特定人語音識別技術(shù)在汽車控制上的應(yīng)用

1  引言

　　從20世紀(jì)50年代開始對語音識別的研究開始，經(jīng)過幾十年的發(fā)展已經(jīng)達(dá)到一定的高度，有的已經(jīng)從實(shí)驗(yàn)室走向市場，如一些玩具、某些部門密碼語音輸入等，隨著DSP和專用集成電路技術(shù)的發(fā)展，快速傅立葉變換以及近來嵌入式操作系統(tǒng)的研究，使得特定人識別尤其是計(jì)算量小的特定人識別成為可能。因此，對特定人語音識別技術(shù)在汽車控制上的應(yīng)用的研究是很有前途的。

　　2  特定人語音識別的方法

　　目前，常用的說話人識別方法有模板匹配法、統(tǒng)計(jì)建模法、聯(lián)接主義法(即人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn))?？紤]到數(shù)據(jù)量、實(shí)時(shí)性以及識別率的問題，筆者采用基于矢量量化和隱馬爾可夫模型(HMM)相結(jié)合的方法。

　　說話人識別的系統(tǒng)主要由語音特征矢量提取單元(前端處理)、訓(xùn)練單元、識別單元和后處理單元組成，其系統(tǒng)構(gòu)成如圖1所示。

　　圖1  系統(tǒng)構(gòu)成

　　由上圖也可以看出，每個(gè)司機(jī)在購買車后必須將自己的語音輸入系統(tǒng)，也就是訓(xùn)練過程，當(dāng)然最好是在安靜、次數(shù)達(dá)到一定的數(shù)目。從此在以后駕駛過程中就可以利用這個(gè)系統(tǒng)了。

　　所謂預(yù)處理是指對語音信號的特殊處理:預(yù)加重，分幀處理。預(yù)加重的目的是提升高頻部分，使信號的頻譜變得平坦，以便于進(jìn)行頻譜分析或聲道參數(shù)分析。用具有 6dB/倍頻程的提升高頻特性的預(yù)加重?cái)?shù)字濾波器實(shí)現(xiàn)。雖然語音信號是非平穩(wěn)時(shí)變的，但是可以認(rèn)為是局部短時(shí)平穩(wěn)。故語音信號分析常分段或分幀來處理。

　　2.1  語音特征矢量提取單元

　　說話人識別系統(tǒng)設(shè)計(jì)中的根本問題是如何從語音信號中提取表征人的基本特征。即語音特征矢量的提取是整個(gè)說話人識別系統(tǒng)的基礎(chǔ)，對說話人識別的錯(cuò)誤拒絕率和錯(cuò)誤接受率有著極其重要的影響。同語音識別不同，說話人識別利用的是語音信號中的說話人信息，而不考慮語音中的字詞意思，它強(qiáng)調(diào)說話人的個(gè)性。因此，單一的語音特征矢量很難提高識別率。該系統(tǒng)在說話人的識別中采用倒譜系數(shù)加基因周期參數(shù),而在對控制命令的語音識別中僅采用倒譜系數(shù)。其中，常用的倒譜系數(shù)有2 種，即LPC(線性預(yù)測系數(shù))和倒譜參數(shù)(LPCC),一種是基于Mel刻度的MFLL(頻率倒譜系數(shù))參數(shù)(Mel頻率譜系數(shù))。

　　對于LPCC參數(shù)的提取, 可先采用Durbin遞推算法、格型算法或者Schur遞推算法來求LPC系數(shù)，然后求LPC參數(shù)。設(shè)第l幀語音的LPC系數(shù)為αn,則LPCC的參數(shù)為1＜n≤p

　　其中p為LPCC系數(shù)的階數(shù)，k為LPCC系數(shù)的遞推次數(shù)。

　　進(jìn)一步的研究發(fā)現(xiàn)，引入一階和二階差分倒譜可以提高識別率。

　　對于MPCC參數(shù)的提取，若根據(jù)Mel曲線將語音信號頻譜分為K個(gè)頻帶，每個(gè)頻帶的能量為θ(Mk)，則 MFCC參數(shù)為 1＜n≤p

　　通過對LPCC和MFCC參數(shù)對識別率影響的實(shí)驗(yàn)比較，筆者選取LPCC參數(shù)及其一階和二階差分倒譜稀疏作為特征參數(shù)。

　　基音周期估計(jì)的方法很多，主要有基于求短時(shí)自相關(guān)函數(shù)的算法、基于求短時(shí)平均幅度差函數(shù)(AMDF)的算法、基于同態(tài)信號處理和線性預(yù)測編碼的算法。筆者僅介紹基于求短時(shí)自相關(guān)函數(shù)的算法。

　　設(shè)Sw(n)是一段加窗語音信號，它的非零區(qū)間為0＜n≤n-1。Sw(n)的自相關(guān)函數(shù)稱為語音信號的S(n)的短時(shí)自相關(guān)函數(shù)，用Rw(l)表示，即Rw(l)=

　　可知短時(shí)自相關(guān)函數(shù)在Rw(0)處最大，且在基音周期的各個(gè)整數(shù)倍點(diǎn)上有很大的峰值，選擇合適的窗函數(shù)(窗長為40ms的Hamming窗)與濾波器(帶寬為60~900Hz的帶通濾波器)后，只要找到自相關(guān)函數(shù)的第一最大峰值點(diǎn)的位置并計(jì)算它與零點(diǎn)的距離，便能估計(jì)出基音周期。

　　2.2  訓(xùn)練單元

　　訓(xùn)練單元的功能是把事先收集到的語音利用一定的算法為每一個(gè)待識別的說話人訓(xùn)練出與之相匹配的參數(shù)。針對說話人識別在汽車應(yīng)用中的不同的要求，訓(xùn)練單元也分為2部分:對說話人識別的訓(xùn)練和對待識別詞的訓(xùn)練。

　　對于說話人識別部分的訓(xùn)練， 針對說話人的特征進(jìn)行訓(xùn)練，為每個(gè)合法用戶建立一套或多套HMM模型，同時(shí)采用基于矢量量化(VQ)的方法，為每個(gè)合法用戶建立VQ碼本。VQ碼本的設(shè)計(jì)采用LBG算法，初始碼本的設(shè)置采用分裂法初始碼本。

　　第2 部分針對控制命令中用到的每個(gè)孤立的詞條建立多個(gè)訓(xùn)練樣本，或稱為詞條樣本，估計(jì)出該詞條的HMM參數(shù)(一套或多套)。對一個(gè)HMM過程的完整的描述包括:2個(gè)模型參數(shù)N和M，3組概率度量A，B和π。為了方便起見，通常采用如下方式表示一個(gè)完整的模型:λ=(N,M,π,A,B)，或者簡寫為:λ= (π,A,B)。而對于每一個(gè)詞條V的模型參數(shù)，V=1~V，可以用Baum-Welch重估算法。

  2.3  識別單元

　　識別單元的功能是利用經(jīng)訓(xùn)練已經(jīng)獲得的HMM模型參數(shù) 和測得的說話人的基音周期在一定的判決條件下辨認(rèn)出待識別的說話人并估計(jì)出待識別的控制命令詞串。針對HMM模型參數(shù)通常采用的判決條件是最大后驗(yàn)概率，用Viterbi算法實(shí)現(xiàn)。

　　2.4  后處理單元

　　充分利用每個(gè)說話人的聲道參數(shù)和詞條中各狀態(tài)持續(xù)時(shí)間的概率分布來改進(jìn)系統(tǒng)的識別率。

　　3  系統(tǒng)的實(shí)現(xiàn)

　　由于汽車的控制命令是有限的詞條和數(shù)字串的組合， 對這些語音命令的識別屬于特定人小詞匯量的連接詞的識別以及與文本有關(guān)的說話人確認(rèn)，不論是從目前的DSP運(yùn)算速度還是存儲(chǔ)空間來說，實(shí)時(shí)實(shí)現(xiàn)這些語音命令的識別都是完全可能的。

　　識別系統(tǒng)組成框圖如圖所示:在此系統(tǒng)中，對運(yùn)算能力和存儲(chǔ)單元要求非常高的語音識別部分完全由DSP完成。

圖2     識別系統(tǒng)的組成框圖

　　框圖中識別系統(tǒng)的功能是完成語音的輸入、A/D轉(zhuǎn)換及識別，系統(tǒng)中核心部分采用TMS320VC5410。其原因是它的運(yùn)算速度和存儲(chǔ)空間都能滿足要求，同時(shí)它的一些并行運(yùn)算硬件結(jié)構(gòu)也非常適合語音識別的各種算法，程序和已經(jīng)脫機(jī)訓(xùn)練好的HMM參數(shù)表及相應(yīng)的詞典存放在程序存儲(chǔ)器中，數(shù)據(jù)存儲(chǔ)器存放識別過程中的中間計(jì)算數(shù)據(jù)。A/D芯片采用TLC320AD50C, 里面含有A/D、D/A以及低通濾波器和采樣保持電路。模擬語音信號的輸入主要是通過傳聲器，保證語音門禁的安全性，轉(zhuǎn)換后的數(shù)字語音數(shù)據(jù)以同步串行通信方式傳送給DSP。如圖2。

　　4  結(jié)束語

　　語音控制汽車是未來的一種趨勢。目前，將語音技術(shù)應(yīng)用于汽車的產(chǎn)品只有在一些玩具中用到，由此可想利用語音技術(shù)進(jìn)行汽車控制這一領(lǐng)域蘊(yùn)涵著相當(dāng)大的潛在市場。

　　而且，說話人識別技術(shù)已經(jīng)發(fā)展到可以應(yīng)用到實(shí)際的階段了，但目前對說話人識別的應(yīng)用并不是很多。筆者嘗試提出一種比較容易實(shí)現(xiàn)的方案，將說話人識別技術(shù)應(yīng)用到實(shí)際中。但在實(shí)際應(yīng)用中，說話人識別系統(tǒng)都面臨一個(gè)共同的問題，即無法區(qū)分一個(gè)發(fā)音是現(xiàn)場發(fā)音還是錄音回放。針對該現(xiàn)象，筆者提出的說話人識別系統(tǒng)可以有效地防止這種情況發(fā)生。具體實(shí)現(xiàn)說話人識別系統(tǒng)時(shí)，可采用隨機(jī)或其它方法來生成提示文本。如隨機(jī)的數(shù)字串，以使假冒者無法事先錄音，增加駕駛的安全性。