基于聽覺機(jī)理的魯棒特征提取及在說話人識(shí)別中的應(yīng)用.pdf

1、聲學(xué)特征在自動(dòng)語音識(shí)別技術(shù)中扮演著重要的角色,它的可辨識(shí)性和可區(qū)分性直接影響著最終的識(shí)別性能。經(jīng)過研究者的不懈努力,聲學(xué)特征的研究工作已經(jīng)取得了重大進(jìn)步,涌現(xiàn)了一些具有代表性的聲學(xué)特征,大大促進(jìn)了自動(dòng)語音識(shí)別技術(shù)性能的提升。然而大量研究表明,在低信噪比的噪音環(huán)境下,特別是在非平穩(wěn)噪音環(huán)境下,自動(dòng)語音識(shí)別技術(shù)的性能與人類的聽覺能力相比,尚有相當(dāng)大的差距。究其原因,聲學(xué)特征的魯棒性較差的問題是導(dǎo)致這種情況的關(guān)鍵因素之一。研究還表明,仿真人耳

2、的聽覺機(jī)理有助于提升特征的魯棒性,然而這方面的研究工作尚不完善,聽覺系統(tǒng)在魯棒性方面的相關(guān)機(jī)理還未能得到充分地挖掘。為了進(jìn)一步提升自動(dòng)語音識(shí)別技術(shù)的性能,仍需在仿真人耳的聽覺機(jī)理方面投入大量的研究工作。
　　針對(duì)聲學(xué)特征在噪音環(huán)境下的魯棒性問題,鑒于人類聽覺系統(tǒng)的強(qiáng)魯棒性,本文對(duì)基于聽覺機(jī)理的魯棒特征提取技術(shù)進(jìn)行了研究,提出了幾種魯棒特征提取方法,并在說話人識(shí)別系統(tǒng)中對(duì)所提出特征的魯棒性進(jìn)行了評(píng)估和驗(yàn)證。本文的主要研究工作如下:<

3、br>　　(1)借鑒耳蝸在信號(hào)處理方面的非線性工作機(jī)制,提出了一種仿真耳蝸機(jī)理的魯棒特征提取方法。首先,對(duì)常用的耳蝸濾波器組Gammatone進(jìn)行了分析,指出了其在語音信號(hào)分解方面的不足,并在此基礎(chǔ)上從語音信號(hào)處理的角度,給出了一個(gè)能有效體現(xiàn)基底膜濾波能力的濾波器組。接著,鑒于覆膜和基底膜間的耦合機(jī)制在聽覺產(chǎn)生過程中所起的重要作用,模擬該耦合機(jī)制設(shè)計(jì)了一個(gè)頻率選擇性增益函數(shù)。然后,在上述研究工作基礎(chǔ)上設(shè)計(jì)了一種基于耳蝸非線性處理機(jī)制的魯

4、棒特征提取方法。在說話人識(shí)別系統(tǒng)上的驗(yàn)證結(jié)果表明,由該方法生成的特征在魯棒性方面優(yōu)于梅爾頻率倒譜系數(shù)(MelFrequencyCepstralCoe?cients,MFCC)和感知線性預(yù)測(cè)系數(shù)(PerceptualLinearPredictive,PLP)特征。
　　(2)借鑒聽覺中樞對(duì)聲音信號(hào)的神經(jīng)表示機(jī)制,提出了一種仿真聽覺中樞編碼方式的魯棒特征提取方法。首先,明確了聲音信號(hào)的內(nèi)蘊(yùn)時(shí)頻結(jié)構(gòu)(underlyingstructur

5、e)與聽覺中樞神經(jīng)表示之間的對(duì)應(yīng)關(guān)系,并給出了內(nèi)蘊(yùn)時(shí)頻結(jié)構(gòu)的獲取方法。接著,為了對(duì)獲取的內(nèi)蘊(yùn)時(shí)頻結(jié)構(gòu)的有效性進(jìn)行分析,給出了關(guān)于內(nèi)蘊(yùn)時(shí)頻結(jié)構(gòu)有效性的判斷準(zhǔn)則和度量方法,并提出了相應(yīng)的優(yōu)化方法。最后,在上述基礎(chǔ)上提出了一種仿真聽覺中樞編碼方式的魯棒特征提取方法。實(shí)驗(yàn)結(jié)果表明,與MFCC和PLP特征相比,由該方法生成的特征表現(xiàn)出較好的魯棒性。
　　(3)借鑒人類聽覺在混合音分離方面的工作機(jī)制和超強(qiáng)能力,提出了一種基于聽覺聲源分離功能的

6、魯棒特征提取方法,并對(duì)仿真聽覺中樞編碼方式的聲學(xué)特征提取方法進(jìn)行了改進(jìn)。首先,借鑒聽覺的聲源分離機(jī)制,以語音內(nèi)蘊(yùn)時(shí)頻結(jié)構(gòu)和噪音內(nèi)蘊(yùn)時(shí)頻結(jié)構(gòu)近似聽覺中樞中語音和噪音的先驗(yàn)知識(shí),并以語音和噪音的內(nèi)蘊(yùn)時(shí)頻結(jié)構(gòu)組成的聯(lián)合基作為處理帶噪語音時(shí)的分解字典。然后,針對(duì)聯(lián)合基間較高的互相干性會(huì)導(dǎo)致聲源分離失真的問題,提出了一個(gè)關(guān)于聯(lián)合基間互相干性的優(yōu)化算法,并從理論上證明了該算法的收斂性,且實(shí)驗(yàn)結(jié)果也表明該優(yōu)化算法有助于提升基于聯(lián)合基的稀疏表示在噪音和

7、語音分離方面的性能。最后,在上述工作基礎(chǔ)上,提出了一種基于聽覺聲源分離機(jī)制的聲學(xué)特征提取方法。實(shí)驗(yàn)結(jié)果表明,由該方法生成的特征在魯棒性方面不僅優(yōu)于MFCC和PLP特征,而且還優(yōu)于改進(jìn)前的聲學(xué)特征。
　　(4)結(jié)合上述三方面的研究工作,給出了一個(gè)基于聽覺機(jī)理的魯棒特征提取框架。該框架由兩層具有不同信號(hào)處理功能的模塊串聯(lián)而成,它們分別是基于聽覺系統(tǒng)關(guān)注功能的目標(biāo)音剝離層和基于聽覺機(jī)理的特征表示層。其中,根據(jù)自動(dòng)語音識(shí)別技術(shù)的需求,目標(biāo)

8、音剝離層還可以進(jìn)一步細(xì)分為混合音分離和語音活動(dòng)檢測(cè)(VoiceActivityDectection,VAD)兩層。前者主要將目標(biāo)語音信號(hào)從噪音中提取出來,后者則在此基礎(chǔ)上從語音信號(hào)中提取語音片段并剝離靜音片段。之后,在該特征框架指導(dǎo)下,結(jié)合聽覺聲源分離功能和耳蝸非線性處理機(jī)制提出了一種魯棒的聲學(xué)特征。此外,為了向前兼容并為后一層提供有效的語音片段,本文還提出了一個(gè)基于聲源分離機(jī)制的語音活動(dòng)檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明,該特征在魯棒性方面不但優(yōu)