一种音频长时指纹提取及匹配方法组成比例

本发明专利技术属于音频信号处理技术领域，具体的说是一种音频长时指纹提取及匹配方法，该提取方法包括以下步骤：S1：输入音频信号(PCM)，并重采样音频信号；S2：对重采样后的音频信号进行分帧、加窗以及DFT变化得到帧频谱；S3：对帧频谱进行帧间平滑处理得到更新后的帧频谱；S4：对更新后的帧频谱进行帧级短时特征提取；S5：处理帧级短时特征，并提取帧组长时特征；解决了传统音频指纹短时性、不稳定的缺陷，提取音频帧的频谱子带特征，然后再计算其时间轴方向的变化属性，形成长时特征，且在匹配时，同时得到最佳相似度与偏移，且本发明专利技术既可以应用于音频流逐片段匹配，也可应用于音频文件的整体匹配。匹配。匹配。

【技术实现步骤摘要】
一种音频长时指纹提取及匹配方法


[0001]本专利技术属于音频信号处理
，具体的说是一种音频长时指纹提取及匹配方法。

技术介绍

[0002]与人体生物指纹类似，音频指纹是指音频信号经过处理，提炼出有效和鲁棒的声学特征，用以唯一表达该音频内容，音频指纹技术，被广泛用于音频检索、信号比对、版权保护等领域。
[0003]现有音频指纹技术所提取的声学特征，通常基于简单物理特征(过零率、谱峰、谱密度等)或听觉感知特征(音调、旋律、节奏等)，常见算法如shazam[1]、chromaprint[2]、echoprint[3]等。
[0004]目前的音频指纹技术算法所提取的特征，具有短时性的缺陷，仅能代表一个或几个音频帧，即几十或几百毫秒的音频属性，当需对音频片段或整个音频文件进行指纹匹配时，这些特征会出现表达不够稳定、计算及存储数据量较大的风险。

技术实现思路

[0005]为了弥补现有技术的不足，解决需对音频片段或整个音频文件进行指纹匹配时，这些特征会出现表达不够稳定、计算及存储数据量较大的风险的问题，本专利技术提出的一种音频长时指纹提取及匹配方法。
[0006]本专利技术解决其技术问题所采用的技术方案是：一种音频长时指纹提取方法，该提取方法包括以下步骤：
[0007]S1：输入音频信号(PCM)，并重采样音频信号；
[0008]S2：对重采样后的音频信号进行分帧、加窗以及DFT变化得到帧频谱；
[0009]S3：对帧频谱进行帧间平滑处理得到更新后的帧频谱；<br/>[0010]S4：对更新后的帧频谱进行帧级短时特征提取；
[0011]S5：处理帧级短时特征，并提取帧组长时特征。
[0012]优选的，所述S1中，重采样的具体操作为提取110Hz
‑
7KHz频率范围作为分析频段，并根据奈奎斯特采样定理，设定输入信号重采样频率为16KHz，避免信号采样失真。
[0013]优选的，所述S2中，分帧、加窗以及DFT变化的具体操作为将重采样后的信号按照4096样本(256ms)以及50％重叠度进行分帧；分帧后，逐帧添加汉明窗以及进行DFT频域变换，得到帧频谱，帧频谱是频率和能量之间的关系。
[0014]优选的，所述S3中，所述帧间平滑的具体操作为采用滑动窗口对相邻5帧频谱数据进行加权平均，其目的在于增加频谱的平稳性，得到更新后的帧频谱：M＝0.25M1+0.75M2+M3+0.75M4+0.25M5；其中滑动窗口每次步进一帧。
[0015]优选的，所述S4中，帧级短时特征提取的具体操作步骤为：
[0016]A1：对数频率域子带划分帧频谱；
[0017]A2：计算子带平均谱能量；
[0018]A3：对子带谱能量L2正则化处理得到帧级短时特征。
[0019]优选的，所述A1中，由于人耳对声音的感受是对数性的，因此将对数频率域子带划分帧频谱即将帧频谱中的频率f转换为对数频率F＝log2(f)，在对数频率域，将目标频率范围log2(110)～log2(7000)划分为宽度相等的16个子带。
[0020]优选的，所述A2中，计算子带平均谱能量即对于每个音频帧，在16个频率子带上计算平均谱能量，从而形成16维向量。
[0021]优选的，所述A3中，子带谱能量L2正则化处理得到帧级短时特征即对得到的16维向量作L2正则化，即为该音频帧的短时特征，记作V。
[0022]优选的，所述S5中，帧组长时特征提取的具体操作为将连续固定数量音频组成帧组，在时间轴方向上将帧级短时特征进行再次DFT变化，并保留低频稳定分量，形成帧组长时特征。
[0023]一种音频长时指纹匹配方法，该匹配方法包括以下步骤：
[0024]B1：将待匹配的2个音频文件或片段按帧组提取长时特征；
[0025]B2：对2个帧组长时特征进行帧组级匹配，并确定匹配关系。
[0026]本专利技术的技术效果和优点：
[0027]1.本专利技术提供的一种音频长时指纹提取及匹配方法，通过对音频信号进行指纹提取，即对音频信号进行重采样、分帧、加窗以及DFT变化后，在对得到的帧频谱进行帧间平滑操作，随后进行帧级短时特征提取，并提取音频帧的频谱子带特征，然后再计算其时间轴方向的变化属性，形成长时特征，从而实现对音频指纹的快速提取，有利于后续两组或多组音频指纹间的匹配，解决了传统音频指纹短时性、不稳定的缺陷。
[0028]2.本专利技术提供的一种音频长时指纹提取及匹配方法，通过对不同音频信号进行指纹提取，在快速提取音频的帧组长时特征后，利用相似度计算得出两组或多组音频信号之间的相似度，继而得出两组或多组音频信号之间是否匹配，在匹配时同时得到最佳相似度与偏移量，本专利技术既可以应用于音频流逐片段匹配，也可应用于音频文件的整体匹配。
附图说明
[0029]下面结合附图对本专利技术作进一步说明。
[0030]图1是本专利技术中音频信号的指纹提取流程图；
[0031]图2是本专利技术中指纹提取过程中的分帧示意图；
[0032]图3是本专利技术中帧级短时特征提取流程图；
[0033]图4是本专利技术中帧组长时特征提取示意图；
[0034]图5是本专利技术中帧组间最佳偏移与相似度示意图；
具体实施方式
[0035]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0036]如图1至图5所示，本专利技术所述的一种音频长时指纹提取方法，该提取方法包括以下步骤：
[0037]S1：输入音频信号(PCM)，并重采样音频信号；
[0038]S2：对重采样后的音频信号进行分帧、加窗以及DFT变化得到帧频谱；
[0039]S3：对帧频谱进行帧间平滑处理得到更新后的帧频谱；
[0040]S4：对更新后的帧频谱进行帧级短时特征提取；
[0041]S5：处理帧级短时特征，并提取帧组长时特征。
[0042]作为本专利技术的一种实施方式，所述S1中，重采样的具体操作为提取110Hz
‑
7KHz频率范围作为分析频段，并根据奈奎斯特采样定理，设定输入信号重采样频率为16KHz，避免信号采样失真。
[0043]作为本专利技术的一种实施方式，所述S2中，分帧、加窗以及DFT变化的具体操作为将重采样后的信号按照4096样本(256ms)以及50％重叠度进行分帧；分帧后，逐帧添加汉明窗以及进行DFT频域变换，得到帧频谱，帧频谱是频率和能量之间的关系。
[0044]作为本专利技术的一种实施方式，所述S3中，所述帧间平滑的具体操作为采用滑动窗口对相邻5帧频谱数据进行加权平均，其目的在于增加频谱的平稳性，得到更新后的帧频谱：M＝0.25M1+0.75M2+M3+0.75M4+0.25M5；其中滑动窗口每次步进一帧。
[0045]作为本专利技术的一种实施方式，所述S4中，帧级短时特征提取的具体操作步骤为：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种音频长时指纹提取方法，其特征在于：该提取方法包括以下步骤：S1：输入音频信号(PCM)，并重采样音频信号；S2：对重采样后的音频信号进行分帧、加窗以及DFT变化得到帧频谱；S3：对帧频谱进行帧间平滑处理得到更新后的帧频谱；S4：对更新后的帧频谱进行帧级短时特征提取；S5：处理帧级短时特征，并提取帧组长时特征。2.根据权利要求1所述的一种音频长时指纹提取方法，其特征在于：所述S1中，重采样的具体操作为提取110Hz
‑
7KHz频率范围作为分析频段，并根据奈奎斯特采样定理，设定输入信号重采样频率为16KHz，避免信号采样失真。3.根据权利要求2所述的一种音频长时指纹提取方法，其特征在于：所述S2中，分帧、加窗以及DFT变化的具体操作为将重采样后的信号按照4096样本(256ms)以及50％重叠度进行分帧；分帧后，逐帧添加汉明窗以及进行DFT频域变换，得到帧频谱。4.根据权利要求3所述的一种音频长时指纹提取方法，其特征在于：所述S3中，所述帧间平滑的具体操作为采用滑动窗口对相邻5帧频谱数据进行加权平均，得到更新后的帧频谱：M＝0.25M1+0.75M2+M3+0.75M4+0.25M5；其中滑动窗口每次步进一帧。5.根据权利要求4所述的一种音频长时指纹提取方法，其特征在于：所述S4中，帧级短...

【专利技术属性】
技术研发人员：陈书军，
申请(专利权)人：江苏环雅丽书智能科技有限公司，
类型：发明
国别省市：