音乐检索（听歌识曲）实现过程

序言

• 由于需要做无人机的声音识别，但是现有的做无人机声识别的成果不是很多，机缘巧合下在一篇论文中看到了一篇有关音乐识别的论文，就是这个shazam论文 ，该算法提出的时间比较早，也不是很复杂，而且已经商用了很久：shazam网站 ,当然，这个论文里面的是算法的初级版。所以，就萌生了想要实现它的想法，等复现后，视效果再考虑移植到对无人机声识别的过程中。

需要实现的功能

• 输入一些音乐，提取这些音乐的声纹信息，存放于数据库中，用于识别音频片段
• 输入一个音频片段，大约10s到20s左右，该音频片段相对于原曲，允许混杂一些噪音信号，但是要求原曲子的声纹信息已经存在于声纹信息库中

算法原理

这一部分，仔细看论文的话，其实还是很容易理解的，并不复杂，而且论文本身也描述的很详细了，距离实现，可能就差一层窗户纸。这里我自己做一份梳理和精要，算法主要分为两个部分，提取特征与检索方式：

• 提取特征第一步（这里我只说明结果，并不解释为什么用这个特征，具体解释论文中很详细）： 对音频做快速傅里叶变换，得到频谱信息；划分不同的频带，选取每一频带的幅度最大的频率点作为一个特征值的点保留下来。例如：总的频率范围是0-8KHz，那我如果平均划分8个区域：0-1，1-2，2-3…7-8，最后每一帧就会有八个极值点，其余的点就可以舍弃掉，后面我们只需要频谱的极值点。

• 提取特征第二步： 计算哈希值。我们并不是直接将极值点信息不做处理直接放进数据库中，而是需要将极值点信息与其他信息做一些组合，保留时间，频率等特征。这里引入两个概念，两个概念：锚点($ancho$