基于DSP嵌入式說(shuō)話(huà)人識別系統的設計

2．1 語(yǔ)音信號的端點(diǎn)檢測

語(yǔ)音信號的端點(diǎn)檢測目的是去除語(yǔ)音信號中的噪聲段。端點(diǎn)檢測從很大程度上影響到識別率。常用方法有短時(shí)能量法，短時(shí)過(guò)零率法和雙門(mén)限法等。本系統選用雙門(mén)限法，實(shí)驗表明，效果優(yōu)于前兩種方法。在雙門(mén)限方法端點(diǎn)檢測中，閾值的選擇尤為關(guān)鍵，該系統的語(yǔ)音采樣頻率設為8 kHz，語(yǔ)音分幀為每幀80個(gè)點(diǎn)。經(jīng)過(guò)多次實(shí)驗，這里短時(shí)能量低閾值通過(guò)式(3)的動(dòng)態(tài)方式得到，高閾值設為低閾值的5倍。而過(guò)零率的閾值選取應充分考慮到噪聲的影響，通過(guò)大量實(shí)驗發(fā)現系統中噪聲的過(guò)零率一般不超過(guò)5，所以對過(guò)零率的閾值選取為25，取得了很好的效果，準確率達到95％以上。

ITU=0．03(amp_max-amp_min)+amp_min (3)

在端點(diǎn)檢測過(guò)程中有時(shí)會(huì )遇到突發(fā)性的干擾噪聲，這種噪聲持續時(shí)間很短，一般小于5 ms。為了消除這種干擾，這里用檢測后的起止長(cháng)度判斷它是不是語(yǔ)音。如果所檢測到的語(yǔ)音長(cháng)度足夠的短，則可以把它當成是噪聲。

2．2 特征參數的提取

語(yǔ)音信號的特征提取是說(shuō)話(huà)人身份識別的難點(diǎn)。能否用相對簡(jiǎn)單的方法提取出一種最能體現說(shuō)話(huà)人個(gè)性信息的特征將成為以后研究的方向。該系統中用的是能體現人耳聽(tīng)覺(jué)特性的Mel倒譜系數(MFCC)。

MFCC著(zhù)眼于人耳的聽(tīng)覺(jué)機理，依據聽(tīng)覺(jué)的結果來(lái)分析語(yǔ)音的頻譜，獲得了很好的識別率和很好的噪聲魯棒性，它利用了聽(tīng)覺(jué)系統的臨界效應，描述人耳對感知的非線(xiàn)性特性。在DSP硬件資源配置中，MFCC在識別性能和DSP內部空間占用方面也取得了很好的平衡。在該系統中使用16個(gè)濾波器(M=16)構成的濾波器組。圖4所示是MFCC的提取過(guò)程。

2．3 識別方法選擇與實(shí)現

基于該系統對速度、識別效率、存儲空間的要求，這里的識別方法選為高斯混合模型。高斯混合模型(GMM)可以看成是狀態(tài)數為1的連續分布隱馬可夫模型CDHMM。一個(gè)M階混合高斯模型的概率密度函數是由M個(gè)高斯概率密度函數加權求和得到，所示如下：

式中：X是一個(gè)D維隨機向量；bi(Xi)是子分布，i=1，2，…，M是子分布；ωi是混合權重，i=1，2，…，M。對GMM模型參數的估計方法該系統采用最大似然估計。對于一組長(cháng)度為T(mén)的訓練矢量序列X={X1，X2，…，XT}，GMM的似然度可表示為：

由于式(5)是參數λ的非線(xiàn)性函數，很難直接求出其最大值。因此，該系統采用EM算法估計參數λ。