一种基于SOM算法的音频指纹提取方法

摘要

本发明涉及一种使用于音乐检索系统的音频指纹提取方法。该发明属于基于内容的音乐检索技术领域，具体为一种基于SOM（自组织特征映射）算法的音频指纹提取方法。本发明主要完成在音频指纹系统中实现音频指纹的提取功能，本方法首先将时域音频信号转化为频域信号，然后提取频域信号的能量信息，最后获得相关音频特征。为了减少音频特征的数据量，减少存储音频所需的存储空间，提高数据的检索效率，采用了SOM算法实现对音频特征数据的降维处理。本发明能够有效的在移动嵌入式设备上运行实现，具有执行速度快、指纹数据量较少、音频检索速度快等特点。

主权项

一种基于SOM算法的音频指纹提取方法，其特征在于具体步骤如下：步骤1  将输入的音频信号转化为单声道：对输入的音频信号做基本的预处理，将音频信号数据归一化，提取标准的PCM音频信号对其做判断，如果此音频信号不是单声道，则将此音频信号数据转换为单声道；步骤2  将音频信号统一到8kHz采样率：判断转换后的音频信号的采样率是否大于8kHz，如果大于8kHz，则通过FIR滤波器将其降采样到8kHz；步骤3  重叠分帧并加汉明窗：将归一化后的音频信号进行重叠分帧，每帧帧长为0.256秒，按照相邻帧重叠率为31/32做分帧处理，然后对处理后的音频信号加汉明窗；步骤4  FFT时频变换：对分帧的音频信号进行时频变换，通过2048位的FFT变换来实现该转换，最终获得2048位的频域系数；步骤5  获取低1024位特征数据：考虑4kHz以下的能量点作为该指纹的音频特征，将2048位的频域系数中的低1024位系数作为该指纹的音频特征数据；步骤6  计算特征数据的SOM特征：其步骤为将获取的低位的1024位特征值初始化为向量，设所选择的帧数为，故每位均为维，即同时初始化的权值向量（可依照经验选取）：分别对和按照式（1）和式（2）进行归一化处理得到结果和：（1）其中：归一化权值向量（2）其中：从向量中选取样本及其对应权值向量样本，按照式（3）计算其欧式距离：（3）其中：n为迭代次数，表示第n次迭代所对应的权值；通过式（4）计算欧式距离最小的标准，来获取输出矩阵，从而实现矩阵的降维过程；                （4）其中，和为满足式(4)的特征向量和权值向量，由此构成新的降维矩阵；按照式（5）更新参数，通过式（6）更新权值向量；                        （5）（6）其中，n表示迭代次数；按照式（7）对更新后的权值向量重新进行归一化处理；                          （7）其中判断输出矩阵的大小是否等于32个向量，如果等于则结束迭代，如果大于则回到3）中继续迭代；步骤7  相邻帧比对，获得二进制指纹：由步骤6中的7），当输出矩阵的大小等于32个向量，将最终获得的32个特征值设为，依据公式（8）计算相邻帧之间指纹的符号差异，作为最终的存储数据，就的到了二进制指纹；（8）其中M为子帧内数据的个数，这里为32。