基于共振峰諧波特征和支持向量機的VDR人聲檢測方法

李正友，李天偉，黃 謙

(1.大連艦艇學(xué)院 航海系，遼寧大連116018; 2.中國人民解放軍69029 部隊，新疆 烏魯木齊830011)

0 引 言

船舶航行數(shù)據(jù)記錄儀(voyage data recorder，VDR)是現(xiàn)代船舶的必備設(shè)備。安裝VDR 的目的是“為了以一種安全和可恢復(fù)的方式，保存有關(guān)船舶發(fā)生事故前后一段時間的船舶位置、動態(tài)、物理狀況、命令和操縱的信息”［1］，在船舶事故原因調(diào)查中能夠發(fā)揮重要作用。由于存儲容量限制，VDR 采用由新數(shù)據(jù)覆蓋舊數(shù)據(jù)的循環(huán)存儲方式［2］。這要求VDR 主機必須能在第一時間準(zhǔn)確判斷事故是否已經(jīng)發(fā)生并及時關(guān)閉，以保留事故發(fā)生前后存儲的寶貴數(shù)據(jù)。檢測20 min 內(nèi)有無人聲是目前最常用的VDR 主機停機條件之一。由于駕駛室環(huán)境是各種人聲(不同的說話人、說話內(nèi)容、語言類型等)和各種非人聲(如海浪聲、風(fēng)聲等)的混合聲音，因此VDR 人聲檢測的目的在于判斷一段聲音是否是語音，或者判斷其中是否含有語音。

目前，國內(nèi)外在聲音識別領(lǐng)域的研究包括識別不同說話人特征的說話人識別及識別不同語義特征的語音識別、識別不同情感狀態(tài)特征的情感識別等。它們的共性是在已知該聲音是語音的前提下，研究語音的某一方面特征，而VDR 人聲檢測則是需要判斷一段聲音是否是語音或者判斷其中是否含有語音。由于語音和環(huán)境的多變性，說話人識別、語音識別或情感識別中應(yīng)用廣泛的特征參數(shù)(如MFCC、LPCC 等)，在人聲檢測中應(yīng)用效果并不理想。本文從語音的產(chǎn)生機理出發(fā)，結(jié)合駕駛室環(huán)境下各種聲音的特點，提出采用共振峰諧波特征(formant-consonance characteristic，F(xiàn)CC)來進(jìn)行人聲檢測。在分類方法方面選擇了泛化能力較強的支持向量機(support vector machines，SVM)分類方法。

1 共振峰諧波特征提取

語音的產(chǎn)生主要是聲門激勵和聲道調(diào)制的結(jié)果，這是語音區(qū)別于其他任何聲音的本質(zhì)特征。聲道可以看成是1 個具有某種諧振特性的腔體，其一組諧振點稱為共振峰，共振峰的位置及各個峰的寬度決定了聲道的頻譜特性［3］。由于聲門激勵不同，產(chǎn)生了濁音、清音、爆破音等不同類型的語音，其中濁音占據(jù)了大部分語音能量和時長。濁音的聲門激勵是準(zhǔn)周期的脈沖序列，它有豐富的諧波成分［3］，反映了聲門激勵特征。因此共振峰和諧波特征可以有效區(qū)分駕駛室環(huán)境下人聲和非人聲。

共振峰信息包含在頻譜包絡(luò)之中，頻譜包絡(luò)的極大值就是共振峰［4］。圖1(a)和圖1(c)實線所示為人聲和海浪聲的頻譜，虛線所示為各自的譜包絡(luò);圖1(b)和圖1(d)所示分別為去除共振峰信息后剩余信號的頻譜。從圖1(a)實線所示語音信號頻譜圖中可以明顯地看出共振峰和諧波，計算圖1(a)虛線所示的頻譜包絡(luò)后，共振峰更加明顯，語音信號去除共振峰信息后剩余的信號頻譜如圖1(b)所示，諧波特征非常明顯，而且其諧波頻率與原始語音頻譜的諧波頻率相等;圖1(c)和圖1(d)所示的海浪聲頻譜則不具備語音信號的上述特征。

共振峰提取方法已經(jīng)提出了多種，目前主要有2 類:倒譜法和線性預(yù)測分析(linear prediction analysis，LPA)法［4-6］。倒譜法是對原始語音信號進(jìn)行傅立葉變換的對數(shù)幅度譜進(jìn)行逼近，然后進(jìn)行反傅立葉變換得到時域的倒譜系數(shù)。倒譜系數(shù)的低時部分?jǐn)y帶了聲道的信息，可以通過倒譜系數(shù)表示的頻譜包絡(luò)來估計共振峰頻率，但是存在倒譜系數(shù)的長度不確定的問題，并且在頻域中處理計算的復(fù)雜度較高［5］。線性預(yù)測法是共振峰檢測領(lǐng)域的主流算法，它首先求出線性預(yù)測系數(shù)，然后用線性預(yù)測系數(shù)估計聲道的譜包絡(luò)，再用峰值檢出法算出共振峰頻率［6］。本文采用線性預(yù)測法檢測共振峰，用線性預(yù)測殘差信號檢測諧波。圖2所示為采用線性預(yù)測法分別對語音和非語音信號進(jìn)行檢測的結(jié)果。

圖1 語音信號和關(guān)門聲信號頻譜對比Fig.1 Spectrum comparison of speech signal and the sound of closing door

從大量語音信號和非語音信號的檢測結(jié)果來看，濁音語音信號的共振峰頻率和帶寬與音素及說話人有關(guān)。同一說話人發(fā)同一個濁音，其共振峰頻率和帶寬基本不變;不同說話人發(fā)同一個濁音，其共振峰頻率和帶寬相差不大;同時語音濁音音素的個數(shù)有限，其共振峰頻率和帶寬在一定范圍內(nèi)變化;而非語音信號頻譜包絡(luò)的峰值頻率和帶寬十分不穩(wěn)定。對語音信號進(jìn)行線性預(yù)測殘差分析后，都能得到相對穩(wěn)定的諧波，其殘差頻譜峰值較少，峰值之間的間隔相差不大。因此本文采用聲音信號LPA 譜前3個峰的頻率F1～F3、LPA 殘差信號譜的0 ～2 000 Hz 范圍內(nèi)波峰的個數(shù)Nr和相鄰波峰頻率間隔的方差Sr等參數(shù)作為VDR 人聲檢測的主要特征參數(shù)。

圖2 語音信號和非語音信號共振峰諧波對比Fig.2 Formants and resonances comparison of speech and non-speech signals

2 基于SVM 的人聲檢測

支持向量機(support vector machine，SVM)以統(tǒng)計學(xué)習(xí)理論作為堅實的理論依據(jù)，具有簡潔的數(shù)學(xué)形式、直觀的幾何解釋和良好的泛化能力，避免了局部最優(yōu)，有效克服了“維數(shù)災(zāi)難”，能夠較好地解決線性不可分問題。近年來，它在實踐方面取得了比傳統(tǒng)分類器更優(yōu)的分類性能［7］。基于SVM 的VDR 人聲檢測實際上是提取信號的某些聲學(xué)特征、利用SVM 解決語音和非語音的2 類分類問題。

在SVM 的訓(xùn)練階段，給定訓(xùn)練樣本集{xi，ti}，i=1，2，…，N，xi為n 維特征向量，ti∈{-1，+1}(ti=1 表示語音，ti=-1 表示非語音)，求解高維映射空間內(nèi)分類間隔最大的最優(yōu)超平分類面(w，b)。約束條件為

求解下列函數(shù):

式中:φ(·)為非線性映射函數(shù);ξi為松弛變量;C為用于平衡錯分樣本比例與算法復(fù)雜度的常量。

在SVM 測試階段，其最優(yōu)分類函數(shù)為

式中:η 為判決門限;sgn(·)為符號函數(shù);f(x)=1 表示觀測量x 是語音，反之為非語音。

3 實驗結(jié)果及分析

語音與非語音的范圍非常廣泛，但VDR 人聲檢測僅僅需要區(qū)分駕駛室環(huán)境下少數(shù)人的語音和環(huán)境噪聲即可。以在海上實際采集的海浪聲、風(fēng)聲、海鳥叫聲、船笛聲、船舶主機工作聲、駕駛室內(nèi)部分設(shè)備工作聲等非語音以及典型10 名話者語音構(gòu)成語料庫。

在獲得訓(xùn)練樣本時，對于語音信號，需要先進(jìn)行語音能量檢測及清濁判別，每個語音信號可以得到多個濁音段。對每個濁音段分幀，再采用LPC 方法對每一幀數(shù)據(jù)提取共振峰諧波特征參數(shù)。對于非語音信號，經(jīng)過能量檢測后，直接分幀，對每幀信號提取特征參數(shù)。將語音和非語音信號提取的特征參數(shù)組合到一起，構(gòu)成SVM 的訓(xùn)練樣本，其中部分訓(xùn)練樣本如表1所示。在進(jìn)行人聲識別測試時，無論是語音還是非語音信號，都經(jīng)過能量檢測后直接分幀，再提取特征參數(shù)，輸入SVM 進(jìn)行分類。如果一個聲音信號有連續(xù)多幀被SVM 判別為語音，則該聲音為語音信號。

表1 部分訓(xùn)練樣本Tab.1 Part of training samples

表2 人聲檢測正確率(%)比較Tab.2 Comparison of speech detection accuracy rate (%)

本文開展了2 個實驗。實驗1 從不同說話人對同一濁音音素的發(fā)音中提取特征參數(shù);實驗2 從不同說話人對不同濁音音素的發(fā)音中提取特征參數(shù)，再加上從各種非語音中提取的特征參數(shù)，構(gòu)成訓(xùn)練樣本和測試樣本。實驗結(jié)果如表2所示，從檢測正確率上可以看出，如果僅考慮對不同說話人的同一個濁音音素進(jìn)行檢測，采用MFCC 參數(shù)和FCC 參數(shù)都獲得了較高的正確率;但如果考慮對不同說話人的不同濁音音素進(jìn)行檢測，則采用MFCC 參數(shù)和SVM 的人聲檢測正確率下降到67.4%，而采用FRC參數(shù)和SVM 的人聲檢測正確率雖然有所下降，但仍高達(dá)92.6%。

4 結(jié) 語

VDR 人聲檢測需要對語音和其他聲音進(jìn)行區(qū)分，它并不像一般的語音識別研究那樣在已知該聲音是語音的前提下研究語音的某一方面特征，而是要研究語音區(qū)別于其他聲音的特征。語音有規(guī)律的諧波成分和共振峰是人類發(fā)音的一個顯著特點。本文從語音的共振峰和諧波中提取特征參數(shù)，并利用SVM 分類器進(jìn)行二元分類判別，獲得了較好的檢測效果。

［1］GDXXX-2001 船載航行數(shù)據(jù)記錄儀檢驗指南［S］.中國船級社，2001.

GDXXXX-2011 Testing guide for shipborne voyage data recorder［S］.Chinese Maritime Office，2001.

［2］IEC61996:2000 (E).Shipborne voyage data recorder(VDR)-performance requirements-methods of testing and required test results［S］.IEC，2000.

［3］鮑長春.數(shù)字語音編碼原理［M］.西安:西安電子科技大學(xué)出版社，2007.13-16.

BAO Chang-chun.Principles of digital speech coding［M］.Xi′an:Xi′an Electronic Technology University Press，2007.13-16.

［4］趙力.語音信號處理［M］.北京:機械工業(yè)出版社，2005.76-80.

ZHAO Li.Processing of speech signals［M］.Beijing:Mechanism Industry Press，2005.76-80.

［5］王曉亞.倒譜在語音的基音和共振峰提取中的應(yīng)用［J］.無線電工程，2004，34(1):57-59.

WANG Xiao-ya.Cepstrum usage for pitch and formant detection［J］.Radio Engineering of China，2004，34(1):57-59.

［6］成新民.情感語音信息中共振峰參數(shù)的提取方法［J］.湖州師范學(xué)院學(xué)報，2003，25(6):76-80.

CHENG Xin-min.The method analysis of formant parameters picked-up in sensibility speech communication［J］.Journal of Huzhou Techers Colloge，2003，25(6):76-80.

［7］張曉雷.基于支持向量機與多觀測復(fù)合特征矢量的語音端點檢測［J］.清華大學(xué)學(xué)報(自然科學(xué)版)，2011，51(9):1209-1214.

ZHANG Xiao-lei.Support vector machine based VAD using the multiple observation compound feature［J］.Journal of Tsinghua University(Science and Techonology)，2011，51(9):1209-1214.