基于改進C0復雜度和MFCC相似度的端點檢測

許昊　張二華

摘 要： 為了提高語音端點檢測的準確率，提出一種基于改進C0復雜度和MFCC相似度相結(jié)合的端點檢測算法。首先，計算每一幀語音信號的C0復雜度以及MFCC相似度。然后，結(jié)合C0復雜度與MFCC相似度作為新的特征參數(shù)，設(shè)置閾值進行端點檢測。對信噪比在-15～15 dB范圍內(nèi)的含噪語音進行端點檢測，使用Matlab軟件進行仿真實驗。實驗結(jié)果表明，該方法相對于單獨的兩種方法提高了檢測率，且穩(wěn)定性更強。

關(guān)鍵詞： 音信號處理； C0復雜度； MFCC相似度； 端點檢測

中圖分類號： TN912?34 文獻標識碼： A 文章編號： 1004?373X（2015）10?0007?03

0 引 言

端點檢測算法在語音信號處理領(lǐng)域有著十分重要的意義[1]。對語音信號進行準確的端點檢測既是提高語音識別準確率的重要環(huán)節(jié)，也是提升語音編碼效率的關(guān)鍵。傳統(tǒng)的端點檢測算法常采用短時能量、短時過零率和自相關(guān)最大值等方法，這些方法在低噪聲環(huán)境下均能取得比較好的結(jié)果，但在高噪聲環(huán)境下性能則下降明顯。后來又出現(xiàn)了許多新的方法，如基于譜熵的端點檢測[2]、基于LPCC（線性預測倒譜系數(shù)）的端點檢測[3]、基于時頻方差的端點檢測[4]等方法。這些方法確實提高了在低信噪比環(huán)境下的語音檢測率，然而它們?nèi)杂胁恍〉母倪M空間。由于MFCC（Mel頻率倒譜系數(shù)）較好地反映了人耳的聽覺特性，而C0復雜度[5]較好地體現(xiàn)了語音信號的非線性特性，且基于二者的端點檢測方法均被證明具有良好的檢測效果。本文提出一種新的特征MFCC_C0，并將兩種特征進行綜合，該方法在不同信噪比環(huán)境下均取得良好的效果，較單獨使用其中一種特征更具優(yōu)勢。

1 算法描述

1.1 改進的C0復雜度

復雜度是作用于時間序列的一種指標，主要是將信號分解成規(guī)則成分和不規(guī)則成分兩部分，通過計算其不規(guī)則部分所占的相對比例來反應(yīng)信號的復雜度特性，就是C0復雜度描述的基礎(chǔ)[6]。改進的C0復雜度，引入了參數(shù)r，表征超過頻譜均方值r倍，它更好地反應(yīng)了時間序列的隨機性。語音信號的C0復雜度計算步驟如下：

（1） 對語音信號進行預加重、分幀、加窗處理，得到[fx]。其中預加重系數(shù)α=0.937 5，幀移為幀長的一半，使用Hamming窗。

（2） 計算語音信號的頻譜：

[Fk=x=0N-1fxexp-j2πkxN， x=0，1，2，…，N-1] （1）

式中：[Fk]是[fx]的離散傅里葉變換；[x]是時域變量；[k]是頻域變量；[j=-1]。

（3） 計算語音信號頻譜均方值：

[Fk=1Nk=0N-1Fk2] （2）

（4） 引入?yún)?shù)r（r為大于等于1的常數(shù)），保留大于頻譜均方值r倍的頻譜，將其余部分置零，大于閾值的部分認為是語音信號中的規(guī)則成分，小于閾值的部分認為是語音信號中的隨機成分，即：

[Fk=Fk，F(xiàn)k2≥rFk0，F(xiàn)k2

（5） 對[Fk]做傅里葉逆變換：

[fx=1Nk=0N-1Fkexpj2πkxN， x=0，1，2，…，N-1] （4）

（6） 語音信號的改進C0復雜度定義如下：

[C0r=x=0N-1fx-fx2x=0N-1fx2] （5）

當r=1時，[C0r]就是原C0復雜度的定義。本文中取r=8。改進后的C0復雜度比原來C0復雜度更可靠[7]。

1.2 MFCC相似度

MFCC（Mel頻率倒譜系數(shù)）從人耳的聽覺出發(fā)，與基于實際頻率倒譜的分析不同。人耳感受到的聲音頻率與聲音的實際頻率成非線性關(guān)系，而Mel頻率尺度[8]則是根據(jù)人耳的聽覺特性設(shè)計的。臨界頻率帶寬隨著頻率的變化而變化[9]，并與Mel頻率的增長相一致。當頻率低于1 000 Hz時，臨界頻率帶寬大約為100 Hz；當中心頻率高于1 000 Hz時，臨界頻率帶寬呈對數(shù)增長。類似于臨界頻帶的劃分，可以使用帶通濾波器組來模擬人耳對不同頻率語音信號的處理。MFCC相似度[2]的計算步驟如下：

（1） 計算語音信號的頻譜[Fk]，由式（1）可得。

（2） 根據(jù)式（6）將實際頻率映射到Mel頻率上：

[Melf=2595lg1+f700] （6）

式中參數(shù)[f]表示實際頻率，單位為Hz。

（3） 設(shè)置L個三角濾波器，濾波器的個數(shù)由信號的截止頻率決定（本文取L=24）。在Mel頻率尺度上，每個濾波器的中心頻率間隔相等。設(shè)[ol]、[cl]、[hl]分別是第[l]個三角濾波器的下限、中心和上限頻率，由于相鄰濾波器組有重疊，它們的關(guān)系如下[9]：

[cl=hl-1=ol+1] （7）

（4） 計算每個濾波器的輸出：

[ml=k=olhlWlkFk， l=1，2，…，L] （8）

式中三角濾波器[Wlk]可表示為：

[Wlk=k-olcl-ol ，ol≤k≤clhl-khl-cl ，cl≤k≤hl] （9）

（5） 對濾波器輸出取對數(shù)，并做離散余弦變換可得MFCC參數(shù)：

[cMFCCi=2Nl=1Llgmlcosl-12iπL] （10）

（6） 假設(shè)當前語音信號的前10幀為背景噪聲，取這幾幀信號的MFCC 參數(shù)均值作為背景噪聲MFCC參數(shù)的估計值。同時為了使背景噪聲估計值實時反映語音信號的實際背景噪聲情況，提出背景噪聲的MFCC參數(shù)更新公式[8]：

[Cnoise=pC+1-pCi] （11）

式中：[C]為語音信號前10幀MFCC參數(shù)的均值；p為加權(quán)因子；[Ci]表示當前幀的MFCC參數(shù)。若當前幀被判斷為噪聲幀，則使用當前幀的MFCC參數(shù)[Ci]來更新背景噪聲參數(shù)[Cnoise。]

（7） 相似度是用來衡量兩個對象之間相似程度的，求取相似度的方法有很多，如明氏距離、夾角余弦距離、相似性函數(shù)法等。本文選用相關(guān)系數(shù)距離法，來衡量兩個特征向量（當前語音幀的MFCC參數(shù)[Ci]與噪聲幀的MFCC參數(shù)[Cnoise]）之間的相似度。[di=1-x-xy-yx-xx-x′12y-yy-y′12] （12）

式中：[x=j=1nxj]；[y=j=1nyj]。

1.3 兩種特征聯(lián)合檢測

C0復雜度表示信號中隨機運動所占的份額，而噪聲的隨機運動程度遠高于語音的隨機運動程度。MFCC特征參數(shù)模擬了人耳的聽覺機制，具有較強的抗噪能力。這兩種特征相關(guān)性較低，本文通過對兩種特征分別歸一化后進行綜合加權(quán)構(gòu)建一個新特征MFCC_C0，在此基礎(chǔ)上設(shè)置閾值進行端點檢測。當信噪比高于5 dB時，C0復雜度檢測率高于MFCC 相似度算法，此時給予C0復雜度特征更高的權(quán)重，反之，則給予MFCC 相似度特征更高的權(quán)重。

新特征MFCC_C0定義如下[10]：

[MFCC_C0i=C0_normi+9d_normi，SNR<5 dB9+SNR-55C0_normi+d_normi，SNR≥5 dB] （13）

式中：SNR為信噪比；[C0_normi]為C0的歸一化表示，[d_normi]為[di]的歸一化表示。

2 實驗結(jié)果與分析

實驗采用一段新聞聯(lián)播的語音信號作為純凈語音。并使用Cool Edit Pro軟件對其重新編輯，只保存單聲道，16 kHz采樣率和16 b量化處理。選用NOISEX?92噪聲庫中的白噪聲，合成不同信噪比的帶噪語音。為了驗證本文提出方法較先前兩種方法有所改進，將三種端點檢測方法的檢測效果顯示在同一幅圖中，進行直觀的比較。本文使用Matlab軟件進行實驗，結(jié)果見圖1，圖2。

圖1 信噪比為-10 dB時的三種方法的檢測結(jié)果

圖2 信噪比為10 dB時的三種方法的檢測結(jié)果

圖1、圖2中，每張圖均由（a）～（e）五個子圖構(gòu)成[10]，其中：（a）為純凈語音；（b）為帶噪語音；（c）為MFCC相似度的檢測結(jié)果；（d）為C0復雜度算法的檢測結(jié)果；（e）為C0復雜度與MFCC相似度相結(jié)合算法的檢測結(jié)果。每個子圖中的紅色線條表示一段語音的開始和結(jié)束。其中，圖（a）、（b）是由人耳辨別，并在曲線上標示出語音段的起始位置。圖（a）被劃分為10小段語音。圖（c）～圖（e）是由三種端點檢測算法自動檢測出的結(jié)果。

圖1給出在信噪比-10 dB下，三種算法的檢測效果。從圖（c）可以看出，MFCC相似度算法檢測出大部分語音段，但未檢測出第6段語音，且未能將第7，8段語音分開，及未能檢測出第9段語音；而從圖（d）可以看出，C0復雜度僅檢測出4段語音，存在大量誤判，且語音段與非語音段區(qū)分度很低；從圖（e）可以看出，本文提出的方法檢測效果接近MFCC相似度，好于C0復雜度的檢測結(jié)果。

圖2給出了在信噪比為10 dB下，三種算法的檢測效果。從圖（c）可以看出，MFCC相似度檢測出了絕大多數(shù)的語音段，包括第6段語音，然而第7，8段語音仍然未能被很好地分離，且未能區(qū)分第9，10段語音；而從圖（d）可以看出，C0復雜度檢測出了所有的語音，且區(qū)分性非常明顯；從圖（e）可以看出，本文提出的方法檢測效果接近C0復雜度，好于MFCC相似度。

為進一步檢驗本文所提的算法的正確率，對三種端點檢測算法的正確率進行計算并統(tǒng)計。表1是信噪比范圍在-15～15 dB下，三種端點的檢測效果。端點檢測的正確率可由式（14）得出：

[正確率=判斷正確的幀數(shù)語音的總幀數(shù)×100%] （14）

表1 MFCC相似度、C0復雜度及本文算法端點檢測正確率比照表

由表1可以看出，在-15～15 dB之間，與C0復雜度及MFCC相似度算法相比，改進算法綜合了兩者的優(yōu)點，取兩者的較高值，且表現(xiàn)穩(wěn)定。當信噪比低于0 dB時，C0復雜度的誤判逐漸增多，MFCC 相似度檢測的正確率較高，此時改進算法更接近MFCC相似度的檢測效果。當信噪比高于5 dB時，改進算法與C0復雜度算法性能接近，端點檢測的正確度要高于MFCC相似度算法。

3 結(jié) 語

本文提出了一種基于C0復雜度與MFCC 相似度的端點檢測算法。 MFCC參數(shù)很好地描述了人耳的聽覺機制，能夠很好地區(qū)分語音和噪聲，其具有較強的穩(wěn)定性以及抗噪性。然而基于MFCC相似度的端點檢測算法準確率并不高，特別是當信噪比提高后未有顯著提升。而基于C0復雜度的端點檢測算法在高信噪比的情況下具有較高的檢驗率。MFCC相似度與C0復雜度兩種特征的結(jié)合，彌補了它們單一使用時的不足，提高了語音的檢測率及算法的穩(wěn)定性。實驗結(jié)果表明，該算法性能良好，在多種信噪比下均有良好的表現(xiàn)。

參考文獻

[1] 朱曉晶，侯旭初，崔慧娟，等.基于LPCC和能量熵的端點檢測[J].電訊技術(shù)，2010，50（6）：41?45.

[2] 劉榮，劉珩.低信噪比下基于功率譜上的語音端點檢測算法[J].計算機工程與應(yīng)用，2009，45（33）：122?124.

[3] 李玉萍，樸春俊，韓永成.一種帶噪語音信號端點檢測方法研究[J].電子測試，2008（2）：14?17.

[4] 馬靜霞.帶噪語音端點檢測方法的研究[D].秦皇島：燕山大學，2007.

[5] 范影樂，武傳燕，李軼，等.基于C0復雜度的語音端點檢測技術(shù)研究[J].傳感技術(shù)學報，2006，19（3）：750?753.

[6] 王綱金，趙歡，胡煉.基于小波變換C0復雜度的語音端點檢測方法[J].計算機工程與應(yīng)用，2010，46（29）：134?136.

[7] 蔡志杰，孫潔.改進的C0復雜度及其應(yīng)用[J].復旦學報：自然科學版，2008，47（6）：791?796.

[8] 王宏志，徐玉超，李美靜.基于Mel頻率倒譜參數(shù)相似度的語音端點檢測算法[J].吉林大學學報：工學版，2012，42（5）：1331?1335.

[9] 趙力.語音信號處理[M].北京：機械工業(yè)出版社，2009.

[10] 鄧瑞，肖純智，高勇.基于MFCC相似度和譜熵的端點檢測算法[J].現(xiàn)代電子技術(shù)，2013，36（21）：67?69.