噪聲背景下語音識別特征參數(shù)選擇研究

劉順蘭，竇園園，應(yīng)娜

(杭州電子科技大學(xué)通信學(xué)院，浙江杭州310018)

0 引言

對于一個語音識別系統(tǒng)，一方面希望其具有較高的識別率，能夠保證識別的準(zhǔn)確度，另外一方面希望其占用的資源盡可能的少，計算量盡可能的低，以提高系統(tǒng)的實用性與實時性。在資源受限的一些系統(tǒng)中，如何在保證一定識別率的情況下，盡可能的降低系統(tǒng)存儲及計算資源，這點顯得尤為重要［1］。而系統(tǒng)的性能與特征參數(shù)有關(guān)，在目前常用的語音識別特征中美爾倒譜頻率系數(shù)(Mel Frequency Ceptral Coefficient，MFCC)+美爾倒譜頻率系數(shù)的一階差分(first-order differential MFCC，ΔMFCC)特征以其具備的高識別率和良好的抗噪聲能力，應(yīng)用最為廣泛［2］。本文研究了MFCC+ΔMFCC特征，圍繞白噪聲、粉紅噪聲、車載噪聲和工廠噪聲這4種典型噪聲不同信噪比下的語音進(jìn)行了仿真研究，分析了在不同噪聲影響下的語音信號的美爾頻率倒譜系數(shù)靜態(tài)特征及其動態(tài)特征各分量對識別率的影響，為在保證系統(tǒng)有較高識別率的情況下，減少系統(tǒng)的計算量，提高實時性提供了依據(jù)。

1 MFCC特征提取

(1)算法原理

Mel頻率和線性頻率的轉(zhuǎn)換關(guān)系［3］如:

MFCC特征提取的過程如圖1所示。圖1中，Mel頻率濾波的作用是把線性頻率變換到Mel頻率域，并對語音信號的幅度平方譜進(jìn)行平滑。log［·］操作一方面壓縮了語音譜的動態(tài)范圍，另一方面將頻域中的乘性成分變成了對數(shù)譜域中的加性成分，能有效濾除乘性噪聲。將不同頻段的頻譜成分解相關(guān)的處理主要由離散余弦變換實現(xiàn)，DCT變換后，各維向量之間相互獨立。

圖1 MFCC特征提取過程

具體流程如下［4］。

1)先對語音信號s(n)進(jìn)行一系列的預(yù)處理，包括分幀、加窗和預(yù)加重，得到處理后的信號si(n)所以由此可見MFCC特征也是基于短時幀的信號。

2)對每幀信號進(jìn)行離散傅里葉變換:

實際計算時，一般用FFT，N取512。

3)求出每幀信號的功率譜，然后通過Mel濾波器組。假設(shè)Mel濾波器組是由M個濾波器組成，每個濾波器是中心頻率為f(m)的三角濾波器，中心頻率f(m)之間的間隔隨著m的增加而增加。三角濾波器的傳遞函數(shù)為:

f(m)可以定義為:

式中，fl、fh為濾波器的頻率應(yīng)用范圍的最低頻率和最高頻率，N為FFT長度，F(xiàn)s為采樣率是fmel(.)函數(shù)的逆函數(shù)，由式1可知:

對經(jīng)過Mel頻率濾波器的信號取對數(shù)，得對數(shù)頻譜:

4)對對數(shù)譜信號X(m)進(jìn)行DCT變換，即可得到MFCC特征參數(shù):

(2)倒譜提升窗口

為了提高倒譜特征的抗噪聲能力，也為了增加MFCC特征矢量中的低階分量的穩(wěn)定性，在MFCC矢量不同分量處添加不同的權(quán)值，而這些權(quán)值的取值主要是靠一個窗函數(shù)來實現(xiàn):

式中，C(k)為MFCC系數(shù)，W(k)為窗函數(shù):

式中，K為MFCC階數(shù)。

(3)Mel頻率倒譜差分參數(shù)

MFCC刻畫了語音信息的靜態(tài)特性，而Mel頻率倒譜差分參數(shù)刻畫了語音信息的動態(tài)特性［5］，ΔMFCC反映了人耳聽覺模型的動態(tài)特性。差分參數(shù)的計算為:

式中，I為常數(shù)，通常取2;ΔMFCC就是一階差分Mel頻率倒譜參數(shù)，在實際應(yīng)用時，往往把MFCC和ΔMFCC混為一個整體認(rèn)為一幀語音信號的特征參數(shù)。用同樣公式對一階差分參數(shù)進(jìn)行計算，可得到二階差分參數(shù)(△△MFCC)。

2 語音識別特征階數(shù)的選取

系統(tǒng)識別率與特征參數(shù)的階數(shù)K有關(guān)［5］，階數(shù)越高，特征的表現(xiàn)力越強，階數(shù)越低，特征表現(xiàn)力越弱。在對純凈語音處理的情況下，隨著特征階數(shù)的增加，識別率不斷增大，到達(dá)一定值后，識別率趨于穩(wěn)定，甚至有略微下降趨勢，此時可以確定一個最優(yōu)階數(shù)?，F(xiàn)在假設(shè)加入背景噪聲，在同一背景噪聲不同信噪比或是在不同噪聲相同信噪比下，確定系統(tǒng)在背景噪聲下的最優(yōu)階數(shù)。

實驗條件(本文所有實驗均使用此條件):15個女性發(fā)音，40個男性發(fā)音，語音樣本為10個英文單詞，每個單詞發(fā)音55次，采樣率為16kHz;實驗中用到的白噪聲、粉紅噪聲、車載噪聲和工廠噪聲均采用Signal Processing Information Base錄制的噪聲庫。實驗?zāi)Ｐ瓦x擇:采用3階混合Gauss概率密度函數(shù)的CHMM模型，狀態(tài)數(shù)為4。實驗中加Hamming窗，幀長取320個采樣點，幀移為160個采樣點，信噪比為分別為15dB、10dB、5dB、0dB、－5dB。

受不同噪聲影響下的語音如圖2所示，在各信噪比下平均識別率隨著階數(shù)變化的情況。其中橫坐標(biāo)為特征階數(shù)，縱坐標(biāo)為各信噪比下的平均識別率。由圖2可知:在階數(shù)較低時，識別率隨著階數(shù)的增加而增加，到達(dá)階數(shù)18附近趨于最大，但繼續(xù)增加階數(shù)，識別率變化的趨勢沒有繼續(xù)遞增，反而出現(xiàn)下降的情況，所以一般來說，階數(shù)不宜取得過高，也不宜過低。

圖2 MFCC+ΔMFCC特征在不同噪聲不同階數(shù)下的平均識別率

3 MFCC+ΔMFCC各特征分量對識別率的影響

實驗:在MFCC+ΔMFCC(18+18)參量中去掉某一分量找到對誤識率影響較大的分量。為方便理解，用MelΔ(k)表示特征MFCC+ΔMFCC組合，即

式中，K代表特征階數(shù)，此處取36。DMelΔ(k)表示缺失某一特征分量時的特征參數(shù)，可表示為

在不同噪聲不同信噪比下誤識率上升平均值與缺失MFCC和△MFCC特征分量的關(guān)系如圖3所示，橫坐標(biāo)為信噪比，縱坐標(biāo)為誤識率的變化值。通過分析圖3可知:在白噪聲下可以考慮缺失MFCC低階分量，缺失后對高信噪比時的識別率影響不大，而低信噪比時識別率反而增加。對于△MFCC參數(shù)可以缺失第一個分量;對于受到粉紅噪聲影響的語音，MFCC+△MFCC特征不應(yīng)缺失任一分量，也就是每一個分量都包含有用信息;對于受到車載噪聲影響的語音，MFCC+△MFCC特征可以缺失部分高階MFCC分量和部分△MFCC分量，相比較其他噪聲而言，受到車載噪聲干擾的語音可以選用更少的特征參數(shù)分量;對于受到工廠噪聲影響的語音，由于噪聲環(huán)境相對復(fù)雜，MFCC+△MFCC特征不應(yīng)缺失任一分量，也就是每一個分量都包含有用信息。

圖3 不同噪聲下不同信噪比MFCC特征和ΔMFCC特征與誤識率的關(guān)系

4 結(jié)束語

本文圍繞白噪聲、粉紅噪聲、車載噪聲和工廠噪聲這4種典型噪聲不同信噪比下的語音進(jìn)行仿真討論，首先確定了MFCC特征的最優(yōu)階數(shù)18，然后研究了在不同噪聲影響下美爾倒譜頻率靜態(tài)特征(MFCC)及其動態(tài)特征(ΔMFCC)各分量對識別率的影響，從上述分析可知，系統(tǒng)所處的壞境不一樣，所選取的MFCC+ΔMFCC特征分量應(yīng)該不同，而不是籠統(tǒng)的像很多文獻(xiàn)里不考慮噪聲特點問題，盲目的舍棄MFCC低階分量。為在保證系統(tǒng)有較高識別率的情況下，減少系統(tǒng)的計算量，提高實時性和魯棒性提供依據(jù)。

［1］Rabiner L，Juang B H.Fundamentals of speech recognition［M］.北京:清華大學(xué)出版社，1999:125－134.

［2］Shannon B J，Paliwal K K.MFCC computation from magnitude spectrum of higher lag autocorrlation coefficients for robust speech recognition［C］.New York:Spoken Language Processing，2004:986－987.

［3］何強，何英.Matlab擴(kuò)展編程［M］.北京:清華大學(xué)出版社，2002:105－109.

［4］溫源，李明，侯震，等.一種新的語音識別特征——Mel倒譜差分平方和特征［C］.深圳:第六屆全國人機語音通訊學(xué)術(shù)會議，2001:5－7.

［5］王讓定，柴佩琪.語音倒譜特征的研究［J］.計算機工程，2003，29(13):31－33.