说话人识别方法的研究

论文摘要

说话人识别作为生物认证技术的一种,是根据应用语音波形中反映说话人生理和行为特征语音参数,自动鉴别说话人身份的一种技术。与其它生物识别技术相比,说话人识别具有更为简便,经济及可扩展性良好等众多优势,可广泛应用于电话银行,数据库访问,计算机远程登录,安全验证,控制等领域。正因为说话人识别具有如此广阔的应用前景,国内外许许多多的工作者投身于这一领域的研究中。人的声道响应是反映说话人个性特征的重要的物理量。而语音信号中声道响应是和声门激励信息卷积在一起的。为了从语音信号中得到声道响应就必须对语音信号实现解卷积。本文介绍了对语音信号实现解卷积求取倒谱系数的两种方法:线性预测分析和同态分析处理。通过对语音信号进行解卷积,从而获得与声道响应有关的倒谱系数,组成特征向量。说话人识别中有许多先进有效的识别技术,其中高斯混合模型(GMM)由于性能较好、复杂度小、方法简单,是目前最好的说话人识别算法之一。本文介绍了GMM模型的概念、模型参数的估计以及GMM的识别算法,并通过实验研究分析了GMM模型的阶数对识别性能的影响。本文阐述了小波分析理论应用于语音增强的原理,并将基于自适应阈值小波去噪算法应用于说话人识别系统的预处理。实验结果表明,这种方法具有语音增强效果,应用于噪声环境下的说话人识别系统时,能够提高系统的鲁棒性。通过分析当今说话人识别系统中常用的一些特征参数,以提高说话人识别的识别率为目的,研究了将Mel频率倒谱(MFCC)、线性预测倒谱(LPCC)及它们的一阶差分和基音周期等多种特征有效结合进行说话人识别的方法。采用自相关法提取基音周期。经过实验证明,使用多特征有效结合比使用单个特征效果要好,能在一定程度上提高系统区分说话人的能力。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 说话人识别研究的意义
• 1.2 国内外研究现状
• 1.3 说话人识别技术的应用前景
• 1.4 说话人识别目前研究的难点和热点
• 1.4.1 说话人识别研究的难点
• 1.4.2 说话人识别研究的热点
• 1.5 论文的主要研究内容和结构安排
• 第2章 基础理论
• 2.1 说话人识别的基本原理
• 2.1.1 说话人识别的分类
• 2.1.2 说话人识别的过程及系统框架
• 2.1.3 说话人识别的主要方法
• 2.2 说话人特征提取
• 2.2.1 预处理
• 2.2.2 特征评价
• 2.2.3 语音信号的倒谱分析
• 2.3 语音信号小波分析时频原理
• 2.3.1 短时傅立叶变换
• 2.3.2 Grossmann—Morlet小波变换
• 2.4 本章小结
• 第3章 基于高斯混合模型的说话人识别
• 3.1 高斯混合模型的概念
• 3.2 EM算法
• 3.2.1 最大似然估计
• 3.2.2 EM算法原理
• 3.2.3 用EM算法估计 GMM的参数
• 3.3 应用于说话人识别的 GMM系统
• 3.4 本章小结
• 第4章 小波语音增强在说话人识别中的应用
• 4.1 小波语音增强方法的原理
• 4.1.1 小波变换与信号的奇异性
• 4.1.2 语音信号与噪声的小波变换特性
• 4.1.3 带噪语音信号的小波变换增强算法
• 4.2 实验结果与分析
• 4.2.1 实验所采用的语音数据
• 4.2.2 语音增强效果实验
• 4.2.3 应用于说话人识别系统的实验
• 4.3 本章小结
• 第5章 基于 GMM的多特征有效组合说话人识别
• 5.1 数据来源及数据的预处理
• 5.2 实验的模块框图
• 5.3 实验结果和分析
• 5.3.1 建立语音库仿真
• 5.3.2 端点检测仿真
• 5.3.3 MFCC特征参数提取仿真
• 5.3.4 系统基本性能的研究
• 5.3.5 加入动态参数的的识别实验
• 5.3.6 不同特征组合实验
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历