（系统分析与集成专业论文）带噪语音端点检测算法的研究.pdf

摘要 提出了基于同态滤波的语音端点检测算法；分析了将基音检测方法应 用于噪声环境下的语音端点检测的优势；指出了当噪声为加性恒定时，无 需增加滤除噪声环节，而应直接检测。 语音端点检测技术是利用数字处理技术检测出语音信号中的各种段 落的起始点和终点位置，其目的就是在复杂的带噪声环境下的声音信号中 分辨出语音信号和非语音信号，它是语音识别中最关键的技术之一，其性 能的优劣将直接影响到语音识别系统的正确率。噪声环境下的语音端点检 测在语音信号分析和识别中占有重要地位。 在总结现有的典型语音端点检测算法及其特征的基础上，提出了噪声 环境下的三种语音端点检测算法：一是基于同态滤波的语音端点检测算 法，较科学地利用了同态滤波降噪的优越性，仿真表明，该方法是可行的， 与传统方法相比具有鲁棒性好的特点，特别适用于信噪比较低的情况；二 是将基音检测方法应用于噪声环境下的语音端点检测，因为基音检测能够 精确地检测出语音信号中的浊音，检测效果比较理想；三是通过实验说明 了当噪声为加性恒定时，无需滤除噪声而直接检测效果更好。 最后，提出了需要进一步改进的若干问题，并对近几年来的一些新的 研究趋势做了简单的介绍和展望，指出了端点检测未来的发展前景。 关键字：同态滤波，端点检测，基音检测，鲁棒性 a b s t r a c t t h i sp a p e rp r o p o s e dt h ee n d p o i n td e t e c t i o nb a s e do nh o m o m o r p h i s mf i l t e r i n g i t a n a l y z e st h es u p e r i o r i t yo fa p p l y i n gp i t c hd e t e c t i o ni n t os p e e c he n d p o i n td e t e c t i o ni n n o i s ee n v i r o n m e n t w h e nt h en o i s ei sa d d i t i o n a la n dc o n s t a n t ，t h e r ei sn on e e dt or e d u c e t h en o i s e ，a n dd e t e c td i r e c t l y t h eb a s i cf u n c t i o no fs p e e c hr e c o g n i t i o ni st od e t e c tt h ee n d p o i n to fs p e e c hb y d i g i t a lp r o c e s s i n gt e c h n o l o g y i t sg o a li st od i s t i n g u i s ht h e v o i c es i g n a la n dt h en o n - v o i c e s i g n a lu n d e rt h ec o m p l e xn o i s ee n v i r o n m e n t s i ti so n e o ft h em o s ti m p o r t a n tt e c h n o l o g y i ns p e e c hr e c o g n i t i o n ，a n di t sp e r f o r m a n c ew i l ld i r e c t l ya f f e c tt h es p e e c hr e c o g n i t i o n a c c u r a c y s p e e de n d p o i n td e t e c t i o ni nn o i s ee n v i r o n m e n tp l a y sa ni m p o r t a n tr o l ei n s p e e c ha n a l y z i n ga n dr e c o g n i t i o n o nt h eb a s eo fs u m m a r y i n gt h et r a d i t i o n a le n d p o i n td e t e c t i o na l g o r i t h m a n dt h ef e a t u r e ，t h r e em e t h o d so fe n d p o i n td e t e c t i o ni nn o i s ee n v i r o n m e n ta r e p r o p o s e d f i r s t ，a n e w s p e e c h e n d p o i n t d e t e c t i o nm e t h o db a s e do n h o m o m o r p h i s mf i l t e r i n g i s p r o p o s e d i t u t i l i z e s h o m o m o r p h i s mf i l t e r i n g s u p e r i o r i t yi nn o i s er e d u c t i o ns c i e n t i f i c l y t h e s i m u l a t i o nr e s u l th a sab e t t e r e f f e c t i tb e h a v e sm o r er o b u s t l yt h a nt h ec o n v e n t i o n a lm e t h o d s ，e s p e c i a l l y e f f e c t i v ea tl o ws i g n a l t o n o i s er a t i o s e c o n d ，i ta p p l i e sp i t c hd e t e c t i o ni n t os p e e c h e n d p o i n td e t e c t i o ni nn o i s ee n v i r o n m e n t b e c a u s e ，p i t c hd e t e c t i o nc a nr e a l i z et h e s o n a n ti ns p e e c ha c c u r a t e l y t h er e s u l ti sb e t t e r t h i r d ，w h e nt h en o i s ei s a d d i t i o n a la n dc o n s t a n t ，t h e r ei sn on e e dt or e d u c et h en o i s e ，a n dd e t e c td i r e c t l y f i n a l l y ，s o m en e ws t u d yf i e l d sw i t h i nt h ep a s ty e a r sa r ei n t r o d u c e da n d d e v e l o p i n gp e r s p e c t i v eo f t h ee n d p o i n td e t e c t i o ni sr e f e r r e dt o k e yw o r d s ：h o m o m o r p h i s mf i l t e r i n g ，e n d p o i n td e t e c t i o n ，p i t c hd e t e c t i o n ， r o b u s t l y 学位论文独创性声明 本人郑重声明： l 、坚持以。求实、创新一的科学精神从事研究工作。 2 、本论文是我个人在导师指导下进行的研究工作和取得的研究成果。 3 、本论文中除引文外，所有实验、数据和有关材料均是真实的。 4 、本论文中除引文和致谢的内容外，不包含其他人或其它机构已经发 表或撰写过的研究成果。 5 、其他同志对本研究所做的贡献均已在论文中作了声明并表示了谢意 作者签名：鲳重逛 e t 期：2 盟笸：ff 学位论文使用授权声明 本人完全了解南京信息工程大学有关保留、使用学位论文的规定，学校 有权保留学位论文并向国家主管部门或其指定机构送交论文的电子版和纸 质版；有权将学位论文用于非赢利目的的少量复制并允许论文进入学校图书 馆被查阅；有权将学位论文的内容编入有关数据库进行检索：有权将学位论 文的标题和摘要汇编出版。保密的学位论文在解密后适用本规定 作者签名：姻垂遮一 日 期：掣墨：【i 关于学位论文使用授权的说明 本人完全了解南京信息工程大学有关保留、使用学位论文的规定，即：学校有权保留 送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以 采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵循此规定) 作者签名： 日 期翘! u 导师签名： 日期 南京信息工程大学硕士学位论文 第一章绪论 1 1 语音端点检测意义及背景 语言是人类最重要的交流工具，它自然方便、准确高效，是人类智慧的结晶。人类语言 的主要表现形式有文字和语音，语音是语言的声学表现形式。语音是在说话人和听者之间 互相传递的信息，传递的媒介是声波。说话人的发音器官做出发声动作，接着空气振动形 成声波，声波传到听者的耳朵里，立即引起听者的听觉反应，语音的传递就是这样的一个 过程。语音信号处理是以数字信号处理方法为工具进行的语音信号研究，是计算机智能 接口与人机交互的重要手段之一。 语音信号处理的研究工作最早可以追溯到1 8 7 6 年贝尔发明的电话，该电话首次用声电、 电声转换技术实现了远距离的语音传输。1 9 3 9 年d u d l e y 研制成功第一个声码器，从此奠 定了语音产生模型的基础1 2 1 。2 0 世纪8 0 年代，矢量量化、隐马尔可夫模型和人工神经网络 等相继被应用于语音信号处理。进入2 0 世纪9 0 年代以来，用数字化的方法进行语音的传 送、存储、识别、合成、增强等。语音端点检测是语音信号处理中的重要一环。 语音端点检测是指用数字处理技术找出语音信号中的各种段落的起始点和终点的位 置，目的是在复杂的应用环境下的信号流中分辨出语音信号和非语音信号，并确定语音信 号的开始及结束。具体来说语音端点检测的过程为：基于语音信号的特征，用能量、过零 率、熵、音高等参数以及它们的衍生参数，来判断信号流中的语音非语音信号。在信号流 中检测到语音信号后，判断此处是否是语句的开始或结束点。 1 1 1 端点检测的意义 语音端点检测的准确性对于语音识别系统的性能有着较大的影响。在一个完整的语音 识别系统中，许多相关因素影响着整个系统的识别精度和效率，由于在自然环境中，纯净 的语音信号总伴随着各种不同类型的噪声，而语音识别系统处理的对象是有效的语音信号， 因此，由于噪声的干扰，往往使得整个系统的识别率下降。研究表明，即使在安静环境下 语音识别系统中一半以上的识别错误都是因为语音端点检测的不准确所造成的。所以，对 于语音识别系统来说，有效的端点识别不仅能够减轻系统的运算负载，使得处理时间减少， 提高了系统的实时性，而且能够去除静音时背景噪声的干扰，从而大大提高系统的识别性 能。因此，从混有不同噪声的信号中准确提取纯净的语音信号就成了语音识别系统中的一 个重要环节。 另外在通信系统中，典型的会话信道大约有4 0 的时间真正用于传输语音，其余6 0 的 时间传输的都是静默和背景噪声。由于可利用的频谱资源随着移动用户的飞速发展而急剧 下降。如何开发其余6 0 被浪费的信道资源就成为了提高系统容量的有效手段之一h 1 。如果 在发送端进行语音端点检测来区分语音和静默以及背景噪声，这样就可以极大的提高信道 的利用率，而且也能保证语音的可懂度和自然度。 南京信息工程大学硕士学位论文 1 1 2 端点检测的研究背景 语音端点检测技术经过几十年的发展，不断有新方法被提出。下面对语音端点检测研 究的国内外发展情况做简单介绍哺，。 1 9 7 8 年，r a b i n e r 将语音段的短时能量和短时过零率结合起来检测语音的起始点和终 止点。由于浊音段的短时能量较之背景噪声的短时能量高，而清音等一些音素的短时平均 过零率比背景噪声的过零率高出好几倍，两种结合起来成为区别语音信号和背景噪声的一 种有效方法m 。 1 9 8 7 年，j g w i i p o n 提出一种基于语音短时谱变化来确定子词的分段点的方法。由发 声器官的物理特性所决定，语音信号的特性随时间的变化是比较缓慢的，大致可以认为在 每1 0 3 0 m s 的时间间隔内信号的特性基本不变。对语音信号进行谱分析，用其谱的峰值点 作为子词的分段点。同年，f r a n kls o o n g 提出一种基于复倒谱系数的分段方法哺1 。 1 9 9 1 年j a np v a nh e m e r t 提出一种基于l p c 系数的分段方法，用二帧信号l p c 系数 的差异作为分段的依据咖；同年，a l j d j e 提出一种新的方法，首先用2 0 m s 窗取出一帧信 号，计算几个复倒谱系数及其增量，能量及其增量。两帧信号问有l o m s 的重叠n 们。 1 9 9 3 年v r a l p ha l g a z i 提出一种基于似然比例系数的分段方法。该方法首先对每帧语 音信号建立一个模型，然后计算相邻两模型的似然程度，以似然程度变化的峰值点作为分 段点n 1 1 。 1 9 9 4 年e r d a l 提出一种基于语音参数的分段方法。首先通过一定的方法判断此语音段 是语音还是背景噪声。对于每个语音帧，将其分为4 个5 m s 的子帧。对于每个5 m s 的子帧。 对于每个5 m s 的子帧，计算其较为重要的8 个参数：归一化的短时低通能量、归一化的短 时高通能量、过零率、低频带的一阶、二阶反射系数、前向后向匹配相关系数及它们的乘 积。这些参数描述了此语音信号的重要的信息，继而用一定的算法进行推理，从而可以判 定此信号是发声段还是非发声段1 1 副。 1 9 9 5 年e u v a l d of c a b r a lj r 提出一种基于轨迹分段的音素方法。该算法首先将语音 分成几个相等的时间段，每一段用一个n 维的矢量表示。据误差相等的原则，将原始信号 归类成k 个段。同年，张刚等提出一种基于自相关系数的分段方法u 引。 1 9 9 6 年t a - h s i n - l i 提出一种基于参数滤波的分段算法，该方法以参数滤波的手段测度 语音信号相关结构的变化u 。 1 9 9 7 年s t a nm c c l e l l a n 提出一种基于谱熵变化的分段方法，该方法的抗噪性能较好5 1 。 1 9 9 8 年h o n g t a oh u 应用小波变换的技术进行语音端点检测，在降低计算量的同时提高 了算法的性能。 1 9 9 9 年s o h n 等人提出了基于统计模型似然比的端点检测算法，且该算法显示出良好的 性能。他们采用在离散傅立叶变换( d f t ) 系数域的统计模型，无论是噪声环境下的语音和 噪声谱分布均假设为联合高斯分布1 1 引 2 0 0 3 年g a z o ra n dz h a n ga n dm a r t i n 提出了利用拉普拉斯概率密度函数( p d f ) 为带噪 声语音和噪声谱建模，它被证明是一个更好的纯净语音分布的模型h 7 1 。 2 南京信息工程大学硕士学位论文 2 0 0 5 年s h i n 等人提出的广义伽玛分布提供了一个比高斯、拉普拉斯和伽玛分布更好的 纯净语音谱的模型u 刖。 2 0 0 6 年d y i n g 等提出基于噪声特征空间投影的鲁棒性端点检测算法。在能量域语音与 噪音通常有不同的分布，如果我们能分清含有低功率噪音和高功率语音的成分，我们则有 可能提取更多可靠的语音信息即使带噪语音的平均信噪比很低。为此，首先，用主元分析 ( p c a ) 分析噪声观察值的估计协方差矩阵构造噪声特征空间。将带噪语音映射到噪声特征 空间。在具有较小特征值得子特征空间中可以找到可靠的信息。与规模较小的特征值。因 此，基于可靠信息就可以实现鲁棒性v a d 。 1 2 语音端点检测研究现状及存在问题 语音端点检测算法经过了几十年的发展，目前端点检测主要有以下方法：基于能量的 端点检测、基于l p c 一1 0 声码器的端点检测、基于信息熵的语音端点检测、基于频带方差的 端点检测n 钉、基于倒谱特征的带噪语音信号端点检测、基于h m m 的端点检测方法、基于 分形技术的端点检测幢、基于自相关相似距离的端点检测、基于语音特征的实时端点检测 算法。 噪音情况下的汉语语音端点检测是本文研究的重点，语音信号是时变非平稳信号，一 般处理时将其视为短时平稳信号，多选取短时参数进行分析。 尽管已经研究出许多语音端点检测算法，但是现有的语音端点检测技术仍然存在着如 下问题： ( 1 ) 语音端点检测算法的适应性差，对环境条件的依赖性很强，继续要保持测试条件和 训练条件的一致性，否则系统性能严重下降。 ( 2 ) 在判决端点位置时，多数端点检测算法都是假设语音信号是短时平稳的，以帧为单 位进行检测，对判决结果进行平滑处理，判决结果精确到帧，不是精确到准确时刻。 ( 3 ) 多数算法是靠语音信号本身音节的特征来对语音和噪声进行区分。在噪声环境下， 某些以清音或摩擦音、爆破音开头的语音信号易被噪声淹没，可能会导致起始音的丢失或 造成虚检。 以上问题已经得到了广大研究者的重视，近几年来，研究者们经过了不懈的努力，提 出了各种区别语音和噪声的特征参数，用来提高算法的抗噪声性能，或是将几种特征组合 成一个新的特征参数来进行端点检测，而对语音端点的判决也由原来的单门限发展到多 门限以至于自适应门限。使得算法精度不断得到提高瞄1 。 由此可见，理想的语音端点检测算法应当能够满足以下几点幢3 1 ： ( 1 ) 门限值应该可以对背景噪声的变化有一定的适应性。 ( 2 ) 将短时冲击噪声和人的砸嘴等瞬间超过门限的信号纳入无声段而不是有声段。 3 ) 对于爆破音的寂静段，应将其纳入语音的范围而不是无声段。 ( 4 ) 应该尽可能避免在检测中丢失鼻韵和弱摩擦音等与噪声特征相似、短时参数较少的 语音。 3 南京信息工程大学硕士学位论文 ( 5 ) 应该避免使用过零率作为判别标准而带来的负面影响。 有效的语音端点检测可以减少实时系统中的大量计算，使该系统仅处理语音输入，不 至于在静音段白白浪费计算量和存储量，有利于系统的实时准确识别工作。因此端点检测 算法本身不仅要求精确的结果，还应具有实现简单的特点。 1 3 论文内容安排 噪音情况下语音端点检测是语音识别的一个难点，而且对语音识别准确率影响很大， 因此本文主要对噪音情况下语音端点检测进行研究。本文主要完成以下内容： 1 在绪论中，主要介绍了语音端点检测意义及背景，发展历史、国内外研究现状及存 在问题。最后给出了论文的内容安排。 2 第二章介绍了语音信号和常见的各种噪声的基本知识和特性，介绍了信号降噪的意 义及准则。 3 第三章将介绍几种常用的语音端点检测方法，讨论了这些方法的优点及不足。 4 第四章将介绍同态滤波的理论，给出了将同态滤波运用于语音端点检测的方法，提 高了语音信号端点检测的准确率。给出了实验结果，并结合实验数据，将本文提出的新方 法与传统方法进行分析比较。 5 第五章将基音检测引入到语音端点检测中，在高斯白噪声环境下，该方法检测的准 确率较高。最后进行了统计实验，对于实验结果进行了总结。 6 第六章在噪音为加性恒定时，提出了利用噪音的方法，将噪音叠加到语音信号上， 达到增强语音信号的目的，从而提高了语音信号端点检测的速度和准确率。最后进行了仿 真实验，对于实验结果进行了总结。 7 第七章是总结与展望。对论文工作进行总结，并提出了论文下一步的工作及课题改 进，以及展望端点检测的发展。 4 南京信息工程大学硕士学位论文 第二章语音信号与噪声信号 本文主要研究带噪语音信号的端点检测，在本章中将对语音信号与几种常见的噪声信 号分别进行介绍。 2 1 语音的产生 人们讲话时发出的话语叫语音，它是一种声音，具有称为声学特征的物理特征。语音是 以声波的方式在空气中传播的，它的频谱分量主要集中在3 0 0 - - - 3 4 0 0 胁的范围内。 语音的最基本组成单位是音素，语音就是由一连串的音素组成的。这些音素及其相互 间的过渡就是代表信息的符号。音素的排列是由语音的规则所控制的，对这些规则及其在 人类通信中的含义的研究属于语言学的范畴，而对语音中的音素的分类和研究称为语音学 2 1 1 发音器官 语音的产生依赖于人类的发声器官。发声器官主要由喉、声道和嘴等组成。声道起始 于声带的开口而终止于嘴唇。对男性来说声道的平均长度约为1 7 c m ，声道的截面积取决于 舌、唇、颌和小舌的位置，它可以从o 变化到约2 0 伽2 ，鼻道则从小舌开始到鼻孔为止。 当小舌下垂时，鼻道与声道耦合而产生语音中的鼻音。完整的发声器官还应包括由肺、支 气管、气管组成的次声门系统，这一次声门系统是产生语音能量的源泉。当空气从肺里呼 出来时，呼出来的气流由于声道某一地方的收缩而受到扰动，语音就是这一系统在这时候 辐射出来的声波1 。 2 1 2 清音、浊音和爆破音 语音按其激励形式的不同可以分为三类： ( 1 ) 浊音。当气流通过声门时，如果声带的张力刚好使声带发生张弛振荡式的振荡，产 生一股准周期的气流，这一气流激励声道就产生浊音。 ( 2 ) 清音。当气流通过声门时，如果声带不振动，而在某处收缩，迫使气流以高速通过 这一收缩部分而产生湍流，就得到清音。 ( 3 ) 爆破音。如果使声道完全闭合，在闭合后建立起气压，然后突然释放，就得到爆破 音。 2 2 语音信号的特征分析 语音是人们之间进行通信来传递信息的声音信号。语音是时变的、非平稳的随机过程， 但在短时内( 1 0 3 0 m s ) 人的声带和声道形状是相对稳定的，可认为其特性是不变的，因而 语音的短时频谱具有相对稳定性。 语音包含有浊音、清音两大类。浊音的声音段以相对高的能量分布为特征，但是更重 要的是它具有被称为语音基音的周期性；在频域上有共振峰结构，而且能量大部分集中在 s 一一 塑室笪星三垦奎堂堡主兰垡笙兰一 - _ - - _ _ _ - - - _ _ _ _ _ _ _ _ - _ _ _ - _ - - _ _ _ _ - _ _ - _ - _ _ - _ _ _ _ - l _ - _ - _ _ _ ，_ _ 一一一一 低频段内。语音中的清音部分，看起来更像无周期的随机噪声，清音的形成是在声道中的 一定部位被压缩后，压迫空气以足够高的速度通过这些压缩部位，产生涡流，从而产生了 清音。此外，还存在爆破音，它是由于声道的完全闭合，在闭合端的后面聚集压力? 闭合 端突然释放压力产生的。 语音信号分析可分为时域、频域、倒谱域等方法。语音信号就是时域信号，因而时域 分析是最早使用的应用范围最广的一种方法。时域分析具有简单直观，清晰易懂，运算量 小，物理意义明确等优点；更为有效的分析多是围绕时域进行的，因为语音中最重要的感 知特性反映在其功率谱中，而相位变化只起着很小的作用。 对信号分析最自然最直接的方法是以时间为自变量进行分析，语音信号典型的时域特 征包括短时能量，短时平均过零率，短时自相关系数和短时平均幅度差等。典型的语音信 号特征是随着时间的变化而变化。 语音的4 个特征：短时能量、能量谱方差、倒谱距离和熵。短时能量是最有效的端点 检测手段，被广泛采用；能量谱的方差反映了噪声信号和语音信号之间的能量谱的差别： 倒谱距离是能量谱的傅立叶变换系数，是一种较为理想的分类特征；熵是从信息论中引用 的一个概念，表示信息的有序程度，对于噪声而言，其有序程度要远低于语音信号的有序 程度。 2 3 噪声的分类 噪声来源于实际的应用环境，因而其特征变化很大噪声可以是加性的，也可以是非 加性的。对于非加性噪声，有些可以通过变换转换成加性噪声。我们所关心的噪声大致可 以分为周期性噪声、冲击性噪声、宽带噪声、语音干扰啪1 和传输噪声 周期性噪声：有许多离散的窄谱峰，它往往来源于汽车发动机和飞机发动机等旋转机 械引起的电气干扰，特别是5 0 胁或6 0 h z 的交流声也会引起周期性噪声。周期性噪声引 起的问题可能最少，因为可以通过功率谱发现并通过滤波或变换技术将其去掉了传统的 去除方法有固定滤波器、自