[发明专利]一种基于音乐指纹特征的音乐检索方法及系统

说明书

技术领域

本发明涉及音频信号处理和多媒体信息检索系统技术领域，更具体地，涉及一种基于音乐指纹特征的音乐检索方法及系统。

背景技术

随着互联网时代的到来，大数据越来越成为了一个热门的课题。在音乐检索领域，面对百万级的音乐数据，如何实现快速检索成为了一个十分具有价值的问题。现实应用中，录音环境可能非常嘈杂，如何选取抗噪的、鲁棒性高的指纹成了一个难题。

目前市场上现有的音乐指纹算法包括Philips公司的音乐检索算法，参见Haitsma J,Kalker T.A Highly Robust Audio Fingerprinting System[C]ISMIR.2002。其方法是获得音乐的频谱图，为每一帧提取一个特征。频谱图切分成了若干频带，取频带间能量的差值的符号作为特征。Philips算法的缺点包括：1.在静音部分特征提取的准确率较低。2.由于手机等录音设备高低频区域内信道失真严重，导致准确率较低。3.音乐信号实际上是稀疏的，Philips算法为每一帧提取特征，造成了指纹特征的冗余，使得检索变慢。

Shazam算法是市场上另一种算法，参见Wang A.An Industrial Strength Audio Search Algorithm[C]//ISMIR.2003:7-13。其基本原理是获得音乐的频谱图，在频谱图某个区域内选中一个锚点，在此锚点附近的区域内再选择若干个重要点，以这些锚点和这重要点的点对的组合作为特征。Shazam的指纹特征冗余度较Philips算法低，但是有以下缺点：1.当曲库达到百万级时，由于点对组成的桶的空间上限限制，使得搜索速度变慢。2.当录音源抖动或录音信道不稳定时，锚点及重要点发生漂移，导致识别准确率下降。3.存在最少录音时间限制，如至少录音3秒才能识别。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷（不足），提供一种快速检索百万级音乐库的音乐检索方法，是基于音乐指纹特征的音乐检索方法。

本发明的又一目的是提出一种基于音乐指纹特征的音乐检索系统。

本发明的具体技术方案为：

一种基于音乐指纹特征的音乐检索方法，包括：

构建音乐指纹索引，输入音频信号并进行预处理获取音频频谱图，在频谱图内选取第一锚点、第二锚块和第三锚块进行组合，得到指纹并将其插入到哈希表内，记录该指纹出现的歌曲ID和在歌曲内的位置；

音乐检索，提取待检索音乐片段的指纹序列，通过查找哈希表得到各指纹对应的歌曲ID和歌曲位置链表，构建歌曲ID与指纹对应的匹配表，将匹配表内重复最多的歌曲内位置作为命中数，将命中数最多的歌曲作为检索结果；

所述第一锚点的获取方式为：将频谱图切分为M×N块，其中M是指将频谱图纵向频域均匀划分为M个频带，每个频带为a个点；N是指将频谱图横向时域以步长b为单位切割为N个部分；

在每块中选取一个幅值最大的点最为第一锚点，并将第一锚点附近R*R的区域内的点赋值为0；

所述第二锚块的获取方式为：以第一锚点为起点，在时移b帧后的矩形区域内搜索第二锚块；将该矩形区域划分为X个3*3小块，在每个3*3小块内选择最大的幅值作为该3*3小块的小块代表值，在该矩形区域内选择小块代表值最大的3*3小块的作为第二锚块，并以第二锚块为中心将R*R的区域内的点赋值为0；

所述第三锚块的获取方式为：以第一锚点为起点，在时移b帧后的矩形区域内搜索第三锚块；将该矩形区域划分为Y个小矩形区域，每个小矩形区域划分为y个2*2小块；在每个2*2小块内选择最大的幅值作为该2*2小块的小块代表值，在小矩形区域内选取出幅值最大的2*2小块，在大矩形内选择Z个2*2小块。

采用该方法能在音乐库达到百万级时实现快速检索，在频谱图中采用2*2小块代替1*1点，从而克服了录音源抖动及信道不稳定的问题。采用一个锚点和两个锚块作为集合，扩大了桶的取值空间，使得检索倒排表的链长缩短，可以实现在百万级的数据量下大幅加快检索速度；在选择特征点及特征块时，考虑到了信道的局部平稳性，抗噪性更强，识别率更高。不存在最少录音时间的限制。使得用户体验更好。当音乐数据库巨大时，由于指纹信息是紧致的，冗余度低，因此更节省内存。

上述第一锚点选出后，在其附近R*R的区域内的点赋值为0是基于以下原因：若不设禁忌，可能会出现相邻的两个锚点。实验显示，此情况下错误的hit数可能会翻倍，如hit从4变到8。产生上述情况的原因是锚点相关性大。选点尽量要去相关，让点独立（即熵大），这样才能减少碰撞，且获得较好的桶。