基于Fisher線性判別分析的語音信號端點檢測方法

王明合 張二華唐振民 許 昊

(南京理工大學計算機科學與工程學院 南京 210094)

基于Fisher線性判別分析的語音信號端點檢測方法

王明合 張二華*唐振民 許 昊

(南京理工大學計算機科學與工程學院 南京 210094)

傳統的語音端點檢測方法對輔音，特別是受到噪聲污染的清音部分與背景噪聲之間分離能力不足。針對上述問題，該文提出一種基于Fisher線性判別分析的梅爾頻率倒譜系數(F-MFCC)端點檢測方法。將清音信號和背景噪聲視為兩類分類問題，采用Fisher準則求解具有判別信息的最佳投影方向，使得投影后的特征參數具有最小類內散度和最大類間散度，從而增大清音與背景噪聲的可分離性。在不同語音庫上的實驗結果表明，F-MFCC能夠在不同信噪比和背景噪聲條件下提高語音端點檢測的準確率。

語音處理；語音端點檢測；梅爾頻率倒譜系數；Fisher線性判別分析

1 引言

語音端點檢測(Voice Activity Detection, VAD)是指用來檢測語音信號中語音起始點和結束點的技術，目的是把有聲段和無聲段分開。該技術廣泛應用于語音識別、說話人識別、語音編碼、信道傳輸及語音信號減噪等相關領域。研究表明，即使在安靜環境下，語音識別系統大部分的錯誤是由端點檢測精度不足造成的[1]。VAD是語音信號處理中最基本的，但又極為關鍵的環節，仍然是當前研究的熱點之一。早期階段，其主要采用語音的短時能量和過零率相結合的雙門限法進行檢測，在純凈語音狀況下具有良好的性能。然而，在真實環境下，采集的語音信號大多伴有各種各樣的噪聲，使得檢測性能大幅下降，進而會降低語音自動識別系統的準確性以及語音通信系統重構語音信號的質量。

針對噪聲干擾，研究人員提出了大量的VAD方法，從不同的角度可以分為多種類型。從所提取的特征參數來看，有基于短時能量及過零率、子帶信噪比[2]、自相關函數、聲道共振峰[3,4]、譜熵[5]、小波分解系數[6]、線性預測倒譜系數殘差及高階統計量[7]、梅爾頻率倒譜系數(Mel Frequency Cepstrum Coefficient, MFCC)[8]、ERB特征[9]、希爾伯特-黃變換特征[10]、稀疏表示[11]和多種特征相結合[12]等方法；從判決距離來分有基于歐式距離、明式距離、余弦夾角距離、相關系數距離[8]等方法；從機器學習的角度可分為有監督學習、無監督聚類和半監督學習方法。近年來還有研究者提出了基于多麥克風[13]和深度神經網絡(deep neural networks)[14]等方法。上述方法通過噪聲特性估計，雖然在一定程度上提高了VAD的魯棒性，但對于一些受到噪聲污染的輔音信號，特別是和噪聲特征較為接近的清音部分，分離能力明顯不足。

Fisher線性判別分析(Fisher lineardiscri-minant analysis)[15]作為模式識別領域最具影響的算法之一，廣范應用于人臉識別、醫學圖像分類、語音識別等系統。本文將VAD看作兩類分類問題，提出基于Fisher線性判別分析的F-MFCC 端點檢測方法。在語音庫上事先選取部分清音信號作為清音樣本集，把待檢測語音的前幾幀作為背景噪聲樣本集，通過Fisher準則求解MFCC具有判別信息的最佳投影方向。特征參數經投影后，增強了清音和背景噪聲之間的區分能力，使得清音分離能力大幅提高，從而F-MFCC端點檢測方法的整體準確度得到提升。在增強清音分離能力的同時，濁音分離能力依然保持良好，只有極少部分受到了一些影響，可以通過和短時能量參數相結合來彌補。求得投影向量后，對每幀MFCC特征參數直接投影降維至1維標量，根據閾值判決該幀是否為有聲段。

本文結構安排為：第2節介紹基于MFCC相似度方法；第3節提出F-MFCC算法并進行理論分析；第4節在不同信噪比和背景噪聲條件下進行實驗仿真和性能評價；第5節總結全文。

2 基于MFCC相似度方法

MFCC是最常用的聲學特征之一。由耳蝸的生理構造決定，人耳對不同頻率的聲音信號具有不同的感知能力，在頻域上呈現非線性關系。MFCC就是根據這種現象提出的特征參數。首先對語音信號預加重、分幀、加窗處理，然后對每幀進行離散傅里葉變換，得到在頻率域上的能量分布。根據人耳特性設置一組三角濾波器組，計算每個濾波器輸出的能量的對數，再經過離散余弦變換，得到一組系數c(i)，即MFCC。在實際應用中，通常保留前12維，1≤i≤12。將MFCC的向量形式記作cm，其中m為幀序列號。選取相關系數作為相似度測度，根據式(1)計算cm和b的MFCC相似度距離d(cm, b)，并參照短時能量法，選取合適的閾值來判決該幀是有聲段，還是背景噪聲段。

3 基于Fisher線性判別分析的VAD

雖然傳統VAD能夠降低噪聲對端點檢測的影響，但是對受到噪聲污染的輔音以及和噪聲特征較為接近的清音部分分離能力明顯不足。VAD所采用的語音特征主要有能量、過零率、信噪比、MFCC等，下面分別從這幾個方面來分析清音信號分離能力弱的原因。圖1(a)為加入白色噪聲的含噪語音，信噪比為0 dB；圖1(b)為人工端點標注，用0表示背景噪聲段，1表示清音段，2表示濁音段；圖1(c)為含噪語音的頻譜圖。相對于濁音，清音的能量本來就較低，且多數噪聲和清音的過零率同樣較高，顯然，在強噪聲背景下，很難從能量和過零率上把清音和噪聲區分開來。圖1(a)中含噪語音的平均信噪比為0 dB，在部分元音段，信噪比峰值高達27 dB，而在部分清音段，信噪比則低至 -9 dB。因此對背景噪聲的估計和自適應更新中產生的誤差偏移很容易導致基于信噪比閾值的端點檢測產生錯誤；從圖1(c)中可以看出，受噪聲污染的清音信號和背景噪聲的頻譜極為相似，這導致基于相似度距離的VAD很難實現清音和背景噪聲的有效分離。

圖1 加噪語音信號

從發聲原理角度分析，清音可以被認為是通過聲門的氣流噪聲經過聲道的濾波產生的，和自然生成的各類背景噪聲不盡相同。因此，可以把背景噪聲和清音看作兩類分類問題，通過將Fisher線性判別分析[15]引入VAD，增大清音與背景噪聲的類間散度和減小類內散度，以此來提高兩者的判別能力。其基本思想是將高維的特征參數投影降維到最佳判別矢量空間，投影后保證模式樣本在新的子空間類內緊湊和類間分離(即最小的類內散度和最大的類間散度)，模式在該空間中有最佳的可分離性。VAD屬于兩類分類，可以投影降維到1維空間，在此基礎上可選取合適的閾值區分有聲段和背景噪聲段。不同人之間，甚至男女之間清音的MFCC差別很小，因此，我們在已有純凈語音庫中隨機選取清音段組合成一個約3 s的清音樣本集，預加重、分幀、加窗后，提取出N1幀MFCC參數，記作Qk, 1 ≤ k ≤N1。取待檢測語音信號的前N2幀，作為背景噪聲樣本集，同樣處理得到N2幀MFCC參數，記作Gk, 1≤ k ≤ N2，通常N2取值10。清音樣本集、背景噪聲樣本集以及二者合并后樣本集的均值向量分別記作u1,u2,u0，根據式(2)計算。給定投影向量w，取維數12，則投影后的類間散度為

類內散度為

令

Fisher鑒別準則表達式為其中，SB,SW均為對稱半正定矩陣，(SW)1/2= ()1/2，且S=(S)1/2(S)1/2。 WWW

等價于求最大特征值λmax[()?1/2SB(SW)?1/2]= λmax[(SW)?1SB]對應的特征向量，即

其中，λmax及(w?w)為標量，w與(SW)?1?(u1?u2)同方向，若忽略系數，則最佳投影方向w為

將待檢測的語音信號提取出每幀的梅爾倒譜系數cm，其中m為幀序列號。根據式(9)，將投影降維到1維后的參數記作rm。

圖2(a)為在安靜環境下錄制的一段語音對應的波形。考慮到在無聲段也有錄音設備的本底噪聲存在，絕對純凈的語音信號現實世界中是不存在的。不失一般性，本文將所有非語音信號視為噪聲，亦即將所有無聲段均視為背景噪聲段。圖2(b)為人工標注，其中，0表示背景噪聲段，1表示清音段，2表示濁音段。通過觀察圖2(c)中MFCC的投影值曲線可知，清音段和背景噪聲段的可分離性顯著提高，濁音段和背景噪聲段的可分離性保持良好。將語音信號的短時能量值記作em，根據式(10)和rm進行融合后，記作pm。

其中，R為背景噪聲r值的估計。將待檢測語音信號前N2幀rm的平均作為R的初始值，α為權重系數。設E為em前N2幀的平均值。若E小于τ，則令E=τ。設α=a/E，其中a和τ為常數，分別取值0.1和0.05。當背景噪聲較小時，em在pm中權重較大，可有效避免將說話過程中和清音特征相近的換氣、呼吸等噪聲誤檢測為有聲段；當背景噪聲較大時，em在pm中權重變小，|rm?R|的權重變大，可減弱背景噪聲的能量對端點檢測的干擾。在檢測過程中，如果第j幀對應的信號被判決為背景噪聲，

圖2 語音信號MFCC投影后的參數

則根據式(11)對R進行更新，以自適應地跟蹤背景噪聲的變化。

式中，β∈[0, 1]決定R自適應背景噪聲的速度，本文取固定值0.01。

圖2(d)給出了參數pm對應的曲線。對于背景噪聲段，|rm?R|和em均較小，故pm值較小；對清音段，|rm?R|較大，但em較小，故pm值中等；對濁音段，|rm?R|和em均較大，故pm值較大。因此，將參數pm作為最終VAD的判決依據，在保證濁音有效檢出的情況下，清音的分離能力明顯增強。

4 性能分析與評價

4.1 實驗環境

仿真實驗所采用的語音信號選自NUST603_ 2014及TIMIT語音庫，混疊的噪聲選自NOISEX-92噪聲庫。NUST603_2014語音庫由南京理工大學“高維信息智能感知與系統”教育部重點實驗室錄制完成，包含男210人，女213人，是在日常辦公室環境下，分別通過麥克風、固定電話、手機3種傳輸信道錄制的，并混有真實自然的背景噪聲。TIMIT語音庫由Texas Instruments和Massa-chusetts Institute of Technology聯合錄制完成，包含男438人，女192人，是在安靜環境及高質量麥克風條件下錄制的連續語音。

實驗在聯想PC機(CPU:E7500, 2.93 GHz)上進行，操作系統采用Windows XP，在MATLAB R2011a 環境下執行F-MFCC。在不同語種和噪聲條件下，以人工標注為標準，重點考察如下3方面的性能指標：

(1)清音分離能力：指將清音信號和背景噪聲進行區分的能力。

(2)整體檢測準確率：指端點檢測正確的幀數在被測試語音信號總幀數中所占據的比例。

(3)實時性能：統計F-MFCC的執行時間，以此衡量實時性能。

在后續結果分析中，我們將(1)對比F-MFCC和MFCC相似度方法的清音分離能力；(2)對比AMR-1[2]，基于MFCC相似度方法和F-MFCC的整體準確率；(3)分析F-MFCC的實時檢測性能。

4.2 結果分析

在NUST603_2014語音庫麥克風目錄下，隨機選取清音片段，組成約3 s的清音樣本集。將待檢測語音信號的前N2幀作為背景噪聲的樣本集。利用Fisher線性判別分析找到最佳投影向量，將語音信號提取出MFCC，逐幀投影降維，并和能量參數融合后，作為VAD的判決參數。

圖3～圖6對選自NUST603_2014語音庫中的麥克風語音、固定電話語音、TIMIT語音庫純凈語音、NUST603_2014語音庫的麥克風語音混入白色噪聲后(SNR=0 dB)的部分語音信號清音分離能力進行了對比，分別用0和1表示背景噪聲段和有聲語音段(包括清音段和濁音段)。在人工標注過程中，分別用0,1和2表示背景噪聲段、清音段和濁音段。由圖可知，在不同的語種和信噪比條件下，F-MFCC在清音分離能力方面都明顯超過了傳統方法中具有代表性的基于MFCC相似度距離檢測方法。圖3和圖5中語音信號的背景噪聲雖然較小，但噪聲類型主要是錄音設備的電路噪聲和說話人的呼吸、換氣噪聲。通過適當擴大參數α, F-MFCC可以有效降低此類噪聲對VAD的影響，所以清音分離性能明顯優于MFCC相似度方法。圖4中語音信號采集自固定電話，并伴有隨時間波動的周期性環境噪聲，該環境下F-MFCC的清音分離性能略優于MFCC相似度方法。圖6中語音信號為NUST603_2014語音庫的麥克風語音混入白色噪聲，背景噪聲幾乎將清音信號完全淹沒。通過適當減小參數α，調節pm中 |rm?R|的權重，提高清音分離能力。

圖3 清音分離能力對比(麥克風語音)

圖4 清音分離能力對比(帶噪電話語音)

圖5 清音分離能力對比(TIMIT語音庫語音)

圖6 清音分離能力對比(麥克風語音混入白色噪聲)

下面對AMR-1，基于MFCC相似度方法和F-MFCC的準確率進行結果分析。受噪聲污染清音信號的誤判是導致傳統VAD錯誤的重要原因之一。清音的分離能力改善了，VAD的整體準確率自然會得到提高。在不同語音庫和信噪比條件下，F-MFCC, AMR-1和基于MFCC相似度方法的整體準確率對比如表1所示。其中NUST603_2014語音庫的麥克風語音、帶噪電話語音、TIMIT語音庫純凈語音的信噪比由NIST STNR Tools(V2.7)評估得出。

由表1可知， F-MFCC端點檢測方法在不同條件下的整體準確率均明顯高于其它兩種方法。目前所廣泛使用的AMR并不精確[16]，原因是該方法在檢測到有聲段時，為保證經編碼和傳輸后語音的可懂度，將有聲段分別向前、向后延展幾幀，降低了有聲段的漏檢率，但明顯增加了將無聲段誤檢測成有聲段的虛警率。高精度的VAD可進一步提高多速率語音編碼的壓縮率，并降低對傳輸信道的帶寬要求。在對TIMIT語音庫純凈語音的試驗中，基于MFCC相似度的方法準確率只有75.2%。這是因為相比漢語普通話，清音在英語中所占的比例明顯更多，所以清音分離能力對VAD整體準確率的影響更大。為了提高實驗結果的參考價值，這里考慮了兩種檢測方案，分別命名為F-MFCC(I)和FMFCC(II)。前者的清音樣本取自NUST603_2014語音庫麥克風目錄下的漢語普通話語音信號；后者的清音樣本取自TIMIT語音庫英語語音信號。根據表中的數據可知，在5種情況下的VAD準確度，F-MFCC(II)均優于F-MFCC(I)，這是源于英語和漢語普通話的語言結構、發音方式等存在差異。取自TIMIT語音庫英語語音信號的清音樣本集音素更豐富，代表性更強。實驗結果表明：相對于基線方法AMR-1和基于MFCC相似度的VAD，在所有5種測試條件下，F-MFCC端點檢測方法獲得了相對更高的整體準確率。

我們統計了NUST603_2014語音庫中語音端點檢測所需的時間,以此評價F-MFCC的實時檢測性能。為了提高實驗結果的參考價值，我們從語音庫隨機選取400段(約6h)語音進行以上的實驗。根據實驗統計數據，每60 s語音信號的端點檢測平均執行時間為1.211 s，表明F-MFCC可以滿足實時性要求。

5 結論

本文在Fisher線性判別分析的基礎上，提出了F-MFCC端點檢測方法。首先，用Fisher準則求解具有判別信息的最佳投影方向，目的是增大噪聲和清音間的可分離性。然后，把MFCC作為語音信號的特征參數，并將其投影值和短時能量相結合，增強了對易受噪聲污染的清音信號的分離能力，提高了端點檢測的整體準確率。實驗結果表明，該方法在不同語種、環境噪聲和信噪比條件下，端點檢測的清音分離能力、整體準確率始終優于目前具有代表性的AMR-1和MFCC相似度方法。

表1 檢測準確率對比(%)

[1] Junqua J C. Robustness and cooperative multi-model man-machine communication applications[C]. The Structure of Multimodal Dialogue, Maratea, Italy, 1991: 101-112.

[2] ETSI. Universal Mobile Telecommunication Systems (UMTS); Mandatory Speech Codec speech processing functions, AMR speech codec; Voice Activity Detector VAD[S]. ETSI TS 126 094 v11.0.0(2012-10): 1-26.

[3] Wan Yu-long, Wang Xian-liang, Zhou Ruo-hua, et al.. Enhanced voice activity detection based on automatic segmentation and event classification[J]. Journal of Computational Information Systems, 2014, 10(10): 4169-4177.

[4] 宮朝輝, 刁麓弘. 改進共振峰提取的語音端點檢測[J]. 計算機輔助設計與圖形學學報, 2013, 25(8): 1230-1236.

Gong Zhao-hui and Diao Lu-hong. Improved speech endpoint detection based on formant[J]. Journal of Computer Aided Design & Computer Graphics, 2013, 25(8): 1230-1236.

[5] 李曄, 張仁志, 崔慧娟, 等. 低信噪比下基于譜熵的語音端點檢測算法[J]. 清華大學學報(自然科學版), 2005, 45(10): 1397-1440.

Li Ye, Zhang Ren-zhi, Cui Hui-juan, et al.. Voice activity detection algorithm with low signal-to-noise ratios based on the spectrum entropy[J]. Journal of Tsinghua University (Science and Technology), 2005, 45(10): 1397-1440.

[6] Chen Shi-huang and Wang Jhing-fa. A wavelet-based voice activity detection algorithm in noisy environments[C]. Proceedings of the 9th IEEE International Conference on Electmnics, Circuits and Systems, Dubrovnik, Croatia, 2002: 995-998.

[7] Ghosh P K, Tsiartas A, and Narayanan S. Robust voice activity detection using long-term signal variability[J]. IEEE Transactions on Audio, Speech, and Language Processing, 2011, 19(3): 600-613.

[8] 王宏志, 徐玉超, 李美靜. 基于Mel頻率倒譜參數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. Wang Hong-zhi, Xu Yu-chao, and Li Mei-jing. Voice activity detection algorithm based on Mel-frequency cepstrum coefficient (MFCC) similarity[J]. Journal of Jilin University (Engineering and Technology Edition), 2012, 42(5): 1331-1335.

[9] Oh Sang-yeob and Chung Kyung-yong. Improvement of speech detection using ERB feature extraction[J]. Wireless Personal Communications, 2014, 79(4): 2439-2451.

[10] 盧志茂, 金輝, 張春祥, 等. 基于HHT和OSF的復雜環境語音端點檢測[J]. 電子與信息學報, 2012, 34(1): 213-217.

Lu Zhi-mao, Jin Hui, Zhang Chun-xiang, et al.. Voice activity detection in complex environment based on Hilbert-Huang transform and order statistics filter[J]. Journal of Electronics & Information Technology, 2012, 34(1): 213-217.

[11] Deng Shi-wen and Han Ji-qing. Statistical voice activity detection based on sparse representation over learned dictionary[J]. Digital Signal Processing, 2013, 23(4): 1228-1232.

[12] Zhang Yan, Tang Zhen-min, Li Yan-ping, et al.. A hierarchical framework approach for voice activity detection and speech enhancement[J]. The Scientific World Journal, 2014, Vol. 2014: Article ID 723643, 8 pages.

[13] Choi Jae-hun and Chang Joon-hyuk. Dual-microphone voice activity detection technique based on two-step power level difference ratio[J]. IEEE Transactions on Audio, Speech, and Language Processing, 2014, 22(6): 1069-1081.

[14] Ryant N, Liberman M, and Yuan Jia-hong. Speech activity detection on YouTube using deep neural networks[C]. Interspeech: 14th Annual Conference of the International Speech Communication Association, Lyon, France, 2013: 728-731.

[15] Fisher R A. The use of multiple measures in taxonomic problems[J]. Annals of Eugenics, 1936, 7(2): 179-188.

[16] Mak M W and Yu H B. A study of voice activity detection techniques for NIST speaker recognition evaluations[J]. Computer Speech & Language, 2014, 28(1): 295-313.

王明合： 男，1970年生，博士生，研究方向為信號處理、語音識別、說話人識別.

張二華： 男，1967年生，副教授，主要研究方向為信號處理、語音識別、3維數據可視化方面.

唐振民： 男，1961年生，博士生導師，教授，主要研究方向為語音識別、圖像處理、智能機器人.

Voice Activity Detection Based on Fisher Linear Discriminant Analysis

Wang Ming-he Zhang Er-hua Tang Zhen-min Xu Hao
(School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, China)

Traditional Voice Activity Detection (VAD) approaches can not effectively detect consonant as well as noisy unvoiced consonant. To address this problem, this paper proposes a VAD approach Mel Frequency Cepstrum Coefficient (F-MFCC) based on Fisher linear discriminant analysis, in consideration of two-class issue regarding to consonant and background noise. Fisher criterion rule is used to solve the optimal projection vector, building upon which we can minimize the within-class scatter can be minimized and the between-class scatter can be maximized, as a result to enhance separability between consonant and background noise. Extensive experiments are conducted to evaluate the F-MFCC performance. The results demonstrate that, under different SNR and noise conditions, the proposed approach achieves higher VAD accuracy.

Speech processing; Voice Activity Detection (VAD); Mel Frequency Cepstrum Coefficient (MFCC); Fisher linear discriminant analysis

TN912.34

： A

：1009-5896(2015)06-1343-07

10.11999/JEIT141122

2014-08-29收到，2014-12-19改回

*通信作者：張二華 speechstudio@163.com