基于MFCC 特征提取的全新節能機器人設計與實現

江躍龍，龔儉龍，鐘宇軒，楊世杰，黃震

（1.廣州鐵路職業技術學院，廣州 510610；2.廣東交通職業技術學院，廣州 510650）

0 引言

人的自生以來的聽覺系統是非常特殊的一個非線性系統，人類的耳朵能夠響應不同頻率信號[2]。因此，在語音特征提取方面，借助人類與生俱來的聽覺系統，它不僅能夠提取語義的信息，同時還可以提取說話人的特征，這些人類的特性在現有的語音識別系統所望洋興嘆。本文設計秉承“綠色環保、節能減排”與“深度學習人工智能”的設計理念，將以MFCC 特征提取技術與全新節能技術融入人工智能應用領域中。

1 系統設計思路與實現

本文將基于MFCC 特征提取的全新節能機器人進行了研究，并將面向服務的深度學習技術應用，其中構建了原始語音信號頻譜和預加重后語音信號頻譜分析和特征提取。本文實現的功能：基于MFCC 特征提取的智能語音識別交互控制的機器人與無線Wi-Fi 通信技術及紅外控制技術相結合，實現與人進行交流對話、查詢天氣、查詢時間、語音控制等功能。硬件模塊由太陽能光伏供電模塊、ARM 處理器主控模塊、無線Wi-Fi通信模塊、LCD 顯示模塊、檢測室內環境傳感器模塊、MIC 輸入模塊、語音處理模塊以及人工智能處理模塊等組成，其系統總體設計框圖如圖1所示。

2 語音信號提取預處理

全新節能機器人在復雜的應用環境下，作為語音類應用的前端接口，語音信號預處理顯得尤為重要，其可以細分出處理噪聲干擾的語音增強和處理人聲干擾的語音分離[1]。語音在實際的傳輸過程中，環境噪聲和人的聲音干擾都會對全新節能機器人語音識別產生一定的影響，使得語音的質量和可懂性能大大地下降，同時也給后續全新節能機器人語音識別方面的應用帶來挑戰，例如語音識別、說話人的語音識別等。

圖1 系統總體設計框圖

2.1 語音輸入

利用麥克風陣列的語音輸入設備進行語音原始未經處理信號進行錄制。由本人錄音，在無噪音環境下錄制“小云”語音為實驗的對象，經過格式轉換后，實驗語音數據分別命名為xiaoyun.wav。該關鍵詞的“小云”語音信號是在較為安靜的環境下錄制而成的。在釆集的該語音輸入信號過程當中，將會直接消除或減少語音輸入時間序列數據受偶然性因素干擾而產生不規則樣本或說話人自己造成的不規則樣本。

2.2 語音預處理

預處理的常用方法有預加重、端點檢測、分幀、聲道轉換、去加重、加窗、重采樣等，不同的語音識別在預處理方法和處理順序上有一定差別。在進行關鍵詞“小云”語音信號特征提取之前，都要對原始序列做一系列的預處理，目的是盡可能保證后續語音處理得到的信號更均勻、平滑，為信號參數提取提供優質的參數，提高語音處理質量，同時，消除采集語音信號的設備所帶來的混疊、高次諧波失真、高頻等因素，以免對關鍵詞的“小云”語音信號質量的影響。

2.3 語音信號預加重

語音信號預加重（Pre-emphasis）是一種將低頻段關鍵詞“小云”語音信號能量放大，在高頻段的信號能量變小。因此，在傳輸之前把關鍵詞“小云”語音信號的高頻部分進行處理（如加重處理），然后接收端再去重處理，以此來提高信號的傳輸質量，要在對關鍵詞“小云”語音信號進行分析之前對其高頻部分加以提升，以便于關鍵詞“小云”信號的頻譜分析或者聲道參數分析。

設關鍵詞“小云”語音信號t 時刻的語音采樣為S（t），經預加重處理后結果為 Y（t）=S（t）-μ*S（t-1），其中μ根據經驗值取μ取值為0.97。通常設置一階數字濾波器：

上式中，μ值=預加重系數，其范圍為：0.9＜μ＜1.0。

圖2 原始小云語音信號頻譜及預加重后頻譜

2.4 語音分幀與加窗

語音處理過程需要我們理解語音信號各個頻率成分具體分布情況，這時就需要利用傅里葉變換分析頻率成分。傅里葉變換要求輸入語音信號是平穩的，在宏觀上來看語音信號是不平穩的，從微觀上來看，語音信號在非常短時間內可以看作是具有平穩的。由此可見，從宏觀角度來看語音信號的特性和表征，它的本質特征和相關參數都是隨時間而變化的，所以語音信號是一個不平穩態的信號，不能用處理數字信號處理技術（如傅里葉變換）的對其進行平穩信號分析處理。但是，微觀角度來看，雖然語音信號具有時變特性，但是在一個非常短的時間（在10～30ms 時間內）范圍內，語音信號特性和參數基本保持不變，即語音信號保持相對穩定的狀態，所以我們可將語音信號看作其具有短時間內平穩性準穩態過程。

圖3 語音分幀

圖4 漢明窗（hamming window）

將語音信號分幀處理（如圖3 所示）后，我們將每一幀代入漢明窗（hamming window）窗函數如圖4 所示，窗外的值通常設為0，是為了消除每一個幀的兩端信號可能會造成的頻譜泄露spectral leakage（即不連續性）現象。理論上窗函數越寬，產生的平滑效果就會越好，同時也會使窗函數的坡度不斷增大，導致頻譜泄露現象比較嚴重，截斷效應也會很嚴重。所以綜合分析與考慮，我們將漢明窗的主瓣設為較寬而旁瓣設為較低，對語音信號處理的平滑效果更明顯，根據窗函數的頻域特性，漢明窗的主瓣比較寬而旁瓣比較低，對處理語音信號的平滑性效果比較好。常采用漢明窗，公式如下：

2.5 語音信號的特征提取

梅爾（Mel）頻率分析是基于人類的聽覺感知系統實驗的，經實驗觀測發現人的聽覺系統對不同的頻率是有一定地選擇性的，人耳類似一個濾波器組一樣，它只關注個別特殊頻率的分量。換句話說，它只讓某些特定的頻率信號通過，同時可以對不想感知的頻率信號過濾掉。這些濾波器在頻率的坐標軸上不是成統一分布，在低頻信號區域有很多的濾波器，它們分布較為密集，而在高頻區域，濾波器的個數就變得較少，分布也較為稀疏。若我們利用語音處理技術在語音識別系統中能夠模擬類似人類的聽覺感知，那么就極有可能提高和改善語音識別率。

通常語音信號的特征參數MFCC 提取過程，具體如圖5 所示步驟。

圖5 MFCC提取流程圖

圖6 Mel濾波器組

由于人耳對應外界不同頻率的敏感程度是不同的，而且成為一種非線性關系，為此將語音信號頻譜按人耳敏感程度劃分多個梅爾（Mel）濾波器組如圖6 所示，在梅爾（Mel）刻度范圍內將各個濾波器的中心頻率f（m）等間隔的線性分布和頻率范圍形成非相等間隔，然后將線性分布的頻譜映射到類似人的聽覺感知梅爾（Mel）非線性頻譜中，最后轉換到梅爾（Mel）倒譜上。將普通頻率轉化到梅爾（Mel）頻率的公式如下：

上式中f 為頻率，Mel（f）為梅爾（Mel）頻率，單位為Hz。

將該信號的能量譜通過一組Mel 三角形濾波器組（Mel-Filter banks），定義一個用 24 個濾波器（0-4000Hz）總點數，每個濾波在中心頻率f（m）的響應都是1，然后左右兩邊線性下降到相鄰的三角形濾波器的中心頻率f（m）處為0，如圖6 所示。

3 語音識別實驗與分析

本文實驗是在基于MATLAB 2017b 軟件平臺，語音樣本由作者規定為普通話“小云”錄音組成，并在安靜環境內完成的。選用Windows 10 自帶錄音軟件進行錄制，CompressionMethod：'Uncompressed'，NumChannels： 2，SampleRate： 48000，TotalSamples： 354304，Duration： 7.3813，BitsPerSample： 16 保存文件為 xiaoyun.wav格式。音頻數據x=xiaoyun.wav，采樣率fs=8000Hz，采用端點檢測，最后提取MFCC 特征參數，實驗輸出數據：（N=分幀個數，M=特征維度）大小的特征參數矩陣，特征參數為M=24 倒譜系數為12 維，一階差分為12維。通過實現分幀、加窗、快速傅里葉變換（FFT）、梅爾濾波器組（Mel-bank）、離散余弦變換（DCT）等過程來計算得到語音信號MFCC 特征提取如7 圖所示。

圖7 MFCC特征提取

4 結語

本文梅爾頻率倒譜系數（MFCC）方法應用于全新節能機器人設計與實現進行了研究與實驗，并將面向服務的深度學習技術應用。在梅爾濾波（Mel filter）實驗過程中，對原始小云語音信號時域波形、語譜圖繪制，然后對該信號進行預加重，并分析其分幀的語音信號在短時間（通常10-30ms）內具有平穩性。通過錄入小云語音信號進行實驗加入短時能量特征，并引入梅爾頻率倒譜系數（MFCC）的一階差分和二階差分，對語音數據特征提取和降低運算維度感知敏感度，從而提高了特征提取的有效性。在此基礎上，能夠更好地反映全新節能機器人在復雜環境下，它能夠較好地表述語音信號特征并且能準確提取語音信號特征，為后期語音匹配時對輸入語音的采集及識別做出一定積累經驗。