华南理工大学_语音信号实验五：DTW算法实现及语音模板匹配.doc

华南理工大学 《语音信号处理》实验报告 实验名称：DTW算法实现及语音模板匹配 姓名： 学号： 班级：11级电信7班 日期：2014年5 月 一、实验目的 利用DTW(Dynamic Time Warping，动态时间规整)算法，一个完整特定人语音识别系统 图1　语音识别系统框图 语音识别的过程可以被看作模式匹配的过程，模式匹配是指根据一定的准则，使未知模式与模型库中的某一个模型获得最佳匹配的过程。模式匹配中需要用到的参考模板通过模板训练获得。在训练阶段，将特征参数进行一定的处理后，为每个词条建立一个模型，保存为模板库。在识别阶段，语音信号经过相同的通道得到语音特征参数，生成测试模板，与参考模板进行匹配，将匹配分数最高的参考模板作为识别结果。 语音信号的处理 语音识别DTW算法 通常，规整函数被限制在一个平行四边形的网格内，如图所示。它的一条边斜率为2，另一条边斜率为1/2。规整函数的起点是（1, 1），终点为（N，M）。DTW算法的目的是在此平行四边形内由起点到终点寻找一个规整函数，使其具有最小的代价函数，保证了测试模板与参考模板之间具有最大的声学相似特性。 图　匹配路径约束示意图 由于在模板匹配过程中限定了弯折的斜率，因此平行四边形之外的格点对应的帧匹配距离是不需要计算的。另外，因为每一列各格点上的匹配计算只用到了前一列的3个网格，所以没有必要保存所有的帧匹配距离矩阵和累积距离矩阵。充分利用这两个特点可以减少计算量和存储空间的需求，形成一种高效的DTW算法。图2中，把实际的动态弯折分为三段，（1，xa），（xa+1，xb），（xb+1，N），其中： xa= (2M-N)/3，xb=2(2N-M)/3 xa和xb都取最相近的整数，由此可得出对M和N长度的限制条件： 2M-N≥3，2N-M≥2 当不满足以上条件时，认为两者差别太大，则无法进行动态弯折匹配。在x轴上的每一帧不再需要与y轴上的每一帧进行比较，而只是与y轴上[ymin，ymax]间的帧进行比较，ymin和ymax的计算公式为： ymin=x/2，0≤x≤xb， 2x+(M-2N)，xb x≤N ymax=2x，0≤x≤xa， x/2+(M-N/2)，xa x≤N 如果出现xa xb的情况，则弯折匹配的三段为（1，xb），（xb+1，xa），（xa+1，N）。 对于x轴上每前进一帧，虽然所要比较的y轴上的帧数不同，但弯折特性是一样的，累积距离的更新都是用下式实现的： D(x，y) = d(x，y)+min[D(x-1，y)，D(x-1，y-1)，D(x-1，y-2)] 信号{x(n)}的短时能量定义为: 语音信号的短时平均幅度定义为: 其中w(n)为窗函数。 2、短时平均过零率 短时过零表示一帧语音信号波形穿过横轴(零电平)的次数。过零分析是语音时域分析中最简单的一种。信号{x(n)}的短时平均过零率定义为: 式中，sgn为符号函数，即: 过零率有两类重要的应用:第一，用于粗略地描述信号的频谱特性;第二，用于判别清音和浊音、有话和无话解决这个问题的办法，一个是做高通滤波器或带通滤波，减小随机噪声的影响；另一个有效方法是对上述定义做一点修改，设一个门限T，将过零率的含义修改为跨过正负门限。 于是，有定义: 3、检测方法 此时整个端点检测可分为四段：静音段、过渡段、语音段、结束。实验时使用一个变量表示当前状态。静音段，如果能量或过零率超过低门限，就开始标记起始点，进入过渡段。过渡段当两个参数值都回落到低门限以下，就将当前状态恢复到静音状态。而如果过渡段中两个参数中的任一个超过高门限，即被认为进入语音段。处于语音段时，如果两参数降低到门限以下，而且总的计时长度小于最短时间门限，则认为是一段噪音，继续扫描以后的语音数据，否则标一记结束端点。语音信号预处理 语音信号的预处理包括预滤波、采样和量化、加窗、预加重、端点检测等过程。由于语音信号在帧长为10ms~30ms之内是相对平稳的，同时为了便于计算FFT，本系统选取帧长N为256个语音点，帧移M为128点。 本文采用汉窗对语音信号进行分帧处理，如下式： ω(n) =0.54-0.46cos(2πn/(N-1))，0≤n≤N-1 预加重用具有6dB/倍频程的提升高频特性的一阶数字滤波器实现： H(z) =1-0.937 5/z 端点检测采用基于短时能量和短时平均过零率法，利用已知为静态的最初十帧信号为短时能量设置2个门限ampl和amph，以及过零率zcr。语音起始点从第11帧开始检测，其流程图如图。语音结束点的检测方法与检测起点相似，但此时从后向前有哪些信誉好的足球投注网站。 图 语音起点检测流程图 2特征参数