低信噪比環境下語音端點檢測技術

韋莎麗，王 健，曾慶寧，鄭展恒

(桂林電子科技大學 信息與通信學院，廣西 桂林 541004)

0 引 言

常用的端點檢測技術[1,2]有能零法、譜距離法[3]、經驗模式分解(empirical mode decomposition, EMD)法[4,5]、相關函數法、方差法、譜熵法[6]等。這些端點檢測方法在信噪比較高時檢測性能較好，但卻不大適用于低信噪比環境[7]。采用簡單的去噪方法來增強語音是噪聲環境下提高端點檢測性能的一種解決方法。常用的減噪方法有維納濾波法、自適應濾波器和譜減法[1]。近年來，研究學者針對低信噪比下語音端點檢測正確率不高的問題開展了大量研究，由EMD分解和多窗譜估計對語音去噪，結合Teager能量算子和過零率進行端點檢測[8]。結合譜減法的自適應子帶選擇的頻帶方差進行端點檢測[9]。把對數能量與自相關函數結合[10]，將多窗譜估計和能熵比相結合的檢測算法[11]，取得較好效果，但復雜度較高。

為解決現有端點檢測算法在低信噪比環境下檢測正確率不高及穩定性較差的問題，本文先增強語音后結合EMD分解和改進的自相關函數進行雙參數雙門限端點檢測。仿真結果表明，在-10 dB-5 dB的不同噪聲環境下能較準確地區分出語音信號的有話段和無話段。

1 語音去噪增強

1.1 調制域

生活中接收到的語音信號幾乎都帶有噪聲。想要獲得清晰的語音信號，就得對帶噪信號減噪。常用的譜減法、多窗譜估計法、對數最小均方誤差法、維納濾波法等在信噪比較高時去噪效果較好，但在低信噪比時去噪效果往往不太理想[12]。因此，需要找到一種適用于低信噪比環境下的去噪方法。常見的信號處理方法通常是在時域和頻域中進行，而隨著頻率源的廣泛應用和調頻技術的快速發展，調制域逐漸被應用到語音信號處理中[13]。時域以時間和幅度軸為坐標，頻域以頻率和幅度為坐標，調制域則以頻率和時間軸為坐標，表示頻率隨時間的變化規律。三者的空間坐標關系如圖1所示。

圖1 空間坐標

設生活中接收到的信號由純凈語音和加性噪聲組成，則帶噪語音信號可以表示為

x(n)=s(n)+d(n)

(1)

式中：x(n) 為帶噪語音信號，s(n) 為純凈語音信號，d(n) 為噪聲信號。帶噪信號分幀后，經過短時傅里葉變換(short-time Fourier transform，STFT)得到以極坐標表示的頻譜[14]

X(k,ω)=|X(k,ω)|ej∠X(k,ω)

(2)

式中：k為幀數，ω為離散頻率， |X(k,ω)|、 ∠X(k,ω) 分別表示信號的幅度譜和相位譜。對幅度譜 |X(k,ω)| 做STFT后得到調制域頻譜

X(λ,ω,η)=|X(λ,ω,η)|ej∠X(λ,ω,η)

(3)

式中：λ為調制域的幀數，ω為離散頻率，η為調制域的頻率， |X(λ,ω,η)| 表示調制域的幅度譜， ∠X(λ,ω,η) 為調制域的相位譜。對調制域幅度譜使用譜減法得到改進的調制幅度譜，如下

(4)

式中：α代表的是過減因子(α≥1)，β表示的是增益補償因子(0<β≤1)， |Δ(λ,ω,η)| 表示的是調制域的噪聲幅度譜估計，由式(5)更新噪聲

|Δ(λ,ω,η)|2=ρ|Δ(λ-1,ω,η)|2+
(1-ρ)|X(λ,ω,η)|2

(5)

式中：ρ表示遺忘因子，由噪聲的平穩程度決定，當信號處于噪聲段時根據式(5)更新噪聲譜。

1.2 調制域相位補償

目前很多改進的譜減法大都忽略了含噪信號中相位的重要性，只對幅度做出相應的調整。而相關研究表明，調制域相位能從語音信號中獲得更多有用信息，處理調制域相位可以進一步抑制音樂噪聲，提高語音的質量[14]。

首先，通過噪聲的幅度譜估計 |Δ(λ,ω,η)| 計算出相位補償度數

Λ(λ,ω,η)=μφ(η)|Δ(λ,ω,η)|

(6)

式中：μ為常數，φ(η) 為反對稱函數，φ(η) 可表示如下

(7)

(8)

進而得到調制域的相位補償公式如下

(9)

式中：ARG表示復數的幅角。

(10)

綜上可知調制域譜減法的原理如圖2所示。

圖2 調制域譜減法原理

1.3 去噪仿真實驗

為檢驗調制域譜減法的去噪效果，將其與常見的基本譜減法和多帶譜減法進行對比。仿真實驗選用noisex-92噪聲庫中的高斯白噪聲、高速行駛的車內噪聲(volvo)和戰斗機駕駛艙噪聲(f16)。噪聲采樣率為8 KHz，純凈語音的采樣率為16 KHz。實驗所用信號的信噪比為-8 dB，分幀的幀長設為32 ms，幀移設為8 ms。去噪效果如圖3～圖5 所示。

圖3 高斯白噪聲下去噪效果

圖4 volvo噪聲下去噪效果

圖5 f16噪聲下去噪效果

由圖3～圖5顯示的對比結果可知，多帶譜減法在3種噪聲條件下的去噪效果是三者中最差的，尤其是在高斯白噪聲條件下，減噪后語音信號依然被噪聲淹沒，在volvo噪聲及f16噪聲下去噪后雖然語音沒完全被噪聲覆蓋，但信號中依舊存在大量噪聲。3種噪聲環境下多帶譜減法去噪后僅將信噪比提高了8 dB左右?；咀V減法在高斯白噪聲及volvo噪聲環境下去噪效果較為理想，比較適用于volvo噪聲，但去噪后的信號出現很多毛刺現象，在f16噪聲下效果較差，毛刺現象極為嚴重，語音嚴重失真。本文采用的調制域譜減法在3種噪聲環境下的去噪效果均優于對比的基本譜減法和多帶譜減法，尤其適用于volvo噪聲環境，可將信噪比提高21 dB。去噪后的信號幾乎不存在毛刺現象，并且語音失真情況遠遠優于基本譜減法和多帶譜減法，語音的保持度較好。由此可知，借助調制域譜減法在端點檢測的前端對帶噪語音信號進行消噪增強，在語音失真度較小的前提下提高信噪比，從而可為后期的端點檢測提供良好的語音數據，以望能提高檢測性能。

2 語音端點檢測

2.1 經驗模式分解端點檢測

2.1.1 經驗模式分解

本征模態函數(intrinsic mode function, imf)由Huang等于1998年提出，同時還提出經驗模式分解(empirical mode decom-position, EMD)。EMD的核心是把信號分解成不同的imf分量與一個余項的和，如式(11)所示

(11)

式中：i表示階數，ci(t) 表示第i階模式分量，rn(t) 表示原始信號的余項。每個imf代表一個頻率成分，表示信號的主要特征，而剩余分量表示信號的緩慢變化[15,16]。我們可以通過分析imf掌握信號的動態信息。部分imf的主要能量成分為噪聲分量，研究表明EMD分解的前兩階imf中含有白噪聲的75%分量，所以將含較多噪聲分量的前兩階imf去除，用余下的分量重新合成語音信號，即可實現對含噪語音信號的初步去噪。EMD分解的主要目的是將復雜信號分解為簡單的imf分量集，使得上下包絡線更加對稱。imf分量要滿足的兩個條件如下：

(1)在整個序列中，極值點與過零點的數量最多只能相差一個；

(2)在所有時間點上，信號局部極大值和局部極小值所確定的上下包絡線的均值必須處處為零[4]。

EMD方法是依據原信號局域時間的某些特性，將信號分解為imf的集合，這些模態函數涵蓋了原信號所有不同的頻率成分，并隨著信號的變化而改變。因此，可從不同的imf分量中獲得語音特征信息。在EMD分解后進行端點檢測的方法有很多，如EMD分解后計算各階imf的短時過零率法，EMD后計算imf分量的短時能量法，EMD分解后分別計算每個不同頻帶的高階統計量，然后根據系數的峭度變化進行端點檢測的方法等。本文主要研究EMD分解后根據Teager能量算子(Teager energy operator, TEO)計算信號能量的端點檢測法。

2.1.2 Teager能量算子

Teager能量算子(Teager energy operator, TEO)是由Kaiser提出的一種可獲取信號“能量”的算子，具有非線性，可在增強穩定及半穩定信號的同時減弱不穩定信號[16]。而語音信號中的有話部分是穩定或半穩定信號，無話部分是不穩定信號。Teager能量算子能在表征信號幅度變化的同時表征信號的頻率變化，對語音具有很好的適用性。

離散時間序列的TEO定義如下

T[xi(m)]=[xi(m)]2-xi(m+1)xi(m-1)

(12)

式中：xi(m) 為語音信號x(n) 加窗分幀后的第i幀信號，N為幀長，m=1,2,…,N。

2.2 自相關函數主副峰比值的端點檢測

語音和噪聲的一個重大區別在于語音的濁音段呈周期性而大部分噪聲沒有周期性。信號的自相關函數的周期性通常與原信號相同，且周期也相同。根據這一性質，求取一段含噪語音信號的自相關函數可判別出語音信號和噪聲[10]。

語音信號具有短時平穩的特性，對語音信號x(n) 分幀后的第i幀信號設為xi(m)， 其幀長設為N， 延時量為k， 則第i幀信號的短時自相關函數為

(13)

定義主峰與最大副峰比值為

(14)

式中：R(0) 為主峰幅值，Rm為最大副峰幅值。

含噪語音信號的有話幀和噪聲幀歸一化后的自相關函數曲線如圖6所示。

圖6 有話幀和噪聲幀短時自相關函數曲線

由圖6可知有話幀和噪聲幀的最大幅度值為1，有話幀的最大副峰約為0.3，噪聲幀的最大副峰約為0.1，故有話幀的主副峰比值約為3.3，噪聲幀的主副峰比值約為10，兩者相差很大，可依此判別語音和噪音。

然而，在現實環境中噪聲隨機性會比較大，含有的高頻成分可能比較多，尤其是在低信噪比環境下,自相關函數主副峰比值波形在噪聲段易出現起伏不定的情況，從而影響檢測結果。因此，僅依靠自相關函數主副峰值比進行端點檢測并不可靠，需要做出改進。

2.3 改進的自相關函數端點檢測

漢語中含元音的韻母能量較大，而噪聲段的能量則很低，故可根據短時能量判別語音和噪音。短時能量由下式計算可得

(15)

則每幀信號的對數能量為

LEi=lg(1+Ei/c)

(16)

式中：c為大于1的常數，此處取c=2。 含噪語音的短時能量和對數能量的曲線如圖7所示。

圖7 含噪語音的短時能量和對數能量曲線

由圖7可知含噪信號的對數能量幅值沒有劇烈跳變，對短時能量曲線起一定的平滑作用，并在一定程度上提高及穩定有話段能量的幅度。因此考慮將信號的對數能量運用于端點檢測。

一段語音的自相關函數主副峰比值和短時過零率如圖8所示。

圖8 自相關函數主副峰值比和過零率曲線

根據圖8可知自相關函數主副峰比值和短時過零率在噪聲段有較大的值，語音段有較小的值，且自相關函數主副峰比值曲線比過零率曲線更加平滑且穩定。端點檢測常用的短時能量除以過零率法是根據語音段能量較大，而過零率較小，噪聲段則相反的原理用能量值除以過零率可拉大語音和噪聲的差距依次判斷語音和噪聲段。根據這一原理把對數能量除以自相關函數主副峰值比亦可判斷出語音和噪聲段。二者的曲線如圖9所示。

圖9 含噪語音的短時能量和對數能量曲線

根據圖9可知對數能量除以自相關函數主副峰比值在語音和噪聲交界處的曲線更加陡峭，并且幅值更高更穩定，更易區分出語音和噪聲。

2.4 TEO結合改進自相關函數端點檢測

對于低信噪比環境下檢測正確率不高及穩定性較差的問題，需要研究一種新的端點檢測方法，能在強噪聲的惡劣環境下改善端點檢測的性能，提高正確率。對此，本文提出了結合調制域譜減法的基于Teager能量算子和改進自相關函數的端點檢測法，具體步驟如下：

(1)對帶噪的語音信號通過調制域譜減法去除噪聲，提高含噪語音的信噪比。

(2)對去噪后的語音信號進行EMD分解，得到一系列imf分量，用除前2階外的其它階imf分量重構語音信號。

(3)對重構后的語音信號進行加窗分幀處理，并對每幀信號進行二次EMD分解，得到一組新的imf分量，由式(14)計算imf分量Teager能量值的均值，根據每幀信號的Teager能量平均值設置端點檢測的相應門限閾值。

(4)對步驟(1)中調制域譜減去噪后的語音信號進行加窗分幀處理。

(5)求步驟(4)中每幀信號的對數能量、自相關函數及其主副峰比值，歸一化后用對數能量除以相關函數主副峰比值，并依此設置端點檢測的另一門限閾值。

(6)依據雙參數雙門限法進行端點檢測。

3 實驗結果及分析

在仿真實驗中，用M-AUDIO公司的M-TRACK EGIHT音頻采集器進行數據采集，錄制背景為相對安靜的大小為8*5*3立方米的室內環境。實驗所用的語音內容為“小白小白，打開音箱”，采樣頻率為16 kHz。實驗所用的噪聲采樣頻率都是8 kHz，采樣精度均為16 bit。對語音信號分幀，幀長wlen=512個采樣點數，幀移inc=128個采樣點數。實驗平臺選擇MATLAB仿真工具。

本文研究低信噪比環境下的語音端點檢測算法，針對實際環境中常見的高斯白噪聲、volvo車內噪聲和f16噪聲3種噪聲環境進行仿真。分別在5 dB、0 dB、-5 dB、-10 dB 信噪比環境下進行實驗。為驗證本文算法的可行性，采用兩種經典的算法以及兩個近兩年提出的改進算法與本文的算法進行對比，分別是：①多帶譜減法與短時能量-過零率結合法；②基本譜減法結合子帶分離頻帶方差法；③吳進等提出的文獻[8]中的EMD和改進譜減法結合的端點檢測算法；④陳澤偉等提出的文獻[10]的改進自相關函數的端點檢測方法。以下所有圖中的豎實線的位置表示語音開始點，豎虛線代表結束點。

為了研究不同噪聲環境下端點檢測的正確率，需要對純凈語音進行檢測作為參考。圖10表示純凈語音的端點檢測結果。

圖10 純凈語音端點檢測結果

圖11是高斯白噪聲環境下信噪比為-10 dB的5種算法檢測結果。

由以上5幅圖可知在高斯白噪聲-10 dB信噪比條件下，5種算法的檢測效果分析如下：

對比算法1：結合多帶譜減的能量-過零率法在低信噪比下出現錯檢和漏檢情況，去噪后的語音信號依然被噪聲淹沒，“白”、“打”和“音”字被誤判為噪聲。由于語音信號被噪聲覆蓋，故短時平均能量和過零率曲線波動平緩，參數的閾值門限不好設置，易出現誤判情況。

對比算法2：結合基本譜減法的子帶分離頻帶方差法，端點檢測的結果也較好，但是“音”字被誤判為噪聲，段末的尾音均未被檢出。語音強度較弱的部分方差幅值較低且平緩，閾值門限設置困難。

對比算法3：文獻[8]的多窗譜估計結合EMD和過零率法，語音基本上能被檢測出來，但能量較小的“音”字沒完全檢出，依然存在語音漏檢情況。

對比算法4：文獻[10]的改進相關函數檢測法把“打”字判成了兩個音，而“音”字卻并未檢測出來，連音部分被分開，且尾音部分被截掉。

圖11 高斯白噪聲下-10 dB檢測結果

本文算法在高斯白噪聲-10 dB信噪比條件下由于經過調制域譜減法及EMD分解去噪，提高了信噪比，故端點檢測效果較好，只出現輕微的截斷尾音現象，這是因為在 -10 dB 信噪比下語音被噪聲淹沒，尤其是輕音和尾音部分，在使用調制域譜減法對含噪語音進行去噪時把尾音當作噪聲也給去掉了。并且在連音部分并未出現間斷情況，有話幀在可接受的范圍內算是完全被正確檢測出來，而對比的4種算法都出現發音較輕的“音”字未被檢出。由此可見本文算法在高斯白噪聲-10 dB信噪比條件下抗噪性能好，檢測正確率高，魯棒性較好。

本文共對3種噪聲環境下的4種信噪比情況進行研究，作為參考對比的算法共有4個，而由于空間版面有限，除高斯白噪聲環境下信噪比為-10 dB的5種算法檢測結果外，其它情況下檢測結果的正確率以折線圖的形式給出。圖12(a)～圖12(c)分別是在高斯白噪聲、volvo和f16噪聲環境下5種檢測算法的正確率折線圖。橫坐標表示信噪比，縱坐標表示端點檢測的正確率，其中正確率計算方式如下

式中：誤判幀數包括噪聲幀檢測為語音幀和語音幀檢測為噪聲幀。

圖12 不同噪聲環境下的檢測正確率

從圖12可以看出，5種算法在不同噪聲環境下隨著信噪比的不斷提高，檢測正確率都呈現上升趨勢。結合多帶譜減的能量-過零率法及結合基本譜減法的子帶分離頻帶方差法在3種噪聲低信噪比環境下的端點檢測正確率均不理想，特別是結合多帶譜減的能-零法在高斯白噪聲和f16噪聲信噪比低于-5 dB區域的正確率嚴重下降。這是因為在低信噪比下，語音中含有很多反復穿過坐標軸的噪聲，產生了大量的虛假過零率，造成嚴重的端點誤判，導致檢測正確率極低。文獻[8]方法在volvo噪聲和高斯白噪聲條件下檢測正確率較高，尤其適用于volvo噪聲環境。但在f16噪聲下正確率較低，這說明該方法的適用性不夠強。文獻[10]方法在高斯白噪聲和f16噪聲環境下檢測性能較好，在信噪比高于-5 dB區域檢測正確率較高，但在volvo噪聲環境下檢測性能呈直線下降趨勢?？梢娫摲椒ú贿m用于volvo噪聲環境。本文提出的端點檢測算法在高斯白噪聲、volvo、f16這3種噪聲環境下，檢測的正確率明顯高于4種對比的算法。本文算法結合了文獻[8]和文獻[10]算法的優點，在高斯白噪聲和volvo噪聲環境下檢測的正確率都很高，在f16噪聲環境下雖然整體正確率低于另外兩種噪聲環境，但其依然明顯高于對比的4種算法，本文算法的檢測正確率隨著信噪比的減少稍有降低，而對比的4種算法的正確率卻大幅度下降。本文算法除了在f16噪聲信噪比低于-5 dB區域檢測正確率低于90%，其它情況下正確率均高于90%。這說明本文算法在低信噪比環境下檢測效果優于對比的兩種傳統方法和近兩年提出的兩種新端點檢測法，對噪聲環境的適應性較強，抗噪性能較好，并具有良好的魯棒性。

4 結束語

本文通過對Teager能量算子、對數能量和自相關函數的研究，提出了一種借助調制域譜減法去噪后進行EMD分解并計算其TEO能量，再結合改進自相關函數的端點檢測方法。該方法在端點檢測前端對帶噪信號進行減噪，為后續的檢測創造良好的數據條件，以便能更加準確地提取信號特征。最后結合TEO能量算子和改進相關函數利用雙門限法對信號進行端點檢測。實驗結果證明，本文算法在不同類型的低信噪比環境下能有效提高含噪語音端點檢測的質量，降低誤識和漏識率，具有一定的抗噪性和穩定性，適用范圍更廣。但是，由于本文算法加入調制域譜減算法，并進行EMD分解重構再結合改進的相關函數法，增加了算法的計算復雜度，相較于單個算法運行時間較久，并且在實際環境中背景噪聲的隨機性大，如何在保持算法的準確度的前提下縮短運行時間并使其能適應混合復雜噪聲環境將是以后研究的重點。