• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于GMM 的說話人識(shí)別系統(tǒng)研究及其MATLAB 實(shí)現(xiàn)

    2021-08-24 08:36:42何建軍
    軟件導(dǎo)刊 2021年8期
    關(guān)鍵詞:階數(shù)識(shí)別率高斯

    何建軍

    (深圳電器公司 技術(shù)中心,廣東深圳 518001)

    0 引言

    在現(xiàn)實(shí)生活中,很多情況下都需要驗(yàn)證人們的身份。隨著人們交際范圍的擴(kuò)大,人際關(guān)系也變得日趨復(fù)雜,人們往往需要與其他各行各業(yè)的人打交道,而這些人際交往往往又會(huì)涉及到一些金錢、個(gè)人隱私等方面的私密信息。因此,要想保障雙方正常且安全的交往,往往需要鑒定對(duì)方身份。

    為此,人們進(jìn)行了大量研究工作,試圖尋找一種更可靠、方便的身份驗(yàn)證方法。與傳統(tǒng)身份驗(yàn)證方式相比,生物特征認(rèn)證具有更好的可靠性與安全性[1]。生物特征包括聲紋、指紋、人臉、虹膜等。聲紋(Voiceprint)是一種聲波頻譜,其中包含了相應(yīng)的語言信息,查看時(shí)需用電聲學(xué)儀器進(jìn)行顯示。與指紋識(shí)別、臉部識(shí)別、手指靜脈識(shí)別等生物特征識(shí)別技術(shù)一樣,聲紋信息作為人的基本生理特征,有其獨(dú)特優(yōu)勢(shì)。如聲音是非接觸性的,用戶容易接受;聲紋信息不需要記憶,因此不存在被遺忘的情況;其還具有獨(dú)特性、唯一性和識(shí)別性強(qiáng)等特征。正因?yàn)榫哂幸陨蟽?yōu)點(diǎn),聲紋信息作為一種身份驗(yàn)證方式獲得了人們重視,并得到了廣泛研究,聲紋識(shí)別也應(yīng)運(yùn)而生。

    說話人識(shí)別(Speaker Recognition,SR)也稱為聲紋識(shí)別、話者識(shí)別,屬于生物特征識(shí)別技術(shù)的范疇,是一種通過聲紋信息識(shí)別說話人身份的技術(shù)。其以表征說話人個(gè)性的語音特征為標(biāo)準(zhǔn)及依據(jù),自動(dòng)對(duì)說話人身份進(jìn)行識(shí)別。

    根據(jù)識(shí)別方式的不同,說話人識(shí)別可分為說話人探測(cè)跟蹤、說話人辨認(rèn)與說話人確認(rèn)3 類[2]。

    (1)說話人探測(cè)跟蹤。說話人探測(cè)跟蹤(Speaker Seg?mentation and Clustering)也稱為說話人切分與聚類,是指在一段多人分時(shí)講話的語音中,正確將切換到下一個(gè)人說話的時(shí)間標(biāo)注出來。

    (2)說話人辨認(rèn)。說話人辨認(rèn)(Speaker Identification)也稱為說話人鑒別,是指從給定用戶集中將測(cè)試語音所屬的說話人辨認(rèn)出來,是一個(gè)一對(duì)多的分析過程。說話人辨認(rèn)又可劃分為“閉集(待鑒別的說話人一定不在設(shè)定的說話人集合范圍外)”和“開集(待鑒別的說話人可以不在設(shè)定的說話人集合范圍內(nèi))”兩種[3]。

    (3)說話人確認(rèn)。說話人確認(rèn)(Speaker Verification)也稱為說話人驗(yàn)證[4-7],是指通過對(duì)聲稱者(即聲稱自己是真實(shí)說話者)所說的一段測(cè)試語音按照某種判決方式確認(rèn)其是否為真實(shí)說話者,這是一個(gè)一對(duì)一的確認(rèn)過程。

    隨著嵌入式軟硬件技術(shù)與無線通信技術(shù)的迅猛發(fā)展,語音輸入與控制將成為手持移動(dòng)設(shè)備及嵌入式系統(tǒng)最佳的交互方式,以聲紋信息為特征的身份鑒別技術(shù)也顯得愈加重要。

    1 相關(guān)研究

    目前,針對(duì)說話人識(shí)別而提出的新的識(shí)別技術(shù)層出不窮,如結(jié)合GMM-UBM 結(jié)構(gòu)[8]與支持向量機(jī)(Support Vector Machine,SVM)[9-10]的技術(shù)、基于得分規(guī)整技術(shù)的HNORM、ZNORM 和TNORM 技術(shù)、潛伏因子分析(Latent Factor Anal?ysis,LFA)技術(shù)、應(yīng)用于說話人識(shí)別的大詞匯表連續(xù)語音識(shí)別(Large Vocabulary Continuous Speech Recognition,LVC?SR)技術(shù)等。然而,如今最出色的說話人識(shí)別系統(tǒng)依然是基于GMM 模型,尤其是基于UBM-MAP 結(jié)構(gòu)的系統(tǒng)。

    本文基于TIMIT 語料庫分析研究說話人語音信號(hào)預(yù)處理,以及說話人語音特征提取原理與方法,并利用MATLAB進(jìn)行美爾頻率倒譜系數(shù)(Mel Frequency Cepstrum Coeffi?cient,MFCC)[11]提取。在此基礎(chǔ)上詳細(xì)研究了GMM 模型基本原理,以及EM 算法和K-均值聚類算法,最后使用MATLAB 實(shí)現(xiàn)了基于GMM 模型的說話人識(shí)別系統(tǒng),完成了GMM 模型參數(shù)訓(xùn)練與識(shí)別過程。為分析該系統(tǒng)性能,本文通過實(shí)驗(yàn)分析了不同GMM 模型階數(shù)與不同訓(xùn)練語音樣本時(shí)長(zhǎng)對(duì)系統(tǒng)識(shí)別性能的影響。

    2 說話人識(shí)別系統(tǒng)

    2.1 說話人識(shí)別系統(tǒng)基本結(jié)構(gòu)

    一個(gè)完整的說話人識(shí)別系統(tǒng)建立與應(yīng)用過程可分為模型參數(shù)訓(xùn)練階段和結(jié)果識(shí)別階段[12]。

    模型參數(shù)訓(xùn)練階段:首先對(duì)訓(xùn)練語音進(jìn)行預(yù)加重、分幀與加窗等預(yù)處理,然后按照所選特征的計(jì)算方法對(duì)預(yù)處理后的語音信號(hào)提取特征參數(shù),最后用提取出的特征參數(shù)估計(jì)模型參數(shù)集并進(jìn)行存儲(chǔ),在識(shí)別階段作為參考模型。本文設(shè)計(jì)的說話人模型訓(xùn)練框圖如圖1 所示。

    Fig.1 Block diagram of speaker model training圖1 說話人模型訓(xùn)練框圖

    結(jié)果識(shí)別階段:前期處理與訓(xùn)練階段相同,即首先對(duì)待識(shí)別的語音進(jìn)行預(yù)加重、分幀及加窗等預(yù)處理,然后對(duì)預(yù)處理后的語音信號(hào)提取所選特征參數(shù),接下來將這些特征參數(shù)與預(yù)先存儲(chǔ)在計(jì)算機(jī)模板庫中的參考模板或模型進(jìn)行匹配計(jì)算,最后根據(jù)計(jì)算出的相似度,按一定準(zhǔn)則輸出匹配結(jié)果。本文設(shè)計(jì)的說話人識(shí)別框圖如圖2 所示。

    Fig.2 Block diagram of speaker recognition圖2 說話人識(shí)別框圖

    2.2 語音信號(hào)預(yù)處理

    2.2.1 采樣與量化

    語音信號(hào)是一維模擬信號(hào),其是一個(gè)幅度隨時(shí)間不停變化的時(shí)變信號(hào)。要想在計(jì)算機(jī)上處理語音信號(hào),必須先對(duì)其進(jìn)行采樣與量化,從而在時(shí)間和幅度上將其變成能在計(jì)算機(jī)上處理的離散的數(shù)字信號(hào)。

    根據(jù)奈奎斯特定理,為使采樣后的語音信號(hào)不丟失信息,采樣頻率必須設(shè)定為高于兩倍的語音信號(hào)最大頻率,才能用采樣后的語音信號(hào)重新構(gòu)造并還原出原始語音信號(hào)。在實(shí)際的語音信號(hào)處理過程中,采樣頻率一般取8~10kHz。在一些系統(tǒng)中為獲取更高的識(shí)別率,采樣頻率可取15~20kHz。

    采樣后的語音信號(hào)因其在幅度上還保持連續(xù),為使其幅度值也離散化,還需進(jìn)行量化處理。一般用二進(jìn)制表示量化值(即量化字長(zhǎng)),倘若用B 個(gè)二進(jìn)制數(shù)表示量化值,則:

    式(1)表明:量化器中每個(gè)bit 對(duì)信噪比的貢獻(xiàn)大約為6dB,當(dāng)量化字長(zhǎng)為10 bit 時(shí),信噪比為53dB。由于語音信號(hào)信噪比可達(dá)55dB,因此應(yīng)選擇大于10 bit 的量化字長(zhǎng)。

    2.2.2 語音信號(hào)預(yù)加重

    經(jīng)過采樣與量化后的語音信號(hào)還要進(jìn)行預(yù)加重處理,因?yàn)檎Z音信號(hào)在高頻處會(huì)有能量損耗,為彌補(bǔ)這些高頻損失,須在預(yù)處理過程中進(jìn)行預(yù)加重以提升高頻部分。

    可在A/D 轉(zhuǎn)換之前進(jìn)行預(yù)加重處理,不僅可達(dá)到預(yù)加重目的,而且可達(dá)到對(duì)語音信號(hào)動(dòng)態(tài)范圍進(jìn)行壓縮處理、提高語音信號(hào)信噪比的目的。也可在A/D 轉(zhuǎn)換之后進(jìn)行預(yù)加重處理,即利用能對(duì)高頻特征進(jìn)行提升的具備6dB/倍頻程的數(shù)字濾波器[13]進(jìn)行預(yù)加重處理。該數(shù)字濾波器的Z傳遞函數(shù)如下:

    式中,a為預(yù)加重系數(shù),其值接近于1,如取a=0.937 5。

    對(duì)于待處理的語音信號(hào),可用以下公式進(jìn)行預(yù)加重:

    式中,Sa為預(yù)加重操作前的原始語音信號(hào),Sp為預(yù)加重操作后的語音信號(hào)。

    2.2.3 語音信號(hào)加窗分幀

    語音信號(hào)幅值是隨時(shí)間變化而發(fā)生變化的,其不是一個(gè)穩(wěn)態(tài)過程[14],而是屬于時(shí)變信號(hào)。但是,在短時(shí)段上可認(rèn)為聲道形狀、激勵(lì)性質(zhì)保持不變,因此可采用穩(wěn)態(tài)過程分析方法進(jìn)行語音信號(hào)分析。短時(shí)分析的前提是獲取短時(shí)語音,即對(duì)輸入語音進(jìn)行劃分小段操作,也即加窗。窗函數(shù)對(duì)語音信號(hào)進(jìn)行分段操作,移動(dòng)窗函數(shù)即可獲得語音信號(hào)的一個(gè)個(gè)短時(shí)段。其中,一個(gè)短時(shí)段作為短時(shí)分析的一幀,一般而言,在一個(gè)短時(shí)段內(nèi)語音信號(hào)基本保持穩(wěn)定,聲道參數(shù)基本不發(fā)生變化。通常該短時(shí)段(也即一幀語音時(shí)長(zhǎng))取值范圍為10~30ms。

    為從每一幀中取出含有N 個(gè)樣本的語音信號(hào)序列,可將窗函數(shù)w(n)與原來的語音信號(hào)S(m)相乘。加窗運(yùn)算定義為:

    設(shè)窗口長(zhǎng)度為N,窗函數(shù)主要分為以下幾種:

    (1)矩形窗。

    (2)漢明窗(Hamming)。

    (3)漢寧窗。

    本文使用的是漢明窗。為使語音信號(hào)變化的信息盡可能不丟失,可采用相鄰兩幀之間有部分相互重疊的分段方法進(jìn)行分幀(即相鄰兩幀語音信號(hào)的前一幀語音信號(hào)末端與后一幀語音信號(hào)前端相重疊),令相鄰兩幀之間可最大程度地保留語音信號(hào)變化信息,從而使相鄰兩幀的過渡更加平滑。相鄰兩幀之間的重疊塊稱為幀移,其幀移量取值范圍一般為幀長(zhǎng)(即窗口長(zhǎng)度)的1/3~1/2。加窗以后得到的一幀語音采樣序列為:

    2.3 語音信號(hào)特征提取

    實(shí)驗(yàn)表明,能對(duì)說話人個(gè)性有效進(jìn)行描述的特征有:短時(shí)能量、短時(shí)平均幅度、短時(shí)平均過零率、短時(shí)頻譜、短時(shí)基音周期及基音頻率、共振峰頻率及帶寬、部分相關(guān)系數(shù)(PARCOR)特征、線譜對(duì)(LSP)特征、線性預(yù)測(cè)系數(shù)(LPC)、倒譜特征、美爾頻率倒譜系數(shù)(MFCC)等。下面介紹兩種主流的表征說話人個(gè)性的線性預(yù)測(cè)系數(shù)和美爾倒譜系數(shù)特征提取過程。

    2.3.1 線性預(yù)測(cè)系數(shù)(LPC)

    線性預(yù)測(cè)[15]分析可這樣理解:對(duì)于一個(gè)語音信號(hào),其某個(gè)時(shí)刻的采樣值可通過該時(shí)刻之前若干時(shí)刻的采樣值進(jìn)行線性逼近。為得到一組最優(yōu)的預(yù)測(cè)器系數(shù),可在最小均方誤差上使線性預(yù)測(cè)計(jì)算得到的數(shù)值與實(shí)際語音采樣值逼近,而預(yù)測(cè)器系數(shù)就是過去若干時(shí)刻采樣值線性組合的加權(quán)系數(shù)。這種線性預(yù)測(cè)分析技術(shù)最早在語音編碼中使用,因此線性預(yù)測(cè)系數(shù)也常被人們稱為L(zhǎng)PC(Linear Pre?diction Coding)。

    可將p 階線性預(yù)測(cè)器從時(shí)域角度理解為:采用語音信號(hào)前p 個(gè)時(shí)刻采樣值的線性組合,并以最小預(yù)測(cè)誤差預(yù)測(cè)當(dāng)前時(shí)刻樣本值。即的預(yù)測(cè)值為:

    對(duì)上式進(jìn)行Z 變換,得到具有如下形式的傳遞函數(shù)濾波器輸出:

    式中,A(z)為預(yù)測(cè)誤差濾波器。

    為得到一組最優(yōu)的預(yù)測(cè)器系數(shù),假設(shè)E 為語音幀上所有的預(yù)測(cè)均方誤差:

    進(jìn)行線性預(yù)測(cè)分析的前提是用于分析的語音信號(hào)具備短時(shí)平穩(wěn)特征,也即是說必須在一段短時(shí)語音段上進(jìn)行,即按幀進(jìn)行。大量實(shí)踐證明:LPC 參數(shù)是一種表征語音信號(hào)特征的良好參數(shù)。

    2.3.2 美爾倒譜特征(MFCC)

    美爾頻率倒譜系數(shù)(MFCC)[16-18]是采用先將語音功率譜轉(zhuǎn)換成Mel 頻率對(duì)應(yīng)的功率譜,再進(jìn)行濾波取對(duì)數(shù),最后進(jìn)行離散余弦變換的方法求取出來的,人們對(duì)頻率在1kHz以下聲音的感知依從線性關(guān)系,而對(duì)頻率在1kHz 以上聲音的感知依從近似的對(duì)數(shù)頻率線性關(guān)系。由此劃分語音頻率,將其劃分成一系列三角形的濾波器序列(即Mel 頻率濾波器組),這組濾波器在頻率的美爾(MEL)坐標(biāo)上是等帶寬的。Mel 頻率與實(shí)際頻率的轉(zhuǎn)換關(guān)系為:

    式中,f為實(shí)際頻率,單位為Hz。

    MFCC 系數(shù)的計(jì)算是按幀進(jìn)行的,首先將語音信號(hào)進(jìn)行分幀、預(yù)加重與加窗,然后進(jìn)行FFT 變換,計(jì)算出該語音幀的功率譜,再將其功率譜變換為對(duì)應(yīng)于Mel 頻率的功率譜。在進(jìn)行Mel 功率譜變換之前,需要先設(shè)置若干個(gè)三角形帶通濾波器,且?guī)V波器必須在語音信號(hào)頻譜范圍內(nèi)。該濾波器組的中心頻率f(m),m=0,1,…,M-1 均勻分布Mel 頻率坐標(biāo)軸上。

    三角形帶通濾波器系數(shù)在計(jì)算MFCC 系數(shù)之前必須預(yù)先計(jì)算出來,計(jì)算MFCC 系數(shù)時(shí)直接使用該系數(shù)。Mel 帶通濾波器的傳遞函數(shù)為:

    (1)預(yù)處理:為了對(duì)語音信號(hào)進(jìn)行短時(shí)分析,需將短時(shí)語音段時(shí)長(zhǎng)設(shè)定在10~30ms 范圍內(nèi),即確定每個(gè)語音幀的采樣點(diǎn)數(shù),進(jìn)而對(duì)每個(gè)語音幀進(jìn)行預(yù)加重與加窗分幀操作,并計(jì)算出其時(shí)域信號(hào)x(n)。

    (2)離散FFT 變換:對(duì)于信號(hào)x(n),為了計(jì)算其頻譜X(k),需對(duì)其作離散FFT 變換,則有:

    式中,N 為FFT 變換點(diǎn)數(shù)。

    (3)計(jì)算能量譜:對(duì)頻譜取模的平方,得到其能量譜|X(k)|2,0 ≤k≤N。

    (4)在頻域上對(duì)能量譜進(jìn)行濾波:用M 個(gè)Mel 帶通濾波器對(duì)能量譜進(jìn)行濾波,對(duì)于每個(gè)帶通濾波器,對(duì)其頻帶范圍內(nèi)所有能量進(jìn)行疊加處理,即可得到M 個(gè)能量譜輸出:

    (5)對(duì)濾波器組輸出的能量譜取對(duì)數(shù):對(duì)能量譜s(m)取自然對(duì)數(shù),可得到其對(duì)數(shù)功率譜S'(m)為:

    (6)離散余弦變換:在對(duì)數(shù)功率譜S'(m)上進(jìn)行離散余弦變換,得到M 個(gè)MFCC 系數(shù),即:

    在進(jìn)行MFCC 系數(shù)選擇時(shí),可舍去代表直流成份的C0,取L 個(gè)參數(shù)作為MFCC 參數(shù)。一般L 取12~16,其計(jì)算流程如圖3 所示[19]。

    本文采用MFCC 系數(shù)作為特征參數(shù)。

    Fig.3 MFCC parameter calculation flow圖3 MFCC 參數(shù)計(jì)算流程

    2.4 高斯混合模型

    2.4.1 模型描述

    高斯混合模型(GMM)本質(zhì)上是一種多維概率密度函數(shù),其核心思想為:在概率空間上,其特征向量的分布情形可用若干個(gè)單高斯概率密度函數(shù)進(jìn)行線性逼近。將其用于說話人識(shí)別時(shí),每個(gè)說話人對(duì)應(yīng)一個(gè)GMM。

    一個(gè)M 階的GMM 模型概率密度函數(shù)是通過對(duì)M 個(gè)高斯概率密度函數(shù)的加權(quán)求和得來的,如下所示:

    式中,λ 表示模型參數(shù)集,由均值、協(xié)方差、權(quán)重組成;o表示K 維特征參量;i表示高斯分量序號(hào)。GMM 模型階數(shù)為M,表示有M 個(gè)高斯分量。P(o|q=i,λ)可簡(jiǎn)化成P(o|i,λ)的形式,表示序號(hào)為i的高斯分量,對(duì)應(yīng)分量i的概率密度函數(shù)。Ci對(duì)應(yīng)于第i個(gè)高斯分量的混合權(quán)重,也即先驗(yàn)概率。則有:

    對(duì)于高斯分量i,常用一個(gè)維數(shù)為K 的單高斯概率密度函數(shù)進(jìn)行描述,即:

    式中,μi為均值矢量,Σi為協(xié)方差矩陣,i=1,…,M。

    GMM 模型參數(shù)集λ 的表達(dá)形式如下:

    式中,λ 由各均值矢量μi、協(xié)方差矩陣Σi及混合分量的權(quán)重組成。其中Σi可以選擇普通矩陣,也可以選擇對(duì)角矩陣,但由于后者的算法簡(jiǎn)單且性能較好,為減少計(jì)算量,Σi通常取后者[20]。即:

    將式(23)代入式(21)可得:

    式中,ok、μik分別為矢量ο和矢量μi的第k個(gè)分量。

    根據(jù)公式,GMM 觀察特征矢量與模型匹配的基本框架如圖4 所示。

    2.4.2 模型參數(shù)估計(jì)

    為說話人建立GMM 模型,實(shí)際上就是通過模型訓(xùn)練對(duì)GMM 模型參數(shù)進(jìn)行估計(jì),使其能最佳地匹配訓(xùn)練特征矢量分布。估計(jì)GMM 模型參數(shù)的方法有很多,本文采用最常用的最大似然(Maximum Likelihood,ML)估計(jì)法。該方法的前提條件是:給定訓(xùn)練數(shù)據(jù)以估計(jì)GMM 模型參數(shù),且使估計(jì)出模型的似然值達(dá)到最大。對(duì)于T 個(gè)訓(xùn)練矢量序列ο={o1,o2,…,oT},GMM 的似然值可用下式表示:

    Fig.4 Basic frame of the observation feature vector of the GMM model and the model matching圖4 GMM 觀察特征矢量與模型匹配基本框架

    由于似然函數(shù)P(o|λ)與模型參數(shù)集λ是非線性函數(shù)關(guān)系,很難直接求出上式的極大值點(diǎn),必須引入隱狀態(tài)參與計(jì)算。因此,為估計(jì)模型參數(shù)集λ,本文引入期望最大化算法(Expectation Maximization,EM)。EM 算法包含兩個(gè)步驟:EStep 和M-Step。E-Step 也即人們求期望(即Expectation,用E 表示)的步驟,M-Step 將E-Step 所求的期望最大化(即Maximization,用M 表示),重復(fù)E-Step和M-Step直到收斂。

    EM 算法估計(jì)過程為:從一個(gè)初始模型開始,利用最大似然準(zhǔn)則,迭代地估計(jì)模型參數(shù),使再以作為新的模型參數(shù)開始下一輪迭代過程,直到滿足收斂條件??梢胼o助函數(shù)

    這樣即可將迭代估計(jì)GMM 模型參數(shù)的過程分為Ex?pectation 和Maximization 兩 個(gè) 步 驟,即E-Step 和M-Step。E-Step 計(jì)算訓(xùn)練數(shù)據(jù)落在隱狀態(tài)i的概率,M-Step 以局部最大準(zhǔn)則估計(jì)GMM 模型參數(shù)集也即

    EM 算法計(jì)算過程如下:

    (1)E-Step :以Bayes 公式為依據(jù)和基礎(chǔ),計(jì)算訓(xùn)練數(shù)據(jù)對(duì)應(yīng)于高斯分量i的概率。

    E-Step 與M-Step 反復(fù)迭代,直至滿足收斂條件,即可得到最優(yōu)的模型參數(shù)λ。

    在實(shí)際訓(xùn)練過程中,通常訓(xùn)練數(shù)據(jù)較少,訓(xùn)練環(huán)境背景噪聲較大,語音易受到噪聲污染,此時(shí)便很可能出現(xiàn)值過小的情況。然而,過小的方差會(huì)極大程度上影響對(duì)整體似然函數(shù)的計(jì)算。為避免該情況的發(fā)生,必須限制方差范圍。即:

    采用EM 算法估計(jì)GMM 模型參數(shù)的流程如圖5 所示。

    Fig.5 Flow of estimating GMM model parameters by EM algorithm圖5 EM 算法估計(jì)GMM 模型參數(shù)流程

    2.4.3 模型參數(shù)初始化

    EM 算法迭代過程是從一個(gè)初始模型開始的,初始模型參數(shù)集λ的選擇會(huì)影響算法迭代速度,其根本原因在于EM 算法是一個(gè)局部最優(yōu)搜索算法,經(jīng)過反復(fù)迭代可求出一個(gè)最佳解。GMM 模型常用的初始化方法有兩種:①在訓(xùn)練數(shù)據(jù)中任意取出與M 個(gè)高斯分量相對(duì)應(yīng)的M 組數(shù)據(jù),分別計(jì)算出每組數(shù)據(jù)的均值和方差,且將其作為高斯分量的初始均值和方差,并使各分量權(quán)重相同;②通過K-均值聚類算法[21]對(duì)模型參數(shù)進(jìn)行初始化,并劃分訓(xùn)練數(shù)據(jù)到M 個(gè)聚類中,每個(gè)高斯分量對(duì)應(yīng)一個(gè)聚類,各個(gè)高斯分量的初始均值為對(duì)應(yīng)聚類的均值,且每個(gè)高斯分量方差與對(duì)應(yīng)聚類方差相同,而對(duì)應(yīng)聚類內(nèi)的數(shù)據(jù)量與總數(shù)據(jù)量的比值即為權(quán)重。

    GMM 階數(shù)M 的選擇與實(shí)際應(yīng)用有關(guān),一般由實(shí)驗(yàn)結(jié)果確定。K-均值聚類算法[22]的基本思想為:對(duì)于給定的樣本集(即訓(xùn)練數(shù)據(jù)特征矢量集),按照樣本之間的距離大小將樣本集劃分為M 個(gè)類別,使得類別內(nèi)的樣本盡量緊密聚集在一起,而類別間的樣本距離盡可能大,并選擇M 個(gè)初始聚類中心,按最小距離原則將各特征矢量xi逐個(gè)分配到M 類中的某一類,之后不斷計(jì)算類的中心及調(diào)整各特征矢量類別,最終使各特征矢量距離其所屬類別中心的平方和最小。具體計(jì)算步驟如下:

    (1)在訓(xùn)練數(shù)據(jù)特征矢量集中任選M 個(gè)樣本作為初始聚類中心:令k=0。

    (3)計(jì)算重新分類后的各類中心。

    2.4.4 識(shí)別判決

    對(duì)于一個(gè)有N 個(gè)人的說話人識(shí)別系統(tǒng),用λi(i=1,2,…,N)代表第i個(gè)說話人的GMM 模型。在進(jìn)行識(shí)別時(shí),假設(shè)待識(shí)別語音的觀察特征矢量序列為ο={o1,o2,…,oT},則判定該目標(biāo)說話人為第n 個(gè)說話人的后驗(yàn)概率為[23]:

    式中,p(O|λn)表示第n 個(gè)說話人產(chǎn)生O的條件概率,p(O)表示全部說話人條件下出現(xiàn)O的概率,p(λn)表示第n個(gè)說話人的先驗(yàn)概率。

    為簡(jiǎn)化計(jì)算,通常采用對(duì)數(shù)似然函數(shù),則閉集說話人辨認(rèn)的得分公式為:

    3 系統(tǒng)實(shí)現(xiàn)

    3.1 實(shí)驗(yàn)環(huán)境

    本文主要在HP 540 筆記本電腦上實(shí)現(xiàn)基于GMM 的說話人識(shí)別系統(tǒng),該筆記本電腦的主要軟硬件配置如下:①CPU:Intel(R)Core(TM)2 Duo CPU T5470 @ 1.60GHz;②RAM:2GB;③操作系統(tǒng):Windows XP Professional;④實(shí)驗(yàn)環(huán)境:MATLAB R2009a。

    3.2 語音庫

    本文說話人識(shí)別實(shí)驗(yàn)是在部分TIMIT 語音庫基礎(chǔ)上進(jìn)行的,美國(guó)的LDC(Linguistic Data Consortium)第一個(gè)發(fā)布了擁有大量說話人的全英文語音數(shù)據(jù)庫TIMIT,因而TIMIT被廣泛應(yīng)用于說話人識(shí)別研究[24]。TIMIT 語音庫由美國(guó)麻省理工學(xué)院(MIT)、SRI 國(guó)際公司(SRI)與德州儀器公司(TI)共同設(shè)計(jì),并在TI 完成錄音[25]。其是在低噪聲環(huán)境下使用固定麥克風(fēng)錄制的,采樣頻率為16kHz,采樣位數(shù)為16位。錄音人數(shù)共有630 人,其中男性438 人,女性192 人,每人講10 句話,囊括了美式英語的八大方言。該語音庫可以很好地區(qū)分性別、年齡段和地域。

    為對(duì)比中英文語音庫在識(shí)別性能方面的差異,另選部分HI-MIA 語音庫進(jìn)行對(duì)比實(shí)驗(yàn)。HI-MIA 語音庫為昆山杜克大學(xué)與AISHELL 共同推出的一個(gè)基于遠(yuǎn)場(chǎng)文本相關(guān)的說話人認(rèn)證數(shù)據(jù)庫。該數(shù)據(jù)庫使用麥克風(fēng)陣列和Hi-Fi麥克風(fēng)在實(shí)際家庭環(huán)境中收集數(shù)據(jù),共包含340 個(gè)說話人,每個(gè)說話人語料包含了近場(chǎng)麥克風(fēng)拾音和遠(yuǎn)場(chǎng)麥克風(fēng)陣列的多通道拾音,可用于聲紋識(shí)別、語音喚醒識(shí)別等研究。

    3.3 系統(tǒng)在MATLAB 下的實(shí)現(xiàn)

    本文在MATLAB 下實(shí)現(xiàn)了基于GMM 模型的說話人識(shí)別系統(tǒng),程序運(yùn)行界面如圖6 所示。該系統(tǒng)主要分為兩大部分:訓(xùn)練部分與識(shí)別部分。

    Fig.6 MATLAB program running interface of speaker recognition system圖6 說話人識(shí)別系統(tǒng)MATLAB 程序運(yùn)行界面

    訓(xùn)練時(shí)首先設(shè)置特征向量和GMM 模型參數(shù),然后點(diǎn)擊“選擇訓(xùn)練語音”按鈕選擇訓(xùn)練語音文件,最后點(diǎn)擊“建立模型”或“繼續(xù)訓(xùn)練”按鈕進(jìn)行模型訓(xùn)練,并保存模型參數(shù),如圖7 所示。

    Fig.7 Model training flow圖7 模型訓(xùn)練流程

    識(shí)別時(shí)同樣需要先設(shè)置特征向量和GMM 模型參數(shù),然后點(diǎn)擊“選擇測(cè)試語音”選擇待識(shí)別的語音文件,最后點(diǎn)擊“識(shí)別”按鈕進(jìn)行識(shí)別并輸出匹配結(jié)果,如圖8 所示。

    Fig.8 Speaker recognition flow圖8 說話人識(shí)別流程

    3.4 訓(xùn)練階段

    在進(jìn)行模型參數(shù)訓(xùn)練之前,先建立一個(gè)GMM 模型,并為GMM 模型分配存儲(chǔ)空間。每個(gè)GMM 模型存儲(chǔ)內(nèi)容包括特征矢量維數(shù)、高斯分量混合數(shù),以及各高斯分量的權(quán)重、均值矢量與方差矩陣。

    建立模型后進(jìn)行模型訓(xùn)練,從說話人語音中提取語音樣本,對(duì)語音信號(hào)進(jìn)行預(yù)加重、分幀加窗與端點(diǎn)檢測(cè)處理,提取出特征參數(shù)矢量,并用K-均值聚類算法對(duì)提取出的特征矢量進(jìn)行聚類,得到GMM 模型的初始化模型參數(shù)λ(均值、混合權(quán)重及協(xié)方差矩陣)。初始化后即開始進(jìn)行說話人GMM 模型訓(xùn)練,本文采用期望最大化(EM)算法估計(jì)GMM 模型參數(shù),從一個(gè)初始模型參數(shù)λ開始,估計(jì)出一個(gè)新的模型參數(shù)λˉ,使得在新模型參數(shù)下的似然度P(o|λˉ)≥P(o|λ)。之后再采用新模型參數(shù)λˉ開始下一次迭代,如此反復(fù)迭代直至模型收斂(本文設(shè)置的收斂界限為1.000 0e-004)。具體實(shí)現(xiàn)流程如圖9 所示。

    Fig.9 GMM model training flow圖9 GMM 模型訓(xùn)練流程

    3.5 識(shí)別階段

    本文采用閉集說話人識(shí)別方式,即將所有參與的說話人構(gòu)成一個(gè)集合,在識(shí)別時(shí)判斷目標(biāo)說話人為集合中的哪一個(gè)說話人。

    3.6 系統(tǒng)性能

    實(shí)驗(yàn)從TIMIT 語音庫中隨機(jī)選取20 人的語音作為樣本,對(duì)說話人識(shí)別系統(tǒng)性能進(jìn)行測(cè)試。實(shí)驗(yàn)條件如下:①采用部分TIMIT 語音庫,使用16 階GMM 模型;②MFCC特征階數(shù)為10、12、14、16;③測(cè)試數(shù)據(jù)為1 段語音,每段平均時(shí)長(zhǎng)為4.5s;④測(cè)試人數(shù)為10、13、16、20;⑤訓(xùn)練數(shù)據(jù)為3 段語音,每段平均時(shí)長(zhǎng)為4.5s。

    說話人識(shí)別系統(tǒng)平均識(shí)別率如表1 所示。從表1 可以看出,系統(tǒng)性能隨著特征向量維數(shù)、測(cè)試人數(shù)的變化而變化,即識(shí)別率隨著特征向量維數(shù)的增加而提高,隨著人數(shù)的增加而降低,但特征向量維數(shù)達(dá)到一定值時(shí)識(shí)別率便不再增加。當(dāng)測(cè)試人數(shù)超過16 人時(shí),特征向量維數(shù)為12 時(shí)識(shí)別率最高。

    Table 1 Average recognition rate of the speaker recognition system表1 系統(tǒng)平均識(shí)別率

    3.7 實(shí)驗(yàn)結(jié)果分析

    3.7.1 GMM 模型階數(shù)對(duì)系統(tǒng)識(shí)別性能的影響

    GMM 模型階數(shù)也即高斯分量個(gè)數(shù),是影響系統(tǒng)識(shí)別性能的一個(gè)重要指標(biāo)。若階數(shù)過小會(huì)使量化誤差過大,導(dǎo)致GMM 模型無法很好地表示整個(gè)向量空間;若階數(shù)過大,則系統(tǒng)訓(xùn)練與識(shí)別計(jì)算量會(huì)非常大,卻無法明顯提高系統(tǒng)性能。因此,選擇一個(gè)合適的GMM 模型階數(shù)能顯著提升系統(tǒng)綜合性能。本文針對(duì)GMM 模型階數(shù)對(duì)系統(tǒng)性能的影響作了如下實(shí)驗(yàn)。實(shí)驗(yàn)條件如下:從TIMIT 語音庫中選取16 人的10 段語音作為樣本數(shù)據(jù),平均每段語音時(shí)長(zhǎng)為4.5s,其中每人選取4 段語音作為訓(xùn)練數(shù)據(jù)來訓(xùn)練模型;另選1 段語音作為測(cè)試數(shù)據(jù),選擇24 維MFCC 系數(shù)作為特征參數(shù),采用EM 算法訓(xùn)練模型,每段測(cè)試語音作為一個(gè)測(cè)試單位,取測(cè)試結(jié)果的平均值作為系統(tǒng)平均識(shí)別率。對(duì)不同GMM模型的階數(shù)測(cè)試結(jié)果如表2 所示。

    Table 2 Speaker recognition rate based on different order of GMM mode(lTIMIT)表2 不同GMM 模型階數(shù)下說話人識(shí)別率(TIMIT)

    從實(shí)驗(yàn)結(jié)果可以看出,GMM 模型階數(shù)越高,對(duì)特征空間的描述越精確。階數(shù)較低時(shí),識(shí)別率較低;隨著階數(shù)的增加,識(shí)別率隨之上升,系統(tǒng)計(jì)算量也急劇增大。但當(dāng)階數(shù)達(dá)到16 附近時(shí),識(shí)別率則不再提升,反而還出現(xiàn)了下降趨勢(shì),這是符合倒譜特征性質(zhì)的。因此,在綜合考慮系統(tǒng)總體性能的基礎(chǔ)上,選擇一個(gè)合適的GMM 模型階數(shù)是很重要的。一般來說,階數(shù)不能取得過高,但也不能太低,往往需要大量實(shí)驗(yàn)數(shù)據(jù)來確定。

    為對(duì)比GMM 模型階數(shù)對(duì)系統(tǒng)識(shí)別性能的影響,另選部分中文語音庫HI-MIA 中的數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)條件如下:從HI-MIA 語音庫中選取20 人的20 段語音作為樣本數(shù)據(jù),平均每段語音時(shí)長(zhǎng)為1s;任選其中一段作為測(cè)試數(shù)據(jù),選擇24 維MFCC 系數(shù)作為特征參數(shù),采用EM 算法訓(xùn)練模型,每段測(cè)試語音作為一個(gè)測(cè)試單位,取測(cè)試結(jié)果的平均值作為系統(tǒng)平均識(shí)別率。對(duì)不同GMM 模型的階數(shù)測(cè)試結(jié)果如表3 所示。

    Table 3 Speaker recognition rate based on different order of GMM model(HI-MIA)表3 不同GMM 模型階數(shù)下說話人識(shí)別率(HI-MIA)

    3.7.2 訓(xùn)練語音時(shí)長(zhǎng)對(duì)系統(tǒng)識(shí)別性能的影響

    對(duì)GMM 模型的訓(xùn)練需要一定時(shí)長(zhǎng)的訓(xùn)練語音數(shù)據(jù),若訓(xùn)練數(shù)據(jù)太少,模型訓(xùn)練不充分,則不能得到有效的GMM模型;若訓(xùn)練數(shù)據(jù)太多,將浪費(fèi)大量訓(xùn)練時(shí)間和系統(tǒng)資源,且識(shí)別率也不能得到相應(yīng)提升,有時(shí)還會(huì)因過訓(xùn)練導(dǎo)致系統(tǒng)識(shí)別性能下降。本文針對(duì)不同訓(xùn)練時(shí)長(zhǎng)下訓(xùn)練的GMM模型識(shí)別性能進(jìn)行測(cè)試。

    實(shí)驗(yàn)條件如下:從TIMIT 語音庫中選取16 人的10 段語音作為樣本數(shù)據(jù),平均每段語音時(shí)長(zhǎng)為4.5s;任選其中一段作為測(cè)試數(shù)據(jù),在GMM 模型階數(shù)為16、MFCC 系數(shù)維數(shù)為24、人數(shù)不變的情況下,分別用不同時(shí)長(zhǎng)的語音訓(xùn)練GMM模型,取測(cè)試結(jié)果的平均值作為系統(tǒng)平均識(shí)別率。實(shí)驗(yàn)結(jié)果如表4 所示。

    Table 4 Speaker recognition rate based on different training durations表4 不同訓(xùn)練時(shí)長(zhǎng)下說話人識(shí)別率

    從實(shí)驗(yàn)結(jié)果可以看出,增加訓(xùn)練時(shí)長(zhǎng)可從總體上提升系統(tǒng)識(shí)別率,但到一定程度后便很難繼續(xù)提升。因此,在訓(xùn)練模型時(shí)不應(yīng)過度追求訓(xùn)練時(shí)長(zhǎng)。

    為對(duì)比訓(xùn)練語音樣本時(shí)長(zhǎng)對(duì)系統(tǒng)識(shí)別性能的影響,另選部分中文語音庫HI-MIA 中的數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)條件如下:從HI-MIA 語音庫中選取20 人的20 段語音作為樣本數(shù)據(jù),平均每段語音時(shí)長(zhǎng)為1s;任選其中一段作為測(cè)試數(shù)據(jù),在GMM 模型階數(shù)為16、MFCC 系數(shù)維數(shù)為24、人數(shù)不變的情況下,分別用不同時(shí)長(zhǎng)的語音訓(xùn)練GMM 模型,取測(cè)試結(jié)果的平均值作為系統(tǒng)平均識(shí)別率。實(shí)驗(yàn)結(jié)果如表5所示。

    Table 5 Speaker recognition rate based on different training durations表5 不同訓(xùn)練時(shí)長(zhǎng)下說話人識(shí)別率

    4 結(jié)語

    說話人識(shí)別技術(shù)作為一種有效的身份識(shí)別技術(shù),為身份確認(rèn)提供了一種極佳的驗(yàn)證手段。隨著嵌入式軟硬件技術(shù)與無線通信技術(shù)的迅猛發(fā)展,語音輸入與控制將成為手持移動(dòng)設(shè)備及嵌入式系統(tǒng)最佳的交互方式,以聲紋信息為特征的身份鑒別技術(shù)也受到越來越多關(guān)注。

    本文首先對(duì)語音信號(hào)預(yù)處理及特征提取進(jìn)行了詳細(xì)分析,然后以高斯混合模型作為說話人模型,對(duì)模型參數(shù)估計(jì)、模型參數(shù)初始化以及GMM 模型參數(shù)訓(xùn)練與識(shí)別方法進(jìn)行了詳細(xì)研究,最后,基于TIMIT 語料庫使用MATLAB 實(shí)現(xiàn)了一個(gè)完整的說話人識(shí)別系統(tǒng),并通過實(shí)驗(yàn)分析不同模型參數(shù)及不同訓(xùn)練時(shí)長(zhǎng)對(duì)系統(tǒng)性能的影響。實(shí)驗(yàn)結(jié)果表明,在GMM 模型階數(shù)不高及使用人數(shù)不多的情況下,本文實(shí)現(xiàn)的說話人識(shí)別系統(tǒng)可滿足用戶的使用需求。

    未來針對(duì)該系統(tǒng)還有一些問題需要繼續(xù)深入研究,例如:優(yōu)化特征參數(shù),以提升系統(tǒng)識(shí)別性能;通過模型參數(shù)估計(jì)算法或識(shí)別算法減小計(jì)算量,以縮短訓(xùn)練或識(shí)別時(shí)間;將GMM 模型與其他模型相融合,從而提高系統(tǒng)識(shí)別率等。

    猜你喜歡
    階數(shù)識(shí)別率高斯
    小高斯的大發(fā)現(xiàn)
    關(guān)于無窮小階數(shù)的幾點(diǎn)注記
    確定有限級(jí)數(shù)解的階數(shù)上界的一種n階展開方法
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測(cè)
    天才數(shù)學(xué)家——高斯
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識(shí)別率的關(guān)系
    提升高速公路MTC二次抓拍車牌識(shí)別率方案研究
    高速公路機(jī)電日常維護(hù)中車牌識(shí)別率分析系統(tǒng)的應(yīng)用
    有限域上高斯正規(guī)基的一個(gè)注記
    一種新的多址信道有效階數(shù)估計(jì)算法*
    中文字幕人妻熟人妻熟丝袜美| 欧美区成人在线视频| 国产精品蜜桃在线观看| 国产黄色小视频在线观看| 国产精品福利在线免费观看| www.av在线官网国产| 久久精品国产亚洲av天美| 能在线免费看毛片的网站| 男女国产视频网站| 日产精品乱码卡一卡2卡三| 国产精品综合久久久久久久免费| 又粗又爽又猛毛片免费看| 亚洲成av人片在线播放无| 久久精品国产亚洲网站| 成人午夜高清在线视频| 日韩精品有码人妻一区| 少妇熟女aⅴ在线视频| 国产精品永久免费网站| 禁无遮挡网站| 听说在线观看完整版免费高清| 汤姆久久久久久久影院中文字幕 | 久久人人爽人人片av| 最近手机中文字幕大全| 村上凉子中文字幕在线| 特级一级黄色大片| 国产精品嫩草影院av在线观看| 久久久久久久久久黄片| 一级毛片久久久久久久久女| 日本与韩国留学比较| 少妇熟女aⅴ在线视频| 中文在线观看免费www的网站| 禁无遮挡网站| 亚洲最大成人av| 日韩中字成人| av.在线天堂| 亚洲人成网站在线观看播放| 99久久人妻综合| 国产中年淑女户外野战色| 一夜夜www| 免费播放大片免费观看视频在线观看 | 国产精品一区www在线观看| 麻豆国产97在线/欧美| av在线观看视频网站免费| 国产精品乱码一区二三区的特点| 国产精品永久免费网站| 男人和女人高潮做爰伦理| 欧美一区二区国产精品久久精品| 国产真实伦视频高清在线观看| 欧美区成人在线视频| 欧美日本视频| 高清在线视频一区二区三区 | 女的被弄到高潮叫床怎么办| 一区二区三区乱码不卡18| 国产精品一区二区三区四区久久| 日日啪夜夜撸| 精品不卡国产一区二区三区| 欧美高清成人免费视频www| 亚洲一区高清亚洲精品| videossex国产| 国产成年人精品一区二区| 2021天堂中文幕一二区在线观| 久久久久久久久久成人| 亚洲精品乱码久久久v下载方式| 男人和女人高潮做爰伦理| 免费观看人在逋| 日韩三级伦理在线观看| 久久国产乱子免费精品| 插逼视频在线观看| 久久亚洲国产成人精品v| 久久精品国产亚洲av天美| 一级黄片播放器| 一本久久精品| 视频中文字幕在线观看| 色吧在线观看| 汤姆久久久久久久影院中文字幕 | 亚洲五月天丁香| 色吧在线观看| 国产女主播在线喷水免费视频网站 | 久久午夜福利片| 亚洲精品456在线播放app| 国产黄色小视频在线观看| 丰满少妇做爰视频| 免费黄色在线免费观看| 国产精品伦人一区二区| 亚洲人成网站高清观看| 小说图片视频综合网站| 久久这里只有精品中国| 综合色av麻豆| 亚洲成人久久爱视频| 国产高清三级在线| 三级经典国产精品| 国产乱人视频| 亚洲av成人精品一二三区| 高清日韩中文字幕在线| 丰满人妻一区二区三区视频av| 少妇人妻一区二区三区视频| 日韩人妻高清精品专区| 欧美不卡视频在线免费观看| 久久人妻av系列| 免费黄色在线免费观看| 亚洲欧美日韩卡通动漫| 97超视频在线观看视频| 91久久精品电影网| 网址你懂的国产日韩在线| 欧美潮喷喷水| 高清在线视频一区二区三区 | 国产v大片淫在线免费观看| 亚洲欧美一区二区三区国产| 校园人妻丝袜中文字幕| 午夜精品国产一区二区电影 | 亚洲av不卡在线观看| 精品一区二区三区视频在线| 国产免费视频播放在线视频 | 99久久精品热视频| 男人舔奶头视频| 中文亚洲av片在线观看爽| 欧美激情国产日韩精品一区| 日韩一区二区视频免费看| 国产 一区 欧美 日韩| 亚洲不卡免费看| 桃色一区二区三区在线观看| 禁无遮挡网站| 成人无遮挡网站| 天天躁日日操中文字幕| 国产黄色小视频在线观看| 激情 狠狠 欧美| 成年女人永久免费观看视频| 日韩大片免费观看网站 | 亚洲av成人av| 最近最新中文字幕免费大全7| 男人舔女人下体高潮全视频| 精品人妻视频免费看| 欧美日本亚洲视频在线播放| 午夜福利高清视频| 99视频精品全部免费 在线| 看免费成人av毛片| 精品少妇黑人巨大在线播放 | 精品一区二区免费观看| 国产一区二区在线观看日韩| 91av网一区二区| 国产精品无大码| 日韩av在线免费看完整版不卡| 1000部很黄的大片| av福利片在线观看| 亚洲欧美日韩东京热| 欧美日本视频| 少妇的逼水好多| 成人一区二区视频在线观看| 中文字幕久久专区| 国产又黄又爽又无遮挡在线| 天堂影院成人在线观看| 啦啦啦啦在线视频资源| 日韩一区二区三区影片| 中文字幕精品亚洲无线码一区| 日韩 亚洲 欧美在线| 午夜精品在线福利| 性色avwww在线观看| 亚洲av熟女| 国产精品爽爽va在线观看网站| 国产精品三级大全| 男女边吃奶边做爰视频| 黑人高潮一二区| 美女国产视频在线观看| 看非洲黑人一级黄片| 国产午夜精品久久久久久一区二区三区| 边亲边吃奶的免费视频| 精品国产露脸久久av麻豆 | 女人十人毛片免费观看3o分钟| 国产亚洲最大av| 长腿黑丝高跟| 欧美精品国产亚洲| 又粗又硬又长又爽又黄的视频| 丰满人妻一区二区三区视频av| 国产精品,欧美在线| 免费电影在线观看免费观看| 最近最新中文字幕免费大全7| 菩萨蛮人人尽说江南好唐韦庄 | 成人漫画全彩无遮挡| 欧美性猛交黑人性爽| 偷拍熟女少妇极品色| 18禁在线播放成人免费| 午夜亚洲福利在线播放| 91在线精品国自产拍蜜月| 欧美一区二区亚洲| 偷拍熟女少妇极品色| 一夜夜www| 亚洲av熟女| 欧美zozozo另类| 女人十人毛片免费观看3o分钟| 成人午夜高清在线视频| 精品久久久久久久末码| 日本av手机在线免费观看| 国产黄片视频在线免费观看| 日日干狠狠操夜夜爽| 亚洲婷婷狠狠爱综合网| 欧美激情在线99| 深爱激情五月婷婷| 嫩草影院入口| 性色avwww在线观看| 丰满少妇做爰视频| 99久久精品国产国产毛片| 99国产精品一区二区蜜桃av| 日日干狠狠操夜夜爽| 淫秽高清视频在线观看| 少妇的逼好多水| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 婷婷六月久久综合丁香| 久久99热这里只有精品18| 国产伦精品一区二区三区视频9| www.色视频.com| 亚州av有码| 高清av免费在线| 久久精品综合一区二区三区| 久久久久久大精品| 超碰av人人做人人爽久久| 久久韩国三级中文字幕| 男插女下体视频免费在线播放| 亚洲人与动物交配视频| 欧美另类亚洲清纯唯美| 免费黄网站久久成人精品| 久久人妻av系列| 欧美变态另类bdsm刘玥| 免费看光身美女| 三级经典国产精品| 国产午夜福利久久久久久| 人妻夜夜爽99麻豆av| 久久欧美精品欧美久久欧美| 2021天堂中文幕一二区在线观| 精品久久久久久久久亚洲| 久久婷婷人人爽人人干人人爱| 99久久中文字幕三级久久日本| 国产精品一区二区三区四区久久| 综合色av麻豆| 国产高清有码在线观看视频| 欧美xxxx黑人xx丫x性爽| 1024手机看黄色片| 国产成人aa在线观看| 国产精品蜜桃在线观看| 国产精品麻豆人妻色哟哟久久 | 中文字幕亚洲精品专区| 久久久久久久国产电影| 国产乱人偷精品视频| 欧美97在线视频| 国产精品乱码一区二三区的特点| 国产白丝娇喘喷水9色精品| 日本免费在线观看一区| 人妻夜夜爽99麻豆av| 国产 一区精品| 精华霜和精华液先用哪个| 久久久久久伊人网av| 又粗又硬又长又爽又黄的视频| 中文精品一卡2卡3卡4更新| 久久久精品94久久精品| 免费看美女性在线毛片视频| 观看美女的网站| 能在线免费看毛片的网站| 国产黄色视频一区二区在线观看 | 我的老师免费观看完整版| 只有这里有精品99| 久久精品久久久久久噜噜老黄 | 晚上一个人看的免费电影| 亚洲天堂国产精品一区在线| 美女被艹到高潮喷水动态| 亚洲在线观看片| 免费看光身美女| 国产免费福利视频在线观看| 国产午夜精品久久久久久一区二区三区| av免费在线看不卡| 久久久精品94久久精品| 亚洲精品影视一区二区三区av| 国产美女午夜福利| 中文字幕免费在线视频6| 啦啦啦观看免费观看视频高清| 欧美+日韩+精品| 精品熟女少妇av免费看| 精品人妻视频免费看| 精品午夜福利在线看| 午夜亚洲福利在线播放| 日韩亚洲欧美综合| 午夜福利成人在线免费观看| 国产成人a区在线观看| 成人高潮视频无遮挡免费网站| ponron亚洲| 日韩中字成人| 国产av不卡久久| 99久久无色码亚洲精品果冻| 成人性生交大片免费视频hd| 国产精品永久免费网站| 尾随美女入室| 亚洲中文字幕一区二区三区有码在线看| 国产真实伦视频高清在线观看| 亚洲av成人av| av卡一久久| 亚洲人与动物交配视频| av黄色大香蕉| 亚洲在久久综合| 永久免费av网站大全| 亚洲欧洲国产日韩| 中国国产av一级| 好男人在线观看高清免费视频| 女的被弄到高潮叫床怎么办| 久久久久久久久中文| 全区人妻精品视频| 欧美bdsm另类| 欧美性猛交╳xxx乱大交人| 久久99热6这里只有精品| 国产一级毛片在线| 联通29元200g的流量卡| 黄色日韩在线| 国产精品无大码| 九色成人免费人妻av| 日韩欧美精品免费久久| 亚洲一区高清亚洲精品| 欧美潮喷喷水| 美女脱内裤让男人舔精品视频| 亚洲成人中文字幕在线播放| a级毛片免费高清观看在线播放| 国产精品久久视频播放| 国产单亲对白刺激| 亚洲av中文字字幕乱码综合| 中文亚洲av片在线观看爽| eeuss影院久久| 乱人视频在线观看| 99久国产av精品国产电影| 亚洲人成网站在线播| 日韩在线高清观看一区二区三区| 精品国产一区二区三区久久久樱花 | 久久久精品94久久精品| 一本久久精品| 欧美另类亚洲清纯唯美| 麻豆成人av视频| 男女啪啪激烈高潮av片| 中文精品一卡2卡3卡4更新| 一二三四中文在线观看免费高清| 国产精品一二三区在线看| 麻豆一二三区av精品| 国产爱豆传媒在线观看| av又黄又爽大尺度在线免费看 | av女优亚洲男人天堂| 国产av一区在线观看免费| 日韩国内少妇激情av| 亚洲精品乱码久久久久久按摩| 日韩三级伦理在线观看| 精品久久久久久久末码| 午夜福利成人在线免费观看| 在线播放无遮挡| 亚洲电影在线观看av| 国产精品av视频在线免费观看| 一级二级三级毛片免费看| 亚洲欧美中文字幕日韩二区| 午夜久久久久精精品| 黄色一级大片看看| 亚洲精品,欧美精品| 久久人人爽人人爽人人片va| 男女视频在线观看网站免费| 女人被狂操c到高潮| 成人午夜精彩视频在线观看| 日本黄大片高清| 久久久久久久久大av| 一二三四中文在线观看免费高清| 青春草国产在线视频| 免费人成在线观看视频色| 欧美区成人在线视频| eeuss影院久久| 国产高清有码在线观看视频| 久久精品国产99精品国产亚洲性色| 人人妻人人看人人澡| 亚洲精品aⅴ在线观看| 日韩三级伦理在线观看| 18禁在线无遮挡免费观看视频| 干丝袜人妻中文字幕| 97超碰精品成人国产| 国产三级中文精品| 国产一区二区在线av高清观看| 好男人在线观看高清免费视频| 国产 一区 欧美 日韩| 小说图片视频综合网站| 亚洲怡红院男人天堂| 天天躁日日操中文字幕| 欧美成人免费av一区二区三区| 欧美日韩国产亚洲二区| 蜜臀久久99精品久久宅男| 色综合站精品国产| 亚洲成人久久爱视频| 国产精品野战在线观看| 精品人妻偷拍中文字幕| 色哟哟·www| 日韩 亚洲 欧美在线| 国产精品野战在线观看| 国产爱豆传媒在线观看| 精品久久久久久久久av| 最近2019中文字幕mv第一页| 日韩欧美在线乱码| 日日啪夜夜撸| 嫩草影院精品99| 麻豆精品久久久久久蜜桃| 午夜免费男女啪啪视频观看| 久久精品人妻少妇| 欧美一区二区国产精品久久精品| 国产人妻一区二区三区在| 日韩一区二区视频免费看| 纵有疾风起免费观看全集完整版 | 国产成人freesex在线| 日产精品乱码卡一卡2卡三| 丰满乱子伦码专区| 成人av在线播放网站| 国产探花在线观看一区二区| 欧美三级亚洲精品| 中文精品一卡2卡3卡4更新| 国产麻豆成人av免费视频| 中文资源天堂在线| 日韩欧美精品v在线| 亚洲av熟女| 亚洲国产精品国产精品| 国产精品久久久久久久电影| 长腿黑丝高跟| 免费黄色在线免费观看| 日日摸夜夜添夜夜添av毛片| 哪个播放器可以免费观看大片| 久久韩国三级中文字幕| 国产大屁股一区二区在线视频| 99视频精品全部免费 在线| 国产高清视频在线观看网站| 亚洲欧美一区二区三区国产| 久久久久免费精品人妻一区二区| 婷婷色综合大香蕉| 美女内射精品一级片tv| 国产精品麻豆人妻色哟哟久久 | 99热6这里只有精品| av在线亚洲专区| 最新中文字幕久久久久| 一本久久精品| 天堂av国产一区二区熟女人妻| 亚洲成人精品中文字幕电影| 毛片一级片免费看久久久久| 十八禁国产超污无遮挡网站| 日韩人妻高清精品专区| 偷拍熟女少妇极品色| 老司机福利观看| 精品不卡国产一区二区三区| 国产亚洲91精品色在线| 三级毛片av免费| 久久精品国产亚洲av涩爱| 久久婷婷人人爽人人干人人爱| 好男人在线观看高清免费视频| av在线亚洲专区| 日韩大片免费观看网站 | 成人午夜精彩视频在线观看| 亚洲伊人久久精品综合 | 亚洲精品成人久久久久久| av在线天堂中文字幕| 中文字幕制服av| 国产熟女欧美一区二区| 国产一区二区在线av高清观看| 国产视频内射| 成年版毛片免费区| 爱豆传媒免费全集在线观看| 午夜激情欧美在线| www.av在线官网国产| 亚洲精品色激情综合| 精品无人区乱码1区二区| 国内精品一区二区在线观看| 亚洲av.av天堂| 国产人妻一区二区三区在| 亚洲性久久影院| 国产精品av视频在线免费观看| 亚洲最大成人手机在线| 亚洲人成网站在线观看播放| 91av网一区二区| 少妇猛男粗大的猛烈进出视频 | 久久99蜜桃精品久久| 久久午夜福利片| 少妇的逼水好多| 亚洲欧洲国产日韩| 久久久久网色| 两性午夜刺激爽爽歪歪视频在线观看| 国产私拍福利视频在线观看| 非洲黑人性xxxx精品又粗又长| 看十八女毛片水多多多| 国产一区二区在线av高清观看| 欧美成人免费av一区二区三区| 天堂中文最新版在线下载 | 国语对白做爰xxxⅹ性视频网站| 小蜜桃在线观看免费完整版高清| 午夜a级毛片| 国产精品一区www在线观看| 亚洲国产精品合色在线| 亚洲国产欧洲综合997久久,| 国产单亲对白刺激| 成年女人看的毛片在线观看| 国产精品精品国产色婷婷| 国产在线一区二区三区精 | 草草在线视频免费看| 人妻少妇偷人精品九色| 少妇熟女aⅴ在线视频| av又黄又爽大尺度在线免费看 | 真实男女啪啪啪动态图| 欧美日本亚洲视频在线播放| 一本久久精品| 亚洲成av人片在线播放无| 亚洲欧美成人综合另类久久久 | 搞女人的毛片| 日韩三级伦理在线观看| 极品教师在线视频| 亚洲av日韩在线播放| 天美传媒精品一区二区| 日本一本二区三区精品| 免费看a级黄色片| 一区二区三区免费毛片| 18+在线观看网站| 97超视频在线观看视频| 99久国产av精品| 午夜福利高清视频| av国产久精品久网站免费入址| 97超碰精品成人国产| av免费在线看不卡| 干丝袜人妻中文字幕| 大话2 男鬼变身卡| 欧美激情在线99| 小蜜桃在线观看免费完整版高清| 色综合亚洲欧美另类图片| a级毛色黄片| 亚洲中文字幕一区二区三区有码在线看| 久久99热这里只频精品6学生 | 国产伦在线观看视频一区| 久久久久久久久久黄片| 91精品国产九色| 久久久久久九九精品二区国产| 久久韩国三级中文字幕| kizo精华| 国产成年人精品一区二区| 国产精品蜜桃在线观看| 日韩av不卡免费在线播放| 国模一区二区三区四区视频| 国产伦理片在线播放av一区| 亚洲18禁久久av| 国产精品久久电影中文字幕| 亚洲精品久久久久久婷婷小说 | 成年免费大片在线观看| 国产精品久久久久久久电影| 免费看美女性在线毛片视频| 久久久精品大字幕| 久久久久精品久久久久真实原创| 精品无人区乱码1区二区| 欧美日韩一区二区视频在线观看视频在线 | 只有这里有精品99| 老司机影院成人| av福利片在线观看| 免费大片18禁| 亚洲av中文字字幕乱码综合| 国产成人免费观看mmmm| 特大巨黑吊av在线直播| 欧美又色又爽又黄视频| 午夜福利视频1000在线观看| 欧美不卡视频在线免费观看| 中文字幕熟女人妻在线| 精品久久久噜噜| 高清视频免费观看一区二区 | 两个人的视频大全免费| 久久久久九九精品影院| 免费无遮挡裸体视频| 最近中文字幕高清免费大全6| 赤兔流量卡办理| 国产欧美另类精品又又久久亚洲欧美| 久久久久久久国产电影| 亚洲精品久久久久久婷婷小说 | 蜜桃亚洲精品一区二区三区| 亚洲精品乱码久久久久久按摩| 2021少妇久久久久久久久久久| 三级经典国产精品| 嫩草影院新地址| 91精品一卡2卡3卡4卡| 有码 亚洲区| 亚洲av成人精品一区久久| 久久婷婷人人爽人人干人人爱| 国产精品伦人一区二区| 久久欧美精品欧美久久欧美| 国产真实乱freesex| 永久网站在线| 午夜免费激情av| 夫妻性生交免费视频一级片| 成人午夜高清在线视频| 国产免费男女视频| 18禁在线播放成人免费| 亚洲人成网站在线观看播放| 高清av免费在线| 又黄又爽又刺激的免费视频.| 99久久精品热视频| 国产精品蜜桃在线观看| 亚洲欧美日韩无卡精品| 麻豆精品久久久久久蜜桃| 日韩精品青青久久久久久| 国产精品久久久久久精品电影小说 | 国产老妇伦熟女老妇高清| 国产精品久久久久久久电影| 欧美xxxx黑人xx丫x性爽| 国产精品.久久久| av视频在线观看入口| 日韩国内少妇激情av| 亚洲av一区综合| 特级一级黄色大片| 综合色丁香网| 日韩国内少妇激情av| 日本免费a在线| 日韩国内少妇激情av| 免费观看性生交大片5| 人妻制服诱惑在线中文字幕| 一区二区三区四区激情视频| 天天一区二区日本电影三级| 观看美女的网站| 久久久久久久久久久免费av| 综合色av麻豆| 精品熟女少妇av免费看| 韩国av在线不卡| 黄片无遮挡物在线观看|