MATLAB环境下基于矢量量化的说话人识别系统

MATLAB环境下基于矢量量化的说话人识别系统

王靖琰

中南大学信息科学与工程学院，长沙 (410083)

E-mail：wjycsu@https://www.360docs.net/doc/513433217.html,

摘要：说话人识别是以话音对说话人进行区分，从而进行身份鉴别与认证的技术。本文介绍了一个用MATLAB设计的说话人识别系统，包含其原理、所采用的识别方法及其系统实现与测试。

关键词：说话人识别，MFCC，矢量量化，LBG算法，MATLAB

0．引言

语音是人的自然属性之一，每个人的语音都带有强烈的个人色彩，这使得通过分析语音信号来识别说话人成为可能。说话人识别技术按其被输入的测试语音可以分为与文本无关的说话人识别和与文本有关的说话人识别。前者是不规定说话内容的说话人识别，后者是规定内容的说话人识别。目前自动说话人识别的主要方法有基于隐马尔可夫模型(HMM)、基于矢量量化(VQ)以及基于高斯混合模型法(GMM) [5]。由于VQ方法具有简单、实用的特点，故得到了广泛应用，本研究工作主要探讨如何利用矢量量化算法来实现说话人自动识别系统，并且在MATLAB平台上设计了一个基于本方法的说话人识别系统，系统测试结果表明本系统实现了说话人识别的基本功能。

1. 说话人识别系统的组成

说话人识别系统分为两个阶段[2]，即训练(学习)和识别阶段。在训练阶段，系统根据每个使用者说出的若干训练语句建立相应的模型或模型参量参考集。在本系统中通过function code = train(traindir, n)函数实现。而在识别阶段，由待识别人说的语音中导出参量要与训练过程中的参考参量集或模板加以比较。我们用VQ方法计算平均失真测度(本系统在计算距离d时，采用欧氏距离测度)，选取距离最小者判断说话人是谁。在本系统中通过function test(testdir, n, code)函数实现。

图1是说话人识别系统的框图[2]。

图1 说话人识别系统框图

2. Mel频率倒谱系数(MFCC)的提取

MFCC参数是基于人的听觉特性利用人听觉的屏蔽效应[2]，在Mel标度频率域提取出来的倒谱特征参数。

MFCC参数的提取过程如下[4]：

1.对输入的语音信号进行分帧、加窗，然后作离散傅立叶变换，获得频谱分布信息。

设语音信号的DFT 为[3]：

)1(1-N k 0,)()(1

1

2≤≤=∑?=?

N n N

nk j a e

n x k X π

其中式中x(n)为输入的语音信号，N 表示傅立叶变换的点数。 2. 再求频谱幅度的平方，得到能量谱。

3. 将能量谱通过一组Mel 尺度的三角形滤波器组。

我们定义一个有M 个滤波器的滤波器组（滤波器的个数和临界带的个数相近），采用的滤波器为三角滤波器，中心频率为M m m f ,,2,1),(L =，本系统取M=100。 4. 计算每个滤波器组输出的对数能量。

)2(1

-M m 0,))()(ln()(11

2

≤≤=∑?=N k m a k H k X m S

其中为三角滤波器的频率响应。 )(k H m 5. 经

过

离散弦变换（DCT ）得到MFCC 系数。

MFCC 系数个数通常取20—30，常常不用0阶倒谱系数，因为它反映的是频谱能量，故在一般识别系统中，将称为能量系数，并不作为倒谱系数，本系统选取20阶倒谱系数。 )3(1-N n 0,

))/5.0(cos()()(10

≤≤?=

∑?=M m m m n m S n C π0C 用MATLAB 语言实现MFCC 特征参数提取如下：

function r = mfcc(s, fs) % s 声音信号的向量 fs 取样频率 m = 100;

n = 256; l = length(s);

nbFrame = floor((l - n) / m) + 1; for i = 1:n

for j = 1:nbFrame

M(i, j) = s(((j - 1) * m) + i); end end

h = hamming(n); M2 = diag(h) * M; for i = 1:nbFrame

frame(:,i) = fft(M2(:, i)); end t = n / 2; tmax = l / fs;

m = melfb(20, n, fs); n2 = 1 + floor(n / 2);

z = m * abs(frame(1:n2, :)).^2; r = dct(log(z));

其中Mel 尺度的三角形滤波器组通过function m = melfb(p, n, fs)函数产生。

3. 基于VQ 的识别模型

基于VQ 的说话人识别系统，矢量量化起着双重作用。在训练阶段，把每一个说话者所提取的特征参数进行分类，产生不同码字所组成的码本。在识别(匹配)阶段，我们用VQ 方法计算平均失真测度(本系统在计算距离d 时，采用欧氏距离测度)，从而判断说话人是谁。

3.1 用矢量量化聚类法生成码本

我们将每个待识的说话人看作是一个信源，用一个码本来表征[2]。码本是从该说话人的训练序列中提取的MFCC 特征矢量聚类而生成。只要训练的序列足够长，可认为这个码本有效地包含了说话人的个人特征，而与讲话的内容无关。

本系统采用基于分裂的LBG 的算法设计VQ 码本[1]，),,2,1(K k X k L =为训练序列，B 为码本。

具体实现过程如下：

1. 取提取出来的所有帧的特征矢量的型心(均值)作为第一个码字矢量。 1B

2. 将当前的码本根据以下规则分裂，形成2m 个码字。

m B )4()

1(B )1(B ??????=+=?+εεm m m m B B

其中m 从1变化到当前的码本的码字数，ε是分裂时的参数，本文ε=0.01。

3. 根据得到的码本把所有的训练序列(特征矢量)进行分类，然后按照下面两个公式计算训练矢量量化失真量的总和以及相对失真(n 为迭代次数，初始n=0，=∞，B 为当前

的码书)，若相对失真小于某一阈值[n]

D

[-1]

D

ε，迭代结束，当前的码书就是设计好的2m 个码字的码书，转５。否则，转下一步。

量化失真量和：

)5()

,(min 1

)

(∑==K

k k n B X d D

相对失真：

)6()1(n

n

n D D D ??

4. 重新计算各个区域的新型心，得到新的码书，转3。

5. 重复２ ，３ 和４步，直到形成有M 个码字的码书(M 是所要求的码字数)．算法流程如图2，其中。

10000=D 0用MATLAB 语言实现基于分裂的LBG 的算法设计VQ 码本如下：

function r = vqlbg(d,k)

% VQLBG Vector quantization using the Linde-Buzo-Gray algorithme % Inputs: d contains training data vectors (one per column) % k is number of centroids required

% Output: r contains the result VQ codebook (k columns, one for each centroids) e = .01;

r = mean(d, 2); dpr = 10000; for i = 1:log2(k)

r = [r*(1+e), r*(1-e)];

while (1 == 1) z = disteu(d, r);

[m,ind] = min(z, [], 2); t = 0;

for j = 1:2^i

r(:, j) = mean(d(:, find(ind == j)), 2); x = disteu(d(:, find(ind == j)), r(:, j)); for q = 1:length(x) t = t + x(q); end end

if (((dpr - t)/t) < e) break; else dpr = t; end end end

3.2 VQ 的说话人识别

设是未知的说话人的特征矢量，共有T 帧。},,,{21T X X X L i

Bm 是训练阶段形成的码书，表示第i 个码书第m 个码字，共有N 个码书(即N 个说话人)，每一个码书有M 个码字。则对于说话人辨识用式(7)计算第i 个说话人的平均量化失真i D [1]，然后用同样的方法求出

，则最终的识别结果就是最小者所对应的那个i ，即是所辨识的那个人。

}D ,,D ,{D N 21L i D )7()],([111min ∑=≤≤=

j i

m j M

m i B x d T D

用MATLAB 语言实现识别并显示识别结果过程如下：

v = mfcc(s, fs); % Compute MFCC's

distmin = inf; k1 = 0; for l = 1:length(code) % each trained codebook, compute distortion d = disteu(v, code{l}); dist = sum(min(d,[],2)) / size(d,1); if dist < distmin distmin = dist; k1 = l; end end

msg = sprintf('Speaker %d matches with speaker %d', k, k1);

disp(msg); end

4. 实验及结果分析

实验中，共有8名录音人员，男性6名，女性2名，录音采样率8kHz ，说话内容各异，

每一说话人发音2次，其中1次用于训练，语音长度为1s，存储在目录\1s内；1次用于识别语音长度为4s，语音长度为4s，存储在目录\4s内。

实验过程与结果如下：

1 训练

打开Matlab 使Current Directory为VQ所在的文件夹(比如：D:\MATLAB6p5\work\SR\vqonMatlab)；在Command windows中输入

train('1s\',8)

这是将1s中的wav文件进行特征提取并产生VQ码本，在workspace中有个ans的文件保存为.m文件，比如8.m，保存在1s文件夹下。

2 识别

在Command windows中输入

test('4s/',８,ans)

其中的ans 就是步骤1产生的码本。（必须保证８.m在workspace中打开）此时就会显示结果：

Speaker 1 matches with speaker 2

Speaker 2 matches with speaker 3

Speaker 3 matches with speaker 4

Speaker 4 matches with speaker 6

Speaker 5 matches with speaker 2

Speaker 6 matches with speaker 7

Speaker 7 matches with speaker 8

Speaker 8 matches with speaker 3

1s、4s分别是8个不同的人说话的录音，只是打乱了次序。

从上面的结果中可以看出，８个说话人中，识别结果正确的有6个，其中第5个和第8个说话人误识，识别率为：75％。

从上面的结果中可以看出，本系统基本实现了说话人识别的功能。但此系统也存在着不足，例如若两人的语音特征很接近，就不能很明显的区分开来，这主要是由于没有在提取特征系数前进行端点检测导致的。

5. 总结

本文通过研究基于适量量化的说话人识别算法，用MATLAB语言设计了一个说话人识别系统并且进行了测试实验，结果表明本系统基本实现了要求的功能，但识由于没有进行端点检测，别率不能令人满意，有待进一步改进。

端点检测[2]是说话人识别系统中的前端处理，其检测的准确性将直接影响识别的性能。在10个英语数字的识别测试中，60ms的端点误差就使识别率下降30％。所以端点检测的设计是本系统改进的重要研究方向。

参考文献

[1] 杨行竣，迟惠生．语音信号数字处理［M］．电子工业出版社，1995．49-80．

[2] 覃爱娜，韩华．说话人识别技术及其在工厂自动控制系统中的应用［J］．长沙电力学院学报，2003， 18（2）：68-70．

[3] 丁美玉，高西全．数字信号处理［M］．西安电子科技大学出版社，2004．68-71．

[4] 李宏松，苏健民，黄英来，于慧伶．基于声音信号的特征提取方法的研究［J］．信息技术， 2006，26（6）：91-94．

[5] 谢霞，李宏，郑俊．基于GMM 的说话人辨认系统及其改进［J］．电脑与信息技术， 2006， 14（2）：48-51．

Speaker Recognition System Based on Vector Quantization

Using MATLAB

Wang Jingyan

Dept．Of Information Science＆Technology, Central South Univ, Changsha ( 410083)

Abstract

The technique of speaker recognition makes it possible to use the speakers’voices to verify their identities.A speaker recognition system using MATLAB is introduced which includes the principle,methods ,its realization and test and its realization．

Keywords: speaker recognition; MFCC;vector quantization;LBG algorithm;MATLAB

作者简介：王靖琰，男，1985年生，就读与中南大学信息科学与工程学院，对指纹识别，语音识别，DSP和分布式系统感兴趣。