車內(nèi)環(huán)境下基于高信噪比頻帶的語音特征提取方法

摘 要：語音識(shí)別技術(shù)在汽車領(lǐng)域有著廣泛的應(yīng)用。但通常車內(nèi)環(huán)境存在著噪音，且車載系統(tǒng)運(yùn)算能力有限。要保證較高識(shí)別率，減少識(shí)別時(shí)的計(jì)算量，需要針對(duì)噪音環(huán)境的特點(diǎn)提取魯棒特征并壓縮語音模板。本文選擇高信噪比的頻帶進(jìn)行語音模板的訓(xùn)練，通過聚類的方法壓縮模板的長度，并用實(shí)驗(yàn)驗(yàn)證了所提出的語音特征魯棒性。

關(guān)鍵詞：語音識(shí)別；特征提?。荒０逵?xùn)練

中圖分類號(hào)：TN912.34

語音識(shí)別在汽車領(lǐng)域的應(yīng)用包括撥打電話，調(diào)節(jié)空調(diào)，控制音響甚至發(fā)動(dòng)引擎等。出于成本的考慮，汽車通常使用嵌入式系統(tǒng)來實(shí)現(xiàn)這些功能。系統(tǒng)的運(yùn)算資源有限，為了保證在噪聲環(huán)境下也具有良好的識(shí)別率，減少對(duì)系統(tǒng)資源的需求，需要針對(duì)汽車噪聲環(huán)境的特點(diǎn)訓(xùn)練魯棒的語音模板，并壓縮模板長度以降低語音識(shí)別時(shí)的計(jì)算量。

車內(nèi)環(huán)境充斥著噪音，為保證較高的識(shí)別率，需要分析車內(nèi)噪聲的特點(diǎn)并進(jìn)行語音模板訓(xùn)練。通常采用各種濾波、降噪的手段減少噪音對(duì)識(shí)別系統(tǒng)的影響。近年來，語音頻譜熵被用于語音端點(diǎn)檢測的任務(wù)中，取得了良好的效果[1]，表明譜熵是一種能夠良好區(qū)別語音和非語音的特征參數(shù)[2]。當(dāng)駕駛員的語音命令被汽車噪聲污染時(shí)，因?yàn)檫@兩種信號(hào)所分布的頻率范圍不同，導(dǎo)致疊加后的信號(hào)在不同頻帶有著不同的信噪比。從這個(gè)角度來看，我們可以把低于某一信噪比的頻帶看成頻域上的非語音段，并在模板訓(xùn)練時(shí)予以排除，用高信噪比的頻帶訓(xùn)練出魯棒的語音模板以提高識(shí)別率。本文用譜熵來進(jìn)行頻帶劃分，然后對(duì)模板進(jìn)行壓縮：在時(shí)域壓縮將導(dǎo)致識(shí)別率的大幅下降[3]，而針對(duì)語音幀的壓縮方法可以較好地壓縮模板的長度，并在說話人確認(rèn)的任務(wù)中有了成功的應(yīng)用[3-5]。故本文選擇高信噪比的頻帶進(jìn)行特征提取，用聚類的方法壓縮模板的長度，得到的語音模板可以在保持較高識(shí)別率的同時(shí)減少計(jì)算量，不同信噪比條件下的實(shí)驗(yàn)驗(yàn)證了所提特征在車內(nèi)噪聲環(huán)境中有較高的魯棒性。

1 車內(nèi)帶噪語音分析

車內(nèi)環(huán)境中，噪聲主要包括發(fā)動(dòng)機(jī)噪聲、輪胎噪聲、風(fēng)噪等，一般為加性噪聲，且能量集中在低頻段[6]。本文為模擬車內(nèi)環(huán)境下語音信號(hào)的端點(diǎn)檢測，對(duì)實(shí)驗(yàn)室安靜環(huán)境下采集的語音信號(hào)疊加汽車噪聲，采用NOISEX-92噪聲庫中的“Volvo”噪聲。純凈以及帶噪（信噪比為-5dB）的語音信號(hào)的時(shí)域波形如下圖所示：

圖1 語音信號(hào)時(shí)域波形

圖2 帶噪語音信號(hào)時(shí)域波形

由圖2可見當(dāng)信噪比較低時(shí)，語音被淹沒于噪聲中。從時(shí)域上來看，帶噪語音信號(hào)的波形失真嚴(yán)重，我們很難區(qū)分出語音段與噪聲段。進(jìn)一步分析車內(nèi)噪聲環(huán)境下的語音信號(hào)，我們觀察帶噪語音信號(hào)的語譜圖，采用漢明窗長128，窗移32，如圖3所示：

圖3 帶噪信號(hào)語譜圖

從語譜圖中可以看到，待分析的語音信號(hào)頻率分布在整個(gè)低頻到高頻的范圍內(nèi)，相對(duì)的，噪聲主要存在于小于300Hz的低頻范圍中，并且?guī)缀跬耆匮谏w了語音的低頻成分，使我們無法分辨出語音在低頻的變化趨勢(shì)。所以在進(jìn)行語音模板訓(xùn)練時(shí)，應(yīng)當(dāng)排除低頻段的頻帶數(shù)據(jù)，用高信噪比的頻帶計(jì)算語音特征。

2 語音特征提取

語音特征提取的過程包括預(yù)加重，分幀，計(jì)算倒譜系數(shù)幾個(gè)過程。在計(jì)算倒譜系數(shù)之前，為了找到高信噪比的頻帶，我們利用譜熵特征來確定劃分頻帶的閾值。

2.1 預(yù)加重。為了保證頻譜平坦并消除聲門激勵(lì)和口鼻輻射的影響，使得在整個(gè)頻帶中能使用同樣的信噪比進(jìn)行頻譜分析，將語音信號(hào)通過一個(gè)預(yù)加重?cái)?shù)字濾波器提升高頻[7]。濾波器的輸入x（n）與輸出y（n）滿足下列差分方程：

y（n）=x（n）-a*x（n-1） （1）

本文中a的值取0.97。

2.2 譜熵的計(jì)算。對(duì)頻譜的頻率分量計(jì)算歸一化譜概率密度，如公式2所示：

（2）

其中s（fi）為信號(hào)在fi處頻譜幅值，M為FFT變換長度，得到pi為頻率fi在整個(gè)頻率范圍內(nèi)出現(xiàn)的概率。利用上式的結(jié)果便可計(jì)算出此信號(hào)的譜熵En：

（3）

2.3 高信噪比頻帶的劃分。本文通過人工選取閾值的方法把頻帶劃分成高、低信噪比兩個(gè)部分，再用譜熵去評(píng)價(jià)閾值劃分的效果。因?yàn)樽V熵是一種能夠良好區(qū)別語音段和非語音段的特征，頻域上分布越分散的信號(hào)的頻率不確定性越高，熵就越高，比如白噪聲；相反的，語音信號(hào)的頻譜則有著相對(duì)比較集中的分布，不確定性較小，熵較低。所以閾值的選擇要使得噪聲段頻譜熵值盡可能大，且使得語音段熵值盡可能小。

實(shí)驗(yàn)中語音信號(hào)的采樣率為8000Hz，我們將整個(gè)頻率范圍分成兩部分：低信噪比部分（0-FHz）以及高信噪比部分（F-4000Hz）。通過觀察，我們選擇F=250Hz為汽車噪聲環(huán)境下的閾值點(diǎn)。得到高信噪比部分譜熵特征如圖4所示：

圖4 高信噪比頻帶譜熵

容易看出，在高信噪比語音信號(hào)中，純?cè)肼暥巫V熵較高，而帶噪語音部分的譜熵較低甚至接近零，在純?cè)肼暥闻c帶噪語音段的分界處，我們可以看到很陡峭的變化曲線。這表明閾值F選取250Hz時(shí)，頻域上噪聲的不確定性與語音的規(guī)律性可以被充分區(qū)別開來。

2.4 計(jì)算特征序列。語音信號(hào)被表示成幀序列后，計(jì)算每幀信號(hào)特征參數(shù)[8]。本文利用幀信號(hào)中的高信噪比頻帶去計(jì)算梅爾頻率倒譜系數(shù)（Mel-frequency cepstrum coefficients，MFCC），語音幀序列被轉(zhuǎn)換成特征序列。一幀的特征參數(shù)MFCC計(jì)算步驟如下：（1）計(jì)算功率譜：對(duì)每幀信號(hào)作N點(diǎn)快速傅立葉變換后將頻域復(fù)序列乘以其共軛，再乘1/N以便估計(jì)出信號(hào)的功率譜P（f）。因系數(shù)1/N是常量，出于減少計(jì)算量的考慮將其省略。（2）將功率譜P（f）通過一組M個(gè)帶通濾波器后計(jì)算出每個(gè)頻帶的能量E（m），m=1，2，…，M。這種濾波器的幅頻響應(yīng)為三角形，稱為Mel頻率尺度濾波器組，其中心頻率在Mel頻率尺度上均勻分布，每個(gè)濾波器的下限和上限取相鄰兩個(gè)濾波器的中心頻率。Mel頻率和實(shí)際頻率間的關(guān)系如下式所示：

Mel（f）=25951og10（1000+f/700） （4）

由公式2可看出，Mel濾波器組的中心頻率在實(shí)際頻率上按指數(shù)增長。構(gòu)造濾波器組時(shí)，先將信號(hào)的上限頻率對(duì)應(yīng)成Mel頻率，再將此頻率均分為M份，最后將M個(gè)Mel頻率變回實(shí)際頻率，就得到每個(gè)濾波器的中心頻率。（3）對(duì)一幀信號(hào)的能量序列（向量）E（m）取對(duì)數(shù)后再進(jìn)行C點(diǎn)離散余弦變換，舍去i=0時(shí)的系數(shù)后留下長度為C-1的向量便是此信號(hào)的梅爾頻率倒譜系數(shù)。由公式4計(jì)算可知，第四個(gè)Mel頻率濾波器的中心頻率為249.3Hz，正好在閾值250Hz附近，為了排除低信噪比的頻帶，我們舍棄前四個(gè)濾波器得到的能量序列，并對(duì)E（m）余下的值（m=5，6，…，M）進(jìn)行離散余弦變換后得到MFCC，計(jì)算公式如下：

（5）

3 模板訓(xùn)練

在語音模板訓(xùn)練時(shí)，為了壓縮模板的長度，本文使用了k均值聚類的方法合并語音中的相似幀。由于所得中心的數(shù)目等于初始中心的數(shù)目，將中心直接用作模板并未縮短語音模板的長度，且丟失了時(shí)序信息，不滿足模板匹配時(shí)動(dòng)態(tài)時(shí)間規(guī)整算法對(duì)時(shí)序的要求。為了解決上述問題，本文利用初始中心的時(shí)序信息為其排序，選出具有代表性的中心作為語音模板，于是壓縮了模板的長度。訓(xùn)練步驟如下：（1）對(duì)于某個(gè)語音的N次貫序輸入MFCC特征向量序列：S（i），i=1，2，…，N.取出最近一次的輸入序列S（Nj），j=1，2，…，J.作為初始聚類中心，其中S（Nj）是一幀語音信號(hào)的特征向量；（2）用k均值聚類算法對(duì)所有特征向量進(jìn)行聚類，得到中心特征向量序列C（kj），j=1，2，…，J；（3）找出S（N）各幀特征向量分別歸屬的中心C（k），并用中心替換之，得到新的特征向量序列Sc（Nj），j=1，2，…，J，因?yàn)槊總€(gè)聚類中心都代表了一組相似的特征向量，顯然這個(gè)新序列的特征向量集合是中心集合C（k）的一個(gè)子集；（4）把新特征序列Sc（N）中連續(xù)的相同幀縮減為一幀的特征向量，就得到壓縮語音模板Sc（Nt），t=1，2，…，T.且有T

4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)使用了四位測試人的語音數(shù)據(jù)，分別用舊語音特征（含有低信噪比頻帶）和新語音特征（只含高信噪比頻帶）進(jìn)行模板訓(xùn)練，識(shí)別時(shí)用動(dòng)態(tài)時(shí)間規(guī)整算法進(jìn)行模板匹配。模板訓(xùn)練時(shí)每個(gè)語音命令采集10組進(jìn)行訓(xùn)練，模板識(shí)別時(shí)他人語音為21組，本人語音為20組（相同語音10組，不同語音10組）。計(jì)算不同信噪比下的識(shí)別率，如表1所示：

表1 不同信噪比下新舊特征模板識(shí)別率

信噪比（dB）舊特征識(shí)別率（%）新特征識(shí)別率（%）

-570.73100

-1043.9096.34

-1541.4667.07

-2041.4665.85

比較新舊模板的壓縮率，如表2所示：

表2 新舊特征模板壓縮率

舊模板壓縮率（%）新模板壓縮率（%）

46.6849.11

從表1中可以看出，隨著信噪比的惡化，新舊特征模板的識(shí)別率都下降，但是高信噪比頻帶提取的語音特征的識(shí)別率遠(yuǎn)高于舊特征的識(shí)別率。舊特征在-15dB和-20dB信噪比條件下識(shí)別率一樣，這可能是由于測試語音數(shù)目不夠多造成的。從表2可以看出，新舊模板長度都被壓縮，新模板的壓縮率稍高，這是因?yàn)樾履０暹x取了高信噪比部分的頻帶，這個(gè)頻帶的范圍小于整個(gè)頻率范圍，訓(xùn)練時(shí)Mel頻率尺度濾波器組的輸出因此減少，聚類時(shí)有更多相似的幀被合并。

5 結(jié)束語

本文針對(duì)車內(nèi)噪音的頻率分布特點(diǎn)，通過譜熵特征來劃分高低信噪比的頻帶并進(jìn)行特征提取，保證了在低信噪比的條件下系統(tǒng)仍然有良好的識(shí)別率。用聚類的方法壓縮模板的長度，減少了模板匹配的計(jì)算量。由于實(shí)驗(yàn)測試人數(shù)不多，為更精確反映不同信噪比條件下的識(shí)別率變化，接下來的研究還要提取更多測試人的語音數(shù)據(jù)。鑒于高低信噪比頻帶的劃分并非自動(dòng)進(jìn)行，閾值的自動(dòng)獲取是進(jìn)一步實(shí)驗(yàn)所要考慮的問題。

參考文獻(xiàn)：

[1]Asgari M，Sayadian A，F(xiàn)arhadloo M，et al.Voice activity detection using entropy in spectrum domain[C]//Telecommunication Networks and Applications Conference，2008.ATNAC

2008.Australasian.IEEE，2008：407-410.

[2]Vlaj D，Ka?i? Z，Kos M.Voice activity detection algorithm using nonlinear spectral weights，hangover and hangbefore criteria[J].Computers Electrical Engineering，2012.

[3]Luan J，Hao J，Kakino T，et al.Template compression and distance normalization for reliable text-dependent speaker verification[C]//Speaker and Language Recognition Workshop，2006.IEEE Odyssey 2006：The.IEEE，2006：1-4.

[4]Kaczmarek A，Staworko M. Application of dynamic time warping and cepstrograms to text-dependent speaker verification[C]//Signal Processing Algorithms，Architectures，Arrangements，and Applications Conference Proceedings（SPA），2009.IEEE，2009：169-174.

[5]Staworko M，awski M.FPGA implementation of feature extraction algorithm for speaker verification[C]//Mixed Design of Integrated Circuits and Systems （MIXDES），2010 Proceedings of the 17th International Conference.IEEE，2010：557-561.

[6]韋曉東，胡光銳.汽車噪聲中自動(dòng)語音的識(shí)別技術(shù)[J].上海交通大學(xué)學(xué)報(bào)，1998（10）：10-13.

[7]趙力.語音信號(hào)處理（第2版）[M].北京：機(jī)械工業(yè)出版社，2009.

[8]林瑋，楊莉莉，徐柏齡.基于修正MFCC參數(shù)漢語耳語音的話者識(shí)別[J].南京大學(xué)學(xué)報(bào)：自然科學(xué)版，2006（1）：54-62.

作者簡介：吳紫劍（1988-），男，江蘇人，碩士研究生，研究方向：信號(hào)處理。

作者單位：南京航空航天大學(xué)民航學(xué)院，江蘇南京 210016