一种对混合说话人特征提取的新方法① - 计算机系统应用.pdf

2009 年 第 5 期 计 算 机 系 统 应 用 ① 一种对混合说话人特征提取的新方法 A New Method to Extract Mixed Speaker Feature 毛 鹏 杨鼎才 (燕山大学 信息科学与工程学院 河北 秦皇岛 066004) 摘 要： 本文在使用基音周期和美尔倒谱系数(MFCC)计算特征参数的基础上利用主成分分析(PCA)和线性判别 分析(LDA)相结合的方法，构造了一种新的混合特征参数。这种新的参数结合了基音周期和 MFCC 各 自的特点，利用他们在说话人个人信息上的互补性，然后利用 PCA 和 LDA 相结合的方法提取特征， 作为新的说话人特征。实验证明该方法具有更好地表征说话人特征的能力，能更好地识别说话人。 关键词： 说话人识别 基因周期 美尔倒谱系数 主成分分析 线性判别分析 1 引言 浊音时声带振动产生的周期性，可以较好地刻画出不 说话人辨认是通过对说话人语音信号的分析和特 同人各自的声带特性，反映了声带激励源的特点。基 征提取，确定说话人是谁。在说话人辨认系统中，特 音周期 T 为基音频率的倒数．若用一个基音周期内的 征的选择直接影响着整个系统的识别性能，为了减少 采样点数表征基音周期，则 T 取决于基音频率f 和语 p 后续处理的复杂度、提高系统的识别率，人们希望能 音采样频率f ，即T f / f 。基音容易被模仿，不 s s p 够尽可能的提取出一组维数小、鉴别能力强的特征矢 宜单独使用，但可以和倒谱参数相结合。 量。在说话人识别系统中常用的语音特征参数主要有 为了提高说话人识别的准确性和鲁棒性，本 LPC 倒 谱 系数(LPCC)、Mel 频率倒谱系数(MFCC) 文将 MFCC 和基音周期这两种特征进行组合，并 等[1,2]、基音周期和共振峰等。 且利用 PCA 和 LDA 相结合的方法，即通过 PCA 在 实 际 应 用 中 ， 一 般 多 选 取 MFCC(Mel 算法对初次参数进行降维、去相关，并在此基础 Frequency Cepstral Coefficients)作为特征矢量 上计算 LDA ，得到更具有可分性的特征矢量。因 来使用。其原因是由于 MFCC 从人耳对频率高低的 为当样本数小于样本维数时，直接运用 LDA 算法 非线性心理感觉角度反映了语音短时幅度谱的特 会出现小样本问题 ，即S 奇异。所以用 PCA 来