基于多分類支持向量機和主體延伸法的基音檢測算法

馮起斌，李鴻燕

（太原理工大學(xué) 信息與計算機學(xué)院，山西 晉中 030600）

0 引 言

基音周期是語音信號的一個重要特征參數(shù)，能否準(zhǔn)確地估計基音周期的大小在語音識別和分離、說話人識別及跟蹤等語音處理應(yīng)用中有著至關(guān)重要的作用?；驒z測的典型方法包括自相關(guān)函數(shù)法、倒譜法、小波變換法、線性預(yù)測法，以及在此基礎(chǔ)上衍生的多種算法[1-3]，這些算法可以在無噪聲或高信噪比環(huán)境下檢測出被測語音的基音周期。但是，隨著信噪比的降低，基音的線索會受到極大的干擾，導(dǎo)致算法在低信噪比境下不再適用。因此，低信噪比環(huán)境下的基音估計問題成為近年來該領(lǐng)域的熱點研究課題。

為在低信噪比環(huán)境下獲得較好的基音檢測效果，很多算法都采取了相應(yīng)的措施，例如近幾年提出的PEFAC 法[4-5]，該算法可以壓縮抑制部分噪聲，因此在低信噪比環(huán)境下能保持一定的基音檢測率，但是隨著噪聲強度的增加，語音信號的諧波結(jié)構(gòu)遭到破壞[6]，完整的基音周期變得難以分辨，使得檢測效果變得不盡人意。

分類算法相較于回歸預(yù)測在基音周期的估計中對語音要求少，使用更加靈活。支持向量機（Support Vector Machine，SVM）追求在有限的信息條件下獲得最優(yōu)的結(jié)果，有著很強的非線性分類能力。在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢[7]，非常適用于語音的處理。

針對低信噪比環(huán)境下的基音檢測問題，本文提出一種基于多分類支持向量機的基音檢測算法，該算法提取語音信號的對數(shù)頻域信息作為特征，通過支持向量機多分類器對帶噪語音的頻域信息與對應(yīng)基音周期之間的非線性映射關(guān)系進行建模；通過優(yōu)化參數(shù)對其進行訓(xùn)練，從而減少噪聲的影響，并利用主體延伸法選取出最合適的基音曲線，完成基音檢測。

1 算法描述

本文提出的基于多分類支持向量機的基音檢測算法，可以分為模型訓(xùn)練、獲取基音候選值和產(chǎn)生基音估計曲線三個部分。圖1為該算法的原理框圖。

圖1 基于多分類支持向量機的基音檢測算法原理框圖Fig.1 Principle diagram of pitch detection algorithm based on multi-class support vector machine

1.1 特征提取

當(dāng)讀取一段語音文件時，最初常常獲得的是語音信號的波形圖，這種時域特征所含信息冗余巨大，且并不能直接反映該語音基音的本質(zhì)特征，將其直接用作分類特征時，不但耗時，而且會影響分類效果。因此，本文選取信號的頻域特征作為分類依據(jù)[8]。

將待處理的語音信號通過短時傅里葉變換到頻域，第t幀信號在頻率f處的功率譜密度為Xt(f)，表達式如下：

式中：ak,t代表第t幀信號的K個諧波中第k個諧波的能量；f0為該幀信號的基音頻率；Nt(f)表示該幀信號所含噪聲的功率譜密度。將得到的功率譜密度函數(shù)轉(zhuǎn)換到對數(shù)域，表示為Xt(q)，其中q=logf，按式（2）進行規(guī)整化處理：

式中：L(q)表示長時平均語音譜為第t幀經(jīng)過平滑后的平均語音譜；而為規(guī)整化處理后的對數(shù)域功率譜密度。為了增強其諧波特性，將規(guī)整化后的功率譜密度通過一個擴展峰值的濾波器，濾波器定義為：

式中：α用于控制峰值寬度；選取β使得K為濾波器捕獲的諧波數(shù)。

式中，Yt(q)包含基音的相關(guān)信息，可以根據(jù)峰值的大小及其位置來估計基音周期的大小，若被測語音信號信噪比較高，則Yt(q)會在q=logf0處產(chǎn)生最大值。

然而，在低信噪比環(huán)境下，很難在噪音的干擾下尋找出代表基音的峰值。針對此問題，本文以卷積結(jié)果Yt(q)為基礎(chǔ)，使用多分類支持向量機從中計算出該幀語音可能的基音大小作為對應(yīng)的基音候選值。

由于語音信號在短時間內(nèi)有一定的相關(guān)性，為了提高檢測準(zhǔn)確率，將第t幀結(jié)果與附近兩幀合并，所得結(jié)果即為最終提取到的特征：

1.2 模型訓(xùn)練

1.2.1 SVM 模型構(gòu)造

最基本的SVM 是為尋求兩類線性可分樣本間的最優(yōu)分類面而提出的，本文選擇的SVM 分類器是在其基礎(chǔ)上發(fā)展來的C-SVM 分類器[9]。該分類器用核函數(shù)K(xi,x)將線性不可分的樣本映射到高維空間，并在這個新空間中尋找樣本的分類超平面，而對無法用直線完全正確劃分的近似可分問題，C-SVM 用懲罰參數(shù)C表示對錯誤分類的懲罰程度。用有l(wèi)個樣本的集合T=訓(xùn)練 C-SVM，其中xi∈Rn，代表第i個樣本的數(shù)據(jù)值，yi是第i個樣本的標(biāo)簽，訓(xùn)練公式如下：

式中，ai為第i個樣本的 Lagrange 乘子，對式（6）求得最優(yōu)解從中選取一個分量使得：

最后得到?jīng)Q策函數(shù)：

對C-SVM 分類器來說，懲罰參數(shù)C和核函數(shù)中參數(shù)γ的選擇是能否取得滿意分類效果的關(guān)鍵。γ過大會造成過學(xué)習(xí)問題，過小則會產(chǎn)生欠學(xué)習(xí)問題，C的大小則會影響SVM 的經(jīng)驗風(fēng)險和置信區(qū)間之間的平衡。

本文使用網(wǎng)格尋優(yōu)方法在有限的范圍內(nèi)尋找到合適的參數(shù)C以及γ的大小，主要過程是參數(shù)C以及γ以一定的間隔進行取值然后各選一值進行組合，在n×m種組合結(jié)果中取令分類結(jié)果最佳的一組為最終的參數(shù)尋優(yōu)結(jié)果。

單個的SVM 分類器只能解決二分類問題，在解決多分類問題時，需要將多個二值SVM 分類器按一定方法組合構(gòu)成多類分類器。在本文中，將多個C-SVM 分類器以一對一的形式進行組合，構(gòu)成SVM 多分類器，如圖2所示。

圖2 一對一SVM 多分類器構(gòu)成示意圖Fig.2 Structure diagram of one-to-one SVM multi-classifier

對于一個K分類的問題，需要個二值SVM 分類器，每個分類器對兩種類型進行投票，最后得票數(shù)最多的種類即為輸入樣本所屬的種類。

1.2.2 C-SVM 多分類器的模型構(gòu)造及訓(xùn)練

首先確定分類范圍及類型。人類說話的基音可信范圍60～400 Hz，是一個連續(xù)的范圍，故在作為分類結(jié)果時要先進行量化處理。誤差在大小相同的情況下，對低頻區(qū)的影響要遠遠高于高頻區(qū)，因此在低頻區(qū)量化點數(shù)比較稠密，而在高頻區(qū)則相對稀疏?，F(xiàn)用每8 度24 個頻點[10]將整個基音可信范圍量化為67 個狀態(tài)，即s1，s2，…，s67。其中第m個狀態(tài)對應(yīng)的基音頻率是Hz，加上清音狀態(tài)，記作s0，共計 68 個狀態(tài)作為SVM 分類器的分類結(jié)果。

在實驗的訓(xùn)練階段，將提取到的特征值作為輸入數(shù)據(jù)，每幀所對應(yīng)的標(biāo)準(zhǔn)基音頻率作為輸出進行訓(xùn)練，得到訓(xùn)練好的SVM 多分類器模型。

1.2.3 獲取基音候選值

對于一個待估計的語音信號，進行分幀處理后通過特征提取模塊以降低其與基音無關(guān)的冗余。將每幀信息所對應(yīng)的特征輸入到已構(gòu)造并訓(xùn)練好的C-SVM 多分類器模型中，這種一對一多分類器將會對所有可能的基音狀態(tài)進行投票，取得票數(shù)最多的三個狀態(tài)作為該幀信號基音的候選值，即第t幀所對應(yīng)的基音候選值是這三個基音候選值所獲得的票數(shù)由大到小排列，即該幀信號基音狀態(tài)是Z1(t)的可能性最大，其余兩個的可能性依次減少。

1.3 主體延伸法

獲得基音候選值后，本文采用一種主體延伸的方法，結(jié)合幀與幀之間的時序信息，在候選基音中選取合適值連接起來作為被測信號的基音狀態(tài)估計曲線。

由于語音在短時間內(nèi)可以看作是穩(wěn)定的，即語音的清濁交替不會在很短的時間內(nèi)完成多次，因此當(dāng)判斷的清音段和濁音段比較短時，可以認(rèn)為這段時間內(nèi)，基音的判斷并不準(zhǔn)確。因此，以可能性最大的Z1(t)為基礎(chǔ)，進行基音狀態(tài)曲線的勾畫。首先從整條測試語音的第1 幀開始向后尋找連續(xù)的清音段或是濁音段，如圖3中的段 1 到段 5 所示。

圖3 主體延伸法示意圖Fig.3 Schematic diagram of main body extension method

選取長度大于40 ms 的濁音段和長度大于70 ms 的清音段作為主體。設(shè)段1、段3 和段5 滿足上述條件，被認(rèn)為是主體。然后依照主體向后延伸，直到下一個主體，第一個主體（即段1）還需要向前延伸，延伸部分應(yīng)與主體性質(zhì)保持一致。

當(dāng)主體為一段清音序列時，在延伸過程中將遇到的濁音序列認(rèn)為是被誤判作濁音幀的清音幀，予以修正。而當(dāng)主體是一段濁音幀時，在延伸過程中遇到的清音序列需要通過其余基音候選值進行修正。若從第t幀開始需要修正，則修正方法如下：

式中：A(t)為第t幀的基音估計狀態(tài)；而A(t-1)則為前一幀的基音估計狀態(tài)。通過上述步驟可以將零散的基音候選值連接成基音狀態(tài)估計曲線，經(jīng)過反量化處理后獲得基音估計曲線，反量化公式為：

式中，B(t)為第t幀信號的基音估計值，單位為Hz。隨后通過三點平滑處理，使得每幀之間過渡更加合理，最終得到被測信號的基音估計曲線。

2 實驗結(jié)果與分析

本文訓(xùn)練及測試時所使用的純凈語音來自于TIMIT 標(biāo)準(zhǔn)語音庫（http：//www.fon.hum.uva.nl/david/ma_ssp/2007/TIMIT/），從中選取一條語音，將其與人聲babble 噪聲、機械噪聲和粉紅噪聲分別按-5 dB，0 dB，5 dB 三種信噪比進行混合，將這些帶噪語音及純凈語音共10 條語音作為訓(xùn)練組進行特征提取，訓(xùn)練模型。另選取三條語音，按照按20 dB，10 dB，5 dB，0 dB，-5 dB，-10 dB 這六種信噪比與上述三種噪音進行混合，所得的18 條語音信號作為測試組對算法進行檢驗。使用Praat 語音學(xué)軟件提取出純凈語音的基音頻率作為標(biāo)準(zhǔn)，將其進行量化處理，分別與上述10 條語音的特征一一對應(yīng)作為SVM 分類器的輸出進行監(jiān)督學(xué)習(xí)。

本實驗使用網(wǎng)格尋優(yōu)算法尋找合適的C和γ的大小，使得被訓(xùn)練數(shù)據(jù)在三折交叉檢驗下獲得最高的分類準(zhǔn)確率。為了提高尋找效率，網(wǎng)格以指數(shù)形式設(shè)計，在2-12～20之間尋找合適的γ，在 20～210之間尋找合適的C，兩參數(shù)步進大小都為指數(shù)增長，例如C在網(wǎng)格中的取值是20,21,…,210。以此網(wǎng)格進行參數(shù)尋優(yōu)，所得的交叉檢驗準(zhǔn)確率如圖4所示。

圖4 交叉檢驗準(zhǔn)確率Fig.4 Accuracy rate of cross check

實驗結(jié)果表明，在C=29，γ=2-11處獲得最高的分類準(zhǔn)確率為96.13%，且在附近網(wǎng)點處變化平緩，故可作為取得的最佳參數(shù)。

完成多分類SVM 模型的構(gòu)造后，利用所得的模型以及被測語音的特征值羅列出可能的基音候選值，使用主體延伸的方法從中選出最終的基音估計值，圖5為使用本文算法對測試組中的一條純凈測試語音進行基音估計的結(jié)果。

圖5 本文算法的基音檢測結(jié)果Fig.5 Pitch detection results of the proposed algorithm

為了檢驗本文算法的有效性，采用兩個評價指標(biāo)：基音頻率檢測正確率R1和濁音判斷錯誤率R2，作為客觀評價標(biāo)準(zhǔn)。對于某一幀信號估計的基音頻率與真實基音相差小于5%，則認(rèn)為該幀的基音估計正確，反之錯誤。

基音頻率檢測的正確率R1表示為：

式中：N表示基音判斷正確的幀數(shù)；M表示總幀數(shù)。R1越大，表示算法性能越好。

濁音判斷的錯誤率R2為被錯誤判斷的語音幀占語音總幀數(shù)的百分比，表示為：

式中：W1表示被錯判為非濁音幀的幀數(shù)；W2表示被錯判為濁音幀的幀數(shù)。R2越小表示清濁音判斷的準(zhǔn)確性越好。

將本文算法與PEFAC 算法以及主體延伸法這兩種基音估計算法進行比較。主體延伸法先用語音信號的能熵比檢測元音主體，再從自相關(guān)函數(shù)的峰值中動態(tài)規(guī)劃出基音曲線。PEFAC 算法利用濾波器壓縮抑制噪聲，并從信號的頻域信息中計算基音周期的大小。表1列出了三種算法在不同信噪比下的基音頻率檢測正確率。實驗結(jié)果表明，R1的大小與信噪比成正比例關(guān)系。主體延伸法在高信噪比環(huán)境下檢測結(jié)果良好，但無法在低信噪比狀態(tài)下正常工作；而本文算法和PEFAC 算法在低信噪比甚至是負信噪比環(huán)境下仍能取得較好的檢測結(jié)果，且相比于PEFAC 算法，本文算法提高了約5%的正確率。在訓(xùn)練SVM 多分類器時，雖然只在-5 dB，0 dB，5 dB 三種信噪比的環(huán)境下完成了對模型的構(gòu)造；但測試結(jié)果表明，本文所提的算法在-10 dB 的環(huán)境下仍優(yōu)于其他算法，同時在高信噪比環(huán)境下也有較好的檢測效果。

表1 不同算法的基音頻率檢測的正確率Table 1 Accuracy of pitch frequency detection of different algorithms

一個優(yōu)秀的基音檢測算法不僅可以達到較高的基音檢測正確率，同時也能很好地區(qū)分清濁音片段，為進一步驗證本文算法對語音清濁音判斷的準(zhǔn)確性，將本文算法與PEFAC 算法以及主體延伸法進行比較。

表2表示三種算法在不同信噪比環(huán)境下的濁音判斷的錯誤率?？梢钥闯觯啾绕渌麅煞N算法，本文算法的濁音判斷錯誤率最低，這意味著它能夠更好地區(qū)分清音片段與濁音片段。

表2 不同算法的濁音判斷的錯誤率Table 2 Error rate of dull resonance judgment of different algorithms

實驗結(jié)果表明，相比PEFAC 算法和主體延伸法，本文所提的基于多分類支持向量機和主體延伸法的基音檢測算法具有更好的效果。

3 結(jié) 語

在低信噪比環(huán)境下對語音信號進行基音估計一直以來都是一個實用卻頗具難度的問題。本文提出一種基于多分類支持向量機的基音檢測算法，將被測信號的功率譜密度函數(shù)轉(zhuǎn)化到對數(shù)域后，通過一個擴展峰值的濾波器，所得結(jié)果作為特征參數(shù)，然后利用該語音信號的特征以及其標(biāo)準(zhǔn)基音周期對SVM 多分類器進行監(jiān)督訓(xùn)練。利用訓(xùn)練后的分類器模型對含有不同強度、噪聲的語音信號進行基音檢測，獲得的基音候選值使用主體延伸法進行處理，并經(jīng)過平滑處理后最終完成基音檢測。

仿真結(jié)果表明，本文所提算法可以適用于多種信噪比環(huán)境下的基音檢測，其基音檢測率以及濁音判斷率都有一定的提高，系統(tǒng)的穩(wěn)定性也得到了提高。