[发明专利]一种音频指纹匹配方法以及音频指纹匹配装置

说明书

本申请提供一种音频指纹匹配方法以及音频指纹匹配装置，该方法包括：获取第一音频段包含的至少两个音频帧中每个音频帧的频谱幅值；生成至少两个音频帧的平均谱能量峰值位置点图像；利用分类器对平均谱能量峰值位置点图像中的平均谱能量峰值位置点进行量化，并根据量化结果获取至少两个音频帧中每个音频帧的音频指纹；获取第一音频段中至少两个音频帧与第二音频段中至少两个音频帧对应音频帧的指纹距离的平均值；在平均值小于或者等于第一预设阈值的情况下，确定第一音频段与第二音频段相匹配；在平均值大于第一预设阈值的情况下，确定第一音频段与第二音频段不匹配。每帧音频指纹的信息长度较小，需要耗费的资源较少。

技术领域

本申请涉及音频技术领域，尤其涉及一种音频指纹匹配方法以及音频指纹匹配装置。

背景技术

音频指纹是代表一段音频重要声学特征的基于内容的数字签名，可用于音频比对、音频库检索或者音频内容监测等应用场景。音频指纹是基于人耳的听觉感知特征建立的，对于经过处理，例如编码压缩、滤波、均衡或者变调等导致部分失真的音频，需要有较好的鲁棒性。

音频指纹基于的声学特征主要分为2类：物理特征和感知特征。物理特征，是直接从音频数据中提取的简单的参数表示，例如短时能量、过零率、谱峰和谱密度等；感知特征，是结合人耳听觉，从音频数据中加工提炼的参数表示，例如音高、音调、旋律和节奏等。

现有技术中，每帧音频指纹的信息长度在100～300bit左右，导致在存储和音频指纹匹配时要耗费较大的资源。

发明内容

本申请提供了一种音频指纹匹配方法以及音频指纹匹配装置，以解决现有技术中，每帧音频指纹的信息长度较大，导致需要耗费较多资源的问题。

一方面，本申请提供一种音频指纹匹配方法，包括：

获取第一音频段包含的至少两个音频帧中每个音频帧的频谱幅值；

根据所述第一音频段包含的至少两个音频帧中每个音频帧的频谱幅值，确定每个音频帧在至少两个音调频率子带中每个音调频率子带上的平均谱能量；

根据每个音频帧在至少两个音调频率子带中每个音调频率子带上的平均谱能量，确定每个音频帧的平均谱能量峰值在所述至少两个音调频率子带中所属的目标音调频率子带；

根据所述每个音频帧的平均谱能量峰值在所述至少两个音调频率子带中所属的目标音调频率子带，生成所述至少两个音频帧的平均谱能量峰值位置点图像；

利用分类器对所述平均谱能量峰值位置点图像中的平均谱能量峰值位置点进行量化，并根据量化结果获取所述至少两个音频帧中每个音频帧的音频指纹；

确定第二音频段包含的至少两个音频帧中每个音频帧的音频指纹；

根据所述第一音频段包含的至少两个音频帧中每个音频帧的音频指纹和帧时间以及所述第二音频段包含的至少两个音频帧中每个音频帧的音频指纹和帧时间，获取所述第一音频段中至少两个音频帧与所述第二音频段中至少两个音频帧对应音频帧的指纹距离的平均值；

在所述平均值小于或者等于第一预设阈值的情况下，确定所述第一音频段与所述第二音频段相匹配；

在所述平均值大于所述第一预设阈值的情况下，确定所述第一音频段与所述第二音频段不匹配。

可选的，所述根据所述第一音频段包含的至少两个音频帧中每个音频帧的音频指纹和帧时间以及所述第二音频段包含的至少两个音频帧中每个音频帧的音频指纹和帧时间，获取所述第一音频段中至少两个音频帧与所述第二音频段中至少两个音频帧对应音频帧的指纹距离的平均值，包括：

根据所述第一音频段包含的至少两个音频帧中每个音频帧的音频指纹和帧时间以及所述第二音频段包含的至少两个音频帧中每个音频帧的音频指纹和帧时间，确定对齐偏移量；