噪聲環(huán)境中基于VQ說話人識別

張飛云 王紅艷

摘 要:噪聲環(huán)境下,為了提高說話人識別系統(tǒng)的魯棒性,需要對系統(tǒng)進行各種抗噪聲處理。采用梅爾頻率倒譜系數(shù)作為語音的特征參數(shù),矢量量化方法進行模式匹配,將改進的基于聽覺掩蔽效應的語音增強器作為預處理器,對語音信號首先進行降噪處理。語音增強器實驗結(jié)果表明,經(jīng)過降噪處理后提高了輸入信號的信噪比,減少了語音失真,同時很好地抑制了背景噪聲和殘余音樂噪聲。將經(jīng)過降噪處理的語音信號送入說話人識別系統(tǒng),提高了系統(tǒng)的識別性能。

關(guān)鍵詞:說話人識別;矢量量化;掩蔽閾值;掩蔽效應;MFCC

中圖分類號:TP391.4

0 引 言

說話人識別可以看作是語音識別的一種特殊形式,是指通過對說話人語音信號的特征分析與參數(shù)提取,從而對說話人身份進行辨認和確認。它與語音識別的不同之處在于:前者力求挖掘出包含在語音信號中的說話人的個性因素,強調(diào)的是不同人之間的個性差異;而后者則是為了提取語音信號中包含的詞語的共性信息,盡量把不同說話人的差別歸一化。

在實際應用中,由于多種因素的影響,音頻信號往往帶有不同類型的背景噪聲。這種差異性導致實驗室環(huán)境下成熟的說話人識別系統(tǒng)性能迅速下降。目前,帶噪語音的說話人識別是現(xiàn)今說話人識別研究的一個熱點和難點。

1 改進的基于聽覺掩蔽效應的語音增強

將改進的基于聽覺掩蔽效應的語音增強器作為預處理器,對語音信號首先進行預處理,再送入說話人識別系統(tǒng)組成抗噪聲說話人識別系統(tǒng)。如圖1所示。

在眾多基于聽覺掩蔽效應的語音增強方法中,對噪聲的估計大都使用MS(Minimum Statistics)方法。但經(jīng)試驗發(fā)現(xiàn)這些方法并不是最好的。而對噪聲的估計不當,則會使得對后續(xù)的掩蔽參數(shù)調(diào)整出現(xiàn)偏差,從而影響增強效果;若對噪聲估計合理,則可以得到很好的增強效果。改進的基于聽覺掩蔽效應的語音增強可以快速跟蹤外界環(huán)境變化的噪聲估計方法來估計噪聲,該方法先在幀上判斷語音的有無,而后在頻率點上判斷語音的有無,然后利用估計出的噪聲同時結(jié)合掩蔽效應自適應設(shè)定增強系數(shù)。

1.1 算法描述

假設(shè)含噪語音信號y(n)表示為:y(n)=s(n)+d(n)。式中:s(n)為純凈語音信號;d(n)為加性噪聲。由于增強是按幀進行的,所以可把上述模型寫成幀的形式:y(m,n)=s(m,n)+d(m,n),m=1,2,…,N;㎞=1,2,…N-1。式中:m為幀號;N為幀長,對其進行傅里葉變換得:Y(m,k)=S(m,k)+D(m,k)。б用一種常用的語音增強減譜法模型

否則:

和β(m,k)分別為時間和頻率的函數(shù);α(m,k)用于控制增強語音的殘留音樂噪聲,其值根據(jù)人耳的聽覺掩蔽特性確定;而系數(shù)β(m,k)в糜誑刂圃鑾坑鏌艫男旁氡取Ｆ渲蹈據(jù)最小均方誤差準則確定。

1.1.1 噪聲的估計

先在三個頻率子帶(0~1 000 Hz,1 000~3 000 Hz,3 000 Hz以上)上計算帶噪音的信噪比都小于某個門限σ時,該幀就被認為是非語言幀,噪音被更新為:[JP]

ИD(m,k)=εD(m-1,k)+(1-ε)|Y(m,k)|2И

否則被認為是語音幀。再按照頻率點來判斷語音是否存在,具體方法為:先找出當前帶噪語音的最小能量Е血┆玬in(m,k),如果ρ┆玬in(m-1,k)<ρ(m,k),那么:

否則:

ИЕ血┆玬in(m-1,k)=ρ(m,k)[JY](9)И

然后計算帶噪語音能量與當前最小能量的比值S玶(m,k)=ρ(m,k)/ρ┆玬in(m,k)。將該比值與一個依賴于頻率的門限δ(k)相比,若大于該門限則認為在這個頻率點上包含了語音,此時平滑參數(shù)α玸(m,k)=α1;否則沒有包含語音,α玸(m,k)=α2,其中的α1,α2Ь為經(jīng)驗值。至此噪聲利用下式確定為:

1.1.2 掩蔽閾值的計算

在此首先將語音信號進行臨界頻帶分析或Bark分析。利用FFT求得語音信號功率譜E(m,k),將語音信號的頻率域劃分為不同的臨界頻帶,語音在各個臨界頻帶的能量B璱=分別表示臨界頻帶的上限和下限,i=1,2,…,i┆玬ax是臨界帶號?？紤]到各個頻帶間相互掩蔽的影響,定義如下的傳播函數(shù):

由于噪聲和音調(diào)的掩蔽特性不同,因此首先判斷各個頻帶是噪聲還是音調(diào),可以根據(jù)譜平坦度И玈FM=μ玤/μ玜來判斷,其中,μ玤,μ玜Х直鴇硎靖鞲銎蕩功率譜的幾何和算術(shù)平均值,且SFM∈[0,1],為0表示具有純音調(diào)特性,純音調(diào)的掩蔽閾值偏移量為(14.5+玦)dB;為1表示具有白噪聲特性,白噪聲的掩蔽閾值偏移量為0.5 dB。根據(jù)SFM的定義,定義音調(diào)系數(shù)Е=玬in(玈FMヾB/-60,1),則相對的掩蔽閾值偏移量為:㎡璱=φ(14.5+i)+5.5(1-φ),此時掩蔽閾值㏕(m,i)=10┆玪g玕[C璱-(O璱/10)]。在各個臨界頻帶上,語音信號具有相同的掩蔽特性,將T(m,i)擴展到各個頻譜上,記為T′(m,i)。則最終的掩蔽閾值為T(m,i)=玬ax玕[T′(m,i),T璦(m,i)],其中T璦(m,i)為絕對聽閾,定義為:3.6f-0.8-7玡xp(f-3.3)2+0.007f4。И

2 說話人識別特征的提取

[JP2]多年以來,為找到合適的說話人識別特征參數(shù),研究人員進行大量的驗證和研究。目前說話人識別研究中已使用過的特征參數(shù)主要有基音及其共振峰、線形預測系數(shù)、倒譜系數(shù),而較常用的是美爾頻率倒譜系數(shù)[1,9,10](Mel[CD*2]Frequency Cepstrum Coefficent,㎝FCC)。[JP]

與普通實際頻率分析不同的是,MFCC的分析著眼于人耳的聽覺機理,依據(jù)聽覺實驗的結(jié)果來分析語音的頻譜,使之更加符合人耳對頻率高低的非線性心理感覺,以期獲得高的識別率和好的噪聲魯棒性。具體的算法是將頻譜轉(zhuǎn)化為基于Mel頻標的非線性頻譜。㎝el頻標與頻率的關(guān)系可用式(13)近似表示:

在實際應用中,MFCC的計算過程為:

(1) 將信號進行短時傅里葉變換得到其頻譜;

(2) 求它的頻譜幅度的平方,即能量譜,并用一組三角形濾波器在頻域?qū)δ芰孔V進行帶通濾波。這組帶通濾波器的中心頻率是按Mel頻率刻度均勻排列的(間隔150Mel,帶寬300Mel),每個濾波器的三角形的兩個底點的頻率分別等于相鄰的兩個濾波器的中心頻率,即每兩個相鄰的濾波器的過渡帶相互搭接,且頻率響應之和為1;濾波器的個數(shù)通常與臨界帶數(shù)相近(略小),設(shè)濾波器數(shù)為M,濾波后得到的輸出為:X(k),﹌=1,2,…,M;

(3) 將濾波器組的輸出取對數(shù),然后對它做2MУ隳胬肷⒏道鏌侗浠,即得到MFCC。由于對稱性,此變換式可簡化為:

這里MFCC系數(shù)的個數(shù)獿通常取12~16,本文采用13節(jié)狹FCC系數(shù)。

3 VQ說話人識別算法

矢量量化的基本原理:將若干個標量數(shù)據(jù)組成一個矢量(或者是從一幀語音數(shù)據(jù)中提取的特征矢量)在多維空間給予整體量化,從而可以在信息量損失較小的情況下壓縮數(shù)據(jù)量。在以下的討論中S表示樣本點集合,[WTHX]X[WTBX]表示一個樣本,d([WTHX]X[WTBX],[WTHX]Y[WTBX])表示兩個矢量[WTHX]X和Y[WTBX]е間的距離。

3.1 分裂法求初始碼本

首先求出S中全體[WTHX]X的質(zhì)心Y[WTBX]([WTHX]Y[WTBX]=∑[WTHX]X[WTBX]/N),然后在S中找一個與此質(zhì)心的畸變最大的矢量[WTHX]X[WTBX]璲,再在S中找一個與[WTHX]X[WTBX]璲的誤差最大的矢量[WTHX]X[WTBX]璳,以[WTHX]X[WTBX]璲和[WTHX]X[WTBX]璳為基準,S中的矢量與[WTHX]X[WTBX]璳距離較近的矢量歸于子集S璳,反之歸于S璲,Х直鷚哉飭礁鱟蛹作為初始碼本。

3.2 LBG算法來實現(xiàn)

(1) 將形成VQ碼本所需全部輸入矢量[WTHX]X[WTBX]存儲于計算機內(nèi)存中;

(2) 設(shè)置迭代算法的最大迭代次數(shù)L;

(3) 設(shè)置畸變改進閥值δ;

(4) 設(shè)置M個碼字的初值[WTHX]Y[WTBX]01,[WTHX]Y[WTBX]02…[WTHX]Y[WTBX]0㎝;

(5) 設(shè)置畸變初值D(0)=∞;

(6) 設(shè)置迭代初值m=1;

3.3 改進的LBG算法

由于LBG算法生成碼本的好壞與初始碼本有很大關(guān)系,采用改進的LBG算法,即先由分裂法產(chǎn)生2個矢量的初始碼本,再由LBG算法聚類,生成2個子集;2個子集分別用分裂法各產(chǎn)生2個矢量的碼本,再用LBG算法優(yōu)化,如此反復B次,可產(chǎn)生含2獴個矢量的碼本。

4 實驗與分析

實驗中的干凈信號是由消聲室中利用專業(yè)音頻卡錄制的“干”信號卷積混響時間為0.43 s的虛擬脈沖得到的;采樣頻率11 025 Hz,16 b量化,用于測試的帶噪語音是由干凈語音疊加白噪聲得到的。輸入的語音信號取每幀長256點,幀移128點,加Hanmming窗,預加重系數(shù)取0.95。利用VC++6.0組成抗噪聲說話人識別系統(tǒng)。

參加實驗的人數(shù)共有40人,均為在校學生,年齡在25歲左右,其中19位女生,21位男生,每人錄制了5段12秒語音。前三段訓練,后兩段識別。在實驗中,如果只對干凈的語音信號進行識別,待識別的語音只用通過系統(tǒng)中的識別,不需要任何的增強處理,識別率可以達到99%。

對含噪的語音信號進行識別,在識別之前,經(jīng)過改進的基于聽覺掩蔽效應的語音增強降噪處理后,識別率會得到很大的改善。

[HJ0]改進的基于ぬ覺掩蔽ばвΦ撓鏌舄ぴ鑾35.561.572.095.5[HJ][HT5SS]

由表1可以看出,當信號受到白噪聲污染時,直接接入說話人識別系統(tǒng)進行識別時,系統(tǒng)性能急劇下降。譜減法對于降低噪聲對說話人識別系統(tǒng)有一定的作用,而當受白噪聲污染的語音信號經(jīng)過改進的基于聽覺掩蔽效應的語音增強方法進行降噪處理后,再接入說話人識別系統(tǒng),系統(tǒng)性能得到大大提高。

5 結(jié) 語

將改進的基于聽覺掩蔽效應的語音增強器作為預處理器,用于噪聲環(huán)境下說話人識別中。實驗結(jié)果表明經(jīng)過降噪處理后提高了輸入信號的信噪比,減少了語音失真,同時很好地抑制了背景噪聲和殘余音樂噪聲。將經(jīng)過降噪處理的語音信號送入說話人識別系統(tǒng),提高了系統(tǒng)的識別性能。

參 考 文 獻

[1]趙力.語音信號處理[M].北京:機械工業(yè)出版社,2003.

[2]Heck L P,Konig Y,Sonmez M K,玡t al.Robustness to Telephone Handset Distortion in Speaker Recognition by Discriminative Feature Design[J].Speech Communication,2000,31:181[CD*2]192.

[3]王吉林,趙力,鄒采榮.基于概率DP匹配法的噪聲環(huán)境下說話人識別方法的研究[J].電聲技術(shù),2005(8):17[CD*2]19.

[4]Damper R I,Higgins J E.Improving Speaker Identification in Noise by Subband Processing and Decision Fusion[J].Pattern Recognition Letters,2003(24):2 167[CD*2]2 173.

[5]馬義德,邱秀清,陳昱蒞,等.改進的基于聽覺掩蔽特性的語音增強[J].電子科技大學學報,2008,37(2):255[CD*2]257,304.

[JP2][6]Sundarrajan R.Noise Estination Algorithms for Highly ㎞on[CD*2]stationary Environments[D].Dallas:University of Texas,2004,1(1):305[CD*2]308.[JP]

[7]Srael C.Noise Estination by Minima Controlled Recursive Averaging for Robust Speech Enhancement[J].IEEE Signal Processing Letters,2002,9(1):12[CD*2]15.

[8]江小平,姚天仁,傅華.基于最小統(tǒng)計量和掩蔽效應的單通道語音增強[J].通信學報,2003,24(6):23[CD*2]31.

[9]余建湖,張瑞林.基于MFCC和LPCC的說話人識別[J].計算機工程與設(shè)計,2009,30(5):1 189[CD*2]1 192

.

[10]宮曉梅.噪聲環(huán)境下的MFCC特征提取[J].微計算機信息,2007,23(8):247[CD*2]249.

[11]桂蘋,吳鎮(zhèn)揚,趙力,等.基于VQ的說話人自動識別系統(tǒng)實現(xiàn)[J].電聲技術(shù),2003(10):11[CD*2]14.

作者簡介 張飛云 女,1976年出生,河南周口人,講師,碩士研究生。主要研究方向為語音信號處理。

王紅艷 女,1980年出生,河南許昌人,碩士研究生。主要研究方向為數(shù)字控制、計算機控制。