论文部分内容阅读
作为人们日常交流的主要方式,语音不仅包含着说话人要表达的内容,其本身还蕴含着说话人特有的身份信息。近几十年,声纹领域的研究取得了重大的进展,在实验室中的识别效果更是取得了质的飞越,而在实际应用中,由于信道和环境等因素的影响,语音会夹杂各种噪音,导致说话人识别系统的性能显著下降。同时,由于说话人识别商业化的迫切需求,噪声下的说话人识别成为了研究的热点。针对说话人识别的鲁棒性问题,本文重点从语音增强和特征提取两方面进行研究。主要研究内容和创新点如下:1、本文重点研究调制域卡尔曼滤波和理想二值掩码(Ideal Binary Mask,IBM)的原理,通过对调制域卡尔曼滤波进行改进,得到一种基于IBM的调制域卡尔曼滤波模型(IBM-Based Modulation-Domain Kalman Filter,IMDKF)。利用IBM对于目标语音的T-F单元的辨别能力对卡尔曼滤波模型中的噪声估计和目标语音的线性预测模块进行先验估计。实验结果证明,IMDKF模型比调制域卡尔曼滤波模型具有更好的语音增强性能。2、通过研究语音信号的产生原理,将源滤波器模型引入语音识别。基于源滤波器模型和Bark尺度划分方式,本文提出一种新的语音特征——源滤波器bark子带感知特征(Source Filter Model Bark Perception,SFBP)。根据语音源滤波器生成模型,首先提取表达声道特征的线性预测系数;然后根据Bark尺度划分,对源滤波器模型中的激励信号进行子带感知滤波;最后将线性预测系数和子带滤波能量特征联合作为说话人识别特征。实验证明,SFBP特征对于非平稳噪声具有较强的鲁棒性,但在平稳噪声情况下的效果不是特别理想。因此,结合人耳听觉模型,本文又提出一种新的改进识别特征——源滤波器听觉模型感知特征(Source Filter Auditory Perception,SFAP)。SFAP特征主要根据人耳听觉模型,通过Gammatone滤波器对源滤波器模型中的激励信号进行听觉感知滤波;然后将表达声道特征的线性预测系数和通道系数能量特征联合作为识别特征。实验证明,相比传统MFCC和GFCC,无论是在平稳还是非平稳噪声环境中,SFAP特征的识别性能都更好。3、结合提出的IMDKF语音增强方法和源滤波器感知特征特征提取方法,本文构建了基于i-vector模型的说话人识别系统。实验结果表明相比原MDKF-MFCC识别系统,在white噪声下,基于IMDKF-SFAP和基于IMDKF-SFBP的说话人系统的EER值分别降低了约3个百分点和1.8个百分点;在babble噪声下,基于IMDKF-SFAP和基于IMDKFSFBP识别系统的EER值分别降低了约2.7个百分点和3.3个百分点。并通过采集真实噪声进一步验证了IMDKF,SFAP和SFBP的有效性。