声纹识别系统与模式识别算法研究

摘要

基于生物特征的身份认证技术是当今国际上的重点研究内容，声纹识别是通过语音识别说话人的身份，在系统安全认证、金融服务、司法鉴定以及电子侦听等领域有着广泛的应用价值。
　　 声纹识别是语音识别的一种，从应用角度可将声纹识别分为说话人确认和说话人辨认两种，从识别条件角度可将其分为与文本有关的说话人识别和与文本无关的说话人识别两类。声纹识别不注重语音信号中的内容，只注重语音信号中个人的信息特征。声纹识别有两个关键技术:首先是特征提取，从声学或统计学的角度在语音信号中提取特征参数描述说话人的声音特征;其次是识别模型，用机器学习模型去学习、记忆说话人特征，从而实现说话人的识别。
　　 本文系统阐述了声纹识别技术的原理，并重点研究了:
　　 (1)语音特征提取:基音周期、过零率、明亮度、线性预测系数(LinearPrediction Coefficients，LPC)、线性预测倒谱系数（Linear Cepstral PredictionCoefficients，LPCC）、美尔频率倒谱系数(Mel-Frequency Cepstrum Coefficients，MFCC)等。
　　 (2)声纹识别模型:高斯混合模型、隐马尔可夫模型、矢量量化模型、人工神经网络模型、支持向量机模型。
　　 现有算法的识别效果容易受环境噪声、语音变异等因素的影响，针对这一问题，本文在对现有声纹识别技术进行深入研究的基础上，对现有算法进行了改进，并进行了大量实验（实验所用语音数据是在不同环境噪声下分早、中、晚不同时间段所录制，进行了为期一个月的声音采集，期间有人患重感冒，声音发生变异）。实验结果表明，改进的算法能够有效克服环境噪声、语音变异带来的影响。具体做了以下几个方面的工作:
　　 (1)改进了语音特征提取中的美尔频率倒谱系数法，利用频率掩蔽算法减少了噪声信号对语音信号的影响;利用MFCC、IMFCC、MidMFCC分别解决低频、高频、中频段的计算精度问题，一定程度上提高了语音的识别率。
　　 (2)改进了矢量量化模型，提出了一种新的初始码本选择方法——超球面极值选择法，改进了LBG算法，有效的减少了收敛过程中空胞腔的产生，有效地提高了识别率。
　　 (3)把LabVIEW图形化编程应用到声纹识别系统中来，利用计算机强大的图形环境和硬件资源建立图形化的虚拟仪器面板，实现对语音信号的实时采集、分析等，可以利用软件实现仪器功能的模块化、智能化，使其具有低成本、数据分析便利和管理良好等优点。

目录

声明

摘要

第一章 绪论

1．1 课题背景与研究意义

1．2 声纹识别的分类及应用领域

1．2．1 声纹识别的分类

1．2．2 声纹识别应用领域

1．3 声纹识别的基本方法

1．3．1 高斯混合模型

1．3．2 隐马尔可夫模型

1．3．3 矢量量化模型

1．3．4 人工神经网络模型

1．3．5 支持向量机模型

1．4 本文的主要内容与结构安排

1．4．1 本文主要研究内容

1．4．2 本文结构安排

第二章 语音信号基础知识

2．1 声学基础

2．1．1 声音与声波

2．1．2 听觉特性

2．2 语音信号的数学模型

2．3 语音信号分析方法

2．3．1 时域分析

2．3．2 频域分析

2．4 本章小结

第三章 特征提取

3．1 引言

3．2 预处理

3．3 特征选择

3．3．1 特征提取概述

3．3．2 线性预测系数

3．3．3 LPC倒谱系数

3．3．4 改进的Mel频率倒谱系数

3．4 本章小结

第四章 模式匹配

4．1 引言

4．2 矢量量化模型

4．3 初始码本的选择

4．3．1 随机初始码本

4．3．2 分裂法初始码本

4．3．3 超球面极值选择法初始码本

4．4 VQ算法设计

4．4．1 LBG算法

4．4．2 VQ语音识别

4．4．3 改进的LBG算法

4．5 实验结果及分析

4．5．1 语音库的建立

4．5．2 实验结果与分析

4．6 本章小结

第五章 基于LabVIEW的声纹识别系统

5．1 引言

5．2 LabVIEW基础

5．2．1 LabVIEW简介

5．2．2 模块化编程思想

5．3 LabVIEW声音采集

5．4 Matlab Script节点

5．5 程序的设计

5．6 本章小结

第六章 总结与展望

6．1 工作总结

6．2 研究展望

参考文献

致谢

攻读学位期间的研究成果