倒谱自相关(Auto-correlating the cepstrum)

我想检测的声音有些回声来自麦克风。回声将是周期性的，并在两个可能偏移的一个。我听说，我需要以检测这些回波的存在自动关联的信号的频谱。使用加速框架，展示了如何检测的音频数据相呼应你能提供的代码？

Answer 1:

我不完全知道为什么你最好的自动关联倒谱。自相关性，虽然给你，所以我想你想只汽车相关的信号是关系到倒谱表示。

在其最简单的形式，它被执行如下：

int sample      = 0;
int sampleMax   = inSize;

while( sample < sampleMax )
{
            vDSP_vsmul( pInput, 1, pInputSample, tempBuffer, 1, sampleMax );

    const size_t kAutoCorrWritePos  = outSize - sampleMax - sample;
            vDSP_vsadd( &pOutput[kAutoCorrWritePos], 1, tempBuffer, 1, &pOutput[kAutoCorrWritePos], 1, sampleMax )
    sample++;
}

然而这是一个非常缓慢的操作。值得庆幸的是相关性可以用几种不同的方式进行。最快的方法是执行FFT，通过本身的缀合物，然后逆FFT该相乘的复数值。

或者在iOS中你有很好的优化vDSP_conv功能：

std::vector< float > paddedBuffer( (inSize + inSize) - 1 );
memcpy( &paddedBuffer.front(), pInput, sizeof( float ) * inSize );
vDSP_conv( &paddedBuffer.front(), 1, (float*)pInput, 1, (float*)pOutput + (inSize - 1), 1, inSize, inSize );

// Reflect the auto correlation for the true output.
int posWrite    = (inSize - 1);
int posRead     = (inSize - 1);
while( posWrite > 0 )
{
    posWrite--;
    posRead++;

    pOutput[posWrite] = pOutput[posRead];
}

所以，现在你有你的自相关，你怎么用它做什么？

那么在中间首先对你会有最高峰。这就是零延迟点。那么，什么你想要做的就是扫描到这个中央峰的识别次级峰值的权利。如果哟是在一个特定的寻找一个特定峰值偏移就可以了，简单地说，从中央峰检查的样本数量，并检查是否有一个峰值出现。如果没有，那么你正在寻找的信号是不存在的。如果它的存在，该信号是存在的。

编辑：它值得注意的是，有512样本宽的窗口，如果你正在寻找的滞后超出约128它可能无法获得足够的相关信号是spottable。的相关性的工作原理是在采样数据的重复信号的分提供峰值。在128滞后你有那点足够的数据来重复4次。在256，你只能看到点重复两次。这将影响相关峰的高度。 256之后，你可能不反对只是随机的可重复性因素，在所有发现的高峰期。这就是说，虽然，尝试不同的窗口大小，看看有什么可以为您提供最可靠的结果。

Answer 2:

自相关是基本上与其自身的信号，它基本上在信号本身检测相似性的一个互相关，通过在一定的时间延迟。这实际上是搜索的信号回波的好主意。虽然我不能给你最准确和正确的解决方案，你将能够使用下面的链接中找到的信息来编写你自己的。

有对这个已经有一些答案：

目标C -音频延迟估计互相关
https://dsp.stackexchange.com/questions/736/how-do-i-implement-cross-correlation-to-prove-two-audio-files-are-similar
与vDSP_conv从苹果执行自相关框架加速

存在用于VDSP（加速框架）在Github通过注：Kunal Kandekar可用的源代码。这可能是一个很好的起点。

https://github.com/kunalkandekar/vDSPxcorr