非線性冪變換Gammachirp濾波器的魯棒語(yǔ)音特征提取*

李 聰，葛洪偉+

1.江南大學(xué) 輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 無(wú)錫 214122

2.江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫 214122

1 引言

語(yǔ)音識(shí)別相關(guān)系統(tǒng)在其最基本的層次上，是從各種領(lǐng)域和學(xué)科研究得到的不同方法的集合體，其中包括信號(hào)處理、模式識(shí)別和語(yǔ)音語(yǔ)言學(xué)等多種學(xué)科，這些學(xué)科方法中的每一種都要將語(yǔ)音信號(hào)波形轉(zhuǎn)化為某種類型的參數(shù)表示，這也就是所謂的語(yǔ)音特征提取。特征提取是語(yǔ)音信號(hào)處理中最基本也是最重要的一個(gè)過程，一種好的特征提取算法能夠準(zhǔn)確地提取到符合人耳聽覺特性的音頻特征，并且能夠避免由于日常噪聲環(huán)境所帶來(lái)的不利影響。

最為經(jīng)典的語(yǔ)音特征提取方案是以Mel濾波器[1]作為聽覺濾波器的梅爾頻率倒譜系數(shù)（Mel-scale frequency cepstral coefficients，MFCC）[2-3]。Mel濾波器由一組不同頻率的三角濾波器組成，模擬了人耳聽覺頻率的非線性特征，是使用最廣泛的聽覺濾波器，但是由于其對(duì)人耳聽覺的研究并不完全，在提取過程中忽略了部分能量信息，因此在噪聲環(huán)境下會(huì)表現(xiàn)出一定的缺陷。為了彌補(bǔ)梅爾濾波器的不足，相關(guān)學(xué)者在充分研究人耳耳蝸聽覺特性后提出了Gammatone濾波器[4-5]，一定程度上減小了噪聲對(duì)特征提取的影響。Irino等人在Gammatone濾波器基礎(chǔ)之上，提出了符合耳蝸基底膜對(duì)于頻率響應(yīng)是非線性特性的Gammachirp濾波器[6-8]。該濾波器作為目前較為理想的聽覺濾波器，繼承了Gammatone濾波器的優(yōu)點(diǎn)，并彌補(bǔ)了其在非對(duì)稱性上的不足問題。

歸一化功率倒譜系數(shù)（power-normalized cepstral coefficients，PNCC）[9]是基于Gammatone濾波器組提出的語(yǔ)音特征，其中融合了冪函數(shù)變換、噪聲抑制等多種技術(shù)，該特征能夠有效提升噪聲環(huán)境下的語(yǔ)音識(shí)別和說(shuō)話人識(shí)別性能。雖然該特征有著良好的抗噪性能，但其中的噪聲抑制過程計(jì)算量過大，復(fù)雜度過高，并不適用于實(shí)時(shí)的語(yǔ)音信號(hào)處理系統(tǒng)和小容量語(yǔ)音識(shí)別系統(tǒng)。本文結(jié)合PNCC的技術(shù)基礎(chǔ)，提出了一種低系統(tǒng)開銷的魯棒語(yǔ)音特征提取算法——非線性冪函數(shù)變換伽馬啁啾頻率倒譜系數(shù)（nonlinear power-function Gammachirp frequency cepstral coefficients，NPGFCC）。該語(yǔ)音特征采用了歸一化壓縮Gammachirp濾波器進(jìn)行濾波操作，并在提取過程中，對(duì)特征參數(shù)進(jìn)行了分段非線性冪函數(shù)變換處理，避免提取過程中出現(xiàn)的能量幅值波動(dòng)較大的問題，在噪聲環(huán)境下能夠有更好的識(shí)別性能。

2 壓縮歸一化Gammachirp濾波器

Gammachirp濾波器是一種符合人耳聽覺特性的非線性濾波器，其時(shí)域表達(dá)式為：

式中，a為幅值；濾波器階數(shù)n和參數(shù)b負(fù)責(zé)調(diào)整伽馬函數(shù)的分布，本文的n和b分別取值4和1.109；fr為濾波器的中心頻率；?為初始相位，一般取?=0;c為啁啾因子，其取值范圍一般為[-3,3]，c作為Gammachirp濾波器的頻率調(diào)制參數(shù)，使其區(qū)別于Gamma-tone濾波器，當(dāng)c=0時(shí)，Gammachirp濾波器也就退化為了Gammatone濾波器。本文中啁啾因子c取值為c=2。

ERB(fr)是頻率為fr時(shí)濾波器的等價(jià)矩形帶寬，其計(jì)算公式為：

原始Gammachirp濾波器對(duì)頻率的響應(yīng)權(quán)值分配是平均的，但信號(hào)低頻部分的頻域?qū)挾容^高頻部分明顯窄小，這就造成了響應(yīng)過程中對(duì)處于不同頻率信號(hào)處理的不均衡問題。針對(duì)原始Gammachirp濾波器組高低頻權(quán)值平均分配的現(xiàn)象，本文算法通過壓縮歸一化處理方式對(duì)濾波器組進(jìn)行了改進(jìn)。這樣增加了每一個(gè)濾波器的頻率寬度，并且相應(yīng)提升了濾波器組低頻部分的權(quán)重，使得整個(gè)特征參數(shù)具有更好的抗噪性能，以達(dá)到更好的識(shí)別效率。以下是Gammachirp濾波器壓縮歸一化的過程[6]：

其中，GC(i,k)是濾波器組中第k個(gè)濾波器在第i個(gè)頻率處的響應(yīng)幅值，iFFT為傅里葉變換長(zhǎng)度。

如圖1和圖2所示的分別是改進(jìn)前原始的32維Gammachirp濾波器組頻率響應(yīng)和壓縮歸一化后的濾波器組頻率響應(yīng)。通過圖像可以看出，經(jīng)過壓縮歸一化優(yōu)化過程后，濾波器的響應(yīng)曲線在不同頻率上分別對(duì)應(yīng)不同的響應(yīng)幅值，能夠更好地表征語(yǔ)音信號(hào)所傳遞的信息。

Fig.1 Frequency response of original Gammachirp filter bank圖1 原始Gammachirp濾波器組頻率響應(yīng)

Fig.2 Frequency response of compressed and normalized Gammachirp filter bank圖2 壓縮歸一化Gammachirp濾波器組頻率響應(yīng)

3 分段非線性冪函數(shù)變換

為模擬人耳聽覺模型處理信號(hào)的非線性，對(duì)每個(gè)濾波器的輸出做非線性冪函數(shù)變換，得到一組能量譜。

非線性冪函數(shù)變換是對(duì)得到的語(yǔ)音響應(yīng)系數(shù)以冪函數(shù)的方式處理[10]。之所以采取這種變換方式，是由于冪函數(shù)的輸出值并不嚴(yán)格依賴于它的輸入值幅度，因此可以很好地模擬各個(gè)音強(qiáng)段的特性，有利于改善語(yǔ)音識(shí)別的抗噪性能。諸如MFCC等特征提取過程中是利用對(duì)數(shù)函數(shù)對(duì)能量幅值進(jìn)行變換，這其中存在著一定的不足：當(dāng)輸入的能量較低時(shí)，經(jīng)過對(duì)數(shù)變換后，輸入能量的微小的幅值變化便會(huì)導(dǎo)致輸出能量的較大波動(dòng)，特別是在輸入的能量接近零時(shí)，這種能量的輸入輸出之間巨大的差異就表現(xiàn)得更加明顯。因此對(duì)數(shù)變換的最終結(jié)果可能是降低了特征提取后續(xù)的識(shí)別效率，而本文采用的非線性冪函數(shù)變換就很好地彌補(bǔ)了這一缺陷。因此，與其他特征提取中使用的對(duì)數(shù)函數(shù)不同，這里用非線性冪函數(shù)對(duì)濾波結(jié)果進(jìn)行變換。變換公式為：

其中，Gm是語(yǔ)音信號(hào)經(jīng)過濾波后的響應(yīng)幅值，Gc是冪函數(shù)變換后的響應(yīng)幅值。這里的指數(shù)α取值是大于0且小于1的數(shù)。若α的取值較大，也就是接近于1時(shí)，冪變換后的特征值不能很好地突出幅值的變化，對(duì)識(shí)別率的提升效果不明顯；若α的取值過小，則會(huì)使得原始特征值變化幅度太大，使數(shù)據(jù)值都趨近于1，脫離了原始數(shù)據(jù)的分布情況，也不能充分地發(fā)揮其作用。在PNCC特征提取過程中，α的取值為固定值，但由于語(yǔ)音特征系數(shù)各個(gè)分量對(duì)識(shí)別率的影響有所不同，識(shí)別過程中，高階特征分量相對(duì)于低階特征分量來(lái)說(shuō)，受到的噪聲干擾影響較小，具有較強(qiáng)的魯棒性。

為了使語(yǔ)音特征參數(shù)更符合耳蝸聽覺特性，提升系統(tǒng)的抗噪魯棒性，本文提出了對(duì)每個(gè)濾波器的輸出進(jìn)行分段式指數(shù)變換，針對(duì)不同頻率部分的濾波器響應(yīng)系數(shù)，令α取不同的值進(jìn)行非線性冪函數(shù)變換。這樣一來(lái)，在降低魯棒性較差的低階分量值的同時(shí)，又將數(shù)值較小的中高階特征分量值進(jìn)行了提升[11]，因此能夠在抗噪能力方面提供更佳的性能。

本文采用的Gammachirp濾波器組的頻率響應(yīng)范圍為0～8 000 Hz，針對(duì)這一頻率范圍，將每1 000 Hz的頻率分為一段，對(duì)每一頻率段分別指定相應(yīng)的一組冪函數(shù)變換指數(shù)，全部頻率范圍共分為9段。根據(jù)頻率值f的不同，冪函數(shù)取值及分段方式如式（5）所示。

4 NPGFCC特征

大多數(shù)的語(yǔ)音特征針對(duì)安靜環(huán)境能夠有較好的效果，但在復(fù)雜的噪聲環(huán)境下，這類算法普遍存在抗噪性能不佳的問題。為了滿足現(xiàn)實(shí)應(yīng)用環(huán)境的需要，本文通過對(duì)人耳聽覺特性的研究來(lái)尋求抗噪性能較好的語(yǔ)音特征參數(shù)，提出了NPGFCC特征提取算法。該特征基于抗噪性能較好的壓縮歸一化Gammachirp濾波器，并通過結(jié)合和利用分段式非線性冪函數(shù)變換、RASTA（relative spectral）濾波、均值方差歸一化和時(shí)間序列濾波等技術(shù)方法，進(jìn)一步提高了語(yǔ)音特征的抗噪魯棒性。

NPGFCC特征提取過程如下：

（1）信號(hào)預(yù)處理。對(duì)輸入的語(yǔ)音信號(hào)x(n)進(jìn)行預(yù)加重處理，經(jīng)過預(yù)加重后的語(yǔ)音信號(hào)為：

其中，μ為預(yù)加重系數(shù)，一般取0.92～0.98之間，這里取μ=0.97。

（2）RASTA濾波處理。相對(duì)譜RASTA濾波處理技術(shù)是信號(hào)處理領(lǐng)域中為了抑制波形中變化緩慢的部分而提出的。該處理方法是利用低頻帶通濾波器來(lái)補(bǔ)償環(huán)境和聲道的動(dòng)態(tài)作用，對(duì)抑制卷積噪聲有較好的效果，因此該技術(shù)廣泛地應(yīng)用于信號(hào)的信道噪聲處理中。本文使用的低頻帶通濾波器頻率響應(yīng)H(Z)可以表示為如下的形式[2]：

式中，參數(shù)G取值為0.1，N取值為5，ρ取值為0.98，Z是輸入的語(yǔ)音信號(hào)。

通過RASTA處理后得到濾波后的信號(hào)y′(n)。

（3）語(yǔ)音信號(hào)分幀、加窗。由于語(yǔ)音信號(hào)具有短時(shí)平穩(wěn)性，可將信號(hào)分為短時(shí)的語(yǔ)音幀來(lái)方便進(jìn)行后續(xù)操作，并且為了減少語(yǔ)音幀的邊緣效應(yīng)使之平滑過渡，需對(duì)分幀后的語(yǔ)音幀進(jìn)行加窗處理。本文選用的窗口為漢明窗，得到加窗后的語(yǔ)音信號(hào)S(n)。

（4）短時(shí)傅里葉變換。對(duì)加窗后的時(shí)域語(yǔ)音幀片段進(jìn)行快速傅里葉變換（fastFouriertransform，F(xiàn)FT），將其由時(shí)域變換到頻域，得到每一幀語(yǔ)音信號(hào)的快速傅里葉變換后的幅度譜Y(t,i)。

（5）歸一化壓縮Gammachirp濾波器濾波。具體流程是將上一步變換得到語(yǔ)音幅度譜，通過k階壓縮歸一化Gammachirp濾波組進(jìn)行濾波處理，也就是將每一幀語(yǔ)音信號(hào)的功率譜Y(t,i)分別與Gammachirp濾波器組內(nèi)每一通道的濾波器加權(quán)求和，得到語(yǔ)音信號(hào)在不同頻率分量上的響應(yīng)Gm(t,k)，它表示第t幀語(yǔ)音信號(hào)在第k個(gè)濾波器上的響應(yīng)系數(shù)。

本文采用64組不同中心頻率的Gammachirp濾波器構(gòu)成音頻濾波器組，因此k的取值為1～64。

（6）分段非線性冪函數(shù)變換，根據(jù)頻率值確定冪函數(shù)變換系數(shù)α，根據(jù)公式進(jìn)行變換。

（7）離散余弦變換（DCT）。為了減少特征向量的相關(guān)性，降低特征矢量的維度，將每一幀語(yǔ)音在Gammachirp濾波器組的響應(yīng)輸出進(jìn)行離散余弦變換去除其參數(shù)間的相關(guān)性。本文取DCT變換后的前32維特征進(jìn)行后續(xù)處理，DCT變換[5-6]的過程：

其中，Gc(t,k)代表第t幀語(yǔ)音在第k階濾波器上的響應(yīng)輸出，GDct(t,k)表示經(jīng)過離散余弦變換后第t幀語(yǔ)音的特征矢量。DCT(k,m)表示N維離散余弦變換矩陣中第k行m列的值，它的定義是：

（8）倒譜均值方差歸一化[12]。通過對(duì)倒譜特征進(jìn)行均值方差歸一化過程能夠一定程度上消除信道對(duì)語(yǔ)音特征的影響。倒譜均值歸一化過程是：

倒譜方差歸一化過程是：

（9）時(shí)間序列濾波[13]。為了降低基音頻率對(duì)聲道特性的影響，對(duì)得到的語(yǔ)音特征采用一種平滑濾波的方式來(lái)減小基音頻率的影響。選取窗口大小為W=5的滑動(dòng)濾波器對(duì)得到的語(yǔ)音特征進(jìn)行濾波，得出消除基音頻率影響后的32維NPGFCC語(yǔ)音特征。

如圖3所示是整個(gè)NPGFCC語(yǔ)音特征的提取流程。

Fig.3 NPGFCC feature extraction process圖3 NPGFCC特征提取流程

5 決策融合i-vector識(shí)別模型

目前較為常用的說(shuō)話人識(shí)別模型有高斯混合模型-通用背景模型（Gaussian mixture model-universal background model，GMM-UBM）[14-15]和結(jié)合概率線性判別分析（probabilistic linear discriminant analysis，PLDA）的辨識(shí)向量（identity-vector，i-vector）[16-18]模型。

單純的以某一種模型作為說(shuō)話人識(shí)別系統(tǒng)都不免會(huì)存在一定誤差，為了提升系統(tǒng)的識(shí)別精度，本文以i-vector+PLDA作為說(shuō)話人識(shí)別模型，且對(duì)其進(jìn)行了改進(jìn)，提出了融合決策i-vector說(shuō)話人識(shí)別模型。與i-vector+PLDA模型不同的是，融合決策i-vector說(shuō)話人識(shí)別模型是在決策環(huán)節(jié)中融合了GMM-UBM似然概率和i-vector的相似度度量，通過將i-vector的相似度度量、PLDA相似度得分和GMM-UBM最大似然概率得分進(jìn)行歸一化加權(quán)，最終確定說(shuō)話人身份。這樣一定程度上減少了識(shí)別誤差，在不增加系統(tǒng)計(jì)算復(fù)雜度的前提下提升了整體的識(shí)別準(zhǔn)確性。

將本文所提的魯棒性NPGFCC特征提取算法用在融合決策i-vector識(shí)別模型中，來(lái)提高識(shí)別系統(tǒng)的整體性能。融合決策i-vector說(shuō)話人識(shí)別模型的識(shí)別流程為：

（1）為每一組說(shuō)話人的訓(xùn)練語(yǔ)音提取NPGFCC特征矢量。

（2）通過對(duì)矢量進(jìn)行訓(xùn)練得到通用背景模型UBM。

（4）根據(jù)語(yǔ)音特征，計(jì)算說(shuō)話人對(duì)應(yīng)的Baum-Welch統(tǒng)計(jì)量，進(jìn)而訓(xùn)練得到全變量空間矩陣T。

（5）由T矩陣和前面得到的UBM模型，計(jì)算得出每段語(yǔ)句的i-vector矢量。

（6）將所得i-vector矢量進(jìn)行訓(xùn)練得到高斯PLDA模型。

（7）對(duì)需要識(shí)別的語(yǔ)音進(jìn)行特征提取，通過UBM自適應(yīng)得到GMM，利用全變量空間矩陣T得出其超均值矢量，并提取i-vector。

（8）將訓(xùn)練說(shuō)話人語(yǔ)音和測(cè)試語(yǔ)音間的i-vector矢量通過余弦距離計(jì)算其相似度，同時(shí)由PLDA模型對(duì)矢量間進(jìn)行打分，并將測(cè)試語(yǔ)音特征和訓(xùn)練說(shuō)話人的GMM模型經(jīng)最大似然計(jì)算得出概率值，通過以上三者的得分值分別歸一化處理后進(jìn)行加權(quán)計(jì)算，得出融合分值作為最后的決策分，得分最大的說(shuō)話人作為結(jié)果輸出。

如圖4所示為融合決策i-vector說(shuō)話人識(shí)別模型的整體流程。

6 實(shí)驗(yàn)與分析

本實(shí)驗(yàn)通過利用TIMIT語(yǔ)音庫(kù)進(jìn)行文本無(wú)關(guān)說(shuō)話人識(shí)別實(shí)驗(yàn)。選用其中共100人的音頻數(shù)據(jù)，包括50名男性和50名女性，每人10段發(fā)音數(shù)據(jù)，每段數(shù)據(jù)長(zhǎng)約為3～5 s，信號(hào)采樣頻率為16 kHz。選取每人語(yǔ)音數(shù)據(jù)中的5段用作訓(xùn)練樣本，另5段語(yǔ)音作為測(cè)試數(shù)據(jù)，并對(duì)測(cè)試語(yǔ)音分別混合不同強(qiáng)度的噪聲，共計(jì)500條測(cè)試樣本。實(shí)驗(yàn)中的噪聲數(shù)據(jù)來(lái)自NoiseX-92數(shù)據(jù)庫(kù)，從中選擇了Babble噪聲、Cafe噪聲、Factory噪聲以及利用該數(shù)據(jù)庫(kù)多種噪聲混合而成的Mixed噪聲。高斯混合模型的混合度設(shè)為32，語(yǔ)音幀長(zhǎng)和幀移分別為20 ms和10 ms。信噪比SNR分別取-5 dB、0 dB、5 dB、10 dB、15 dB、20 dB。

Fig.4 Process of imporved i-vector speaker recognition system圖4 融合決策i-vector說(shuō)話人識(shí)別系統(tǒng)流程

為了證明算法的有效性，在相同的實(shí)驗(yàn)條件下，分別選取了39維的差分MFCC特征、基于Gammatone濾波器組的26維GFCC（Gammatone frequency cepstral coefficients）特征[12]和26維的PNCC特征進(jìn)行對(duì)比實(shí)驗(yàn)。

首先驗(yàn)證了本文NPGFCC算法在計(jì)算復(fù)雜度方面的優(yōu)勢(shì)，通過對(duì)比不同特征提取算法提取相同500段語(yǔ)音特征所用時(shí)間，得到如表1所示的各算法在相同實(shí)驗(yàn)環(huán)境下的平均用時(shí)對(duì)比表。

Table 1 Time used by different algorithms表1 不同算法所用時(shí)間對(duì)比

其次利用本文提出的融合決策i-vector模型，得出不同算法在無(wú)噪和有噪環(huán)境下的平均識(shí)別準(zhǔn)確率，如表2和表3所示。

Table 2 Recognition rate of different algorithms in noise-free state表2 算法在無(wú)噪聲狀態(tài)下平均識(shí)別率

Table 3 Recognition rate in different noisy cases表3 不同噪聲環(huán)境下識(shí)別率

另一方面，為了對(duì)比本文提出的融合決策i-vector模型較單一決策模型的優(yōu)勢(shì)，使用相同的實(shí)驗(yàn)數(shù)據(jù)，在Babble噪聲下利用PNCC和NPGFCC特征分別在GMM-UBM、i-vector、PLDA和決策融合模型下進(jìn)行了實(shí)驗(yàn)對(duì)比，得出了如表4所示各個(gè)模型下說(shuō)話人平均識(shí)別準(zhǔn)確率數(shù)據(jù)。

通過表1的實(shí)驗(yàn)結(jié)果可以看出，在運(yùn)算時(shí)間方面，NPGFCC和MFCC、GFCC特征同屬一個(gè)數(shù)量級(jí)，都在可接受范圍之內(nèi)。而PNCC算法中，由于要進(jìn)行噪聲估計(jì)等過程，對(duì)噪聲的能量進(jìn)行估計(jì)并通過噪聲信息對(duì)語(yǔ)音進(jìn)行濾波處理，因此對(duì)系統(tǒng)開銷較大，時(shí)間復(fù)雜度較高，不適用在小容量實(shí)時(shí)語(yǔ)音處理系統(tǒng)中。本文提出的NPGFCC特征未使用噪聲估計(jì)這一過程，而是通過利用抗噪濾波器和分段冪函數(shù)變換等方式對(duì)噪聲進(jìn)行抑制，能夠在保證較低時(shí)間消耗的前提下提升識(shí)別準(zhǔn)確率。

Table 4 Recognition rate in different recognition models表4 不同識(shí)別模型下識(shí)別率

表2給出的結(jié)果是四種算法在未添加噪聲的純凈語(yǔ)音狀態(tài)下的平均識(shí)別準(zhǔn)確率。實(shí)驗(yàn)結(jié)果顯示，除GFCC特征外，這幾種特征算法都達(dá)到了較高的識(shí)別水準(zhǔn)。其中MFCC特征給出了近乎全部識(shí)別正確的結(jié)果，說(shuō)明了在無(wú)噪聲的純凈環(huán)境下，MFCC特征有其良好的性能。同時(shí)PNCC和NPGFCC也都表現(xiàn)出較高的識(shí)別水平，兩者識(shí)別準(zhǔn)確率均達(dá)到99.2%，證明了本文算法在純凈語(yǔ)音狀態(tài)下同樣有著較優(yōu)異的識(shí)別能力。

由表3的實(shí)驗(yàn)數(shù)據(jù)可以得出，噪聲對(duì)識(shí)別率影響最大的是MFCC特征，其識(shí)別準(zhǔn)確率隨著信噪比的不斷降低出現(xiàn)了急劇的下降，說(shuō)明了該特征對(duì)噪聲的異常敏感性。相比之下，GFCC特征較MFCC有一定的改善，主要體現(xiàn)在較低信噪比的時(shí)候其識(shí)別準(zhǔn)確率較MFCC有大幅度的提升。PNCC和NPGFCC特征整體表現(xiàn)相當(dāng)，且相比MFCC和GFCC，這兩種特征表現(xiàn)出了良好的抗噪性能。整體來(lái)看，NPGFCC特征的魯棒性是這些算法中表現(xiàn)最佳的，尤其是在低信噪比情況下，NPGFCC特征算法的優(yōu)勢(shì)就更為明顯，且在噪聲影響較小的時(shí)候，算法依然有著很高的識(shí)別準(zhǔn)確率。與此同時(shí)，在不同的噪聲環(huán)境以及不同信噪比下，本文算法都得出了較理想和穩(wěn)定的結(jié)果，表明了NPGFCC特征在抗噪能力上的有效性和魯棒性。

表4給出的是PNCC特征和NPGFCC特征分別在GMM-UBM模型、i-vector模型、i-vector+PLDA模型和融合決策i-vector模型下的平均識(shí)別準(zhǔn)確率對(duì)比。從結(jié)果分析，結(jié)合PLDA的i-vector模型整體識(shí)別率要稍好于GMM-UBM和i-vector模型，表明了ivector+PLDA作為目前主流的說(shuō)話人識(shí)別模型在該領(lǐng)域的優(yōu)勢(shì)。相比之下，本文提出的融合決策算法的識(shí)別準(zhǔn)確率表現(xiàn)最佳，識(shí)別能力較單一的模型有較好的改善，特別是使用NPGFCC特征的融合決策ivector說(shuō)話人識(shí)別系統(tǒng)，噪聲環(huán)境下的整體識(shí)別率較其他算法有明顯的提升，說(shuō)明了結(jié)合NPGFCC特征的融合決策模型在說(shuō)話人識(shí)別方面的有效性。

7 結(jié)束語(yǔ)

由于現(xiàn)實(shí)應(yīng)用環(huán)境中噪聲的存在，一定程度上制約了說(shuō)話人識(shí)別技術(shù)的發(fā)展。本文通過結(jié)合人耳聽覺特性，提出了一種抗噪性能良好的語(yǔ)音特征NPGFCC。該特征基于壓縮歸一化Gammachirp濾波器組，可以準(zhǔn)確表征出語(yǔ)音段信號(hào)，并通過利用分段非線性冪函數(shù)變換增強(qiáng)其抗噪性能。實(shí)驗(yàn)證明，將本文算法應(yīng)用在說(shuō)話人身份識(shí)別方面，能夠有效提升日常噪聲環(huán)境中的識(shí)別準(zhǔn)確率，且相對(duì)其他特征算法，NPGFCC有著最優(yōu)的性能表現(xiàn)。另外，在識(shí)別模型方面，通過對(duì)i-vector+PLDA模型進(jìn)行優(yōu)化改進(jìn)，在不增加算法復(fù)雜度的前提下有效降低了識(shí)別誤差，改善了說(shuō)話人識(shí)別系統(tǒng)在噪聲環(huán)境下的抗噪魯棒性問題。