MFCC声纹特征提取

不划水的小袁

已于 2022-05-18 18:33:19 修改

阅读量4.7k

点赞数 3

文章标签：语音识别人工智能

于 2022-05-16 15:31:54 首次发布

本文链接：https://blog.csdn.net/qq_55041016/article/details/124799014

版权

前言

语音识别本质上是一种模式识别的过程，其基本结构原理图如下图所示，主要包括语音信号预处理，特征参数提取，特征建模、模式匹配等几个功能模块。

一个声音识别系统主要包括训练和识别两个阶段，无论是训练还是识别，都需要对输入信号的原始声音进行预处理，并进行特征提取。在提取了相关的特征之后，识别的工作会变得相对简单很多，本文主要介绍声纹如何提取的。

预处理

声音信号的预处理包括滤波、A/D转换、预加重、分帧、端点检测等，假设经A/D转换后的数字音频信号为 $x(n)$ ，预处理过程如下：

1) 归一化处理。归一化处理的目的是消除不同样本声音之间的大小差异，将样本幅值限定在 $[-1,1]$ 范围内。

2）预加重。预加重通常使用带有6dB/倍频的一阶数字滤波器来实现，如： $H(z)=1-\mu z^{-1}$

其中 $\mu$ 为常数，通常取0.97。

3）对音频信号进行加窗分帧。虽然声音信号是非线性时变信号，但它具有短时平稳的特点，对其进行分帧可以提取其短时特性。通常取帧长为10~30ms，为了避免帧与帧之间的特性变化过大，帧移通常取帧长的 1 /2，即相邻帧之间有 1 /2 的重叠数据。为了进行短时分析，必须通过加窗来选取窗口内的声音信号，窗口外的声音信号为 0，最常用的窗口函数是汉明窗。一般取 256 点为一帧，帧间重叠为 128 点。

特征参数提取

声音特征的选择取决于具体的系统，比较有代表性的特征包括幅度( 或功率) 、过零率、线性预测系数特征矢量( LPC) 、LPC 倒谱特征矢量( LPCC) 、梅尔倒谱系数( MFCC) 等。特征提取完成对声音信号进行分析处理，去掉与声音识别无关的冗余信息，获得影响声音识别的重要信息。由于倒频谱( cepstrum) 有着能将频谱上的高低频分开的优点，因此被广泛地应用在声音识别领域，如 LPCC 和 MFCC。

由于声音信号在时域上的变化快速且不稳定，通常将它转换到频域上来分析其特征参数。梅尔倒频谱特征参数提取过程如上图所示。预处理后的声音数据经过快速傅里叶变换( FFT) ，计算出每帧数据的频谱参数，再将每帧数据的频谱参数通过一组 N( N 的值通常为 20 ～ 40) 个三角形带通滤波器构成的梅尔频率滤波器做卷积运算，之后对每个频带的输出取对数，求出每个输出的对数能量( Log Energy) S( m) ， m = 1， 2， 3， …， N。最后对此 N 个参数进行离散余弦变换，求出梅尔倒谱系数作为声音特征参数

其中， n 为所取 MFCC 个数; Ci( n) 为第 i 帧的第 n 个 MFCC 系数; S( m) 为音频信号的对数功率谱; M 为三角滤波器个数。

预加重

为了避免在后边的FFT操作中出现数值问题，我们需要加强一下高频信息，因为一般高频能量比低频小。其预加重函数如下所示：

y(n)=x(n)−α⋅x(n−1)

分帧

我们要对语音数据做傅里叶变换，将信息从时域转化为频域。但是如果对整段语音做FFT，就会损失时序信息。因此，我们假设在很短的一段时间t内的频率信息不变，对长度为t的帧做傅里叶变换，就能得到对语音数据的频域和时域信息的适当表达。举个例子，假如我们这里的采样点数为200000个点，如果真的这样做的话，就很麻烦了，于是我们在语音分析中引入分帧的概念，将原始语音信号分成大小固定的N段语音信号，这里每一段语音信号都被称为一帧。

加窗

将信号分帧后,我们将每一帧代入窗函数，窗外的值设定为0，其目的是消除各个帧两端可能会造成的信号不连续性（即谱泄露 spectral leakage）。常用的窗函数有方窗、汉明窗和汉宁窗等，根据窗函数的频域特性，常采用汉明窗（hamming window）。接下来我来讲解一下怎么加窗：我们需要做的就是为每一帧数据，也就是301帧数据都加入大小为1103的汉明窗。其汉明窗的表达公式如下所示：

W(n)=(1−a)−a⋅cos(2⋅π⋅n/N)1≤n≤N