shazam算法采用傅里叶变换将时域信号转换为频域信号，并获得音频指纹，最后匹配指纹契合度来识别音频。
1、audiosystem获取音频
奈奎斯特-香农采样定理告诉我们，为了能捕获人类能听到的声音频率，我们的采样速率必须是人类听觉范围的两倍。人类能听到的声音频率范围大约在20hz到20000hz之间，所以在录制音频的时候采样率大多是44100hz。这是大多数标准mpeg-1 的采样率。44100这个值最初来源于索尼，因为它可以允许音频在修改过的视频设备上以25帧（pal）或者30帧（ ntsc）每秒进行录制，而且也覆盖了专业录音设备的20000hz带宽。所以当你在选择录音的频率时，选择44100hz就好了。
定义音频格式：
|
1
2
3
4
5
6
7
8
9
|
public static float samplerate = 44100;public static int samplesizeinbits = 16;public static int channels = 2; // doublepublic static boolean signed = true; // indicates whether the data is signed or unsignedpublic static boolean bigendian = true; // indicates whether the audio data is stored in big-endian or little-endian orderpublic audioformat getformat() { return new audioformat(samplerate, samplesizeinbits, channels, signed, bigendian);} |
调用麦克风获取音频，保存到out中
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
public static bytearrayoutputstream out = new bytearrayoutputstream();1 try { audioformat format = smartauto.getformat(); // fill audioformat with the settings dataline.info info = new dataline.info(targetdataline.class, format); starttime = new date().gettime(); system.out.println(starttime); smartauto.line = (targetdataline) audiosystem.getline(info); smartauto.line.open(format); smartauto.line.start(); new fileanalysis().getdatatoout(""); while (smartauto.running) { checktime(starttime); } smartauto.line.stop(); smartauto.line.close(); } catch (throwable e) { e.printstacktrace(); } |
获取到的out数据需要通过傅里叶变换，从时域信号转换为频域信号。
傅里叶变换
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
|
public complex[] fft(complex[] x) { int n = x.length; // 因为exp(-2i*n*pi)=1，n=1时递归原点 if (n == 1){ return x; } // 如果信号数为奇数，使用dft计算 if (n % 2 != 0) { return dft(x); } // 提取下标为偶数的原始信号值进行递归fft计算 complex[] even = new complex[n / 2]; for (int k = 0; k < n / 2; k++) { even[k] = x[2 * k]; } complex[] evenvalue = fft(even); // 提取下标为奇数的原始信号值进行fft计算 // 节约内存 complex[] odd = even; for (int k = 0; k < n / 2; k++) { odd[k] = x[2 * k + 1]; } complex[] oddvalue = fft(odd); // 偶数+奇数 complex[] result = new complex[n]; for (int k = 0; k < n / 2; k++) { // 使用欧拉公式e^(-i*2pi*k/n) = cos(-2pi*k/n) + i*sin(-2pi*k/n) double p = -2 * k * math.pi / n; complex m = new complex(math.cos(p), math.sin(p)); result[k] = evenvalue[k].add(m.multiply(oddvalue[k])); // exp(-2*(k+n/2)*pi/n) 相当于 -exp(-2*k*pi/n)，其中exp(-n*pi)=-1(欧拉公式); result[k + n / 2] = evenvalue[k].subtract(m.multiply(oddvalue[k])); } return result; } |
计算out的频域值
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
private void setfftresult(){ byte audio[] = smartauto.out.tobytearray(); final int totalsize = audio.length; system.out.println("totalsize = " + totalsize); int chenksize = 4; int amountpossible = totalsize/chenksize; //when turning into frequency domain we'll need complex numbers: smartauto.results = new complex[amountpossible][]; dftoperate dfaoperate = new dftoperate(); //for all the chunks: for(int times = 0;times < amountpossible; times++) { complex[] complex = new complex[chenksize]; for(int i = 0;i < chenksize;i++) { //put the time domain data into a complex number with imaginary part as 0: complex[i] = new complex(audio[(times*chenksize)+i], 0); } //perform fft analysis on the chunk: smartauto.results[times] = dfaoperate.fft(complex); } system.out.println("results = " + smartauto.results.tostring()); } |
总结
以上所述是小编给大家介绍的java实现shazam声音识别算法的实例代码，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持！
原文链接：https://blog.csdn.net/llhhzz1989/article/details/82585957
