基于EMD的语音信号检测与增强方法研究

摘要

语音检测和增强作为语音信号的前端处理方法，其准确性在很大程度上直接决定着后续处理如语音识别、语音编码的效果。有效的端点检测方法不仅能够减少数据存储量、缩短信号处理时间，而且能够排除无声片段的噪声干扰；语音增强则可以改善语音信号质量、提高信号可懂度、方便听着理解。现有的语音检测和增强方法在弱背景噪声环境下能够取得较好的效果，然而现实环境中的噪声成分往往较多，为此，低信噪比条件下能否有效地进行语音信号检测和增强具有重要意义。
　　 经验模态分解算法作为一种全新的信号处理方法，在对非平稳信号分析方面表现出了较大的优越性，已成为了处理非平稳信号的一种有效工具。语音信号作为一种典型的非线性非平稳信号，基于经验模态分解的时频分析为语音信号处理提供了新的手段和方法，为噪声环境中的语音端点检测和语音增强开辟了新的有效途径。本文针对经验模态分解算法在语音信号检测和增强方面的应用，展开了深入的研究，提出了新的有效方法，主要工作如下：
　　 1、详细阐述了语音信号处理的基本知识，对现有的语音检测和增强方法进行了对比分析；针对经验模态分解算法进行深入研究，探讨其基本特性以及存在的问题，并利用该算法对语音信号进行精细的时频结构分析。
　　 2、提出了一种基于经验模态分解和顺序统计滤波的语音端点检测方法，解决复杂背景噪声环境下的低信噪比语音端点检测问题。该方法将含噪语音信号进行经验模态分解，通过对固有模态函数进行自适应权重选取获得信号的希尔伯特能量谱，利用顺序统计滤波器对每帧的能量谱进行平滑处理作为语音和非语音的鉴别特征。实验结果表明，该方法适用于复杂噪声环境的端点检测，在低信噪比情况下仍然能够有效地检测出语音信号，降低信号误检率。
　　 3、提出了一种基于经验模态分解的谐波重建语音增强方法，解决低信噪比情况下经验模态分解质量下降以及去噪后语音谐波失真问题。该方法采用自适应噪声抵消技术进行预处理，利用噪声间的相关性，消除部分宽频干扰白噪声，针对高低频固有模态函数采取不同的手段，利用语音信号中浊音的周期特性对语音信号进行谐波重建，恢复丢失的高次谐波。实验结果表明，该方法能明显提高带噪语音的信噪比，改善语音的质量，使语音信号可懂度得到了进一步增强。