基于耳蝸倒譜系數(shù)的說話人識別

曾金芳 徐文濤 黃費貞

（湘潭大學(xué)物理與光電工程學(xué)院 湖南省湘潭市 411105）

說話人識別又叫聲紋識別。說話人識別技術(shù)以其獨特的方便性、經(jīng)濟性、準(zhǔn)確性受到 了世人的矚目，被廣泛應(yīng)用到信息安全領(lǐng)域、通信領(lǐng)域、司法領(lǐng)域和軍事領(lǐng)域[1]。說話人識別就是從說話人的一段語音中提取出說話人的個性特征，通過對這些個性特征的分析和識別，從而達(dá)到對說話人進(jìn)行辨認(rèn)的目的[2]。這些個性特征就是說話人識別重點研究的內(nèi)容。

聲學(xué)特征主要有:線性預(yù)測系數(shù)(Lin- ear prediction cepstral coefficient, LPC C)、梅爾倒譜系數(shù)( Mel frequency cepstral coefficient, MFCC)[3]以及耳蝸倒譜系數(shù)(Cochlear filter cepstral coeffi- cients, CFCC)[4]等。最常用的MFCC 是根據(jù)人耳結(jié)構(gòu)設(shè)計的三角濾波器組進(jìn)行特征提取的，但在噪聲情況下的識別效果急劇下降[5]。CFCC特征提取方法并沒有考慮到人耳聽覺的神經(jīng)元動作電位發(fā)放率與聲音強度的飽和關(guān)系特性，而這種關(guān)系特性推導(dǎo)出非線性冪函數(shù)可以近似于聽覺神經(jīng)元[6]。通過對文獻(xiàn)[6]的算法實驗分析，發(fā)現(xiàn)其非線性冪函數(shù)參數(shù)調(diào)整為1/15 時，在說話人識別方面信噪比較高的情況下有較好的效果。為了提高低信噪比情況下說話人的識別率，本文將語音增強算法的維納濾波[7]加入前端處理。雖然增加了步驟，但總體上容易實現(xiàn)。

筆者在前人研究的基礎(chǔ)上，在說話人識別方面采用能夠模擬人耳聽覺特性的非線性冪函數(shù)提取新的耳蝸倒譜系(New Cochlear filter cepstral coeffici- ents,NCFCC)，驗證NCFCC 特征對于CFCC的優(yōu)勢和缺點，然后通過維納濾波來改進(jìn)其缺點。

1 CFCC特征參數(shù)提取

CFCC 是由貝爾實驗室的Li Q 在2011年首次提出的并應(yīng)用于說話人識別的特征參數(shù)[4]。CFCC 特征參數(shù)提取方法如圖1 所示。

假設(shè)f(t)是一個原始的輸入語音信號，則耳蝸濾波器變換的函數(shù)可以定義為：

式中：a,b 為實數(shù)。

式中：α>0 和β>0，α,β 決定了ψ(t)的頻域形狀和寬度，α 和β的一般取經(jīng)驗值為α=3、β=0.2。θ 為控制沖激響應(yīng)的角度，它的取值應(yīng)該滿足積分表達(dá)式：

μ(t)為單位步進(jìn)函數(shù)，b 為隨時間可變的實數(shù)，a 為尺度變量，一般情況下可由濾波器的質(zhì)心頻率fc和最低中心頻率fL決定：

圖1：CFCC 特征提取框圖

圖2：本文特征提取過程

由式（4）可知，a 的取值范圍0

式中：d=max{3.5τi, 20ms}, τi表示第i 個子帶中心頻率的周期，j 為幀數(shù)；L 為分幀的幀移。對y(i,j)進(jìn)行離散余弦變換(DCT)變換從而提取CFCC 特征。

2 非線性冪函數(shù)和維納濾波的特征提取

2.1 非線性冪函數(shù)的特征提取

CFCC 作為聽覺特征參數(shù)，式（7）的提取過程中采用立方根函數(shù)來模擬非線性響度變換的過程。雖然立方根可以得到很好的模擬效果，但聽覺特性的非線性不一定就是立方根，可以是非線性冪函數(shù)或?qū)?shù)函數(shù)等。經(jīng)過試驗在高信噪比的環(huán)境下立方根的效果不是很理想，而非線性冪函數(shù)卻有比較好的效果。通過實驗非線性冪函數(shù)比對數(shù)函數(shù)和立方根有更好的效果，因此采用NCFCC 來模擬人耳聽覺特性。多次實驗發(fā)現(xiàn)非線性冪函數(shù)取1/15 效果最好，其方程可表示為：

2.2 維納濾波

表1：純凈語音下算法識別率對比

表2：三種噪聲情況下算法識別率對比

圖3：白噪聲環(huán)境下識別結(jié)果對比

維納濾波的基本原理是根據(jù)全部過去的和當(dāng)前的觀察數(shù)據(jù)來估計信號的當(dāng)前值，它的解是以均方誤差最小為條件所得到的系統(tǒng)的傳遞函數(shù)Н(w)形式給出的。

設(shè)帶噪語音信號為：

其中，x(n)表示帶噪信號；s(n)表示純凈語音；v(n)表示噪聲。則經(jīng)過維納濾波器h(n)的輸出響應(yīng)y(n)為：

理論上，y(n)應(yīng)盡量接近于s(n)，因此y(n)為s(n)的估計值。h(n)的頻域為Н(w)：

其中，Ps(w)為x(n)的功率譜密度；Pv(w)為噪聲的功率譜密度。本文算法提取過程如圖2。

3 實驗設(shè)計與分析

試驗環(huán)境是在MATLAB R2016a 平臺下完成的。試驗過程通過TIMIT 語音庫說話人79 人（56 男，23 女）進(jìn)行試驗，每個說話人錄制10 段語句，7 段用于模型訓(xùn)練，3 段用于測試。分類器采用高斯混合模型。

3.1 試驗一

為了驗證NCFCC 算法的有效性及其在噪聲環(huán)境下的識別性能，分別用NCFCC 算法和CFCC 算法以及MFCC 算法進(jìn)行比較，噪聲采用Noisex- 92 噪聲數(shù)據(jù)庫中的白噪聲進(jìn)行噪聲環(huán)境的仿真實驗。純凈環(huán)境下實驗結(jié)果如表1，加噪環(huán)境下實驗結(jié)果如圖3。

對表1 和圖3 的實驗分析，得出NCFCC 算法在高信噪比情況下比CFCC 的識別率好，但低信噪比的情況下識別率略差。而經(jīng)典算法MFCC 雖然在純凈語音情況下識別率較高，但其魯棒性相對于CFCC 和NCFCC 來說較差。

3.2 實驗二

由于低信噪比情況下NCFCC 算法比CFCC 算法的識別率略低，因此在前端加入維納濾波器，以提高語音信號的信噪比，從而得到本文算法。本文算法和CFCC 算法以及MFCC 算法在三種噪聲情況下對比。實驗結(jié)果如表2。

通過表2 可以發(fā)現(xiàn)本文算法相對于CFCC 算法識別率基本都有明顯提高。

4 結(jié)語

本文通過改進(jìn)CFCC 的非線性冪函數(shù)，然后在其前端加入維納濾波器的方法整體上提高了說話人識別率。從上面實驗可以發(fā)現(xiàn)改進(jìn)的算法在信噪比高的情況下識別率有所提高，就可以通過語音增強的方式來提高整體的說話人識別率，從而整體上提高算法的抗噪性能。