语音信号端点检测技术的研究

本科毕业设计（论文）

语音信号端点检测算法的研究

贾钟强

燕山大学

2013年6月

本科毕业设计（论文）

语音信号端点检测算法的研究

学院（系）：里仁学院

专业：测控技术与仪器

学生姓名：贾钟强

学号：0912********

指导教师：王娜

答辩日期：2013年6月16日

燕山大学毕业设计(论文)任务书

摘要

语音端点检测的目的是从包含语音的一段信号中确定出语音的起点和终点，是语音信号处理的前端操作。在语音增强，语音编码，语音识别等领域得到广泛应用。语音端点检测方法有基于特征和基于模型两类，基于模型的方法比较复杂，对环境的适应能力差，而基于特征的方法相对简单且具有一定的抗噪能力，此方法要求找到某种能够区分语音和噪声的鲁棒性特征，本文针对基于特征的语音端点检测方法展开研究。

针对基于谱熵的检测算法在低信噪比下鲁棒性差的缺点，提出一种新的基于距离熵的检测算法，该算法利用熵和倒谱系数的鲁棒性改变概率密度的计算方法，对经过预处理的带噪信号进行一系列运算得到每一点的倒谱系数，根据倒谱系数获得欧式距离，由欧式距离构造概率密度函数，由概率密度数得到距离熵特征，最后利用距离熵采用双门限值进行语音和噪声的区分。

本文实验所使用的带噪信号由法国aurora2.0库的干净语音和Noisex92噪声库的噪声混合而成，并使用MATLAB工具进行仿真实验，实验结果表明，本文提出的两种端点检测算法具有一定的鲁棒性，在较低信噪比下仍能较好的区分语音和噪声。

关键词语音端点检测，特征，熵，短时能量，短时过零率

燕山大学本科生毕业设计（论文）

V oice activity detection is the purpose of a signal containing speech determines the start and end of the speech，the speech signal processing front-end operations. In speech enhancement，speech coding，speech recognition and other fields are widely used. Speech endpoint detection methods are based on two types of features and model-based，model-based approach is more complex，poor ability to adapt to the environment，and the feature-based approach is relatively simple and has a certain anti-noise ability，this method requires to find some able to distinguish speech and noise robustness characteristics，this paper，a feature-based speech endpoint detection method conduct research.

For detection algorithm based on spectral entropy at low SNR shortcomings of poor robustness，a new distance-based entropy detection algorithm，the algorithm uses the entropy and the robustness of cepstral probability density changes the method of calculating on pretreated with a series of operations to be noisy signal at each point cepstral coefficients obtained under cepstral Euclidean distance，Euclidean distance constructed by the probability density function of the number obtained by the distance entropy probability density characteristics，and finally the use of entropy using distance Two threshold value distinction between speech and noise.

This paper also presents a support vector machine based on multi-feature detection algorithm based on support vector machine detection algorithm for noisy signals are seeking SNR! Corrected zero-crossing rate and AMMM three characteristics，the three form a characteristic feature matrix，using partial band noise signal support vector machine for training，the trained SVM automatically distinguish between speech and noise.

This experiment used the noisy signal by the French auroraZ.0 library library clean speech and noise noise Noisex92 mixture and use MATLAB tools for simulation experiment results show that the proposed two kinds of endpoint detection algorithm has a certain degree of robustness at low SNR still better

distinguish between voice and noise.

Keywords V AD,Feature,EntroPy,Short-term energy

目录

摘要........................................................................................................................ I Abstract ................................................................................................................. II 第1章绪论. (1)

1.1语音端点检测研究背景 (1)

1.2语音端点检测研究意义 (2)

1.3语音端点检测研究动态 (4)

1.4本文组织结构 (5)

第2章语音信号处理基础 (7)

2.1 语音信号的数学模型 (7)

2.2语音端点检测预处理 (8)

2.2.1预滤波 (8)

2.2.2预加重 (8)

2.2.3分帧 (8)

2.2.4加窗 (9)

2.3语音信号的时域分析 (10)

2.3.1短时能量和短时幅度 (10)

2.3.2短时过零率 (10)

2.4语音信号的频域分析 (11)

2.4.1滤波器组法 (11)

2.4.2傅里叶变换法 (11)

2.5语音端点检测主要步骤 (13)

2.6影响语音端点检测的原因及噪声分类 (13)

2.6.1影响语音端点检测的原因 (13)

2.6.2噪声分类 (14)

2.7本章小结 (16)

第3章语音端点检测的相关算法 (17)

3.1基于短时能量的端点检测 (17)

3.2基于时频方差和的检测方法 (21)

3.3基于多特征的端点检测方法 (25)

3.3.1基于短时过零率和短时能量的端点检测方法 (25)

3.3.2基于谱减法的端点检测方法 (28)

3.4 本章小结 (32)

第4章基于距离熵的语音端点检测算法 (33)

4.1熵的基本介绍 (33)

4.2基于谱熵的端点检测方法 (33)

4.3基于距离熵的语音端点检测方法 (34)

4.3.1距离熵 (34)

4.3.2算法构架 (36)

4.4实验结果 (39)

4.5本章小结 (42)

结论 (43)

参考文献 (44)

致谢 (48)

附录1 开题报告

附录2 文献综述

附录3 中期报告

附录4 英文文献

附录5 英文翻译

第1章绪论

第1章绪论

1.1语音端点检测研究背景

语言是人类特有的功能，声音是人类常用的工具，通过声音传递信息是人类最重要、最有效、最准确、最方便的信息交换的方式。随着现代科学的蓬勃发展，人类社会越来越显示出信息社会的特点，犹如衣、食、住、行对于人类是必要的一样，通信和信息交换也成为了人类社会存在的必要条件，不但在人与人之间，而且在人与机器之间每时每刻都需要进行大量的信息交换，让计算机听懂人类的语言，是人类自计算机诞生以来梦寐以求的想法，计算机越来越向便携化方向发展，计算环境的日趋复杂化，人们越来越迫切要求摆脱键盘的束缚。在电子计算机和人工智能机器的广泛应用中，人们发现，人和机器之间最好的通讯方式是直接进行语言通讯，实现人机自由对话，赋予机器以听觉，辨别话音的内容或者辨别说话人的身份，使机器能够按照人的意志进行各种操作，把人类从繁重或危险的劳动中解脱出来。用现代手段研究语音处理技术，使人们能更加有效地产生。

语音技术的应用己经成为一个具有竞争性的高新技术产业，它正在直接与办公、交通、金融、公安、商业、旅游等行业的语音咨询与管理，工业生产部门的语声控制，电话、电信系统的自动拨号、辅助控制与查询以及医疗卫生和福利事业的生活支援系统等各种实际应用领域相接轨，并且有望成为下一代操作系统和应用程序的用户界面[1]。语音处理内容涉及到计算机科学，模式识别，信号处理，生理学，语音学，心理学等学科，还涉及到信号和信息处理系统，通信和电子系统等具体应用领域，多媒体技术的发展，使语音技术逐渐在越来越多的场合中推广使用，语音信号处理技术发展迅速，其研究成果具有重要的学术及应用价值，涉及一系列前沿课题，语音信号处理与信息科学中最活跃的前沿科学密切联系，并且共同发展。例如，神经网络理论、模糊集理论、小波理论是当前热门的研究领域，这些领域的研究常常把语音处理任务作为一个应用实例，而语音处理研究者也从这些领域的研究进展中找到突破口，使语音处理技术研究取得进展。从技术角度讲，语音信号处理是信息高速公路、多媒体技术、办公自动化现代通信及智能系统等新兴

燕山本科生毕业设计（论文）

领域应用的核心技术之一。

经过几十年的努力，语音信号处理在语音识别、语音增强、语音编码、说话人识别、说话人情感识别、语音合成等方面取得了巨大的进步，然而，一旦这些技术应用在实际环境中，由于环境噪声、信道、说话人自身因素等方面的影响，性能急剧下降，因为在实际环境中没有完全纯净的语音信号，一般都会伴有噪声或其它干扰[2]。例如，办公室环境下，电脑风扇转动的声音，键盘敲打的声音等都是噪声，而语音信号处理系统的处理对象是有效语音信号，即排除了纯噪声段的语音信号段，语音端点检测的任务就是判断待处理信号是语音还是非语音，从输入信号中找到语音部分的起止点，端点检测是语音识别，语音增强以及语音编码等中的一个重要环节[3]。

1.2语音端点检测研究意义

语音端点检测最早的应用是在贝尔实验室开发的电话传输和转换系统中，用于通信信道的时间分配，通过语音端点检测实现在空闲的信道插入其它的话音信息，之后，各种各样的语音端点检测算法在自动语音识别，说话人确认，回声消除，语音编码和其他方面的应用中被提出来[4]。语音端点检测作为语音信号处理系统的前端操作，在语音信号处理领域中有着重要的意义。

从背景噪声中检测出语音信号是语音识别系统中必要的预处理过程，如图1-1，有效的端点检测技术不仅能减少系统的处理时间，提高系统的处理实时性，而且能排除无声段的噪声干扰，从而使后续的识别性能得以较大提高，实验统计数字表明，端点的偏离对语音识别最终准确性影响明显:30ms 内的偏移对应精确度下降2%，当超过90ms时，影响达到30%[5]。

图1-1 语音识别系统图

第1章绪论

在语音增强中，语音端点检测主要应用于基于单声道的语音增强技术中，此时，噪声源是不可接近的，背景噪声的特性只能从带噪语音中获得，使用有音无音检测技术分离出无音段，这时无音段主要的表现为噪声特性，然后再通过某种统计方法，即可获得对背景噪声特性的近似估计[6]。

对于语音编解码技术，降低比特率是其不断发展的目标和动力，因为比特率的降低不仅可以提高已经很拥挤的信道的利用率，而且能使同样的存储芯片存储更多的信息，减少手持设备的平均能量消耗，延长电池寿命。在人们通常的对话过程中，听起来连续的语音信号其实是由一系列的无音片断和有音片断组合起来的。在背景噪声存在的情况下，无音片断中主要以噪声为主，所携带的有用信息相对于有音片断要小得多，所以，如果能将无音片断检测出来，则可以使用相对较少的比特数来表示，而不会改变解码端的语音质量，从而降低语音编码的平均编码比特率。

在现代通信技术中，凡是涉及到语音通信的，都需要应用到语音端点检测这一技术，并且这一技术的重要性不仅体现在日常语音通信中，更体现在科研和国防建设上。在科研领域，如3G手机等通讯产品的研发上，这一技术是不容回避的问题，要求在不影响接收语音信号质量的前提下，尽可能地降低静音段的数据传输率，此时精确的端点检测就非常必要。另外，有关国家安全保密工作，常需对某些通信线路进行监控，在对众多的线路进行监控时，为了节约人力物力并且不遗漏可疑信息，语音端点检测起到了至关重要的作用。由此可见，语音端点检测技术已经成为语音信号处理领域的重要课题之一，具有重要的理论研究价值和广阔的应用前景[7]。

由上面的分析可知，在有噪声的背景下，语音端点的检测非常重要，准确的端点检测可以提高识别的准确率，并且提高系统的处理速度，用于语音增强中，可以进行准确的噪声模型估计，在语音编码中，可以降低编码的平均比特率并降低功耗。目前，语音端点检测在高信噪比环境下已经取得了较为满意的检测结果，能得出较高的准确率，但在低信噪比环境下检测的结果不够理想，并且实际环境中的检测性能急剧下降，实验室的研究结果与复杂的实用环境下的语音端点检测仍存在一定的差距，如何准确地检测出带噪语音的端点至今仍是一个难题[8]。

燕山本科生毕业设计（论文）

1.3语音端点检测研究动态

对语音端点检测的研究最早可以追溯到上个世纪的50年代。当时是在一个实时语音翻译系统中，为了解决语音段和无语音段的检测问题而提出来的"在语音识别和说话人识别中，背景噪声使得端点检测变得复杂，同时，长距离电话传输信道中还存在人顺嘴，呼吸等类似的噪声。最近几年，无线电话!免提式电话、IP电话越来越流行，这些通信设备大多工作于信噪比较低的环境中。传统的语音端点检测算法都是针对实验室安静环境，直到近年来，噪声环境下的语音端点检测才开始研究[9]。

语音端点的检测方法主要分为基于模型和基于特征两大类。基于模型的检测方法要分别对语音和噪声进行建模，根据检测到的某些特征分别计算出在噪声模型和语音模型两种条件下的概率，然后根据这两个模型下概率的大小做出有声和无声判决，这种方法的操作过程类似于语音识别中进行模式匹配。例如，假设待检测的语音帧为有用语音或者为噪声的概率均为50%，如果在噪声模型下计算出的概率为80%，而在语音模型下计算出的概率为20%，由于噪声模型下计算出的概率大于语音模型下计算得出的概率，则可得出，所检测的语音帧为噪声，反之，如果在噪声模型下计算出的概率为20%，而在语音模型下计算出的概率为80%，则可得出该帧为有用语音帧。使用隐马尔可夫模型进行语音端点检测就是基于模型的检测方法。基于模型的语音端点检测方法过程比较复杂，而且实际环境多变，噪声多种多样，建立的语音和噪声模型可能跟实际环境不匹配，对环境的适应能力较差，检测准确率低。由于基于模型的检测方法的复杂性和不稳定性，研究者们一般倾向于使用第二类方法，基于特征的端点检测方法主要是通过寻找能够区分语音和噪声的特征参数来进行判断。例如，Rabiner等人在1977年提出了一种基于LPC欧氏距离测度的端点检测方法。该算法是Rabiner等人[10]在解决信号输出的语音很难用一般的算法来区分无语音、静默音和语音而提出来的"其主要思路是：先对这三种语音各自进行训练，得到各自的频域特性，然后利用LPC的测度和能量的非线性组合来对这三种语音进行检测。LuLie等人[11]提出一种基于时域特征参数端点检测方法一一用短时能量变化率来进行端点检测。这种算法采用的不是短时能量而是短时能量的变化率，在信噪比较高的情况下，

第1章绪论

在噪声和语音的区分点区域，由于信号帧的变化较剧烈，该方法选取的参数是一个小于1的正数，而在噪声区间或者语音区间由于信号不同，帧间的能量较平稳，变化不大，参数为0值。此方法的优点是具有一定的鲁棒性，但仍然存在信噪比低时的失效问题。

近年来，通讯技术特别是移动通讯技术的飞速发展，对语音信号端点检测方法研究提供了十分现实的动力。为了提高实时通信中语音端点检测系统的性能，文献[12]提出了子带统计滤波器的方法，通过子带统计滤波器在频域分别对噪声和语音进行估计，再利用信噪比特征，根据设定的门限值进行语音和非语音的区分。文献[13]对所有子带的SNR进行融合，形成SAF(sum of activation function)函数，此算法充分利用频域特征，并减少对噪声的频域能量分布的依赖，当噪声是非固定的时候，该方法也能可靠的执行。文献[14]中使用UMP(uniformly most powerful)根据LRT(likelihood ratio test)得出新的决策规则，再利用高斯分布和UMP对带噪语音检测语音段和非语音段[15]。随着小波分析在信号处理领域的广泛应用，也有不少基于小波分析的语音端点检测算法被提出，例如，选择小波部分子带跟踪信号的能量变化以实现端点检测[16]，小波变换模极大值应用于信号突变点的检测等。

语音信号处理是发展最为迅速的信息科学技术之一，人机通过语音交互越来越重要，而端点检测作为语音处理的前端操作起着无可替代的作用。越来越多的学者对语音端点检测技术进行研究，相继提出许多新的语音端点检测算法。目前的端点检测算法大多只针对语音的某一个特征进行检测[17]，大量的文献调研与实际研究发现，现有的各种语音信号端点检测技术都存在各自的不足，在低信噪比下检测结果不是很令人满意，有待进一步深入研究。

1.4本文组织结构

本课题主要研究噪声环境下有用语音起点和终点的检测，以提高噪声环境下语音端点检测的准确率为主要目的，借助已有的短时过零率和短时能量以及谱熵技术等，并以此为基础，组合出鲁棒性比较强的特征向量，从而提高噪声环境下端点检测的性能，使其能够很好的应用在实际环境中。本文分别对基于熵的检测方法和基于灰色模型的检测方法进行改进，通过研究和实验提出了基于距离熵的端点检测方法和基于支持向量机的多特征端点检测方

燕山本科生毕业设计（论文）

法。论文组织结构如下所示。

第1章为绪论，主要介绍了语音端点检测的研究背景、研究意义和研究动态。

第2章介绍了语音信号处理的一些基础知识，包括语音信号的特点及语音产生的数学模型，语音端点检测技术中的一些重要的预处理和语音在时域和频域表现出来的几个主要特征，简单介绍了影响语音端点检测的主要因素。

第3章介绍了已有的几种语音端点检测算法。包括短时能量及过零率，频带方差检测法等，并分析了这几种算法的优缺点。

第4章介绍基于距离熵的语音端点检测方法，此方法对带噪语音信号进行一系列变换，得到倒谱系数，再根据倒谱系数计算欧式距离，最后利用欧式距离建立熵。

最后对本文工作进行总结，并展望了需要进一步研究的内容。

第2章语音信号处理基础

第2章语音信号处理基础

2.1 语音信号的数学模型

与发出声音有关的各个器官叫做发音器官，人的发音器官包括:肺、气管、喉、咽、鼻和口，这些器官共同形成一条形状复杂的管道。声音是从肺部呼出的直气流通过在喉至嘴唇的器官的各种作用而发出的。作用的方式有三种，第一种把从肺部呼出的直气流变成音源，即变成交流的断续流或者乱流；第二种是对音源起共振和反共振的作用，使它带有音色；第三种是从嘴唇或鼻孔向空间辐射的作用。语音生成系统分成三个部分，喉的部分称为声门，在声门(声带)以下，称为声门子系统，它负责产生激励振动，是激励系统。从声门到嘴唇的呼气通道是声道，是声道系统，声道的形状主要由嘴唇!颖和舌头的位置来决定，在说话的时候，声门处气流冲击声带产生振动，然后通过声道响应变成声音，由于发不同音时，声道的形状不同，所以能够听到不同的语音"语音从嘴唇辐射出去，所以嘴唇以外是辐射系统。通常对声道形状和发音系统作某些假设，例如假设声道是时变的具有不均匀截面积的声管。激励的情况不同发不同性质的音，激励大致分为两大类:浊音激励和清音激励。发浊音时声道受到声带振动的激励引起共振，产生间歇的类斜三角形脉冲，发清音时声道被阻碍形成湍流，可以把清音激励模拟成随机噪声[17]完整的语音信号的数学模型可以用三个子模型:激励模型、声道模型、辐射模型的串联来表示，如图(2-1)所示：

(2-1)

H z A U z V z R z

()*()()()

图2-1 语音识别系统图

燕山本科生毕业设计（论文）

2.2语音端点检测预处理

2.2.1预滤波

预滤波可以达到两个目标，第一，可以抑制输入信号各频域分量中频率超过FS/2的所有分量(FS 为采样频率)，以防止混叠干扰;第二，预滤波可抑制50Hz 电源工频的干扰"预滤波器是一个带通滤波器，有上下截止频率FH 和FL ，对于绝大多数语音编译码FH 为3.4KHz ，FL 为60~100Hz ，采样率为FS 为8KHz 。

2.2.2预加重

由于语音信号的平均功率受声门激励和口鼻辐射的影响，高频端大约在80Hz 以上按6dB 倍频程跌落，所以当求语音信号频谱时，频率越高相应的成分越小，高频部分的频谱比低频部分难求，因此要对语音信号进行预加重(Pre-emphasis)处理。预加重的中心思想是利用信号特性和噪声特性的差别来有效地对信号进行处理，目的是提升高频部分，使信号的频谱变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱，以便于频谱分析或声道参数分析。预加重是通过具有6dB/倍频程的提升高频特性的数字滤波器来实现，它一般是一阶数字滤波器。

1()1H z z μ-=- (2-2)

μ值接近1，如果要恢复原信号，只要对预加重处理过的信号做去重处理便可以还原。

2.2.3分帧

语音信号从整体来看其特性及表征其本质特征的参数均是随时间变化的，但是它又具有短时平稳特性，在短时间内(一般为10ms~30ms 内)可以看作是一个近似不变的平稳过程。目前绝大多数的语音信号处理技术均是在短时的基础上对语音信号进行分帧处理，然后分别对每一帧提取特征参数段。为了使帧与帧之间平滑，保持连续性，一般采用交叠分帧的方法，使前一帧和后一帧具有相交部分，相交部分称为帧移，如图2-2，分帧时要对帧长和帧移的长度进行选择，如果采用较大的帧长，则帧数太少，计算量会小，系统处理的速度快，但容易增加端点检测的误差;如果采用较小的帧长，则帧数

第2章 语音信号处理基础

较多，计算量增加，系统处理的速度慢。一般每秒的帧数约为33~100帧，帧移一般取帧长的1/3~2/3。

图2-2 帧长和帧移示意图

2.2.4加窗

对语音信号进行分帧后要进行加窗操作，这是为了避免截断效应。因为直接分帧相当于对语音信号加了一个矩形窗，由于时域相乘对应频域卷积，而矩形窗的旁瓣较大，会因为在时域将信号截断而在频域引起频谱泄漏，即由于频域卷积而使能量泄漏到其它频率处，并且分帧的长度越短这种效应越明显。要克服这个问题，则要在分帧后对语音信号进行加窗。加窗前确定窗长N ，用一定的窗函数w(n)乘以信号s(n)从而形成加窗语音信号sw(n)。

在语音信号处理中最常用的两种窗函数是矩形窗和汉明窗，它们的表达式分别为：

(l)矩形窗

{1

0(1)0

()n N else w n ≤≤-= (2-3)

(2)汉明窗 {0.54

0.46cos[2/(1)]0(1)0()n N n N else w n π--≤≤-= (2-4)

N 表示窗长，窗函数的选择对于短时分析参数的特性影响很大。不同的短时分析方法以及求取不同的语音特征参数对窗函数的要求不同，可以根据实际需要选择合适的窗函数和窗长度。一般来说选取窗函数的标准是:在时域因为是语音波形乘以窗函数，所以要减小时域窗两端的坡度，使窗口边缘两端不引起急剧变化而平滑过渡到零，这样可以使截取的语音波形缓慢降为零，减小语音帧的截断效应;在频域要有较宽的带宽以及较小的边带最大值。汉明窗的主瓣宽度比矩形窗大一倍，带外衰减也比矩形窗大一倍多，矩形窗的谱

燕山本科生毕业设计（论文）

平滑性能较好，但损失了高频成分，使波形细节丢失。

当采样周期一定时，频率分辨率随着窗长的增加而减少，即频率分辨率得到提高，但时间分辨率降低，如果窗口过短，频率分辨率降低，时间分辨率提高。对于时域来说，如果N 很大，则相当于很窄的低通滤波器，语音通过时，反应波形细节的高频部分被阻碍，短时能量随时间变化很小，不能真实反应语音幅度变化；如果N 很小，滤波器的通带变宽，短时能量随时间急剧变化，不能得到平滑的能量函数，因此要合理的选择窗口长度，N 一般选择为100~300。

2.3语音信号的时域分析

语音信号分析主要从时域和频域两方面进行，语音信号的时域分析就是分析和提取语音信号的时域参数。时域分析是最早使用，也是应用最广泛的一种分析方法，因为，进行语音分析时，时域波形最先接触而且也最直观，表示语音信号物理意义明确，运算量少，容易实现，

语音信号的时域参数有短时能量，短时幅度，短时过零率，短时自相关函数，短时平均幅度差函数等，下面分别对这些时域参数进行简单介绍。

2.3.1短时能量和短时幅度

对语音信号进行分帧!加窗处理后，则可得到第n 帧语音信号()n x m 为：

()()()01n x m w m x n m m N =+≤≤- (2-5)

N 为帧长，则第n 帧语音信号()n x m 的短时能量En 为：

1

20()N n n m E x m -==∑ (2-6)

短时能量和短时幅度的主要用途有:

(l)可以有效区分浊音段和清音段，因为浊音的En 比清音大的多。

(2)可以区分声母和韵母的分界，有声和无声的分界，连字的分界。

(3)作为一种超音段信息，用于语音识别中。

2.3.2短时过零率

短时过零率是指一帧语音中语音信号波形穿过零电平的次数。对于连续