假人的频率/音高检测答案

【问题标题】：frequency / pitch detection for dummies假人的频率/音高检测
【发布时间】：2012-07-18 04:15:48
【问题描述】：

虽然我在这个网站上有很多关于音高检测概念的问题...它们都涉及我不熟悉的神奇 FFT。我正在尝试构建一个需要实现音高检测的 Android 应用程序。我完全不了解用于执行此操作的算法。

不可能那么很难吧？毕竟，Android 市场上有大约 80 亿个吉他调音器应用程序。

有人可以帮忙吗？

【问题讨论】：

您需要对快速傅立叶变换有一些基本的了解才能实现您的要求。如果您正在寻找一个 java FFT 库，我无法想象找到一个会很困难。除非您想学习一些信号处理，否则我建议您寻找吉他调音器库。如果没有基本的了解，FFT 将难以实施。

【解决方案1】：

FFT 并不是实现音高检测或音高跟踪的最佳方式。一个问题是最响亮的频率并不总是基频。另一个原因是，FFT 本身需要大量数据和处理才能获得调整仪器所需的分辨率，因此它的响应速度可能很慢（即延迟）。另一个问题是，FFT 的结果必然是直观的：你得到一个复数数组，你必须知道如何解释它们。

如果您真的想使用 FFT，这里有一种方法：

低通您的信号。这将有助于防止噪声和高次谐波产生虚假结果。可以想象，您可以跳过这一步，而是将结果加权到 FFT 的较低值。对于某些具有强基频的仪器，这可能不是必需的。
窗口化您的信号。 Windows 的大小应至少为 4096。越大越好，因为它可以为您提供更好的频率分辨率。如果你太大，它最终会增加你的计算时间和延迟。 hann 函数是您窗口的不错选择。 http://en.wikipedia.org/wiki/Hann_function
尽可能频繁地对窗口信号进行 FFT。即使是重叠的窗口也很好。
FFT 的结果是复数。使用 sqrt( real^2 + imag^2 ) 找到每个复数的大小。 FFT 数组中幅度最大的索引是您的峰值频率的索引。
您可能希望对多个 FFT 进行平均以获得更一致的结果。

如何根据索引计算频率？好吧，假设你有一个大小为 N 的窗口。在你 FFT 之后，你将有 N 个复数。如果您的峰值是第 n 个，并且您的采样率为 44100，那么您的峰值频率将接近 (44100/2)*n/N。为什么近？那么你有一个错误（44100/2）* 1/N。对于 4096 的 bin 大小，这大约是 5.3 Hz——在 A440 上很容易听到。您可以通过 1. 考虑相位来改进这一点（我只描述了如何考虑幅度），2. 使用更大的窗口（这将增加延迟和处理要求，因为 FFT 是 N Log N 算法），或者 3. 使用更好的算法，比如 YIN http://www.ircam.fr/pcm/cheveign/pss/2002_JASA_YIN.pdf

您可以跳过窗口化步骤，只需将音频分解为您想要分析的多个样本的离散块。这相当于使用方形窗口，虽然有效，但您的结果中可能会出现更多噪音。

顺便说一句：许多调谐器应用许可代码来自第三方，例如 z-plane 和 iZotope。

更新：如果您想要 C 源代码和 FFT 方法的完整教程，我已经written one。该代码可以在 Mac OS X 上编译和运行，并且应该可以很容易地转换到其他平台。它的设计目的不是最好的，但它的设计目的是易于理解。

【讨论】：

这似乎正是我需要的，但对我来说没用，因为我不知道什么是“低通”、“窗口”和“汉恩函数”。（尽管有链接，但我仍然不明白它是如何应用的。）上述建议可能会对了解更多的人有所帮助，但我问这个问题是因为我完全不了解它们。
对于低通过率，我建议了一个替代方案，但如果你不知道它是什么，你可以谷歌它并问另一个问题。这不是另一个问题的子答案。
事实是，您所要求的信息通常在一两个学期的大学水平课程中涵盖，并非所有细节都可以在这里涵盖。
我的伙伴使用他在网上找到的代码在 iPhone 版本上实现了相同的功能。如果我理解数学，我相信我可以通过它编写代码，但是因为我需要完成一个学期的课程才能做到这一点，所以我需要代码。我对这个数学的无知程度不仅仅是不熟悉......我从来没有处理过这个级别的任何事情。谢谢你所做的一切......但我真正需要的是一种方法，我可以传递一个返回值的参数。
谷歌上“音高检测 java”的第三个结果：tarsos.0110.be/artikels/lees/YIN_Pitch_Tracker_in_JAVA

【解决方案2】：

快速傅里叶变换将函数从时域更改为频域。所以不是f(t)，其中f是你从麦克风获得的信号，t是那个信号的时间索引，你得到g(θ)，其中g是f和@的FFT 987654331@ 是频率。一旦你有了g(θ)，你只需要找到哪个θ 的幅度最高，这意味着“最大”的频率。这将是您拾取的声音的主要音高。

至于实际实现FFT，如果你google“快速傅立叶变换示例代码”，你会得到一堆例子。

【讨论】：

这个example 可能对测试有用。
我发现了一堆样本，它们都需要值数组，我不知道如何获得或它们的含义。我们正在到达那里。 this 在正确的邮政编码中吗？
@brainmurphy1 该链接看起来是正确的。您可以通过从麦克风读取输入来获取阵列。我以前从未这样做过，但谷歌说你想要 AudioRecord 类，这是一个例子：androiddevblog.net/android/android-audio-recording-part-2
@Jon Lin 通过这个从 AudioRecord 类运行数组后，我会得到声音的“FFT”吗？我如何把它变成频率？我说得有道理吗？
@brainmurphy1 依赖于FFT函数，但一般你通过新数组寻找最大值，索引是频率。