一种无前导静音段语音的端点检测方法
【专利摘要】本发明属于语音信号处理技术领域，一种无前导静音段语音的端点检测方法，包括以下步骤：步骤1、采用LMS自适应算法对带噪语音滤波，步骤2、将去噪后的语音从时域变换到频域，步骤3、计算每一帧的MFCC参数，步骤4、分别计算每一帧的谱熵，步骤5、采用FCM对语音信号进行分类，步骤6、计算步骤5中每类的平均谱熵，并标记出语音信号和噪声信号。本发明方法无需设置阈值，因此不会出现因设置阈值错误而造成端点检测错误；与神经网络等有监督的聚类方法相比，本方法无需训练样本，计算简单，快速，有利于后续的实时语音识别系统的设计。
【专利说明】
-种无前导静音段语音的端点检测方法
技术领域
[0001] 本发明设及一种无前导静音段语音的端点检测方法，属于语音信号处理技术领 域。
【背景技术】
[0002] 随着人机信息交互技术的发展，语音识别技术显示出其重要性。在语音识别系统 中，语音端点检测是语音识别中的关键技术之一。语音端点检测是指在有噪声的连续声音 信号中找出语音部分的起始点和终止点。端点检测的准确与否，会直接影响到语音识别系 统的性能。一种有效的端点检测方法不仅能够正确的检测出语音端点，而且能够减少数据 处理时间、节省存储空间和提高效率。
[0003] 由于需求的不同，比如计算精确性、算法复杂度、鲁棒性、响应时间等，不同的应用 会选择不同的端点检测算法。传统的基于阔值的端点检测算法，首先需要设定一个阔值，然 后提取每一帖语音信号的语音特征（比如短时能量、短时过零率等）与预先设定的阔值比 较。如果该语音帖的语音特征值大于阔值，就认为该帖是语音帖，否则该帖是噪声帖。通常 来说正常的语音信号中包含一些静音部分，一次双方通话中静音部分能够达到60%，在运 种静音比较多的情况下，基于阔值的双口限算法有很好的性能。然而，当语音信号没有前导 静音段时，双口限算法的性能下降地很快，因为基于阔值的方法，需先确定阔值，并假设开 始几帖信号是不包含语音的噪声信号。由于在语音端点检测的过程中，可能会有一段语音 没有前导静音段或者前导静音段比较短，那么语音阔值就会设置错误，所W如果语音信号 不满足运个假设，预先定义的阔值将是不可用的，端点检测就会出错。
【发明内容】
[0004] 为了克服现有技术中存在的不足，本发明目的是提供一种无前导静音段语音的端 点检测方法。该方法首先采用LMS(Least Mean Square)自适应滤波法对语音信号进行降噪 处理，然后将语音信号分帖，计算每一帖信号的MFCC(Mel Frequency Cepstrum Coefficient)参数和谱赌，Mel是音高的单位，再用MFCC作为FCM(化zz;y C-means)聚类算法 的输入参数进行分类，最后计算每一类的平均谱赌，来标记出语音类和噪声类，从而检测出 语音端点。
[0005] 为了实现上述发明目的，解决已有技术中所存在的问题，本发明采取的技术方案 是:一种无前导静音段语音的端点检测方法，包括W下步骤：
[0006] 步骤1、采用LMS自适应算法对带噪语音滤波，具体包括W下子步骤：
[0007] (a)、设有语音信号s(n)及噪声信号源VQ(n)，可W认为噪声信号源VQ(n)在传播到 人耳过程中，经过了一个传递函数为Η的滤波器，输出为vi(n)的信号叠加在语音信号上，得 到带噪语音d(n)，
[000引 d(n) =s(n)+vi(n) (1)
[0009] (b)、设有LMS自适应滤波器从另一个接近噪声信号源v〇(n)处对其滤波，得到滤波 后的信号y(n)，该LMS自适应滤波器用于模拟子步骤(a)中的传递函数为Η的滤波器；
[0010] (C)、去噪后的语音信号记为χ(η)，贝。
[0011] χ(η) =d(n)-y(n) (2)
[0012] 步骤2、将去噪后的语音从时域变换到频域，具体包括W下子步骤：
[0013] (a)、设置帖长和帖重叠长度，帖长的设置，由于语音信号是一个准平稳的信号，通 过把它分成较短的帖，每帖可看作平稳信号，运样就可W用处理平稳信号的方法来处理，同 时为了使一帖与另一帖信号之间的参数能较平稳的过度，在相邻两帖之间互相有部分重 叠，还需设置帖重叠长度；
[0014] (b)、加窗处理，分帖，加窗函数的目的是减少频域中的泄漏，对每一帖的语音信号 乘W汉明窗，去噪后的语音信号x(n)经过分帖和加窗处理后为xi(m)，xi(m)表示第i帖信号 中的第m个分量值；
[0015] C)、采用FFT将语音信号的每一帖从时域变换到频域，对每一帖信号进行FFT变换， 从时域变换为频域，其表达式为
[0016] X(i,k)=FFT[xi(m)] (3)
[0017] 式中，X(i，k)表示第i帖信号中的第k条谱线；
[0018] 步骤3、计算每一帖的MFCC参数，具体包括W下子步骤：
[0019] (a)、计算谱线能量，对每一帖FFT后的数据计算谱线的能量，其表达式为
[0020] E(i，k) = [X(i，k)]2 (4)
[0021] 式中，E(i，k)表示第i帖信号中第k条谱线的能量；
[0022] (b)、计算通过Mel滤波器的能量，把求得的每帖谱线能量谱通过Mel滤波器，并乘 W在该Mel滤波器中的能量，在频域中相当于把每帖的能量谱E( i，k)与Mel滤波器的频率响 应Hm化)相乘并相加，其表达式为
[002引
(5)
[0024] 式中，S(i，m)表示第i帖中第m个Mel滤波器的谱线能量，Μ表示Mel滤波器的个数，N 表不每一帖序列长度；
[0025] (C)、计算MFCC参数，把Mel滤波器的能量取对数后计算DCT，其表达式为，
[0026]
(6)
[0027] 式中，mfccQ ,η)表示第i帖MFCC参数中的第η个分量；
[0028] 步骤4、分别计算每一帖的谱赌，具体包括W下子步骤：
[0029] (a)、计算频谱分量的归一化概率密度，由步骤3子步骤(a)中可知，E(i，k)为第i帖 信号第k条谱线的能量，则归一化概率密度为，
[0030]
(7)
[0031] 式中，Pi化)为第i帖信号第k条谱线对应的概率密度，E(i，l)为第i帖信号第1条谱 线的能量，0。如/2，N为FFT长度；
[0032] (b)、计算每一帖的谱赌，表达式为，
[0033]
(8)
[0034] 式中，hi为第i帖的谱赌；
[0035] 步骤5、采用FCM对语音信号进行分类，具体包括W下子步骤：
[0036] (曰）、由步骤3子步骤(C)中，可设mfcck为第k帖信号的MFCC特征参数，W该参数作 为FCM的输入参数，使目标函数
[0037]
巧）
[003引在
>厂/(二巧条件下具有最小值，
[0039]式中，mfcck= [mfccik,mfcc2k,... ,mfccsk]T表示目标数，mfccjk表示第k帖MFCC特征 mfcck的第j个分量值，S表示每一帖特征的维数，￥=[乂扣]=[乂1，乂2，一，乂。]01^^嗦示包含聚 类中屯、的矩阵，V/，反：e|^0·。，U=[Uik]eReXn表示隶属度矩阵，m表示模糊系数，me (l，w)，表示模糊程度，II · II2表示欧式范数；由拉格朗日乘数法，得如下更新方程，
[0044] (b)、选择模糊系数111，111￡(1，^)，聚类数〇,2<^3和6,6为很小的正常数；
[0045] (C)、设1为迭代次数，由公式uu-u可W得到yw，其中uu-ii为U的第次迭代值，V W为V的第1次迭代值；
[0046] (d)、采用式(11)、（12)和yW更新隶属度矩阵uW;
[0047] (e)、如果
，停止更新，否则设置1 = 1 + 1并返回子步骤 (C)，其中媒为化k的第1次迭代值；
[004引步骤6、计算步骤5中每类的平均谱赌，并标记出语音信号和噪声信号，谱赌较大的 是噪声，较小的是语音。
[0049]本发明有益效果是:一种无前导静音段语音的端点检测方法，包括W下步骤:步骤 1、采用LMS自适应算法对带噪语音滤波，步骤2、将去噪后的语音从时域变换到频域，步骤3、 计算每一帖的MFCC参数，步骤4、分别计算每一帖的谱赌，步骤5、采用FCM对语音信号进行分 类，步骤6、计算步骤5中每类的平均谱赌，并标记出语音信号和噪声信号。与已有技术相比， 本方法无需设置阔值，因此不会出现因设置阔值错误而造成端点检测错误；与神经网络等 有监督的聚类方法相比，本方法无需训练样本，计算简单，快速，有利于后续的实时语音识 别系统的设计。
【附图说明】
[0050] 图1是本发明方法步骤流程图。
[0051] 图2是采用本发明方法检测无前导静音段语音字母"A"端点的结果图。
[0052] 图中：（a)是语音字母"A"的语音波形，（b)是本发明的端点检测结果，方形实点和 圆形空点表示检测出来的两类，方形实点表示语音类，圆形空点表示非语音类；（a)和(b)中 的实竖线是检测到的语音起始点，虚竖线是检测到的语音结束点。
[0053] 图3为传统双口限法用不同的参数检测无前导静音段字母Τ'端点与用本发明方 法检测的结果对比图。
[0054] 图中：（a)是语音字母"F"的语音波形，（b)是用能量作为双口限法的参数检测到的 端点，（C)是用方差作为双口限法的参数检测到的端点，（d)是用谱赌作为双口限法的参数 检测到的端点，（e)是本发明的端点检测结果，化）、（(3)、（(1)、（6)中实竖线为检测到的起始 点，虚竖线为检测到的结束点。
【具体实施方式】
[0055] 下面结合附图对本发明作进一步说明。
[0056] 如图1所示，一种无前导静音段语音的端点检测方法，包括W下步骤：
[0057] 步骤1、采用LMS自适应算法对带噪语音滤波，具体包括W下子步骤：
[0058] (a)、设有语音信号s(n)及噪声信号源VQ(n)，可W认为噪声源VQ(n)在传播到人耳 过程中，经过了一个传递函数为Η的滤波器，输出为vi(n)的信号叠加在语音信号上，得到带 噪语音d(n)，
[0059] d(n) =s(n)+vi(n) (1)
[0060] (b)、设有LMS自适应滤波器从另一个接近噪声信号源vo(n)处对其滤波，得到滤波 后的信号为y(n)，该LMS自适应滤波器用于模拟子步骤(a)中的传递函数为Η的滤波器，LMS 自适应滤波器的滤波阶数Μ=32，收敛因子μ = 0.001;
[0061] (C)、去噪后的语音信号记为χ(η)，βυ
[0062] χ(η) =d(n)-y(n) (2)
[0063] 步骤2、将去噪后的语音从时域变换到频域，具体包括W下子步骤：
[0064] (a)、设置帖长和帖重叠长度，帖长的设置，由于语音信号是一个准平稳的信号，通 过把它分成较短的帖，每帖可看作平稳信号，运样就可W用处理平稳信号的方法来处理，同 时为了使一帖与另一帖信号之间的参数能较平稳的过度，在相邻两帖之间互相有部分重 叠，还需设置帖重叠长度;设置分帖的参数，信号采样率fs = 16000Hz，设置帖长为12.5ms， 即每帖有200个采样点，设置帖移为10ms，即帖移位160个采样点，帖重合部分为40个采样 点。
[0065] (b)、加窗处理，分帖，加窗函数的目的是减少频域中的泄漏，对每一帖的语音信号 乘W汉明窗，去噪后的语音信号x(n)经过分帖和加窗处理后为xi(m)，xi(m)表示第i帖信号 中的第m个分量;用汉明窗加窗，窗长与帖长相同，对去噪后的语音信号x(n)进行分帖，分帖 后的语音X E R2?x54，此段语音有54帖，帖长为200。
[0066] (C)、采用FF門尋语音信号的每一帖从时域变换到频域，对每一帖信号进行FFT变 换，从时域变换为频域，其表达式为
[0067] X(i,k)=FFT[xi(m)] (3)
[0068] 式中，X(i，k)表示第i帖信号中的第k条谱线。
[0069] 步骤3、计算每一帖的MFCC参数，具体包括W下子步骤：
[0070] (a)、计算谱线能量，对每一帖FFT后的数据计算谱线的能量，其表达式为
[0071] E(i，k) = [X(i，k)]2 (4)
[0072] 式中，E(i，k)表示第i帖信号的第k条谱线的能量。
[0073] (b)、计算通过Mel滤波器的能量，把求得的每帖谱线能量谱通过Mel滤波器，并乘 W在该Mel滤波器中的能量，在频域中相当于把每帖的能量谱E( i，k)与Mel滤波器的频率响 应Hm化)相乘并相加，其表达式为，
[0074]
(5)
[0075] 式中，S(i，m)表示第i帖中第m个Mel滤波器的谱线能量，Μ表示Mel滤波器的个数，N 表不每一帖序列长度。
[0076] (C)、计算MFCC参数，把Mel滤波器的能量取对数后计算DCT，其表达式为，
[0077]
(6)
[007引式中，mfccQ ,η)表示第i帖MFCC参数中的第η个分量，得到MFCC= [mfccin] erSoxm 特征参数，（MFCC原有54帖语音特征，去掉首尾各两帖后，为50帖语音信号特征），取MFCC的 前16个分量得到MFCC特征，即MFCCeRwxis，如表1所示，求得的每一行是相应语音帖的特征 向量。
[0079]表 1
[0080]
[0081] 步骤4、分别计算每一帖的谱赌，具体包括w下子步骤：
[0082] (a)、计算频谱分量的归一化概率密度，由步骤3子步骤(a)中可知，E(i，k)为第i帖 信号第k条谱线的能量，则归一化概率密度为，
[0083]
(7)
[0084] 式中，Pi化)为第i帖信号第k条谱线对应的概率密度，N为FFT长度；
[0085] (b)、计算每一帖的谱赌，表达式为，
[0086]
(8)
[0087] 式中，山为第i帖的谱赌，得到谱赌H=比i]ERixw，如表2所示。
[0088] 表 2
[0089]
'[0090]~~步骤5、采用FCM对语音信号进行分类，具体包括W下子步骤I: ' ' '
[0091](曰）、由步骤3子步骤(C)中，可设mfcck为第k帖信号的MFCC特征参数，W该参数作 为FCM的输入参数，使目标函数
(9)
[0093] 在
.抑'/c = 1,2，···，"条件下具有最小值，
[0094] 式中，mfc(3k= [mfccik，mfcc2k,...，mfccsk]嗦示目标数，mfccjk表示第帥輔。0：特征 mfcCk的第j个分量，S表示每一帖特征的维数，V=[Vji] = [Vl，V2，···，Vc]δRsXe表示包含聚类 中屯、的矩阵，V/，A:w,i e[0，。，u=[uik]erxn表示隶属度矩阵，表示模糊系数，me(l, W)，表示模糊程度，I I · II2表示欧式范数；由拉格朗日乘数法，得如下更新方程，
[0099] (b)、选择模糊系数111，111￡(1，^)，聚类数(3,2<〇<3和6,6为很小的正常数，运里选 择模糊系数m = 2，聚类数C = 2和ε = 1 0-6;
[0100] (C)、设1为迭代次数，由公式沪-1句W得到yW;
[0101] (d)、采用式(11)、（ 12)和yw更新隶属度矩阵uw;
[0102] (e)、如勇
停止更新，否则设置1 = 1 + 1并返回子步骤 (C);最后得到的隶属度矩阵U= [Uik] eR2xw，iHk表示第k帖隶属于第i类的概率，1 y < 2，1 < k < 50，如表3所示，分类的结果如表4所示。
[0103] 表3
[0104]
[0107]步骤6、计算步骤5中每类的平均谱赌，并标记出语音信号和噪声信号，谱赌较大的· 是噪声，较小的是语音。通过计算得到类别1、类别2的平均谱赌分别为2.5776及3.5649,由 于2.5776<3.5649,所W类别1是语音，类别2是噪声。为了进一步体现本发明方法检测无前 导静音段语音端点方面的优势，做了更多的对比试验。图3为分别用能量、方差和谱赌作为 双口限法的参数检测无前导静音段语音"F"所得的结果与本方法的结果的对比图，很明显， 本发明方法更好。同时表5是对150个单词检测的结果，显然，传统的双口限端点检测方法在 检测此类语音时已经失效，而本发明方法有很好的检测效果。
[010引表5
[0109]
[0111]本发明优点在于:一种无前导静音段语音的端点检测方法，无需设置阔值，避免了 传统双口限端点检测方法因为阔值设置错误，而导致端点检测的错误，同时相对于神经网 络方法中，需先训练样本，本方法为无监督的方法，无需训练样本，计算简单，快速，实时性 好，为后续的实时语音识别系统的设计奠定了基础。
【主权项】
1. 一种无前导静音段语音的端点检测方法，其特征在于包括以下步骤： 步骤1、采用LMS自适应算法对带噪语音滤波，具体包括以下子步骤： (a) 、设有语音信号s(n)及噪声信号源vo(n)，可以认为噪声信号源vo(n)在传播到人耳 过程中，经过了一个传递函数为Η的滤波器，输出* νι(η)的信号叠加在语音信号上，得到带 噪语音d(n)， d(n) = s(n)+vi(n) (1) (b) 、设有LMS自适应滤波器从另一个接近噪声信号源v〇(n)处对其滤波，得到滤波后的 信号y(η)，该LMS自适应滤波器用于模拟子步骤(a)中的传递函数为Η的滤波器； (c) 、去噪后的语音信号记为x(n)，则 x(n)=d(n)-y(n) (2) 步骤2、将去噪后的语音从时域变换到频域，具体包括以下子步骤： (a) 、设置帧长和帧重叠长度，帧长的设置，由于语音信号是一个准平稳的信号，通过把 它分成较短的帧，每帧可看作平稳信号，这样就可以用处理平稳信号的方法来处理，同时为 了使一帧与另一帧信号之间的参数能较平稳的过度，在相邻两帧之间互相有部分重叠，还 需设置帧重叠长度； (b) 、加窗处理，分帧，加窗函数的目的是减少频域中的泄漏，对每一帧的语音信号乘以 汉明窗，去噪后的语音信号x(n)经过分帧和加窗处理后为 Xl(m)，Xl(m)表示第i帧信号中的 第m个分量； c)、采用FFT将语音信号的每一帧从时域变换到频域，对每一帧信号进行FFT变换，从时 域变换为频域，其表达式为 X(i ,k) =FFT[xi(m) ] (3) 式中，X(i，k)表示第i帧频谱中的第k条谱线； 步骤3、计算每一帧的MFCC参数，具体包括以下子步骤： (a) 、计算谱线能量，对每一帧FFT后的数据计算谱线的能量，其表达式为 E(i，k) = [X(i，k)]2 (4) 式中，E(i，k)表示第i帧信号的第k条谱线的能量； (b) 、计算通过Mel滤波器的能量，把求得的每帧谱线能量谱通过Mel滤波器，并乘以在 该Mel滤波器中的能量，在频域中相当于把每帧的能量谱E(i，k)与Mel滤波器的频率响应H m (k)相乘并相加，其表达式为式中，S(i，m)表示第i帧中第m个Me 1滤波器的谱线能量，Μ表示Me 1滤波器的个数，N表示 每一帧序列长度； (c) 、计算MFCC参数，把Mel滤波器的能量取对数后计算DCT，其表达式为，式中，mf cc (i，η)表示第i帧MFCC参数中的第η个分量； 步骤4、分别计算每一帧的谱熵，具体包括以下子步骤： (a)、计算频谱分量的归一化概率密度，由步骤3子步骤(a)中可知，E(i，k)为第i帧信号 第k条谱线的能量，则归一化概率密度为，式中，Pl(k)为第i帧信号第k条谱线对应的概率密度，E(i，l)为第i帧信号第1条谱线的 能量，0 < 1 < N/2，N为FFT长度； (b )、计算每一帧的谱熵，表达式为，式中，hi为第i帧的谱熵； 步骤5、采用FCM对语音信号进行分类，具体包括以下子步骤： (a)、由步骤3子步骤(c)中，可设mf cck为第k帧信号的MFCC特征参数，以该参数作为FCM 的输入参数，使目标函数式中，mfcck= [mfccik，mfcc2k,…，mfccsk]T表示目标数，mfccjk表示第k帧MFCC特征mfcck 的第j个分量，s表示每一帧特征的维数，[v j = ，…,表示包含聚类中心 的矩阵，Vf，h化e[0,l]，U=[Ulk]eiTXn表示隶属度矩阵，m表示模糊系数， me(l，ra)， 表示模糊程度，I I · I |2表示欧式范数；由拉格朗日乘数法，得如下更新方程，(13)、选择模糊系数111，1]1￡(1，〇〇)，聚类数(；，2<(3<8和￡，6为很小的正常数； (C)、设1为迭代次数，由公式U(w)可以得到V(1)，其中U(w)为U的第1-1次迭代值，V (1)为V 的第1次迭代值； (d) 、采用式(11)、（12)和V(1)更新隶属度矩阵U(1); (e) 、如果V"： max|i4f -<5,停止更新，否则设置1 = 1+1并返回子步骤(c)，其 中为ulk的第1次迭代值； 步骤6、计算步骤5中每类的平均谱熵，并标记出语音信号和噪声信号，谱熵较大的是噪 声，较小的是语音。
【文档编号】G10L25/87GK105825871SQ201610149314
【公开日】2016年8月3日
【申请日】2016年3月16日
【发明人】董明, 张超
【申请人】大连理工大学