說話人識別中的特征參數(shù)提取和識別算法研究.pdf

1、隨著云計(jì)算，大數(shù)據(jù)時(shí)代的到來，移動(dòng)環(huán)境下的多模態(tài)自然人機(jī)交互，包括面向服務(wù)機(jī)器人的語音交互需求，對話系統(tǒng)及安全驗(yàn)證系統(tǒng)，都對當(dāng)前的說話人識別技術(shù)提出更大的挑戰(zhàn)?；ヂ?lián)網(wǎng)時(shí)代對數(shù)據(jù)分析提出了更高的要求，分析的顆粒度越來越小，對用戶行為數(shù)據(jù)的分析也越來越關(guān)鍵。得益于豐富多樣的終端存儲與處理，語音作為人類獲取信息最有效、最自然的方式，其采集保存與應(yīng)用變得越來越方便，智能語音交互和安全驗(yàn)證受到更為廣泛的關(guān)注。說話人識別是通過對說話人語音信號的參數(shù)

2、分析和特征提取，依據(jù)訓(xùn)練的說話人特定模型進(jìn)行待測語音的身份認(rèn)定。
　　本文首先對說話人識別課題的研究意義及發(fā)展歷程等進(jìn)行了綜述性的介紹，并指出了當(dāng)前說話人識別領(lǐng)域的研究熱點(diǎn)和難點(diǎn)問題。在前人取得的研究成果的基礎(chǔ)上，針對說話人識別任務(wù)，在端點(diǎn)檢測預(yù)處理，鑒別性特征提取和識別算法三個(gè)環(huán)節(jié)進(jìn)行了系統(tǒng)且較為深入的研究，設(shè)計(jì)了文本無關(guān)的說話人識別實(shí)驗(yàn)系統(tǒng)，包括對語音片段端點(diǎn)的檢測模塊、預(yù)處理模塊、針對鑒別性分析的特征提取模塊和多種創(chuàng)新性識別

3、算法模塊，并進(jìn)行了充分的理論分析與實(shí)驗(yàn)驗(yàn)證。主要?jiǎng)?chuàng)新性工作如下:
　　1.提出了一種多層次框架的魯棒性語音端點(diǎn)檢測算法，該算法的優(yōu)勢在于充分考慮各種特征的特性將多種特征方法有機(jī)結(jié)合在一起，并引入了投票機(jī)制，保證了算法在不同噪聲條件下的魯棒性，提高了低信噪比情況下的端點(diǎn)檢測精度。該算法由三個(gè)模塊組成，在語音增強(qiáng)模塊中，首先利用判決引導(dǎo)方法估計(jì)先驗(yàn)信噪比，然后利用改進(jìn)的維納濾波方法進(jìn)行噪聲抑制;在特征提取和投票模塊中，分別提取多種具有

4、鑒別意義的短時(shí)特征。鑒于部分特征更適合特定的噪聲條件，因此采用投票的模式增強(qiáng)特征的可靠性和辨別能力;在分類模塊中，采用兩個(gè)標(biāo)準(zhǔn)語音數(shù)據(jù)庫訓(xùn)練的不同信噪比下的SVM模型，最后采用"one-against-one"的方法來有效確定語音/非語音段。在不同類型噪聲條件下，信噪比20dB時(shí)，語音/非語音的平均正確檢測率可以達(dá)到97.8％。
　　2.提出了兩種用于說話人識別的鑒別性特征提取方法。首先鑒于說話人個(gè)性信息在不同頻帶呈不均勻分布的原

5、理，基于F-ratio值來衡量不同子頻帶對說話人個(gè)性信息的區(qū)分度，通過實(shí)驗(yàn)數(shù)值分析及量化，設(shè)計(jì)非均勻?yàn)V波器，提取非均勻鑒別性特征，在仿真實(shí)驗(yàn)中，NUFCC特征的識別率比MFCC特征平均提高了2.23％，表明該特征作為針對說話人識別任務(wù)提取的特征，能夠有效利用不同子頻帶的信息，改善系統(tǒng)的性能，具有良好的區(qū)分性。其次提出提取漢語單字音節(jié)特征的方法，該方法基于經(jīng)典的語音幀特征分析理念，結(jié)合漢語自身的音節(jié)結(jié)構(gòu)和發(fā)音特點(diǎn)，對語音幀序列進(jìn)行進(jìn)一步處

6、理，找到單個(gè)漢字的典型幀序列，然后將幀序列的特征矢量進(jìn)行拼接得到該字的特征矢量。這種以單字為單位提取的特征矢量能更為集中地反映說話人發(fā)聲過程中的典型特征，去除邊緣信息的鑒別干擾，并且能更好地表征說話人單字發(fā)音中相鄰語音幀之間的連續(xù)性。
　　3.提出了基于環(huán)域采樣和集成策略的k近鄰說話人識別算法，充分利用特征矢量的空間分布特性，采用基于環(huán)域處理的分層采樣方法，以語音信號特征矢量的環(huán)域搜索代替?zhèn)鹘y(tǒng)的全局搜索方式，可以減少運(yùn)算量，加快搜

7、索速度，實(shí)驗(yàn)結(jié)果表明，基于環(huán)域的分層采樣算法在識別階段速度提高了5.1～5.5倍，對識別率的影響很小。進(jìn)一步在集成學(xué)習(xí)策略中，提出利用概率準(zhǔn)則生成訓(xùn)練集的算法。該算法（命名為BagWithProb）隨機(jī)產(chǎn)生集合的樣本中心，根據(jù)概率分布關(guān)系選擇新樣本，逐步加入當(dāng)前集合，生成新的訓(xùn)練集。該方法可以確保訓(xùn)練集之間較大的差異性，進(jìn)一步提高識別系統(tǒng)的泛化能力，在15s的訓(xùn)練數(shù)據(jù)下，BagWithProb策略下的集成系統(tǒng)的幀平均識別率可達(dá)94.1％

8、，說話人分類的最終判決取決于測試語音的所有幀的識別結(jié)果，因此個(gè)別幀的識別錯(cuò)誤對總的識別結(jié)果的影響較小，所以本文提出的基于環(huán)域采樣和集成策略的k近鄰說話人識別算法能在基本不損失識別精度的前提下，大大提高識別速度，并且改善系統(tǒng)的泛化能力。
　　4.提出了深度置信網(wǎng)絡(luò)在說話人識別方面的兩個(gè)角度的應(yīng)用，在深度學(xué)習(xí)理論指導(dǎo)下，一個(gè)角度是采用DBN網(wǎng)絡(luò)作為分類器實(shí)現(xiàn)模型建模，通過DBN的訓(xùn)練，對輸入的頻譜特征進(jìn)行建模，識別階段，利用訓(xùn)練好的D

9、BN網(wǎng)絡(luò)實(shí)現(xiàn)識別任務(wù)。實(shí)驗(yàn)結(jié)果表明，不同測試文件類型下，當(dāng)測試時(shí)長達(dá)到5s以上，隱層數(shù)為4時(shí)，平均識別率能達(dá)到97.13％，驗(yàn)證了使用深度置信網(wǎng)絡(luò)實(shí)現(xiàn)說話人識別的可行性與有效性;另一個(gè)角度是利用DBN網(wǎng)絡(luò)的訓(xùn)練提取Bottleneck特征，并將該特征作為后續(xù)的傳統(tǒng)識別模型的輸入，實(shí)現(xiàn)說話人識別。Bottleneck+GMM算法在測試時(shí)長是6s情形下的識別率平均達(dá)到99.04％，表明該算法在干凈語音條件下已經(jīng)可以達(dá)到非常好的性能，并且在訓(xùn)