shazam音乐检索算法 附完整c代码

在讲算法之前，上一些前人的资料。

http://coding-geek.com/how-shazam-works/

https://laplacian.wordpress.com/2009/01/10/how-shazam-works/

http://royvanrijn.com/blog/2010/06/creating-shazam-in-java/

当然历史也有点久远了，如果你有心去百度一下 shazam 算法，

你会发现这类的博客也是不少的。

当然这显得我现在写这个，好像有点多余。

这里我就快速过一下算法的思路。

假设你有一首歌，换句话说，你有一堆数据。

你可以通过各种各样的方式，对它的内容进行抽象表达。

举个例子，对音乐而言，就是歌名，类型，时长等等。

对于一本书而言就是目录，标题，价位之类的属性。

但是有时候我们会忘记具体内容，

只知道大概的印象，这个时候想要找到对应的那个东西就比较困难了。

举个例子，Beyond 乐队的《喜欢你》这首歌，百度上一堆 问“黑凤梨” blabla的。。

而音乐检索算法就是为了提供比较人性化的方式帮忙 搜索音乐。

而shazam 这家公司就是第一个吃螃蟹的"人"。

上面提供的链接里都提到了shazam 算法的思路，需要细节了解的可以移步上面的链接。

shazam 算法分为以下步骤:

1.进行fft变换

2.切分5个频段，取频段中比较有代表性的信息，一般为该频段中强度最大值。

3.将取到的5个点，拼接起来算个字符串hash作为该段音乐的特征

4.以此类推对整个音频重复1，2，3步骤

最终拿到整个音频的所有hash信息。

后面检索音频也就是简单的建立hash库，然后撞hash数量，评分。

hash命中越多就认为越相似。

上图，感受一下，其实我感觉看图也不是很直观，哈哈哈哈。

整个算法非常简单，

最核心的点是 切分5个频段，

用上了时序信息去算哈希。

对于有时序的数据，肯定要用上时序性维度，不然是有失偏颇的。

之余图片，就要用空间性维度，之余视频，时间和空间都要有。

这个算法简单粗暴，也有效。

严格意义上讲，这个算法的泛化能力有待商榷。

改进的思路和方向也挺多的。

例如:

1.降低精度，下采样

（之于图像就是缩小图片等）

2.还分为5个频段，但是提取更加具有代表性的特征,

可以采用一些图像思路，例如模糊之后增强

（之于图像一般是计算角点等，详情参考sift）

3.加入更多的时序维度，扩展更多的时序关联，例如临近特征关键点的差距

(之于图像，就是采用卷积提取空间特征等)

4.音量归一化，拉伸音频的分贝值

(之于图像就是直方图拉伸，自动增强，白平衡等)

当然还有很多方法可以进一步拓展，其实核心目标就是控制变量因素。

尽可能的让数据处在先验条件的区间内计算。

其实说难也不难，说简单也不简单。

有另一个音频检索算法就是做了控制变量达到更加强大的鲁棒性。

他就是，dejavu

算法细节参见:http://willdrevo.com/fingerprinting-and-audio-recognition-with-python/

不过dejavu其中有一个地方的思路，我认为不妥，就是在最后算hash特征的时候采用sha-1算法。

我认为可以直接采用最后算出的值改为int16 直接拼合起来就可以了，可以降低算法的复杂度。

dejavu用到了一些图像算法，主要就是用于提取更加具有代表性的特征。

具体算法细节这里就不展开了，有兴趣的朋友可以去好好学习一下。

当然除了以上提到的两个算法之外，还有其他的一些实现，不过都是换汤不换药的节奏。

当然，我本人业余时间在研究自己构思的一个音频检索算法，还在开展中，

算法复杂度当然会更高，但是效果和后续检索准确度会大有提升。

上面提到的shazam和dejavu，本人以纯c 原汁原味实现之。

嗯，shazam的算法，开源给大家学习之。

代码来也:

#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <time.h>
#include "fft.h"
//ref:https://raw.githubusercontent.com/cxong/tinydir/master/tinydir.h
#include "tinydir.h"
#include "timing.h"
#define DR_WAV_IMPLEMENTATION
//ref:https://raw.githubusercontent.com/mackron/dr_libs/master/dr_wav.h
#include "dr_wav.h"

int16_t *wavRead_int16(char *filename, uint32_t *sampleRate, uint64_t *totalSampleCount) {
    unsigned int channels;
    int16_t *buffer = drwav_open_and_read_file_s16(filename, &channels, sampleRate, totalSampleCount);
    if (buffer == 0) {
        fprintf(stderr, "ERROR
");
        exit(1);
    }
    if (channels == 2) {
        int16_t *bufferSave = buffer;
        for (int i = 0; i < *totalSampleCount; i += 2) {
            *bufferSave++ = (int16_t) ((buffer[i] + buffer[i + 1]) >> 1);
        }
        *totalSampleCount = *totalSampleCount >> 1;
    }
    return buffer;
}


unsigned long hash(unsigned char *str) {
    unsigned long hash = 5381;
    int c;
    while (c = *str++)
        hash = ((hash << 5) + hash) + c;
    return hash;
}

int generateHashes(char *input_file, int **hashtable, int songid, size_t N, int freqbandWidth, int maxElems) {
    printf("reading %s 
", input_file);
    uint32_t sampleRate = 0;
    uint64_t samplesize = 0;
    int16_t *pcmdata = wavRead_int16(input_file, &sampleRate, &samplesize);
    float *inputBuffer = (float *) calloc(sizeof(float), N);
    fft_complex *outBuffer = (fft_complex *) calloc(sizeof(fft_complex), N);
    int sect = 0;
    int cnt = 0;
    int numHashes = 0;
    for (int i = 0; i < samplesize; i++) {
        if (sect < N) {
            inputBuffer[sect] = (float) pcmdata[i];
            sect++;
        } else {
            sect = 0;
            i -= 1;
            cnt++;
            fft_plan plan = fft_plan_dft_r2c_1d(N, inputBuffer, outBuffer, 0);
            fft_execute(plan);
            fft_destroy_plan(plan);
            int freq1 = 0, freq2 = 0, freq3 = 0, freq4 = 0, freq5 = 0;
            int pt1 = 0, pt2 = 0, pt3 = 0, pt4 = 0, pt5 = 0;
            int freqbandWidth2 = freqbandWidth * 2;
            int freqbandWidth3 = freqbandWidth * 3;
            int freqbandWidth4 = freqbandWidth * 4;
            int freqbandWidth5 = freqbandWidth * 5;
            int freqbandWidth6 = freqbandWidth * 6;
            for (int k = freqbandWidth; k < freqbandWidth6; k++) {
                int freq = (outBuffer[k].real > 0) ? (int) outBuffer[k].real : (int) (0 - outBuffer[k].real);
                int Magnitude = (int) (log10f((freq + 1)) * 1000);
                if (k >= freqbandWidth && k < freqbandWidth2 && Magnitude > freq1) {
                    freq1 = Magnitude;
                    pt1 = k;
                } else if (k >= freqbandWidth2 && k < freqbandWidth3 && Magnitude > freq2) {
                    freq2 = Magnitude;
                    pt2 = k;
                } else if (k >= freqbandWidth3 && k < freqbandWidth4 && Magnitude > freq3) {
                    freq3 = Magnitude;
                    pt3 = k;
                } else if (k >= freqbandWidth4 && k < freqbandWidth5 && Magnitude > freq4) {
                    freq4 = Magnitude;
                    pt4 = k;
                } else if (k >= freqbandWidth5 && k < freqbandWidth6 && Magnitude > freq5) {
                    freq5 = Magnitude;
                    pt5 = k;
                }
            }
            char buffer[50];
            sprintf(buffer, "%d%d%d%d%d", pt1, pt2, pt3, pt4, pt5);
            unsigned long hashresult = hash(buffer) % maxElems;
            int key = (int) hashresult;
            if (key < 0)
                printf("Invalid key %d
", key);
            hashtable[key][songid]++;
            numHashes++;
        }
    }
    free(pcmdata);
    free(inputBuffer);
    free(outBuffer);
    return numHashes;
}


int main(int argc, char *argv[]) {
    printf("Audio Processing
");
    printf("shazam audio hash
");
    printf("blog: http://cpuimage.cnblogs.com/
");
    int N = 512;
    int freqbandWidth = 50;
    int maxSongs = 10;
    size_t maxElems = 200000;
    int **hashTable;
    int i = 0, n = 0;
    float count = 0;
    int numsongs = 0;
    char filenames[maxSongs + 1][_TINYDIR_FILENAME_MAX];
    int filesizes[maxSongs + 1];
    int songScores[maxSongs + 1];
    float songMatch[maxSongs + 1];
    printf("running... 
");
    if (argc < 2) {
        printf("no excerpt file to open 
");
        exit(1);
    }
    double start_total = now();
    hashTable = (int **) calloc(maxElems, sizeof(int *));
    for (i = 0; i < maxElems; i++)
        hashTable[i] = (int *) calloc(maxSongs + 1, sizeof(int));
    printf("Generating hashes for original files.. 
");
    tinydir_dir dir;
    tinydir_open(&dir, "data");
    while (dir.has_next) {
        tinydir_file file;
        tinydir_readfile(&dir, &file);
        if (file.is_reg) {
            numsongs++;
            double startTime = now();
            filesizes[numsongs] = generateHashes(file.path, hashTable, numsongs, N, freqbandWidth, maxElems);
            size_t time_interval = (size_t) (calcElapsed(startTime, now()) * 1000);
            songScores[numsongs] = 0;
            printf("%d:%d hashes for %s
", numsongs, filesizes[numsongs], file.path);
            printf("Time taken: %d seconds %d milliseconds
", time_interval / 1000, time_interval % 1000);
            strcpy(filenames[numsongs], file.name);
        }
        tinydir_next(&dir);
    }
    tinydir_close(&dir);
    printf("Generating hashes for recorded file.. 
");
    generateHashes(argv[1], hashTable, 0, N, freqbandWidth, maxElems);
    printf("Calculating score.. 
");
    for (i = 0; i < maxElems; i++) {
        if (hashTable[i][0] > 0) {
            for (n = 1; n <= maxSongs; n++) {
                if (hashTable[i][n] >= hashTable[i][0])
                    songScores[n] = songScores[n] + hashTable[i][0];
                else
                    songScores[n] = songScores[n] + hashTable[i][n];;
            }
        }
    }
    for (i = 1; i <= numsongs; i++) {
        songMatch[i] = ((float) songScores[i]) / ((float) filesizes[i]);
        printf("Score for %s = %f
", filenames[i], songMatch[i]);
        if (songMatch[i] > count) {
            count = songMatch[i];
            n = i;
        }
    }
    printf("Best Score: %s
", filenames[n]);
    for (i = 0; i < maxElems; i++)
        free(hashTable[i]);
    free(hashTable);
    size_t msec = (size_t) (calcElapsed(start_total, now()) * 1000);
    printf("Total time taken: %d seconds %d milliseconds
", msec / 1000, msec % 1000);

    return 0;
}

项目地址:

https://github.com/cpuimage/shazam

稍微说明一下:

在对应文件下建一个“data”的文件夹，存放需要进行计算hash备档的音频文件。

然后 直接传一个文件名过去，先计算"data"下所有文件的hash,然后计算传的目标文件的hash。

计算hash碰撞，输出相似度得分。

例如：

shazam_demo.exe 有没有.wav

输出：

running...

Generating hashes for original files..

reading data/冯心怡 - 暧昧（Cover 薛之谦）.wav

1:4881 hashes for data/冯心怡 - 暧昧（Cover 薛之谦）.wav

Time taken: 0 seconds 268 milliseconds

reading data/薛之谦 - 别.wav

2:3370 hashes for data/薛之谦 - 别.wav

Time taken: 0 seconds 186 milliseconds

reading data/薛之谦 - 暧昧.wav

3:4879 hashes for data/薛之谦 - 暧昧.wav

Time taken: 0 seconds 271 milliseconds

reading data/薛之谦 - 有没有.wav

4:3938 hashes for data/薛之谦 - 有没有.wav

Time taken: 0 seconds 214 milliseconds

reading data/赵大雄 - 有没有（Cover 薛之谦）.wav

5:3937 hashes for data/赵大雄 - 有没有（Cover 薛之谦）.wav

Time taken: 0 seconds 215 milliseconds

Generating hashes for recorded file..

reading 有没有.wav

Calculating score..

Score for 冯心怡 - 暧昧（Cover 薛之谦）.wav = 0.028478

Score for 薛之谦 - 别.wav = 0.025519

Score for 薛之谦 - 暧昧.wav = 0.026645

Score for 薛之谦 - 有没有.wav = 1.000000

Score for 赵大雄 - 有没有（Cover 薛之谦）.wav = 0.036830

Best Score: 薛之谦 - 有没有.wav

Total time taken: 1 seconds 413 milliseconds

这个工程只是用来练手学习思路，现在它的使命已经结束。

偷偷说一句，扫头像，有打赏，就有猛料。

以上，权当抛砖引玉。

独乐乐，不如众乐乐。

若有其他相关问题或者需求也可以邮件联系俺探讨。

邮箱地址是: 
gaozhihan@vip.qq.com