Hören Sie sich das Lied an und identifizieren Sie es. Wie der Name schon sagt, verwenden Sie das Gerät, um sich das Lied anzuhören, und dann sagt es Ihnen, um welches Lied es sich handelt. Und in neun von zehn Fällen muss es das Lied für Sie spielen. Eine solche Funktion gibt es schon lange in Anwendungen wie QQ Music. Heute werden wir unsere eigene Liederkennung durchführen, indem wir uns Lieder anhören
Das von uns entworfene Gesamtflussdiagramm ist sehr einfach:
-- -- -
Aufnahmeteil
-----
Wenn wir „zuhören“ wollen, müssen wir zuerst den Aufnahmevorgang durchführen. In unserem Experiment verwendet unsere Musikbibliothek auch unseren Aufnahmecode zum Aufzeichnen, extrahiert dann Funktionen und speichert sie in der Datenbank. Wir verwenden die folgende Idee, um 
# coding=utf8
import wave
import pyaudio
class recode():
def recode(self, CHUNK=44100, FORMAT=pyaudio.paInt16, CHANNELS=2, RATE=44100, RECORD_SECONDS=200,
WAVE_OUTPUT_FILENAME="record.wav"):
'''
:param CHUNK: 缓冲区大小
:param FORMAT: 采样大小
:param CHANNELS:通道数
:param RATE:采样率
:param RECORD_SECONDS:录的时间
:param WAVE_OUTPUT_FILENAME:输出文件路径
:return:
'''
p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
channels=CHANNELS,
rate=RATE,
input=True,
frames_per_buffer=CHUNK)
frames = []
for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
data = stream.read(CHUNK)
frames.append(data)
stream.stop_stream()
stream.close()
p.terminate()
wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(''.join(frames))
wf.close()
if __name__ == '__main__':
a = recode()
a.recode(RECORD_SECONDS=30, WAVE_OUTPUT_FILENAME='record_pianai.wav')Nach dem Login kopieren
Wie ist die Form des Songs, den wir aufgenommen haben?
Wenn Sie nur einen Kanal betrachten, handelt es sich um ein eindimensionales Array, das so aussieht
Wir ordnen es entsprechend zu Indexwert Als horizontale Achse gezeichnet, ist es die Form von Audio, die wir oft sehen. 
Audioverarbeitungsteil
Wir werden hier unseren Kerncode schreiben. Das entscheidende „Wie erkennt man ein Lied?“ Denken Sie darüber nach, wie wir Menschen zwischen Liedern unterscheiden? Liegt es daran, dass man sich ein eindimensionales Array wie das obige vorstellt? Liegt es an der Lautstärke des Liedes? Keiner.
Wir merken uns Lieder durch die Abfolge einzigartiger Frequenzen, die unsere Ohren hören. Wenn wir also über das Hören und Erkennen von Liedern schreiben wollen, müssen wir uns auf die Frequenzfolge des Audios konzentrieren.
Überprüfen Sie, was eine Fourier-Transformation ist. Der Kurs „Signale und Systeme“ des Bloggers war sehr beliebt, aber obwohl ich die spezifische Transformationsform im Kurs nicht aufschrieb, hatte ich dennoch ein Wahrnehmungsverständnis.
Das Wesen der Fourier-Transformation besteht darin, das Zeitbereichssignal in das Frequenzbereichssignal umzuwandeln. Das heißt, die ursprünglichen X- und Y-Achsen waren unsere Array-Indizes bzw. Array-Elemente. Jetzt sind sie die Frequenz (das ist nicht genau, wird aber hier richtig verstanden) und die Komponentengröße bei dieser Frequenz. 
Wie versteht man den Frequenzbereich? Für diejenigen unter uns, die nicht viel über Signalverarbeitung wissen, ist es am wichtigsten, unser Verständnis der Audiokomposition zu ändern. Wir dachten ursprünglich, dass Audio wie die Wellenform ist, die wir zu Beginn angegeben haben, die zu jedem Zeitpunkt eine Amplitude hat und verschiedene Amplitudensequenzen unseren spezifischen Klang bilden. Wir glauben nun, dass Schall eine Mischung verschiedener Frequenzsignale ist und dass jedes dieser Signale von Anfang bis Ende existiert. Und sie tragen entsprechend ihren geplanten Komponenten bei.
Mal sehen, wie es aussieht, einen Song in den Frequenzbereich umzuwandeln? 
Wir können beobachten, dass die Komponenten dieser Frequenzen nicht durchschnittlich sind und die Unterschiede sehr groß sind. Bis zu einem gewissen Grad können wir davon ausgehen, dass es sich bei der offensichtlich erhöhten Spitze im Bild um ein Frequenzsignal mit großer Ausgangsenergie handelt, was bedeutet, dass dieses Signal in dieser Audiofrequenz eine hohe Position einnimmt. Deshalb haben wir ein solches Signal ausgewählt, um die Eigenschaften des Songs zu extrahieren.
Aber vergessen Sie nicht, dass wir zuvor über eine Frequenzsequenz gesprochen haben. Mit einer Reihe von Fourier-Transformationen können wir nur die Frequenzinformationen des gesamten Songs kennen, und dann verlieren wir die Zeitbeziehung sagen: Es gibt keine Möglichkeit, über die „Sequenz“ zu sprechen. Deshalb haben wir eine kompromisslosere Methode gewählt und das Audio je nach Zeit in kleine Blöcke aufgeteilt. Hier habe ich es in 40 Blöcke pro Sekunde unterteilt.
Hinterlassen Sie hier eine Frage: Warum kleine Blöcke anstelle eines großen Blocks wie einem pro Sekunde verwenden?
Wir führen eine Fourier-Transformation für jeden Block durch und modulieren ihn dann, um Arrays zu erhalten. Wir nehmen den Index mit der größten Modullänge in den vier Intervallen mit den Indexwerten (0,40), (40,80), (80,120), (120,180) und synthetisieren ein Vier-Tupel. Dies ist unser core Audio „Fingerabdruck“.
Der von uns extrahierte „Fingerabdruck“ ähnelt dem folgenden
(39, 65, 110, 131), (15, 66, 108, 161), (3, 63, 118, 146), (11, 62, 82, 158), (15, 41, 95, 140), (2, 71, 106, 143), (15, 44, 80, 133), (36, 43, 80, 135), (22, 58, 80, 120), (29, 52, 89, 126), (15, 59, 89, 126), (37, 59, 89, 126), (37, 59, 89, 126), (37, 67, 119, 126)
音频处理的类有三个方法：载入数据，傅里叶变换，播放音乐。
如下：
# coding=utf8
import os
import re
import wave
import numpy as np
import pyaudio
class voice():
def loaddata(self, filepath):
'''
:param filepath: 文件路径，为wav文件
:return: 如果无异常则返回True，如果有异常退出并返回False
self.wave_data内储存着多通道的音频数据，其中self.wave_data[0]代表第一通道
具体有几通道，看self.nchannels
'''
if type(filepath) != str:
print 'the type of filepath must be string'
return False
p1 = re.compile('\.wav')
if p1.findall(filepath) is None:
print 'the suffix of file must be .wav'
return False
try:
f = wave.open(filepath, 'rb')
params = f.getparams()
self.nchannels, self.sampwidth, self.framerate, self.nframes = params[:4]
str_data = f.readframes(self.nframes)
self.wave_data = np.fromstring(str_data, dtype=np.short)
self.wave_data.shape = -1, self.sampwidth
self.wave_data = self.wave_data.T
f.close()
self.name = os.path.basename(filepath) # 记录下文件名
return True
except:
print 'File Error!'
def fft(self, frames=40):
'''
:param frames: frames是指定每秒钟分块数
:return:
'''
block = []
fft_blocks = []
self.high_point = []
blocks_size = self.framerate / frames # block_size为每一块的frame数量
blocks_num = self.nframes / blocks_size # 将音频分块的数量
for i in xrange(0, len(self.wave_data[0]) - blocks_size, blocks_size):
block.append(self.wave_data[0][i:i + blocks_size])
fft_blocks.append(np.abs(np.fft.fft(self.wave_data[0][i:i + blocks_size])))
self.high_point.append((np.argmax(fft_blocks[-1][:40]),
np.argmax(fft_blocks[-1][40:80]) + 40,
np.argmax(fft_blocks[-1][80:120]) + 80,
np.argmax(fft_blocks[-1][120:180]) + 120,
# np.argmax(fft_blocks[-1][180:300]) + 180,
)) # 提取指纹的关键步骤，没有取最后一个，但是保留了这一项，可以想想为什么去掉了？
def play(self, filepath):
'''
用来做音频播放的方法
:param filepath:文件路径
:return:
'''
chunk = 1024
wf = wave.open(filepath, 'rb')
p = pyaudio.PyAudio()
# 打开声音输出流
stream = p.open(format=p.get_format_from_width(wf.getsampwidth()),
channels=wf.getnchannels(),
rate=wf.getframerate(),
output=True)
# 写声音输出流进行播放
while True:
data = wf.readframes(chunk)
if data == "":
break
stream.write(data)
stream.close()
p.terminate()
if __name__ == '__main__':
p = voice()
p.loaddata('record_beiyiwang.wav')
p.fft()Nach dem Login kopieren
这里面的self.high_point是未来应用的核心数据。列表类型，里面的元素都是上面所解释过的指纹的形式。
数据存储和检索部分
因为我们是事先做好了曲库来等待检索，所以必须要有相应的持久化方法。我采用的是直接用mysql数据库来存储我们的歌曲对应的指纹，这样有一个好处：省写代码的时间
我们将指纹和歌曲存成这样的形式：
顺便一说：为什么各个歌曲前几个的指纹都一样？（当然，后面肯定是千差万别的）其实是音乐开始之前的时间段中没有什么能量较强的点，而由于我们44100的采样率比较高，就会导致开头会有很多重复，别担心。
我们怎么来进行匹配呢？我们可以直接搜索音频指纹相同的数量，不过这样又损失了我们之前说的序列，我们必须要把时间序列用上。否则一首歌曲越长就越容易被匹配到，这种歌曲像野草一样疯狂的占据了所有搜索音频的结果排行榜中的第一名。而且从理论上说，音频所包含的信息就是在序列中体现，就像一句话是靠各个短语和词汇按照一定顺序才能表达出它自己的意思。单纯的看两个句子里的词汇重叠数是完全不能判定两句话是否相似的。我们采用的是下面的算法，不过我们这只是实验性的代码，算法设计的很简单，效率不高。建议想要做更好的结果的同学可以使用改进的DTW算法。
我们在匹配过程中滑动指纹序列，每次比对模式串和源串的对应子串，如果对应位置的指纹相同，则这次的比对相似值加一，我们把滑动过程中得到的最大相似值作为这两首歌的相似度。
举例：
曲库中的一首曲子的指纹序列:[fp13, fp20, fp10, fp29, fp14, fp25, fp13, fp13, fp20, fp33, fp14]
检索音乐的指纹序列: [fp14, fp25, fp13, fp17]
比对过程：
最终的匹配相似值为3
存储检索部分的实现代码
# coding=utf-8
import os
import MySQLdb
import my_audio
class memory():
def __init__(self, host, port, user, passwd, db):
'''
初始化存储类
:param host:主机位置
:param port:端口
:param user:用户名
:param passwd:密码
:param db:数据库名
'''
self.host = host
self.port = port
self.user = user
self.passwd = passwd
self.db = db
def addsong(self, path):
'''
添加歌曲方法，将指定路径的歌曲提取指纹后放到数据库
:param path:路径
:return:
'''
if type(path) != str:
print 'path need string'
return None
basename = os.path.basename(path)
try:
conn = MySQLdb.connect(host=self.host, port=self.port, user=self.user, passwd=self.passwd, db=self.db,
charset='utf8')
# 创建与数据库的连接
except:
print 'DataBase error'
return None
cur = conn.cursor()
namecount = cur.execute("select * from fingerprint.musicdata WHERE song_name = '%s'" % basename)
# 查询新添加的歌曲是否已经在曲库中了
if namecount > 0:
print 'the song has been record!'
return None
v = my_audio.voice()
v.loaddata(path)
v.fft()
cur.execute("insert into fingerprint.musicdata VALUES('%s','%s')" % (basename, v.high_point.__str__()))
# 将新歌曲的名字和指纹存到数据库中
conn.commit()
cur.close()
conn.close()
def fp_compare(self, search_fp, match_fp):
'''
指纹比对方法。
:param search_fp: 查询指纹
:param match_fp: 库中指纹
:return:最大相似值 float
'''
if len(search_fp) > len(match_fp):
return 0
max_similar = 0
search_fp_len = len(search_fp)
match_fp_len = len(match_fp)
for i in range(match_fp_len - search_fp_len):
temp = 0
for j in range(search_fp_len):
if match_fp[i + j] == search_fp[j]:
temp += 1
if temp > max_similar:
max_similar = temp
return max_similar
def search(self, path):
'''
从数据库检索出
:param path: 需要检索的音频的路径
:return:返回列表，元素是二元组，第一项是匹配的相似值，第二项是歌曲名
'''
v = my_audio.voice()
v.loaddata(path)
v.fft()
try:
conn = MySQLdb.connect(host=self.host, port=self.port, user=self.user, passwd=self.passwd, db=self.db,
charset='utf8')
except:
print 'DataBase error'
return None
cur = conn.cursor()
cur.execute("SELECT * FROM fingerprint.musicdata")
result = cur.fetchall()
compare_res = []
for i in result:
compare_res.append((self.fp_compare(v.high_point[:-1], eval(i[1])), i[0]))
compare_res.sort(reverse=True)
cur.close()
conn.close()
print compare_res
return compare_res
def search_and_play(self, path):
'''
跟上个方法一样，不过增加了将搜索出的最优结果直接播放的功能
:param path: 带检索歌曲路径
:return:
'''
v = my_audio.voice()
v.loaddata(path)
v.fft()
# print v.high_point
try:
conn = MySQLdb.connect(host=self.host, port=self.port, user=self.user, passwd=self.passwd, db=self.db,
charset='utf8')
except:
print 'DataBase error'
return None
cur = conn.cursor()
cur.execute("SELECT * FROM fingerprint.musicdata")
result = cur.fetchall()
compare_res = []
for i in result:
compare_res.append((self.fp_compare(v.high_point[:-1], eval(i[1])), i[0]))
compare_res.sort(reverse=True)
cur.close()
conn.close()
print compare_res
v.play(compare_res[0][1])
return compare_res
if __name__ == '__main__':
sss = memory('localhost', 3306, 'root', 'root', 'fingerprint')
sss.addsong('taiyangzhaochangshengqi.wav')
sss.addsong('beiyiwangdeshiguang.wav')
sss.addsong('xiaozezhenger.wav')
sss.addsong('nverqing.wav')
sss.addsong('the_mess.wav')
sss.addsong('windmill.wav')
sss.addsong('end_of_world.wav')
sss.addsong('pianai.wav')
sss.search_and_play('record_beiyiwang.wav')Nach dem Login kopieren
总结
我们这个实验很多地方都很粗糙，核心的算法是从shazam公司提出的算法吸取的“指纹”的思想。希望读者可以提出宝贵建议。
更多Python implementiert die Funktion eines Musik-Retrievers相关文章请关注PHP中文网！
