說话人识别研究(生物特征认证技术论文).docVIP

生物特征认证技术 学院：计算机学院 专业：信号与信息处理 班级：13硕信息所班 学号姓名：李敏 说话人识别研究 摘要：说话人识别是语音信号处理中的重要组成部分，是当前的研究热点之一。本文详细介绍了说话人识别的基本原理，从特征提取、模型训练和分类等几个方面近年来的主要研究情况及进行综述和评价，并在此基础上探讨其研究难点和发展前景。 关键词：说话人识别；特征提取；模型训练；分类 1.引言 说话人识别作为生物认证技术的一种，是根据语音波形中反映说话人生理和行为特征的语音参数，自动鉴别说话人身份的一项技术。为此，需要从各个说话人的发音中找出人之间的个性差异，它涉及到说话人发音器官上的个性差异、发音通道之间的个性差异、发音习惯之间的个性差异等不同级别上的差异。说话人识别是交叉运用心理学、生理学、语音信号处理、模式识别、统计学习理论和人工智能的综合性研究课题。 说话人识别根据实现的任务不同， 可分为说话人辨认(Speaker Identification 和说人确认(Speaker Verification)两种类型。说话人识别根据系统对待识别语音内容的不同，又分为与文本有关(text-dependent)和与文本无关(text-independent)两种方式。 2.说话人识别的基本理论与前期处理 2.1语音产生模型 语音信号可以看成是激励信号经过一个线性系统而产生的输出。其中，声道模型为离散时域的声道传输函数，通常可以用全极点函数来近似。不同的说话人其声道形状是不同的，因此具有不同的声道模型。的表达式为： 式中p为全极点滤波器的阶数，为滤波器的系数。P值越大，则模型的传输函数和实际声道的传输函数的吻合程度就越高。当然p也不能取得太大，一般情况下p取8到12。 2.2 说话人识别基本原理 图 1 给出了说话人识别系统框图，和语音识别系统一样，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。在训练阶段，系统的每个使用者说出若干训练语句，系统据此建立每个使用者的模板或模型参量参考集。而在识别阶段，待识别说话人语音中导出的参量要与训练中的参考参量或模板加以比较，并且根据一定的相似性准则形成判断。 2.3 预处理 通常，输入的语音信号都要进行预处理，其过程的好坏也在一定程度上对系统的识别效果产生影响。一般的预处理过程为：（1）采样量化：语音信号通常以 8kHz或更高的采样速率数字化，每个采样至少用8比特表示；（2）预加重：由于语音信号的平均功率谱受声门激励和口鼻辐射的影响，在高频端大约在800Hz以上按6dB/倍频程跌落，为此要进行预加重。预加重的目的是将更为有用的高频部分频谱进行提升，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取频谱，以便于进行频谱分析或声道参数分析。声音经过 8kHz 或更高的采样速率的采样后转成数字语音信号，接着通过一个一阶高通滤波器来做预加重处理以突显高频部分。其传递函数为：，一般的值取0.95左右；（3）端点检测：端点检测就是对输入语音信号进行判断，从背景噪音中准确找出语音的起始点和终止点。有效的端点检测不能消除无声段的噪音。但可以使处理语音信号的时间减到最小。目前的端点检测技术大都是基于语音信号的时域特征来进行的，一般常采用两种时域特征：短时能量和短时过零率，通过设定它们的门限值进行检测；（4）分帧：由于语音信号的准平稳特性，使得其只有在短时段上才可被视为是一个平稳过程，所以绝大部分的说话人识别系统都是建立在短时频谱分析的基础之上，把一定长度的语音分为许多帧来分析。这样做之后语音信号可以被认为是平稳的。系统也就可以使用对平稳过程的分析方法对语音信号进行分析。由此可见语音信号需要被划分为一个一个的短时段。每一个时段称为一帧，每一帧的长度大概为10-30ms。现在所使用的分帧方法为了使帧与帧轮之间平滑过渡并保持其的连贯性，一般采用交叠分段的方法，即每一帧的帧尾与下一帧的帧头是重叠的。（5）加窗：针对每一个音框乘上汉明窗以消除音框两端的不连续性，避免分析时受到前后音框的影响；（6） 最后，将音框通过低通滤波器，可去除异常高起的噪声。 3.特征提取 经过预处理后，几秒钟的语音就会产生很大的数据量。提取说话人特征的过程，实际上就是去除原来语音中的冗余信息，减小数据量的过程。从语音信号中提取的说话人特征参数应满足以下准则：对局外变量(例如说话人的健康状况和情绪，系统的传输特性等)不敏感；能够长期地保持稳定；可以经常表现出来；易于对之进行测量；与其它特征不相关。 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