Shazam音频指纹提取算法

在知网上搜索了Shazam算法，但是参考资料真是少之又少，而且感觉讲得并不是很明白，于是找到了一篇外国人写的博客，大致整理了一下其中核心的算法思想部分。

首先 附参考英文博客

其次，开始讲解

（1）对于音乐文件加滑动窗，切分数据块。滑动窗口只对一块原始信号进行傅里叶变换。数据块的大小可以通过多种方式确定。例如，我们录制了一段音乐，双声道，16-bit精度，44100Hz采样。这时1s的数据大小为441002byte2声道≈176kB。如果选择4kB当作数据块大小，则每秒钟我们需要对44块数据进行傅里叶变换。这样的切分密度足以应对大多数需求。

（2）对于每一个数据块做快速傅里叶变换。当我们对每一帧音频信号进行傅里叶变换之后，就可以开始构造音频指纹了，这是shazam整个系统中最核心的部分。构造指纹最大的挑战在于怎样从众多频率中选出区分度最大的来。直观上来说，选择具有最大幅值的频率（峰值）较为靠谱。

（3）划分频谱带，取每一频谱带中的峰值信号作为该频谱带的签名，以此来构造每一帧的指纹。幅值较大的频率跨度可能很广，从低音C（32.70Hz）到高音C（4186.01Hz）都可能出现。为了避免分析整个频谱，我们通常将频谱分成多个子带，从每个子带中选择一个频率峰值。选择如下几个子带：低音子带为30 Hz - 40 Hz, 40 Hz - 80 Hz 和80 Hz - 120 Hz （贝司吉他等乐器的基频会出现低音子带），中音和高音子带分别为120 Hz - 180 Hz 和180 Hz - 300Hz（人声和大部分其他乐器的基频出现在这两个子带）。每个子带的最大频率就构成了这一帧信号的签名，而这个签名又是整首歌指纹的一部分。

（4）将音频指纹作为音乐检索哈希表的关键字（key）保存。为了查找方便，指纹通常会作为散列表的键值，键值指向的部分包括该指纹在音乐中出现的时间和该音乐ID。下面是一个例子：

如果对一个很大的音乐库都执行上面的指纹提取操作，我们就可以构造一个该音乐库对应的指纹库。