grams communs à deux
chaines, on peut en conclure que les deux chaines n’ont pas été générées par des processus
indépendants et qu’elles correspondent à des contenus co-dérivés. Ce type de raisonnement
s’apparente aux approches a contrario [16].
Supposons que nos empreintes sont générées par un processus aléatoire avec une distri-
bution uniforme pour chaque symbole et considérons la variable aléatoire Xq qui représente
le nombre de q grams communs à deux chaines. Étant donné une empreinte correspon-
dant au signal d’entrée et une empreinte de la base, nous mesurons une observation nq
de Xq . Poursuivant l’idée introduite au paragraphe précédent nous définissons un score S
proportionnel pour n grand à la quantité d’information induite par l’évènement Xmin =
nmin & . . . &Xmax = nmax où {min . . . , max} correspond à une plage de longueurs de
q − grams. Plus formellement, nous cherchons à définir un score S asymptotiquement
équivalent à Q(nmin , . . . , nmax ) = P (Xmin = nmin . . . &Xmax = nmax ) pour des chaı̂nes
de grande taille. La définition d’un tel score suppose au préalable une modélisation de la
formation des chaı̂nes et des q-grams afin d’évaluer P (Xmin = nmin . . . &Xmax = nmax ).
56
5.2.2.1 Modélisation
Commençons par considérer le cas où seulement une longueur de q-gram est prise en
compte (Q(nq ) = P (Xq = nq )). Si l’on note par s la taille de l’alphabet, Nicodème [46] a
démontré que la loi de probabilité de Xq peut être approximée efficacement par un modèle
de balles et d’urnes où chacune des sq urnes est associée à une valeur possible de q-gram
dans s.
En effet, le nombre de q-grams qui se répètent au moins une fois dans une chaı̂ne de lon-
gueur n correspond au nombres d’urnes contenant au moins 2 boules (nombre de collisions)
après n lancés. Dans le cas de deux chaı̂nes de taille n + q − 1 et m + q − 1 le nombre de
q-gram communs à ces deux chaı̂nes (sans répétition) correspond au nombre d’urnes conte-
nant simultanément des boules noires et blanches (collisions bicolores) après un lancé de m
boules noires et n boules blanches.

9
Dans le même article, Nicodème montre que la distance en variation totale entre la loi
de Poisson de Xq et une loi Gaussienne est toujours bornée. De plus, la loi de Xq converge
vers une Gaussienne quand les paramètres de la loi de Poisson tendent vers l’infini. On peut
donc approximer la loi de Xq par une loi Gaussienne :
(n −γ ) 2
1 − q σ2 nm
p(Xq = nq ) = √ e nm (5.1)
2πσnm
Ou γnm et σnm représentent respectivement la moyenne et l’écart type de Xq pour des
chaı̂nes à comparer de taille n et m.
Sous cette approximation, estimer la loi de Xq revient à estimer γnm et σnm . Nicodème
propose d’estimer ces quantités en utilisant une Poissonisation du problème :
Dans le cas d’une seule chaı̂ne, considérons φn (u) la probabilité qu’il existe u urnes sans
collisions après n lancés. Si nous considérons que le nombre de lancé n’est plus égal à n mais
9 la distance en variation totale entre deux variables entières positives aléatoires de fonction de probabilité
P
respectives fn et gn est la somme n |fn − gn |
57
suit une loi de Poisson de paramètre z, la transformée de Poisson de φn (u) est définie par :
X z n −z X uk z n
ψ(z, u) = φn (u) e = e−z fn,k
n! n!
n≥0 n,k
où fn,k représente la probabilité qu’il existe k urnes sans collision après n lancés.
k n
Soit F (z, u) = ez ψ(z, u) = fn,k u n!z . Si l’on connait une forme analytique de
P
n,k
F (z, u), on peut obtenir φn (u) par la dépoissonisation :
φn (u) = n![z n ]F (z, u)
où [z n ]F (z, u) représente le ne coefficient de la décomposition de Taylor de F (z, u).

(2)
La moyenne (µn ) et le moment d’ordre 2 (mn ) du nombre d’urnes sans collision peuvent
alors être retrouvés par :

!
∂F (z, u) X X zn X zn
= kfn,k = µn =not m(z) ⇒ µn = n![z n ]m(z)
∂u u=1 n
n! n!
k n≥0
De même :
!
∂ ∂F (z, u) X X
2 zn X zn
u = k fn,k = m(2)
n =not m(2) (z) ⇒ m(2) n
n = n![z ]m
(2)
(z)
∂u ∂u u=1 n
n! n!
k n≥0
La moyenne γn et la variance σn2 du nombre d’urnes avec collisions s’en déduisent par :

 γn

= m − µn
(5.2)
 σn2 (2)
= mn − µ2n

Ce nombre moyen de collisions correpond aux nombres de q grams qui se répètent dans une
chaı̂nes de longueur n.
Dans le cas de la détermination du nombre de q grams communs à deux chaı̂nes, Ni-
codème utilise une double Poissonisation et montre que :
Y X
F (z, t, u) = epi (z+t) + (u − 1)(epi z + epi t − 1) = fkbc uk z b tc
0≤i≤sq −1 k,b,c
58
où pi représente la probabilité d’apparition du ie q-gram, et fk,b,c est la probabilité qu’il
existe k urnes sans collision bicolore après un lancé de b boules blanches et c boules noires.
La moyenne et le moment d’ordre 2 du nombre d’urnes sans collision bicolore peuvent
être définies comme précédement par :


∂F
 µbc = [z b tc ]b!c!

∂u u=1
 m(2) = [z b tc ]b!c! ∂ ∂F
∂u u ∂u u=1

bc
On en déduit alors la moyenne γbc et l’écart type σbc de notre variable Xq en utilisant une
méthode similaire à celle de l’équation 5.2.

∂F ∂ ∂F
Nicodème estime les quantités ∂u u=1 et ∂u u ∂u u=1 en supposant que pour tout i ∈
{1, . . . , sq }, pi n tend vers une constante θi quand n tend vers l’infini. Ceci revient à lier la
probabilité (pi ) d’occurence d’un q gram avec la longueur des chaı̂nes entre lesquelles on
cherche ces q grams. Ce postulat ne nous a pas semblé cohérent avec nos hypothèses et nous
avons préféré supposer une distribution uniforme de q grams. Ceci nous a conduit à formuler
la proposition suivante :
Proposition 1. En utilisant les mêmes notations que Nicodème, si on suppose que les q-
1
grams ont une distribution uniforme p = sq , avec s la taille de notre alphabet, la moyenne
2
γnm et la variance σnm du nombre Xq de q-grams communs entre deux chaı̂nes de longueurs
respectives n et m est défini par :


 γnm = nmp + O(p2 )

(5.3)
2
 σnm
 = nmp + O(p2 )
Démonstration. voir Annexe, section 9.1.
Comme dans notre cas s = 214 , nous obtenons γnm << 1 pour des valeurs usuelles de n
et m. La moyenne γnm peut donc être négligée par rapport à l’entier nq dans l’équation 5.1.
La variance étant inversement proportionnelle à sq , la probabilité p(Xq = nq ) décroit comme
on s’y attendait de manière significative quand s augmente et nq > 0.
59
5.2.2.2 Extension à plusieurs tailles de q grams
Considérons maintenant des q-grams de taille i et j avec i > j entre deux empreintes.
Chaque i-gram induit donc la présence de i − j + 1 j-grams entre ces deux empreintes. Par
conséquent, l’existence de ni i-grams induit l’existence de ni (i − j + 1) j-grams entre ces
mêmes empreintes. A partir du nombre nj de j-grams, on peut considérer que l’évènement
relatif à l’apparition de nj − ni (i − j + 1) j-grams restant est indépendant de l’évènement
relatif au fait d’avoir ni i-grams. On obtient alors :
∀i > j p(Xj = nj |Xi = ni ) = p(Xj = nj − ni (i − j + 1)) (5.4)
Notons que cette dernière relation est simplement une approximation du cas réel où les
différents q-grams ne sont pas indépendants. Cependant, cette approche est en adéquation
avec le modèle de balles et d’urnes introduit par Nicodème où les différents q-grams sont
considérés comme indépendants.
En utilisant l’équation 5.4, si nous itérons la formule de la probabilité conditionnelle
P (A&B) = P (A|B)P (B), max − min fois sur Q(nmin , . . . , nmax ), on obtient :
max
Y
Q(nmin , . . . , nmax ) = p(Xi = ui )
i=min
Pmax
avec umax = nmax , umax−1 = nmax−1 − 2umax , ui = ni − j=i+1 αi,j uj et αi,j = i − j + 1.
L’expression − log2 (Q(nmin , . . . , nmax )) peut alors être écrite comme suit :
Pmax 1
Pmax u2i
− i=min log2 (p(Xi = ui )) = 2 log2 (e) i=min σi2
1
Pmax
+ 2 i=min log2 (2πσi )
Où σi correspond à la déviation standard de Xi . Notons aussi que la moyenne de Xi
(équation 5.3) est négligée dans l’équation précédente.
Comme le second terme de l’équation précédente est indépendant de (ni )i∈{min,...,max} et
que nous souhaitons uniquement trouver une approximation asymptotique de − log2 (Q(nmin , . . . , nmax )),
nous définissons notre score S(nmin , . . . , nmax ) entre deux empreintes de la manière sui-
vante :
60
max max
X u2i 1 X
S(nmin , . . . , nmax ) = 2 = 2
u2i s2i (5.5)
i=min
σ i (mn) i=min
Où chaque σi a été remplacé par son terme de premier ordre nm s1i (equation 5.3)·
1
Comme ui << s, si nous mettons de côté le facteur mn , notre fonction score peut être
assimilée à la valeur du nombre (0, . . . , 0, umin , . . . , umax ) en base s2 .
L’équation 5.5 fourni alors une mesure de la similarité entre deux empreintes qui permet
de pondérer les informations relatives aux nombres de q-grams pour différentes tailles de q.
Cependant, en pratique, à cause de la taille élevée de l’alphabet (s = 214 ), l’équation 5.5 peut
renvoyer une valeur dépassant les capacités de stockage des types de variables couramment
utilisées en programmation. Par conséquent, l’implémentation pratique de S(nmin , . . . , nmax )
doit être redéfinie de la façon suivante :
max
1 X
Sprat (nmin , . . . , nmax ) = u 2 bi (5.6)
(mn) i=min i
2
Où b < s est défini dans la partie expérimentations (section 6.3.2) de manière à être aussi
élevé que possible tout en évitant d’introduire des dépassements de mémoire. Notons que si
b est suffisamment élevé, l’idée consistant à calculer la valeur de (0, . . . , 0, nmin , . . . , nmax )
sur une base de taille importante reste valide.
Étant donné une signature I correspondant à un fichier d’entrée et une signature D de
la base de données, l’équation précédente peut être réécrite de la façon suivante :
max
1 X
Sprat (I, D) = u 2 bi (5.7)
(mn)2 i=min i
où les nombres de q-grams (nmin , . . . , nmax ) entre I et D sont déduits de ces deux signatures
et n’apparaissent plus en paramètre de notre score.
Comme le montrent les expériences que nous avons mené (Chapitre 6), si I correspond
au co-dérivé d’une signature D présente dans la base, Sprat (I, D) sera maximum parmi tous
les Sprat (I, D′ ), D′ appartenant à la base. L’équation 5.7 nous permet donc d’identifier un
contenu co-dérivé lorsque l’original est présent dans la base de données. Toutefois, il nous
faut également être capable de spécifier si une signature d’entrée correspond ou non au
61
co-dérivé d’une signature de la base. Si l’on dénote notre base de données par B, on peut
associer à chaque signature I son plus grand score avec les signatures de la base :
Score(I) = max Sprat (I, D) (5.8)

D∈B
Il pourrait être tentant de fixer un seuil sur Score(I) au delà duquel on considérerait que
I correspond forcément au co-dérivé d’une signature de la base. Malheureusement, comme
le montre les expériences menées au chapitre 6, la grande diversité des signatures (et donc
des scores) ne nous permet pas de définir un tel seuil. En effet, il est possible de trouver des
signatures I et I ′ telles que I corresponde au co-dérivé d’une signature de la base et I ′ n’ait
pas de correspondant dans la base alors que Score(I ′ ) > Score(I).
Toutefois, nos expériences nous ont conduit à conclure que lorsque une signature I cor-
respond au co-dérivé d’un signal D de la base, Sprat (I, D) est nettement plus important
que n’importe quel score Sprat (I, D′ ) avec D′ ∈ B différent de D. Inversement, si aucune
signature D ∈ B ne correspond à un co-dérivé de I tous les scores Sprat (I, D) seront sensible-
ment équivalents. Ceci nous a amené a concevoir une règle de décision basée à la fois sur la
valeur du score maximal et sur la prédominance de celui-ci vis a vis du score immédiatement
inférieur. On considérera donc qu’une signature d’entrée I correspond au co-dérivé d’une
signature de la base ssi :
Score(I)
Score(I) > S1 et > S2
Sprat (I, DI2 )
où S1 et S2 sont deux seuils fixés expérimentalement et Sprat (I, DI2 ) est le score immédiatement
inférieur à Score(I) parmi tous les scores obtenus dans la base de données.
5.3 Score par distance d’édition
Comme nous l’avons vu dans la section précédente, la mesure du nombre de q grams
communs entre deux chaı̂nes ne fournit pas une mesure suffisamment discriminante pour
identifier un contenu co-dérivé à partir d’un simple seuil. Nous nous sommes donc intéressé
à d’autres mesures de distances. Dans le contexte de reconnaissance d’empreintes [32, 31], les
62
5.3. Score par distance d’édition
techniques d’appariement de chaı̂nes (section 3.2.1) présentent deux propriétés intéressantes.
– Tout d’abord, contrairement à la distance de Hamming, le poids associé à une sub-
stitution de symbole permet de considérer deux valeurs de sous-empreintes comme
égales si la différence entre celles-ci est inférieure à un certain seuil. Cette première
propriété permet d’introduire une certaine flexibilité dans la comparaison des em-
preintes en considérant par exemple deux sous empreintes comme similaires si elles
sont différentes de quelques dixièmes de milliseconde.
– Secondement, les opérations de suppression et d’insertion constituent un outil appro-
prié pour les problèmes nécessitant de prendre en compte l’addition ou l’oubli de va-
leurs de sous-empreinte entre deux contenus co-dérivés. Dans notre cadre, cela revient
à anticiper le fait que la méthode de segmentation puisse détecter des pics additionnels
ou au contraire oublier certain pics entre deux signaux co-dérivés. Ces pics additionnels
ou manquant induisent des valeurs d’intervalle Iemax erronées entre deux empreintes
de contenu co-dérivé.
Des séquences de symboles similaires entre deux chaı̂nes peuvent donc être identifiées
en calculant une distance d’édition entre ces deux séquences. A partir de la définition d’un
alphabet, la distance d’édition est souvent définie par l’affectation d’un score positif pour
une substitution, insertion ou suppression de symbole et un score nul lorsque deux symboles
correspondent. Cette notion de coût affecté aux opérations d’édition de chaı̂ne peut être
utilisée pour définir une fonction de similarité. Dans ce cas, l’apparition de deux symboles
identiques se voit gratifiée d’un coût positif tandis que les opérations de suppression ou
insertion entrainent un coût négatif. Une telle fonction de score S peut par exemple être
définie par l’équation 5.9.



 S(i − 1, j − 1) + α Si si = sj

  

0,


S(i, j) = 


 (5.9)
 max  S(i, j − 1) − β, sinon

 

 

  
 S(i − 1, j) − β
Où si et sj correspondent aux deux symboles de rang i et j des deux empreintes com-
parées et α et β sont deux constantes stritement positives (Section 6.3.3).
63
La figure 5.1 représente un exemple de matrice de score obtenue avec α = 5 et β = 7.
Dans cet exemple, le score de similarité obtenu en localisant le score maximal de la dernière
ligne est égal à 23.
Cible
Requête 20 3 12 23 15 3 18 21 7 5
3 0 5 0 0 0 5 0 0 0 0
12 0 0 10 3 0 0 0 0 0 0
23 0 0 3 15 8 1 0 0 0 0
15 0 0 0 8 20 13 6 0 0 0
18 0 0 0 1 13 6 18 11 4 0
21 0 0 0 0 6 0 11 23 16 9
Fig. 5.1 – Matrice de score entre les chaı̂nes 3.12.23.15.18.21 et 20.3.12.23.15.3.18.21.7.5

obtenues à partir de l’équation 5.9 pour α = 5 et β = 7.
A partir d’une telle fonction de score, une longue séquence de correspondances suivie
par une séquence de non-correspondances peut fournir le même résultat que deux chaı̂nes
alternant symboles identiques et différents. Par exemple, le score entre deux suites abxy et
abuv fournira la même score que celle entre axby et aubv. Ce comportement est du à l’ajout
ou à la soustraction des constantes α et β lors des mises en correspondance ou des suppression
de symboles. Ainsi un alignement de deux chaı̂nes nécessitant n mises en correspondances
et p opérations de suppressions sera affecté d’un score égal à nα − pβ et ce indépendamment
de l’agencement des opérations de mises en correspondance et des suppression dans l’une ou
l’autre chaı̂ne.
Cependant, dans le contexte de la reconnaissance d’empreintes, deux empreintes co-
dérivées partagent de longues séquences de symboles avec peu de symboles erronés. Notre
fonction de score doit donc favoriser les longues séquences de symboles identiques entre
deux chaı̂nes. Nous avons défini à cette fin une fonction de score pondérée au comportement
non-linéaire. La méthode la plus simple pour réaliser une telle fonction consiste à définir
S(i, j) comme une fonction affine de S(i − 1, j − 1) (dans le cas d’une correspondance) ou
S(i − 1, j) et S(i, j − 1) (dans le cas d’une opération de suppression). Chaque case de la
matrice de score est donc pondérée par le score de la case précédente afin de permettre une
augmentation du score plus franche lors de longue suites de symboles et donc favoriser les
empreintes co-dérivées. Cette fonction est définie de la manière suivante :
64



 αS(i − 1, j − 1) + β Si si = sj

  

0,


S(i, j) =   (5.10)
1
 
γ max  S(i, j − 1) − β, sinon

  

 

  

 S(i − 1, j) − β
Les constantes α, β, γ sont déterminées expérimentalement mais doivent satisfaire la
condition 1 < γ < α afin que le score décroisse plus doucement quand un symbole différent
est rencontré qu’il n’augmente pendant une séquence de symboles identiques. Ce comporte-
ment est mis en évidence sur la figure 5.2(a). Le score résultant de la mise en correspondance
Pn−1 n
d’une chaı̂ne de longueur n avec elle même est égal à β i=0 αi = β αα−1 −1
(Figure 5.2(b)).
Le score défini par l’équation 5.10 peut être calculé en O(nm) où n et m représentent les
tailles des deux sous-empreintes.
(a) Alternance de mises en correspondances et de sup- (b) Une Suite de correspondances suivi d’une suite de
pressions. suppressions.
Fig. 5.2 – Comparaison des fonctions de score basées sur les équations 5.9 et 5.10
Dans notre cas, la comparaison d’une empreinte inconnue avec la totalité de la base de
données peut être réalisée par des méthodes d’alignement local [31] basées sur notre fonc-
tion de score (équation 5.10). Cependant, à partir d’une empreinte inconnue de taille n et
N empreintes de taille m stockées dans la base de donnée, une telle recherche exhaustive
nécessiterait O(N nm) opérations. Nous avons donc repris la notion de filtrage par q-gram
déjà utilisée dans la section 5.2.2. Toutefois, le théorème de Jokinen-Ukkonen [34](section 5.2.2)
sur lequel est basée cette approche ne s’applique pas à la croissance/décroissance polynomiale
de notre fonction de score. Plutôt que de compter simplement le nombre de q-grams com-
muns à deux chaı̂nes, notre algorithme associe à chacun de ces q gram les sous séquences
65
commençant sur celui-ci dans chacune des deux chaı̂nes (Figure 5.3). Chaque q-gram est
alors pondéré par un score défini par l’équation 5.10 et calculé entre deux sous-empreintes
contenant le q-gram.
Fig. 5.3 – Filtrage par q-grams et appariement de sous empreintes
Plus formellement, notons QD,I un q-grams en commun entre l’empreinte inconnue I et
une empreinte stockée dans la base de données D. Ce q-gram apparaı̂t aux indices i1 , . . . , ip
de l’empreinte I et aux indices j1 , . . . , jq dans l’empreinte D. Si nous souhaitons comparer
les deux empreintes sur une suite de symboles de taille m, le score associé à QD,I est alors
défini par :
p X
X q
score(QD,I ) = S(I[ik , ik + m], D[jl , jl + m]) (5.11)
k=1 l=1
Où S(I[ik , ik + m], D[jl , jl + m]) correspond à notre fonction de score calculée entre les
deux empreintes sur une longueur m à partir des index ik et jl . L’alphabet de l’empreinte
étant très large (214 ), p et q appartiennent à {0, 1} pour la plupart des empreintes de la base
de données. Dans les expérimentations, la valeur de m a été fixée à 20 afin de correspondre
à une seconde de signal, en fonction de notre taux de calcul de sous-empreinte (Chapitre 6).
Le score codant la similarité entre une empreinte d’entrée I et une empreinte de la base
D peut alors être défini comme la somme des scores des q-grams communs à I et D :
X
score(I, D) = score(QD,I ) (5.12)
QD,I ⊂D
Les empreintes obtenant les scores les plus élevés calculées par notre méthode de fil-
trage sont alors considérées comme des candidates potentielles aux contenus co-dérivés. Nos
expérimentations (Chapitre 6) montrent qu’une empreinte co-dérivée, si elle est contenue
dans la base de données, est toujours celle obtenant le meilleur score. Ceci permet de re-
66
trouver une empreinte co-dérivée quand elle existe. Cependant, une méthode d’identification
doit aussi être capable de décider si un extrait inconnu possède ou non un contenu co-dérivé
stocké dans la base de données. A partir d’un score attribué à chaque empreinte, il faut alors
fixer un seuil tel que :
1. Le score le plus bas obtenu par tout couple d’empreintes co-dérivées doit être au dessus
de ce seuil
2. Le meilleur score obtenu par tout couple d’empreinte non co-dérivée doit être inférieur
au seuil
Un tel seuil permet a priori de décider si l’extrait inconnu correspond au co-dérivé d’un
signal audio stocké dans la base de données. Cependant, comme le montre le chapitre 6, le
meilleur score obtenu par deux empreintes non co-dérivées est supérieur au plus mauvais
score obtenu entre deux empreintes co-dérivées. Il n’existe donc pas de seuil satisfaisant les
deux contraintes précédentes. Toutefois, le score défini par l’équation 5.12 classe toujours
en première position l’empreinte co-dérivée quand elle existe. On se retrouve donc avec
un problème similaire à celui rencontré dans la section 5.2.2 et on peut comme dans cette
dernière section envisager de définir un score basé sur le rapport entre le meilleur et le second
score au sens de l’équation 5.12.
Nous avons toutefois privilégié une autre approche. En effet, le fait que notre méthode
de filtrage ne fournisse pas une règle de décision valide est principalement dû à la faible
longueur m de sous-empreintes considérée pour chaque q-gram (équation 5.11). Puisque
l’équation 5.12 nous permet d’isoler l’empreinte co-derivée si elle existe nous pouvons définir
notre score en deux temps :
1. Filtrer rapidement la base de données à l’aide de l’équation 5.12 pour extraire l’em-
preinte potentiellement co-dérivée.
2. Concevoir un critère de décision basé sur un nouveau score éventuellement plus coûteux
entre l’empreinte d’entrée et l’empreinte précédemment sélectionnée.
Soit I notre chaı̂ne d’entrée et D la chaı̂ne de la base de données de score maximum au
sens de l’équation 5.12. Soit également les deux indices imax et jmax dans I et D tels que :
1. I[imax , imax + q − 1] = D[imax , imax + q − 1] et
67
2. S(I[imax , imax +m], D[imax , imax +m]) (équation 5.10) est maximum parmi tous les cal-
culs de score effectués lors de l’évaluation de Score(I[imax , imax +q−1]) (équation 5.11).
La chaı̂ne I[imax , imax + q − 1] est donc un q gram commun à I et D commençant respecti-
vement en imax et jmax . Son score au sens de l’équation 5.10 entre les deux sous-chaı̂nes de
I et D de longueur m est maximum. C’est à dire qu’il est le plus élevé parmi tous les calculs
de score de longueur m à partir de q grams communs de I et D. Notre score final est basé
sur une comparaison sur une durée M >> m des empreintes I et D aux positions imax et
jmax . Il est donc défini par :
score(I) = score(I[imax , imax + M ], D[jmax , jmax + M ]) (5.13)
où M est une constante supérieure à m. Les expériences menées au chapitre 6 confirment
qu’un choix adéquat de M permet d’obtenir un score suffisamment discriminant pour décider
si une signature d’entrée possède un contenu co-dérivé dans la base de données.
68
6
Analyse des résultats
6.1 Introduction
Nous avons présenté dans les chapitres précédents nos méthodes de calcul et de compa-
raison d’empreintes pour l’identification de fichiers audio. Dans ce chapitre, nous mesurerons
les performances de chaque méthode prise individuellement et examinerons également les
performances globales de systèmes combinant calcul d’empreinte et méthode d’identifica-
tion. Les premiers résultats évalueront notre méthode de calcul d’empreinte introduite dans
le chapitre 4. Chacune des étapes ayant conduit à l’algorithme final sera évaluée afin de
juger les gains induits par nos améliorations successives. Nous comparerons également ces
résultats avec des méthodes concurrentes. Dans un second temps, nous évaluerons notre
nouvelle méthode de comparaison d’empreinte sur une base de données d’empreintes pré-
calculées. La capacité d’identifier un fichier audio induite par nos méthodes de comparaisons
d’empreinte sera également évaluée.
69
Chapitre 6. Analyse des résultats
Sommaire
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.2 Évaluation de la robustesse de l’empreinte . . . . . . . . . . . . 70
6.2.1 Taille de l’empreinte . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.2.2 Mesures de performances . . . . . . . . . . . . . . . . . . . . . . 71
6.2.3 Résistance à la compression . . . . . . . . . . . . . . . . . . . . . 73
6.2.4 Invariance aux décalages temporels . . . . . . . . . . . . . . . . . 75
6.3 Identification d’empreinte . . . . . . . . . . . . . . . . . . . . . . 78
6.3.1 Pertinence des q-grams . . . . . . . . . . . . . . . . . . . . . . . 78
6.3.2 Scores par quantité d’information . . . . . . . . . . . . . . . . . . 81
6.3.3 Scores par distance d’édition . . . . . . . . . . . . . . . . . . . . 82
6.2 Évaluation de la robustesse de l’empreinte
Pour faire ces expérimentations, nous avons utilisé un ensemble de documents de genres
très divers qui représentent 24h de signal sonore. Certains morceaux de musiques sont
représentés par une version studio ainsi qu’une version live. Ils sont donc considérés comme
des documents différents. Pour évaluer la robustesse des empreintes, nous avons soumis tous
ces documents musicaux à des compressions/décompressions de taux variables afin d’étudier
la variabilité d’une empreinte en fonction de ce paramètre. Ces documents compressés ont
aussi subi des décalages temporels par ajout de segments de silence ou d’autres signaux
audio de durée variables au début du signal à reconnaı̂tre.
6.2.1 Taille de l’empreinte
Les tailles des intervalles Ie et Io ont été respectivement fixées à 1 et 100 millisecondes.
Ces valeurs offrent un bon compromis entre la taille et la robustesse des empreintes. En
effet, Io égal à 100ms permet d’avoir suffisamment d’échantillons pour trouver un intervalle
Ie significatif sur cette période tout en assurant un nombre de valeurs calculées par secondes
suffisant pour, par la suite, reconnaı̂tre tout morceau à partir d’un extrait de quelques
70
6.2. Évaluation de la robustesse de l’empreinte
secondes. Quand à Ie , sa taille doit être suffisamment petite pour correspondre à la détection
d’un point particulier du signal tout en restant suffisamment importante pour caractériser
celui-ci de façon robuste.
En utilisant ces valeurs pour I0 et Ie et en considérant un taux d’échantillonnage du
signal audio Te égal à 44100kbps, le taux moyen d’intervalles Iemax détectés sur l’ensemble
de la base de données est égal à 21, 9 intervalles par seconde. L’écart type de cette mesure
est égal à 3, 5. Les valeurs minimales et maximales de détection d’intervalles Iemax trouvées
sur notre base sont respectivement égales à 18 et 34 valeurs de sous-empreinte par seconde.
De plus, à partir de ces valeur d’intervalles prédéfinies, la valeur maximale Vmax d’une
sous-empreinte est définie par Vmax = (Io − Ie ) ∗ Te = 4365.9ms. Cela permet de déduire
qu’une valeur de sous empreinte peut être codée et stockée sur 13 bits. Si l’on reprend notre
taux moyen de sous-empreintes détectées et calculées par seconde soit 21,9, on en déduit
que la taille nécessaire pour stocker une empreinte correspondant à une minute de signal est
égale à 21.9 ∗ 13 ∗ 60 = 17082 bits par minutes soit 2,13Ko/min
D’un autre côté, la méthode de Kalker et Haitsma, la principale référence dans ce do-
maine, utilise des intervalles de 370 ms avec un taux de recouvrement de 31/32, ce qui cor-
respond à une valeur de sous-empreinte calculée toutes les 11, 56 ms. Comme nous l’avons vu
dans la section 3.1.2, cette méthode calcule un ensemble de différences inter filtres stockées
dans une empreinte de 32 bits. L’espace de stockage nécessité par cette méthode pour stocker
l’empreinte d’une minute de signal est donc égal à (60/0.01156) ∗ 32 = 20, 7 Ko/min.
Par conséquent, notre méthode introduit un gain d’espace de stockage d’environ 90%
par rapport à la méthode de Kalker et Haitsma. Ces résultats ont été confirmés lors de nos
expérimentations en mesurant le nombre total de sous empreintes calculées multiplié par le
nombre de bits requis par le stockage d’une sous empreinte (soit 14) divisé par le nombre de
minutes de documents sonores utilisées pour calculer ces empreintes (le résultat obtenu est
enfin divisé par 8 pour avoir une valeur en octets).
6.2.2 Mesures de performances
Définissons Ti comme étant l’ensemble des intervalles du signal si servant à calculer son
empreinte. Comme on l’a vu précédemment, avec la méthode de Kalker et Haitsma [37] , ce
71
nombre est égal au nombre de fenêtres glissantes utilisées. Avec notre méthode, ce nombre
est égal au nombre d’intervalles Iemax détectés par notre méthode de segmentation.
A partir d’un signal audio si , définissons aussi SPi ⊂ Ti l’ensemble d’intervalles détectés
à la même position dans le signal si et une version dégradée de ce signal. En nous basant sur
le comportement de notre algorithme, nous considérons deux instants particuliers comme
étant détectés à la même position si la distance qui sépare ces instants est inférieure à
0, 25ms. Considérons de plus, l’ensemble SVi ⊂ SPi des instants particuliers ayant la même
position et la même valeur de sous-empreinte entre si et sa version dégradée.
Si l’on applique une dégradation à un contenu musical, plusieurs mesures peuvent nous
fournir un premier indice de performances de nos algorithmes :
Taux de segmentation : Cette mesure représente la valeur moyenne d’intervalles Iemax
détectés localisés à la même position entre un contenu original et sa version dégradée.
Cette quantité, qui revient à évaluer les performances de notre algorithme de segmen-
tation, est définie par :

N
1 X |SPi |
SR = (6.1)
N i=1 |Ti |
où |.| dénote le cardinal de l’ensemble et N le nombre de fichiers audio contenus dans
la base de données
Taux de reconnaissance : La robustesse de la méthode utilisée pour calculer les valeurs
de sous-empreinte peut être mesurée, pour chaque signal si , par le ratio entre la valeur
de SVi et SPi . Nous mesurons donc parmi les instants correctement détectés le taux de
ceux dont la valeur de sous-empreinte reste inchangée malgré la dégradation appliquée
au contenu. La valeur moyenne de ce ratio sur toute la base de donnée est définie par :
N
1 X |SVi |
RR = (6.2)
N i=1 |SPi |
On considérera également le taux de variations défini par 1 − RR et qui représente
le taux d’intervalles différents entre les deux signaux.
Taux de reconnaissance total : Le taux de reconnaissance défini ci-dessus mesure la ro-
bustesse de notre méthode de calcul d’empreinte indépendemment de l’étape de seg-
72
mentation. Une mesure combinant ces deux étapes peut alors être défini en calculant,
pour chaque signal si , le ratio entre SVi et Ti . Cette valeur correspond donc au taux
d’invariance global de notre méthode de calcul d’empreinte. Elle est définie par :
N
1 X |SVi |
T RR = (6.3)
N i=1 |Ti |
La méthode de Kalker et Haitsma [37] utilise des fenêtres glissantes et ne comporte pas
d’étape de segmentation. La seule mesure de performance applicable dans ce cas est donc le
taux de reconnaissance total.
6.2.3 Résistance à la compression
Les fichier musicaux de notre base de données ont été encodés à 705 Kbps. Les taux de
compression utilisés peuvent alors être définis par le nombre de bits par secondes servant à
encoder les fichier ou le ratio par rapport à l’encodage du document original. Les encodages
utilisés pour nos expérimentations sont 48, 64, 96, 128, 192 et 256 Kbps ce qui correspond
à une compression de 14.7, 11.02, 7.35, 5.5, 3.67 et 2.75% du fichier original.
Nous avons tout d’abord comparé la méthode d’Haitsma avec notre première méthode
inspirée de celle-ci ainsi qu’avec notre proposition finale. La figure suivante montre le taux
de reconnaissance total de ces 3 méthodes :
La courbe du bas de la figure 6.1 ( ) représente le taux de reconnaissance total
(équation 6.3) obtenu par la méthode d’Haitsma, calculée en fonction de différents taux
de compression. Le taux de reconnaissance obtenu par cette méthode oscille alors entre 5 et
30% de sous-empreintes communes entre deux contenus co-dérivés, un original et un com-
pressé. Précisons encore que pour cette méthode, aucune méthode de segmentation n’est
appliquée. Par conséquent, cette courbe montre un taux de reconnissance total inférieur à
30% pour un taux de compression usuel voir plutôt faible. Cet taux décroit significativement
lorsque le taux de compression augmente.
La seconde courbe ( ) représente le taux de reconnaissance total obtenu par notre
première idée de calcul d’empreinte basée sur une amélioration de la comparaison de filtre
fréquentiels (Section 4.2). Cette courbe monte à 62% pour un encodage à 256Kbps et décroı̂t
73
Fig. 6.1 – Taux de valeurs de sous-empreinte communes entre un original et sa version

compressée (à 48, 64, 96, 128, 192 et 256 Kbps)
jusqu’à 34% pour 48Kbps. Cette courbe ne prend pas en compte l’algorithme de segmen-
tation et compare les empreintes calculées entre deux contenus co-dérivés lors d’instants
détectés au même emplacement dans le signal.
Cette courbe permet donc de comparer efficacement la méthode d’Haitsma avec notre
première proposition en faisant abstraction de la partie segmentation. Nous pouvons donc
observer que cette première proposition obtenait déjà un taux de reconnaissance plus im-
portant (35% minimum) que celle d’Haitsma (30% maximum).
La courbe du haut ( ) correspond au taux de segmentation obtenu par notre méthode
(Section 4.3). Comme nous l’avons expliqué, nous considérons ici le taux d’intervalles de
haute énergie correctement détectés, c’est à dire à la même position dans le signal original
et dans le compressé. Notre méthode de segmentation obtient un taux de reconnaissance total
variant de 93% pour une compression à 256Kbps à seulement 80% pour une compression
48Kbps en passant à 87% pour un taux de compression de 128Kbps. Nous avons aussi
observé que lorsqu’un instant est mal détecté, il entraı̂ne une légère succession d’instants
(environ 3 à 4) faussement détectés le temps pour l’algorithme de se recaler sur des instants
74
significatifs aussi compris dans l’original.
De plus, cette courbe montre l’efficacité de notre méthode de segmentation, qui permet
d’obtenir un très faible taux d’instants mal détectés (pas plus de 20%). En effet, cette
méthode se base sur des propriétés moins sensibles à la compression que d’autres parties du
signal moins pertinentes. C’est ce résultat qui nous a mis sur la voix de notre proposition
finale. En effet, pourquoi ajouter à cela une seconde étape rajoutant elle aussi une perte
d’information quand la première étape fournit une information caractéristique, discriminante
et robuste ?
Nous avons donc défini nos valeurs de sous empreinte comme étant l’écart entre deux
instants détectés. Cela revient à considérer cette courbe de taux de segmentation comme
étant sensiblement égale au taux de reconnaissance total obtenu par notre proposition finale
de calcul de sous-empreinte. Par conséquent, notre proposition finale obtient un taux de
valeur de sous-empreinte erronées de seulement 20% dans le pire des cas considéré.
6.2.4 Invariance aux décalages temporels
Les fichiers utilisés précédemment ont aussi été soumis à un autre type de dégradation.
Cette dégradation est appelée (( décalage temporel )). Ce type de dégradation peut intervenir
de différentes manière :
coupure de parties : en effet, un morceau de musique peut être reformaté et ainsi subir
l’ablation de parties inutiles. Tel est le cas d’applaudissements interminables en début
de titre live ou encore, lors de passages à la radio, de suppression de solo guitare trop
longs voir ennuyeux afin de réduire la durée d’un morceau de musique.
insertion : il n’est pas rare non plus qu’un morceau de musique comporte des séquences
musicales qui ne lui appartiennent pas, c’est le cas de morceaux techno par exemple où
une chanson peut être interrompue pour laisser place à un extrait ou un son particulier,
mais encore des chansons passées à la radio interrompues en pleine écoute par un jingle.
prise intantannée : c’est un cas particulier du premier cas. Ici, le fait de calculer l’em-
preinte en cours de lecture est simulée par le fait de couper une partie du début, de
rajouter un blanc, ou de considérer un extrait pris aléatoirement dans un morceau.
75
Par conséquent, le calcul d’empreinte doit être le plus invariant possible aux décalages
temporels afin que l’empreinte calculée permette de reconnaı̂tre le contenu co-dérivé malgré
cette altération.
Dans un premier temps, nous avons testé le degré d’invariance vis à vis des décalages
temporels en ajoutant, en début de morceaux, un blanc de taille variable. La durée de ces
blancs était de 1, 2, 3, 5 et 6.25ms. La figure 6.2 représente le taux de reconnaissance total
des différents algorithmes c’est à dire le pourcentage de valeurs de sous-empreintes identiques
et positionnées au même moment dans le signal.
Fig. 6.2 – Taux de valeurs identiques entre un original et sa version décalée (de 1, 2, 3, 5 et
6.25 ms)
La courbe du haut ( ) de la Figure 6.2 représente le taux de segmentation obtenu par
notre méthode vis à vis des décalages temporels. On rappelle en effet que cette méthode a
été développée pour synchroniser le processus de calcul de sous-empreinte afin de le rendre
robuste à ce genre de dégradations. Calculer le taux de segmentation, dans notre méthode
finale, revient alors à calculer le comportement global de notre méthode puisque notre calcul
de sous-empreinte est basé sur l’efficacité de cette segmentation. Nous pouvons alors obser-
ver un taux de segmentation légèrement inférieur à 100%, mais supérieur à 99%, lorsqu’un
76
décalage temporel est inséré au début d’un extrait musical. Ce léger écart est simplement la
conséquence du temps requis par notre méthode pour se resynchroniser sur un instant signi-
ficatif du signal, c’est à dire quelques valeurs de sous-empreinte. Une fois l’empreinte d’entrée
resynchronisée par rapport à l’original, peu importe la durée du décalage introduit, le taux
d’instants détectés reste constant. Cette constatation est resté vraie lorsque nous avons in-
troduit un blanc de durée plus importante (10, 25, et 50ms). Nous pouvons en conclure
que la taille du décalage n’influe pas sur la resynchronisation ni sur la segmentation d’après
synchronisation. Nous pouvons aussi en déduire que la resynchronisation, une fois le blanc
terminé, s’effectue très rapidement. En effet, en moyenne, l’équivalent de 2 à 3 sous-valeur
erronées sont nécessaires pour ensuite se resynchroniser). L’autre courbe de cette Figure 6.2
( ) représente le taux de reconnaissance de la méthode de Kalker et Haitsma servant de
référence. Nous pouvons observer que cette technique souffre d’une baisse significative de son
taux de sous-valeurs identiques dès lors qu’un décalage est introduit (de 100 à 70% pour un
décalage d’1ms). Cette courbe reflète aussi une décroissance importante lorsque la taille du
décalage augmente pour enfin atteindre un taux de sous-valeurs identiques de 33% lorsque
le blanc inséré au début est de 6, 25ms. Ces performances sont dues à leur méthode à base
de fenêtre recouvrante, méthode figée qui atténue les conséquences d’un décalage temporel
sans les supprimer.
Dans un second temps, nous avons soumis notre méthode de segmentation aux autres
types de décalages temporels afin de confirmer les premiers résultats. Nous avons utilisés des
extraits musicaux piochés aléatoirement au cours de la lecture du morceau de musique. Nous
avons aussi inséré des extraits d’autres morceaux de musique ou encore supprimé des parties
au milieu d’un même signal sonore. Peu importe le type de dégradation temporelle introduite,
notre méthode de segmentation montre le même comportement que précédemment. En effet,
lorsqu’il s’agit de cours échantillons provenant d’autres documents musicaux par exemple,
cela n’influe que sur la durée de ce signal étranger, lui même obtenant des valeurs de sous-
empreintes identiques à son original si celui-ci est contenu dans la base de données. Lorsqu’il
s’agit d’extraits piochés aléatoirement, seulement quelques valeurs de sous-empreinte au
début du processus de calcul d’empreinte sont faussement extraites avant que l’algorithme
ne se resynchronise. De la même manière, couper un échantillon au milieu de l’extraction
77
d’empreinte revient à fausser quelques valeurs extraites puis se resynchroniser sur un instant
significatif et ainsi reprendre le calcul de valeurs de sous-empreinte identiques.
Nous pouvons donc conclure que notre méthode de segmentation offre une réponse effi-
cace au problème de décalage temporel avec un taux de sous-valeurs identiques extrêmement
élevé voir quasi-invariant.
6.3 Identification d’empreinte
L’efficacité de notre méthode de reconnaissance a été testée en extrayant aléatoirement
de cours extraits de 5s dans les documents audio de la base de données. Ces extraits ont
alors été compressés à 128kbps, cette dégradation étant la plus commune appliquée aux
documents audio numériques transitant sur l’Internet. Nous avons enfin calculé l’empreinte
de chacun de ces extraits compressés.
6.3.1 Pertinence des q-grams
Avant d’exposer les performances de nos méthodes pour un taux d’identification quel-
conque, il convient d’apporter la preuve de la pertinence des q-grams. Nous utilisons pour
cela les extraits compressés à 128 kbps des morceaux présents dans la base. Soit C cet en-
semble d’extraits. Pour chaque empreinte compressée e ∈ C nous avons sélectionné les trois
empreintes de la base de score le plus élevé (au sens de l’équation 5.8). Ces empreintes sont
respectivement notées s1 (e), s2 (e) et s3 (e). Pour tout rang i ∈ {1, 2, 3} on définit également
les deux empreintes :


 mini

= argmine∈C Sprat (e, si (e))
 maxi

= argmaxe∈C Sprat (e, si (e))
Notons que pour chaque version compressée le fichier original est toujours présent dans
la base. Nous comparons donc une empreinte de signal non compressé avec sa version com-
pressée. Dans cette expérience l’empreinte de la version originale à toujours été celle obtenant
le meilleur score au sens de l’équation 5.8. L’empreinte s1 (e) correspond donc dans tous les
cas à l’empreinte originale de e. Les empreintes min1 (resp. max1 ) correspondent donc aux
78
6.3. Identification d’empreinte
empreintes compressées les plus éloignées (resp. proche) de leur original (toujours au sens
de l’équation 5.8).
L’empreinte de la base obtenant le second score représente la meilleure (( mauvaise can-
didate )). On peut donc interpréter son score comme le score qui serait obtenu si on avait
enlevé le fichier original de notre base de données. Dans ce dernier cas, la version compressée
de notre empreinte ne devrait pas être reconnue. L’empreinte max2 représente dans ce cadre
l’empreinte la plus proche de son meilleur (( mauvais candidat )).
L’écart entre la deuxième empreinte et la troisième comparé à celui entre la première et
la deuxième permet d’évaluer de combien une empreinte se détache du reste de la base (en
terme de score ou de q-grams) lorsque on la compare à un co-dérivé.
La table 6.1 présente différentes mesures sur les q grams obtenues en comparant chaque
empreinte compressée avec l’ensemble de la base. Les groupements de lignes 1er , 2e , 3e représentent
les mesures calculées entre les empreintes e ∈ C et respectivement s1 (e), s2 (e) et s3 (e). Pour
chaque groupement i :
– la ligne (i,moy), représente le nombre moyen de q-grams entre les empreintes com-
pressées e et si (e) pour e ∈ C,
– La ligne (i,min) représente le nombre de q grams en communs entre mini et si (mini ).
– La ligne (i,max) représente le nombre de q grams en communs entre maxi et si (maxi ).
3 4 5 6 7 8 9 10 11 12 13 14
1er min 91 6 0 2 0 1 0 0 1 0 0 0
moy 120 13 3.65 1.54 1.15 0.81 0.55 0.46 0.33 0.34 0.24 0.21
max 124 4 3 0 0 0 1 0 0 0 1 1
2e min 0 0 0 0 0 0 0 0 0 0 0 0
moy 74 9.2 2.19 0.17 0.03 0 0 0 0 0 0 0
max 180 40 7 4 1 2 0 0 0 0 0 0
3e min 0 0 0 0 0 0 0 0 0 0 0 0
moy 48 5.5 0.96 0.09 0.01 0 0 0 0 0 0 0
max 233 25 5 1 0 2 0 0 0 0 0 0
Tab. 6.1 – Longueur Q et nombre N de q-grams partagés entre l’extrait inconnu et ceux de
la base de données. Le premier correspond à l’original, le second et troisième correspondent
aux meilleurs faux positif.
Les lignes (1re , min) et (2e , max) de la table 6.1 montrent que pour chaque valeur de q on
peut toujours trouver deux empreintes compressées s et s′ tel que le nombre de q gram
entre s et son co-dérivé classé premier est plus petit que le nombre de q − grams entre s′
79
et l’empreinte classée seconde (qui ne correspond donc pas à un co-dérivé). Ce type résultat
interdit de distinguer les contenu co-dérivé uniquement sur le nombre de q grams communs.
Notons toutefois que le nombre moyen de q-grams partagés par deux co-dérivés est nettement
supérieur à celui obtenu avec les candidats classés second et troisième. Le nombre moyen
de q-grams de taille q est ainsi représenté sur la figure 6.3 pour une meilleure visibilité de
l’écart entre courbes :
Fig. 6.3 – Nombre et taille de q-grams en commun entre un extrait compressé et les em-
preintes de la base ayant obtenus les meilleurs scores, le co-dérivé arrivant toujours premier
candidat
La courbe du haut ( ) de la Figure 6.3 correspond à la ligne (1re , moy) de la table 6.1. Le
nombre de q-grams d’un co-dérivé décroı̂t légèrement lorsque la taille de q augmente tout en
restant non nul. Les seconde et troisième courbes ( et ) correspondent respectivement
aux nombre de q gram moyen des secondes et troisièmes empreintes. On remarque que le
nombre de q-grams est significativement inférieur a celui obtenu par les contenus co-dérivés
originels. L’information portée par les q grams est donc pertinente pour notre problématique
d’identification. On peut également noter que la longueur de q-grams partagés entre deux
empreintes non co dérivées n’excède jamais un certaine taille (qmax = 8) alors que lorsque
80
l’on compare l’empreinte d’un extrait avec l’empreinte de son co-dérivé, cette taille est
largement dépassée.
6.3.2 Scores par quantité d’information
Nous avons montré dans la section précédente l’intérêt des q-grams et leur potentielle
capacité à discriminer une empreinte co-dérivée. Fort de ces résultats, nous avons appliqué
notre première méthode d’identification basée sur la quantité d’information apportée par
les q-grams (Section 5.2). Pour cela, nous avons utilisé nos mêmes extraits de 5 secondes
compressés que nous avons comparé avec chaque empreinte de la base de données. Pour
chacune de ces empreintes, nous avons calculé son score suivant l’équation 5.6. Comme nous
l’avons déjà expliqué, la taille de notre alphabet est de s = 214 . Cependant, pour éviter des
problèmes de dépassement de la capacité de représentation des types usuels, la valeur de b
dans l’équation 5.6 a été fixée à 5. Cette valeur expérimentale correspond à la valeur la plus
élevée qui nous permette d’ éviter le problème de dépassement précédemment cité dans tous
les cas.
Nous avons ensuite calculé les scores à partir de l’équation 5.6 pour des tailles de q-grams
allant de qmin = 4 à qmax = 20. La table 6.2 représente les scores calculés entre l’empreinte
compressée et les quatre empreintes de la base ayant obtenues les meilleurs scores. Comme
dans le cas précédent (Section 6.3.1), l’empreinte co-dérivée à toujours été celle obtenant le
meilleur score. Pour chaque candidat, nous représentons sur la première partie de la table 6.2
les scores minimum, moyens et maximums. La seconde partie représente les ratios des scores
des quatre premiers candidats.

Candidats Ratios
Scores 1er 2e 3e 4e 1er /2e 2e /3e 3e /4e
Min 28 750 3 125 625 625 199.8 1 1
Moy 1 832.106 3 475 1 877 883 1 113.106 1.48 1.13
Max 4 294.106 188 750 162 500 91 250 4 294.106 23 6
Tab. 6.2 – Scores des 4 meilleures empreintes et ratio inter-candidats
Comme le montre ce tableau, le score moyen obtenu par un contenu co-dérivé est lar-
gement supérieur aux scores obtenus par les autres contenus. Cependant, le score minimum
obtenu par le contenu co-dérivé dans un cas peut être inférieur à un score d’un contenu
différent obtenu dans un autre cas. Par conséquent, une règle de décision uniquement basée
81
sur l’utilisation d’un seuil pour départager les candidats est impossible puisqu’on ne peut
scinder l’espace des scores.
Toutefois, comme le montre la deuxième partie de la table un seuil de décision peut
facilement être positionné en considérant non plus les scores mais les ratios. entre les scores.
Ce phénomène est du au fait que lorsque une empreinte possède un contenu co dérivé dans
la base, le score entre celle-ci et son co dérivé va dominer nettement les autres scores. Inver-
sement lorsque aucun co dérivé n’est présent dans la base, tous les scores sont sensiblement
équivalents.
6.3.3 Scores par distance d’édition
Nous rappelons que pour réaliser ces expérimentations, 5 sec de signal audio ont été
extraites aléatoirement de notre base de données, compressées à 128Kbps et leurs empreintes
calculées. Notre méthode de reconnaissance (Section 5.3) a été mise en oeuvre pour identifier
chaque empreinte. Notons que pour ces tests, chaque empreinte a un contenu co-dérivé dans
la base de données correspondant à son original non compressé.
La première étape de notre algorithme consiste à rechercher les positions des q-grams
communs aux deux empreintes et à calculer pour chaque q gram un score local de potentielle
correspondance (équation 5.11). La somme de ces scores est ensuite calculée afin de réaliser
notre étape de filtrage (équation 5.12). L’empreinte avec le score le plus élevé est alors
sélectionnée et toutes les autres sont filtrées. La position dans les deux chaı̂nes ayant donné
lieu à un score d’édition maximal sur des sous chaı̂nes de longueur m sera utilisée comme
point de synchronisation entre les deux chaı̂nes pour calculer une distance sur des sous
chaı̂nes de taille plus importante. Les expérimentations ont montré qu’une taille minimale
de q = 5 symboles identiques successifs offre le meilleur compromis entre discrimination et
souplesse. Les valeurs de α,γ et β ont été respectivement positionnées à : α = 1.5 ; γ = 1.1 ;
β = 20.
Classements de filtrage Ratios

Scores 1ier 2nd 3ieme 1ier /2nd 2nd /3ieme
Min 14878 0 0 34.74 0
Mean 11.105 240.72 143.74 8.105 4.19
Max 4.106 2.104 1.104 4.106 206.2
Fig. 6.4 – Score de filtrage par q-grams
82
Nous avons relevé dans la Table 6.4 les scores et ratios obtenus par les 3 meilleures
empreintes de la base de données en fonction de l’extrait inconnu identifié. Les scores mi-
nimums, moyens et maximums y sont indiqués. L’empreinte ayant obtenu le meilleur score
est, dans chaque cas, celle correspondant au contenu co-dérivé. Par conséquent, le second
score obtenu revient à simuler le fait de ne pas avoir de contenu co-dérivé dans la base de
données. Il s’agit dont du meilleur faux positif. Comme le montre cette table, le score du
co-dérivé est toujours plus élevé que ceux obtenus par les autres empreintes. Cependant, les
cases (Min, 1er ) et (Max, 2e ) mettent en évidence le fait que le meilleur score obtenu par
un faux positif peut être dans un cas, encore supérieur à celui obtenu par un co-dérivé dans
un autre cas. Ce dernier point ne permet donc pas de vérifier la présence d’un co-dérivé
dans la base de données. De plus, les rations (M in, 1er /2e ) et (M ax, 2e /3e ) montrent que
contrairement aux scores par quantité d’information (Section 6.3.2, Tab 6.2) ces ratios ne
permettent pas de caractériser un contenu co-dérivé. Nous nous trouvons face à 2 cas :
– l’empreinte ayant obtenu le meilleur score correspond au contenu co-dérivé.
– l’empreinte ayant obtenu le meilleur score correspond au meilleur faux positif.
Quoi qu’il en soit, la conclusion est qu’à partir de cette étape, seule l’empreinte ayant obtenu
le meilleur score nous intéresse. Reste à décider s’il s’agit ou non d’un contenu co-dérivé. Pour
cela, nous utilisons notre q-gram repère, c’est à dire la sous chaı̂ne de longueur q comune
aux deux chaı̂nes I et D à partir des positions i et j telles que S(I[i, i + m], D[j, j + m]) est
maximum parmi tous les scores calculés pour évaluer les équations 5.11 et 5.12. Nous allons
calculer à partir de ces positions une distance d’édition sur un durée plus importante de 5
secondes (équation 5.13). Afin de démontrer l’efficacité de cette mesure, nous donnons dans
le tableau 6.5, les scores des trois meilleures empreintes au sens du score. Encore une fois
le contenu co-dérivé est classé premier tandis que les deux autres empreintes correspondent
aux meilleurs faux positifs.
Candidats Ratios
Scores 1er 2e 3e 1er /2e 2e /3e
Min 100000 0 0 1980 0
Mean 3.1015 16 3 8.1014 4
Max 5.1017 2800 590 5.1016 300
Fig. 6.5 – Score final obtenu à partir de 5 secondes d’extrait comparé avec la base de données
L’objectif de cette technique est ainsi de creuser l’écart des scores entre co-dérivé et faux
83
positifs afin de pouvoir définir un simple seuil qui soit discriminant. Cet objectif est atteint
comme le montre les scores des cases (Min, 1ier ) et (Max, 2nd ). Le score obtenu par un
co-dérivé est en effet désormais toujours très largement supérieur au meilleur faux positif.
Un seuil défini entre le score minimal d’un co-dérivé et le score maximal du meilleur faux
positif permet donc d’établir une règle de décision simple et efficace afin de décider de la
présence d’un document audio co-dérivé dans la base de données. Par exemple, un seuil de
50.000 suffit pour identifier à 100% un extrait inconnu si un contenu co-dérivé est présent
dans la base de données ou bien, le cas échéant, confirmer que cet extrait est bien inconnu
du système.
84
7
Un scénario pour la gestion des
droits
7.1 Introduction
L’objectif de ce chapitre est de définir un ensemble de moyens de contrôle régissant
l’usage de contenus sur un terminal dit (( conforme )). Ces règles comprennent l’acceptation
ou le refus de jouer un contenu, le stockage et la copie d’un contenu, ainsi que son échange
vers un autre terminal. Ces contenus peuvent alors provenir de différentes sources identifiées
qui sont : Internet, un réseau local, un média (CD, DVD, cartes, ...). Ces moyens de contrôle
contiennent des techniques de DRM mais peuvent ne pas se limiter à ces techniques.
Le but est d’offrir un système où les techniques actuelles de DRM collaboreraient avec de
nouvelles techniques de contrôle basées sur la reconnaissance du contenu. Ces techniques se
reposeraient sur la détermination d’un identifiant unique pour chaque document multimédia
qui soit insensible aux dégradations dues au format de compression ou à la suppression de
parties du contenu. Cette méthode ainsi que son comportement face aux tests réalisés ont
été décrits dans les chapitres précédents.
Cette technique d’identification reconnaı̂t un document original à partir d’un court ex-
trait d’un document compressé et permet de contrôler l’utilisation de ce document même si
85
Chapitre 7. Un scénario pour la gestion des droits
celui-ci est paru antérieurement à la mise en place de techniques de DRM ou si sa protection
par DRM aurait été inefficace ou contournée. Le vocable ADRM a ainsi été choisi pour
représenter les deux aspects du contrôle : Analogiques basés sur l’identification du contenu,
et techniques de DRM.
86
7.2. Cadre de confiance
Sommaire
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.2 Cadre de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . 87
7.3 Reconnaissance Audio . . . . . . . . . . . . . . . . . . . . . . . . 88
7.4 Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.5 Prototypage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
7.2 Cadre de confiance
L’ADRM opère dans le contexte défini par le TCG, le Trusted Computing Group, l’in-
formatique de confiance. Ce groupe a été lancé en 2003 à l’initiative conjointe de plu-
sieurs grands acteurs du secteur informatique, et non phonographique, dont IBM, Hewlett-
Packard et Intel afin de proposer une méthode de certification universelle pour la sécurisation
matérielle et logicielle à travers plusieurs types de plate-forme (terminaux, PC familiaux,
téléphones mobiles, assistants personnels...). Concrètement, leurs spécifications définissent
la manière d’exploiter un composant de surveillance qui, lors de la phase de démarrage de la
machine, se charge de vérifier la conformité des éléments matériels et logiciels qu’elle utilise
au regard d’une liste d’outils préalablement définie. Les applications de cette technologie
sont nombreuses. Elle peut permettre de contrôler l’utilisation qui est faite d’un logiciel
en autorisant l’exécution de ce dernier aux seuls détenteurs de licences. Mais également
de vérifier la conformité d’un logiciel afin d’empêcher l’installation de logiciels piratés, de
cracks, ou de logiciels en contradiction avec les impératifs de droits d’auteur en traquant les
éventuels codes malicieux susceptibles de s’immiscer sur les disques durs.
Cela permet de considérer un cadre matériel et logiciel au sein duquel ne pourraient être
utilisés que des logiciels conformes ayant satisfait les conditions de leur homologation et
donc de leur installation, comme par exemple l’acceptation d’une brique logicielle pour la
vérification des droits d’auteurs avant et/ou pendant la lecture d’un contenu (ADRM). Ce
cadre interdit donc tout logiciel pirate, de lecture ou de copie de contenu, qui ne répondrait
87
pas aux conditions de mise en oeuvre de notre plug-in de gestion de l’utilisation de documents
multimédia dans le respect des droits d’auteur.
7.3 Reconnaissance Audio
Comme il l’a été précisé, notre proposition de gestion de documents audio s’appuie sur
notre méthode de reconnaissance basée sur le contenu lui-même, le signal audio. Le principe
est celui d’une liste blanche de documents audio dont l’utilisateur aurait acquis les droits,
cette liste étant stockée sur la machine de l’utilisateur et exportable sur chacun de ses
appareils. Si on lit un document audio compressé type MP3 téléchargé, on va vérifier si ce
document est dérivé de l’un de ceux figurant dans la liste et dont on a acquis les droits, si non,
on arrête la lecture. C’est le fingerprinting. Cette technique est, comme son nom l’indique,
comparable au principe de contrôle d’accès d’un bâtiment qui se baserait sur l’empreinte
digitale des individus ayant l’autorisation d’y accéder. Il s’agit donc ici bien d’identification
et non d’authentification.
Comme nous l’avons vu, cette technique étant la pierre angulaire du système, elle im-
plique certaines exigences. Tout d’abord, le calcul de l’empreinte se doit d’être le plus in-
variant possible aux altérations du signal telle la compression afin de pouvoir être reconnu
efficacement. L’algorithme doit respecter d’autres contraintes pour permettre son intégration
sur un ordinateur familial voir un téléphone mobile. La vitesse d’exécution des étapes de
calcul de l’empreinte ou de reconnaissance doit être la plus rapide possible pour pouvoir être
réalisées en parallèle à la lecture. La taille de l’empreinte doit être la plus réduite possible
pour son stockage sur un ordinateur ou encore un mobile. Enfin, l’identification d’un mor-
ceau de musique par rapport à son empreinte doit intervenir à partir d’un court échantillon
du signal (environ 5sec) pris à n’importe quel moment de la lecture du signal. Enfin, et
surtout, si l’identification d’un document donne accès à sa lecture, la non-reconnaissance
d’un document dont l’empreinte est dans la base de données est équivalent à un refus de
service. Par conséquent, le taux de mauvais refusés se doit d’être extrêmement bas. Or nous
avons vu que notre technique, tant au niveau de l’algorithme de calcul de l’empreinte que
de la méthode utilisée pour identifier les extraits, satisfait l’ensemble de ces pré-requis et
88
7.4. Description
apporte une réelle amélioration de l’existant sur ces points. En effet, nous sommes main-
tenant capables de dire si les quelques secondes de musique que notre lecteur multimédia
est en train de jouer correspondent à un des documents présents dans notre liste blanche
de fichiers acquis légalement ou bien s’il s’agit d’un document inconnu pour la machine et,
donc, probablement illégal.
7.4 Description
La figure 7.1 ci-dessous détaille ces modes de contrôle en fonction des différents types de
contenus reçus par un terminal conforme protégé par ADRM. Les tests que le terminal doit
faire avant d’accepter ce contenu sont de deux types, d’un côté les test DRM classiques et
de l’autre les tests prenant en compte la technique d’identifiant de contenu. On appelle CD
signé un CD normal ayant un fichier de signature (donc qui reste lisible sur tout équipement
de lecture de CD classique). Cette signature est calculée par une autorité sur idf, et hash du
contenu originel.
Fig. 7.1 – Contrôles de l’utilisation
Dans le cas a), le terminal fait l’acquisition d’un contenu acheté sur un serveur de distri-
bution de musique en ligne par le biais d’internet. Le contenu acheté et dont on a acquis les
89
droits est protégé par des techniques de type DRM afin de contrôler les échanges et copies
de ce contenu. Lors de cette acquisition, la signature du document est aussi fournie afin
que l’identifiant calculé sur le contenu du document puisse être ajouté au cache interne du
terminal.
Le cas b) présente l’échange à partir d’un appareil conforme vers un autre terminal (par
internet, réseau local, flash, ...). Cet échange est régis par des technique de DRM classiques
concernant les fonctions de super distribution
Le cas c) montre l’import d’un contenu vers le terminal. Ce type d’import peut provenir
de différentes sources et doit être géré de manière adéquate suivant la source.
Le contenu est protégé par une DRM classique (pouvant donc provenir d’un autre termi-
nal du réseau local), on revient alors au cas a) Le contenu n’est pas protégé, on va chercher
à identifier la source et suivant le cas, se référer aux cas 1, 2 ou 3.
Cas 1 : il existe sur le média un fichier signature. Il s’agit de ce que l’on appelle un CD
signé. La signature contient les empreintes des fichiers audio contenu sur le CD. On accepte
alors la lecture et si c’est la première lecture de ce média, les identifiants de chaque document
contenu sur le média seront lus et enregistrés dans a liste blanche.
Cas 2 : Le cd ne contient pas de fichier signature mais est reconnu comme étant un CD
original produit par une maison de disque homologuée et acheté légalement sur le marché
grâce à la lecture de son International Standard Recording Code. Ce CD étant reconnu
comme original, son contenu peut être lu et s’il s’agit de sa première lecture, les identifiants
de forme de chaque document seront calculés et ajoutés dans la liste blanche.
Cas 3 : L’ISRC n’est pas présent, il s’agit donc d’un CD gravé à partir de MP3. Lors de
la lecture d’un document contenu sur ce CD, son identifiant sera alors calculé et comparé
avec ceux contenus dans la liste blanche du terminal. Si l’identifiant est reconnu comme
correspondant à un de ceux de la liste blanche (signifiant qu’on a les droits dessus), la
lecture continu. Si on ne reconnaı̂t pas l’identifiant parmi ceux du cache, c’est qu’aucun
original de ce document n’a été lu par le terminal, donc aucune preuve de possession de
l’original n’a été apportée et, par conséquent, la lecture s’arrête.
La lecture d’une copie bit à bit d’un original non régis par des DRM sera alors vérifiée
par le contrôle de la Burst Cutting Area qui est une section proche du centre du CD ou
90
7.5. Prototypage
DVD où des informations ne peuvent être écrites que par un laser de haute puissance. Par
conséquent, un graveur classique ne pourra écrire dans cette zone du CD ce qui permettra
de savoir qu’il s’agit d’une copie bit à bit.
7.5 Prototypage
Afin de montrer la validité de ces concepts nous avons construit un démonstrateur. Celui-
ci à été réalisé en collaboration avec Yves Feuillet de France Telecom qui a conçu le squelette
du player audio.Pour ce démonstrateur, on a voulu un design de player qui soit proche d’un
player classique (Figure 7.2).
Fig. 7.2 – Prototype de lecteur audio développé
Pour simuler le scénario ADRM, on recherche dans l’arborescence un document audio
numérique. Si on coche la case (( contenu licencié )), on simule le fait que le contenu choisi
est un contenu légalement acquis. Lorsqu’on lance la lecture de ce document, en quelques
secondes à peine, la signature est calculée et sauvegardée. Si on lit ensuite une version
compressée du même contenu, la lecture se déroulera sans perturbation pour l’utilisateur.
Par contre, si on tente de lire un autre contenu que celui ou ceux dont la signature a été
sauvegardée, la lecture sera stoppée.
Finalement, ce démonstrateur simule l’utilisation de notre technique d’identification dans
le cadre de la gestion des droits numériques avec pour résultat la gestion et le contrôle de
l’utilisation des documents audio.
91
92
8
Conclusion et perspectives
93
Chapitre 8. Conclusion et perspectives
Sommaire
8.1 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
8.1.1 Calcul d’empreinte audio . . . . . . . . . . . . . . . . . . . . . . 94
8.1.2 Identification audio . . . . . . . . . . . . . . . . . . . . . . . . . . 95
8.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.2.1 Améliorations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.2.2 Utilisations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.3 Publications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
8.1 Contributions
Le but de cette thèse était de définir une méthode d’identification de contenus audio qui
soit à la fois légère (en termes de temps de calcul et de capacité disque) et qui présente
un faible taux de faux négatifs. Nous avons établi un état de l’art des diverses méthodes
de calcul et de reconnaissance d’empreintes. Cet état de l’art nous a conduit à proposer
plusieurs méthodes de calcul d’empreintes et deux méthodes d’identification de celles-ci.
8.1.1 Calcul d’empreinte audio
La première contribution de cette thèse concerne la définition des empreintes. Celles-ci
sont basées sur l’extraction régulières de caractéristiques du signal audio. La concaténation
de ces mesures définit une empreinte qui caractérise le signal. Nous avons étudié plusieurs
pistes et plus particulièrement une étude spatio-fréquentielle utilisant des mesures déduites
de la transformée de Fourrier sur de courtes fenêtre prises le long du signal (Section 4.2).
Cependant, nous avons observé qu’il était plus rapide d’utiliser uniquement une description
temporelle et que cette seule propriété apportait finalement de meilleurs résultats qu’une
utilisation combinée de propriétés fréquentielles et temporelles. Nous avons donc défini une
méthode de détection d’intervalles de haute énergie dans le signal et construit notre em-
preinte comme la concaténation des écarts entre ces pics de haute énergie (Section 4.3).
Cette segmentation contrainte du signal induit des empreintes présentant une très forte
94
8.1. Contributions
résistance à la compression et aux décalages temporels. De plus la taille des empreintes
produites est inférieure d’un facteur au moins 10 aux empreintes basées sur des fenêtres glis-
santes. Ce type d’empreinte n’est pas robuste aux altérations qui accélèrent ou ralentissent
un signal. Toutefois, très peu d’internautes téléchargeant des fichiers illégaux appliquent de
telles dégradations qui modifient de façon importante le signal et donc la qualité d’écoute
du document audio téléchargé.
8.1.2 Identification audio
Le seconde étape consiste à comparer une empreinte avec une base de données. Nous
avons proposé deux méthodes. La première (Section 5.2) est basée sur un score qui approxime
la quantité d’informations induite par la présence de q-grams de longueurs différentes entre
deux empreintes. Cette méthode est très efficace pour indexer des documents puisque dans
toutes nos expériences le score entre un document original et un document dégradé est
toujours supérieur au score établi entre ce même document original et un document différent
(non co-dérivé). Cette propriété garantit que le document original, s’il est présent dans la
base sera celui obtenant le meilleur score. Toutefois, ce score n’est pas suffisant pour identifier
un document puisque le score entre deux documents co-dérivés peut être inférieur au score
entre deux documents qui ne le sont pas. On ne peut donc pas fixer un seuil sur le score
pour décider si le document de la base classé premier correspond à un contenu co-dérivé. On
peut toutefois identifier tout de même des document en considérant non pas les scores mais
le rapport des scores entre le premier et le second document de la base classés par ordre
croissant.
Cette première expérience nous a conduit à conclure qu’un simple comptage des q-grams
bien qu’ extrêmement utile, n’était pas suffisant pour identifier des contenu co-dérivés. Nous
avons donc élaboré une nouvelle méthode (Section 5.3) qui combine l’indexation par q-grams
à une nouvelle distance d’édition entre chaı̂nes. Cette distance permet de favoriser de longues
séquences de symboles communs caractéristiques de contenus co-dérivés. Les expériences que
nous avons menées nous ont montré que cette méthode classe toujours premier un document
co-dérivé et que l’écart entre deux contenu co-dérivés et deux contenus qui ne le sont pas
est suffisamment important pour que l’on puisse facilement positionner un seuil permettant
95
d’identifier la présence d’un contenu co-dérivé dans la base.
8.2 Perspectives
Ce travail nous permet d’envisager diverses possibilités d’évolutions. Ces évolutions
concernent d’une part les améliorations que l’on peut apporter à notre méthode d’identifi-
cation et d’autre part les nouvelles applications industrielles qui pourraient être imaginées
en l’état ou en complémentarité d’autres techniques.
8.2.1 Améliorations
La principale amélioration qui pourrait être apportée à ce travail de recherche serait
une technique permettant d’accélérer le processus de recherche dans la base de données. Ce
travail avait été initié lors d’un projet d’école d’ingénieur mais n’a pas assez abouti. Il s’agi-
rait de combiner notre technique de filtrage par q-grams avec une indexation de la base de
données en fonction de ces mêmes q-grams. Pour une taille de q-gram fixée (disons 5), une
table des valeurs possible de ces q-grams serait construite afin d’accéder plus rapidement aux
couples document-position recherchés. De nouvelles fonctions de scores pourraient aussi être
étudiées afin, d’améliorer encore les résultats de l’identification par appariement de chaı̂nes.
En fonction des applications envisagées, on pourrait également renforcer la robustesse de
notre méthode de segmentation vis a vis de dégradations spécifiques. Enfin, les résultats ob-
tenus étant réellement très encourageants une utilisation sur une base de données contenant
des millions de documents ainsi qu’une mise en oeuvre au sein d’un dispositif portable nous
permettrait de valider nos contributions sur une plus grande échelle.
8.2.2 Utilisations
De multiples utilisations peuvent être envisagées. La surveillance de réseaux et l’archivage
ont déjà été cités en introduction de ce mémoire. Cependant, d’autres applications pour-
raient voir le jour. En effet, une vidéo contenant une bande son, notre technique pourrait
être utilisée pour identifier une vidéo à partir de sa bande sons. Elle pourrait aussi collaborer
avec une technique d’extraction d’empreintes vidéo basée image afin de définir une empreinte
96
8.3. Publications
image-audio qui décrive parfaitement un document vidéo. Nous pourrions également étudier
les applications de nos empreintes à la classification de sons (hors de la problématique de
l’identification). Une application de ces techniques pourrait par exemple consister à insérer
une base de données associant sons-objets dans un téléphone portable afin d’apporter une
aide aux personnes sourdes ou malentendantes. Ainsi, les sons de la vie quotidienne, ap-
pareils ménagers ou bruits extérieurs, pourraient faire vibrer le téléphone portable et ainsi
la personne pourrait lire à l’écran que tel objet a émis tel bruit. Les applications possibles
d’une telle adaptation sont tellement variées qu’il est difficile de les énumérer. Cependant, si
les empreintes et les fonctions de scores que nous avons proposées sont suffisament flexibles
pour être adaptées au cadre de la classification , cette thèse pourait servir de socle commun
à de nombreuses applications.
8.3 Publications
Communication internationale avec actes et comité de lecture :
Jérôme Lebossé, Luc Brun and Jean Claude Pailles, ”A Robust Audio Fingerprint Ex-
traction Algorithm”, Proceedings of SPPRA’2006, Pages 185-192, Editors Robert Sablatnig
and O. Scherze, Acta Press, Innsbruck (Austria), Février, 2006.
Jérôme Lebossé, Luc Brun and Jean Claude Pailles, ”A Robust Audio Fingerprint’s Based
Identification Method”, Proceedings of IbPRIA’2007, Pages 185-192, Editors Joan Marti,
Jose Miguel Benedi, Ana Maria Mendonca and Joan Serrat, LNCS, Volume I, number 4477,
Girona (Spain), Juin, 2007.
Jérôme Lebossé et Luc Brun, ”Audio Fingerprint Identification by Approximate String
Matching”, Proceedings of ISMIR 2007, Vienna (Austria), Septembre, 2007.
Communication nationale avec actes et comité de lecture :
Jérôme Lebossé, Luc Brun et Jean Claude Pailles, ”Fingerprint audio robuste pour la
gestion de droits”, Actes de CORESA 2006, Caen, Novembre, 2006.
97
Jérôme Lebossé, Luc Brun et Jean Claude Pailles, ”Identification de signaux audio par
appariement de chaı̂nes”, Proceedings of GRETSI 2007, Troyes, Septembre, 2007.
98
8.3. Publications
Brevet :
J.Lebossé et J-C. Pailles, ”Détermination d’identification de signal”, France Télécom
R&D Caen, Février, 2006.
Présentations :
Présentations internes à France Télécom concernant la valorisation du projet de labo-
ratoire commun LATEMS en exposant l’avancement des travaux de recherches et résultats
obtenus.
Présentation à la journée thématique du GdR ISIS sur la protection des données mul-
timédia. ”Contrôle de l’utilisation de documents audio dans le respect des droits d’auteurs
gràce à l’identification de contenus par empreinte”, Novembre, 2007.
99
100
Bibliographie
[1] E. Allamanche, J. Herre, O. Helmuth, B. Fröba, T. Kasten, and M. Cremer. Content-
based identification of audio material using mpeg-7 low level description. Proc. Of the
Int. Symp. Of Music Information Retrieval, 2002.
[2] M. Alonso, B. David, and G. Richard. Tempo and beat estimation of musical signals,
2004.
[3] M. Alonso, G. Richard, and B. David. Extracting note onset from musical recordings,
2005.
[4] J. Bello, C. Duxbury, M. Davies, and M. Sandler. On the use of phase and energy
for musical onset detection in the complex domain. IEEE Signal Procesing letters,
11(6) :553–556, June 2004.
[5] W. Birmingham, R. Dannenberg, G. Wakefield, M. Bartsch, D. Bykowski, D. Mazzoni,
C. Meek, M. Mellody, and W. Rand. Musart : Music retrieval via aural queries, 2001.
[6] J. Bruck, S. Bres, and D. Pellerin. Construction d’une signature audio pour l’indexation
de documents audio visuels. In Actes de Coresa 2004, 2004.
[7] C. Burges, D. Plastina, J. Platt, E. Renshaw, and H. Malvar. Using audio fingerprinting
for duplicate detection and thumbnail generation. In IEEE International Conference
on Acoustics, Speech and Signal Processing, 2005.
[8] C. Burges, J. Platt, and S. Jana. Distorsion discriminant analysis for audio fingerprn-
ting. IEEE Transactions on Speech and Audio Processing, 11(3) :165–174, 2003.
[9] P. Cano, E. Batlle, H. Mayer, and H. Neuschmied. Robust sound modeling for song
detection in broadcast audio, 2002.
101
Bibliographie
[10] W. Chang and T. Marr. Approximate string matching and local similarity. In M. Cro-
chemore and D. Gusfield, editors, Combinatorial Pattern Matching, Proceedings of the
5th Annual Symposium, volume 807 of Lecture Notes in Computer Science, pages 259–
273. Springer Verlag, 1994.
[11] C. Charras and T. Lecroq. Handbook of Exact string matching algorithms. King’s
College London Publications, 2004.
[12] S. Consortium. Secure digital music initiative, 2001. http ://www.sdmi.org.
[13] M. Covell and S. Baluja. Known audio detection using waveprint : spectrogram finger-
print by wavelet hashing. In International Conference on Acoustics, Speech and Signal
Processing (ICASSP-2007), 2007.
[14] M. Crochemore and W. Rytter. Text algorithms. Oxford University Press, 1995.
[15] F. Desobry, M. Davy, and C. Doncarli. An online kernel change detection algorithm.
Signal Processing, IEEE Transactions on, 53(8) :2961–2974, Aug. 2005.
[16] A. Desolneux, L. Moisan, and J.-M. Morel. Meaningful alignments. International
Journal of Computer Vision, 40(1) :7–23, 2000.
[17] S. Dixon. Automatic extraction of tempo and beat from expressive performances, 2001.
[18] S. Dixon. Classification of dance music by periodicity pattern, 2003.
[19] P. Doets, M. Gisbert, and R. Lagendijk. On the comparison of audio fingerprints for
extracting quality parameters of compressed audio. In In Proceedings of SPIE, volume
6072, February 2006.
[20] P. Doets and R. Lagendijk. Theoretical modeling of a robust audio fingerprinting
system. In IEEE Benelux Signal Processing Symposium, 2004.
[21] D. Duxbury, M. Sandler, and M. Davies. A hybrid approach to musical note detection.
In Proc. of Digital Audio Effects Workshop (DAFx), pages 33–38, Hamburg, Germany,
2002.
[22] P. Flajolet. Random tree models in the analysis of algorithms. In Performance, pages
171–187, 1987.
[23] B. Gajic and K. Paliwal. Robust feature extraction using subband spectral centroid-
histograms, 2001.
102
[24] M. Goto. An audio-based real-time beat tracking system for music with or without
drum-sounds. J. of New Music Research, vol30(2), pages 159–171, 2001.
[25] F. Gouyon, A. Klapuri, S. Dixon, G. Tzanetakis, and P. Cano. An experimental com-
parison of audio tempo induction algorithms. IEEE Transactions on Speech and Audio
Processing, 14(5), 2006.
[26] F. Gouyon, F. Pachet, and O. Delerue. the use of zerocrossing rate for an application
of classification of percussive sounds, 2000.
[27] L. Gravano, H. J. P.G. Ipeirotis, and D. Srivastava. Approximate string joins in a
database almost for free. In M. K. P. Inc., editor, In Proceedings of the International
Conference on Very Large Databases, pages 491–500, 2001.
[28] S. Hainsworth and M. Macleod. Onset detection in musical audio signals. In Proceedings
of the International Computer Music Conference, Singapore, September 2003.
[29] P. Herrera, G. Peeters, and S. Dubnov. Automatic classification of musical instrument
sounds, 2003.
[30] P. Herrera, X. Serra, and G. Peeters. Audio descriptors and descriptor schemes in the
context of mpeg-7, 1999.
[31] T. Hoad. Video Representations for Effective Rettrieval From Large Collections. PhD
thesis, RMIT University, Melbourne, Australia, 2004.
[32] T. Hoad and J. Zobel. Video similarity detection for digital rights management. In
ACSC, pages 237–245, 2003.
[33] O. Izmirli. Using a spectral flatness based feature for audio segmentation and retrieval,
2000.
[34] P. Jokinen and E. Ukkonen. Two algorithms for approximate string matching in static
texts. In Lecture Notes in Computer Science, pages 240–248, 1991.
[35] B. Juang. Speech, acoustics and audio processing for multimedia, 1997.
[36] T. Kalker and J. Haitsma. A highly robust audio fingerprinting system. In Proceedings
of ISMIR 2002, pages 144–148, 2002.
[37] T. Kalker and J. Haitsma. A highly robust audio fingerprinting system. In Proceedings
of ISMIR’2002, pages 144–148, 2002.
103
Bibliographie
[38] A. Klapuri. Sound onset detection by applying psychoacoustic knowledge.
[39] A. Klapuri, A. Eronen, and J. Astola. Analysis of the meter of acoustic musical signals,
2005.
[40] F. Kurth. A ranking technique for fast audio identification. In Proceedings of the
International Workshop on Multimedia Signal Processing, 2002.
[41] Y. Li and Y. Hou. Search audio data with the wavelet pyramidal algorithm. In Inf.
Proc. Letters, vol 91(1), pages 49–55, 2004.
[42] D. Liu, L. Lu, and H. J. Zhang. Automatic mood detection from acoustic music data,
1998.
[43] B. Logan. Mel frequency cepstral coefficients for music modelling. In Proc. of the Int.
Symposium on Music Information Retriaval, 2001.
[44] M. F. Mckinney. Features for audio and music classification. In Proceedings of the
International Symposium on Music Information Retrieval, pages 151–158, 2003.
[45] M. Mihçak and R. Venkatesan. A perceptual audio hashing algorithm : a tool for robust
audio identification and information hiding. In 4th Workshop on Information Hiding,
2001.
[46] P. Nicodeme. Q-grams analysis and urn models. In Proceedings of Discrete Random
Walks DRW, pages 243–258, 2003.
[47] F. Pachet. Kknowledge management and musical metadata, 2005.
[48] F. Pachet. Knowledge management and musical metadata. In Encyclopedia of Know-
ledge Management, 2005.
[49] G. Peeters. Toward automatic music audio summary generation from signal analysis,
2002.
[50] RIAA. Request for audio fingerprint technologies, 2001.
[51] E. Scheirer. Tempo and beat analysis of acoustic musical signals, 1998.
[52] C. E. Shannon. A mathematical theroy of communication, 1948.
[53] S. R. Subramanya, R. Simha, B. Narahari, and A. Youssef. Transform-based indexing
of audio data for multimedia databases. In International Conference on Multimedia
Computing System, pages 3–6, 1997.
104
[54] W. Szpankowski. Asymptotic properties of data compression and suffix trees. IEEE-
TIT : IEEE Transactions on Information Theory, 39, 1993.
[55] G. Tzanetakis, G. Essl, and P. Cook. Audio analysis using the discrete wavelet trans-
form. In ”In Proceedings of of WSES International Conference, Acoustics and Music :
Theory and Applications (AMTA)”, 2001.
[56] G. Tzanetakis, G. Essl, and P. Cook. Automatic musical genre classification of audio
signals. In ”Proc. International Symposium for Audio Information Retrieval (ISMIR)”,
2002.
[57] C. Uhle and J. Herre. Estimation of tempo, micro time and time signature from per-
cussive music, 2003.
[58] A. Wang. An industrial-strength audio search algorithm. Proc. of the International
Symposium on Music Information Retrieval, 2003.
[59] E. Wold, T. Blum, D. Keislar, and J. Wheaton. Content-based classification, search,
and retrieval of audio. IEEE MultiMedia, 3 :27–36, 1996.
[60] L. Ying. Search audio data with wavelet packet best base and pyramidal algorithm.
Congress on Image and Signal Processing, 2008.
[61] A. Zils and F. Pachet. Extracting automatically the perceived intensity of music titles,
2003.
105
Bibliographie
106
9
Annexe
2
9.1 Calcul de la moyenne γbc et de la variance σbc
Lemme 2. Le coefficient en [z r ts ] de la série entière eaz+bt est égal à :
ar bs
r!s!
Démonstration :
P+∞ 1
eaz+bt = n=0 n! (az + bt)n
P+∞ 1
Pn
= n=0 n! k=0 Cnk (az)k (bt)n−k
Les relations k = r etn − r = s imposent n = r + s. On obient alors :
1
[z r ts ]eaz+bt = r r s
(r+s)! Cr+s a b
ar bs
= r!s!
L’article nous indique que F (z, t, u) est donné par :

m−1
F (z, t, u) = Πi=0 epi (z+t) + (u − 1)(epi z + epi t − 1)
107
Chapitre 9. Annexe
Si nous supposons tous les q grams équiprobable on obtient :
1
pi = p = , ∀i ∈ {0 . . . , m − 1}
m
et F (z, t, u) s’écrit :
m
F (z, t, u) = ep(z+t) + (u − 1)(epz + ept − 1)
On a donc :
m−1
∂F = m ep(z+t) + (u − 1)(epz + ept − 1) (epz + ept − 1)
∂u
d’où :
∂F | = mep(m−1)(z+t) (epz + ept − 1)
∂u u=1
= mept(m−1)+z + mepz(m−1)+t − mep(m−1)(z+t)
où l’on a utilisé la relation pm = 1.
En utilisant le fait que F est issue d’une double Poissonisation, nous obtenons la définition
suivante de la moyenne µbc :
µbc = [z b tc ]b!c! ∂F |u=1

∂u
En utilisant le lemme précédent, on obtient donc :
= m pc (m − 1)c + pb (m − 1)b − (p(m − 1))b+c

µbc
= m (1 − p)b + (1 − p)c − (1 − p)b+c

On obtient donc :
γbc = m − µbc
= m 1 − (1 − p)b − (1 − p)c + (1 − p)b+c

= p1 1 − (1 − p)b − (1 − p)c + (1 − p)b+c

108
2
9.1. Calcul de la moyenne γbc et de la variance σbc
Un développement limité de γbc à l’ordre 2 nous donne :
1
γbc ≈ bcp − bc(c + b − 2)p2 + O(p3 )
2
Calculons à présent σbc . On a :
2 (2) (2)
σbc = mbc − µ2bc avec mbc = b!c![z b tc ]m(2) (z, t)
où :
∂ ∂F (z, t, u) ∂F (z, t, u) ∂ 2 F (z,t,u)
m(2) (z, t) = u |u=1 = |u=1 + |u=1
∂u ∂u ∂u ∂u2
La dérivé seconde de F est donnée par :
im−2
∂ 2 F (z,t,u) 2 h p(z+t)
∂u2 = m(m − 1) ept + epz − 1 e + (u − 1)(ept + epz − 1)
Donc :
1 ∂ 2 F (z,t,u) 2
m(m−1) ∂u2 |u=1 = (ept + epz − 1) ep(m−2)(z+t)
1 + (ept + epz )2 − 2(ept + epz ) ep(m−2)(z+t)

=
= (1 + e2pz + e2pt + 2ep(z+t) − 2ept − 2epz )ep(m−2)(z+t)
= ep(m−2)(z+t) + ep(m−2)z+t + ep(m−2)t+z + 2ep(m−1)(z+t)
−2ep(m−2)z+p(m−1)t − 2ep(m−2)t+p(m−1)z
Donc la série m(2) (z, t) est donnée par la fonction :
∂ ∂F (z, t, u)
∂u u |u=1 = mept(m−1)+z + mepz(m−1)+t − mep(m−1)(z+t)
∂u
+m(m − 1)ep(m−2)(z+t) + m(m − 1)ep(m−2)z+t
+m(m − 1)ep(m−2)t+z + 2m(m − 1)ep(m−1)(z+t)
−2m(m − 1)ep(m−2)z+p(m−1)t − 2m(m − 1)ep(m−2)t+p(m−1)z
109
Chapitre 9. Annexe
En appliquant le Lemme 1 on obtient :
(2)
mbc = mpc (m − 1)c + mpb (m − 1)b − mpb+c (m − 1)b+c + m(m − 1)pb+c (m − 2)b+c
+m(m − 1)pb (m − 2)b + m(m − 1)pc (m − 2)c + 2m(m − 1)pb+c (m − 1)b+c
−2m(m − 1)pb+c (m − 1)b (m − 2)c − 2m(m − 1)pb+c (m − 1)c (m − 2)b
(2)
pmbc = (1 − p)c + (1 − p)b − (1 − p)b+c + (m − 1)(1 − 2p)b+c
+(m − 1)(1 − 2p)b + (m − 1)(1 − 2p)c + 2(m − 1)(1 − p)b+c
−2(m − 1)(1 − p)b (1 − 2p)c − 2(m − 1)(1 − p)c (1 − 2p)b
p2 (2)
1−p mbc = p(1 − p)c−1 + p(1 − p)b−1 − p(1 − p)b+c−1 + (1 − 2p)b+c
+(1 − 2p)b + (1 − 2p)c + 2(1 − p)b+c
−2(1 − p)b (1 − 2p)c − 2(1 − p)c (1 − 2p)b
De plus :
1 2
µ2bc = (1 − p)c + (1 − p)b − (1 − p)b+c
p2
On a donc :
(2)
p2 σbc
2
= p2 mbc − p2 µ2bc
 
c−1 b−1 b+c−1 b+c b c
p(1 − p) + p(1 − p) − p(1 − p) + (1 − 2p) + (1 − 2p) + (1 − 2p)
= (1 − p) 
 

b+c b c c b
+2(1 − p) − 2(1 − p) (1 − 2p) − 2(1 − p) (1 − 2p)
2
− (1 − p)c + (1 − p)b − (1 − p)b+c
Un développement limité à l’ordre 4 de l’expression de droite nous permet de conclure que :
2 1
σbc ≈ bcp − (3cb2 + (3c2 − 4c)b)p2 + O(p3 )
2
110
Index
Échantillonnage, 13 Numérisation, 13
Échantillonnage, 13
Alignement local, 53
quantification, 15
Analog hole, 6
Analogic Digital Rights Management (ADRM), Onset, 27
7
Poissonisation, 57
Appariement de chaı̂nes, 53
q-gram, 55
Co dérivé, 4
Quantifiation, 15
Collision, 57
Bicolores, 57 Recouvrement, 26
Compression, 20
Séquence d’édition, 35
Descripteurs audio Secure Digital Music Initiative (SDMI), 6
de bas niveau, 3, 19 Segmentation, 26
de haut niveau, 3, 18 Shannon (Théorème de), 14
de niveau intermédiaire, 3, 18 Sous-empreinte, 4, 29
Digital Right Management (DRM), 5
Taux
Distance d’édition, 63
de reconnaissance, 72
Empreinte, 3
de reconnaissance total, 72
Sous empreinte, 29
de segmentation, 72
Fenêtrage, 25, 44 de variation, 72
Fourier (transformée de), 16

Urne, 57
Hamming (fenêtre de), 25
Masquage, 12
111

Signal Son

Transféré par

Droits d'auteur :

Formats disponibles

Signal Son

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Signal Son

Transféré par

Droits d'auteur :

Formats disponibles

Méthodes d’identification pour le contrôle de

l’utilisation de documents audio

To cite this version:

HAL Id: tel-01073385

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

Méthodes d’identification pour le

présentée et soutenue publiquement le Mi décembre

Doctorat de l’Université de Caen

Laboratoire Greyc — UMR 6072

pour mener à terme ce travail de recherche et je l’en remercie encore.

Je remercie aussi Thierry Lecroq et Christian Doncarli d’être jury de ce travail.

pendant tout ce temps.

permis de faire des études aussi longues.

L’Art romantique (1852)

d’identification de documents audio et plus particulièrement musicaux. Les contraintes de

uniquement sur une analyse temporelle du signal et l’extraction de positions remarquables

vant de faibles temps de calculs malgré la taille et le nombre de nos empreintes.

avec un ensemble d’empreintes précalculées afin d’identifier l’extrait. L’efficacité de chacune

ouvertes par ceux-ci.

Mots clés: empreinte audio, segmentation audio, identification.

must finaly be robust against some common signal’s alterations.

to identify precisely a document while keeping low computational time.

Mots clés: audio fingerprint, onsets, identification.

Chapitre 2 Le Signal Audio 11

Chapitre 3 Identification de documents audio 23

Chapitre 4 Construction Robuste d’Identifiants Audio 39

Chapitre 5 Appariement d’Identifiants Audio 51

Chapitre 6 Analyse des résultats 69

Chapitre 7 Un scénario pour la gestion des droits 85

Chapitre 8 Conclusion et perspectives 93

Chapitre 9 Annexe 107

1.1 Identification par empreinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.1 Courbe de Fletcher et Munson . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2 Masquage des sons perçus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.3 Technique d’échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.4 Principe du théorème de Shannon . . . . . . . . . . . . . . . . . . . . . . . . 15

2.5 Technique de quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.6 Représentation spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.1 Technique de fenêtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3.2 Détection d’onsets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.3 Caractérisation d’un signal par coefficients d’ondelettes . . . . . . . . . . . . . 30

3.4 Empreinte par signe de la courbe d’énergie . . . . . . . . . . . . . . . . . . . . 31

3.5 Analyse en Composantes Principales Orientées . . . . . . . . . . . . . . . . . 32

3.6 Empreinte par différences inter-filtres . . . . . . . . . . . . . . . . . . . . . . . 33

3.8 Reconnaissance par la technique d’ondelettes pyramidales . . . . . . . . . . . 37

3.9 Reconnaissance par table d’index et distance de Hamming . . . . . . . . . . . 38

4.3 Détection de transitions le long d’un signal audio. . . . . . . . . . . . . . . . . 46

4.4 Méthode de segmentation audio . . . . . . . . . . . . . . . . . . . . . . . . . . 47

5.1 Matrice de score entre les chaı̂nes 3.12.23.15.18.21 et 20.3.12.23.15.3.18.21.7.5

obtenues à partir de l’équation 5.9 pour α = 5 et β = 7. . . . . . . . . . . . . 64

5.3 Filtrage par q-grams et appariement de sous empreintes . . . . . . . . . . . . 66

6.1 Taux de valeurs de sous-empreinte communes entre un original et sa version

compressée (à 48, 64, 96, 128, 192 et 256 Kbps) . . . . . . . . . . . . . . . . . 74

6.2 Taux de valeurs identiques entre un original et sa version décalée (de 1, 2, 3,

6.3 Nombre et taille de q-grams en commun entre un extrait compressé et les

empreintes de la base ayant obtenus les meilleurs scores, le co-dérivé arrivant

toujours premier candidat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

6.4 Score de filtrage par q-grams . . . . . . . . . . . . . . . . . . . . . . . . . . . 82