语音信号识别动态时间规整算法 DTW 编程实现

                         

概述：

前段时间在百度DTW是怎么回事，在CSDN，博客园有很多文章，很多人讲不明白，模棱两可，给的代码也是错的，这让我非常着急，原本以为几小时就可以搞定，再把源代码自己写出来，就大工告成，结果把自己搞得头昏脑胀的，还是不清楚，没办法，狠了狠心完全脱离他们代码的思路，下决心按照DTW的公式自己写了程序，编程调试一天，功夫不负有心人，结果真的是很激动人心！

福利实现代码在原文底部，作者花费一天时间编码调试，没有bug,直接运行，思路简单清晰，一看就懂，转手就用，推进资源文章的水平是一种荣耀！

 

介绍：

Dynamic Time Warping
 

先给大家看看运行的结果吧，我调试了很多bug之后，第一眼看到它就感觉特别美，有一种震撼的感觉！

生成的最小距离图，其中的数字代表的是从左下角出发点到这个点的最小的距离。

回溯方法找到的最小的路径，沿着394一直走，就可以最小路程从左下角出发点走到终点右上角。

我来给大家说说怎么回事吧

首先呢哟两组数据需要对比,看看它们的匹配性，也就是有多像，但是数据长度不一定相等，某些局部也不是同步一致的。如：

    int a[]={8,10,21,67,91,18,5,9,10,13,21,78,91,10,5,9,10,13,21,78,91};
    int b[]={5,9,10,13,21,78,91,10,80,9,10,13,218,10,15,21,67,91,18};

这是不能直接上减下得到差值计算的，因为两个数据的长度不一定是相等的，某些局部也不一定会同步，比如不同人说话，语速不一样，清晰程度也不一样，我们得到声音数据之后，怎么通过比较，知道是谁说话呢？

如下的情形中：

在一个月黑风高的晚上，四周黑洞洞一片，一个只有五个互不相识单身男性的小区里面遭了贼，物业丢失了价值500万元的公共财产，经过警察侦查断定，小偷一定是小区里面的五个人其中之一，但是没有任何证据，只有小偷作案后，一阵狂笑声，周围的摄像头全部被破坏，只有录下了小偷的狂笑的声音，究竟会是谁？

警察将小偷狂笑声音数据a提取出来

分别要求小区五个人录下一段狂笑声音

标记数据b,c,d,e，f

这时候就需要数据对比，假设模板是a,现在有b,c,d,e,f数据需要比对，我们只要他们和模板a对比计算谁更匹配，就知道是谁是小偷了。

现在将数据如下对比：模板数据作为列，对比数据作为行

 先通过矩阵横竖相减求绝对值，得到结果如下：

这是相减求绝对值的结果，如果读者需要自己计算，可以参照下面这张图：

 

相减完之后，要计算匹配程度了.

下面的这篇讲得文章比较清晰(大概快速看完 ，看看我后面做的分析步骤)

转自@http://www.cnblogs.com/tornadomeet 

　　DTW为(Dynamic Time Warping,动态时间归准)的简称。应用很广，主要是在模板匹配中，比如说用在孤立词语音识别，计算机视觉中的行为识别，信息检索等中。可能大家学过这些类似的课程都看到过这个算法，公式也有几个，但是很抽象，当时看懂了但不久就会忘记，因为没有具体的实例来加深印象。

      这次主要是用语音识别课程老师上课的一个题目来理解DTW算法。

　　首先还是介绍下DTW的思想：假设现在有一个标准的参考模板R，是一个M维的向量，即R={R（1），R（2），……，R（m），……，R（M）}，每个分量可以是一个数或者是一个更小的向量。现在有一个才测试的模板T，是一个N维向量，即T={T（1），T（2），……，T（n），……，T（N）}同样每个分量可以是一个数或者是一个更小的向量，注意M不一定等于N，但是每个分量的维数应该相同。

     由于M不一定等于N，现在要计算R和T的相似度，就不能用以前的欧式距离等类似的度量方法了。那用什么方法呢？DTW就是为了解决这个问题而产生的。

首先我们应该知道R中的一个分量R（m）和T中的一个分量T（n）的维数是相同的，它们之间可以计算相似度（即距离）。在运用DTW前，我们要首先计算R的每一个分量和T中的每一个分量之间的距离，形成一个M*N的矩阵。（为了方便，行数用将标准模板的维数M，列数为待测模板的维数N）。

然后下面的步骤该怎么计算呢？用个例子来看看。

这个例子中假设标准模板R为字母ABCDEF(6个)，测试模板T为1234(4个)。R和T中各元素之间的距离已经给出。如下：

 

     既然是模板匹配，所以各分量的先后匹配顺序已经确定了，虽然不是一一对应的。现在题目的目的是要计算出测试模板T和标准模板R之间的距离。因为2个模板的长度不同，所以其对应匹配的关系有很多种，我们需要找出其中距离最短的那条匹配路径。现假设题目满足如下的约束：当从一个方格((i-1,j-1)或者(i-1,j)或者(i,j-1))中到下一个方格(i,j)，如果是横着或者竖着的话其距离为d(i,j)，如果是斜着对角线过来的则是2d(i,j).其约束条件如下图像所示：

 

     其中g(i,j)表示2个模板都从起始分量逐次匹配，已经到了M中的i分量和T中的j分量，并且匹配到此步是2个模板之间的距离。并且都是在前一次匹配的结果上加d(i,j)或者2d(i,j),然后取最小值。

     所以我们将所有的匹配步骤标注后如下：

     怎么得来的呢？比如说g(1,1)=4, 当然前提都假设是g(0,0)=0,就是说g(1,1)=g(0,0)+2d(1,1)=0+2*2=4.

     g(2,2)=9是一样的道理。首先如果从g(1,2)来算的话是g(2,2)=g(1,2)+d(2,2)=5+4=9,因为是竖着上去的。

     如果从g(2,1)来算的话是g(2,2)=g(2,1)+d(2,2)=7+4=11,因为是横着往右走的。

     如果从g(1,1)来算的话，g(2,2)=g(1,1)+2*d(2,2)=4+2*4=12.因为是斜着过去的。

     综上所述，取最小值为9. 所有g(2,2)=9.

     当然在这之前要计算出g(1,1),g(2,1),g(1,2).因此计算g(I,j)也是有一定顺序的。

其基本顺序可以体现在如下：

 

     计算了第一排，其中每一个红色的箭头表示最小值来源的那个方向。当计算了第二排后的结果如下：

 

     最后都算完了的结果如下：

     到此为止，我们已经得到了答案，即2个模板直接的距离为26. 我们还可以通过回溯找到最短距离的路径，通过箭头方向反推回去。如下所示：

     到这里，估计大家动手算一下就会明白了。其实很简单，通过例子的学习后再回去看那些枯燥的理论公式就发现很容易了。

     在实际应用中，比如说语音识别中的孤立词识别，我们首先训练好常见字的读音，提取特征后作为一个模板。当需要识别一个新来的词的时候，也同样提取特征，然后和训练数据库中的每一个模板进行匹配，计算距离。求出最短距离的那个就是识别出来的字了。

 

计算过程：

首先要看懂这个公式：

 

这个是求最值得一步步迭代过程

看不懂的使用简单的四行五列数据模拟计算，这就是迭代计算了。

 

我将计算过程贴出来，大家可以作为参考，代码放在最后面的链接处。

第1步

第2步

第3步

 

第四步：

.....

.....

然后到计算完毕结果如下：

 

匹配的最短路径距离为：394，通过回溯可以求得最短路径！

路径图就是按照394这条路线走的，最短路径！

欢迎大家留言讨论

实现的代码:

点击下载：https://download.csdn.net/download/yangming2466/10746983