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