数字信号处理作业之语音识别小论文.docx
《数字信号处理作业之语音识别小论文.docx》由会员分享，可在线阅读，更多相关《数字信号处理作业之语音识别小论文.docx（17页珍藏版）》请在冰豆网上搜索。
数字信号处理作业之语音识别小论文
摘要：
本文针对所采集的语音信号，对其时域、频域参数进行了系统详尽的分析，并在MATLAB环境下实现了基于DTW算法的特定人语音信号0到9的识别。
关键词：
语音识别；MATLAB；短时傅立叶；DTW
引言
近年来，语音识别已经成为一个非常活跃的研究领域。
在不远的将来，语音识别技术有可能作为一种重要的人机交互手段，辅助甚至取代传统的键盘、鼠标等输入设备，在个人计算机上进行文字录入和操作控制。
而在智能家电、工业现场控制等其他应用场合，语音识别技术则有更为广阔的发展前景。
在语音识别中，最为简单有效的方法是采用DTW（DynamicTimeWarping，动态时间规整）算法，该算法基于动态规划的思想，解决了发音长短不一的模板匹配问题，是语音识别中出现最早、较为经典的一种算法[3]。
MATLAB是一种功能强大、效率高、交互性好的数值计算和可视化计算机高级语言，它将数值分析、信号处理和图形显示有机地融合为一体，形成了一个极其方便、用户界面友好的操作环境。
本文就是在MATLAB基础上来进行语音信号参数的分析与语音信号的识别的。
一、语音识别系统概述
一个完整特定人语音识别系统的方案框图如图1所示。
输入的模拟语音信号首先要进行预处理，包括预滤波、采样和量化、加窗、端点检测、预加重等,然后是参数特征量的提取。
提取的特征参数满足如下要求：
（1）特征参数能有效地代表语音特征,具有很好的区分性；
（2）参数间有良好的独立性；
（3）特征参数要计算方便,要考虑到语音识别的实时实现。
图1 语音识别系统方案框图
语音识别的过程可以被看作模式匹配的过程，模式匹配是指根据一定的准则，使未知模式与模型库中的某一个模型获得最佳匹配的过程。
模式匹配中需要用到的参考模板通过模板训练获得。
在训练阶段，将特征参数进行一定的处理后，为每个词条建立一个模型，保存为模板库。
在识别阶段，语音信号经过相同的通道得到语音特征参数，生成测试模板，与参考模板进行匹配，将匹配分数最高的参考模板作为识别结果。
二、语音信号的分析与处理
1、语音信号采集
该实验以实验者本人的声音（语音信号0~9）为分析样本，是利用PC机录制，音频文件采用8000kHz采样频率、16bit量化、单声道的PCM录音格式，用MATLAB本身wavread函数来读取语音文件。
如图2为采集的数字信号“3”的语音原始信号。
图2采集的数字语音“3”的原始信号
2、语音信号分析
语音信号是一种典型的非平稳信号。
对于非平稳信号，它是非周期的，频谱随时间连续变化，因此由傅里叶变换得到的频谱无法获知其在各个时刻的频谱特性。
如果利用加窗的方法从语音流中取出其中一个短断，再进行傅里叶变换，就可以得到该语音的短时谱。
语音信号的基本组成单位是音素。
音素可分成“浊音”和“清音”两大类。
如果将不存在语音而只有背景噪声的情况称为“无声”，那么音素可以分成“无声”、“浊音”、“清音”三类。
浊音的短时谱有两个特点：
第一，有明显的周期性起伏结构，这是因为浊音的激励源为周期脉冲气流；第二，频谱中明显地有凸出点，即“共振峰”，它们的出现频率与声道的谐振频率相对应。
清音的短时谱则没有这两个特点，它十分类似于一段随机噪声的频谱。
2.1时域分析
语音信号具有时变特性，但在一个短时间范围内（一般认为在10~30ms的短时间内），其特性基本保持不变，即相对稳定，因而可以将其看作是一个准稳态过程，即语音信号具有短时平稳性。
任何语音信号的分析和处理必须建立在“短时”的基础上，即进行“短时分析”，将语音信号分段来分析其特征参数，其中每一段称为一“帧”，帧长一般取为10~30ms。
这样，对于整体的语音信号来讲，分析出的是由每一帧特征参数组成的特征参数时间序列。
2.1.1短时能量分析
短时能量分析用途：
第一，可以区分清音段和浊音段，因为浊音时的短时平均能量值比清音时大得多；第二，可以用来区分声母与韵母的分界、无声与有声的分界、连字的分界等。
如对于高信噪比的语音信号，短时平均能量用来区分有无语音。
无语音信号噪声的短时平均能量很小，而有语音信号的能量则显著增大到某一个数值，由此可以区分语音信号的开始点或者终止点。
2.1.2短时过零率分析
过零就是信号通过零值。
对于连续语音信号，可以考察其时域波形通过时间轴的情况。
对于离散时间信号，如果相邻的取样值改变符号则称为过零。
由此可以计算过零数，过零数就是样本改变符号的次数。
单位时间内的过零数称为平均过零数。
短时过零分析通常用在端点侦测，特别是用来估计清音的起始位置和结束位置。
2.2、频域分析
短时傅立叶分析在运用离散时间傅立叶变换分析语音信号的变化时，会遇到这样的问题，即单一的傅立叶变换并不能反映时间变化的频谱信息，诸如时变共振峰和谐波。
具体而言，通常将信号的每一时刻与其相邻时刻信号的傅立叶变换相联系，这样就可以及时跟踪信号的频谱变化。
语音信号的短时傅立叶变换见程序所述。
短时傅立叶分析一般采用汉明窗作为分析窗。
3、语音信号的处理
3.1、语音识别的DTW算法
本设计中，采用DTW算法，该算法基于动态规划（DP）的思想解决了发音长短不一的模板匹配问题，在训练和建立模板以及识别阶段，都先采用端点检测算法确定语音的起点和终点。
在本设计当中，我们建立的参考模板，m为训练语音帧的时序标号，M为该模板所包含的语音帧总数，R（m）为第m帧的语音特征矢量。
所要识别的输入词条语音称为测试模板，n为测试语音帧的时序标号，N为该模板所包含的语音帧总数，T（n）为第n帧的语音特征矢量。
参考模板和测试模板一般都采用相同类型的特征矢量（如LPCC系数）、相同的帧长、相同的窗函数和相同的帧移。
考虑到语音中各段在不同的情况下持续时间会产生或长或短的变化，因而更多地是采用动态规划DP的方法。
把测试模板的各个帧号n=1～N在一个二维直角坐标系中的横轴上标出，把参考模板的各帧号m=1～M在纵轴上标出，通过这些形成网格，网格的每一个交叉点（n,m）即表示测试模式中某一帧与训练模式中某一帧的交汇点。
DP算法即可以归结为寻找一条通过此网格中若干个点的路径。
路径通过的格点即为此时与参考模板中进行距离计算的帧号。
应当注意，路径不是随意选择的，选取的路径必定是从左下角出发，在右上角结束。
通常，规整函数被限制在一个平行四边形的网格内，如图3所示。
它的一条边斜率为2，另一条边斜率为1/2。
规整函数的起点是（1,1），终点为（N，M）。
DTW算法的目的是在此平行四边形内由起点到终点寻找一个规整函数，使其具有最小的代价函数，保证了测试模板与参考模板之间具有最大的声学相似特性。
图3 匹配路径约束示意图
由于在模板匹配过程中限定了弯折的斜率，因此平行四边形之外的格点对应的帧匹配距离是不需要计算的。
另外，因为每一列各格点上的匹配计算只用到了前一列的3个网格，所以没有必要保存所有的帧匹配距离矩阵和累积距离矩阵。
充分利用这两个特点可以减少计算量和存储空间的需求，形成一种高效的DTW算法。
图2中，把实际的动态弯折分为三段，（1，xa），（xa+1，xb），（xb+1，N），其中：
xa=（2M-N）/3，xb=2（2N-M）/3
xa和xb都取最相近的整数，由此可得出对M和N长度的限制条件：
2M-N≥3，2N-M≥2
当不满足以上条件时，认为两者差别太大，则无法进行动态弯折匹配。
在x轴上的每一帧不再需要与y轴上的每一帧进行比较，而只是与y轴上[ymin，ymax]间的帧进行比较，ymin和ymax的计算公式为：
ymin=x/2，0≤x≤xb，
2x+（M-2N），xbymax=2x，0≤x≤xa，
x/2+（M-N/2），xa如果出现xa>xb的情况，则弯折匹配的三段为（1，xb），（xb+1，xa），（xa+1，N）。
对于x轴上每前进一帧，虽然所要比较的y轴上的帧数不同，但弯折特性是一样的，累积距离的更新都是用下式实现的：
D（x，y）=d（x，y）+min[D（x-1，y），D（x-1，y-1），D（x-1，y-2）]
3.2、MATLAB仿真过程
3.2.1 语音信号预处理
语音信号的预处理包括预滤波、采样和量化、加窗、预加重、端点检测等过程。
由于语音信号在帧长为10ms~30ms之内是相对平稳的，同时为了便于计算FFT，本系统选取帧长N为256个语音点，帧移M为128点。
本文采用汉明窗对语音信号进行分帧处理，如下式：
ω（n）=0.54-0.46cos（2πn/（N-1）），0≤n≤N-1
预加重用具有6dB/倍频程的提升高频特性的一阶数字滤波器实现：
H（z）=1-0.9375/z
端点检测采用基于短时能量和短时平均过零率法，利用已知为“静态”的最初十帧信号为短时能量设置2个门限ampl和amph，以及过零率阈值zcr。
语音起始点从第11帧开始检测，其流程图如图4。
语音结束点的检测方法与检测起点相似，但此时从后向前搜索。
图4语音起点检测流程图
3.2 特征参数提取及语音识别
众多研究表明，倒谱特征参数所含的信息量比其他参数多，能较好地表现语音信号。
本文选取能够反映人对语音的感知特性的Mel频率倒谱系数（MFCC）作为特征参数，阶数为12。
经过MFCC特征参数提取后，各帧语音信号就形成了一个个特征矢量。
识别时，将待测语音与模板库中的每一个模板进行模式匹配，找到距离最小的模板作为输出结果。
4、语音信号处理结果
如图4为语音信号“8”的处理结果，其他语音信号处理结果图不在此一一给出。
图4语音信号“8”的处理结果图
以下为得到的最终处理结果，10个数字识别正确。
经测试，程序等到了较好的语音识别效果。
三、总结
本文用MATLAB编程完成的数字语音信号识别系统详细地分析了语音信号的时域、频域等特性，并实现了对数字0到9的准确识别。
通过语音识别系统的设计，对数字信号处理的流程有了深刻的认识，也为以后使用MATLAB软件编程完成各项任务打好了基础。
参考文献：
[1]程佩青.数字信号处理教程[M].北京.清华大学出版社，2006.
[2]何强,何英.MATLAB扩展编程[M].北京:
清华大学出版社,2002.
[3]王炳锡,屈丹,彭煊.实用语音识别基础[M].北京:
国防工业出版社,2005.
[4]易克初,等.语音信号处理[M].北京:
国防工业出版社，2006,6.
[5]胡航.语音信号处理[M].哈尔滨:
哈尔滨工业大学出版社，2000,5.
[6]胡广书.数字信号处理理论、算法与实现[M].北京:
清华大学出版社，1997.
[7]王炳锡,等.实用语音识别基础[M].北京:
国防工业出版社，2005.
[8]林波,吕明.基于DTW改进算法的弧立词识别系统的仿真与分析[J].信息技术,2006,30（4）:
56-59.
[9]韩纪庆,张磊,郑铁然.语音信号处理[M].北京:
清华大学出版社,2004
[10]李晋.语音信号端点检测算法研究[D].长沙:
湖南师范大学,2006.
附录—程序：
主程序：
yuyinshibie.m
disp（'正在计算参考模板的参数...'）
fori=1:
10
fname=sprintf（'%da.wav',i-1）;
x=wavread（fname）;
[x1x2]=vad（x）;
m=mfcc（x）;
m=m（x1-2:
x2-4,:
）;
ref（i）.mfcc=m;
end
disp（'正在分析语音信号...'）
fori=1:
10
fname=sprintf（'%da.wav',i-1）;
[x,fs,bit]=wavread（fname,[2000,2512]）;%采样%
%sound（x,fs）;%播放语音信号
figure（i）;
subplot（3,3,1）;
plot（x（1:
256））;%原始语音信号的时域图形%
title（'原始信号'）
subplot（3,3,2）
[h,w]=freqz（x,fs）%原始语音信号的频率响应图
hr=abs（h）;%求系统幅频响应
plot（w,hr）;
title（'幅频图'）;
xlabel（'Frequencyinradmple'）
ylabel（'MagnitudeindB'）
subplot（3,3,3）
hphase=angle（h）;
hphase=unwrap（hphase）;%求系统相频响应
plot（w,hphase）;
title（'相频图'）;
xlabel（'Frequencyinradmple'）
ylabel（'Phaseindegrees'）
y=fft（x,512）;%傅立叶变换%
mag=abs（y）;
mag1=10*log10（mag）;
f=fs*（0:
255）/512;
subplot（3,3,4）
plot（f,mag（1:
256））;%FFT频谱图%
title（'fft变换后信号'）
iff=ifft（y,512）;%反傅立叶变换%
ifm=abs（iff）;
subplot（3,3,5）
plot（f,ifm（1:
256））
title（'ifft后信号'）
%短时傅里叶变换
Ts=1/fs;
%N=T/Ts;
N=512;
Nw=20;%窗函数长
L=Nw/2;%窗函数每次移动的样点数
Tn=（N-Nw）/L+1;%计算把数据x共分成多少段
nfft=32;%FFT的长度
TF=zeros（Tn,nfft）;%将存放三维谱图，先清零
fori=1:
Tn
xw=x（（i-1）*10+1:
i*10+10）;%取一段数据
temp=fft（xw,nfft）;%FFT变换
temp=fftshift（temp）;%频谱以0频为中心
forj=1:
nfft;
TF（i,j）=temp（j）;%把谱图存放在TF中
end
end
subplot（3,3,6）
fnew=（（1:
nfft）-nfft/2）*fs/nfft;
tnew=（1:
Tn）*L*Ts;
[F,T]=meshgrid（fnew,tnew）;
mesh（F,T,abs（TF））
title（'短时傅立叶变换时频图'）
subplot（3,3,7）
contour（F,T,abs（TF））
title（'等高线表示'）
end
disp（'正在计算测试模板的参数...'）
fori=1:
10
fname=sprintf（'%db.wav',i-1）;
x=wavread（fname）;
[x1x2]=vad（x）;
m=mfcc（x）;
m=m（x1-2:
x2-4,:
）;
test（i）.mfcc=m;
end
disp（'正在进行模板匹配...'）
dist=zeros（10,10）;
fori=1:
10
forj=1:
10
dist（i,j）=dtw（test（i）.mfcc,ref（j）.mfcc）;
end
end
disp（'正在计算匹配结果...'）
fori=1:
10
[d,j]=min（dist（i,:
））;
fprintf（'测试信号%d的识别结果为:
%d\n',i-1,j-1）;
end
各子程序模块：
dtw.m
functiondist=dtw（t,r）
n=size（t,1）;
m=size（r,1）;
%帧匹配距离矩阵
d=zeros（n,m）;
fori=1:
n
forj=1:
m
d（i,j）=sum（（t（i,:
）-r（j,:
））.^2）;
end
end
%累积距离矩阵
D=ones（n,m）*realmax;
D（1,1）=d（1,1）;
%动态规划
fori=2:
n
forj=1:
m
D1=D（i-1,j）;
ifj>1
D2=D（i-1,j-1）;
else
D2=realmax;
end
ifj>2
D3=D（i-1,j-2）;
else
D3=realmax;
end
D（i,j）=d（i,j）+min（[D1,D2,D3]）;
end
end
dist=D（n,m）;
enframe.m
functionf=enframe（x,win,inc）
nx=length（x（:
））;
nwin=length（win）;
if（nwin==1）
len=win;
else
len=nwin;
end
if（nargin<3）
inc=len;
end
nf=fix（（nx-len+inc）/inc）;
f=zeros（nf,len）;
indf=inc*（0:
（nf-1））.';
inds=（1:
len）;
f（:
）=x（indf（:
ones（1,len））+inds（ones（nf,1）,:
））;
if（nwin>1）
w=win（:
）';
f=f.*w（ones（nf,1）,:
）;
end
melbankm.m
function[x,mn,mx]=melbankm（p,n,fs,fl,fh,w）
ifnargin<6
w='tz';
ifnargin<5
fh=0.5;
ifnargin<4
fl=0;
end
end
end
f0=700/fs;
fn2=floor（n/2）;
lr=log（（f0+fh）/（f0+fl））/（p+1）;
%converttofftbinnumberswith0forDCterm
bl=n*（（f0+fl）*exp（[01pp+1]*lr）-f0）;
b2=ceil（bl
（2））;
b3=floor（bl（3））;
ifany（w=='y'）
pf=log（（f0+（b2:
b3）/n）/（f0+fl））/lr;
fp=floor（pf）;
r=[ones（1,b2）fpfp+1p*ones（1,fn2-b3）];
c=[1:
b3+1b2+1:
fn2+1];
v=2*[0.5ones（1,b2-1）1-pf+fppf-fpones（1,fn2-b3-1）0.5];
mn=1;
mx=fn2+1;
else
b1=floor（bl
（1））+1;
b4=min（fn2,ceil（bl（4）））-1;
pf=log（（f0+（b1:
b4）/n）/（f0+fl））/lr;
fp=floor（pf）;
pm=pf-fp;
k2=b2-b1+1;
k3=b3-b1+1;
k4=b4-b1+1;
r=[fp（k2:
k4）1+fp（1:
k3）];
c=[k2:
k41:
k3];
v=2*[1-pm（k2:
k4）pm（1:
k3）];
mn=b1+1;
mx=b4+1;
end
ifany（w=='n'）
v=1-cos（v*pi/2）;
elseifany（w=='m'）
v=1-0.92/1.08*cos（v*pi/2）;
end
ifnargout>1
x=sparse（r,c,v）;
else
x=sparse（r,c+mn-1,v,p,1+fn2）;
end
mfcc.m
functionccc=mfcc（x）
%归一化mel滤波器组系数
bank=melbankm（24,256,8000,0,0.5,'m'）;
bank=full（bank）;
bank=bank/max（bank（:
））;
%DTC系数,12*24
fork=1:
12
n=0:
23;
dctcoef（k,:
）=cos（（2*n+1）*k*pi/（2*24））;
end
%归一化倒谱提升窗口
w=1+6*sin（pi*[1:
12]./12）;
w=w/max（w）;
%预加重滤波器
xx=double（x）;
xx=filter（[1-0.9375],1,xx）;
%语音信号分帧
xx=enframe（xx,256,80）;
%计算每帧的MFCC参数
fori=1:
size（xx,1）
y=xx（i,:
）;
s=y'.*hamming（256）;
t=abs（fft（s））;
t=t.^2;
c1=dctcoef*log（bank*t（1:
129））;
c2=c1.*w';
m（i,:
）=c2';
end
%差分参数
dtm=zeros（size（m））;
fori=3:
size（m,1）-2
dtm（i,:
）=-2*m（i-2,:
）-m（i-1,:
）+m（i+1,:
）+2*m（i+2,:
）;
end
dtm=dtm/3;
%合并mfcc参数和一阶差分mfcc参数
ccc=[mdtm];
%去除首尾两帧，因为这两帧的一阶差分参数为0
ccc=ccc（3:
size（m,1）-2,:
）;
vad.m
function[x1,x2]=vad（x）
%幅度归一化到[-1,1]
x=double（x）;
x=x/max（abs（x））;
%常数设置
FrameLen=240;
FrameInc=80;
amp1=10;
amp2=2;
zcr1=10;
zcr2=5;
maxsilence=3;%3*10ms=30ms
minlen=15;%15*10ms=150ms
status=0;
count=0;
silence=0;
%计算过零率
tmp1=enframe（x（1:
length（x）-1）,FrameLen,FrameInc）;
tmp2=enframe（x（2:
length（x））,FrameLen,FrameInc）;
signs=（tmp1.*tmp2）<0;
diffs=（tmp1-tmp2）>0.02;
zcr=sum（signs.*diffs,2）;
%计算短时能量
amp=sum（abs（enframe（filter（[1-0.9375],1,x）,FrameLen,FrameInc））,2）;
%调整能量门限
amp1=min（amp1,max（amp）/4）;
amp2=min（amp2,max（amp）/8）;
%开始端点检测
x1=0;
x2=0;
forn=1:
length（zcr）
goto=0;
switchstatus
case{0,1}%0=静音，1=可能开始
ifamp（n）>amp1%确信进入语音段
x1=max（n-count-1,1）;
status=2;
silence=0;
count=count+1;
elseifamp（n）>amp2zcr（n）>zcr
（2）%可能处于语音段
status=1;
count=count+1;
else%静音状态
status=0;
count=0;
end
case2,%2=语音段
ifamp（n）>amp
（2）zcr（n）>zcr
（2）%保持在语音段
count=count+1;
else%语音将结束
silence=silence+1;
ifsilence
升级会员 