基于語譜圖和神經網絡的聲紋識別研究

李蜜

基于語譜圖和神經網絡的聲紋識別研究

李蜜

（華中師范大學 物理科學與技術學院，湖北 武漢 430079）

隨著科技的不斷發展，人們對信息安全的要求越來越高，如何更簡單、更方便、更加安全地進行身份驗證變得異常重要．在卷積神經網絡（CNN）的基礎上，結合語譜圖和直方均衡增強算法對聲紋識別特征進行學習和訓練．模型使用非固定長度語音段，首先將語音段進行濾波、分幀、加窗和離散余弦變換得到語譜圖，再使用直方均衡算法將像素點不均勻分布語譜圖轉化成像素點能在整個灰度區間均勻分布的語譜圖，最后使用CNN對語譜圖進行特征訓練和身份認證．

聲紋識別；語譜圖；卷積神經網絡；圖像增強

隨著現代科技的不斷發展以及移動互聯網、物聯網等技術的普及，人們越來越致力于尋求高效安全的身份認證方法．聲紋識別是生物特征識別的一部分，它是通過提取說話人語音中的特征來驗證說話人身份的一種技術，與人臉識別和指紋識別相比，聲紋識別具有實現簡單、不易模仿、不會遺失等特點．

通過分析并深入研究了文獻[7-11]的具體模型，包括前期的預處理過程、說話人特征提取結構模型、分類方法，結合文獻模型的特點，本文使用CNN神經網絡算法，將說話人語音使用MFCC算法提取個性特征形成語譜圖，并將語譜圖進行統一規范．之后使用直方均衡化算法對語譜圖進行增強，使語譜圖像素點均勻分配，再使用CNN神經網絡進行特征訓練學習和自動識別，達到身份認證效果．本文使用的開發平臺為PyCharm，使用的神經網絡框架為Keras．

1 聲紋識別算法

1.1 語譜圖提取

特征參數提取在語音識別等方面廣泛應用，其算法線性預測編碼系數（LPC）算法、線性預測倒譜系數（LPCC）算法和梅爾倒譜系數（MFCC）算法[12]等．其中，MFCC算法在梅爾倒譜頻帶上是等距劃分的，頻率尺度值與實際頻率的對數分布更符合人耳的聽覺特性，但是MFCC算法會進行三角濾波，造成說話人信息丟失．因此，本文直接將語音信號進行分幀之后，進行傅里葉變換，取其對數形成語譜圖．

1.2 直方圖均衡圖像增強算法

直方圖均衡化是通過一個映射函數，將輸入的像素點不均勻的灰度圖像轉化為像素點能夠在整個灰度區間呈現均勻分布，拉伸圖像的灰度動態范圍[13]．通過這種映射關系的處理，重新計算每一個像素點上的新像素從而實現圖像增強．

直方圖均衡化算法：

沒有經過直方圖均衡化增強算法處理的語譜圖見圖1，經過直方圖均衡化增強算法處理之后的語譜圖見圖2．圖1、圖2為同一個說話人同一段語音，這２幅語譜圖呈肉眼可見區別．實驗結果表明，經過圖像增強處理后的圖片更能凸顯說話人信息．

圖2 圖像增強語譜圖

1.3 卷積神經網絡

圖3 CNN 模型

2 實驗部分

2.1 語音數據集

實驗采用AISHELL中文語音數據庫，其中包含400個說話人，共178 h的語音數據，語音采樣頻率為16 k．語料庫中的語音數據按8∶2的比例分為訓練集和測試集．在訓練集上隨機選取100個語音進行訓練，采用不同的迭代次數和抓取的訓練個數測試模型準確率．模型使用SoftMax回歸函數將神經網絡輸出轉換成概率分布，再使用交叉熵來計算預測的概率和實際的概率之差距離來訓練模型．

2.2 實驗分析

訓練集和測試集在不同迭代次數下的準確率和損失函數變化見圖4．由圖4可以看到，訓練集和測試集在迭代次數不同的條件下精確度（ACC）上升和損失函數（LOSS）下降．在設置的迭代次數為30次時，精度上升和損失降低速率均較為快速，且能趨于穩定；在設置的迭代次數為40次時，精度上升和損失降低速度與30次時基本一致，而在迭代后期出現過擬合情況．因此，本文選擇使用神經網絡對聲紋迭代30次來判斷其精確度．

圖4 不同迭代次數下的訓練集和測試集準確率和損失函數變化曲線

將本文方法與常用的聲紋識別模型CNN，GMM-UBM，GMM-SVM模型進行對比，在這些模型下的識別率見表1．

表1 不同模型下的識別率比較

從實驗結果可以看出，在CNN結合圖像增強算法之后識別率高于傳統的神經網絡CNN，LSTM模型以及傳統的聲紋識別模型．現階段基于神經網絡的聲紋識別模型都是以大數據為基礎，在大數據的基礎上進行說話人個性特征提取，再用神經網絡進行訓練和學習．同樣與傳統聲紋識別模型對比，傳統模型學習形式過于單一，不能完全保證將說話人特征全部學習，影響識別率．本文借鑒使用語譜圖和CNN網絡聲紋學習模型的方法，在語譜圖的基礎上進行圖像增強．該方法的優點在于將語譜圖上的說話人信息凹陷，便于網絡模型從語譜圖提取個性特征進行學習和訓練，提高識別率．

3 結語

本文采用語譜圖來表示聲紋特征，并利用卷積神經網絡對特征加以訓練的方法，實現了對聲紋信息的識別．在經過圖像增強之后聲紋識別有著較高的識別率，更好地反應了說話人的特征，提高了神經網絡對聲紋的學習和識別水平．

[1] Rabiner L R，Levinson S E，Sondhi M M．On the Application of Vector Quatiz-Ation and Hidden Markov Models to Speaker-Independent，Isolated Word Recognition[J]．Bell System Technical Journal，1983，62（4）：1075-1105

[2] Lawrence R，Rabiner．A tutorial on Hidden Markov Models and selected applications in speech recognition[J]．Processings of the IEEE，1989，77（2）：257-286

[3] Reynolds D A，Rose R C．Robust text-independent speaker identification using Gaussian mixture speaker models[J]．IEEE Transactions on Speech & Audio Processing，1995，3（1）：72-83

[4] 方曉．基于CPSO優化的BP神經網絡在說話人識別中的應用[C]//中國通信學會青年工作委員會．Proceedings of International Conference of China Communication and Information Technology（ICCCIT2010）．2010：299-303

[5] 余玲飛，劉強．基于深度循環網絡的聲紋識別方法研究及應用[J]．計算機應用研究，2019，36（1）：153-158

[6] 李靚，孫存威，謝凱，等．基于深度學習的小樣本聲紋識別方法[J]．計算機工程，2019，45（3）：262-267，272

[7] 張旺俏．基于VQ的聲紋識別研究[J]．中國科技信息，2007（7）：124-125，127

[8] 魯曉倩，關勝曉．基于VQ和GMM的實時聲紋識別研究[J]．計算機系統應用，2014，23（9）：6-12

[9] 陳仁林，郭中華，朱兆偉．基于BP神經網絡的說話人識別技術的實現[J]．智能計算機與應用，2012，2（2）：47-49

[10] 吳震東，潘樹誠，章堅武．基于CNN的連續語音說話人聲紋識別[J]．電信科學，2017，33（3）：59-66

[11] 余玲飛，劉強．基于深度循環網絡的聲紋識別方法研究及應用[J]．計算機應用研究，2019，36（1）：153-158

[12] 高銘，孫仁誠．基于改進MFCC的說話人特征參數提取算法[J]．青島大學學報：自然科學版，2019，32（1）：61-65，73

[13] 錢小燕．引導濾波的紅外圖像預處理算法[J]．科學技術與工程，2015，15（21）：32-33

Research on voiceprint recognition based on spectrogram and neural network

LI Mi

（School of Physical Science and Technology，Central China Normal University，Wuhan 430079，China）

With the continuous development of science and technology，people′ s requirements for information security are getting higher and higher，how to conduct authentication more easily，more conveniently and more securely becomes extremelyimportant．On the basis of convolutional neural network（CNN），the feature of voiceprint recognition is learned and trained by combining spectrogram and square equalization algorithm．The model uses a non-fixed-length speech segment．First，the speech segment is filtered，framed，windowed，and discrete cosine transformed to obtain a spectrogram．Then，a histogram equalization algorithm is used to convert the pixel uneven distribution profile into pixel points．A spectrogram that is uniformly distributed in the grayscale interval．Finally， the CNN is used to perform feature training and identity authentication on the spectrogram．

voiceprint recognition；language spectrum；convolutional neural network（CNN）；image enhancement

TP312

A

10.3969/j.issn.1007-9831.2020.04.008

1007-9831（2020）04-0039-04

2019-11-06

李蜜（1993-），女，湖北天門人，在讀碩士研究生，從事聲紋識別研究．E-mail：limi_1993@outlook.com