我一直在从事一个具有多种 DJ 功能的项目。我快结束了，但是，当输入舞曲曲目时，它的关键检测部分的准确率并不令人愉快。对于古典音乐，该算法返回的准确率非常好。

首先，我必须解释一下我从未在大学学习过信号处理，而我必须自己学习这些概念，所以请原谅我在这门学科上缺乏扩展知识（因此我在这里问这个问题）。

我花了大部分时间进行研究，最后我想出了一个算法，它混合了文献中提出的技术。

实现总结：音频被分成 5.5 秒的部分并转换为单声道，下采样至 11025hz 并使用 STFT 技术转换为频域。以 hz 为单位的 STFT 结果由 Chromagram 转换为真实的音符。色度图是一个 12 维色度向量，其中每个 bin 代表一个真实的音级，即第一个 bin 代表 A，第二个 bin 代表 A#，第三个代表 B 等等。然后每个色度向量与 24 个键模板相关。为每个键获得一个系数，当其他相关键之间的差异显着时，加权系统奖励最高相关键，并在差异很小时惩罚。

我在网上找到的 Dan Ellis 包的帮助下执行 STFT 和 Chromagram 步骤。

现在在原始代码中的参数是： w (4086) 是基本的 STFT DFT 长度（窗口是一半，跳是 1/4）

在同一个人写的论文中有这一部分：http: //imgur.com/0EVyjFc，他解释了 STFT 是如何执行的。

第一个问题：我不明白为什么他在将窗口传递给 STFT 函数之前将其分成两半？

现在，我使用了 8192 个样本的 FFT 长度，这与 Ellis 的 4086 不同，在执行参数测试后，该长度给了我最好的结果。

在计算汉宁窗之前，这些是参数的值。

sr =

11025


N =

8192


W =

4096


 H =

2048

第二个问题：舞曲结果如此不一致和不准确的原因是什么？是否可能是舞曲的某些特征使色谱图难以将 STFT 中的 hz 音符与真实的音符相匹配？也许是因为 Kicks，或者与较低的频率范围有关？您建议在执行 STFT 之前可以对音频做什么？可能是某种过滤器？你能建议在 STFT 中尝试任何不同的参数吗？或者一般来说有任何其他建议/额外步骤以使最终检测更好？然而，完全改变密钥检测的主要步骤的建议有点遥不可及，因为我没有太多时间提交项目了。

提前致谢！