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