基于單目標跟蹤算法的發音自動校準系統設計

李玉華

摘 要： 傳統發音校準系統存在英語發音校準準確率低的問題，采用單目標跟蹤算法設計發音自動校準系統，利用UNIX風格子程序對自動校準系統硬件框架進行構建，遵循內高聚合原則分析數據資源提取模塊流程。針對英語發音信息采集需利用模擬數字信號轉換來提高數據采樣效率，對發音校準引擎A/D電路進行設計。采用單目標跟蹤算法提取相關特征，并形成邏輯層。開發嵌入式內核結構，研究語音識別代碼。通過實驗驗證可知，該系統英語發音校準準確率高，對發音糾正能力較強。

關鍵詞： 單目標跟蹤算法； 發音； 自動校準； A/D電路； 邏輯層； 語音識別

中圖分類號： TN02?34； TP273 文獻標識碼： A 文章編號： 1004?373X（2018）13?0151?04

Abstract： The traditional pronunciation calibration system has low accuracy for English pronunciation calibration. Therefore， the single target tracking algorithm is adopted to design the pronunciation automatic calibration system. The UNIX?style subroutine is used to build the hardware framework of the automatic calibration system， which follows the high?polymeric principle to analyze the extraction process of the data resource extraction module. The A/D signal conversion is used for English pronunciation information acquisition to improve the data sampling efficiency， and its circuit is designed. The single target tracking algorithm is adopted to extract the related features to form a logical layer. The embedded kernel structure is developed， and the speech recognition code is studied. The experimental results show that the system has high accuracy for English pronunciation calibration， and strong pronunciation correction ability.

Keywords： single target tracking algorithm； pronunciation； automatic calibration； A/D circuit； logical layer； speech recognition

0 引 言

由于近幾年英語考試模式不斷更新，口試部分進行了調整，只有筆試成績優異的同學才能進行口語考試。傳統考核機制存在校準準確率低的問題，對語言水平能力測試的公正性產生了很大影響。對于國際公司的業務往來需要具有優秀口語能力的員工進行無障礙交流，這就要求招聘時對員工進行口語測試。公司基本應聘要求就是個人的語言表達能力要強，可通過群體進行直接面試，而口語卻只能一一進行，需要較多的人力與物力，無疑給企業招聘增加了難度。隨著口語交流障礙問題的出現，信息技術的快速發展可有效解決該問題，由此計算機輔助學習技術應運而生。利用計算機技術解決口語中出現的問題，替代重復性工作行為[1]。

發音自動校準系統的設計綜合了單目標跟蹤算法，使該過程不用人為參與即可完成校準，并提高英語發音校準的準確率。針對學習者，可通過該系統進行反復練習，并根據評分結果及時調整自己的發音；針對大規模口語考試，使用該系統既提高了校準效果，又提高了考試公正性。因此，發音自動校準系統對發音學習和考試都有重要意義。

1 單目標跟蹤算法系統設計

1.1 數據資源提取模塊設計

英語發音具有獨特技巧，需先了解發音器官：舌、唇、牙齒、聲帶、鼻腔和口腔。比如：“我喜歡這本書”，漢語主要看口型大小和前后開合情況，但是看不到身體形狀變化情況；而英文“I like this book”，除了可以看到嘴巴的張合情況，還能看到胸部有節奏的呼吸，英語發音主要靠氣流發出來，以胸腔進行發音[2]。

針對這種情況，設計音頻文件提取流程，如圖1所示。測試者可在固定位置進行錄音，完成錄音后將數據提交給系統，系統通過校準引擎A/D電路進行判定。

1.2 發音校準引擎A/D電路設計

針對英語發音信息采集需要利用模擬數字信號轉換來提高數據采樣效率，通常情況下采樣效率不小于150 kHz，在語音識別中，設計多頻振蕩器對發音準確性進行自動校準，而A/D電路轉換的校準是實現對英語打印信息模式轉換的關鍵所在，通過對該電路原始語音信息進行采集與控制，可提高系統自動校正數據的準確性[3?4]。利用STM32F10內核多頻振蕩器集成智能信息控制A/D采樣，并將數字信號處理（DSP）板上的15 V電壓通過[I2C]總線進行電壓加載[5]。通常情況下，在低功耗4通道15位A/D電路轉換器上進行并行和串行控制，獲取的輸入電壓為：

在發音準確性數據采集電源設計中，將數字信號處理（DSP）板上的±15 V電壓兩端分別對電容進行濾波處理。通過模擬信號發射范圍進行同步采樣，由此完成系統硬件部分的設計。

2 系統軟件設計

設計系統軟件部分，采用單目標跟蹤算法對各個候選目標區域實施匹配，定位目標在校準序列中的位置。利用跟蹤原理提取相關特征，獲得目標表達效果，該算法構建邏輯層主要包括三個層次，分別是輸入層、多隱層和輸出層[7]。輸入層主要負責將收集的數據輸入到系統中，有利于可視化分類；多隱層利用人工神經網絡對跟蹤數據進行本質刻畫；輸出層主要負責對整合后數據輸出，實現無監督數據傳輸[8]。

單目標跟蹤算法可遵循人工神經網絡模式，利用目標跟蹤來模仿人腦，通過對發音數據特征進行組合形成抽象邏輯層。單目標跟蹤算法與傳統神經網絡之間的相同點在于都采用分層結構對邏輯層進行構建，而不同點在于本文算法采用了三層構建模式，是最接近人類大腦的分層結構，每一層都可看作一個邏輯回歸（Logistic Regression）模型，根據該模型可對不同層次數據進行跟蹤，方便系統對發音數據自動收集。單目標跟蹤算法邏輯層構建如圖3所示。

根據圖3建立的邏輯層，對發音自動校準系統軟件的嵌入式內核結構進行開發，引導程序需調用說話者語音識別代碼，如下所示：

Generates Settings--->

PPI CAT24WC256 andCMOS EEPROMr--->

[*]downloaded I2C hus transmission protocol

//引導程序負責上電時初始化

DSP input clock CLKIN（PPI_ Philips memnry）--->

（ /home/Documents/f automatically increase） XFR_TYPE load-ing I2C E2PROM

*Lash（DMAx_ 256 kb serial E2PROM CMOS）

//lib目錄下提供內核

在該代碼基礎上，調用request_ irq單目標跟蹤函數申請英語發音自動校準，利用freet_ irq單目標跟蹤函數增加內部地址[9]。而[I2C]總線校準控制命令語句為：

#define data transmission rate_pwm"pwm"

int I2C hus standard_MAP（）

ret =CAT24WC256_pwm_open（misc）

通過硬件部分設計的A/D轉換器進行軟件程序的打開和關閉，保證總線數據傳輸效率，由此實現對發音準確性自動校準的設計與分析[10]。

3 實 驗

為了驗證基于單目標跟蹤算法的發音自動校準系統設計的合理性進行了如下實驗。

3.1 實驗環境設置

采用語音識別技術對多生源音頻進行匹配，實驗環境設置為：

1） 配置PXI?6713語音播放通道，系統對發音進行自動采集，且頻率不低于15 MHz；

2） 利用標準VPP儀器對英語發音進行控制，控制整個校準過程對發音識別分辨率不低于5位；

3） 發音信號輸入頻率范圍較大，盡量使英語發音采集到的信息通道和輸出通道都使用5通道進行同步和異步輸入；

4） 控制功率處于低消耗模式，A/D轉換速率大于150 kHz，總線傳輸分辨率至少為10位。

3.2 實驗結果與分析

將發音數據庫里的數據內容設置為自動校準系統的輸入內容，標準語音存儲庫存儲的是句子語音文件和標記的語音信息。利用TIMIT語音庫對系統進行訓練，由500個說話者錄制而成，每人可朗誦10句因素較全的英文句子。而發音庫是具有開放式屬性的數據庫，可為任何人提交內容，單詞總量可達到357 000。待自動校準語音數據庫為實驗待測語音數據庫，將10名說話者的發音水平按照高低進行排序，使每人按照順序依次讀10句英文，記錄者需將這些發音內容記錄下來作為實驗數據。同時，請5位導師對這100句英文的發音情況進行評分，評分結果需記錄。

利用單目標跟蹤算法不斷進行反復迭代運算，在該過程中，雖然數據量大，運算起來較為復雜，但每個句子的運算流程卻是一致的。以標準語音庫中的例句為例，分析該句子組成的基本發音信息，如表1所示。

如表1所示，獲取基本信息后，需要將音頻數據進行參數化，首先對數據進行預加重、分針和加窗。然后對每幀數據進行提取，獲取結果在系統頁面上顯示如圖4所示。

發音自動校準系統獲取信息之后，可在頁面展示每幀音頻頻率波動情況，由圖4可知，窗口上方為音頻數據的波形圖，下方為不同時刻的音素信息。每幀采樣點數量是采樣頻率乘以幀長度，根據表1中音頻基本信息以及發音庫數據組織格式，設置語音幀長度為15 ms，采樣點數量為240點。

根據上述實驗過程，對待測發音數據進行校準。為了驗證本文系統發音校準的準確率，將傳統發音校準系統與基于單目標跟蹤算法的發音自動校準系統的校準結果進行對比，如表2所示。

為了使實驗結果更加明確，利用折線圖對結果進行展示，如圖5所示。

由圖5可知，傳統系統對發音校準的準確率小于本文設計的系統。

3.3 實驗結論

針對基于單目標跟蹤算法發音自動校準系統所進行的實驗可充分驗證該系統設計的合理性，通過發音自動校準界面，獲取待測語音基本信息，根據例句描述語音特征提取結果，并將傳統系統與本文系統校準準確情況進行對比，可充分體現本文設計的系統具有較好的自動校準效果。

4 結 語

發音自動校準是一個極為復雜的過程，其中涉及聲學和語言學的知識以及對音頻信號的處理，由于說話者發音特點存在差異性，因此發音規則非常復雜，對發音進行自動校準也十分困難。為此，本文提出基于單目標跟蹤算法發音自動校準系統的設計。通過實驗驗證系統設計的合理性，該系統具有較好的自動校準準確率，利用該系統可使學習者易于發現自己發音的不足，有針對性地改正發音效果。

參考文獻

[1] 盛琥，趙溫波，王立明，等.基于量測轉換與輸入估計的機動目標跟蹤算法[J].系統工程與電子技術，2015，37（1）：31?36.

SHENG Hu， ZHAO Wenbo， WANG Liming， et al. Maneuvering target tracking algorithm based on converted measurement and input estimation [J]. Systems engineering and electronics， 2015， 37（1）： 31?36.

[2] 任航.基于擬蒙特卡洛濾波的改進式粒子濾波目標跟蹤算法[J].電子測量與儀器學報，2015，29（2）：289?295.

REN Hang. Improved particle filter target tracking algorithm based on quasi Monte Carlo filtering [J]. Journal of electronic measurement and instrumentation， 2015， 29（2）： 289?295.

[3] 李康，何發智，潘一騰，等.基于簇相似的多分類器目標跟蹤算法[J].電子學報，2016，44（4）：821?825.

LI Kang， HE Fazhi， PAN Yiteng， et al. Multi?classifier object tracking based on cluster similarity [J]. Acta electronica sinica， 2016， 44（4）： 821?825.

[4] 孫銳，黃靜茹，丁文秀.一種基于子空間學習的實時目標跟蹤算法[J].光電工程，2015，42（2）：52?58.

SUN Rui， HUANG Jingru， DING Wenxiu. A real?time object tracking algorithm based on subspace learning [J]. Opto?electronic engineering， 2015， 42（2）： 52?58.

[5] 劉哲，陳懇，鄭紫微.基于HOG與多實例在線學習的目標跟蹤算法[J].計算機工程，2015，41（1）：158?163.

LIU Zhe， CHEN Ken， ZHENG Ziwei. Object tracking algorithm based on HOG and multiple?instance online learning [J]. Computer engineering， 2015， 41（1）： 158?163.

[6] 陳杏源，鄭烈心，裴海龍.基于Camshift和SURF的目標跟蹤系統[J].計算機工程與設計，2016，37（4）：902?906.

CHEN Xingyuan， ZHENG Liexin， PEI Hailong. Object tracking system based on Camshift and SURF [J]. Computer engineering and design， 2016， 37（4）： 902?906.

[7] HU Yumei， HU Zhentao， ZHENG Shanshan， et al. Novel target tracking algorithm based on joint estimation of system error and state [J]. Computer science， 2015， 42（11）： 310?313.

[8] ZHU Hanhua， ZHAO Songying， LI Jingshu， et al. Monocular vision?based moving object tracking [J]. Navigation of China， 2017， 40（2）： 1?5.

[9] TIAN Anhong， YANG Siyuan， TANG Jinwen， et al. Target tracking algorithm research of integrated positioning system based on particle filter [J]. Journal of projectiles， rockets， missiles and guidance， 2015（2）： 134?136.

[10] 王衛民，金力.基于Android的手語動畫自動生成軟件設計[J].電子設計工程，2017，25（18）：42?45.

WANG Weimin， JIN Li. Sign language animation generation of software design based on Android [J]. Electronic design engineering， 2017， 25（18）： 42?45.

[11] 侯向丹，董永峰，坎啟嬌，等.基于運動軌跡的視頻目標跟蹤算法[J].計算機工程與設計，2015，36（4）：995?998.

HOU Xiangdan， DONG Yongfeng， KAN Qijiao， et al. Video target tracking based on movement trace [J]. Computer engineering and design， 2015， 36（4）： 995?998.

[12] 李志國，顧鑫，祝樹生，等.基于特征確定性的目標跟蹤算法[J].激光與紅外，2015，45（5）：576?579.

LI Zhiguo， GU Xin， ZHU Shusheng， et al. Target tracking algorithm based on certainty measurement of the feature [J]. Laser & infrared， 2015， 45（5）： 576?579.