目录
前言
语音识别本质上是一种模式识别的过程，其基本结构原理图如下图所示，主要包括语音信号预处理，特征参数提取，特征建模、模式匹配等几个功能模块。
 |
一个声音识别系统主要包括训练和识别两个阶段，无论是训练还是识别，都需要对输入信号的原始声音进行预处理，并进行特征提取。在提取了相关的特征之后，识别的工作会变得相对简单很多，本文主要介绍声纹如何提取的。
预处理
声音信号的预处理包括滤波、A/D转换、预加重、分帧、端点检测等，假设经A/D转换后的数字音频信号为
1) 归一化处理。归一化处理的目的是消除不同样本声音之间的大小差异，将样本幅值限定在
2）预加重。预加重通常使用带有6dB/倍频的一阶数字滤波器来实现，如：
其中
3）对音频信号进行加窗分帧。虽然声音信号是非线性时变信号，但它具有短时平稳的特点，对其进行分帧可以提取其短时特性。通常取帧长为10~30ms，为了避免帧与帧之间的特性变化过大， 帧移通常取帧长的 1 /2， 即相邻帧之间有 1 /2 的重叠数据。为了进行短时分析， 必须通过加窗来选取窗口内的声音信号， 窗口外的声音信号为 0， 最常用的窗口函数是汉明窗。一般取 256 点为一帧， 帧间重叠为 128 点。
特征参数提取
声音特征的选择取决于具体的系统， 比较有代表性的特征包括幅度( 或功率) 、过零率、线性预测系数特征矢量( LPC) 、LPC 倒谱特征矢量( LPCC) 、梅尔倒谱系数( MFCC) 等。特征提取完成对声音信号进行分析处理， 去掉与声音识别无关的冗余信息， 获得影响声音识别的重要信息。由于倒频谱( cepstrum) 有着能将频谱上的高低频分开的优点， 因此被广泛地应用在声音识别领域， 如 LPCC 和 MFCC。
 |
由于声音信号在时域上的变化快速且不稳定， 通常将它转换到频域上来分析其特征参数。梅尔倒频谱特征参数提取过程如上图所示。预处理后的声音数据经过快速傅里叶变换( FFT) ， 计算出每帧数据的频谱参数， 再将每帧数据的频谱参数通过一组 N( N 的值通常为 20 ～ 40) 个三角形带通滤波器构成的梅尔频率滤波器做卷积运算， 之后对每个频带的输出取对数， 求出每个输出的对数能量( Log Energy) S( m) ， m = 1， 2， 3， …， N。最后对此 N 个参数进行离散余弦变换， 求出梅尔倒谱系数作为声音特征参数
|
|
其中， n 为所取 MFCC 个数; Ci( n) 为第 i 帧的第 n 个 MFCC 系数; S( m) 为音频信号的对数功率谱; M 为三角滤波器个数。
预加重
为了避免在后边的FFT操作中出现数值问题，我们需要加强一下高频信息，因为一般高频能量比低频小。其预加重函数如下所示：
y(n)=x(n)−α⋅x(n−1)
分帧
我们要对语音数据做傅里叶变换，将信息从时域转化为频域。但是如果对整段语音做FFT，就会损失时序信息。因此，我们假设在很短的一段时间t内的频率信息不变，对长度为t的帧做傅里叶变换，就能得到对语音数据的频域和时域信息的适当表达。举个例子，假如我们这里的采样点数为200000个点，如果真的这样做的话，就很麻烦了，于是我们在语音分析中引入分帧的概念，将原始语音信号分成大小固定的N段语音信号，这里每一段语音信号都被称为一帧。
加窗
将信号分帧后,我们将每一帧代入窗函数，窗外的值设定为0，其目的是消除各个帧两端可能会造成的信号不连续性（即谱泄露 spectral leakage）。常用的窗函数有方窗、汉明窗和汉宁窗等，根据窗函数的频域特性，常采用汉明窗（hamming window）。接下来我来讲解一下怎么加窗：我们需要做的就是为每一帧数据，也就是301帧数据都加入大小为1103的汉明窗。其汉明窗的表达公式如下所示：
W(n)=(1−a)−a⋅cos(2⋅π⋅n/N)1≤n≤N
傅里叶变换
傅里叶变换作为一个经常使用的东西，大家可以自行去了解，此处不过多赘述。
梅尔滤波器
首先我要讲一下什么是梅尔值，这是一个新的量度，相比于正常的频率机制，梅尔值更加接近于人耳的听觉机制，其在低频范围内增长速度很快，但在高频范围内，梅尔值的增长速度很慢。每一个频率值都对应着一个梅尔值，其对应关系如下：
m=2595⋅log10(1+f/700)
 |
如图展示了梅尔滤波器的一种形状，等高形式。
离散余弦变换
在进行离散余弦变换之前，我们还需要做的就是把得到的二维矩阵能量谱 E，乘以得到的二维数组梅尔滤波器Hm的转置，得到参数H,其定义如下：
根据mfcc的定义，我们需要对能量的对数作离散余弦变换，即可得到MFCC参数：
 |
至此，声纹特征的提取过程到这里就结束了，特征提取出来之后，要对其进行识别就显得十分简单，GMM、SVM、BP等算法都可对其进行训练识别，并达到一个不错的效果。
代码实现（MATLAB）
clc
clear
load sample_date5
%%
%参数设置，数据读取
frameSize=1024;%帧长
inc=512;%帧移
p = 32;%梅尔滤波器个数
x = sample_date5;
fs = 48000;
N2=length(x); %语音信号长度
%%
%数据归一化处理，消除不同声音之间的大小差异
[x,inputps]=mapminmax(x);
%%
%预加重
for i=2:N2
y(i)=x(i)-0.97*x(i-1);
end
%%
%分帧
y=y';%对y取转置
S=enframe(y,frameSize,inc);%分帧,对语音信号x进行分帧，
[a,b]=size(S); %a为矩阵行数，b为矩阵列数
%%
%加窗
C=zeros(a,b);
ham=hamming(b);
for i=1:a
C(i,:)=ham;
end
%将汉明窗C和S相乘得SC
SC=S.*C;
F=0;
N=frameSize;
%%
%傅里叶快速变换
for i=1:a
%对SC作N=1024的FFT变换
D(i,:)=fft(SC(i,:),N);
%以下循环实现求取谱线能量
for j=1:N
t=abs(D(i,j));
E(i,j)=(t^2);
end
end
fl=0; %低频
fh=fs/2; %高频
bl=2595*log10(1+fl/700); %得到梅尔刻度的最小值
bh=2595*log10(1+fh/700); %得到梅尔刻度的最大值
%梅尔坐标范围
B=bh-bl;%梅尔刻度长度
mm=linspace(0,B,p+2);%规划34个不同的梅尔刻度。但只有32个梅尔滤波器
fm=700*(10.^(mm/2595)-1);%将Mel频率转换为频率
W2=N/2+1;%fs/2内对应的FFT点数,1024个频率分量
k=((N+1)*fm)/fs;%计算34个不同的k值
hm=zeros(p,N);%创建hm矩阵
df=fs/N;
freq=(0:N-1)*df;%采样频率值
%%
%梅尔滤波器
for i=2:p+1
%取整
n0=floor(k(i-1)); %向下取整
n1=floor(k(i));
n2=floor(k(i+1));
for j=1:N
if n0<=j & j<=n1
hm(i-1,j)=(j-n0)/(n1-n0);
elseif n1<=j & j<=n2
hm(i-1,j)=(n2-j)/(n2-n1);
end
end
%此处求取H1(k)结束。
end
%梅尔滤波器滤波
H=E*hm';
%对H作自然对数运算
for i=1:a
for j=1:p
H(i,j)=log(H(i,j));
end
end
%%
%作离散余弦变换
Fbank = H';
Fbank1 = dct(Fbank);
mfcc = Fbank1';
function frameout=enframe(x,win,inc)
nx=length(x(:)); % 取数据长度
nwin=length(win); % 取窗长
if (nwin == 1) % 判断窗长是否为1，若为1，即表示没有设窗函数
len = win; % 是，帧长=win
else
len = nwin; % 否，帧长=窗长
end
if (nargin < 3) % 如果只有两个参数，设帧inc=帧长
inc = len;
end
nf = fix((nx-len+inc)/inc); % 计算帧数
frameout=zeros(nf,len); % 初始化
indf= inc*(0:(nf-1)).'; % 设置每帧在x中的位移量位置
inds = (1:len); % 每帧数据对应1:len
frameout(:) = x(indf(:,ones(1,len))+inds(ones(nf,1),:)); % 对数据分帧
if (nwin > 1) % 若参数中包括窗函数，把每帧乘以窗函数
w = win(:)'; % 把win转成行数据
frameout = frameout .* w(ones(nf,1),:); % 乘窗函数
end
结果展示
提取出来的特征如下图所示，变得有规律可循.
 |
感谢观看，希望本文能对你有所帮助！
文章出处登录后可见！