Shazam原理分析

1           数据库的建立：

1.1            特征提取：对每个音频提取spectrogram，横轴为时间，纵轴为频率，用每个坐标上点的颜色来表示能量高低，选取能量较高的作为特征点。

1.2          每秒提取三个特征点，如果数据库中总共有一百万首乐曲，每首乐曲的长度大约为4分钟，也就是240秒，那么一共大约有 个特征点。

1.3          采用Hash Table建立数据库。Key值为每个特征点对应的频率，桶内存放的数据为特征点的偏移量以及音频的ID。那么假设对频率保留五位有效数字（有效数字太多，抗噪性能会变差），最多也只能建立 个桶，用10bit来表示每个Key，平均每个桶中有 个元素，碰撞会十分严重，检索效率太低。

1.4          为了提高检索效率，必须提高Key值的熵，也就是增加Key值的位数。这里采用特征点对的方法，每个Key值用三种特征值表示 ，f表示anchor的频率， 表示anchor和target zone中特征点的频率差值， 表示他们的时间差值，这样就可以建立 个桶，大约是原来的 倍，平均每个桶中只有一个元素，大大减小了碰撞的几率，检索一次的速率提高了 倍。

1.5          由于采用了特征点对的方法，需要检索的次数是原来的100倍（数据库中多了10倍，被检索音频多了10倍）。即使这样，整体速度依然提高了10000倍。这就是一种以空间换时间的方法。

1.6          如果每个特征点仅仅检索一次的话，抗噪性能会大幅减弱。假设一个特征点匹配的概率为p，那么特征点对匹配的概率为 ，概率值减小了很多。因此采用target zone的方法，每个anchor对应一个target zone，每个target zone中有10个特征点，这样针对每个anchor都形成了10个特征点对，这10个特征点对中有一对能匹配的概率是 ，也就是每个anchor匹配的概率和原来（p）近似相等。

2          检索

2.1          对找到的匹配特征点按乐曲的ID进行分类，针对每一个ID得到一系列时间对，即数据库中音频特征点的偏移量和样例音频中特征点的偏移量。如下图：

2.2         当两个音频匹配时，这些特征点对将形成一条对角线，当能够检测到这样一条对角线时，说明两个音频匹配。

2.3         通过计算每个点横纵坐标的差值可以得到一个柱状图，找出其中最高的那根，就可以判断是否匹配了。