比较两个谱图以找到它们匹配的偏移量算法

Question

我从互联网记录每天2分钟的无线电广播。始终有相同的开始和结束叮当声。由于无线电广播的确切时间可能会有所不同，从大约6分钟，我必须记录大约15分钟的广播。

我想确定那些铃声在15分钟记录中的确切时间，所以我可以提取我想要的音频部分。

我已经开始了一个C＃应用程序，我解码的MP3为PCM数据和PCM数据转换成基于http://www.codeproject.com/KB/audio-video/SoundCatcher.aspx

频谱我试图对PCM数据使用的互相关算法，但该算法是非常步行10分钟左右慢6分钟左右，有时无法找到铃声的开始时间。

算法的任何想法来比较两个匹配的谱图？或者更好的方式来找到铃儿的开始时间？

感谢，

更新，抱歉耽搁

首先，感谢所有anwsers其中大多数是培训相关和或interresting想法。

我试图实现fonzo提出的Shazam算法。但未能检测到谱图中的峰。这是来自三个不同记录的起始叮铃声的三个光谱图。我尝试使用blob过滤器AForge.NET（但它未能识别峰值），模糊图像并检查高度差异，拉普拉斯卷积，斜率分析以检测一系列垂直条（但错误太多正面）...

在这个意思中，我尝试了Dave Aaron Smith提出的Hough算法。我在哪里计算每列的RMS。是是是每列，它是一个O（N * M），但是M（注意一列是大约8k的样本）。所以总的来说这并不是那么糟糕，算法仍然需要大约3分钟，但从未失败。

我可以用这个解决方案，但如果可能的话，我更喜欢Shazam，因为它是O（N）并且可能更快（也更酷）。所以你们有没有想法算法总是检测这些谱图中的相同点（不一定是峰值），这要归功于添加评论。

新更新

最后，我的算法上面解释去了，我试图实现Shazam的算法，但未能找到合适的谱图中的峰值，从一个声音文件到另一个声音文件不是恒定的已识别点。理论上，Shazam算法是解决这类问题的方法。 Dave Aaron Smith提出的Hough算法更加稳定和有效。我分割了大约400个文件，只有20个文件无法正确分割。磁盘空间从8GB到1GB。

谢谢你的帮助。

Answer 1

我不知道你是否可以使用Hough transform。你可以从开始序列的每一步开始。假设您使用10 ms步长，并且打开序列长度为50 ms。你计算每一步的一些指标，并得到

1 10 1 17 5 

现在通过你的声音和分析同一指标每10毫秒一步。调用此阵have_audio

8 10 8 7 5 1 10 1 17 6 2 10... 

现在创建一个新的空数组的长度一样have_audio。称它为start_votes。它将包含开始序列开始的“投票”。如果您看到1，您可能会处于开幕式序列的第1或第3步，因此您从1步前开始1次投票，3次前1次开始投票。如果你看到一个10，你有两个步骤开始前1次投票，4步前17次投票，依此类推。

所以对于例如have_audio，您votes会像

2 0 0 1 0 4 0 0 0 0 0 1 ... 

你必须在6位了不少选票，所以有开幕序列开始有一个很好的机会。

您可以通过不打扰地分析整个打开序列来提高性能。如果打开序列长度为10秒，则可以搜索前5秒。

Answer 2

如果您已经知道了铃声序列，您可以分析与序列的相关性，而不是整个15分钟曲目之间的互相关。

要快速计算与（短）序列的相关性，我建议使用Wiener filter。

编辑：维纳滤波器是一种用噪声序列定位信号的方法。在这个应用程序中，我们正在考虑任何不是“噪音”的噪音（对于读者的问题：我们是否仍然可以假设噪音是白色的并且不相关？）。

（我发现我一直在寻找的参考！我记住的公式是有点过，现在​​我会删除）

相关页面是Wiener deconvolution。我们的想法是，我们可以定义一个系统，其脉冲响应与叮当声具有相同的波形，并且我们必须在系统接收到脉冲（即：发射脉冲）的嘈杂序列中定位该点。由于叮当声是已知的，所以我们可以计算其功率谱H(f)，并且由于我们可以假设单个叮当声出现在记录的序列中，所以我们可以说未知输入x(t)具有脉冲形状，其功率密度S(f)在每个频率处都是恒定的。

考虑到上面的知识，可以使用该公式来获得播放叮当音时其输出最高的“单向通过”滤波器（因为只有信号形状像铃声可以通过）。

Answer 3

这里是一个很好的Python包，不只是这一点：

https://code.google.com/p/py-astm/

如果你正在寻找一个特定的算法，使用良好的搜索词是“accoustic指纹”或“感性散列”。

这里还有一个Python包，也可用于：

http://rudd-o.com/new-projects/python-audioprocessing/documentation/manuals/algorithms/butterscotch-signatures

Answer 4

有由Shazam的服务（其识别接受一个短期可能嘈杂的样品音乐）所使用的算法的描述在这里：http://www.ee.columbia.edu/~dpwe/papers/Wang03-shazam.pdf
根据我的理解，首先要做的是隔离谱图中的峰值（通过一些调整来确保统一的覆盖范围），从初始谱图中给出一对值（时间，频率）的“星座”。一旦完成，将样本星座图与完整轨道的星座图进行比较，方法是将样本长度从开始到结束的窗口平移并计算相关点的数量。
然后本文描述了他们发现的技术解决方案，即使对于大量轨道也能够快速进行比较。