一种基于深度学习的舞美效果自动生成方法及系统技术方案

本发明专利技术提供了计算机技术领域的一种基于深度学习的舞美效果自动生成方法及系统，方法包括如下步骤：步骤S10、获取音频数据，将所述音频数据切割为音频片段；步骤S20、对各所述音频片段进行预处理得到若干个第一单帧频域数组，对所述音频数据进行预处理得到第二单帧频域数组；步骤S30、对各所述第一单帧频域数组进行横向堆叠得到声谱图；步骤S40、将所述声谱图输入创建的愉悦度识别模型以及激活度识别模型得到对应的愉悦度和激活度；步骤S50、基于所述第二单帧频域数组选取音乐的幅度值；步骤S60、基于所述愉悦度、激活度以及幅度值自动生成舞美效果。本发明专利技术的优点在于：极大的提升了舞美效果生成的效率以及质量，极大的降低了舞美效果生成的成本。美效果生成的成本。美效果生成的成本。

【技术实现步骤摘要】
一种基于深度学习的舞美效果自动生成方法及系统


[0001]本专利技术涉及计算机
，特别指一种基于深度学习的舞美效果自动生成方法及系统。

技术介绍

[0002]现有的音乐背景和舞美效果的设计存在如下两种方法，其一是针对大型的演唱会，需要专业人士针对每首歌曲，根据其特有的情绪、意境、节奏等信息进行人工设计，但设计过程非常漫长，且成本高昂；其二是针对日常用户，通常采用一幅简单的动态背景壁纸，但变化效果枯燥单一，难以和歌曲做到有机结合。
[0003]因此，如何提供一种基于深度学习的舞美效果自动生成方法及系统，实现提升舞美效果生成的效率以及质量，降低舞美效果生成的成本，成为一个亟待解决的技术问题。

技术实现思路

[0004]本专利技术要解决的技术问题，在于提供一种基于深度学习的舞美效果自动生成方法及系统，实现提升舞美效果生成的效率以及质量，降低舞美效果生成的成本。
[0005]第一方面，本专利技术提供了一种基于深度学习的舞美效果自动生成方法，包括如下步骤：
[0006]步骤S10、获取音频数据，将所述音频数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的舞美效果自动生成方法，其特征在于：包括如下步骤：步骤S10、获取音频数据，将所述音频数据切割为音频片段；步骤S20、对各所述音频片段进行预处理得到若干个第一单帧频域数组，对所述音频数据进行预处理得到第二单帧频域数组；步骤S30、对各所述第一单帧频域数组进行横向堆叠得到声谱图；步骤S40、将所述声谱图输入创建的愉悦度识别模型以及激活度识别模型得到对应的愉悦度和激活度；步骤S50、基于所述第二单帧频域数组选取音乐的幅度值；步骤S60、基于所述愉悦度、激活度以及幅度值自动生成舞美效果。2.如权利要求1所述的一种基于深度学习的舞美效果自动生成方法，其特征在于：所述步骤S10具体为：获取音频数据，基于预设的时长将所述音频数据切割为若干个音频片段。3.如权利要求1所述的一种基于深度学习的舞美效果自动生成方法，其特征在于：所述步骤S20具体为：对各所述音频片段进行分帧加窗以及傅里叶变换的预处理得到若干个第一单帧频域数组，对所述音频数据进行分帧加窗以及傅里叶变换的预处理得到第二单帧频域数组。4.如权利要求1所述的一种基于深度学习的舞美效果自动生成方法，其特征在于：所述步骤S30具体为：对各所述音频片段的所有帧的第一单帧频域数组进行横向堆叠，得到各所述音频片段对应的声谱图。5.如权利要求1所述的一种基于深度学习的舞美效果自动生成方法，其特征在于：所述步骤S40具体为：基于卷积神经网络创建一愉悦度识别模型以及一激活度识别模型，并对所述愉悦度识别模型以及激活度识别模型进行训练，将所述声谱图输入训练后的愉悦度识别模型以及激活度识别模型得到对应的愉悦度和激活度。6.一种基于深度学习的舞美效果自动生成系统，其特征在于：包...

【专利技术属性】
技术研发人员：陈俐燕，张家威，姚俊峰，
申请(专利权)人：厦门大学，
类型：发明
国别省市：