1. 哼唱识别系统概述
在音乐信息检索领域，哼唱识别(QBSH, Query by Singing/Humming)是一项极具挑战性的技术。与基于文本的音乐搜索不同，用户只需通过哼唱旋律片段就能找到目标歌曲，这对算法提出了特殊要求。我在开发这套Matlab系统时，重点解决了三个核心问题：音高特征提取的鲁棒性、旋律轮廓的准确建模，以及实时处理的效率优化。
提示：本系统在Matlab R2021a环境开发，依赖Signal Processing Toolbox和Statistics and Machine Learning Toolbox，建议使用不低于该版本的运行环境。
2. 系统架构设计
2.1 信号预处理流程
音频信号首先经过预加重滤波器（系数0.97）补偿高频衰减，然后分帧处理（帧长25ms，帧移10ms）。采用汉明窗减少频谱泄漏后，通过端点检测算法VAD（基于短时能量和过零率双门限）去除静默段。实测发现，在哼唱场景中，能量阈值设为最大幅值的0.03倍时效果最佳。
% 预加重处理示例代码 pre_emphasis = 0.97; emphasized_signal = filter([1 -pre_emphasis], 1, input_signal);2.2 音高特征提取
比较了YIN算法、CEPSTRUM法和自相关法后，最终选择改进的自相关函数(ACF)方案：
- 对每帧信号做FFT变换后计算功率谱
- 通过逆FFT得到自相关函数
- 在50-800Hz合理音高范围内寻找峰值
- 采用二次插值提高频率分辨率
[acf, lags] = xcorr(frame, 'coeff'); fundamental_freq = sample_rate / (lags(peak_idx) + eps);3. 旋律建模与匹配
3.1 旋律轮廓编码
将连续音高序列转换为5级相对音高变化符号：
- "+" 上升超过半音
- "-" 下降超过半音
- ">" 微升(≤半音)
- "<" 微降(≤半音)
- "=" 保持稳定
这种表示法有效解决了用户唱调不准的问题。测试表明，对业余哼唱者识别率提升约23%。
3.2 动态时间规整(DTW)
构建代价矩阵时采用改进的距离度量：
distance = 1 - (2*|Δpitch|)/(|pitch1| + |pitch2|)加入斜率约束限制路径搜索范围，将算法复杂度从O(N²)降至O(N)。在包含500首歌曲的测试集上，平均匹配耗时从1.2s降至0.3s。
4. 工程实现细节
4.1 实时处理优化
- 环形缓冲区设计：预分配2秒长度的缓冲区，通过指针循环写入
- 矩阵运算向量化：避免循环操作，改用bsxfun等函数
- 提前终止机制：当累积距离超过阈值时立即终止当前匹配
4.2 常见问题排查
- 谐波干扰问题：添加梳状滤波器抑制倍频成分
- 呼吸声误检：在VAD阶段增加频谱平坦度检测
- 节奏波动影响：对DTW路径施加更严格的斜率约束
5. 扩展应用方向
本系统核心算法经过调整后，可应用于：
- 音乐教育中的音准评测
- 智能作曲辅助系统
- 跨语言音乐搜索
- 听力障碍者的音乐感知辅助
实际部署时建议将Matlab代码转换为C++以提高性能。我在移植过程中发现，使用Eigen库重写矩阵运算模块可使处理速度提升5-8倍。