一種基于共振峰曲線的語音信號動態(tài)特征提取方法
【專利摘要】本發(fā)明提出一種基于共振峰曲線的語音信號動態(tài)特征提取方法，屬于漢語音信號動態(tài)特征提取技術(shù)領(lǐng)域。步驟為：采集語音信號；對語音信號進(jìn)行預(yù)處理；提取語音信號共振峰頻率特征；按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第一共振峰頻率特征值進(jìn)行組合獲得第一共振峰曲線，依此類推，獲得第二共振峰曲線、第三共振峰曲線及第四共振峰曲線；對獲得的每條共振峰曲線進(jìn)行快速傅里葉變換獲得線性頻譜；根據(jù)線性頻譜獲得能量譜；根據(jù)能量譜獲得對數(shù)能量；對對數(shù)能量進(jìn)行離散余弦變換。與現(xiàn)有方法相比，本發(fā)明提取的是語音信號動態(tài)特征，它具有時間相關(guān)性，揭示了語音信號前后以及相鄰之間存在的密切關(guān)聯(lián)，提高了語音識別的性能。
【專利說明】
一種基于共振峰曲線的語音信號動態(tài)特征提取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于漢語音信號動態(tài)特征提取技術(shù)領(lǐng)域，具體涉及一種基于共振峰曲線的 語音信號動態(tài)特征提取方法。
【背景技術(shù)】
[0002] 我國語音識別研究工作起步于50年代，但直到70年代才開始迅速發(fā)展。中國科學(xué) 院、清華大學(xué)、北京大學(xué)等多家研究單位在從事漢語語音識別系統(tǒng)的開發(fā)，目前對大詞匯量 連續(xù)語音識別系統(tǒng)的研究已經(jīng)接近國外最高水平;在我國的"八五"計劃和"863"計劃中，漢 語語音識別的研究得到了大力支持，國家863《智能計算機(jī)主題》專家組專門為語音識別研 究立項，同時由于中國在國際上地位與日倶增，以及在經(jīng)濟(jì)和市場方面所處的重要地位，漢 語語音識別也越來越被國外研究機(jī)構(gòu)和公司重視，IBM、Microsoft、APPLE、Motorola、 Intel、L&H等公司都在國內(nèi)設(shè)立研究機(jī)構(gòu)，相繼投入到漢語語音識別系統(tǒng)的開發(fā)中，強有力 地推動了漢語語音識別研究的發(fā)展；
[0003] 盡管如此，距離真正的人機(jī)自由交流的境界還很遙遠(yuǎn);現(xiàn)在已有的商用系統(tǒng)都存 在著一些問題，比如對于噪聲環(huán)境下的語音識別率和穩(wěn)健性等都不盡如人意；
[0004] 語音識別最基礎(chǔ)最重要的開發(fā)環(huán)節(jié)是語音信號特征參數(shù)的提取;早在上世紀(jì)40年 代，R.K.Potter等人提出了 "Visible Speech"的概念，指出語譜圖對語音信號有很強的描 述能力，并且試著用語譜信息進(jìn)行語音識別，這就形成了最早的語音特征。到了50年代，人 們發(fā)現(xiàn)要對語音信號進(jìn)行識別就必須從語音波形中提取能夠反映語音特性的某些參數(shù)，這 樣不僅可以減小模板數(shù)目、運算量及存儲量，而且可以濾除語音信號中無用的冗余信息，于 是就出現(xiàn)了幅度、短時幀平均能量、短時幀過零率、短時自相關(guān)系數(shù)等。隨著識別技術(shù)的發(fā) 展，人們發(fā)現(xiàn)時域中的特征參數(shù)其穩(wěn)定性和區(qū)分能力都不是很好，于是開始利用頻域參數(shù) 作為語音信號的特征，比如基音周期、共振峰頻率、線性預(yù)測系數(shù)(LPC)、線譜對(LSP)、倒譜 系數(shù)等，目前使用最為廣泛的特征參數(shù)是基于人耳聽覺模型的美爾倒譜系數(shù)(MFCC);但是 這些參數(shù)一旦應(yīng)用于噪聲環(huán)境時，其性能會急劇下降；
[0005] 而且上面所提出的特征參數(shù)都反映語音的靜態(tài)特征，語音信號的動態(tài)特性是指從 連續(xù)幾幀語音中提取的特征參數(shù)，比如可以通過靜態(tài)特征的差分參數(shù)和加速度參數(shù)來獲 取，但差分參數(shù)和加速度參數(shù)并不能將動態(tài)信息挖掘得很充分，所以它們尚不能很好地反 映語音信號的動態(tài)特性。

【發(fā)明內(nèi)容】

[0006] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于共振峰曲線的語音信號動態(tài)特征提取 方法，以達(dá)到擴(kuò)大應(yīng)用領(lǐng)域、提高語音識別的性能、實現(xiàn)快速有效地掌握信號的動態(tài)特征和 實現(xiàn)在強噪聲環(huán)境下應(yīng)用語音識別技術(shù)的目的。
[0007] -種基于共振峰曲線的語音信號動態(tài)特征提取方法，包括以下步驟：
[0008] 步驟1、采集語音信號；
[0009]步驟2、對語音信號進(jìn)行預(yù)處理，包括預(yù)加重、分幀加窗和端點檢測；
[00?0] 步驟3、采用基于Hibert-Huang變換的方法，對預(yù)處理后語音信號的共振峰頻率特 征進(jìn)行估算，獲得每幀語音信號的第一共振峰特征值、第二共振峰特征值、第三共振峰特征 值和第四共振峰特征值；
[0011] 步驟4、構(gòu)成共振峰曲線，具體為：
[0012] 按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第一共振峰特征 值進(jìn)行組合獲得第一共振峰曲線；
[0013] 按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第二共振峰特征 值進(jìn)行組合獲得第二共振峰曲線；
[0014] 按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第三共振峰特征 值進(jìn)行組合獲得第三共振峰曲線；
[0015] 按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第四共振峰特征 值進(jìn)行組合獲得第四共振峰曲線；
[0016] 步驟5、對獲得的第一共振峰曲線、第二共振峰曲線、第三共振峰曲線和第四共振 峰曲線進(jìn)行快速傅里葉變換，獲得每條共振峰曲線的線性頻譜；
[0017] 步驟6、根據(jù)線性頻譜獲得每條共振峰曲線的能量譜；
[0018] 步驟7、根據(jù)能量譜獲得每條共振峰曲線的對數(shù)能量；
[0019] 步驟8、對上述對數(shù)能量進(jìn)行離散余弦變換獲得倒頻譜域，即獲得語音信號動態(tài)特 征參數(shù)。
[0020] 步驟2所述的對語音信號進(jìn)行預(yù)處理，包括預(yù)加重、分幀加窗和端點檢測，其中，
[0021] 所述的預(yù)加重:通過一階數(shù)字預(yù)加重濾波器實現(xiàn)，預(yù)加重濾波器的系數(shù)取值范圍 為0.93~0.97;
[0022] 所述的分幀加窗：以幀長256點進(jìn)行分幀，并對分幀后的語音信號加漢明窗；
[0023] 所述的端點檢測:采用短時能零積法進(jìn)行檢測。
[0024] 步驟5所述的對獲得的第一共振峰曲線、第二共振峰曲線、第三共振峰曲線和第四 共振峰曲線進(jìn)行快速傅里葉變換，獲得每條共振峰曲線的線性頻譜；
[0025] 具體公式如下：
[0027]其中，Xjk)表示第i個共振峰曲線進(jìn)行快速傅里葉變換后得到的線性頻譜；i = l， 2,3,4Α = 0，1，2，···，Ν-1，Ν為語音信號的幀數(shù);Xl(n)表示第i個共振峰曲線；j是虛數(shù)單位， e為常數(shù)。
[0028]步驟8所述的對上述對數(shù)能量進(jìn)行離散余弦變換獲得倒頻譜域，即獲得語音信號 動態(tài)特征參數(shù)；
[0029] 具體公示如下：
[0031 ] 其中，Ci (t)表示第i個共振峰曲線的動態(tài)特征參數(shù)；i = l，2,3,4;t = l，2，~，T，T 表示設(shè)定的倒譜系數(shù)個數(shù)，取值范圍為12~16;U(k)表示第i個共振峰曲線的對數(shù)能量;k = 0，1，2，···，Ν-1，Ν為語音信號的幀數(shù)。
[0032] 本發(fā)明優(yōu)點：
[0033] 1、本發(fā)明獲得的語音信號動態(tài)特征參數(shù)主要應(yīng)用于計算機(jī)的聽寫機(jī)，以及與電話 網(wǎng)或者互聯(lián)網(wǎng)相結(jié)合的語音信息查詢服務(wù)系統(tǒng)，另外還可應(yīng)用在小型化、便攜式的語音產(chǎn) 品中，如無線手機(jī)上的撥號、汽車設(shè)備的語音控制、智能玩具、家電遙控等方面；
[0034] 2、本發(fā)明提取的是語音信號動態(tài)特征，它具有時間相關(guān)性，揭示了語音信號前后 以及相鄰之間存在的密切關(guān)聯(lián)，相比于傳統(tǒng)的MFCC方法，大大提高了語音識別的性能； [0035] 3、本發(fā)明采用基于Hibert-Huang變換的方法來估算預(yù)處理后的語音信號共振峰 頻率特征，其中用經(jīng)驗?zāi)B(tài)分解法(EMD)將信號分解成一組含有不同尺度的固有模態(tài)函數(shù) QMF)分量，經(jīng)分解得到的每一個頂F分量都代表了一個頻率成分，這些頻率成分可以有效 突出信號的局部特性和細(xì)節(jié)變化，這將有助于快速有效地掌握信號的動態(tài)特征；
[0036] 4、本發(fā)明構(gòu)成的共振峰曲線具有時間相關(guān)性，揭示了語音信號前后以及相鄰之間 存在著的密切關(guān)聯(lián);這一特性，使得在強噪聲環(huán)境下應(yīng)用語音識別技術(shù)成為了可能。
【附圖說明】
[0037] 圖1為本發(fā)明一種實施例的基于共振峰曲線的語音信號動態(tài)特征提取方法流程 圖；
[0038] 圖2為本發(fā)明一種實施例的白噪聲情況下參數(shù)識別性能曲線比較圖；
[0039] 圖3為本發(fā)明一種實施例的粉噪聲情況下參數(shù)識別性能曲線比較圖；
[0040] 圖4為本發(fā)明一種實施例的街道噪聲情況下參數(shù)識別性能曲線比較圖；
[0041] 圖5為本發(fā)明一種實施例的坦克噪聲情況下參數(shù)識別性能曲線比較圖。
【具體實施方式】
[0042] 下面結(jié)合附圖對本發(fā)明一種實施例做進(jìn)一步說明。
[0043] -種基于共振峰曲線的語音信號動態(tài)特征提取方法，方法流程圖如圖1所示，包括 以下步驟：
[0044] 步驟1、采集語音信號；
[0045]本發(fā)明實施例中，利用麥克風(fēng)輸入語音數(shù)據(jù)，并由計算機(jī)、單片機(jī)或DSP芯片等處 理單元以11.025KHZ的采樣頻率、16bit的量化精度進(jìn)行采樣量化，獲得相應(yīng)的語音信號;本 發(fā)明實施例中采用計算機(jī)作為處理單元；
[0046] 步驟2、對語音信號進(jìn)行預(yù)處理，包括預(yù)加重、分幀加窗和端點檢測；
[0047] 本發(fā)明實施例中，所述的預(yù)加重:通過一階數(shù)字預(yù)加重濾波器實現(xiàn)，預(yù)加重濾波器 的系數(shù)取值范圍為0.93~0.97，本發(fā)明實施例中，取值為0.9375;所述的分幀加窗：以幀長 256點進(jìn)行分幀，并對分幀后的語音信號加漢明窗;所述的端點檢測:采用短時能零積法進(jìn) 行檢測；
[0048] 步驟3、采用基于Hibert-Huang變換的方法，對預(yù)處理后語音信號的共振峰頻率特 征進(jìn)行估算，獲得每幀語音信號的第一共振峰特征值F1、第二共振峰特征值F2、第三共振峰 特征值F3和第四共振峰特征值F4;
[0049]本發(fā)明實施例中，由快速傅里葉變換(FFT)初步估計出的語音信號的各階共振峰 頻率確定相應(yīng)帶通濾波器的參數(shù)，并用該參數(shù)對語音信號作濾波處理，對濾波后的信號進(jìn) 行經(jīng)驗?zāi)B(tài)分解(EMD)得到一族固有模態(tài)函數(shù)aMF)，按能量最大原則確定出含有共振峰頻 率的IMF，計算出該IMF的瞬時頻率和Hi lbert譜即得到語音信號的共振峰頻率參數(shù)；
[0050] 步驟4、構(gòu)成共振峰曲線，具體為：
[0051] 本發(fā)明實施例中，按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號 的第一共振峰頻率特征值F1進(jìn)行組合獲得第一共振峰曲線^(1〇，11 = 0，1，2，一小-1小為語 音信號的幀數(shù);按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第二共振 峰頻率特征值F2進(jìn)行組合獲得第二共振峰曲線 X2(n);按照從第一幀到最后一幀的幀序，將 預(yù)處理后的每幀語音信號的第三共振峰頻率特征值F3進(jìn)行組合獲得第三共振峰曲線 X3 (η);按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第四共振峰頻率特征 值F4進(jìn)行組合獲得第四共振峰曲線χ 4(η);
[0052] 步驟5、對獲得的第一共振峰曲線、第二共振峰曲線、第三共振峰曲線和第四共振 峰曲線進(jìn)行快速傅里葉變換，獲得每條共振峰曲線的線性頻譜；
[0053]本發(fā)明實施例中，具體公式如下：
[0055] 其中，Xdk)表示第i個共振峰曲線進(jìn)行快速傅里葉變換后得到的線性頻譜；i = l， 2,3,4Α = 0，1，2，···，Ν-1，Ν為語音信號的幀數(shù);Xl(n)表示第i個共振峰曲線；j是虛數(shù)單位， e為常數(shù)，近似值為2.7;
[0056] 步驟6、根據(jù)線性頻譜獲得每條共振峰曲線的能量譜；
[0057] 本發(fā)明實施例中，取上述線性頻譜Xi(k)模的平方來獲得相應(yīng)的能量譜Si(k)，公式 如下：
[0058] Si(k)= |Xi(k) |2 (3)
[0059] 其中，SKk)表示第i個共振峰曲線的能量譜；
[0060] 步驟7、根據(jù)能量譜獲得每條共振峰曲線的對數(shù)能量；
[0061]本發(fā)明實施例中，為了使結(jié)果對噪聲有更好的魯棒性，將上述獲得的能量譜31(1〇 取對數(shù)，即可獲得對數(shù)能量U(k)，公式如下：
[0062] Li(k) =Log(Si(k)) (4)
[0063] 其中，U(k)是第i個共振峰曲線的對數(shù)能量；
[0064]步驟8、對上述對數(shù)能量進(jìn)行離散余弦變換獲得倒頻譜域，即獲得語音信號動態(tài)特 征參數(shù)。
[0065] 具體公示如下：
[0067] 其中，Ci (t)表示第i個共振峰曲線的動態(tài)特征參數(shù)；i = l，2,3,4;t = l，2，~，T，T 表示設(shè)定的倒譜系數(shù)個數(shù)，取值范圍為12~16，本發(fā)明實施例取T = 12;
[0068] 本發(fā)明實施例中，采用50個典型的漢語詞匯來進(jìn)行實驗；由于考慮識別系統(tǒng)容易 受環(huán)境噪聲、信道變化和說話人變化等因素的影響，因此，本發(fā)明實施例的訓(xùn)練集采用安靜 環(huán)境下的語音數(shù)據(jù)，而測試集采用含有噪聲的數(shù)據(jù)；
[0069] 為了驗證該特征參數(shù)對不同說話人變化的魯棒性，訓(xùn)練集數(shù)據(jù)由前后兩次錄成， 共50人，每人每詞發(fā)音一遍，共獲得5000個數(shù)據(jù)，測試集數(shù)據(jù)也是分兩次錄成，共30人，每人 每詞發(fā)音一遍，共3000個數(shù)據(jù);為了驗證該特征參數(shù)對不同信道變化的魯棒性，每次使用不 同的麥克風(fēng)來錄音;為了驗證該特征參數(shù)對不同環(huán)境噪聲變化的魯棒性，本發(fā)明實施例在 測試集的每個語音中手工加入了四種噪聲，包括：白噪聲、粉噪聲、街道噪聲、坦克噪聲，構(gòu) 成信噪比為15dB，1 OdB，5dB，OdB，-5dB的含噪語音信號。
[0070] 本發(fā)明實施例中采用基于遺傳算法改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)來作為分類器，網(wǎng)絡(luò)輸入 層有48個神經(jīng)元，輸出層有50個神經(jīng)元，隱含層結(jié)點個數(shù)通過遺傳算法確定；
[0071 ]本發(fā)明實施例中，圖2、圖3、圖4和圖5為采用與本發(fā)明實施例相同條件的MFCC方法 和本發(fā)明實施例方法分別在白噪聲、粉噪聲、街道噪聲和坦克噪聲干擾下的系統(tǒng)識別性能 曲線;從圖中可以看出，在信噪比較低的時候，本發(fā)明實施例方法與MFCC方法相比識別率提 1? 了很多。
【主權(quán)項】
1. 一種基于共振峰曲線的語音信號動態(tài)特征提取方法，其特征在于，包括以下步驟： 步驟1、采集語音信號； 步驟2、對語音信號進(jìn)行預(yù)處理，包括預(yù)加重、分幀加窗和端點檢測； 步驟3、采用基于Hibert-Huang變換的方法，對預(yù)處理后語音信號的共振峰頻率特征進(jìn) 行估算，獲得每幀語音信號的第一共振峰特征值、第二共振峰特征值、第三共振峰特征值和 第四共振峰特征值； 步驟4、構(gòu)成共振峰曲線，具體為： 按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第一共振峰特征值進(jìn) 行組合獲得第一共振峰曲線； 按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第二共振峰特征值進(jìn) 行組合獲得第二共振峰曲線； 按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第三共振峰特征值進(jìn) 行組合獲得第三共振峰曲線； 按照從第一幀到最后一幀的幀序，將預(yù)處理后的每幀語音信號的第四共振峰特征值進(jìn) 行組合獲得第四共振峰曲線； 步驟5、對獲得的第一共振峰曲線、第二共振峰曲線、第三共振峰曲線和第四共振峰曲 線進(jìn)行快速傅里葉變換，獲得每條共振峰曲線的線性頻譜； 步驟6、根據(jù)線性頻譜獲得每條共振峰曲線的能量譜； 步驟7、根據(jù)能量譜獲得每條共振峰曲線的對數(shù)能量； 步驟8、對上述對數(shù)能量進(jìn)行離散余弦變換獲得倒頻譜域，即獲得語音信號動態(tài)特征參 數(shù)。2. 根據(jù)權(quán)利要求1所述的基于共振峰曲線的語音信號動態(tài)特征提取方法，其特征在于， 步驟2所述的對語音信號進(jìn)行預(yù)處理，包括預(yù)加重、分幀加窗和端點檢測，其中， 所述的預(yù)加重：通過一階數(shù)字預(yù)加重濾波器實現(xiàn)，預(yù)加重濾波器的系數(shù)取值范圍為 0.93 ~0.97; 所述的分幀加窗：以幀長256點進(jìn)行分幀，并對分幀后的語音信號加漢明窗； 所述的端點檢測:采用短時能零積法進(jìn)行檢測。3. 根據(jù)權(quán)利要求1所述的基于共振峰曲線的語音信號動態(tài)特征提取方法，其特征在于， 步驟5所述的對獲得的第一共振峰曲線、第二共振峰曲線、第三共振峰曲線和第四共振峰曲 線進(jìn)行快速傅里葉變換，獲得每條共振峰曲線的線性頻譜； 具體公式如下：? 1) 其中，Xdk)表示第i個共振峰曲線進(jìn)行快速傅里葉變換后得到的線性頻譜；i = l，2,3， 4;k = 0，l，2,…，N-1，N為語音信號的幀數(shù);Xi(n)表示第i個共振峰曲線，η = 0，1，2，···，Ν-1; j是虛數(shù)單位，e為常數(shù)。4. 根據(jù)權(quán)利要求1所述的基于共振峰曲線的語音信號動態(tài)特征提取方法，其特征在于， 步驟8所述的對上述對數(shù)能量進(jìn)行離散余弦變換獲得倒頻譜域，即獲得語音信號動態(tài)特征 參數(shù)； 具體公元.α) 其中，Ci (t)表示第i個共振峰曲線的動態(tài)特征參數(shù);1 = 1，2,3,44 = 1，2，一，1'，1'表示設(shè) 定的倒譜系數(shù)個數(shù)，取值范圍為12~16; Li (k)表示第i個共振峰曲線的對數(shù)能量;k = O，1， 2，…，N-I，N為語音信號的幀數(shù)。
【文檔編號】G10L25/24GK106024010SQ201610340935
【公開日】2016年10月12日
【申請日】2016年5月19日
【發(fā)明人】韓志艷, 王健, 王東, 周建壯, 郭繼寧, 劉繼行, 曹麗
【申請人】渤海大學(xué)