论文部分内容阅读
声纹识别对当前人们的生活有着重要的影响,设计一种识别效果好的声纹识别系统是非常有必要的。决定整体系统的识别率关键的就在端点检测、特征提取以及模板匹配,为了达到更好的识别效果,本文主要研究了端点检测和特征提取对整体系统的性能影响,当前联合多种特征参数已成为了一种重要的优化参数的方法。本文从语音信号的预处理阶段开始对其进行分析,对语音信号进行了去除噪声和端点检测,有效的滤除语音信号的无声段,其可以为语音特征参数在提取时,提供正确有效的语音段。文中分析比较了倒谱特征算法和对数能量特征算法的两类检测性能。结果表明,在低信噪比条件下这些算法的检测性能均不是特别理想,所以需要寻找到能够更好表征语音的特征参数来进行端点检测。为了能够克服传统方法的倒谱距离语音检测算法检测效果在低信噪比下不理想的缺点,本文将结合对数能量(LE)特征和倒谱(C)特征,研究了一种融合对数能量倒谱特征(LEC)的新方法。该方法采用模糊C均值聚类和贝叶斯信息准则(BIC)的方法估计判定特征门限,得到了正确、有效的语音端点判断,在3种非常典型噪声干扰下,把信噪比从-5db到15db的带噪语音进行实验仿真,实验结果显示LEC法的检测错误率仅为20.25%,明显低于倒谱法和对数能量法,对确定语音的端点更为有效,此方法间接地改善了语音识别效果。本文通过使用MATLAB专用语音处理工具箱,提取录入语音片段的特征参数,采用动态时间归整算法使参考模板与测试模板来进行匹配,提高了一定的系统识别率。本文考虑到系统的可靠性,采用美尔倒谱系数作为语音片段的特征参数,为系统的广泛应用提供了理论基础,使其具有快的运算速度,容易更新模板,小计算量,低差错率等优点。为了更好的比较各类端点检测判定算法,本文还自己实现了对数能量特征和倒谱特征的检测算法,以美尔倒谱的差分为特征,取得了比较理想的识别率,使其能够应用在对识别率要求不是很严格的场合。