基于CNN與Bi-LSTM的唇語識別研究

駱天依 劉大運 李修政 房國志 安欣 魏華杰 胡城

摘要：針對唇語識別過程中唇部特征提取和時序關系存在的問題，提出一種卷積神經(jīng)網(wǎng)絡（CNN）和雙向長短時記憶網(wǎng)絡（Bi-LSTM）相結合的深度學習模型。利用CNN學習唇部特征，并將學習到的唇部特征送入Bi-LSTM進行時序編碼，通過Softmax進行分類。建立NUMBER DATASET和PHRACE DATASET兩個大型漢語數(shù)據(jù)集以解決漢語唇語數(shù)據(jù)缺失問題。將該模型與傳統(tǒng)的唇語識別方法在兩個數(shù)據(jù)集上進行實驗對比，發(fā)現(xiàn)在NUMBER DATASET上識別準確率為81.3%，比傳統(tǒng)方法提高了8.1%，在PHRACE DATASET上識別準確率為83.5%，比傳統(tǒng)方法提高了9%。實驗結果表明該模型能有效提高唇語識別的準確率。

關鍵詞：唇語識別;卷積神經(jīng)網(wǎng)絡;雙向長短時記憶網(wǎng)絡;深度學習;時序編碼

DOI：10.11907/rjdk.191058開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2019）010-0036-04

0引言

唇語識別指通過觀察人說話時唇部特征變化，識別出入所說的話。作為智能化人機交互的重要組成部分，唇語識別技術由于具有方便快捷、安全度高等特點，逐漸應用在輔助語音識別、協(xié)助警方破案、提高人臉識別安全性等眾多領域。

目前，大多數(shù)研究主要集中在唇部檢測定位、特征提取以及對樣本數(shù)據(jù)的訓練幾方面。在唇部檢測定位方面，田原螈等提出基于YCbCr膚色檢測與AdaBoost聯(lián)級算法的嘴部特征定位，采用自適應閾值分割法進行唇部特征狀態(tài)分析。在特征提取方面，王嘩等通過改進的主動形狀模型（Active Shape Model，ASM），計算標定點間平均紋理和協(xié)方差矩陣實現(xiàn)對人臉表情的識別。雖然這種方法直觀地獲得了唇部特征參數(shù)，但模型對唇部初始位置和形狀十分依賴，不能很好地適應唇部復雜多變的紋理結構。在樣本數(shù)據(jù)訓練方面，Alan J.Goldschen等利用隱馬爾可夫模型（Hidden Markov Model，HMM）和層次聚類算法，實現(xiàn)對口腔動態(tài)特征的識別;Jfirgen Schmidhuber提出基于長短時記憶單元（Long Short-Term Memory，LSTM）的遞歸結構，解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）梯度消失的問題。LSTM考慮了過去信息對當前信息的影響，馬寧等將LSTM運用到唇語識別，有效解決了唇讀信息多樣性問題。然而LSTM沒有考慮未來信息對當前信息的影響，在一定程度上影響了識別準確率。

針對以上問題，本文提出一種基于卷積神經(jīng)網(wǎng)絡（Con-volutional Neural Network，CNN）和雙向長短時記憶網(wǎng)絡（Bidirectional-Long Short-Term Memory，Bi-LSTM）的深度學習方法，充分利用CNN捕捉局部特征以及Bi-LSTM捕捉時序信息的特點，無需考慮唇部紋理特征并將未來信息對當前信息的影響考慮在內，實現(xiàn)了對數(shù)字0-9和10個常用漢語短語的唇語識別。

1唇語識別模型

基于CNN和Bi-LSTM的唇語識別模型如圖1所示，該模型由4個部分組成：①唇讀視頻預處理;②利用CNN模型學習唇部特征;③利用Bi-LSTM模型提取唇動時序特征;④利用分類器進行特征分類。

1.1輸入層

首先將視頻轉換成圖片，然后利用dlib庫提取唇部的20個特征點，根據(jù)這20個特征點確定唇部位置和裁取范圍，裁出唇部隨時間變化的特征圖像序列，將唇動序列送人輸入層。

1.2CNN模型

CNN是一種專用于處理類似網(wǎng)格結構數(shù)據(jù)的神經(jīng)網(wǎng)絡，包含卷積層、池化層和全連接層3個單元。多層卷積層和池化層交替排列自主學習，在保留訓練樣本主要特征的同時防止過擬合，并提高模型泛化能力。全連接層對前面學習到的特征進行加權處理，得到各種分類情況概率。

如圖2所示，輸入層、卷積層和池化層均只有一個。假設輸入層和卷積層之間存在m個卷積核，根據(jù)卷積層計算公式可以得到卷積層輸出的第m個特征面：

類比這類計算方法，可以得到多卷積層情況下的全連接層。

本實驗采用CNN對唇部特征進行學習。將輸入層內容送人CNN后，卷積層用采樣器從視頻中采集唇部關鍵特征信息數(shù)據(jù)，池化層對卷積層結果進一步壓縮，提取到唇部更關鍵的特征信息，全連接層對池化層結果進行整合，最終將學習到的唇部特征送人到Bi-LSTM中。

1.3Bi-LSTM模型

LSTM網(wǎng)絡主要由遺忘門（forget gate）、輸入門（inpulgate）及輸出門（output gate）構成。遺忘門決定從上一單元中丟失哪些信息，輸入門的輸入信號為h（t-1）和X（t），輸出門輸出信號h（t）介于0和1之間，見圖3。

輸出門最終確定LSTM單元的輸出值。首先運行一個sigmoid層確定細胞狀態(tài)的哪個部分將輸出出去，之后經(jīng)過非線性變換得到最終輸出。

2實驗結果與分析

2.1數(shù)據(jù)集建立

唇語識別研究剛剛起步，有關唇語方面的數(shù)據(jù)集很少，其中較具有影響力的數(shù)據(jù)集如下：

（1）OuluVS數(shù)據(jù)集。包含20個說話人，語料為每人讀10個日常問候短語。

（2）MIRACL-VC數(shù)據(jù)集。5男10女錄制的同時包含深度圖和彩色圖的唇語數(shù)據(jù)集，由微軟Kinect錄制，語料為每人讀10個單詞和10個短語各10次的視頻。

（3）哈工大HIT Bi-CAV語料庫。語料為10人基于96個音讀出的200個常用漢語句子。

這些視頻數(shù)據(jù)大部分為外文發(fā)音，并且大多是針對特定的拍攝技術和場地要求建立的數(shù)據(jù)集，無法滿足中文數(shù)字0-9和短語語料要求。因此，筆者根據(jù)需求分別構建了中文數(shù)字數(shù)據(jù)集NUMBER DATASET和中文短語數(shù)據(jù)集PHRACE DATASET。

NUMBER DATASET數(shù)據(jù)集由10人錄制5天完成，每人每天讀0-9各10遍，共計5000個視頻的普通話唇語數(shù)據(jù)集。本數(shù)據(jù)集的視頻分辨率為480×640，幀率約為25fps，時長約為2s，見圖5。

PHRACE DATASET數(shù)據(jù)集的建立方法和NUMBERDA7ASET相同，分別錄制了唇讀生活中10種常見水果名稱的視頻，將此作為短語數(shù)據(jù)集的主要內容。

2.2實驗設置

分別對NUMBER DATASE7和PHRACE DATASET兩個數(shù)據(jù)集采用分層抽樣的方式，抽取500個樣本作為測試數(shù)據(jù)，其余樣本作為訓練數(shù)據(jù)。將測試數(shù)據(jù)與訓練數(shù)據(jù)分離開進行交叉驗證，以更好地評估模型的泛化能力。基于上述訓練集和測試集，設置了18個唇部特征點+LSTM、CNN+LSTM和CNN+Bi-LSTM三組對比實驗，以驗證模型的有效性。

三組實驗的神經(jīng)網(wǎng)絡模型均采用Keras搭建并基于Tensorflow后端。

在18個唇部特征點+LSTM的實驗中，本實驗設置與馬寧等的實驗設置一致。

在CNN+LSTM實驗中，圖像特征提取的CNN部分采用在ImageNet上預訓練過的VGGl6。VGGl6使用連續(xù)的小卷積核對圖像進行多次卷積，在圖像特征提取中表現(xiàn)較好。而本實驗中VGGl6模型對最上面的5層進行fine-tuning，其它層的參數(shù)不變以適應本文實驗數(shù)據(jù)。對于輸入的每幀RGB圖像（初始大小為（128，128，3）），經(jīng)過VGG抽取后的特征向量為（4，4，512），然后采用Flatten方法將三維特征向量轉為一個大小為8192的一維向量，使其能夠作為LSTM的輸入。同時為避免直接輸入LSTM的數(shù)據(jù)過大，還應在CNN與LSTM之間加入一個神經(jīng)元數(shù)為2048的全連接層以減小LSTM輸入的數(shù)據(jù)量。然后使用Keras中Time Distributed層為視頻序列中每個CNN網(wǎng)絡輸出連接一個LSTM，整個模型輸出為10個神經(jīng)元的全連接層，全連接層的激活函數(shù)則采取適用于多分類問題的softmax函數(shù)。

在CNN+Bi-LSTM實驗中，僅將LSTM替換為Bi-LSTM，其余實驗設置與第二組實驗設置一致。

2.3實驗結果

本文選取識別準確率作為評價指標，識別準確率定義如下：

表1和表2分別展示了3種模型在NUMBER DA7AS-ET和PHRACE DATASET數(shù)據(jù)集上的識別準確率。從表中可以看出，采用CNN+LSTM方法比采用18個唇部特征點+LSTM方法的單詞識別準確率提高了5.6%，短語識別準確率提高了6.1%。采用CNN+Bi-LSTM方法比采用CNN+LSTM方法在單詞識別準確率和短語識別準確率分別提高了2.5%和2.9%。采用CNN識別特征信息時無需考慮特征對象復雜多變的紋理特征，比采用傳統(tǒng)的特征點提取特征信息容錯率更高。同時，Bi-LSTM考慮了未來信息對于當前信息的影響，對于唇語識別準確率提升是切實有效的。實驗結果表明，CNN和Bi-LSTM相結合的方法識別準確率最高。

3結語

通過對現(xiàn)有深度學習技術和傳統(tǒng)唇語識別技術研究，發(fā)現(xiàn)傳統(tǒng)唇語識別方法存在以下問題：①唇部特征提取時用特征點替代唇部特征不能很好地體現(xiàn)唇部特征;②在時序編碼時LSTM并未捕獲未來信息對當前信息的影響。針對以上問題，本文提出了一種基于CNN和Bi-LSTM相結合的唇語識別方法，通過CNN有效地學習唇部特征，通過Bi-LSTM捕獲上下文信息。實驗結果表明，CNN和Bi-LSTM相結合的唇語識別方法，對于提高唇語識別準確率作用明顯。本實驗還有待完善的地方，如訓練數(shù)據(jù)不夠、語料數(shù)據(jù)集僅包含數(shù)字和漢語短語等等，后期將針對以上問題進一步改進。