一個典型的說話人識別系統(tǒng)提取的說話人特征通常為時變特性參數(shù)如梅爾倒譜系數(shù)MFCC(Mel-Frequency Cepstrum Coefficients)[1]、感知線性預(yù)測系數(shù)PLP(Perceptual Linear Prediction)[2]或韻律特征[3],。然而,，實際使用時由于受到噪音干擾，或者訓(xùn)練與識別傳輸通道不匹配,，識別系統(tǒng)通常不能表現(xiàn)良好[4]。目前解決這一問題的手段主要集中在特征域,、模型域和得分域。現(xiàn)有特征域魯棒性處理方法主要有：RASTA濾波[5],、倒譜均值歸一化(CMN)[6],、直方圖均衡[7]和倒譜規(guī)整[8-11]等,。這些算法通常以在識別前增加額外的運算來換取魯棒性的提高,，如統(tǒng)計概率密度分布及計算各階矩等,。
    本文算法主要從特征域入手,，旨在減少識別階段運算時間的同時提高識別系統(tǒng)的魯棒性,。參考文獻(xiàn)[12]采用了觀察值的各階矩和中心矩作為段級特征,，并與模型結(jié)合,，在不顯著影響識別率的情況下提高了識別速度,。其缺點是，采用段級特征與采用幀級特征相比較識別率較低,。參考文獻(xiàn)[13]提出了一種改進(jìn)的PCA方法用于掌紋識別,，通過提取更有利于分類的基向量,，提高了降維后特征的魯棒性。本文結(jié)合了兩者的優(yōu)點，提出了一種基于PCA的段級特征PCAULF(PCA based Utterance Level Feature)提取算法。該算法特點如下：
　(1)以段級特征代替幀級特征,，可減少識別過程中模板匹配的次數(shù),，通過減少運算量來提高識別速度;
　(2)在段級特征降維時引入改進(jìn)的PCA算法，一方面實現(xiàn)了數(shù)據(jù)的降維,，既抑制了噪聲對識別系統(tǒng)的影響,，又提高了識別的速度;另一方面,，選擇更利于分類的特征向量組成變換矩陣，提高識別系統(tǒng)的魯棒性,。
　實驗結(jié)果表明,，在三種不同噪聲背景下進(jìn)行測試比對,，段級特征獲得了較高的識別率和較快的識別速度。
1 段級特征提取算法
1.1 段級特征的定義
　    由于語音的短時平穩(wěn)特性,，可以考慮在一段語音中提取特征,，這樣就使得同樣的語音長度用更少的語音特征去描述，該特征被稱為段級特征,。它是和傳統(tǒng)的按幀提取語音特征相對應(yīng)的一個概念,。段級特征的一般表示形式是：

其中，ULFi,、ULFi′代表第i個段級特征矢量,，式(1)表示ULFi′從連續(xù)的G幀語音信號s中直接提取，式(2)表示ULFi從連續(xù)的G個幀級特征矢量a中提取,。使用段級特征的關(guān)鍵在于段長G的選取和函數(shù)fG(·)的選取,。首先討論函數(shù)的選取，段級特征是觀察值的函數(shù),。本文中,，fG(·)主要包括以下兩個步驟：
　(1)以G為段長、Ginc為段移,，將G個幀級特征矢量組合成超矢量,。組成超矢量的操作類似于對數(shù)據(jù)的取幀操作，如圖1所示,。

    (2)采用改進(jìn)的主成分分析方法對超矢量進(jìn)行降維,，得到段級特征。

1.2 PCA方法
　主成分分析PCA(Principal Component Analysis)是一種掌握事物主要矛盾的統(tǒng)計分析方法,，它可以從多元事物中解析出主要影響因素,，簡化復(fù)雜的問題。PCA假定具有大變化的方向的數(shù)據(jù)比有很少變化的方向上的數(shù)據(jù)攜帶有更多的信息,，因而它尋找具有最大方差的那些稱之為主軸的方向來表征原始數(shù)據(jù),。計算主成分的目的是在最小均方誤差意義下將高維數(shù)據(jù)投影到較低維空間,。

的形式有效表示X,。其中,，通過K-L變換(Karhunen-Loeve Transform)計算相互正交的一組基向量,可以得到P,。
　具體的PCA分析步驟如下：
 
2 實驗配置及結(jié)果分析
　采用PCAULF作為特征參數(shù)的說話人識別模型如圖2所示,。語音數(shù)據(jù)經(jīng)過預(yù)處理和特征提取兩個步驟，得到幀級特征矢量集,。訓(xùn)練時,，由PCA對所有語音的段級特征求取降維變換矩陣,，之后通過訓(xùn)練得到模板參數(shù),；識別時,，首先使用訓(xùn)練時得到的變換矩陣對待測語音的段級特征進(jìn)行降維,之后再通過模板匹配得到識別結(jié)果,。

    語音數(shù)據(jù)采用TIMIT語音數(shù)據(jù)庫,，隨機(jī)選取50人,，每人共10條語音,，每條語音長4~6 s,，其中8條用于訓(xùn)練,，2條用于識別,，保證了訓(xùn)練與識別語音的不一致,。噪聲庫采用NoiseX-92專業(yè)噪聲庫中的三種常見噪聲，分別為平穩(wěn)高斯白噪聲,、粉噪聲和Babble噪聲,?；€系統(tǒng)聲學(xué)特征采用能量和12階MFCC特征以及衍生的ΔMFCC,共26維,之后進(jìn)行了倒譜提升和RASTA濾波,；模型采用訓(xùn)練和識別較為快速的矢量量化(VQ),，碼本大小取32,。語音采樣頻率為8 kHz,，幀長為32 ms,，幀移為12.5 ms,。
　本節(jié)主要開展了以下三個實驗：
　實驗一：對純凈的語音進(jìn)行訓(xùn)練,，以段長分別為G=1,2,…,，8,，段移分別為Ginc=1,2,…,G求取段級特征,，設(shè)累積貢獻(xiàn)率門限為1,，得到變換矩陣(該變換矩陣并沒有實現(xiàn)降維),；在識別階段，先對G幀語音特征組成的超矢量進(jìn)行變換,，再測試其識別率,。該實驗主要用于分析合適的段長和段移,。
　實驗二：在純凈語音基礎(chǔ)上,，以信噪比SNR(Signal Noise Ratio)為20 dB,、10 dB,、5 dB分別混疊了NoiseX-92專業(yè)噪聲庫中的平穩(wěn)高斯白噪聲(White),、粉噪聲(Pink)和Babble噪聲(Babble)，取實驗一分析得出的段長和段移,，采用不同的PCA降維參數(shù)，對幀級特征和段級特征進(jìn)行變換,，測試識別率,，并對各種噪聲和SNR條件下的識別率求平均，得到不同PCA參數(shù)所對應(yīng)的識別率,。該實驗主要用于分析降維參數(shù)對識別率的影響,。
　實驗三：根據(jù)實驗一、二得到的段長、段移和降維參數(shù),，采用實驗二的加噪方法對純凈語音進(jìn)行加噪,，對段級特征、經(jīng)過PCA降維處理的幀級特征以及基線系統(tǒng)的幀級特征的識別性能進(jìn)行了測試,。該實驗主要用于對本文提出的算法的識別精度和速度進(jìn)行測試,。
2.1 段長與段移分析
　實驗一結(jié)果如表1所示。

    由表1可見,，當(dāng)以幀級特征作為訓(xùn)練和識別的特征時,，其識別率明顯低于經(jīng)PCA方法變換后的段級特征的識別率?？傮w來說,，當(dāng)G固定時，隨著Ginc的增加,，識別率逐漸降低,；當(dāng)Ginc固定時，隨著G的增加,，識別率也逐漸降低,。當(dāng)G≥8時，段級特征識別率不如幀級特征,。當(dāng)G=1,，Ginc=1時，等效為直接用PCA方法對幀級特征進(jìn)行變換,。由于幀級特征(能量+MFCC+ΔMFCC)中計算一階差分時引入了冗余，PCA方法正是為了去除各個主成分之間的冗余,，故經(jīng)PCA變換后的幀級特征(G=1,Ginc=1)擁有更好的識別性能,。但當(dāng)語音信號為帶噪數(shù)據(jù)時，該特征識別性能不如段級特征(見2.3節(jié)),。
　由于當(dāng)G和Ginc均較大時,，模板匹配次數(shù)減小，識別速度會得到明顯提高,，因此,，為了兼顧識別速度和精度，結(jié)合表1的結(jié)果,，本文選取G=6,Ginc=4,。
2.2 PCA降維參數(shù)分析
　實驗二結(jié)果如圖3(a)、(b)所示,。其中,，PCA參數(shù)主要指的是設(shè)定的累積貢獻(xiàn)率門限，即選用累積貢獻(xiàn)率不小于累積貢獻(xiàn)率門限的多個特征矢量組成降維變換矩陣。

    由圖3(a)可見,，對于幀級特征,，當(dāng)訓(xùn)練語音和待測語音較純凈時，累積貢獻(xiàn)率門限值越大,，識別率越高,。圖3(b)表明，對于段級特征,，累積貢獻(xiàn)率門限值位于94%附近時,，識別效果較好。門限太大易造成噪聲參與識別,，影響識別精度,；門限太小，易造成降維后的特征包含語音信息不充分,，雖然能提高識別速度,，但卻降低了識別精度。因此,，本文在進(jìn)行PCA降維時,，選用累積貢獻(xiàn)率不小于94%的特征向量組成降維變換矩陣。
2.3 帶噪環(huán)境下基于PCAULF的說話人識別系統(tǒng)性能分析
　實驗三結(jié)果如圖4~圖6所示,。

　由圖4~6可以看出：(1)總體來說,，在三種常見噪聲環(huán)境下，段級特征與經(jīng)PCA降維后的幀級特征識別率相近,，均高于直接采用幀級特征時的識別率,。(2)由于段級特征引入了長時特征，且PCA降維在一定程度上抑制了噪聲對識別的影響,，因此,，在SNR較低時(SNR<20 dB時)具有更好的魯棒性。
　以上實驗的PC配置為：Intel Core(TM)2 Duo CPU E7500 @2.93 GHz,，1.96 GB內(nèi)存,。三種特征在所有語音的識別階段的平均運算時延如表2所示。

    可見,，由于識別時,，模板匹配的運算時延遠(yuǎn)大于對數(shù)據(jù)進(jìn)行降維的運算時延，而段級特征的引入帶來了模板匹配次數(shù)的減小,，因此,，段級特征在識別階段的運算速度明顯大于幀級特征，約為幀級特征的2.8倍,，更加適用于實時說話人識別系統(tǒng),。
    本文以現(xiàn)有的幀級語音特征為基礎(chǔ)，結(jié)合語音的長時特性和改進(jìn)PCA方法，提出了一種適用于說話人識別的段級語音特征,，并分析了算法中的參數(shù)對識別性能的影響,。實驗結(jié)果表明，該算法在提高語音特征魯棒性的同時,，提高了識別速度,，適用于實時說話人識別系統(tǒng)。
參考文獻(xiàn)
[1] FURUI S. Digital speech processing, synthesis, and recognition[M]. New York: Marcel Dekker, 2001.
[2] GISH H, SCHMIDT M. Text independent speaker identification[J]. IEEE Signal Proc, 1994,11(4):18-32.
[3] REYNOLDS D A. The super SID project: Exploiting high level information for high accuracy speaker recognition[A]. In IEEE International Conference on Acoustics, Speech and Signal Processing[C]. Hong Kong, China, 2003:784-787.
[4] DRYGAJLO A,MALIKI M E. Speaker verification in noisy environments with combined spectral subtraction and missing feature theory[A]. In IEEE International Conference on  Acoustics, Speech and Signal Processing[C]. Seattle, USA, 1998,1:121-124.
[5] HERMANSKY H, MORGAN N. Rasta processing of speech[J]. IEEE Trans on Speech and Audio Processing. 1994,2(4):578-589.
[6] WANG L ,KITAOKA N,NAKAGAWA S. Analysis of effect of compensation parameter estimation for CMN on speech/speaker recognition[A]. In 9th International Symposium on Signal Processing and Its Applications(ICASSP&rsquo;07)[C]. Sharjah, 2007:1-4.
[7] TORRE A, SEGURA J C,BENITEZ C. Non-linear transformations of the feature space for robust speech recognition[A]. In IEEE Proc. Of ICASSP[C]. Orlando, USA, 2002:401-404.
[8] VIIKKI O, LAURILA K. Cepstral domain segmental feature vector normalization for noise robust speech recognition[J].  Speech Communication, 1998, 25(1):133-147.
[9] HSU C W, LEE L S. High order cestral moment normalization(HOCMN) for robust speech recognition[A]. In IEEE Proc of ICASSP[C]. Montreal, Canada, 2004:197-200.
[10] LIU B, DAI L R,LI J Y. Double gaussian based feature normalization for robust speech recognition[A]. In Proc of ISCSLP[C]. Hong Kong, 2004:253-256.
[11] DU J, Wang Renhua. Cepstral shape normalization(CSN) for robust speech recognition[A]. In Proc of ICASSP[C]. Las Vegas, USA, 2008: 4389-4392.
[12] 王波, 徐毅瓊, 李弼程. 基于段級特征的對話環(huán)境下說話人分段算法[J]. 計算機(jī)工程與應(yīng)用, 2007, 28(10):2401-2416.
[13] 任蘇亞, 基于改進(jìn)的PCA和ICA算法的掌紋識別研究[D]. 北京: 北京交通大學(xué), 2007:35-39.
[14] NALIN P S, MAYUR D J, PRAKASH C,et al. Palm  print recognition: two level structure matching[A]. In Proc.  of IJCNN [C]. Vancouver, Canada, 2006: 664-669.