基于说话人声音识别的技术研究语音识别技术.docxVIP

基于说话人声音识别的技术研究语音识别技术 基于声音的 人身份 技 研究 通信 1203 班 成 ：艾洲、刘安邦、汪中日 余文正、王玉 、宁文静 xx-12-28 目背景 伴随着全球化、网 化、信息化、数字化 代的到来，我 高可靠性的身份 技 与身份 技 的需求也日益增 。 在生物学和信息科学高度 展的今天，根据人体自身的生 理特征 ( 指 、虹膜? ) 和行 特征 ( 声音? ) 来 身份的生物技 作 一种便捷、 先 的信息安全技 已 在 生活中得到广泛的 用，它是集光学、 感技 、 外 描和 算机技 于一身的 第三代身份验证技术， 能满足现代社会对于身份鉴别的准确性、 安全性与实用性的更高要求。 而语音是人的自然属性之一，由于说话人发声器官的生理 差异以及后天形成的行为差异，每个人的语音都带有强烈的个人色彩，这使得通过分析语音信号来识别说话人成为可能。 设计总体框架 语音库的建立 声音样本采集 2.1 特征参数提取 2.2 识别模型建立 语音识别测试 梅尔倒谱系数（ MFCC）简述 在话者识别方面，最常用到的语音特征就是梅尔倒谱系数 （ MFCC）。因为，根据人耳听觉机理的研究发现， 人耳对不同频率的声波有不同的听觉敏感度，得出从 200Hz到 5000Hz的语音信号对语音的清晰度影响最大。 所以，人们从低频到高频这一段频带内按临界带宽的大小由密到 疏安排一组带通滤波器， 对输入信号进行滤波。 将每个带通滤波器输 出的信号能量作为信号的基本特征， 对此特征经过进一步处理后就可 以作为语音的输入特征。 由于这种特征不依赖于信号的性质， 对输入 信号不做任何的假设和限制，又利用了听觉模型的研究成果。因此， 这种参数比基于声道模型的“线性预测系数 LPC”相比更好，更符合 人耳的听觉特性，而且当信噪比降低时仍然具有较好的识别性能。 MFCC 倒谱特征提取流图 1. 预加重 预加重处理其实是将语音信号通过一个高通滤波器：式中μ的值介于 0.9-1.0 之间，我们通常取 0.97 。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 的信噪比求 。 同 ，也是 了消除 生 程中声 和嘴唇的效 ，来 音信号受到 音系 所抑制的高 部分， 也 了突出高 的共振峰 分 先将 N个采 点集合成一个 ，称 。通常情况下 N 的 256 或 512，涵盖的 20~30ms左右。 了避免相 两 的 化 大，因此会 两相 之 有一段重叠区域， 此重叠区域包含了M个取 点，通常 M的 N的 1/2 或 1/3 。 通常 音 所采用 音信号的采 率 8KHz或 16KHz，以8KHz来 ，若 度 256 个采 点， 的 度是 256/8000 1000=32ms 3. 加窗 将每一 乘以 明窗，以增加 左端和右端的 性。假 分 后的信号 S(n), n=0,1 ?,N-1, N 的大小，那么乘上 明窗后 W(n) 形式如下： 不同的 a 值会产生不同的汉明窗，一般情况下 a 取 0.46 。 快速傅里叶变换 由于信号在时域上的变换通常很难看出信号的特性，所以通常将 它转换为频域上的能量分布来观察， 不同的能量分布， 就能代表不同 语音的特性。所以在乘上汉明窗后， 每帧还必须再经过快速傅里叶变 换以得到在频谱上的能量分布。 对分帧加窗后的各帧信号进行快速傅 里叶变换得到各帧的频谱。 并对语音信号的频谱取模平方得到语音信 号的功率谱。设语音信号的 DFT为： 式中 x(n) 为输入的语音信号， N 表示傅里叶变换的点数。式中 x(n) 为输入的语音信号， N表示傅里叶变换的点数。 5. Mel 滤波器组 将能量谱通过一组 Mel 尺度的三角形滤波器组，定义一个有 M个 滤波器的滤波器组（滤波器的个数和临界带的个数相近），采用的滤 波器为三角滤波器，中心频率为 f(m),m=1,2,...,M 。M通常取 22-26 。 f(m) 之间的间隔随着 m值的减小而缩小，随着 m值的增大而增宽，如图所示： 三角带通滤波器有两个主要目的： 对频谱进行平滑化，并消除谐波的作用，突显原先语音的共振峰 （因此一段语音的音调或音高，是不会呈现在 MFCC参数内，换句话 说，以 MFCC为特征的语音辨识系统，并不会受到输入语音的音调不 同而有所影响）此外，还可以降低运算量。 预加重代码： len=length(x1); heigt=0.98; for i=2:len x1(i)=x1(i)-heigt*x1(i-1); end for i=2:len x2(i)=x2(i)-heigt*x2(i-1);end 三角滤波器 if (f(m) fh=20000;