基于MFCC相似度和譜熵的端點檢測算法

摘 要： 為提高低信噪比環境下語音端點檢測的準確率，提出了一種基于Mel倒譜參數相似度和譜熵的端點檢測算法。首先，提取語音幀的的Mel頻率倒譜參數，將前十幀聲信號作為背景噪聲，然后計算每一幀語音和噪聲MFCC的相關系數距離，結合MFCC相似距離與譜熵做綜合判決。實驗結果表明，在低信噪比環境下此方法相對譜熵法能夠提高檢測準確率。

關鍵詞： 語音信號處理； 端點檢測； Mel頻率倒譜參數； 相關系數； 譜熵

中圖分類號： TN912.3?34 文獻標識碼： A 文章編號： 1004?373X（2013）21?0067?03

0 引 言

端點檢測算法一直是語音信號處理的一個研究熱點，準確的端點檢測可以提高語音識別的準確率，用于語音增強則可以準確地更新噪聲譜。傳統的端點檢測算法采用短時能量、過零率和自相關系數等方法，在低信噪比條件下性能下降明顯。許多新的端點檢測方法相繼被提出，如在語音端點檢測中應用希爾伯特變換[1]、基于譜熵的端點檢測[2]、基于高階統計量的特征[3]等等，然而以上方法在強噪聲環境下仍然不夠理想。Mel倒譜系數能較好地構造人的聽覺模型，譜熵有較好的檢測效果。本文通過對兩種特征綜合加權得到一個表現更穩健的新特征，該方法能在多種噪聲環境下得到較好的效果，提高了譜熵法在低信噪比環境下檢測的準確率。

1 算法描述

1.1 MFCC相似度計算

人耳對低頻信號感知靈敏，對高頻信號則感知模糊，不同頻率范圍內的語音信號會引起人耳基礎膜不同位置的振動[4]。MFCC通過構造帶通濾波器組來模仿人耳的聽覺特性，減少噪聲對語音的干擾。

在提取MFCC特征參數之前，對聲信號做預加重、加窗、分幀等預處理[5]。定義一個有[M]個三角帶通濾波器的濾波器組，將預處理后的頻譜能量乘以三角帶通濾波器，得到每個濾波器的輸出能量：

式中：[Xa（k）]為信號的傅里葉變換；[Hm（k）]為三角帶通濾波器的頻率響應。將每個三角濾波器的輸出[S（m）]取對數，從而得到相應頻帶的對數功率譜。對得到的對數功率譜做DCT變換，得到MFCC[6]：

相似度是用來測量兩個對象之間相似程度的，本文采用了相關系數距離來測度MFCC參數的相似度。假定聲信號前10幀為背景噪聲，求前10幀MFCC參數的平均值，得到背景噪聲的MFCC參數近似初始值。為使當前參數能實時追蹤背景噪聲，對背景噪聲的MFCC參數按下列公式更新[6]：

式中：[C]為前10幀背景噪聲的MFCC均值；[α]為加權因子；[Cn]為當前幀的MFCC參數。求每一幀MFCC參數[Cn]與[Cnoise]的相似距離[d（Cn，Cnoise）]，得到MFCC相關系數距離曲線。按下式求解相關系數距離：

1.2 譜熵特征計算

語音抽樣頻率為8 kHz，對語音分幀和加窗，幀長為32 ms，按幀間50%的重疊進行256點的FFT變換[7]。語音的能量主要集中在250～3 500 Hz，將該頻譜范圍內的信號分為13個子帶，根據子帶信噪比的不同調整其在整個譜熵計算中的權值[8]。每個子帶的能量為：

[Si=（GkR2k）] （5）

式中：[Rk]為對應子帶的傅里葉變換的第[k]個幅度值，[Gk]為加權因子，[Gk]的估計公式為[9]：

1.3 兩種特征聯合檢測

熵在信息論中表示信息的有序程度，語音信號的有序程度遠高于噪聲的有序程度[10]。Mel頻率模擬了人耳的聽覺特性，提取語音和噪聲的MFCC并利用它們的相關系數距離進行端點檢測，可以在低信噪比環境下較好地區分語音段和非語音段。這兩種特征冗余度低，本文對兩種特征值分別賦予權重構造出一個新的特征，利用新的特征值進行端點檢測。

當信噪比低于-5 dB時，MFCC相似度檢測方法準確率高于譜熵法，為了獲得盡可能高的準確率，在信噪比低于-5 dB時賦予MFCC相似度特征更高的權值。本文通過計算當前幀各子帶先驗信噪比的和來估計當前幀的信噪比，定義如下：

[SnrSumi=j=1nξ（j）] （11）

基于MFCC相似度與譜熵的新特征定義如下：

[Ti=（4+20/SnrSumi）di+Hi，SnrSumi≤204di+Hi，SnrSumi>20] （12）

2 實驗結果與分析

實驗選用了兩類噪聲，一類是選自NOISEX?92噪聲庫的白噪聲、坦克噪聲，另一類噪聲由短波接收機采集得到，合成的帶噪語音信號信噪比為-10～10 dB。將端點檢測函數的判決結果與源文件進行比較，計算判決的準確率。其中，錯誤幀數等于語音錯判為噪聲的幀數加上噪聲錯判為語音的幀數，準確率為判斷準確的幀數占總幀數的百分比。

圖1中，實線表示一段語音的開始，虛線為該段語音的結尾。（a）為純凈語音，（b）為帶噪語音，（c）為新特征的檢測結果，（d）為譜熵端點檢測結果，（e）為MFCC相似度端點檢測結果。從圖（d）看出，譜熵法未檢測出圖（a）中第5、8、9、12段語音；從圖（e）看出，MFCC相似度未檢測出圖（a）中第4段語音；從圖（c）可以看出本文提出的方法可以得到更高的準確率，漏檢最少。

圖2給出的是在信噪比為-5 dB時短波信道噪聲下，三種算法的檢測效果。由人耳辨別語音并在圖（a）中標示出語音段的位置。隨著信噪比的提高，MFCC相似距離相對譜熵法檢測的準確率有所下降，但二者聯合得到的新特征仍具有較高的準確率。

MFCC相似距離算法性能比較結果

由圖3可以看出，在-10～-5 dB之間，在坦克噪聲、白噪聲及短波信道噪聲下，與譜熵法比較，算法性能有了改善，在0 dB以上所提算法與譜熵法性能接近。當信噪比降低至-5 dB以下時，譜熵法的漏檢逐漸增多，MFCC相似度距離檢測準確率較高。本文所選取的Mel倒譜特征是識別語音有效的特征，與譜熵法進行聯合判決時能得到更高的檢測率，表現出比單純使用譜熵法更好的性能。

3 結 論

本文提出了一種基于MFCC和譜熵的端點檢測算法。Mel頻率很好地模擬了人耳的聽覺特性，提取出的語音和噪聲的MFCC相似度距離可以很好地識別語音段和非語音段，與譜熵法聯合使用時可以得到更高的檢測率。實驗結果表明，該算法性能良好，改善了譜熵法在低信噪比下的表現。

參考文獻

[1] 劉伯森，盧志茂.基于希爾伯特-黃變換的低信噪比語音端點檢測[J].吉林大學學報：工學版，2011，41（3）：844?848.

[2] 李曄，張仁志，崔慧娟，等.低信噪比下基于譜熵的語音端點檢測算法[J].清華大學學報：自然科學版，2005，45（10）：1397?1400.

[3] NUMER E， GOUBRAN R， MAHMOUND S. Robust voice activity detection using higher?order Statistics in the LPC residual domain [J]. IEEE Transaction on Speech and Audio Processing， 2001， 9（3）： 217?231.

[4] 王讓定，柴佩琪.語音倒譜特征的研究[J].計算機工程，2003，29（13）：31?33.

[5] 余建潮，張瑞林.基于MFCC和LPCC的說話人識別[J].計算機工程與設計，2009，30（5）：1189?1191.

[6] 王宏志，徐玉超，李美靜.基于Mel頻率倒譜參數相似度的語音端點檢測算法[J].吉林大學學報：工學版，2012，42（5）：1331?1335.

[7] 程塨，郭雷，趙天云，等.非平穩噪聲環境下的語音增強算法[J].西北工業大學學報，2010，28（5）：664?668.

[8] 王琳，李成榮.一種基于自適應譜熵的端點檢測改進方法[J].計算機仿真，2010，27（12）：373?375.

[9] COHEN I， BARUCH B. Speech enhancement for non?stationary noise environments [J]. IEEE Signal Processing，2001， 81（11）： 2403?2418.

[10] 徐大為，吳邊，趙建偉，等.一種噪聲環境下的實時語音端點檢測算法[J].計算機工程與應用，2003，24（1）：115?117.