基于Gammatone濾波器組的說話人識(shí)別算法研究

茅正沖，王正創(chuàng)，王 丹

江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫 214122

1 引言

說話人識(shí)別中最關(guān)鍵的問題之一就是提取有效的特征參數(shù)，目前常見的特征參數(shù)有線性預(yù)測系數(shù)（LPC）、線譜對(duì)參數(shù)（LSP）、Mel頻率倒譜系數(shù)（MFCC）等[1]。然而，在實(shí)際的說話人識(shí)別系統(tǒng)中使用時(shí)，容易受到噪聲的干擾，導(dǎo)致識(shí)別率降低[2]。人耳聽覺系統(tǒng)是一個(gè)具有高度復(fù)雜性的系統(tǒng)，其研究意義非常重要，尤其是在噪聲的環(huán)境下，人耳聽覺系統(tǒng)比任何自動(dòng)識(shí)別系統(tǒng)更具有可靠性、便捷性。因此，將人耳聽覺模型融入到自動(dòng)識(shí)別系統(tǒng)中，可以大幅提升系統(tǒng)的性能[3-5]。

聲音的感受細(xì)胞在內(nèi)耳的耳蝸部分，而基底膜是耳蝸接收聲音最重要的組織。聲波在外耳腔引起空氣振動(dòng)，從而引起行波沿基底膜的傳播。基底膜能對(duì)不同頻率的聲音產(chǎn)生共鳴，反映不同頻率的聲音。不同頻率的聲音產(chǎn)生不同的行波，其峰值出現(xiàn)在基底膜的不同位置上[6-7]。

本文給出了一種基于人耳耳蝸聽覺模型的Gammatone濾波器組，該濾波器組能很好地模擬基底膜的分頻特性，并且基于該濾波器組，提出了一種Gammatone頻率倒譜系數(shù)（GFCC）的提取算法，進(jìn)而用于說話人識(shí)別系統(tǒng)中。在有噪聲的背景下，該特征參數(shù)的識(shí)別率及魯棒性優(yōu)于傳統(tǒng)的特征參數(shù)MFCC。

2 Gammatone濾波器

Gammatone濾波器[8-9]最早應(yīng)用于描述聽覺系統(tǒng)脈沖響應(yīng)函數(shù)的形狀，后來應(yīng)用于耳蝸聽覺模型，用來模擬人耳聽覺頻率響應(yīng)，其時(shí)域表達(dá)形式如下：

其中，k為濾波器增益，a為濾波器階數(shù)，f為中心頻率，?為相位，b是衰減因子，該因子決定相應(yīng)的濾波器的帶寬，它與中心頻率f的關(guān)系為：

由于Gammatone濾波器的時(shí)域表達(dá)式為沖擊響應(yīng)函數(shù)，所以將其進(jìn)行傅里葉變換就可以得到其頻率響應(yīng)特性。不同中心頻率的Gammatone濾波器的幅頻響應(yīng)曲線，如圖1所示。

圖1 一組不同中心頻率下Gammatone濾波器的幅頻響應(yīng)曲線

3 GFCC特征參數(shù)的提取

根據(jù)Gammatone濾波器的特性，準(zhǔn)備將該濾波器應(yīng)用到說話人識(shí)別系統(tǒng)中。將輸入的語音信號(hào)通過一組Gammatone濾波器，進(jìn)而語音信號(hào)由時(shí)域轉(zhuǎn)換到頻域。這里采用的是一組64個(gè)的4階Gammatone濾波器，其中心頻率在50 Hz～8 000 Hz之間。由于濾波器的輸出保留原來的采樣頻率，所以在這沿著時(shí)間維度，取響應(yīng)頻率為100 Hz，通道數(shù)為64的Gammatone濾波器。這樣就產(chǎn)生了相應(yīng)的幀移為10 ms，進(jìn)而可以應(yīng)用到短時(shí)間的語音特征提取中。當(dāng)語音信號(hào)通過以上的濾波器時(shí)，輸出信號(hào)的響應(yīng)Gm(i)的表達(dá)式如下：

其中，N=64是濾波器的通道數(shù)，M是采樣之后的幀數(shù)。

這樣Gm(i)構(gòu)成了一個(gè)矩陣，代表著輸入信號(hào)在頻域的分布變化，在這采用類耳蝸圖[10]來描述輸入信號(hào)在頻域的分布變化。然而，與具有直觀分辨率的語譜圖[11]不同，類耳蝸圖在低頻段的分辨率優(yōu)于在高頻段的分辨率。圖2是一段純凈語音信號(hào)的語譜圖和類耳蝸圖；圖3是一段加噪語音信號(hào)的語譜圖和類耳蝸圖。從圖中對(duì)比可以看出，類耳蝸圖的分辨效果更加清晰，能更好地反映語音信號(hào)的能量分布，尤其是在有噪聲背景下，類耳蝸圖的優(yōu)勢更突出，更能反映出語音信號(hào)的特性。因此，將對(duì)類耳蝸圖進(jìn)行下一步的分析研究。

在這將類耳蝸圖的每一幀稱為Gammatone特征系數(shù)（GF），一個(gè)GF特征矢量由64個(gè)頻率成分組成。但是在實(shí)際的說話人識(shí)別系統(tǒng)中，GF特征矢量的維度比較大，計(jì)算量較大。此外，由于相鄰的濾波器通道有重疊的部分，GF特征矢量相互之間存在相關(guān)性。因此，為了減小GF特征矢量的維度及相關(guān)性，在這對(duì)每一個(gè)GF特征矢量進(jìn)行離散余弦變換（DCT），具體的表達(dá)式如下：

圖2 一段純凈語音的語譜圖和類耳蝸圖

圖3 一段加噪語音的語譜圖和類耳蝸圖

這里將系數(shù)Cj(i)稱為GFCCs系數(shù)[12]，嚴(yán)格來說，這個(gè)新的特征系數(shù)并不是倒譜系數(shù)。因?yàn)榈棺V系數(shù)的產(chǎn)生一般要取對(duì)數(shù)能量，然而在這將GFCCs系數(shù)當(dāng)作倒譜系數(shù)，是由于在上面的轉(zhuǎn)換中和MFCC特征參數(shù)的提取轉(zhuǎn)換有功能上的相似性。和MFCC特征參數(shù)類似，在實(shí)際的說話人識(shí)別系統(tǒng)中，并不是取全部維數(shù)的GFCCs系數(shù)，經(jīng)過實(shí)驗(yàn)表明最前若干維以及最后若干維的GFCCs系數(shù)對(duì)語音的區(qū)分性能較大，在這取前26維的GFCCs系數(shù)[13]。這樣GFCC特征參數(shù)的表達(dá)式如下：

圖4是基于圖2中類耳蝸圖的分析示圖。圖4（a）是GF系數(shù)，圖4（b）是基于26維GFCCs合成的GF系數(shù)，圖4（c）是基于26維GFCCs合成的類耳蝸圖。

圖4 類耳蝸圖的分析示圖

4 實(shí)驗(yàn)結(jié)果與分析

本文所采用的語音庫是在實(shí)驗(yàn)室環(huán)境下錄制的，語音采用的是單聲道，8 kHz的采樣頻率，16 bit量化。該語音庫由20人錄制的，每個(gè)人錄制10段語音，每段語音時(shí)長約5 s，其中每個(gè)人的4個(gè)語音段作為訓(xùn)練樣本集，另外6個(gè)語音段作為測試樣本集。混入的噪聲選自NOISEX-92標(biāo)準(zhǔn)噪聲庫[14-15]，采用的識(shí)別方法是高斯混合模型（GMM），GMM的混合數(shù)是16。

首先，在大信噪比的背景下，分別提取每個(gè)說話人的特征參數(shù)MFCC和GFCC。MFCC的提取采用26個(gè)Mel頻率濾波器組，經(jīng)DCT變換計(jì)算26維的倒譜系數(shù)。GFCC的提取采用64通道的Gammatone濾波器，經(jīng)DCT變換后取26維的GFCCs系數(shù)。經(jīng)過特征參數(shù)提取后，進(jìn)行說話人識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1。

其次，為了測試噪聲環(huán)境下特征參數(shù)MFCC和GFCC的識(shí)別性能，選取噪聲庫中三種典型噪聲作為測試系統(tǒng)的背景噪音。在這里選用的三種典型噪聲是White噪聲、Babble噪聲、Factory噪聲，信噪比為0 dB、5 dB、10 dB、15 dB，實(shí)驗(yàn)結(jié)果如表1。

表1 特征參數(shù)MFCC和GFCC的識(shí)別率（%）

從表1中可以看出，在大信噪比的背景下，GFCC的識(shí)別率能達(dá)到95%以上。在三種不同的噪聲背景下，特征參數(shù)GFCC的識(shí)別率明顯高于MFCC。隨著SNR的增大，識(shí)別率越來越高，其中在Babble噪聲背景下，由于受到背景中不同說話者之間的相互干擾，以至于系統(tǒng)的平均識(shí)別率略低于其他兩種噪聲。此外，在Factory噪聲背景下，SNR為15 dB時(shí)，系統(tǒng)采用特征參數(shù)GFCC的識(shí)別率能達(dá)到80%以上，遠(yuǎn)高于特征參數(shù)MFCC。因此這些可以充分證明，采用Gammatone濾波器組模型對(duì)語音進(jìn)行時(shí)域前端濾波是很有效的，這種模型具有很強(qiáng)的抗噪性，也說明了特征參數(shù)GFCC對(duì)加性噪聲具有一定的抑制性，進(jìn)一步體現(xiàn)了基于人耳耳蝸聽覺特征的噪聲魯棒性。

5 結(jié)束語

本文給出了一種基于人耳耳蝸聽覺模型的Gammatone濾波器組，并且基于該濾波器組，提出了一種GFCC的提取算法。實(shí)驗(yàn)結(jié)果表明，在說話人識(shí)別系統(tǒng)中采用特征參數(shù)GFCC，其識(shí)別率及魯棒性都優(yōu)于傳統(tǒng)的特征參數(shù)MFCC，GFCC能降低加性噪聲的影響，抑制加性噪聲的不穩(wěn)定性。此外，采用特征參數(shù)GFCC的計(jì)算量大，以及在短時(shí)間內(nèi)進(jìn)行說話人識(shí)別時(shí)，識(shí)別效果還需進(jìn)一步改進(jìn)。因此，如何減少說話人識(shí)別系統(tǒng)的計(jì)算量，提高系統(tǒng)的識(shí)別效率以及實(shí)現(xiàn)在短時(shí)間內(nèi)識(shí)別將是接下來的研究工作。

[1]屈丹，王波，李弼程.VoIP語音處理與識(shí)別[M].北京：國防工業(yè)出版社，2010.

[2]蔡蓮紅，黃德智，蔡銳.現(xiàn)代語音技術(shù)基礎(chǔ)與應(yīng)用[M].北京：清華大學(xué)出版社，2003.

[3]尹輝，謝湘，匡鏡明.一種基于Gammatone濾波和FrFT的抗噪語音識(shí)別方法[C]//第十屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議暨國際語音語言處理研討會(huì)論文摘要集.北京：清華大學(xué)出版社，2009：5-8.

[4]牛廷偉.噪聲環(huán)境下的語音識(shí)別關(guān)鍵技術(shù)研究[D].天津：天津理工大學(xué)，2011.

[5]金銀燕，于鳳芹.基于Gammatone濾波和PCNN的說話人識(shí)別[J].科學(xué)技術(shù)與工程，2010，10（30）：1671-1674.

[6]何朝霞，潘平.基于聽覺模型的說話人語音特征提取[J].微型機(jī)與應(yīng)用，2012，31（1）：37-39.

[7]陳世雄，宮琴，金慧君.用Gammatone濾波器組仿真人耳基底膜的特性[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，48（6）：1044-1048.

[8]王玥，錢志鴻，王雪，等.基于伽馬通濾波器組的聽覺特征提取算法研究[J].電子學(xué)報(bào)，2010，38（3）：525-528.

[9]王玥.說話人識(shí)別中語音特征參數(shù)提取方法的研究[D].長春：吉林大學(xué)，2009.

[10]Shao Yang，Wang Deliang.Robust speaker identification using auditory features and computational auditory scene analysis[C]//Proceedings of IEEE International Conference on Acoustics，Speech and Signal Processing（ICASSP2008），March 30-April 4，2008.[S.l.]：IEEE，2008：1589-1592.

[11]張雪英.數(shù)字語音處理及MATLAB仿真[M].北京：電子工業(yè)出版社，2003.

[12]ZhaoXiaojia，Shao Yang，WangDeliang.CASA-based robustspeakeridentification[J].IEEE Transactions on Audio，Speech and Language Processing，2012，20（5）：1608-1616.

[13]He Xu，Lin Lin.A new algorithm for auditory feature extraction[C]//Proceedings of InternationalConference on Communication Systems and Network Technologies.Washington，DC，USA：IEEE Computer Society，2012：229-232.

[14]胡峰松，曹孝玉.基于Gammatone濾波器組的聽覺特征提取[J].計(jì)算機(jī)工程，2012，38（21）：168-171.

[15]Shao Yang，Jin Zhaozhang，Wang Deliang.An auditorybased feature for robust speech recognition[C]//Proceedins of International Conference on Acoustics，Speech and Signal Processing（ICASSP2009），19-24 April，2009.[S.l.]：IEEE，2009：4625-4628.