在讲算法之前,上一些前人的资料。
http://coding-geek.com/how-shazam-works/
https://laplacian.wordpress.com/2009/01/10/how-shazam-works/
http://royvanrijn.com/blog/2010/06/creating-shazam-in-java/
当然历史也有点久远了,如果你有心去百度一下 shazam 算法,
你会发现这类的博客也是不少的。
当然这显得我现在写这个,好像有点多余。
这里我就快速过一下算法的思路。
假设你有一首歌,换句话说,你有一堆数据。
你可以通过各种各样的方式,对它的内容进行抽象表达。
举个例子,对音乐而言,就是歌名,类型,时长等等。
对于一本书而言就是目录,标题,价位之类的属性。
但是有时候我们会忘记具体内容,
只知道大概的印象,这个时候想要找到对应的那个东西就比较困难了。
举个例子,Beyond 乐队的《喜欢你》这首歌,百度上一堆 问“黑凤梨” blabla的。。
而音乐检索算法就是为了提供比较人性化的方式帮忙 搜索音乐。
而shazam 这家公司就是第一个吃螃蟹的"人"。
上面提供的链接里都提到了shazam 算法的思路,需要细节了解的可以移步上面的链接。
shazam 算法分为以下步骤:
1.进行fft变换
2.切分5个频段,取频段中比较有代表性的信息,一般为该频段中强度最大值。
3.将取到的5个点,拼接起来算个字符串hash作为该段音乐的特征
4.以此类推对整个音频重复1,2,3步骤
最终拿到整个音频的所有hash信息。
后面检索音频也就是简单的建立hash库,然后撞hash数量,评分。
hash命中越多就认为越相似。
上图,感受一下,其实我感觉看图也不是很直观,哈哈哈哈。
整个算法非常简单,
最核心的点是 切分5个频段,
用上了时序信息去算哈希。
对于有时序的数据,肯定要用上时序性维度,不然是有失偏颇的。
之余图片,就要用空间性维度,之余视频,时间和空间都要有。
这个算法简单粗暴,也有效。
严格意义上讲,这个算法的泛化能力有待商榷。
改进的思路和方向也挺多的。
例如:
1.降低精度,下采样
(之于图像就是缩小图片等)
2.还分为5个频段,但是提取更加具有代表性的特征,
可以采用一些图像思路,例如模糊之后增强
(之于图像一般是计算角点等,详情参考sift)
3.加入更多的时序维度,扩展更多的时序关联,例如临近特征关键点的差距
(之于图像,就是采用卷积提取空间特征等)
4.音量归一化,拉伸音频的分贝值
(之于图像就是直方图拉伸,自动增强,白平衡等)
当然还有很多方法可以进一步拓展,其实核心目标就是控制变量因素。
尽可能的让数据处在先验条件的区间内计算。
其实说难也不难,说简单也不简单。
有另一个音频检索算法就是做了控制变量达到更加强大的鲁棒性。
他就是,dejavu
算法细节参见:http://willdrevo.com/fingerprinting-and-audio-recognition-with-python/
不过dejavu其中有一个地方的思路,我认为不妥,就是在最后算hash特征的时候采用sha-1算法。
我认为可以直接采用最后算出的值改为int16 直接拼合起来就可以了,可以降低算法的复杂度。
dejavu用到了一些图像算法,主要就是用于提取更加具有代表性的特征。
具体算法细节这里就不展开了,有兴趣的朋友可以去好好学习一下。
当然除了以上提到的两个算法之外,还有其他的一些实现,不过都是换汤不换药的节奏。
当然,我本人业余时间在研究自己构思的一个音频检索算法,还在开展中,
算法复杂度当然会更高,但是效果和后续检索准确度会大有提升。
上面提到的shazam和dejavu,本人以纯c 原汁原味实现之。
嗯,shazam的算法,开源给大家学习之。
代码来也:
#include <stdio.h> #include <stdlib.h> #include <math.h> #include <time.h> #include "fft.h" //ref:https://raw.githubusercontent.com/cxong/tinydir/master/tinydir.h #include "tinydir.h" #include "timing.h" #define DR_WAV_IMPLEMENTATION //ref:https://raw.githubusercontent.com/mackron/dr_libs/master/dr_wav.h #include "dr_wav.h" int16_t *wavRead_int16(char *filename, uint32_t *sampleRate, uint64_t *totalSampleCount) { unsigned int channels; int16_t *buffer = drwav_open_and_read_file_s16(filename, &channels, sampleRate, totalSampleCount); if (buffer == 0) { fprintf(stderr, "ERROR\n"); exit(1); } if (channels == 2) { int16_t *bufferSave = buffer; for (int i = 0; i < *totalSampleCount; i += 2) { *bufferSave++ = (int16_t) ((buffer[i] + buffer[i + 1]) >> 1); } *totalSampleCount = *totalSampleCount >> 1; } return buffer; } unsigned long hash(unsigned char *str) { unsigned long hash = 5381; int c; while (c = *str++) hash = ((hash << 5) + hash) + c; return hash; } int generateHashes(char *input_file, int **hashtable, int songid, size_t N, int freqbandWidth, int maxElems) { printf("reading %s \n", input_file); uint32_t sampleRate = 0; uint64_t samplesize = 0; int16_t *pcmdata = wavRead_int16(input_file, &sampleRate, &samplesize); float *inputBuffer = (float *) calloc(sizeof(float), N); fft_complex *outBuffer = (fft_complex *) calloc(sizeof(fft_complex), N); int sect = 0; int cnt = 0; int numHashes = 0; for (int i = 0; i < samplesize; i++) { if (sect < N) { inputBuffer[sect] = (float) pcmdata[i]; sect++; } else { sect = 0; i -= 1; cnt++; fft_plan plan = fft_plan_dft_r2c_1d(N, inputBuffer, outBuffer, 0); fft_execute(plan); fft_destroy_plan(plan); int freq1 = 0, freq2 = 0, freq3 = 0, freq4 = 0, freq5 = 0; int pt1 = 0, pt2 = 0, pt3 = 0, pt4 = 0, pt5 = 0; int freqbandWidth2 = freqbandWidth * 2; int freqbandWidth3 = freqbandWidth * 3; int freqbandWidth4 = freqbandWidth * 4; int freqbandWidth5 = freqbandWidth * 5; int freqbandWidth6 = freqbandWidth * 6; for (int k = freqbandWidth; k < freqbandWidth6; k++) { int freq = (outBuffer[k].real > 0) ? (int) outBuffer[k].real : (int) (0 - outBuffer[k].real); int Magnitude = (int) (log10f((freq + 1)) * 1000); if (k >= freqbandWidth && k < freqbandWidth2 && Magnitude > freq1) { freq1 = Magnitude; pt1 = k; } else if (k >= freqbandWidth2 && k < freqbandWidth3 && Magnitude > freq2) { freq2 = Magnitude; pt2 = k; } else if (k >= freqbandWidth3 && k < freqbandWidth4 && Magnitude > freq3) { freq3 = Magnitude; pt3 = k; } else if (k >= freqbandWidth4 && k < freqbandWidth5 && Magnitude > freq4) { freq4 = Magnitude; pt4 = k; } else if (k >= freqbandWidth5 && k < freqbandWidth6 && Magnitude > freq5) { freq5 = Magnitude; pt5 = k; } } char buffer[50]; sprintf(buffer, "%d%d%d%d%d", pt1, pt2, pt3, pt4, pt5); unsigned long hashresult = hash(buffer) % maxElems; int key = (int) hashresult; if (key < 0) printf("Invalid key %d\n", key); hashtable[key][songid]++; numHashes++; } } free(pcmdata); free(inputBuffer); free(outBuffer); return numHashes; } int main(int argc, char *argv[]) { printf("Audio Processing\n"); printf("shazam audio hash\n"); printf("blog: http://cpuimage.cnblogs.com/\n"); int N = 512; int freqbandWidth = 50; int maxSongs = 10; size_t maxElems = 200000; int **hashTable; int i = 0, n = 0; float count = 0; int numsongs = 0; char filenames[maxSongs + 1][_TINYDIR_FILENAME_MAX]; int filesizes[maxSongs + 1]; int songScores[maxSongs + 1]; float songMatch[maxSongs + 1]; printf("running... \n"); if (argc < 2) { printf("no excerpt file to open \n"); exit(1); } double start_total = now(); hashTable = (int **) calloc(maxElems, sizeof(int *)); for (i = 0; i < maxElems; i++) hashTable[i] = (int *) calloc(maxSongs + 1, sizeof(int)); printf("Generating hashes for original files.. \n"); tinydir_dir dir; tinydir_open(&dir, "data"); while (dir.has_next) { tinydir_file file; tinydir_readfile(&dir, &file); if (file.is_reg) { numsongs++; double startTime = now(); filesizes[numsongs] = generateHashes(file.path, hashTable, numsongs, N, freqbandWidth, maxElems); size_t time_interval = (size_t) (calcElapsed(startTime, now()) * 1000); songScores[numsongs] = 0; printf("%d:%d hashes for %s\n", numsongs, filesizes[numsongs], file.path); printf("Time taken: %d seconds %d milliseconds\n", time_interval / 1000, time_interval % 1000); strcpy(filenames[numsongs], file.name); } tinydir_next(&dir); } tinydir_close(&dir); printf("Generating hashes for recorded file.. \n"); generateHashes(argv[1], hashTable, 0, N, freqbandWidth, maxElems); printf("Calculating score.. \n"); for (i = 0; i < maxElems; i++) { if (hashTable[i][0] > 0) { for (n = 1; n <= maxSongs; n++) { if (hashTable[i][n] >= hashTable[i][0]) songScores[n] = songScores[n] + hashTable[i][0]; else songScores[n] = songScores[n] + hashTable[i][n];; } } } for (i = 1; i <= numsongs; i++) { songMatch[i] = ((float) songScores[i]) / ((float) filesizes[i]); printf("Score for %s = %f\n", filenames[i], songMatch[i]); if (songMatch[i] > count) { count = songMatch[i]; n = i; } } printf("Best Score: %s\n", filenames[n]); for (i = 0; i < maxElems; i++) free(hashTable[i]); free(hashTable); size_t msec = (size_t) (calcElapsed(start_total, now()) * 1000); printf("Total time taken: %d seconds %d milliseconds\n", msec / 1000, msec % 1000); return 0; }
项目地址:
https://github.com/cpuimage/shazam
稍微说明一下:
在对应文件下建一个“data”的文件夹,存放需要进行计算hash备档的音频文件。
然后 直接传一个文件名过去,先计算"data"下所有文件的hash,然后计算传的目标文件的hash。
计算hash碰撞,输出相似度得分。
例如:
shazam_demo.exe 有没有.wav
输出:
running...
Generating hashes for original files..
reading data/冯心怡 - 暧昧(Cover 薛之谦).wav
1:4881 hashes for data/冯心怡 - 暧昧(Cover 薛之谦).wav
Time taken: 0 seconds 268 milliseconds
reading data/薛之谦 - 别.wav
2:3370 hashes for data/薛之谦 - 别.wav
Time taken: 0 seconds 186 milliseconds
reading data/薛之谦 - 暧昧.wav
3:4879 hashes for data/薛之谦 - 暧昧.wav
Time taken: 0 seconds 271 milliseconds
reading data/薛之谦 - 有没有.wav
4:3938 hashes for data/薛之谦 - 有没有.wav
Time taken: 0 seconds 214 milliseconds
reading data/赵大雄 - 有没有(Cover 薛之谦).wav
5:3937 hashes for data/赵大雄 - 有没有(Cover 薛之谦).wav
Time taken: 0 seconds 215 milliseconds
Generating hashes for recorded file..
reading 有没有.wav
Calculating score..
Score for 冯心怡 - 暧昧(Cover 薛之谦).wav = 0.028478
Score for 薛之谦 - 别.wav = 0.025519
Score for 薛之谦 - 暧昧.wav = 0.026645
Score for 薛之谦 - 有没有.wav = 1.000000
Score for 赵大雄 - 有没有(Cover 薛之谦).wav = 0.036830
Best Score: 薛之谦 - 有没有.wav
Total time taken: 1 seconds 413 milliseconds
这个工程只是用来练手学习思路,现在它的使命已经结束。
偷偷说一句,扫头像,有打赏,就有猛料。
以上,权当抛砖引玉。
独乐乐,不如众乐乐。
若有其他相关问题或者需求也可以邮件联系俺探讨。
邮箱地址是:
gaozhihan@vip.qq.com