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($anchor\ point$)与目标区域($target\ zone$)。锚点即当前点，锚点的目标区域是指与每一个锚点相对应的一片区域（例如时间线上排在后面的帧）。之后根据锚点与目标区域的相应特征提取出特征值，表征相应的信息，这个特征值的获取方式为：$[f1:f2:\Delta t:t1](\Delta t = t_1 – t_2)$，一帧信号可以有多个特征值，因为同一帧内本身就存在不止一个极值点，每个极值点都可以作为锚点，这主要取决于你的组合规则。
• 之后，将所有提取出的信息存放进数据库中，之后检索时使用
• 检索过程：检索过程比较简单，对待识别片段做同样的特征提取，得到一些特征值，然后用这些特征值去数据库中做匹配，最匹配的歌曲就是识别结果，其实，比较接近的算法就是倒排索引。可以用一个图说明：
  

• 如图所示，上面的子图的纵轴是待识别音频片段，横轴为一数据库中完整音频，若该片段来自这个音频，互相匹配的特征值点便能构成一条倾斜的直线，显然线上每一点的横纵坐标之差（可以看作是音频片段的偏移值）相等。由此可以得到一个柱状图，横坐标是一首歌中存在的差值，纵轴表示差值的数量，可以看到差值为40的点最多，也就是说，如果这个音频片段属于这个歌曲，它最有可能是以40为起始点截取下来的。故，把40这个点位置上的数量，作为音频片段与它的匹配值。匹配值最高的就是最后的检索结果。

实现

准备

很费劲的一点就是由于C++中没有普遍的应用广泛的数字信号与音频处理库，但是自己从头造轮子这种事情做起来是很不值当的，于是第一步就是找到相关的第三方库，以下是我的选择：
– Eigen矩阵库，内置KissFFt库或者FFTW库，众所周知，fftw是速度最快的快速傅里叶运算库，不过我直接用的kissfft，没有做过多配置
– Boost， 这个无需多言了
– maximilian, 这个是一个C++的音频库，接口简单使用方便，值得一提的是，C++的音频库是比较多的
– MySQL Connector C++, 这个是mysql提供的C++接口，仿照JDBC标准实现的，在程序控制mysql的过程中，必不可少。尤其要注意win32和x64用的lib、dll是不一样的，这个错误我就犯过，查了好久才发现，而且这套接口问题很多，但是没办法，要连接就需要用，吐槽一句，java这点比C++好太多
– 这里多列一条，原本我打算使用levelDB这样的KV型数据库，因为正在看levelDB的源码，且想实际测试下它使用过程中的性能，无奈，其对windows平台的支持比较弱，而我只想找一个拿来就能用的数据库，于是腿而使用了mysql，后来使用中，mysql的性能有限，也成为了识别过程中的性能瓶颈，后续如果要优化，MySql肯定要被替换。

效果

• 简单的建立了一个二十多首歌的小型库，截取其中某些歌曲的片段加入噪声，进行检测
• 所有测试全部通过，都能够顺利检测出来，看到结果还是很惊讶的，毕竟，做这个只花了两三个星期的时间，而且还有优化空间，可见这一算法的优越性
• 提取特征和识别的计算时间都很短，主要时间都花在了读写数据库上

Code

• 代码整理之后会提供出来，以便移植和本地编译通过，之后还会整理出 how to build的文档

• 2018.12.29号更新：程序我已经放在git上啦，地址在这，之前的代码写很久了，现在看感觉质量不行。最近在写大论文，后面闲下来，我一定会重新写一遍的！立个flag。

• 本人公众号如下，觉得文章对你有帮助的，就扫码关注下吧~