MFCC语音特征提取总结

MFCC特征

MFCC(Mel倒谱系数)符合人类听觉原理，能够有效的提取语音声学特征，适合作为语音特征输入。本文学习了以下2篇博客——博客1 博客2，并做了自己的总结
MFCC的提取流程如下图所示：

预加重

令输入语音信号$signal=[s_1,s_2,...,s_T]$，其中T为信号采样频率。预加重可以去除口唇辐射的影响，增加语音的高频分辨率，其实现方式如下：
$$signa{l}_i=signa{l}_{i+1}-\alpha signa{l}_i$$
其中$\alpha$为预加重系数，一般取0.97。

分帧

为了保证输入信号的平衡，采用分帧的方式将语音分成多段，其实现方式如下：
$$numframes=1+ceil((T-frame\_length)/frame\_step)$$
其中frame_length为帧长，frame_step为相邻帧的平移距离，对不足一帧长的信号进行补0处理。

加窗

令$X=[x_1,x_2,\dots ,x_{numframes}]$为得到的numframes个帧。采用加窗的方式，避免信号因非周期截断导致的频谱泄露问题：
$$x_i=x_i\ast {\omega }_i$$
其中ω_i为汉宁窗或汉明窗。

离散傅里叶变换

通常信号在时域上的变换很难看出信号的特性，因此采用快速傅里叶变换得到各帧的频谱：
$$F_{i,k}=\sum _{n=0}^{N-1}{x}_{i,n}{e}^{-j(2\pi /N)kn},(0\le k\le N-1),$$
其中$F_{i,k}$代表第i帧第k个点的频率，$x_{i,n}$为第i帧第n个点。

梅尔滤波器

通常人耳所听到的声音高低与声音的频率不成线性正比关系，而Mel频率尺度更符合人耳的听觉特性，因此采用Mel滤波器进行处理，Mel频率与实际频率的转换公式如下：
$$Mel(f)=2595\ast lo{g}_{10}(1+f/700)$$
采用上述公式将音频的频率范围转换为梅尔频率的频率范围，并均匀等分为L份，即L个梅尔滤波器，Mel滤波器为三角形状，等分后的梅尔频率为梅尔滤波器的中心频率，令$o_l$,$c_l$,$h_l$分别为梅尔滤波器的下限频率，中心频率和上限频率，可以得到如下关系：
$$c_l=h_{l-1}=o_{l+1}$$
即梅尔滤波器的中心频率等于上一个梅尔滤波器的上限频率，也等于下一个梅尔滤波器的下限频率。三角形梅尔滤波器的公式可表示为：
$$W_l(k)=\{\begin{array}{l}\frac{k-o_l}{c_l-o_l},o_l\le k\le c_l\\ \frac{h_l-k}{h_l-c_l},c_l\le k\le h_l\end{array}$$
梅尔滤波器的最终输出可以表示为：
$$m_l=\sum _{k=o_l}^{h_l}{W}_l(k)|F_k{|}^2,l\in [1,2,...,L]$$

离散余弦变换

对梅尔滤波器的输出进行离散余弦变换（DCT）得到最终的梅尔倒谱系数：
$$c_i=\sqrt{\frac{2}{L}}\sum _{j=1}^L{m}_{j}cos(\frac{\pi i}{L}\ast (j-0.5)),i\in [1,2,...,I]$$
其中i为倒谱系数个数