基于Matlab的聽音識曲系統(tǒng)的設計與實現(xiàn)

徐清釧 趙彥鈞 張丹露 弓 創(chuàng) 楊 光

（黃河科技學院，河南 鄭州 450000）

0 引言

隨著信息時代的發(fā)展，語音識別技術在生活中的應用越來越廣泛，國內有很多機構都在研究這方面的工作。“聽音識曲”研究是當前的熱門領域，本文通過研究原有的聽音識曲系統(tǒng)，掌握識別的基本原理，并使用Matlab程序搭建一個簡易的聽音識曲系統(tǒng)。

1 系統(tǒng)整體架構

整體流程分是：運行GUI界面，然后擇曲庫的路徑導入曲庫，在導入曲庫后可以選擇識別方式，最后點擊開始識別等待識別輸出結果即可。圖1即為整體流程。

圖1 整體流程

2 音頻指紋提取

整個提取的過程是：添加曲庫的音樂文件、對轉換過格式的文件進行預加重、分幀、加窗、快速傅里葉變換、梅爾濾波器設計、輸出梅爾系數(shù)。音頻指紋提取整體流程如圖2所示。

圖2 音頻指紋提取整體流程

2.1 分幀加窗

音頻信號處理之前要進行截短處理[7]，通過函數(shù)來完成分幀效果。

加窗分幀操作通過窗函數(shù)實現(xiàn)，每移動一次窗函數(shù)就得到一幀的音樂片段。把音頻段分割成大小為20 ms的幀，音樂片段之間需要重疊1/3，并使用相同長度的窗函數(shù)對每一幀平滑處理。時域波形和頻譜圖如3所示。

圖3 時域波形和頻譜圖

本系統(tǒng)使用漢寧窗，用ωN（n）表示窗函數(shù)，用N表示窗函數(shù)的長度，其表達式如式（1）所示：

2.2 音頻指紋劃分

將經過FFT變換的音頻信號，按照幀長、幀移和峰值幅度進行分幀，每一幀都是音頻指紋的特征，將其劃分為30個不同的子代可以更好更準確地提取指紋信息。若音頻匹配比較粗糙的話，可以分割更多幀長，以達到后期更好的匹配效果。音頻指紋劃分的公式如式（2）所示：

式中，F(xiàn)min為最小頻率值，即310Hz，F(xiàn)max為最大頻率值，即2100 Hz，M表示子帶個數(shù)，f（m）表示第m子帶的起始頻率，同時也是第m-1子帶的終止頻率。

2.3 MFCC算法原理

梅爾倒譜系數(shù)[6]，這個參數(shù)的計算首先就要對語音信號通過一個高通濾波器預加重處理，然后對音頻信號進行分幀，以及梅爾濾波器、窗函數(shù)的設計和傅里葉變換的應用。

3 音頻識別算法

3.1 DTW算法應用

待識別片段與曲庫中的音樂片段絕大多數(shù)不一致，一首完整的音樂大概300 s，而識別過程中，識別過程在15 s左右，兩段音頻長度不同，因此在一定程度上需要特殊的算法，對特征參數(shù)序列（見圖4）重新進行時間的校準。所以可以選用DTW算法[3]。

圖4 特征參數(shù)序列

3.2 最小似然距離擬合匹配

此擬合算法首先生成一個i×j的矩陣，i是矩陣的行數(shù)，j是矩陣的列數(shù)，人們稱它為似然距離，用p表示，似然系數(shù)用q表示，因為系數(shù)矩陣的特征值具有獨特性，所以每一幀音頻的似然系數(shù)是不同的，分別對每一首待識別的音頻進行計算，求出似然系數(shù)，并將與所建立音樂庫里的歌曲的似然系數(shù)值作差再取絕對值，能得到一個最小值，這個最小值就是最小似然距離（見圖5），并通過此算法篩選出這個最小值，它對應的歌曲就是識別的結果。原理公式如式（3）：

圖5 最小似然距離

式中，p為；q為；i為；j為。

4 GUI界面設計

GUI界面是該系統(tǒng)的操作界面（見圖6），可以根據(jù)界面上的文字提示來逐步完成對音樂的識別：打開MATLAB平臺，點擊運行即可。

圖6 GUI界面

點擊曲庫路徑按鈕，可以自行跳轉到所建立的音樂庫路徑，任意點擊音樂庫里的一首歌，可以將全部歌導入到檢索曲庫里。

點擊選擇音樂，選擇一首待識別的音樂對該首音樂提取特征，生成索引值，與最初的模板庫里多個索引信息建立的索引庫進行匹配。

5 歌曲識別率

由于“聽歌識曲”系統(tǒng)主要針對歌曲進行設計，因此，隨機挑選出當下較熱門的5首流行歌曲進行測試。為了避免誤差以及確保驗證系統(tǒng)的穩(wěn)定性，每首歌曲分別進行十次測試，記錄下正確次數(shù)并且取平均值，計算正確率，系統(tǒng)在音樂文件識別上的正確率可以達到100%，在錄音文件的識別上正確率達50%～60%。具體識別結果見表1、表2。

表1 音樂文件識別率

表2 錄音文件識別率

6 結語

本文所設計的“聽音識曲”系統(tǒng)，可以幫助人們識別一首不知名的音樂片段，使人們不再為錯失一首好聽的音樂而煩惱。系統(tǒng)主要完成了將音頻信號轉化成音頻特征、樂庫的建立、特征匹配系統(tǒng)的搭建和GUI頁面的生成等工作；基本達到了預期的要求，能夠滿足人們的需要。當然，系統(tǒng)在設計方面還存在一些缺陷，譬如說，通過錄音的方式進行識別的準確率還不夠高，如果需要提高準確率，還要用一些更專業(yè)的錄音設備和對濾波除噪聲算法進行更深層次的研究，對MFCC、DTW以及最小似然距離擬合匹配算法的優(yōu)化，減少其他噪聲的干擾；本文中的曲庫做得還不夠豐富，只有一少部分的音樂，能夠識別的樂曲有限。今后，可以從增加樂庫歌曲信息與反應時間兩方面進行優(yōu)化，盡可能多地增加樂曲，盡可能少地縮短識別時間，盡量使用更加專業(yè)的錄音設備，將錄音識別方式識別歌曲的準確率上再做一些提升。