文獻(xiàn)標(biāo)識碼： A
文章編號： 0258-7998(2012)11-0016-03
說話人識別作為一種生物識別技術(shù),，能夠根據(jù)測試語音來辨別說話者的身份。說話人識別的過程可以分為語音信號預(yù)處理,、特征提取和識別判斷三部分,。其中,，識別判斷由碼本訓(xùn)練和識別兩部分組成，其原理如圖1所示,。
語音信號的預(yù)處理包括采樣和量化,、預(yù)加重、分幀,、加窗,、端點檢測等。預(yù)處理的目的是去除噪聲,，加強有用的信息,，并對輸入應(yīng)測量儀器或其他因素造成的退化現(xiàn)象進(jìn)行復(fù)原。
特征提取是系統(tǒng)的關(guān)鍵部分,。近年來,，一種能夠比較充分利用人耳非線性系統(tǒng)感知特性的參數(shù)得到了廣泛的應(yīng)用，這就是Mel頻率倒譜系數(shù)[1],。臨界頻率帶寬隨著頻率的變化而變化,，并與Mel頻率增長一致[2]。在1 000 Hz以下大致呈線性分布,，帶寬為100 Hz左右,；在1 000 Hz以上呈對數(shù)增長，具體如式(1)所示：
1 識別系統(tǒng)設(shè)計
本文設(shè)計的說話人識別系統(tǒng)的應(yīng)用背景為文本相關(guān)的閉集識別[4],。通過對待識別者語音信號的采集分析,，系統(tǒng)能夠識別出系統(tǒng)內(nèi)注冊人員的身份。
1.1 系統(tǒng)整體架構(gòu)
通過對具體功能的分析,，系統(tǒng)的整體框架可以采用圖3所示的形式,。其工作流程為：采集待識別者3 s的語音數(shù)據(jù)并將其保存在片外SRAM中；在采集的同時進(jìn)行端點檢測,；完成端點檢測后,，對有效的語音數(shù)據(jù)進(jìn)行Mel倒譜系數(shù)的提取,；用碼本庫中的碼本對待識別者語音特征進(jìn)行量化,，判斷最小失真碼本；最后進(jìn)行閾值比較,，并用數(shù)碼管顯示識別結(jié)果,。
系統(tǒng)的硬件平臺為Altera公司提供的EP2C35F672C6開發(fā)板。它由33 216個LE組成,，片上有105個M4K-RAM塊,，RAM總量為483 840，并且其片上有4個鎖相環(huán)。
1.2 功能模塊分析
算法實現(xiàn)模塊主要包括：預(yù)處理模塊,、特征提取模塊、碼本庫和識別模塊,。其工作流程如下：首先,，預(yù)處理模塊對輸入的語音數(shù)據(jù)進(jìn)行實時處理，判斷錄音是否有效,；其次,，對有效的語音數(shù)據(jù)進(jìn)行特征提取，形成待測碼本,；接著,，用碼本庫中的碼本對待測碼本進(jìn)行矢量量化；最后,，對量化結(jié)果進(jìn)行判斷,，輸出識別結(jié)果。
2 說話人識別系統(tǒng)的FPGA實現(xiàn)
系統(tǒng)的硬件結(jié)構(gòu)主要包括語音采集模塊,、端點檢測模塊,、特征提取模塊和VQ識別模塊。
2.1 語音采集模塊
語音采集模塊包括語音數(shù)據(jù)的采集和存儲兩部分,，由WM8731控制單元和格式轉(zhuǎn)換單元組成,。系統(tǒng)通過I2C總線來實現(xiàn)對WM8731的控制，I2C控制器的時鐘輸入由系統(tǒng)時鐘分頻得到,。系統(tǒng)時鐘為50 MHz,，分頻得到I2C控制器時鐘為20 kHz。由于WM8731采集的16 bit語音數(shù)據(jù)是串行輸出的,，因此在進(jìn)行后續(xù)處理之前需要進(jìn)行串行到并行格式的轉(zhuǎn)換,。
2.2 端點檢測模塊
本文采用基于短時能量和短時平均過零率的雙門限檢測法，將加窗處理放在特征提取的過程中進(jìn)行,。
一般情況下,，在預(yù)加重單元中，預(yù)加重系數(shù)的值接近于1,。在0.9～1之間,，其典型值為0.94。為方便硬件編程,，將一階FIR濾波器用差分方程表示為：
其中,，data為16 bit輸入數(shù)據(jù)，Data為8 bit輸出數(shù)據(jù),。把輸入信號中大于-20且小于20的數(shù)據(jù)置0,，可以有效地降低白噪聲對過零率造成的影響。
端點檢測模塊的RTL級視圖如圖5所示,。其中,，vad_part1_sp2為數(shù)據(jù)轉(zhuǎn)換單元,；vad_d1為有效位延遲單元；vad_part2_sp1為短時能量和短時平均過零率計算單元,；vad_part3_sp1為幀端點檢測單元,。
在幀端點檢測單元中，en為輸入使能標(biāo)志位,，energy和zcr分別為輸入幀短時能量和短時平均過零率,，enGate為短時能量閾值寄存器，zcrGate為短時平均過零率閾值寄存器,，BeginLen為起始點幀長閾值,，EndLen為結(jié)束點幀長閾值，flag1為起始點檢測完成標(biāo)志位,，flag2為結(jié)束點檢測完成標(biāo)志位,。具體檢測步驟如下：
(1)初始化各寄存器。
(2)en有效時,，對前10幀數(shù)據(jù)的短時能量和短時平均過零率求和,，counter1用于計數(shù)。
(3)當(dāng)counter1=10時,，把前10幀數(shù)據(jù)的短時能量和短時平均過零率均值分別存于寄存器enGate和zcrGate中,，完成閾值計算。
(4)對輸入信號進(jìn)行判斷：當(dāng)輸入幀energy或zcr大于閾值時,，用寄存器framebegin記錄幀號,，并執(zhí)行步驟(5)；否則,，重復(fù)步驟(4),。
(5)counter2對輸入幀計數(shù)。當(dāng)輸入幀energy或zcr小于閾值時,，counter2和framebegin清零,，返回步驟(4)；當(dāng)counter2>BeginLen時,，起始幀檢測結(jié)束,，flag1置1，并執(zhí)行步驟(6),。
(6)當(dāng)輸入幀energy和zcr都小于閾值時,，用寄存器frameend記錄幀號，并執(zhí)行步驟(7),；否則,，重復(fù)步驟(6)。
(7)counter3對輸入幀計數(shù)。當(dāng)輸入幀energy或zcr大于閾值時,，counter3和frameend清零,，并返回步驟(6)；當(dāng)counter3>EndLen時,，結(jié)束幀檢測完成,，flag2置1，并執(zhí)行步驟(8),。
(8)當(dāng)flag1和flag2同時有效時，輸出起始幀號和結(jié)束幀號,；否則,，error置1。
2.3 特征提取模塊
特征提取中的FFT運算單元采用按時間抽取基2算法[5],。一幀數(shù)據(jù)(128點)的FFT可分為7級運算,，每級包括64個蝶形運算單元?？傮w硬件結(jié)構(gòu)圖如圖6所示,，主要包括倒序模塊、存儲單元,、蝶形運算單元,、地址發(fā)生器和控制單元5個部分。
2.4 VQ識別模塊
識別就是尋找最小失真碼書的過程,，其硬件結(jié)構(gòu)如圖7所示,。將未知矢量序列與碼書中的各個碼字進(jìn)行歐氏距離檢測，累加得到的誤差值就是該碼書的失真值,。最小失真的碼書即為判決對象,。其中，計數(shù)模塊用于統(tǒng)計未知矢量序列,，地址發(fā)生器控制碼本輸出,。當(dāng)所有碼書對輸入矢量量化結(jié)束后，判決模塊檢測最小失真碼書并輸出結(jié)果,。
本文采用平方誤差歐氏距離測度,。對一個待測碼本進(jìn)行矢量量化的具體步驟如下：
(1)初始化各個寄存器。
(2)對輸入幀數(shù)據(jù)進(jìn)行歐氏距離檢測,，c1=c1+1,。
(3)對檢測結(jié)果進(jìn)行累加求和，如c1<128,，則執(zhí)行步驟(2),；否則，執(zhí)行步驟(4)。
(4)輸出累加結(jié)果,，量化完畢,。
本系統(tǒng)碼本的訓(xùn)練在PC上完成。碼本的存儲采用單精度浮點數(shù)形式,，一個碼本的大小為128 bit×12 bit×32 bit,，共6 KB。
實驗結(jié)果表明,，在系統(tǒng)時鐘為50 MHz的條件下,，F(xiàn)PGA的處理速度是PC機(jī)的18倍，具有更好的實時性能,。
參考文獻(xiàn)
[1] Xie Qiuyun,，Xiao Tiejun.Implementation of MFCC extraction in speech recognition based on FPGA[J].Computer Engineering and Design，2008,，29(21)：5474-5475.
[2] 王玥.說話人識別中語音特征參數(shù)提取方法的研究[D].長春：吉林大學(xué),，2009.
[3] Wei Han.An efficient MFCC extraction method in speech recognition[C].Kos，Greece：ISCAS,，2006：145-148.
[4] 潘灝.語音識別門禁系統(tǒng)關(guān)鍵技術(shù)研究[J].科技情報開發(fā)與經(jīng)濟(jì),，2009，19(11)：87-89.
[5] 楊靜.基于FPGA的FFT處理器設(shè)計與實現(xiàn)[J].化工自動化及儀表,，2010,，37(3)：107-109.