(计算机软件与理论专业论文)说话人特征提取和识别算法的研究.pdf_第1页
(计算机软件与理论专业论文)说话人特征提取和识别算法的研究.pdf_第2页
(计算机软件与理论专业论文)说话人特征提取和识别算法的研究.pdf_第3页
(计算机软件与理论专业论文)说话人特征提取和识别算法的研究.pdf_第4页
(计算机软件与理论专业论文)说话人特征提取和识别算法的研究.pdf_第5页
已阅读5页,还剩45页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

硕十学何论文 摘要 说话人识别以其独特的方便性、经济性和准确性等优势在公安、司法、声控 以及军事等领域有着广阔的应用前景。如何从大量的语音数据中提取反映说话人 个性特征的语音参数和设计行之有效的分类器是说话人识别领域研究的热点。 针对支持向量机法( s u p p o nv e c t o rm a c h i n e ,s v m ) 和核f i s h e r 判别方法 ( k e r n e lf i s h e rd i s c r i m i n a n t ,k f d ) 存在的问题,本文提出了自己的解决方案。 1 针对说话人识别中语音数据维数高和识别模型训练慢的问题,提出基于 主分量空间的p c a 分类方法和基于截断误差空间的p c a 分类方法,在保证识别性 能的情况下,可以有效地降低后续阶段的计算复杂度。 2 针对s v m 不能直接处理动态时间序列语音数据的问题,提出一种基于添 加原始分类信息f i s h e r 分值法( a o i f i s h e rs c o r e ) 的序列特征提取方法。为了 解决a o i f i s h e r 分值法计算复杂度高的问题,采用p c a 对m f c c 参数进行降维 的同时筛选出可能的目标说话人,缩小说话人的范围,减少输入样本的数量。该 方法可以提高s v m 在整体语音数据上进行分类的性能,同时又可降低系统的建 模时间。 3 提出一种基于t e s p c a 和核f i s h e r 判别( k f d ) 的多级说话人确认方法。 p c a 分类器实现简单,可以快速的判断出可能的目标说话人,然后采用k f d 进 行最终的说话人确认。该方法克服了k f d 的计算复杂度随着样本规模的增大而 提高的缺陷。相比于传统的s v m 分类器和k f d 分类器,仿真实验结果表明多 级分类器具有较高的识别率,同时在建模时间和识别速度方面占有较大的优势。 关键词:说话人识别;支持向量机;f i s h e r 分值;核f i s h e r 判别;p c a 分类器 说话人识别算法和特征提取的研究 a b s t r a c t d u et oi t ss p e c i a lm e r i t so fn e x i b i l 时,e c o n o m ya i l da c c u r a c y ,s p e a k e rr e c o g i l i t i o n 、) l 琊 、7 r i d e l ya p p l i e di nt 1 1 ef i e l do fp u b l i cs e c 嘶够,j u d i c a n 鹏,v o i c e - c o n 仃o l l e dc 巧p t o g r a p h y , c r i i l l i n a lv e r i f i c a t i o l l ,p a t i e mv e r i 丘c a t i o na n dm i l i t 哪a f f a 豳t h er e s e a r c hh o t 研) 0 t so f s p e a k e r r e c o g n i t i o na r ei i l t 、7 l ,oa s p e c t s :o n ei sh o wt oe x t m c tt h ee f f e c t i v es p e e c hp a r 锄e t e r 丘o m l a r g e s c 础es p e e c hd a t a ;t h eo t h e ri st h ed e s i g i lo fe f l f e c t i v ec l a s s i f e r b a s e do nt h ep r o b l e m se x i s t e di ns v ma n dk f d ,、v ep r o p o s e ds o m en 0 v e la n d i m p r o v e dm e m o d s t t l er e s e a r c h 、v o r ko ft i l i sp a p e ri sa sf o l l o w s 1 b a s e do nm ed e e p l yr e s e a r c ho fo p t i i i l a ld i m e n s i o nr e d u c t i o na l r l dc l a s s i 母i np c a ,w e p r o p o s e dt h ep c s p c ac l a s s i f i e r 锄dt e s p c ac l a s s i f i e rt os o l v et 1 1 ep r o b l e mo fh i g h d i m e n s i o na n dt i m e c o n s u i 】血gm o d e l 砌1 1 i n ge x i s t e di ns p e a l ( e rr e c o g n i t i o n t h i sa p p r o a c h c o u l dc o n s u m e d l yr e d u c et h ec o m p u t a t i o nc o m p l e x i t ) ,o fl a t e rs t a g e 2 a i m m i n ga tt h ep r o b l e mo fs v m t h a ti tc o u l dn o tp r o c e s sd y n a m i ct i m es e q u e n c e d i r e c t l y ,a d do r i g i n a li n f o 咖a t i o nf i s h e rs c o r e ( a o i f i s h e rs c o r e ) w a sp r o p o s e dt oa c h i e v e s e q u e n c ef e a t u r e s f o rt h es a l ( eo fr e d u c i n gm ec o m p u t ec o m p l e x i t yo fa o i - f i s h e rs c o r e , p c aw a su t i l i z e dt or e d u c et h ed i m e n s i o n so fm f c c ,a n dp o s s i b l et a r g e ts p e a k e r sw e r e s e l e c t e ds y n c h r o n o u s l y s ot h er a n g eo fr e g i s t e r e ds p e a k e rw a ss h o n e n e da n dt h en u m b e ro f i n p u tv e c t o r sw a sr e d u c e d s v mc o u l dc l a s s i 匆t h ew h o l es e q u e n c eb yt h i s m e t h o d ; m e a n w h i l et h ec o m p u t a t i o nc o m p l e x i 锣、a sr e d u c e d 3 ah i e r a r c h i c a ls p e a k e rv e r i f i c a t i o nm e t h o db a s e do np c ac l a s s i f i e ra n dk e m e lf i s h e r d i s c r i m i n a n tw a sp r o p o s e d u s i n gm es i m p l e n e s sa n df 瓠t c l a s s i f i c a t i o no fp c a ,t h e d i m e n s i o n so fr e g i s t e r e ds p e a k e r sf e a t u r ev e c t o r sw a sr e d u c e d ,a n dp o s s i b l et a r g e ts p e a k e r s w e r ef a s ts e l e c t e ds i m u l t a n e o u s l y t h e n ,k f dw a su s e dt om a k ef i n a ld e c i s i o n t h i sm e t h o d o v e r c o m e dt h el i m i t a r t i o no fk f di n 、v h i c ht h ec o m p u t ec o m p l e x 时、张se 1 1 量1 a j l c e da l o n gw i t l l t h ea u g m e n to fs p e e c hd a t a c o m p a r e dw i t l lc o n v e n t i o n a ls v ma n dk f d ,t h ee x p e r i m e m r e s u i t ss h o w e dt 王l a to u rp r o p o s e dl l i e r a r c h i c a ic l a s s i f i e rh a ss u p e r i o rp e 怕m a l l c e ,a n dm i s m e t h o di si nt l l ea s c e n d a n to fr e c o g n i t i o nr a t ea i l dm o d e l t i m e k e y w o r d s :s p e a k e rr e c o g l l i t i o n ;s u p p o nv e c t o rm a c h i n e ;f i s h e rs c o r e ;k e m e lf i s h e r d i s c r i m i n a n t ;p c ac l a s s i f i e r i l 硕_ 学位论文 插图索引 图2 1 说话人识别系统框图6 图2 2 说话人辨认示意图一7 图2 3 说话人确认示意图一7 图2 4g m m 的计算结构图1 6 图2 5 最优化超平面示意图1 8 图2 6 支持向量机示意图2 0 图3 1 本文提出的序列特征在s v m 说话人确认应用的系统框图2 4 图3 2a o i f i s h e r 分值法框图2 5 图3 3 四种说话人确认系统d e t 曲线2 7 图4 1 多级说话人确认系统框图3 0 图4 2f l d 判别示意图31 图4 3 核f i s h e r 判别特征映射( ) 示意图3 2 图4 4 四种分类算法d e t 曲线比较3 6 l i i 说i 舌人识 ;i j 算法羽i 特征提取的研究 附表索引 表3 1 不同特征提取方法在s v m 说话人确认系统中的性能比较2 7 表4 1 不同核函数应用到k f d 的性能比较3 4 表4 2 不同分类方法与多级分类法性能比较3 5 兰州理工大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体,均 已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名:却五娟日期:j 年6 月1 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定,即:学校有 权保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和 借阅。本人授权兰州理工大学可以将本学位论文的全部或部分内容编入有关数据 库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同 时授权中国科学技术信息研究所将本学位论文收录到中国学位论文全文数据 库,并通过网络向社会公众提供信息服务。 作者签名:膏p 墨执 刷磁轹办) ( ,1 日期:卅年月1 1 日 日期:o ,p 7 年多月,j 日 硕十学何沦文 1 1 课题研究背景及意义 第1 章绪论 随着计算机与信息技术的飞速发展,人类进入了信息化时代,个人身份的数 字化和隐性化成为这一时代的一大特征,人们对高可靠性的身份验证技术与身份 识别技术的需求也日益增长。传统的身份鉴别手段诸如钥匙、证件、密码、i d 卡等存在携带不方便、容易伪造、遗忘、记错、密码容易被破解盗用的缺陷,使 得无法区分真正的拥有者和取得上述身份标识物的冒充者,已经不能满足社会的 需求,成为信息安全的隐患。而每个人说所固有的生物特征,具有与其他人不同 的唯一性和在一定时期内不变的稳定性的优点,而且不会丢失、不易伪造和假冒 【i 】,因此基于生物特征的身份鉴别技术为我们提供了一种更加方便和可靠的身份 鉴定方法,它己经引起了国内外学术界和企业界的极大关注。生物特征身份识别 技术就是依据人体自身的生理特征如指纹、手形、脸部、虹膜和行为特征如声音、 签名等来识别身份。说话人识别( s p e a k e rr e c o g n i t i o n ,s r ) 是生物身份认证技术 的一个重要分支。s r 又称声纹识别,它通过提取说话人的语音波形中能够反映 说话人个性特征的语音参数,进而对说话人的身份自动识别。 由于每个人的语音包含了其发声器官的生理差异,再加上后天形成的行为差 异,使得每个说话人的语音都带有个性特征,这样通过对语音信号进行数字化分 析,根据分析结果进行说话人身份的识别和鉴定是可行的。与其它生物特征识别 技术相比,说话人识别的处理对象是语音数据,这样使得说话人识别具有特有的 优点如不会被遗失和忘记、不需记忆、使用方便等,还具有无可比拟的一些优势: 1 ) 由于不涉及隐私问题,可以使用户无任何心理障碍,用户接受程度高:2 ) 声 音输入设备造价低廉,甚至无需费用( 如通过电话) ,是最自然和最经济的手段之 一;3 ) 在基于电信网络的身份识别应用中,如电话银行、电话炒股、电子购物 等,说话人识别更有得天独厚的性能。说话人识别的以上优势使其在生物特征识 别领域中占有重要地位,其应用不仅可以使系统的信息安全进一步得到保障,还 可以给使用者带来极大方便,提高系统运营商的经济效益。由于其容易采集,非 侵犯性,可以用于公共通信线路监听等特点,日益受到各国安全部门的重视。 说话人识别研究中的关键问题是特征参数的提取和高效分类器的设计。目 前,没有找到有效的特征参数提取方法,用于提取高效的、完全包含说话人个性 特征的参数,同时也没有设计出具有理想识别率的分类器。说话人识别技术以其 独有的优势在信息化社会发挥越来越重要的作用,因此说话人识别技术的研究即 说 f i 人识! i j l j 并泫剐特征提取的研究 提取有效特征参数和设计高识别率分类器对未来生物特征识别技术及网络信息 安全化的发展有着重要的影响。 1 2 说话人识别研究现状 1 2 1 技术研究现状 说话人识别的研究主要分为两个阶段,人工说话人识别和自动说话人识别。 人工说话人识别始于二十世纪六十年代。k e r s t a 在1 9 6 2 年研究了通过可见的语谱 图( s p e c t r o g r a m ) 进行的人工说话人识别,并声称在1 2 个人的系统上得到了极好的 识别性能,并将语谱图称为声纹( v o i c e p r i n t ) 。随着计算机技术的飞速发展,从七 十年代起开始进入自动说话人识别研究阶段。 p r u z a n s k y 和m a t h e w s 【2 l 于l9 6 4 年利用模式匹配和概率统计方差分析的方法 进行说话人识别研究,并提出了有名的衡量说话人特征参数有效性的f 比值公 式。 7 0 年代末期说话人识别技术获得了突破性的发展。在特征参数方面, b s a t a l l 最早在7 0 年代中期就开始对说话人语音特征参数如l p c 系数、声道的冲 激响应、自相关系数、声道面积函数以及倒谱系数等进行研究,并对各种参数在 自动说话人识别系统中的有效性进行了验证。在识别算法方面,动态时间规整技 术( d t w ) 基本成熟,并提出了矢量量化( v e c t o rq u a n t i z a t i o n ,v q ) 和隐马尔 可夫模型( h i d d e nm a r k o vm o d e l ,h m m ) 理论。f u r u is 将d t w 技术成功应用 于说话人确认系统【3 1 ,并且得到了较好的识别性能。同时,r o s e n b e r g 和s o o n g 【4 】 用v q 进行了孤立数字文本的声纹识别研究,实验结果表明该方法的识别精度较 高,且判断速度快。 进入8 0 年代,经过a t tb e l l 实验室r a b i n e r 等科学家的不懈努力,将原本艰 涩的h m m 纯数学模型工程化,使得更多研究者了解和认识了参数模型。l9 8 2 年 p o r i t z l 5 l 等人将隐马尔可夫模型应用到说话人识别研究中,极大地推动了自动说 话人识别技术的发展。与此同时高斯混合模型( g a u s s i a nm i x t u r em o d e l ,g m m ) 和人工神经网络( a r t i n c i a ln e u r a ln e w t o k r s ,a n n ) 也有了较为深入的发展。 r e y n o l d s 和r o s e f 6 】研究了基于高斯混合模型的说话人识别,并采用期望最大化 ( e x p e c t a t o i nm a x i m i z a t i o n ,e m ) 算法来估计模型参数。高斯混合模型说话人识别 是目前最为流行的与文本无关的说话人识别模型。c h r i s t o p h e rn 等人【7 】最早将 a n n 应用自动说话人识别系统,并结合离散哈特利变换( d i s c r e t eh a r t l e y t r a n s f o r m ,d h t ) 进行特征向量的提取,获得了较高的识别性能。o g l e s b y 和m a s o n 等人【8 】研究了人工神经网络在说话人识别中的应用,提出了用径向基函数 ( r a d i a l b a s i s f u n c t i o n ,r b f ) 进行说话人识别。随着参数模型的发展,语音特征参 2 硕十学 市论文 数从以前的l p c 系数、自相关系数等发展到m e l 频率参数和基于感知线性预测 ( p l p ) 分析提取的感知线性预测倒谱,它们在一定程度上模拟了人耳对语音的 处理特点,应用了人耳听觉感知方面的一些研究成果,可以使用多元高斯分布函 数【9 1 建模。e r e u 和w e i n t r a u b 【1 0 1 在1 9 9 3 年通过实验验证了语音的倒谱特征相比 其他语音参数,在干净语音和噪音环境下都能有效地提高说话人识别的识别性 能。m e l 频率倒谱系数( m f c c ) 是目前应用最为普遍的一种语音参数。它将频 谱系数转换到倒谱域,使用离散余弦变换( d c t ) 移除邻近系数的相关性。 近几年来,判别方法如支持向量机( s u p p o r tv e c t o rm a c h i n e ,s v m ) 、核 f i s h e r 判别f k e r n e lf i s h e rd i s c r i m i n a n t ,k f d ) 等成为说话人识别领域的研究热点 之一,然而,将其直接用于说话人识别系统并不能得到非常理想的识别效果。如: ( 1 ) s v m 不管是核函数的计算还是对输入向量进行点积运算,处理的都是定 长向量。而在说话人识别处理的对象是语音数据,虽然在预处理的过程中,语音 数据的每一帧都转换成一特定长度的向量,但是整体语音序列还是由不同长度的 特征向量组成。这使得s v m 很难在整体语音序列上进行分类。因此在很大程度 上影响了s v m 的分类速度和分类准确率。 ( 2 ) 核f i s h e r 判别是f i s h e r 线性判别的扩展,由于其采用所有样本进行训练, 因此具有较高的识别性能。但是k f d 所需要的时间和内存开销与输入样本的数目 密切相关,随着样本数目的增加,k f d 的求解难度急剧提高,并有可能导致相关 计算无法进行。 为了解决上述存在的问题,研究者们引入模糊分析方法,聚类等方法对s v m 和k f d 进行改进。t a k u y ai n o u e 和s h i g e oa b e 提出了一种基于模糊支持向量机法 ( f u z z ys u p p o r tv e c t o rm a c h i n e ,f s v m ) 的模式识别方法【】,获得了较好的实验 数据。最近z h i g u oy a n 等人提出了基于模糊最小二乘支持向量机( f l s s v m ) 的分 类器方法【12 1 。y u j i ez h e n g ,j i n g y uy a n g 等提出了模糊核f i s h e r 判别( f k f d ) 的方法 f 1 3 】 a 1 2 2 应用研究现状 如今,说话人识别技术己在国内外获得了广泛的应用研究。a t & t 公司应 用说话人识别技术研制出了智慧卡,己应用于自动提款机。欧洲电信联盟l9 9 8 年完成了c a v e 计划,并于同年启动了p i c a s s o 计划,在电信网上完成了说话人 识别。同年,m o t o r o l a 和v i s a 等公司成立了v c o m m e r c e 联盟,希望实现电子交易 的自助化,其中,通过声音确定人的身份是此项目的重要组成部分。英国a c u l a b 公司在s p e e c h t e k 2 0 0 2 上隆重发布其最新的声纹鉴别软件s v i ( s p e a k e r v e r i f i c a t i o na n di d e n t i 6 c a t i o n ) ,它是第一个由语音板卡制造商自主开发、提供而 并非依赖第三方的声纹鉴别软件。其他的一些商用系统还包括:i t t 公司的 说活人i j ! j j i j 贸汪:币f 特征提取f 1 勺 肝究 s p e a k e r k e y ,k e y w a r e 公司的v o i c e g u a r d i a n ,t - n e t i x 公司的s p e a k e z 等。 我国语音识别研究工作一直紧跟国际水平,国家也很重视,并把大词汇量语 音识别的研究列入“8 6 3 ”计划,由中科院声学所、自动化所及北京大学等单位研 究开发。鉴于中国未来庞大的市场,国外也非常重视汉语语音识别的研究。美国、 新加坡等地聚集了一批来自大陆、台湾、香港等地的学者,研究成果已达到相当 高水平。因此,国内除了要加强理论研究外,更要加快从实验仿真系统到商品的 转化。 1 3 说话人识别研究难点 说话人识别技术尽管已经取得了深入的发展,然而不管是何种方法都不能达 到理想的识别性能,这不仅与语音信号本身的特点有关,而且也和所使用的分类 技术的局限性有关,因此寻找更加优良的研究方法仍然任重道远。说话人识别技 术距离成熟的实际应用,仍然有许多研究难点有待解决,如: ( 1 ) 目前还没有更好的语音处理方法提取稳定且最富个性表现力的特征参 数; ( 2 ) 针对说话人的语音特征随着年龄、情绪和健康状况等因素而变化的问 题,寻找更具鲁棒性的特征参数; ( 3 ) 如何抽取特征样本,合理的选择样本数目,进而对样本进行建模存在着 较大的不足,需要进一步的改进; ( 4 ) 在保证识别准确率的情况下,如何克服麦克风和信道对识别性能的影 响: ( 5 ) 如何对真实声音和模仿声音容易进行准确的判别,也是说话人识别目前 研究的难点。 由此可见,说话人识别的难点问题同样集中在特征提取和设计分类器以提高 说话人识别系统识别率两个方面。能否在保证系统计算复杂度情况下,提取相对 简单并且最能体现说话人个性信息的特征,以及对现有的说话人分类技术进行有 效的改进将是今后研究的热点,本文正是基于这一点对说话人识别的特征提取和 识别算法进行了较为深入的研究。 1 4 本文的主要工作及内容结构安排 在说话人识别系统中,如何从大量的语音数据中提取出反映说话人个性特征 的有效参数以及设计行之有效的分类器在很大程度上决定了系统的识别性能。本 论文从这两个方面出发,对说话人识别系统的特征提取和分类器设计进行了深入 的研究,并在此基础上提出了一些有效的改进方法,通过m a t l a b 6 5 作为实验平 4 硕十学何论文 台对改进方法的可行性进行了验证。 主要进行了以下三个方面的工作: 1 针对说话人识别中语音数据维数高和识别模型训练慢的问题,提出基于 主分量空间的p c a 分类方法和基于截断误差窄间的p c a 分类方法,在保证识别性 能的情况下,可以有效地降低后续阶段的计算复杂度。 2 针对s v m 不能直接处理动态时间序列语音数据的问题,提出一种基于添 加原始分类信息f i s h e r 分值法( a o i f i s h e rs c o r e ) 的序列特征提取方法。为了 解决a o i f i s h e r 分值法计算复杂度高的问题,采用p c a 对m f c c 参数进行降维 的同时筛选出可能的目标说话人,缩小说话人的范围,减少输入样本的数量。该 方法可以提高s v m 在整体语音数据上进行分类的性能,同时又可降低系统的建 模时间。 3 提出一种基于t e s p c a 和核f i s h e r 判别( k f d ) 的多级说话人确认方法。 p c a 分类器实现简单,可以快速的判断出可能的目标说话人,然后采用k f d 进 行最终的说话人确认。该方法克服了k f d 的计算复杂度随着样本规模的增大而 提高的缺陷。相比于传统的s v m 分类器和k f d 分类器,仿真实验结果表明多 级分类器具有较高的识别率,同时在建模时间和识别速度方面占有较大的优势。 本论文的主要创新点体现在三个方面:1 ) 在使用p c a 降维约简的同时,根 据转换矩阵得到每位说话人的主成分空间和截断误差空间,在这两个空间上分别 构造了p c s p c a 分类器和t e s p c a 分类器;2 ) 提出一种基于p c s p c a 和 a o i f i s h e r 分值法的序列特征提取方法,可以有效地对语音向量进行定长转换, 同时添加原始分类信息,使得s v m 可以在整体语音序列上进行分类;3 ) 构建了一 个基于t e s p c a 和核f i s h e r 判别的多级分类说话人识别系统。 本论文的内容结构安排如下: 第一章主要对说话人识别技术研究的背景及发展现状进行了介绍。 第二章详细阐述了说话人识别原理、分类、特征提取方法和识别模型。 第三章针对传统f i s h e r 分值法存在的问题,同时结合p c a 分类器计算简单、容 易实现的优点,提出一种基于p c s p c a 和a o i f i s h e r 分值的定长向量转换方法, 并通过s v m 说话人确认仿真实验对其性能进行了验证。 第四章讨论了核f i s h e r 判别在说话人识别中的应用,根据核f i s h e r 判别和 s v m 的比较研究,提出了基于t e s p c a 和核f i s h e r 判别的多级说话人确认方法, 并同其他说话人建模方法在识别性能和计算复杂度等方面作了比较。 5 i 兑话人识! i j f j 算法币特征提取的 i 丌究 第2 章说话人识别技术 说话人识别是一门应用生理学,语音信号处理,模式识别与人工智能技术的 跨越多学科的边缘研究课题,以下就说话人识别技术的系统原理、分类、特征参 数的预处理,常用的特征参数,特征向量的提取和去噪处理,以及目前常用的几 种说话人识别模型做一简要的介绍。 2 1 说话人识别原理 说话人识别技术【1 4 】是通过对注册说话人的语音信号进行数字化分析,经过 预滤波、采样量化、预加重、分帧加窗等预处理阶段,得到能够反映说话人个性 特征的语音参数如线性预测倒谱系数( l p c c ) 【”】和m e l 频率倒谱系数( m f c c ) 【l6 1 ,根据这些特征参数建立相应的识别模型,然后根据该模型做出判决。说话 人识别和语音识别的区别在于,前者希望挖掘语音信号中的个性特征,而后者则 希望从不同说话人的语音信号中寻找共同因素。从处理方法上来说,说话人识别 力图强调不同说话人之间的个性差异,而语音识别则是将不同说话人的个性差异 归一化。 图2 1 给出了说话人识别系统框图。建立和应用这一系统可以分为两个阶段, 即训练阶段和识别阶段。训练阶段,系统的每个注册说话人说出若干训练语句, 对这些训练语句进行数字化预处理,提取特征向量参数,系统根据特征参数建立 每个使用者的模板或模型参数。识别阶段,由待测说话人的语音经特征提取之后 与系统训练时产生的每一个人的参考模型进行比较,并把与它距离最近的那个参 考模型所对应的使用者辨认为是发出输入语音的说话人。 1识别 。 参考模型 吾音输a去 预 端 i i 占 h 蓑蕞 1 r l ,伟 加 i 躁 检 l 重 测 l 模式匹配 h 判决 l 鬲百打k 期一口练7 图2 1 说话人识别系统框图 说话人识别根据实现的任务不同,可分为说话人辨认【1 7 1 ( s p e a k e r i d e n t m c a t i o n ) 和说话人确认1 8 1 ( s p e a k e rv e r i 行c a t i o n ) 两种类型。说话人辨认是指 6 硕十7 :何论又 对于说话人的集合s ,根据一个未知说话人的语音x ,判断x 是否是集合s 中的元 素,以及是s 中的哪一个元素,如图2 2 所示。由此可见,说话人辨认是一个多 者选一的问题。而说话人确认是指验证一个人是否与他( 她) 声称的身份相符。其 判断结果只有接受( a c c e p t ) 和拒绝( r e j e c t ) 两种,属于二者选一的问题,如图2 3 所 示。 图2 2 说话人辨认示意图 图2 3 说话人确认示意图 说话人识别根据待识别语音内容的不同,可分为与文本有关( t e x t d e p e n d e n t ) 和与文本无关( t e x t i n d e p e n d e n t ) 两种方式。其中与文本有关又称为固定文本 ( f i x e d t e x t ) ,它要求待识别的说话人按规定的内容发音,需要用户的配合,如果 用户的发音与规定的内容不符合,则无法正确识别该用户。与文本无关又称为任 意文本( f r e e t e x t ) ,即用来识别的语音内容可以是任意的,但是在这种情况下, 建立精确的模型较为困难,识别率不高。另外,若考虑待识别的说话人是否在注 册的说话人集合内,则说话人辨认分为开集( o p e n s e t ) 辨认和闭集( c l o s e s e t ) 辨认。 7 兑i 舌人识圳号7 泼干特7 i r 提取的研究 2 2 特征参数的预处理及特征提取 在说话人识别过程中特征提取是很重要的一环,特征参数提取的好坏直接影 响到系统的识别效率。所谓特征提取就是对原始的语音信号运用一定的数字信号 处理技术得到一个矢量序列,用这个矢量序列去代表原始的语音信号所携带的信 息。换句话说,特征提取实际上是尽可能的保留对识别有重要意义的信息,同时 最大限度地摒弃那些无用的、冗余的信息,以便集中辨别不同说话人的语音信息。 一般在理想情况下,提取有效特征参数的准则是: ( 1 ) 可分性强,能够有效地区分小同说话人; ( 2 ) 稳定性好,能稳定表示同一说话人的特征,不随时间和说话人状况的改 变而改变,不受背景噪声及传输信道的影响; ( 3 ) 易于从语音信号中提取,计算方便; ( 4 ) 不易被模仿。 2 2 1 语音信号的预处理 语音信号虽然从整体上来看其特性参数是随时间变化的,因此它是一个非平 稳态过程,但是语音信号在一个短时间范围内( 一般认为是lo 3 0 m s ) ,其特性 基本保持不变,从而又可将其看成是一个准平稳过程,即语音信号具有短时平稳 性。因此在特征的提取之前,一般需要对语音信号进行预处理,将连续的语音信 号转换为由特征参数组成的序列。语音信号的预处理过程一般包括预滤波【1 9 】、 采样与量化、预加重【20 1 、分帧加窗【2 1 1 四个阶段。 1 预滤波 采样前先要对语音信号进行预滤波处理,其目的有两个:一是使用低通滤波 器限制信号中频率分量超过采样频率一半的部分,以防止频率高于二分之一采 样频率的高频噪音产生频谱混叠;其次是要用高通滤波器抑制5 0 舷的电源干扰, 同时它还可以起到消除直流漂移和抑制随机噪声的效果。因此预滤波器是一个带 通滤波器,其上截至频率为厂= 3 4 0 0 胁,下截至频率力= 6 0 1 0 0 舷,采样频率 为z = 8 抛。 2 采样与量化 为了将录制的说话人原始模拟信号转换为数字信号,必须进行语音信号的采 样与量化。从而得到时间和幅度上均为离散的数字语音信号。根据采样定理,当 采样频率大于信号的两倍带宽时,采样过程不会丢失信息,利用理想滤波器可从 采样信号中不失真地重构原始信号波形。 语音经声音采集设备,如麦克风,进行声电转换变为模拟信号,然后经由 a d 进行采样、量化变为数字信号。在实际工作中,我们可以利用各种音频采集 软件( 如w i n d o w s 自带的录音机,c o o l e d i t 等) 录制语音文件,声卡可以完成语音 8 硕十7 :何论文 波形的a i d 转换,获得w a v e 文件,为后续的处理储备原材料。 3 预加重 对于语音信号的频谱受声门激励和口鼻辐射影响,高频端大约在8 0 0 舷以上 按6 d b 子音频程跃落,即6 d b d e c ( 2 子音频) 或2 0 d b d e c ( 1 0 子音频) ,通常是频 率越高衰减得越严重,因此必须对高频部分进行加重处理。预加重的目的是提升 高频部分,使信号的频谱变得平坦,保持在低频到高频的整个频带中,能用同样 的信噪比求频谱,以便于频谱分析或声道参数分析,并减少尖锐噪声影响。预加 重可在a d 变换前的反混叠滤波之前进行,这样不仅能够进行预加重,而且可 以压缩信号的动态范围,有效地提高信噪比。同时,预加重也可在a d 变换后 进行,用具有6 d b 倍频程的提升高频特性的预加重数字滤波器实现。一般将语 音信号经过一个一阶预加重滤波器来实现: h ( z ) = 1 一a z r 2 1 ) 或表示为: y ( 玎) = x ( ) 一口x ( 厅一1 )( 2 2 ) 其中x ( ,2 ) 是输入信号,a 称为预加重系数,其值接近1 ,通常取口= o 9 7 。一 阶高通滤波器1 0 9 3 7 5 z 一,通常称之为预加重滤波。通过处理滤除低频干扰,尤 其是5 0 h z 或6 0 h z 的工频干扰,将对于语音识别更为有用的高频部分的频谱进 行提升,使高频成分得到有效补偿。在m a t l a b 中这个计算可表示为: 茗= ,纪厂( 【1 一o 9 3 7 5 】,l ,x ) ( 2 3 ) 其中x 为输入的语音信号。概括来讲,通过预加重提升高频的目的主要是补 偿声门脉冲的影响,同时提高短时分析的稳定性。加重后的信号在分析处理后, 需要进行去加重处理,即加上6 d b 倍频程的下降的频率特性来还原成原来的特 性。经过预加重处理后的语音信号,其高频部分可与中频部分( 1 2 k h z ) 的幅度相 当。 4 分帧加窗 语音信号是一种短时平稳信号,即可以假定在5 5 0 m s 的时间段内,其频谱 特性和某些物理特性参量可近似地看做是不变的。每个短时语音段称为一个分 帧,分帧可以是连续的,也可以采用交叠分帧的方法,一般帧长取1 0 3 0 m s 。分 帧之后加窗,以减少短时语音段边缘的影响。在分帧加窗的基础上即可对语音信 号进行语音分割和特征提取等处理。 一 常用的窗函数有: 矩形窗帅) = 惦怄菇。 汉明窗m ) = 舻以4 6 c o 双2 翮舭_ 的畦菇。1 9 说i 舌人识圳算法手i l 特7 i i :提取的研究 汉宁窗) = 舻1 - c o 文2 删从d m 菇_ 1 矩形窗的主瓣宽度最小( 4 7 r ) ,因此它具有较高的频谱分辨率,但它的 旁瓣峰值较大( 1 3 d b ) ,因此其频谱泄露比较严重。汉明窗主瓣宽度为矩形窗的 一倍,但是它的旁瓣峰值很小( 4 1d b ) ,具有更平滑的低通特性,能够在较高程 度上反映短时信号的频率特性,因此在语音频谱分析时常常使用汉明窗来获取语 音分析帧,而在计算短时能量和平均幅度时通常使用矩形窗。 2 2 2 常用特征参数 根据参数的稳定性,可把说话人特征参数大致分为两类:一类是反映说话 人生理结构的固有特征,例如声道结构等,这类特征主要表现在语音的频谱结 构上,包含了反映声道共振的频谱包络特征信息和反映声带振动等音源特性的频 谱细节构造特征信息。具有代表性的特征参数有基音和共振锋,这类特征不易被 模仿,但容易受健康状况的影响;另一类是反映声道运动的动态特征,即发音 方式、发音习惯等,主要表现在语音频谱结构随时间的变化上,包含了特征参数 的动态特性,这类特征相对稳定但比较容易模仿,代表性的特征参数是倒谱系数。 1 线性预测倒谱系数 线性预测倒潜系数( l i n e a rp r e d i c t i o nc e p s t r u mc o e m c i e n t ,l p c c ) 是一种比 较重要的特征参数,它能够比较彻底地去除语音产生过程中的激励信息,能较好 地描述语音信号的共振峰特性f 2 2 1 。在实际计算中,l p c c 不是由信号直接得到的, 而是由线性预测参数( l i n e a rp r e d i c t i o nc o e m c i e n t ,l p c ) 求得。l p c c 系数c ,( 疗) 与l p c 系数q ( 江l ,2 ,p ) 之间的关系如下: 钆( 1 ) 2 口l 吒,( 甩) = 薯告一。气,( 尼) + ,( 1 刀s p ) ( 2 4 ) _ = 善知铲) ,( 唧) 当l p c c 系数个数不大于l p c 系数个数时用上式中的第二式,当l p c c 系 数个数大于l p c 系数个数时,用上式中的第三式进行计算。 2m e l 频率倒谱系数 m e l 频率表达了一种常用的从语音频率到“感知频率”的对应关系【2 3 1 ,这更 符合入耳的听觉特性,表达式为厶= 2 5 9 5 1 9 ( 1 + 厂7 0 0 ) 。 m e l 频率倒谱系数( m e lf r e q u e n c yc e s t r u mc o e m c i e n t ,m f c c ) 是将信号的频 谱,首先在频域将频率轴变换为m e l 频率刻度,再变换到倒谱域得到的倒谱系 l o 硕十7 :何论文 数。具体的计算过程如下: ( 1 ) 将信号进行短时傅里叶变换得到其频谱; ( 2 ) 求它的频谱幅度的平方,即能量谱,并用一组三角形滤波器在频域对能 量谱进行带通滤波; ( 3 ) 将滤波器组的输出取对数,然后对它做离散余弦变换( d c t ) 得到m f c c 系数。 丙m 膨陀g 2 专著三d g ) c o s 防 一o 5 ) m 】,疗_ 1 ,2 ,工 ( 2 5 ) 这里m f c c 系数的个数l 通常取1 2 1 6 。在谱失真测度定义中通常不用o 阶倒谱系数,因为它是反映频谱能量的。 3 其他特征参数 ( 1 ) 基音周期 在人的发音模型中,产生浊音周期激励脉冲的周期称为基音周期【2 4 】( p i t c h ) 。 只有浊音才有基音周期,清音没有基音周期。基音周期检测方法大体上可分为3 类:时域方法;频域方法和综合利用信号时域、频域特性的方法。时域方法直 接利用语音信号的采样点计算信号的波峰、波谷和过零率等,其特点是原理简单、 计算量小,典型的方法是g 0 1 d 和r a b i n e r 提出的并行处理方法。频域的方法主 要是计算信号的自相关函数、功率谱和最大似然函数等,其精度要高于时域方法, 典型的方法有中央消波自相关法、平均幅度差分函数法和倒谱法等。自相关法的 原理是语音的短时自相关函数在基音周期整数倍点上有很大的峰值,只要找到最 大峰值点的位置,便能估计出基音周期。 ( 2 ) 短时能量与短时平均幅度 信号 x ( 胛) ) 的短时能量定义为2 5 1 :e = 胁( 聊) w ( ,? 一班) 】2 其中w ( ,z ) 是窗函数, 一般用矩形窗或汉明窗。短时能量代表的是一个音框语音信号的能量,可反映语

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论