基于MFCC與共振峰的聲紋識(shí)別算法研究

王正創(chuàng)

摘要：在聲紋識(shí)別系統(tǒng)中，由于特征參數(shù)MFCC不能實(shí)現(xiàn)高效的識(shí)別，提出了將MFCC和共振峰相結(jié)合的提取方法。并在此基礎(chǔ)上引用了一階差分[Δ]MFCC和二階差分[ΔΔ]MFCC，進(jìn)而將MFCC、[Δ]MFCC、[ΔΔ]MFCC和共振峰有機(jī)結(jié)合起來(lái)進(jìn)行聲紋識(shí)別實(shí)驗(yàn)，說(shuō)話人模型采用的是高斯混合模型。實(shí)驗(yàn)結(jié)果表明提取混合特征參數(shù)MFCC、[Δ]MFCC、[ΔΔ]MFCC與共振峰進(jìn)行聲紋識(shí)別時(shí)，識(shí)別率大大提高。

關(guān)鍵詞：MFCC；共振峰；GMM

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）04-0188-03

A Voiceprint Recognition Algorithm Based on MFCC and Formants

WANG Zheng-chuang

（College of Mechanical and Electronic Engineering， Chaohu University， Chaohu 238000，China）

Abstract： Because MFCC cant achieve efficient voiceprint recognition， a feature extraction method by combining MFCC and Formants is proposed. And on the basis cited the [Δ]MFCC and [ΔΔ]MFCC， then MFCC， [Δ]MFCC， [ΔΔ]MFCC and Formants are combined to conduct the voiceprint recognition experiment， the speaker models use the Gaussian Mixture Modeling. The experiment results show that the extraction of mixture parameters MFCC， [Δ]MFCC， [ΔΔ]MFCC and Formants for the voiceprint recognition， the recognition rate improves greatly.

Key words： MFCC； formants； GMM

1 概述

由于聲紋和指紋、人臉、DNA一樣，是一個(gè)人內(nèi)在的、唯一的特征，通過(guò)提取聲紋中的特征來(lái)進(jìn)行身份鑒別技術(shù)不斷地發(fā)展起來(lái)。目前已廣泛應(yīng)用到銀行證券、刑偵反恐、國(guó)防安全等各個(gè)領(lǐng)域，并發(fā)揮著越來(lái)越大的作用。

聲紋識(shí)別中最關(guān)鍵的問(wèn)題之一就是提取有效的特征參數(shù)，有效的特征參數(shù)可以提高識(shí)別率，目前常見(jiàn)的特征參數(shù)有基音周期、線性預(yù)測(cè)系數(shù)（LPC）、線譜對(duì)參數(shù)（LSP）、線性預(yù)測(cè)倒譜系數(shù)（LPCC）、梅爾頻率倒譜系數(shù)（MFCC）。本文主要介紹MFCC和共振峰的提取算法，并利用高斯混合模型進(jìn)行聲紋識(shí)別實(shí)驗(yàn)，進(jìn)而表明MFCC參數(shù)與共振峰結(jié)合優(yōu)于單獨(dú)的特征參數(shù)。

2 Mel頻率倒譜系數(shù)

MFCC 是根據(jù)人的聽(tīng)覺(jué)感知機(jī)理提出的能反映人的聲音特征的參數(shù)，因此它沒(méi)有任何前提假設(shè)，且具有良好的識(shí)別能力和抗噪聲能力。由于人耳所聽(tīng)到的聲音的高低與聲音的頻率并不成正比關(guān)系，而用Mel頻率尺寸則更符合人耳的聽(tīng)覺(jué)特性。Mel頻率與實(shí)際頻率的具體關(guān)系可用公式（1）表示：

[Mel（f）=2595lg（1+f/700）] （1）

圖1是MFCC參數(shù)的提取框圖：

圖1 MFCC的提取過(guò)程

MFCC 參數(shù)提取過(guò)程如下：

1）原始語(yǔ)音信號(hào)在經(jīng)過(guò)采樣量化后需經(jīng)過(guò)預(yù)加重處理以提高信號(hào)的高頻部分的幅度，進(jìn)而增加語(yǔ)音的高頻分辨率，一般通過(guò)預(yù)加重?cái)?shù)字濾波器對(duì)其加以濾波，該濾波器的傳遞函數(shù)為：

[H（Z）=1-αZ-1] （2）

其中，[α]為預(yù)加重系數(shù)且0.9<[α]<1.0，這里取[α]=0.97。

2）根據(jù)語(yǔ)音信號(hào)短時(shí)平穩(wěn)的特性，通過(guò)分幀操作提取語(yǔ)音短時(shí)特性便于建模，通常取幀長(zhǎng)30ms，此時(shí)幀移10ms。為了平滑信號(hào)以減少每幀信號(hào)兩端的預(yù)檢測(cè)誤差，一般采用加窗的方法。本文采用加漢明窗，如下：

[W（n）=0.54-0.46cos（2πnN-1）] [（0≤n≤N-1）] （3）

3）端點(diǎn)檢測(cè)是聲紋識(shí)別中的一個(gè)重要環(huán)節(jié)，有效的端點(diǎn)檢測(cè)方法不僅可以減少數(shù)據(jù)的存儲(chǔ)量和處理時(shí)間，而且可以排除無(wú)聲段的噪聲干擾使聲紋識(shí)別更為準(zhǔn)確。

4）原始語(yǔ)音信號(hào)s（n）經(jīng)過(guò)采樣、量化、預(yù)加重、分幀、加窗、端點(diǎn)檢測(cè)等處理，得到每個(gè)語(yǔ)音幀的時(shí)域信號(hào)x（n）。將時(shí)域信號(hào)x（n）后補(bǔ)若干0以形成長(zhǎng)為N（一般取N=512）的序列，然后經(jīng)過(guò)離散傅里葉變換（DFT）后得到線性頻譜X（k），變換公式為

[X（k）=n=0N-1x（n）e-j2πnk/N，0≤n，k≤N-1] （4）

5）將得到的線性頻譜X（k）通過(guò)Mel頻率濾波器組得到Mel頻譜，Mel頻率濾波器組為在語(yǔ)音的頻譜范圍內(nèi)設(shè)置的若干個(gè)具有三角濾波特性的帶通濾波器，其設(shè)計(jì)如下：

[Hp（k）=0 （kf（p+1））] （5）

其中，[0≤p

6）所得到的Mel頻譜通過(guò)對(duì)數(shù)能量的處理，得到對(duì)數(shù)頻譜S（p），總傳遞函數(shù)為：

[S（p）=lnk=0N-1X（k）2Hp（k），0≤p

7）將得到的對(duì)數(shù)頻譜S（p）經(jīng)過(guò)離散余弦變換（DCT）到倒譜域，即可得到MFCC參數(shù)c（n）：

[c（n）=p=1P-1S（p）cosπn（p+1/2）P，0≤p

在實(shí)際的聲紋識(shí)別應(yīng)用中，并不是取全部維數(shù)的MFCC系數(shù)，一般最前若干維以及最后若干維的MFCC系數(shù)對(duì)語(yǔ)音的區(qū)分性能較大，在這取前12維的MFCC系數(shù)。圖2為從一段語(yǔ)音信號(hào)中提取的特征參數(shù)MFCC、[Δ]MFCC、[ΔΔ]MFCC。從圖中可以看出，12維以后的一階MFCC系數(shù)和二階MFCC系數(shù)的幅度值基本上為0，對(duì)語(yǔ)音的區(qū)分性能影響不大。

圖2 特征參數(shù)MFCC、[Δ]MFCC、[ΔΔ]MFCC

3 共振峰

當(dāng)聲音進(jìn)入聲道后，其頻譜必定會(huì)受到聲道的共振特性的影響，聲道具有一組共振頻率，稱(chēng)為共振峰頻率或共振峰。聲道的頻譜特性反映出共振峰的不同位置和各個(gè)峰的頻帶寬度，共振峰及其帶寬取決于聲道的形狀和尺寸，所以不同的語(yǔ)音信號(hào)對(duì)應(yīng)于一組不同的共振峰參數(shù)。

圖3是共振峰參數(shù)的提取框圖：

圖3 共振峰參數(shù)的提取過(guò)程

語(yǔ)音信號(hào)進(jìn)過(guò)分幀、加窗 、快速傅里葉變換（FFT），將得到語(yǔ)音信號(hào)的短時(shí)譜，短時(shí)譜取對(duì)數(shù)后再進(jìn)行快速傅里葉逆變換（IFFT），將得到語(yǔ)音的倒譜。倒譜將基音諧波和聲道的頻譜包絡(luò)分離出來(lái)，倒譜的低時(shí)部分可以分析聲道、聲門(mén)和輻射信息，而高頻部分可以分析激勵(lì)源信息。因此對(duì)倒譜進(jìn)行低時(shí)窗選，通過(guò)語(yǔ)音倒譜分析系統(tǒng)的最后一級(jí)，進(jìn)行FFT后的輸出即為平滑后的對(duì)數(shù)模函數(shù)，此時(shí)平滑的對(duì)數(shù)譜顯示了特定輸入語(yǔ)音信號(hào)的諧振結(jié)構(gòu)，即譜的峰值基本上對(duì)應(yīng)于共振峰頻率，對(duì)平滑過(guò)的對(duì)數(shù)譜中的峰值進(jìn)行定位，即得到共振峰。如圖4，從一段語(yǔ)音信號(hào)中提取的共振峰參數(shù)。

圖4 共振峰參數(shù)

4 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)所使用的語(yǔ)音庫(kù)是在實(shí)驗(yàn)室環(huán)境下，采用8KHz的采樣頻率，單聲道，16位的采樣精度進(jìn)行語(yǔ)音信號(hào)錄制的。該語(yǔ)音庫(kù)共有10個(gè)說(shuō)話人，其中每個(gè)說(shuō)話人的10個(gè)語(yǔ)音段用于訓(xùn)練樣本集，訓(xùn)練的時(shí)間分別為10s、20s、30s，7個(gè)語(yǔ)音段用于測(cè)試樣本集，測(cè)試的時(shí)間為10s。實(shí)驗(yàn)時(shí)分別提取每個(gè)說(shuō)話人的特征參數(shù)MFCC、[MFCC+ΔMFCC]、Formants、[MFCC+ΔMFCC+ΔΔMFCC+Formants]。說(shuō)話人的模型使用GMM混合模型，高斯模型混合數(shù)為16。表1是提取不同特征參數(shù)識(shí)別結(jié)果的比較。

表1 不同特征參數(shù)的識(shí)別率（%）

從實(shí)驗(yàn)結(jié)果可以得出，特征混合參數(shù)[MFCC+ΔMFCC+ΔΔMFCC+Formants]的識(shí)別率最高，優(yōu)于單獨(dú)的特征參數(shù)MFCC和共振峰，并且隨著訓(xùn)練時(shí)間的增加，不同特征參數(shù)的識(shí)別率都有所提高，但是識(shí)別率增長(zhǎng)到一定程度后就很難增長(zhǎng)。此外，在訓(xùn)練過(guò)程中，盡量保證錄音的質(zhì)量，盡量少含有噪音和雜音，這樣識(shí)別率會(huì)更高。

5 結(jié)論

本文主要介紹了特征參數(shù)MFCC和共振峰的提取方法，并將一階差分[Δ]MFCC、二階差分[ΔΔ]MFCC有機(jī)結(jié)合起來(lái)進(jìn)行聲紋識(shí)別。實(shí)驗(yàn)結(jié)果顯示特征混合參數(shù)[MFCC+ΔMFCC+ΔΔMFCC+Formants]的識(shí)別率明顯提高了很多，并且訓(xùn)練時(shí)間增長(zhǎng)，識(shí)別率就越高，進(jìn)一步提高了聲紋識(shí)別系統(tǒng)的性能。不足的是特征混合參數(shù)的計(jì)算量大，但是計(jì)算機(jī)的處理速度不斷加快，解決計(jì)算量不是問(wèn)題，在訓(xùn)練語(yǔ)音中容易受噪音的干擾，所以特征參數(shù)的魯棒性將是以后研究的一個(gè)方向。

參考文獻(xiàn)：

[1] Yang Yang， Wu Ren， Zhang Hui. The research of voiceprint recognition based on genetic optimized RBF neural networks . 2012 IEEE International Conference on Computer Science and Automation Engineering （CSAE）. Washington， United States： IEEE Computer Society，2012.704-708.

[2] Tomi Kinnunen， Haizhou Li. An overview of text-independent speaker recognition： From features to supervectors. Speech Communication，2010，52（1）：12-40.

[3] Ahmed Mezghani， Douglas OShaughnessy. Speaker Verification Using a New Representation Based on a Combination of MFCC and Formants[C]. Canadian Conference on Electrical and Computer Engineering. United States： Institute of Electrical and Electronics Engineers Inc.，2005.1461 -1464.

[4] Zhao Yanping， Zhao Xiaohui， Wang Bo. A speech enhancement method employing sparse representation of power spectral density [J]. Journal of Information and Computational Science，2013，10（6）：1705-1714.

[5] 胡政權(quán). 說(shuō)話人識(shí)別中語(yǔ)音參數(shù)提取方法的研究[D].南京：南京師范大學(xué)，2013.

[6] 張震，王化清. 語(yǔ)音信號(hào)特征提取中Mel倒譜系MFCC的改進(jìn)算法[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（22）：54-56.

[7] 宮朝輝，刁麓弘. 改進(jìn)共振峰提取的語(yǔ)音端點(diǎn)檢測(cè)[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2013，25（8）：1230-1236.

[8] 裴鑫. 聲紋識(shí)別系統(tǒng)關(guān)鍵技術(shù)研究[D]. 哈爾濱：哈爾濱理工大學(xué)，2014.