說(shuō)話(huà)人語(yǔ)音特征子空間分離及識別應用
加入技術(shù)交流群
隨著(zhù)電話(huà)銀行等網(wǎng)絡(luò )電子消費的普及，說(shuō)話(huà)人識別作為一種有效的身份認證手段，其技術(shù)特點(diǎn)和優(yōu)越性越來(lái)越明顯，在國防安全、司法和金融等各應用領(lǐng)域的價(jià)值越來(lái)越顯得重要。目前說(shuō)話(huà)人識別的主要方法一般通過(guò)在語(yǔ)音特征觀(guān)察空間建立說(shuō)話(huà)人模型進(jìn)行，如基于VQ的碼本模型識別方法、基于GMM模型的識別方法以及其他一些方法，這些方法大都利用了說(shuō)話(huà)人語(yǔ)音特征的統計特性。但是，說(shuō)話(huà)人識別應用中存在的兩個(gè)主要問(wèn)題是：(1)由于語(yǔ)音特征的時(shí)變性，模型訓練時(shí)期和實(shí)際識別時(shí)期語(yǔ)音特征發(fā)生變化而導致識別性能的下降，而目前這些方法只能在一定程度上處理這種變化；(2)實(shí)際應用中往往需要能通過(guò)較短的語(yǔ)音及時(shí)識別說(shuō)話(huà)人身份，但目前這些方法一般需要輸入3秒以上的語(yǔ)音才能得到較高的識別率。
語(yǔ)音信號中包含語(yǔ)義和說(shuō)話(huà)人個(gè)性這兩大特征，如果能夠較好地將這兩類(lèi)特征進(jìn)行分離，并依據個(gè)性特征建立說(shuō)話(huà)人模型，則說(shuō)話(huà)人識別性能將會(huì )得到提高并大大增強識別系統的魯棒性，但兩類(lèi)特征的完全分離非常困難。統計方法建立的模型不可避免地需要較大的數據量進(jìn)行訓練和識別，在短時(shí)測試語(yǔ)音下識別性能下降是必然的。如果能夠建立一種非純粹統計模型或在統計模型的基礎上結合結構性模型則可能會(huì )提高短時(shí)測試語(yǔ)音條件下的識別性能。
本文依據主元分析(PCA：Principal Component Analysis)原理和說(shuō)話(huà)人語(yǔ)音特征在觀(guān)察空間的分布散度提取主要散度向量構造說(shuō)話(huà)人語(yǔ)音特征子空間，將說(shuō)話(huà)人語(yǔ)音特征子空間從觀(guān)察空間分離出來(lái)。實(shí)驗分析了基于特征子空間的說(shuō)話(huà)人識別性能，結果證明了這種方法的有效性，特別是在小于3秒的短時(shí)測試語(yǔ)音情況下識別性能明顯優(yōu)于VQ和GMM等方法。
2 特征子空間分離
基于語(yǔ)音特征子空間分離的說(shuō)話(huà)人識別系統中，說(shuō)話(huà)人模型由特征子空間表示，模式匹配部分則通過(guò)計算輸入測試語(yǔ)音特征矢量與子空間的距離進(jìn)行。特征子空間根據說(shuō)話(huà)人訓練語(yǔ)音提取的特征矢量在觀(guān)察空間的統計分布特性，依據PCA原理選取具有較大權值的散度向量構成。
設一個(gè)說(shuō)話(huà)人訓練語(yǔ)音集合為{S1，S2，…，SN}，每一個(gè)訓練語(yǔ)音樣本經(jīng)過(guò)特征提取后形成特征矢量序列，即
如果特征矢量具有P個(gè)參數，則特征矢量Vij表示P維觀(guān)察空間的一個(gè)點(diǎn)，所有的特征矢量
在觀(guān)察空間形成具有一定統計分布特性的點(diǎn)集{V1，V2，…，VM}，其中M是說(shuō)話(huà)人所有訓練語(yǔ)音特征矢量的總數。描述說(shuō)話(huà)人語(yǔ)音特征矢量在觀(guān)察空間分布的一個(gè)主要統計指標是分布散度，它可以由平均特征矢量和自協(xié)方差矩陣表示，如下：
公式(1)中平均特征矢量V反映說(shuō)話(huà)人所有特征矢量在觀(guān)察空問(wèn)的中心點(diǎn)。公式(2)中自協(xié)方差矩陣R是一個(gè)P×P正定對稱(chēng)矩陣，它反映了說(shuō)話(huà)人特征矢量各參數的平均偏離值，因此可以衡量特征矢量在觀(guān)察空間的分布散度。
求自協(xié)方差矩陣R的本征值{λ1，λ2，…，λP}和相應的本征向量{e1，e2，…，eP}，則它們之間的關(guān)系如下式(3)～(5)所示。其中φ是由本征向量作為每一列構成的P×P矩陣，A是由本征值構成的對角矩陣。
因為本征向量ei，i=1～P是從描述說(shuō)話(huà)人語(yǔ)音特征矢量分布散度的自協(xié)方差矩陣計算得到，所以，從空間的角度看，說(shuō)話(huà)人的語(yǔ)音特征分布完全可以由以平均特征矢量V為中心，本征向量ei，i=l～P為正交歸一化基底的子空間描述，如圖1所示。這樣，就從語(yǔ)音特征觀(guān)察空問(wèn)將說(shuō)話(huà)人語(yǔ)音特征子空間分離了出來(lái)，不同的說(shuō)話(huà)人具有不同的特征子空間。
雖然計算得到的本征向量個(gè)數與觀(guān)察空間維數相同，但有些本征向量對應的本征值較小，在表示語(yǔ)音特征分布散度時(shí)影響較小。因此，實(shí)際應用中可以選擇具有較大散度權值(本征值)的向量構成子空間的基向量。圖1顯示了一個(gè)三維觀(guān)察空間中分離出的兩個(gè)二維說(shuō)話(huà)人特征子空問(wèn)例子，這些子空間的基底對應前兩個(gè)較大的散度權值。第4小節分析了選取不同散度權值本征向量構成子空間情況下的識別性能，結果表明子空間維數并非越多越好。
說(shuō)話(huà)人語(yǔ)音特征子空間本質(zhì)上是根據訓練語(yǔ)音特征矢量在觀(guān)察空間的統計分布特性分析得到的一種結構性說(shuō)話(huà)人模型，各子空間的基底描述了說(shuō)話(huà)人語(yǔ)音特征分布的框架結構。因此，可以認為子空間融合了說(shuō)話(huà)人語(yǔ)音特征的統計特性和結構特性，可由下式(6)表示：
3 子空間距離測度與模式匹配
系統模式匹配對輸入測試語(yǔ)音與各說(shuō)話(huà)人子空間的相關(guān)度進(jìn)行分析，提供說(shuō)話(huà)人身份的判別依據。設輸入測試語(yǔ)音St相應的特征矢量序列為
則通過(guò)計算該特征矢量序列與說(shuō)話(huà)人特征子空間的距離來(lái)分析測試語(yǔ)音與子空間的相關(guān)度，距離越小，相關(guān)度越大。最終的說(shuō)話(huà)人識別判決可以依據最小距離準則進(jìn)行，即測試語(yǔ)音說(shuō)話(huà)人所對應的子空間應該與測試語(yǔ)音之間的距離最小，即相關(guān)度最大。
輸入語(yǔ)音特征矢量Vt與子空間的距離測度采用子空問(wèn)投影距離計算，如下式(7)所示。其中Q是子空間的維數，Q≤P。
上式第一項是觀(guān)察空間特征矢量Vt與說(shuō)話(huà)人語(yǔ)音特征子空間中心矢量V之差向量Vt一V的平方模；第二項是這個(gè)差向量Vt一V在子空間各維投影的平方和，代表了這個(gè)差向量在子空間上的投影長(cháng)度的平方。兩項相減就是輸入測試語(yǔ)音特征矢量Vt與子空間的距離。
以上距離測度中采用了訓練語(yǔ)音的平均特征矢量V，使觀(guān)察空間特征矢量轉換為適合子空間處理的差向量形式。實(shí)際應用中，說(shuō)話(huà)人語(yǔ)音特征是時(shí)變的，并引起特征矢量統計分布特性的變化，其表現之一是平均特征矢量隨時(shí)問(wèn)的漂移。從子空間角度看，這個(gè)平均特征矢量的變化代表了說(shuō)話(huà)人語(yǔ)音特征子空間的一種整體時(shí)變漂移，在計算子空間距離時(shí)如果不能及時(shí)反映這種變化，將可能引起一定程度的失真，為此，定義第二種距離測度如下：
前面兩項的含義與第一種測度d1(Vt，SF)是一致的，但差向量不是根據訓練語(yǔ)音的平均特征矢量V形成，而是由輸入測試語(yǔ)音的平均特征矢量Vt形成。這樣，不僅使觀(guān)察空間特征矢量轉換為適合子空間處理的差向量形式，并且使形成差向量的兩個(gè)特征矢量在時(shí)間上一致起來(lái)。但是，子空間是根據訓練語(yǔ)音構造的，其中心特征矢量是訓練語(yǔ)音的平均特征矢量，距離測度中必須反映這一差異。所以，在第二種距離測度中增加第三項描述訓練語(yǔ)音和測試語(yǔ)音特征矢量的平均差異，兩者通過(guò)加權系數c結合，其中N是測試語(yǔ)音短時(shí)幀個(gè)數。因此，這一距離測度不僅描述了特征矢量與說(shuō)話(huà)人特征子空間的距離，而且描述了測試語(yǔ)音特征與子空間所表示的說(shuō)話(huà)人語(yǔ)音特征的平均距離，同時(shí)考慮了語(yǔ)音特征的結構性和統計特性差異。加權系數c的選擇使兩類(lèi)距離對整個(gè)測度的影響保持平衡，可以通過(guò)各自的統計方差之比計算。
模式匹配通過(guò)計算整個(gè)輸入測試語(yǔ)音特征矢量序列與子空間的距離進(jìn)行。利用以上距離測度，輸入測試語(yǔ)音St與說(shuō)話(huà)人語(yǔ)音特征子空問(wèn)的總距離如下：
評論