|
隨著計算機技術(shù)和信息技術(shù)的迅速發(fā)展，語音口令識別已經(jīng)成為了人機交互的一個重要方式之一。語音口令識別系統(tǒng)將根據(jù)人發(fā)出的聲音、音節(jié)或短語給出響應(yīng)，如通過語音口令控制一些執(zhí)行機構(gòu)、控制家用電器的運行或做出回答等。在數(shù)字信號處理芯片上已經(jīng)實現(xiàn)了語音口令識別系統(tǒng)或語音口令識別系統(tǒng)的部分功能，然而隨著嵌入式微處理器處理能力的大幅度提高，計算量大的語音口令識別算法已經(jīng)能夠通過嵌入式微處理器來完成，將語音口令識別系統(tǒng)與嵌入式系統(tǒng)相結(jié)合，發(fā)揮語音識別系統(tǒng)的潛力，使語音識別系統(tǒng)能夠廣泛應(yīng)用于便攜式設(shè)備中。 采用隱馬爾克夫模型(Hidden Markov MODEL，HMM) 描述語音信號的非平穩(wěn)性和局部平穩(wěn)性，HMM中的狀態(tài)與語音信號的某個平穩(wěn)段相對應(yīng)，平穩(wěn)段之間以轉(zhuǎn)移概率相聯(lián)系。由于HMM建模對語音信號長度和模型的混合度的要求都比較低，因此在現(xiàn)有的非特定人語音口令識別系統(tǒng)中，多采用狀態(tài)輸出具有連續(xù)概率分布的連續(xù)隱馬爾可夫模型(ConTInuous Density Hidden Markov MODEL，CDHMM)。 論文給出一種基于嵌入式系統(tǒng)的語音口令識別系統(tǒng)的設(shè)計方案，硬件系統(tǒng)的核心芯片是嵌入式微處理器，語音口令識別算法采用CDHMM。語音口令首先經(jīng)過預(yù)處理，提取MFCC(Mel-Frequency Ceptral Coefficients)特征參數(shù)，然后建立此口令的CDHMM模型，把所有語音口令的模型放在模型庫中，在識別階段，通過概率輸出*分，取*分最大的一個作為識別出的口令。將語音識別系統(tǒng)與嵌入式系統(tǒng)相結(jié)合，可以使語音口令識別系統(tǒng)廣泛應(yīng)用于便攜式設(shè)備中。 1 硬件電路的設(shè)計和工作原理 基于嵌入式系統(tǒng)的語音口令識別系統(tǒng)需要有接收語音信號的輸入芯片配合麥克風(fēng)實現(xiàn)將模擬語音信號轉(zhuǎn)換成數(shù)字信號的功能，然后由嵌入式微處理器對輸入的語音口令信號進(jìn)行處理。完成語音口令信號輸入功能的芯片采用的是PHILIPS公司的低功耗芯片UDAl341TS，供電電源電壓為3V，該音頻處理芯片由模數(shù)／數(shù)模轉(zhuǎn)換(ADC)、控制邏輯電路、可編程增益放大器(PGA)和數(shù)字自動增益控制器(DAGC)以及數(shù)字信號處理器等部分組成，能進(jìn)行數(shù)字語音處理。 芯片UDAl341TS采用標(biāo)準(zhǔn)的內(nèi)部集成電路聲音總線IIS(Inter IC Sound Bus)，該總線是由PHILIPS等公司共同提出的數(shù)字音頻總線協(xié)議，專門用于音頻設(shè)備之間的數(shù)據(jù)傳輸，目前很多音頻芯片和微處理器都提供了對IIS總線的支持。 IIS總線有三根信號線，分別是位時鐘信號BCK(Bit Clock)、字選擇控制信號WS(Word Select)和串行數(shù)據(jù)信號Data，由主設(shè)備提供串行時鐘信號和字選擇控制信號，IIS總線的時序如圖1所示。 WS也稱為幀時鐘信號，該信號的電平為低電平時，傳輸?shù)妮斎胍纛l數(shù)據(jù)信號是左聲道的音頻數(shù)據(jù)信號；信號WS的電平為高電平時，傳輸?shù)妮斎胍纛l數(shù)據(jù)信號是右聲道的音頻數(shù)據(jù)信號。BCK對應(yīng)著輸入音頻數(shù)據(jù)信號的每一位音頻數(shù)據(jù)，其頻率為2×采樣頻率×每個采樣值的位數(shù)。 與BCK同步的串行音頻數(shù)據(jù)信號采用補碼的形式傳輸，傳輸順序是高位先傳輸。IIS總線格式的信號無論有多少位有效數(shù)據(jù)，數(shù)據(jù)的最高位MSB總是出現(xiàn)在WS信號改變(也就是傳輸一幀數(shù)據(jù)信號開始)后的第2個串行數(shù)據(jù)信號SCLK脈沖位置。 通過上述IIS總線能夠得到輸入的音頻數(shù)據(jù)信號，而其它的信號如自動增益控制、輸入數(shù)據(jù)格式的選擇和輸入增益的控制等控制信號通過稱為“L3” 形式的接口總線傳輸。為了減少引腳數(shù)和保持連線簡單，該接口總線采用串行數(shù)據(jù)傳輸方式，接口總線由3條信號線組成：時分復(fù)用的數(shù)據(jù)通道線L3DATA、模式控制線L3MODE和時鐘信號線L3CLOCK。模式控制線L3MODE為低電平時的傳輸模式為地址傳輸模式；為高電平時的傳輸模式為數(shù)據(jù)傳輸模式。 語音口令識別系統(tǒng)的硬件電路的核心芯片是嵌入式微處理器Samsung S3C2440 AL，主頻為400MHz。三星公司推出的RISC微處理器S3C2440 AL具有低功耗、高性能等特點，可以廣泛應(yīng)用于便攜式設(shè)備中。S3C2440AL具有一個IIS總線音頻編碼／解碼接口，語音口令識別系統(tǒng)的硬件電路如圖 2所示。其IIS總線控制器通過5根信號線與UDAl34lTS編解碼芯片相連。這些5根信號線分別是：系統(tǒng)時鐘信號CDCLK：位時鐘信號I2- SSCLK；字選擇控制信號I2SLRCK；串行數(shù)據(jù)輸入信號I2SSDI；串行數(shù)據(jù)輸出信號I2SDO。S3C2440 AL使用L3接口傳輸其他(如自動增益控制、輸入數(shù)據(jù)格式的選擇和輸入增益的控制等)控制信號。為了使系統(tǒng)間能夠更好地同步，S3C2440AL需要向芯片UDAl341TS提供CDCLK，該時鐘信號的頻率可以選擇采樣頻率的256倍、384倍或512倍。 2 基于CDHMM的口令識別的軟件設(shè)計 2．1 口令識別的軟件系統(tǒng)框圖 語音口令識別的軟件系統(tǒng)分別由特征參數(shù)提取、語音模型庫和概率輸出*分三大模塊組成，如圖3所示：1)語音口令特征參數(shù)的提取，輸入不同的語音口令，首先要進(jìn)行特征參數(shù)提取，采用Mel頻率參數(shù)作為CDHMM的建模參數(shù)，Mel頻率參數(shù)是根據(jù)人耳的聽覺特性將語音信號的頻譜轉(zhuǎn)化為基于Mel頻率的非線性頻譜，然后轉(zhuǎn)換到倒譜域上。2)在訓(xùn)練階段，對不同的語音口令建立CDHMM模型。3)在口令識別階段，通過概率輸出*分對待測語音口令做出識別。 語音口令首先經(jīng)過預(yù)處理，提取MFCC特征參數(shù)，然后建立此口令的CDHMM模型，把所有語音口令的模型放在模型庫中，在識別階段，通過概率輸出*分，取*分最大的一個作為識別出的口令。 2．2 CDHMM算法 HMM是一種雙重隨機過程，用概率統(tǒng)計的方法描述語音信號的產(chǎn)生及變化過程。HMM的模型參數(shù)為λ=(N，M，π，A，B)，其中，N為模型中馬爾克夫鏈的狀態(tài)數(shù)目；M為每個狀態(tài)對應(yīng)的可能的觀察數(shù)目；π為初始狀態(tài)概率矢量，π=(π1，…，πN)；A為狀態(tài)轉(zhuǎn)移矩陣，A=(aij)N*N；B 為觀察概率矩陣，B=(bjk)N*N。 CDHMM的B不再是一個矩陣，而是一組觀察值概率密度函數(shù)，由M個連續(xù)高斯密度函數(shù)描述： N(o，ujk，∑jk)為多維高斯概率密度函數(shù)，o是觀察矢量序列，即從語音中提取的特征矢量參數(shù)(o1，o2，…，ot)，t為觀察矢量序列的時間長度。ujk，∑jk分別為高斯分布的均值和方差參數(shù)，Cjk為高斯分布的權(quán)值，滿足約束條件 CDHMM參數(shù)估計采用“分段K-平均法”。初始模型可以隨機選取，由 是改進(jìn)后的模型，再將作為初始值，重新估計。 基于“分段K-平均法”的CDHMM參數(shù)估計具體過程為： (1)設(shè)置模型參數(shù)初始值λ=(π，A，B)。 (2)根據(jù)此λ用Viterbi算法將輸入的訓(xùn)練語音數(shù)據(jù)劃分為最可能的狀態(tài)序列，利用狀態(tài)序列估計參數(shù)A。 (3)用分段K-平均法對B進(jìn)行重新估計，即將第二步得到的每一種狀態(tài)的訓(xùn)練語音數(shù)據(jù)搜集在一起并對其特征進(jìn)行統(tǒng)計，從而得到B。 對于概率密度函數(shù)由若干正態(tài)分布函數(shù)線性相加的CDHMM系統(tǒng)，每個狀態(tài)θj(1≤j≤N)的概率密度函數(shù)bj(X)由K個正態(tài)分布函數(shù)線性相加而成，這樣可以把每一狀態(tài)語音幀分成K類，然后計算同一類中諸語音幀矢量X的均值矢量，方差矩陣∑jk和混合密度函數(shù)中各概率密度函數(shù)的權(quán)重系數(shù) Cjk。 (4)由(2)和(3)估計的CDHMM參數(shù)作為初值，利用重估公式對CDHMM參數(shù)進(jìn)行重估，得到參數(shù)。 (5)利用(4)所得的計算，并與p(O／λ)相比較。如果差值小于預(yù)定的閾值或迭代次數(shù)超過預(yù)定的次數(shù)，即說明模型參數(shù)已經(jīng)收斂，無需進(jìn)行重估計算，可將作為模型參數(shù)輸出。反之，若差值超出閾值或迭代未到預(yù)定的次數(shù)，則將計算結(jié)果作為新的初值，重復(fù)進(jìn)行下一次迭代。 3 結(jié)束語 論文建立了一種基于嵌入式系統(tǒng)的語音口令識別系統(tǒng)，并且對上升、下降等14條口令進(jìn)行測試，每條語音先切除靜音，預(yù)加重，然后通過 Hamming窗分幀處理，幀長和幀移分別為20ms和10ms，然后對每一幀語音信號提取16MFCC+16AMFCC共32維參數(shù)作為特征矢量。該語音口令識別系統(tǒng)達(dá)到了實時的要求，可以使語音口令識別系統(tǒng)廣泛應(yīng)用于便攜式設(shè)備中。 |
