论文部分内容阅读
经过研究者的不懈努力,说话人识别的研究工作已经取得了重大进步,然而距离具体实用还有一定差距。不断提高说话人识别系统的性能是一个重要的研究课题。说话人识别对于人类听觉系统而言是一个非常简单的任务,但是对于计算机听觉系统而言,现有识别算法的性能还远没有达到人类听觉系统的水平。理解人耳的工作机理从而构建一套自动的识别系统来模拟人类的听觉能力,具有重要的意义。在信号处理领域,稀疏表示模拟了人耳的听觉特性,对噪声具有较好的鲁棒性。因此,本论文以在信号处理和神经科学领域受到广泛关注的稀疏表示模型为理论基础,从稀疏表示的字典构建入手,分别研究使用短时和长时信号特征来构建帧级和段级字典,并基于两类字典来进行说话人识别的方法。本文的主要研究工作如下:1、为反映听觉神经元对输入语音信号的响应,首先对基于帧级字典分解后的每帧稀疏表示系数向量进行量化处理,利用量化处理后与各稀疏表示系数相对应原子的激活情况来反映听觉神经元对输入的响应。接着,将随时间变化的多帧语音序列的原子激活情况作为原子的整体活跃度来代表说话人的整体信息。为了避免说话人数据量少时,使用高斯混合模型无法有效刻画说话人的原子活跃度的分布问题,通过使用kurtosis高阶统计量来计算原子活跃度的分布情况,并以此作为模型来进行说话人识别。2、为提取噪声环境下鲁棒的说话人特征,利用判别字典学习,将学习获得的帧级语音字典和帧级噪声字典合并构建成联合字典。对带噪语音的每帧特征在联合字典上进行稀疏分解后,忽略掉在噪声字典上分解后的系数,而只将在语音字典上分解后的稀疏表示系数向量作为该帧的特征。进一步地,对多帧语音序列的稀疏表示系数向量组进行最大值池化操作和平均值池化操作,从而获得说话人的全局特征表示,进而来进行说话人识别。3、为增加多类说话人识别中不同类别字典间的差异,以改进说话人识别性能,将判别学习准则引入到段级字典构建上。在字典学习时,一方面考虑每类字典的类别信息,以最小化同类字典表示训练样本时的重构误差,另一方面通过引入Fisher判别准则,能使稀疏表示系数的类内误差最小、类间误差最大。进而获得更具判别能力的段级字典。同时,也保留每类训练样本在其学得的段级字典上稀疏分解后的系数的均值作为一种先验信息,在进行识别时将这种信息与重构误差一起作为识别结果判定的依据。4、为充分利用多类说话人信息,由于语音在不同类别字典拼接所形成的字典上进行稀疏分解时,所获得的稀疏表示系数间具有连续分组的结构,且同组内稀疏表示系数间具有相关性,我们通过使用块稀疏贝叶斯分解算法来对语音信号进行稀疏分解,从而能有效利用上述稀疏表示系数之间的先验信息,进而提高说话人识别的性能。