CN109102811A - 音频指纹的生成方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种音频指纹的生成方法、装置及存储介质，属于多媒体技术领域。所述方法包括：将目标音频划分为M帧音频，确定M帧音频每帧音频的N个频域能量，对于M帧音频中任一帧音频A，根据音频A的N个频域能量，确定音频A的指纹序列，得到与M帧音频一一对应的M个指纹序列。也即是，在本发明实施例中，每帧音频对应一个指纹序列，且每帧音频的指纹序列仅仅与该帧音频的N个频域能量相关，与相邻帧的音频的频域能量没有关系，这样的话，如果目标音频中某一帧音频中混入杂音，只会影响该帧音频的指纹序列，对其他的指纹序列不会产生影响，提高了音频指纹的抗干扰性。

Description

音频指纹的生成方法、装置及存储介质

技术领域

本发明涉及多媒体技术领域，特别涉及一种音频指纹的生成方法、装置及存储介质。

背景技术

音频指纹是根据音频生成的一个摘要，该摘要可以为哈希序列，每个音频的音频指纹用于表征对应的音频的特征。后续当需要对比两个音频的相似性时，只需对比这两个音频的音频指纹即可，以提高处理音频的效率。

相关技术中，生成目标音频的音频指纹的实现方式可以为：将目标音频划分为M帧音频，对于任一帧音频，确定该帧音频的N个频域能量，分别标记为第1个频域能量、第2个频域能量、…、第N个频域能量，每个频域能量用于描述该帧音频在一段频率区间上的能量加和值，确定相邻的两个频域能量之间的差值，依次标记为(1-2)频域能量差值、(2-3)频域能量差值、…、((N-1)-N)频域能量差值。对于第一帧音频和第二帧音频，如果第一帧音频中的(1-2)频域能量差值大于第二帧音频中的(1-2)频域能量差值，则将第一个比特位上的数值设置为1，否则设置为0，依次类推，可以得到针对第一帧音频和第二帧音频的、且比特位数为N-1的指纹序列。当对M帧音频均执行上述操作时，可以得到(M-1)个指纹序列，这(M-1)个指纹序列即为目标音频的音频指纹。

在上述方法中，生成的音频指纹与相邻两帧音频中指定的一对Bark域能量差值之间的大小密切相关，如果目标音频中某一帧音频中混入杂音，此时根据上述方法确定出的音频指纹中与该帧音频相关的两个指纹序列都将发生明显的变化，导致上述方法确定的音频指纹的抗干扰性较弱。

发明内容

本发明实施例提供了一种音频指纹的生成方法、装置及存储介质，可以用于解决相关技术中确定的音频指纹的抗干扰性较弱的问题。所述技术方案如下：

第一方面，提供了一种音频指纹的生成方法，所述方法包括：

将需要确定音频指纹的目标音频划分为M帧音频，M为大于或等于1的正整数；

确定所述M帧音频中每帧音频的N个频域能量，每个频域能量对应一个频率区间，N为大于或等于1的正整数；

对于所述M帧音频中任一帧音频A，根据所述音频A的N个频域能量，确定所述音频A的指纹序列，得到与所述M帧音频一一对应的M个指纹序列，并将所述M个指纹序列作为所述目标音频的音频指纹。

可选地，每帧音频的指纹序列的比特位数为P，P为大于或等于1的正整数；

所述根据所述音频A的N个频域能量，确定所述音频A的指纹序列，包括：

根据所述音频A包括的N个频域能量，确定第一频域能量集合和第二频域能量集合，每个频域能量集合包括P个频域能量，且所述第一频域能量集合和所述第二频域能量中包括的P个频域能量按照对应的频率区间从小到大的顺序排列之后，所述第一频域能量集合中的任一个频域能量对应的频率区间小于所述第二频域能量集合中相同排序的频域能量对应的频率区间；

根据所述第一频域能量集合和所述第二频域能量集合，确定所述音频A的指纹序列。

可选地，所述根据所述音频A包括的N个频域能量，确定第一频域能量集合和第二频域能量集合，包括：

将所述音频A包括的N个频域能量按照对应的频率区间从小到大的顺序进行排列；

将排序后的第1个频域能量至第P个频域能量作为所述第一频域能量集合中的频域能量，并将第(N-P+1)个频域能量至第N个频域能量作为所述第二频域能量集合中的频域能量。

可选地，所述根据所述第一频域能量集合和所述第二频域能量集合，确定所述音频A的指纹序列，包括：

将所述第一频域能量集合和所述第二频域能量集合中包括的P个频域能量均按照对应的频率区间从小到大的顺序排列；

对于所述第一频域能量集合和所述第二频域能量集合中的第i个频域能量，如果所述第一频域能量集合中第i个频域能量大于所述第二频域能量集合中第i个频域能量，则将所述指纹序列中第i位的比特值设置为1，否则设置为0，所述i为大于或等于1且小于或等于P的正整数。

可选地，所述确定所述M帧音频中每帧音频的N个频域能量，包括：

对于所述M帧音频中任一帧音频B，将所述音频B进行傅里叶变换，得到所述音频B的频谱，所述频谱用于描述所述音频B在每个频点上的能量值；

根据所述音频B的频谱，确定所述音频B的N个频域能量。

第二方面，提供一种音频指纹的生成装置，所述装置包括：

划分模块，用于将需要确定音频指纹的目标音频划分为M帧音频，M为大于或等于1的正整数；

第一确定模块，用于确定所述M帧音频中每帧音频的N个频域能量，每个频域能量对应一个频率区间，N为大于或等于1的正整数；

第二确定模块，用于对于所述M帧音频中任一帧音频A，根据所述音频A的N个频域能量，确定所述音频A的指纹序列，得到与所述M帧音频一一对应的M个指纹序列，并将所述M个指纹序列作为所述目标音频的音频指纹。

可选地，每帧音频的指纹序列的比特位数为P，P为大于或等于1的正整数；

所述第二确定模块包括：

第一确定单元，用于根据所述音频A包括的N个频域能量，确定第一频域能量集合和第二频域能量集合，每个频域能量集合包括P个频域能量，且所述第一频域能量集合和所述第二频域能量中包括的P个频域能量按照对应的频率区间从小到大的顺序排列之后，所述第一频域能量集合中的任一个频域能量对应的频率区间小于所述第二频域能量集合中相同排序的频域能量对应的频率区间；

第二确定单元，用于根据所述第一频域能量集合和所述第二频域能量集合，确定所述音频A的指纹序列。

可选地，所述第一确定单元，具体用于：

将所述音频A包括的N个频域能量按照对应的频率区间从小到大的顺序进行排列；

将排序后的第1个频域能量至第P个频域能量作为所述第一频域能量集合中的频域能量，并将第(N-P+1)个频域能量至第N个频域能量作为所述第二频域能量集合中的频域能量。

可选地，所述第二确定单元，具体用于：

将所述第一频域能量集合和所述第二频域能量集合中包括的P个频域能量均按照对应的频率区间从小到大的顺序排列；

对于所述第一频域能量集合和所述第二频域能量集合中的第i个频域能量，如果所述第一频域能量集合中第i个频域能量大于所述第二频域能量集合中第i个频域能量，则将所述指纹序列中第i位的比特值设置为1，否则设置为0，所述i为大于或等于1且小于或等于P的正整数。

可选地，所述第一确定模块，具体用于：

对于所述M帧音频中任一帧音频B，将所述音频B进行傅里叶变换，得到所述音频B的频谱，所述频谱用于描述所述音频B在每个频点上的能量值；

根据所述音频B的频谱，确定所述音频B的N个频域能量。

第三方面，提供另一种音频指纹的生成装置，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述第一方面所述的任一项方法的步骤。

第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述第一方面所述的任一项方法的步骤。

第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的任一方法的步骤。

本发明实施例提供的技术方案带来的有益效果是：

在本发明实施例中，将目标音频划分为M帧音频，确定M帧音频每帧音频的N个频域能量，对于M帧音频中任一帧音频A，根据音频A的N个频域能量，确定音频A的指纹序列，得到与M帧音频一一对应的M个指纹序列。也即是，在本发明实施例中，每帧音频对应一个指纹序列，且每帧音频的指纹序列仅仅与该帧音频的N个频域能量相关，与相邻帧的音频的频域能量没有关系，这样的话，如果目标音频中某一帧音频中混入杂音，只会影响该帧音频的指纹序列，对其他的指纹序列不会产生影响，提高了音频指纹的抗干扰性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种音频指纹生成方法流程图；

图2是本发明实施例提供的一种音频指纹生成装置框图；

图3是本发明实施例提供的一种终端的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

图1是本发明实施例提供的一种音频指纹的生成方法流程图，如图1所示，该方法包括如下步骤：

步骤101：将需要确定音频指纹的目标音频划分为M帧音频，M为大于或等于1的正整数。

在本发明实施例中，音频指纹是由与每帧音频对应的指纹序列组成的，因此，当需要确定目标音频的音频指纹时，需要先将目标音频划分为M帧音频，以通过下述步骤102至步骤103确定每帧音频的指纹序列。

其中，可以按照预先设置的帧长和帧移将目标音频进行划分，此时，划分出的每帧音频的长度均为该预先设置的帧长，帧移是指相邻两帧音频的开始时间点之间的差值。比如，预先设置的帧移为30ms，帧长为64ms,目标音频为1分钟，通过步骤101可以将目标音频划分为2000帧帧长为64ms的音频。

步骤102：确定M帧音频中每帧音频的N个频域能量，每个频域能量对应一个频率区间，N为大于或等于1的正整数。

在一种可能的实现方式中，步骤102具体可以为：对于M帧音频中任一帧音频B，将音频B进行傅里叶变换，得到音频B的频谱，频谱用于描述音频B在每个频点上的能量值；根据音频B的频谱，确定音频B的N个频域能量。

由于音频B的频谱中包括的频点的数量通常较多，比如通常包括1024个频点，为了提高后续处理数据的速度，需要对音频B的频谱中的频点进行处理，得到音频B的N个频域能量。因此，根据音频B的频谱，确定音频B的N个频域能量的实现方式可以为：根据将音频B的频谱中出现的所有频点，确定N个频率区间，每个频率区间包括多个频点，对于任一频率区间，将该频率区间包括的所有频点的能量值进行加和，得到与该频率区间对应的频域能量。比如，可以将频谱中1024个频点压缩为32个频域区间，对于任一频域区间，将对应的频率区间中包括的所有频点的能量值进行加和，得到该频率区间的频域能量。

其中，频域能量也可以称为Bark域能量或者Mel域能量，本发明实施例在此不做具体限定。

步骤103：对于M帧音频中任一帧音频A，根据音频A的N个频域能量，确定音频A的指纹序列，得到与M帧音频一一对应的M个指纹序列，并将M个指纹序列作为目标音频的音频指纹。

其中，每帧音频的指纹序列的比特位数是预先设置，比如，每帧音频的指纹序列的比特位数为P，P为大于或等于1的正整数。这种情况下，根据音频A的N个频域能量，确定音频A的指纹序列的实现方式可以为：根据音频A包括的N个频域能量，确定第一频域能量集合和第二频域能量集合，每个频域能量集合包括P个频域能量，且第一频域能量集合和第二频域能量中包括的P个频域能量按照对应的频率区间从小到大的顺序排列之后，第一频域能量集合中的任一个频域能量对应的频率区间小于第二频域能量集合中相同排序的频域能量对应的频率区间，根据第一频域能量集合和第二频域能量集合，确定音频A的指纹序列。

由于第一频域能量集合和第二频域能量中包括的P个频域能量按照对应的频率区间从小到大的顺序排列之后，第一频域能量集合中的任一个频域能量对应的频率区间小于第二频域能量集合中相同排序的频域能量对应的频率区间，因此，在本发明实施例中，相当于将音频A包括的N个频域能量按照低频段频段能量和高频段频域能量进行划分，然后通过低频段频段能量和高频段频域能量之间的比较，确定音频A的指纹序列。

在一种可能的实现方式中，根据音频A包括的N个频域能量，确定第一频域能量集合和第二频域能量集合的实现方式可以为：将音频A包括的N个频域能量按照对应的频率区间从小到大的顺序进行排列，将排序后的第1个频域能量至第P个频域能量作为第一频域能量集合中的频域能量，并将第(N-P+1)个频域能量至第N个频域能量作为第二频域能量集合中的频域能量。

比如，N为32，P为20，则将音频A包括的32个频域能量按照对应的频率区间从小到大的顺序进行排列，将排序之后的第1个频域能量至第20个频域能量确定为第一频域能量集合中的频域能量，将排序之后的第13个频域能量至第32个频域能量确定为第二频域能量集合中的能量。

上述将音频A包括的N个频域能量按照对应的频率区间从小到大的顺序进行排列之后，是按照排序之后的顺序连续选择几个频率能量作为第一频率能量集合或第二频率能量集合中的频域能量。当然，还可以按照排序之后的顺序间隔选择几个频域能量作为第一频率能量集合或第二频率能量集合中的频域能量，只需保证确定第一频率能量集合中的频域能量的方式和确定第二频率能量集合中的频域能量的方式相同即可，本发明实施例在此不做具体限定。

比如，P为10，将音频A包括的32个频域能量按照对应的频率区间从小到大的顺序进行排列之后，将第1个频域能量、第3个频域能量、第5个频域能量、…第17个频域能量以及第19个频域能量作为第一频域能量集合中的频域能量，将第12个频域能量、第14个频域能量、第16个频域能量、…第28个频域能量以及第30个频域能量作为第二频域能量集合中的频域能量。

另外，将音频A包括的N个频域能量按照对应的频率区间从小到大的顺序进行排列之后之后，无论通过上述哪种方式选择几个频率能量作为第一频率能量集合或第二频率能量集合中的频域能量，均可以从第1个频域能量开始选择，也可以不从第1个频域能量开始选择，本发明实施例在此不做具体限定。

当确定出第一频域能量集合和第二频域能量集合时，可以根据第一频域能量集合和第二频域能量集合，确定音频A的指纹序列。其中，根据第一频域能量集合和第二频域能量集合，确定音频A的指纹序列的实现方式可以为：将第一频域能量集合和第二频域能量集合中包括的P个频域能量均按照对应的频率区间从小到大的顺序排列；对于第一频域能量集合和第二频域能量集合中的第i个频域能量，如果第一频域能量集合中第i个频域能量大于第二频域能量集合中第i个频域能量，则将指纹序列中第i位的比特值设置为1，否则设置为0，i为大于或等于1且小于或等于P的正整数。

比如，假设将排序之后的第1个频域能量至第20个频域能量确定为第一频域能量集合中的频域能量，将排序之后的第13个频域能量至第32个频域能量确定为第二频域能量集合中的能量。这种情况下，将第1个频域能量与第13个频域能量进行比较，以确定指纹序列中第1位的比特值、将第2个频域能量与第14个频域能量进行比较，以确定指纹序列中第1位的比特值、…、将第19个频域能量与第29个频域能量进行比较，以确定指纹序列中第19位的比特值、第20个频域能量与第30个频域能量进行比较，以确定指纹序列中第20位的比特值。

另外，如果第一频域能量集合中第i个频域能量大于第二频域能量集合中第i个频域能量，则将指纹序列中第i位的比特值设置为1，否则设置为0。当然，也可以这样设置：如果第一频域能量集合中第i个频域能量大于第二频域能量集合中第i个频域能量，则将指纹序列中第i位的比特值设置为0，否则设置为1，本发明实施例在此不做具体限定。

需要说明的是，在根据第一频域能量集合和第二频域能量集合，确定音频A的指纹序列的实现方式中，如果在第一频域能量集合和第二频域能量集合的过程中，第一频域能量集合和第二频域能量集合中包括的频域能量已经按照对应的频率区间从小到大的顺序排列，这时在确定音频A的指纹序列时，无需再次将第一频域能量集合和第二频域能量集合中包括的P个频域能量均按照对应的频率区间从小到大的顺序排列。

另外，在本发明实施例中，在将目标音频划分为M帧音频之后，为了避免M帧音频之间存在截断效应，可以通过预设窗函数对每帧音频进行处理，通过处理之后的M帧音频确定每帧音频的指纹序列。其中，通过预设窗函数对每帧音频进行处理可以参考相关技术中的加窗处理，在此不再详细阐述。

在本发明实施例中，将目标音频划分为M帧音频，确定M帧音频每帧音频的N个频域能量，对于M帧音频中任一帧音频A，根据音频A的N个频域能量，确定音频A的指纹序列，得到与M帧音频一一对应的M个指纹序列。也即是，在本发明实施例中，每帧音频对应一个指纹序列，且每帧音频的指纹序列仅仅与该帧音频的N个频域能量相关，与相邻帧的音频的频域能量没有关系，这样的话，如果目标音频中某一帧音频中混入杂音，只会影响该帧音频的指纹序列，对其他的指纹序列不会产生影响，提高了音频指纹的抗干扰性。

图2是本发明实施例提供的一种音频指纹的生成装置，如图2所示，该装置200包括：

划分模块201，用于将需要确定音频指纹的目标音频划分为M帧音频，M为大于或等于1的正整数；

第一确定模块202，用于确定M帧音频中每帧音频的N个频域能量，每个频域能量对应一个频率区间，N为大于或等于1的正整数；

第二确定模块203，用于对于M帧音频中任一帧音频A，根据音频A的N个频域能量，确定音频A的指纹序列，得到与M帧音频一一对应的M个指纹序列，并述M个指纹序列作为目标音频的音频指纹。

可选地，每帧音频的指纹序列的比特位数为P，P为大于或等于1的正整数；

第二确定模块203包括：

第一确定单元，用于根据音频A包括的N个频域能量，确定第一频域能量集合和第二频域能量集合，每个频域能量集合包括P个频域能量，且第一频域能量集合和第二频域能量中包括的P个频域能量按照对应的频率区间从小到大的顺序排列之后，第一频域能量集合中的任一个频域能量对应的频率区间小于第二频域能量集合中相同排序的频域能量对应的频率区间；

第二确定单元，用于根据第一频域能量集合和第二频域能量集合，确定音频A的指纹序列。

可选地，第一确定单元，具体用于：

将音频A包括的N个频域能量按照对应的频率区间从小到大的顺序进行排列；

将排序后的第1个频域能量至第P个频域能量作为第一频域能量集合中的频域能量，并将第(N-P+1)个频域能量至第N个频域能量作为第二频域能量集合中的频域能量。

可选地，第二确定单元，具体用于：

将第一频域能量集合和第二频域能量集合中包括的P个频域能量均按照对应的频率区间从小到大的顺序排列；

对于第一频域能量集合和第二频域能量集合中的第i个频域能量，如果第一频域能量集合中第i个频域能量大于第二频域能量集合中第i个频域能量，则将指纹序列中第i位的比特值设置为1，否则设置为0，i为大于或等于1且小于或等于P的正整数。

可选地，第一确定模块202，具体用于：

对于M帧音频中任一帧音频B，将音频B进行傅里叶变换，得到音频B的频谱，频谱用于描述音频B在每个频点上的能量值；

根据音频B的频谱，确定音频B的N个频域能量。

在本发明实施例中，将目标音频划分为M帧音频，确定M帧音频每帧音频的N个频域能量，对于M帧音频中任一帧音频A，根据音频A的N个频域能量，确定音频A的指纹序列，得到与M帧音频一一对应的M个指纹序列。也即是，在本发明实施例中，每帧音频对应一个指纹序列，且每帧音频的指纹序列仅仅与该帧音频的N个频域能量相关，与相邻帧的音频的频域能量没有关系，这样的话，如果目标音频中某一帧音频中混入杂音，只会影响该帧音频的指纹序列，对其他的指纹序列不会产生影响，提高了音频指纹的抗干扰性。

需要说明的是：上述实施例提供的音频指纹的生成装置在生成音频指纹时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的音频指纹的生成装置与音频指纹的生成方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图3示出了本发明一个示例性实施例提供的终端300的结构框图。该终端300可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端300还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端300包括有：处理器301和存储器302。

处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本发明实施例提供的音频指纹的生成方法。

在一些实施例中，终端300还可选包括有：外围设备接口303和至少一个外围设备。处理器301、存储器302和外围设备接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口303相连。具体地，外围设备包括：射频电路304、触摸显示屏305、摄像头306、音频电路307、定位组件308和电源309中的至少一种。

外围设备接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和外围设备接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和外围设备接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，设置终端300的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在终端300的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在终端300的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件306用于采集图像或视频。可选地，摄像头组件306包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件306还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器301进行处理，或者输入至射频电路304以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器301或射频电路304的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路307还可以包括耳机插孔。

定位组件308用于定位终端300的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件308可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。

电源309用于为终端300中的各个组件进行供电。电源309可以是交流电、直流电、一次性电池或可充电电池。当电源309包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端300还包括有一个或多个传感器310。该一个或多个传感器310包括但不限于：加速度传感器311、陀螺仪传感器312、压力传感器313、指纹传感器314、光学传感器315以及接近传感器316。

加速度传感器311可以检测以终端300建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器311可以用于检测重力加速度在三个坐标轴上的分量。处理器301可以根据加速度传感器311采集的重力加速度信号，控制触摸显示屏305以横向视图或纵向视图进行用户界面的显示。加速度传感器311还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器312可以检测终端300的机体方向及转动角度，陀螺仪传感器312可以与加速度传感器311协同采集用户对终端300的3D动作。处理器301根据陀螺仪传感器312采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器313可以设置在终端300的侧边框和/或触摸显示屏305的下层。当压力传感器313设置在终端300的侧边框时，可以检测用户对终端300的握持信号，由处理器301根据压力传感器313采集的握持信号进行左右手识别或快捷操作。当压力传感器313设置在触摸显示屏305的下层时，由处理器301根据用户对触摸显示屏305的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器314用于采集用户的指纹，由处理器301根据指纹传感器314采集到的指纹识别用户的身份，或者，由指纹传感器314根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器301授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器314可以被设置终端300的正面、背面或侧面。当终端300上设置有物理按键或厂商Logo时，指纹传感器314可以与物理按键或厂商Logo集成在一起。

光学传感器315用于采集环境光强度。在一个实施例中，处理器301可以根据光学传感器315采集的环境光强度，控制触摸显示屏305的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏305的显示亮度；当环境光强度较低时，调低触摸显示屏305的显示亮度。在另一个实施例中，处理器301还可以根据光学传感器315采集的环境光强度，动态调整摄像头组件306的拍摄参数。

接近传感器316，也称距离传感器，通常设置在终端300的前面板。接近传感器316用于采集用户与终端300的正面之间的距离。在一个实施例中，当接近传感器316检测到用户与终端300的正面之间的距离逐渐变小时，由处理器301控制触摸显示屏305从亮屏状态切换为息屏状态；当接近传感器316检测到用户与终端300的正面之间的距离逐渐变大时，由处理器301控制触摸显示屏305从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图3中示出的结构并不构成对终端300的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行上述实施例提供的音频指纹的生成方法。

本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的音频指纹的生成方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种音频指纹的生成方法，其特征在于，所述方法包括：

将需要确定音频指纹的目标音频划分为M帧音频，M为大于或等于1的正整数；

确定所述M帧音频中每帧音频的N个频域能量，每个频域能量对应一个频率区间，N为大于或等于1的正整数；

对于所述M帧音频中任一帧音频A，根据所述音频A的N个频域能量，确定所述音频A的指纹序列，得到与所述M帧音频一一对应的M个指纹序列，并将所述M个指纹序列作为所述目标音频的音频指纹。

2.如权利要求1所述的方法，其特征在于，每帧音频的指纹序列的比特位数为P，P为大于或等于1的正整数；

所述根据所述音频A的N个频域能量，确定所述音频A的指纹序列，包括：

根据所述音频A包括的N个频域能量，确定第一频域能量集合和第二频域能量集合，每个频域能量集合包括P个频域能量，且所述第一频域能量集合和所述第二频域能量中包括的P个频域能量按照对应的频率区间从小到大的顺序排列之后，所述第一频域能量集合中的任一个频域能量对应的频率区间小于所述第二频域能量集合中相同排序的频域能量对应的频率区间；

根据所述第一频域能量集合和所述第二频域能量集合，确定所述音频A的指纹序列。

3.如权利要求2所述的方法，其特征在于，所述根据所述音频A包括的N个频域能量，确定第一频域能量集合和第二频域能量集合，包括：

将所述音频A包括的N个频域能量按照对应的频率区间从小到大的顺序进行排列；

将排序后的第1个频域能量至第P个频域能量作为所述第一频域能量集合中的频域能量，并将第(N-P+1)个频域能量至第N个频域能量作为所述第二频域能量集合中的频域能量。

4.如权利要求2所述的方法，其特征在于，所述根据所述第一频域能量集合和所述第二频域能量集合，确定所述音频A的指纹序列，包括：

将所述第一频域能量集合和所述第二频域能量集合中包括的P个频域能量均按照对应的频率区间从小到大的顺序排列；

对于所述第一频域能量集合和所述第二频域能量集合中的第i个频域能量，如果所述第一频域能量集合中第i个频域能量大于所述第二频域能量集合中第i个频域能量，则将所述指纹序列中第i位的比特值设置为1，否则设置为0，所述i为大于或等于1且小于或等于P的正整数。

5.如权利要求1至权利要求4任一权利要求所述的方法，其特征在于，所述确定所述M帧音频中每帧音频的N个频域能量，包括：

对于所述M帧音频中任一帧音频B，将所述音频B进行傅里叶变换，得到所述音频B的频谱，所述频谱用于描述所述音频B在每个频点上的能量值；

根据所述音频B的频谱，确定所述音频B的N个频域能量。

6.一种音频指纹的生成装置，其特征在于，所述装置包括：

划分模块，用于将需要确定音频指纹的目标音频划分为M帧音频，M为大于或等于1的正整数；

第一确定模块，用于确定所述M帧音频中每帧音频的N个频域能量，每个频域能量对应一个频率区间，N为大于或等于1的正整数；

第二确定模块，用于对于所述M帧音频中任一帧音频A，根据所述音频A的N个频域能量，确定所述音频A的指纹序列，得到与所述M帧音频一一对应的M个指纹序列，并将所述M个指纹序列作为所述目标音频的音频指纹。

7.如权利要求6所述的装置，其特征在于，每帧音频的指纹序列的比特位数为P，P为大于或等于1的正整数；

所述第二确定模块包括：

第一确定单元，用于根据所述音频A包括的N个频域能量，确定第一频域能量集合和第二频域能量集合，每个频域能量集合包括P个频域能量，且所述第一频域能量集合和所述第二频域能量中包括的P个频域能量按照对应的频率区间从小到大的顺序排列之后，所述第一频域能量集合中的任一个频域能量对应的频率区间小于所述第二频域能量集合中相同排序的频域能量对应的频率区间；

第二确定单元，用于根据所述第一频域能量集合和所述第二频域能量集合，确定所述音频A的指纹序列。

8.如权利要求7所述的装置，其特征在于，所述第一确定单元，具体用于：

将所述音频A包括的N个频域能量按照对应的频率区间从小到大的顺序进行排列；

将排序后的第1个频域能量至第P个频域能量作为所述第一频域能量集合中的频域能量，并将第(N-P+1)个频域能量至第N个频域能量作为所述第二频域能量集合中的频域能量。

9.如权利要求7所述的装置，其特征在于，所述第二确定单元，具体用于：

将所述第一频域能量集合和所述第二频域能量集合中包括的P个频域能量均按照对应的频率区间从小到大的顺序排列；

对于所述第一频域能量集合和所述第二频域能量集合中的第i个频域能量，如果所述第一频域能量集合中第i个频域能量大于所述第二频域能量集合中第i个频域能量，则将所述指纹序列中第i位的比特值设置为1，否则设置为0，所述i为大于或等于1且小于或等于P的正整数。

10.如权利要求6至权利要求9任一权利要求所述的装置，其特征在于，所述第一确定模块，具体用于：

对于所述M帧音频中任一帧音频B，将所述音频B进行傅里叶变换，得到所述音频B的频谱，所述频谱用于描述所述音频B在每个频点上的能量值；

根据所述音频B的频谱，确定所述音频B的N个频域能量。

11.一种音频指纹的生成装置，其特征在于，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1至权利要求5所述的任一项方法的步骤。

12.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现权利要求1至权利要求5所述的任一项方法的步骤。