比较两个频谱图以找到它们匹配算法的偏移量

Question

我每天录制2分钟的互联网广播。总是有相同的开始和结束叮当声。由于广播的确切时间可能会有所不同，大约需要6分钟，因此我必须录制大约15分钟的广播。

我希望确定15分钟录音中这些杂音的确切时间，以便提取所需的音频部分。

我已经启动了一个C＃应用程序，在该应用程序中，我基于http://www.codeproject.com/KB/audio-video/SoundCatcher.aspx将MP3解码为PCM数据并将PCM数据转换为频谱图。

我尝试在PCM数据上使用互相关算法，但是该算法在6分钟左右的过程中非常慢，步长为10ms，并且在某些情况下无法找到叮当声的开始时间。

对两个频谱图进行匹配比较的算法有什么想法吗？还是找到铃声开始时间的更好方法？

谢谢，

更新，抱歉造成延迟

首先，感谢所有的答案，其中大多数都是无关紧要的想法。

我尝试实现fonzo提出的Shazam算法。但是未能检测到光谱图中的峰。这是来自三个不同记录的起始铃声的三个频谱图。我尝试使用带有斑点过滤器的AForge.NET（但未能识别峰值），模糊图像并检查高度差，拉普拉斯卷积，斜率分析以检测一系列竖线（但错误太多）正）...

同时，我尝试了Dave Aaron Smith提出的Hough算法。我在哪里计算每列的RMS。是是每一列都是O（N * M），但是M << N（注意，一列大约是8k的样本）。因此，总的来说还算不错，该算法大约需要3分钟，但绝不会失败。

我可以采用该解决方案，但如果可能的话，我希望使用Shazam，因为它的O（N）可能更快（并且也更凉爽）。大家都想出一种算法，可以始终检测那些频谱图中的相同点（不必是峰值），这要感谢添加注释。

新更新

最后，我继续使用上面解释的算法，尝试实现Shazam算法，但未能在频谱图中找到合适的峰值，即从一个声音文件到另一个声音文件的不恒定点。从理论上讲，Shazam算法是解决此类问题的方法。Dave Aaron Smith提出的Hough算法更稳定，更有效。我拆分了大约400个文件，其中只有20个未能正确拆分。从8GB到1GB的磁盘空间。

谢谢你的帮助。

Answer 1

我想知道你是否可以使用霍夫变换。您将首先对开头序列的每个步骤进行编目。假设您使用 10 毫秒的步长，并且打开序列的长度为 50 毫秒。您在每个步骤上计算一些指标并得到

1 10 1 17 5

现在检查您的音频并分析每个 10 毫秒步骤的相同指标。调用这个数组have_audio

8 10 8 7 5 1 10 1 17 6 2 10...

现在创建一个与 长度相同的新空数组have_audio。叫它start_votes。它将包含开场序列开始的“投票”。如果您看到 1，则您可能处于开场序列的第 1 步或第 3 步，因此您对 1 步前开始的开场序列有 1 票，对 3 步前开始的开场序列有 1 票。如果您看到 10，则您对 2 步前开始的开场序列有 1 票，对 4 步前开始的开场序列有 17 票，依此类推。

所以对于这个例子have_audio，你的votes意愿看起来像

2 0 0 1 0 4 0 0 0 0 0 1 ...

你在第 6 位有很多票，所以开场序列很有可能从那里开始。

您可以通过不必分析整个打开序列来提高性能。如果开头序列长 10 秒，您可以只搜索前 5 秒。