如何做好语音识别小车技术路线.docVIP

语音识别小车技术路线 李锦 由于在TMS320VC5402的基础上实现语音识别功能，需要对语音识别的算法进行深入了解，才能搭建合适的硬件平台，为以后的扩展做准备。现对DTW和基本的HMM语音识别算法理解如下： 由于DTW算法的计算量比较小，算法较简单，便于实现，而且在特定人语音识别方面可以达到非常好的效果，因此可以在这次小车制作过程中使用DTW算法。但如果要使小车对非特定人语音进行识别，DTW算法就很难达到较好的效果，必须采用HMM算法。 无论哪种算法对语音的前期处理工作都是一样的，必须经过预处理和参数提取工作！ 假设小车能够完成“前”，“后”，“左”，“右”，“停”五个动作，那就需要分别对这五个单音节进行处理。 图1.语音识别模型 一、录音 用麦克风录取某人的发音，采用8kHz采样率，16Bits量化，单声道录制，发声时间为2秒。这样每个字就要大约采集15000个点，其中包括有用语音，噪声和非语音信号，五个字就需要对75000个点进行处理，每段语音均要经过下述步骤。 二、预处理 为了使用数字信号处理的方法对输入语音信号进行处理和分析，需要对原始语音进行常规加工，称为前端预处理。包括预滤波、增益控制、A/D转换、预加重、信号加窗等。 预滤波 对采样后的语音先预滤波，去掉工频干扰(50Hz或60Hz)，然后进行归一化和预加重(6dB倍频程高频提升滤波器,如(1)式)，以提升高频部分，使信号频谱变得平坦。 X(n)是原始信号序列，Y(n)是预加重后序列，是预加重系数，通常取值为0.9375。 2.归一化 （2） 3．加窗分帧 语音信号的时域特性是非平稳，时变的，但通过加窗分帧的“短时”处理将其分为20ms～30ms的短时信号，帧移为10ms，在这段时间内可以认为语音是平稳的，非时变的。本文用256点的汉明窗进行分帧，帧移为80点。这种短时处理的方法表示为 (3) 15000个点经过加窗分帧，每帧256点，帧移80点，大约可以分为85帧。 三、端点检测 本文通过计算每帧语音信号的短时能量和平均过零率，利用VUS算法对信号进行端点检测，找到语音的起点和终点。 其中，是每帧信号的帧长256；是表示第n帧加窗信号。 通过端点检测后得到的有用语音大约为40～50帧，每帧256个点。 四．特征提取 语音识别中不能将去噪和分帧后的信号直接识别，而是经过变换，提取每帧信号的特征参数，表示该语音段，进行识别。本文采用了常用的Mel尺度倒谱参数(Mel-scaled Cepstrurm Coefficients，或称为Mel频率倒谱参数，简称MFCC)作为识别的语音参数，该参数能够比线性预测倒谱系数(LPCC)更好的提高系统的识别性能。 (5) MFCC参数是按帧计算的，流程如下： 将分帧后的信号依次通过FFT，取模的平方得到该帧信号的离散功率谱S(n)。 计算S(n)通过M个后的功率值，即计算和在各离散频率点上乘积之和，得到M个参数， 计算的自然对数，对计算其离散余弦变换，得到。 舍去代表直流成分的，取作为MFCC参数，K为MFCC的阶数。 本文预先设计的带通滤波器阶数M＝24，MFCC参数K＝24阶。 由于每一帧信号都可以提取出一帧24阶特征参数，得到大约50×24＝1200的点，即1k的存储空间。那么对五个字需要大约5k的空间存放它们的特征参数。由于表示信号的特征参数是由滤波器的阶数决定的，9～12阶也完全可以表示一帧语音的特征参数，所以可以节省存储空间，在识别率方面还有待试验证明。 五、识别算法（DTW算法） 在提取了参考模板（ref(i).mfcc）的特征参数和测试模板（test）的特征参数后就需要进行比对，这是识别过程。 由于训练的语音虽然MFCC阶数一样，但是帧数不一样，所以识别起来就必须要考虑它们的维数（阶数×帧数）差异。假设一个参考模板（ref(i).mfcc）的特征参数可以表示为｛R(1),R(2),…,R(m),…,R(M)｝，m为该训练语音的帧标号，测试模板（test）的特征参数可表示为｛T(1),T(2),…,T(n),…,T(N)｝，n为该测试语音的帧标号，n＝1为起点语音帧，n＝N为终点语音帧，一般情况下N是不等于M的。比较T和R的相似度就是DTW算法的基本思想，记为D[T，R]，距离越小相似度就越高，假设n和m分别为T和R的任意帧序号，则d[T(n)，R(m)]可以表示这两帧矢量间的距离。选择一条从左下脚出发，右上脚结束的路线表示这两个模板间的距离。 图2.DTW算法搜索路径 假设这条路径依