基于MATLAB的语音端点Word格式.doc
《基于MATLAB的语音端点Word格式.doc》由会员分享，可在线阅读，更多相关《基于MATLAB的语音端点Word格式.doc（38页珍藏版）》请在冰点文库上搜索。
语音端点检测是指从一段语音信号中准确的找出语音信号的起始点和结束点，它的目的是为了使有效的语音信号和无用的噪声信号得以分离，因此在语音识别、语音增强、语音编码、回声抵消等系统中得到广泛应用。
目前端点检测方法大体上可以分成两类，一类是基于阈值的方法，该方法根据语音信号和噪声信号的不同特征，提取每一段语音信号的特征，然后把这些特征值与设定的阈值进行比较，从而达到语音端点检测的目的，该方法原理简单，运算方便，所以被人们广泛使用，本文主要对基于阀值的方法进行研究。
另一类方法是基于模式识别的方法，需要估计语音信号和噪声信号的模型参数来进行检测。
由于基于模式识别的方法自身复杂度高，运算量大，因此很难被人们应用到实时语音信号系统中去。
端点检测在语音识别中占有十分重要的地位,直接影响着系统的性能。
本文首先对语音信号进行简单的时域分析，其次利用双门限算法、倒谱算法、谱熵算法进行语音端点检测，并对这几种算法进行端点检测，并进行实验分析。
文中比较各算法检测思路：
首先分别用各算法对原始语音信号进行端点检测，并对各算法检测结果进行分析和比较。
其次再对语音信号加噪，对不同信噪比值进行端点检测，分析比较各算法在不同信噪比下的端点检测结果，实验结果表明谱熵算法语音端点检测结果比其他两种方法好。
关键词：
语音信号处理；
语音端点检测；
双门限；
倒谱；
谱熵
Abstract
Endpointdetectionisavoicesignalfromtheaccuratespeechsignaltotheidentifystartandtheendpoints,thepurposeistoenabletoseparatedtheeffectivevoicesignalsandun-usefulnoise.So,inthespeechrecognitionsystem,speechenhancement,speechcoding,echocancellationandothersystemsarewidelyused.
InCurrenttheendpointdetectioncanberoughlydividedintotwocategories,oneisbasedonthethresholdmethodbasedonthedifferentcharacteristicsofspeechsignalandthenoisesignals,avoicesignalforeachextractedfeature,andthensetthevaluesofthesethresholdscomparewiththevaluestoachievetheendpointdetectionpurposes,Thismethodissimple,itconvenientoperation,itiswidelyused,themaininthispaperisbasedonthemethodofthresholdmethod.Anothermethodisbasedonthemethodofpatternrecognition,itneedstoestimatethespeechsignalandthenoisesignalmodelparametersweredetected.Becauseisbasedonthemethodofpatternrecognitionandhighself-complexity,alargeamountofcomputation,soitisdifficulttobeuseinreal-timevoicesignalsystemforpeople.
TheEndpointdetectionistakeaveryimportantpositioninthespeechrecognition,itdirectlyaffectstheperformanceofthesystem.Inthisarticlefirstdomainanalysisinsimplespeechsignaltime,thandualthresholdalgorithm,cepstrumalgorithm,spectralentropyalgorithmforendpointdetection,andthesetypesofendpointdetectionalgorithms,andexperimentalanalysispoints.Thepapercomparedthealgorithmdetectsthemeritsofideas:
Firstly,thealgorithmwereusedtotheoriginalspeechsignaldetection,andthealgorithmtoanalyzeandcompareresults.Secondly,thespeechsignalandthenaddingnoise,SNRvaluesfordifferentendpointdetection,analysisandcomparisonofvariousalgorithmsunderdifferentSNRendpointdetectionresults,experimentalresultsshowthatthespectralentropyofspeechendpointdetectionalgorithmresultsbetterthantheothertwomethods.
Keyword：
Signalprocessing;
voiceactivitydetection;
doublethreshold;
cepstrum;
spectralentropy
目录
第一章绪论 1
1.1研究背景及意义 1
1.2语音端点检测研究现状及存在的问题 3
1.3本文主要研究内容 4
第二章语音信号处理 4
2.1语音信号特点 4
2.2语音信号预处理 5
2.2.1预加重 5
2.2.2加窗分帧 6
2.3语音信号分析 7
2.3.1短时时域分析 7
2.3.2频域分析 8
第三章语音端点检测算法原理及实验仿真分析 9
3.1语音端点检测算法原理 9
3.2基于短时能量和短时过零率的语音端点检测 11
3.2.1短时平均能量 11
3.2.2短时过零率 13
3.2.3基于短时能量和短时过零率的双门限端点检测原理 15
3.2.4双门限语音端点检测实验分析 16
3.3基于倒谱特征的语音端点检测 19
3.3.1倒谱特征 19
3.3.2倒谱距离 19
3.3.3基于倒谱距离的端点检测算法原理 19
3.3.4基于倒谱语音端点检测实验分析 24
3.4基于谱熵的语音端点检测 25
3.4.1谱熵定义 26
3.4.2谱熵特征 26
3.4.3谱熵语音端点检测原理 27
3.4.4谱熵语音端点检测实验分析 28
3.5算法比较 30
第四章总结与展望 32
致谢 34
参考文献 35
桂林电子科技大学毕业设计（论文）第34页共34页
第一章绪论
语音，即语言的声音，是语言符号系统的载体。
它由人的发音器官发出，负载着一定的语言意义，语言依靠语音实现它的社会功能。
语音是人们交流思想和进行社会活动的最基本手段,因此我们要对语音信号进行处理分析，优化人类通信交流。
语音信号处理包括语音通信、语音增强、语音合成、语音识别和说话人识别等方面。
语音信号的好坏、语音识别率的高低，都取决于语音信号处理的好坏。
因此，语音信号处理是一项非常有意义的研究课程，而语音端点检测是语音语音信号处理中非常重要的一步。
语音端点检测是语音分析、合成和识别中的一个重要环节，目的是从包含语音的一段信号中找出语音的起始点及结束点，从而只存储和处理有效语音信号。
有效的端点检测不仅可以减少数据的存和处理时间，而且能排除无声段的噪声干扰。
端点检测的困难在于无声段或者语音段前后人为呼吸等产生的杂音、语音开始处的弱摩擦音或弱爆破音以及终点处的鼻音，这些使得语音的端点比较模糊，需要综合利用语音的各种信号特征，从而确保定位的精确性，避免包含噪音信号和丢失语音信号。
近年来出现了很多种端点检测的方法如短时能量、短时过零率、传统的双门限法、倒谱特征的检测方法、谱熵的检测方法法、分形法等。
本文根据语音和噪声和静音在能量、过零率、倒谱距离、信息熵值、和分形维数等特点的不同来进行语音端点检测，在这些算法中在纯语音和高信噪比的情况下都检测得比较好，但在低信噪比下有些算法检测结果就不尽人意。
尽管语音端点检测技术在安静的环境中已经达到了令人鼓舞的准确率，但是在实际应用时由于声的引入和环境的改变通常会使系统性能显著下降。
研究表明，即使在安静的环境中，语音识别系统一半以上的识别错误来自端点检测器。
因此，作为语音识别系统的第一步，端点检测的关键性不容忽视，尤其是噪声环境下语音的端点检测，实验室的研究结果与复杂的实用环境下的语音端点检测仍存在一定的差距，它的准确性很大程度上直接影响着后续的工作能否有效进行，如何准确地检测出带噪语音的端点至今仍是一个难题。
1.1研究背景及意义
语音是语言的声学表现形式，语言是人类特有的功能，声音是人类常用的信息交流工具，通过声音传递信息是人类最重要、最有效、最准确、最方便、最自然的信息交换的方式。
语音信号处理是一门涉及面很广的交叉科学，包含计算机科学、语音学、语言学、声学、生理学、心理学和数学等诸多领域的内容。
随着现代科学的蓬勃发展，人类社会越来越显示出信息社会的特点，犹如衣、食、住、行对于人类是必要的一样，通信和信息交换也成为了人类社会存在的必要条件，不但在人与人之间，而且在人与机器之间每时每刻都需要进行大量的信息交换。
让计算机听懂人类的语言，是人类自计算机诞生以来梦寐以求的想法。
计算机越来越向便携化方向发展，计算环境的日趋复杂化，人们越来越迫切要求摆脱键盘的束缚。
在电子计算机和人工智能机器的广泛应用中，人们发现，人和机器之间最好的通讯方式是直接进行语言通讯，实现人机自由对话，赋予机器以听觉，辨别话音的内容或者辨别说话人的身份，使机器能够按照人的意志进行各种操作，把人类从繁重或危险的劳动中解脱出来。
用现代手段研究语音处理技术，使人们能更加有效地产生、传输、存储、获取和应用语音信息，这对于促进社会的发展十分重要。
语音技术的应用己经成为一个具有竞争性的高新技术产业，它正在直接与办公、交通、金融、公安、商业、旅游等行业的语音咨询与管理，工业生产部门的语声控制，电话、电信系统的自动拨号、辅助控制与查询以及医疗卫生和福利事业的生活支援系统等各种实际应用领域相接轨，并且有望成为下一代操作系统和应用程序的用户界面。
语音处理内容涉及到计算机科学、模式识别、信号处理、生理学、语音学、心理学等学科，还涉及到信号和信息处理系统、通信和电子系统等具体应用领域。
多媒体技术的发展，使语音技术逐渐在越来越多的场合中推广使用，语音信号处理技术发展迅速，其研究成果具有重要的学术及应用价值，涉及一系列前沿课题。
语音信号处理与信息科学中最活跃的前沿科学密切联系，并且共同发展。
例如，神经网络理论、模糊集理论、小波理论是当前热门的研究领域，这些领域的研究常常把语音处理任务作为一个应用实例，而语音处理研究者也从这些领域的研究进展中找到突破口，使语音处理技术研究取得进展[l]。
从技术角度讲，语音信号处理是信息高速公路、多媒体技术、办公自动化、现代通信及智能系统等新兴领域应用的核心技术之一。
经过几十年的努力，语音信号处理在语音识别、语音增强、语音编码、说话人识别、说话人情感识别、语音合成等方面取得了巨大的进步，然而，一旦这些技术应用在实际环境中，由于环境噪声、信道、说话人自身因素等方面的影响，性能急剧下降，因为在实际环境中没有完全纯净的语音信号，一般都会伴有噪声或其它干扰。
例如，办公室环境下，电脑风扇转动的声音，键盘敲打的声音等都是噪声，而语音信号处理系统的处理对象是有效语音信号，即排除了纯噪声段的语音信号段。
语音端点检测的任务就是判断待处理信号是语音还是非语音，从输入信号中找到语音部分的起止点。
端点检测是语音识别、语音增强以及语音编码等中的一个重要环节。
有效的端点检测技术不仅能减少系统的处理时间、提高系统的处理实时性，而且能排除无声段的噪声干扰，从而使后续工作的性能得以较大提高。
语音端点检测的准确性对于语音识别系统的性能有着较大的影响。
在一个完整的语音识别系统中，许多相关因素影响着整个系统的识别精度和效率，由于在自然环境中，纯净的语音信号总伴随着各种不同类型的噪声，而语音识别系统处理的对象是有效的语音信号，因此，由于噪声的干扰，往往使得整个系统的识别率下降，有学者用一个多话者的数字识别系统做了如下一个实验。
首先对所有记录的语音用手工找出准确的端点，得到它们的识别率;
然后逐帧（帧长为15ms）加大端点检测的误差，在每次加大误差的同时得到它们的识别率。
结果表明在端点检测准确时识别率为93%的系统，当端点检测的误差在士60ms（4帧）时，识别率降低了3%；
在士90ms（6帧）时，降低了10%；
而当误差在进一步加大时，识别率急剧下降。
研究表明，即使在安静环境下语音识别系统中一半以上的识别错误都是因为语音端点检测的不准确所造成的。
所以，对于语音识基于强背景噪声下的语音端点检测算法及实现别系统来说，有效的端点识别不仅能够减轻系统的运算负载，使得处理时间减少，提高了系统的实时性，而且能够去除静音时背景噪声的干扰，从而大大提高系统的识别性能。
因此，从混有不同噪声的信号中准确提取纯净的语音信号就成了语音识别系统中的一个重要的环节。
另外在通信系统中，典型的会话信道大约有40%的时间真正用于传输语音，其余60%的时间传输的都是静默和背景噪声。
由于可利用的频谱资源随着移动用户的飞速发展而急剧下降。
如何开发其余60%被浪费的信道资源就成为了提高系统容量的有效手段之一。
如果在发送端设立一个语音端点检测器来区分语音和静默以及背景噪声，在接收端用舒适噪声发生器来重构背景噪声，这样就可以极大的提高信道的利用率，而且也能保证重构语音的可懂度和自然度，因此准确的语音端点检测是非常重要的。
1.2语音端点检测研究现状及存在的问题
语音端点检测和语音增强不同，它的任务是判断待处理信号是语音还是非语音。
语音端点检测作为一种语音信号预处理技术，在实际应用中起着非常重要的作用，有效地进行端点检测不仅可以减少计算量和缩短处理时间,而且能排除无声段的噪声干扰、提高语音识别的正确率，因此它广泛应用于语音识别、语音增强、语音编码、回声抵消等系统中。
而语音增强的目的是在语音和干扰中增强语音部分，同时抑制干扰，对语音检测的研究最早可以追溯到上个世纪的50年代。
当时是在一个实时语音翻译系统中，为了解决语音段和无语音段的检测问题而提出来的。
那时的算法名称叫VAD（VoiceAotivityDetection），指的是将语音段和无语音段分开的处理过程。
传统的语音端点检测算法都是针对实验室安静环境，直到近年来，噪声环境下的语音端点检测才开始研究。
开发出了许多不同的算法，有基LPC倒谱距离的算法，自相关系数，基于能量、基音检测、过零率和频能比等各种语音特征的算法，基于自适应模型的算法，基于倒谱分析的算法等。
各有不同的延时、敏感度和运算量，这在实验室环境下己经得到了很好的效果。
但是当环境背景噪声存在的情况下，传统的检测算法都会因为受到污染而造成严重的误判和漏判。
一般来说，理想的语音端点检测算法应当能够满足以下几点：
（1）门限值应该可以对背景噪声的变化有一定的适应性。
（2）将短时冲击噪声和人的顺嘴等瞬间超过门限的信号纳入无声段而不是有声段。
（3）对于爆破音的寂静段，应将其纳入语音的范围而不是无声段。
（4）应该尽可能避免在检测中丢失鼻韵和弱摩擦音等与噪声特性相似、短时参数较少的语音。
（5）应该避免使用过零率作为判决标准而带来的负面影响。
这几点可以总结为:
可靠性，鲁棒性，精确性，自适应性，实时性和对噪声特征无需先验知识。
在所有这些特征中，鲁棒性是最难达到的。
因此，如何在噪声环境下设计一种鲁棒的端点检测算法是一个非常棘手的问题。
传统算法中大都根据语音信号的时域特征，如基于能量和短时过零率等，在较强噪声环境下，人类语言中的清音和摩擦音往往和背景噪声混合在一起，无法准确的分辨出语音和噪声的端点，容易发生漏检和虚检的情况。
另外由于汉语词语的特殊性，音节的末尾大都是浊音，只用短时能量就能较好地判断一个词语的末点。
而音节的起点—声母大多都是清声母，还有送气与不送气的塞音和塞差音，当背景噪声较大时，清音电平与噪声电平相差无几，将它们与环境噪声分辨是比较困难的。
现有的算法存在的主要问题有两点：
一、在具有较强噪声的环境下，语音端点检测往往存在着大量的误判，不利于后续的处理过程；
二、在高噪声的环境下不能有效的检测出语音信号段，造成了有效信息的丢失。
以上两个问题也得到了广大研究者的重视，进几年来，研究者们经过了不懈的努力，提出了各种区别语音和噪声的特征参数，用来提高算法的抗噪声性能，或是将几种特征组合成一个新的特征参数来进行端点检测，而对语音端点的判决也由原来的单一门限发展到多门限以至于自适应门限，使得算法精度不断得到提高。
1.3本文主要研究内容
由于语音端点检测是语音识别和语音增强等语音处理重要的一步，语音端点检测的好坏直接影响到下一步工作的进行，所以本课主题要研究语音起点和终点的检测，以短时能量和短时过零率相结合的双门限语音端点检测算法以及倒谱分析和谱熵技术等进行语音端点检测，并分析各算法在低信噪比和高信噪比条件下的检测效果进行对比。
第二章语音信号处理
2.1语音信号特点
语音信号是随时间变化的一维信号，由一连串的音组成，各个音的排列有一定的规则。
语音具有声学特征的物理性质，声音质量与它的频率范围有关，语音信号的频率一般是在200Hz~3500Hz范围内，随着带宽的增加，信号的自然度将逐步得到改善。
语音信号本身的冗余度是较大的，少数辅音清晰度下降并不明显影响语句的可懂度，比如通常的模拟电话带宽只有3KHz~4KHz。
语音信号的特性是随时间变化的，所以是一种典型的非稳态信号。
但是，从另一方面来看，由于语音的形成过程与发音器官的运动密切相关，这种物理运动比起声音振动速度来讲要缓慢得多，因此，语音信号常常可假定为短时平稳的。
研究表明，在5ms-40ms的范围内，语音信号的频谱特性和一些物理特征参数基本保持不变。
这样，我们就可以将平稳过程的处理方法和理论引入到语音信号的短时处理中。
因此，“短时分析技术”贯穿于语音分析的全过程。
2.2语音信号预处理
为了消除因为人类发声器官本身和因一些采集语音信号的设备等所引起的混叠、高次谐波失真现象，在对语音信号进行分析和处理之前，必须对其进行预处理。
语音信号的预处理应尽可能地保证处理后得到的信号更均匀、平滑，且能提高语音的质量。
2.2.1预加重
在进行语音信号数字处理时，为了获取一段语音信号的时域波形，首先要将语音信号转换成电信号，再用A/D转换器将其变换为离散的数字化采样信号。
己经数字化的语音信号将依次进入一个数据区。
由于语音信号的平均功率受声门激励和口鼻辐射影响，高频端大约在800Hz以上按6dB/倍频程跌落，即6dB/oct（2倍频）或20dB/dec（10倍频），所以求语音信号频谱时，频率越高相应的成分越小，高频部分的频谱比低频部分的难求，为此要在预处理中进行预加重处理。
目的是提升高频部分，使信号变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱，而且预加重零点与辐射零点将抵消声门波的影响，使语音信号中只包含声道部分，以便于频谱分析或声道参数分析。
图2.1表明了语音预处理的过程
采样
量化
预加重
加窗分帧
算法处理
语音
图2.1语音信号的预处理
预加重一般是在语音信号数字化之后，用具有6dB/倍频程的提升高频特性的预加重数字滤波器来实现，它一般是一阶的数字滤波器：
（2-1）
式中的取值接近于1。
有时要恢复原信号，需要从做过预加重的信号频谱来求实际的频谱时，要对测量值进行去加重处理，即加上6dB/倍频程的下降的频率特性来还原成原来的特性。
2.2.2加窗分帧
语音端点检测首先要进行分帧处理，然后依次判断每一帧是否为语音的端点。
在端点检测时如果采用较大的窗长，则帧长长，帧数少，这样计算量会小些，而且进行端点检测时速度也会快些，但是这样端点检测的误差容易增加。
如果采用较小的窗长，则计算量增加，语音识别的速度会降低。
我们可以在语音静音段时，采用较长的窗；
在语音和静音的过渡段时采用较小的窗，可以确切判断语音的起始点；
一旦确定语音的起点，就改用常规窗长。
在进行了预加重后，接下来就要对语音信号进行加窗分帧处理。
将语音信号划分为许多短时的语音段，每个短时的语音段称为一个分析帧。
帧和帧之间既可以连续，也可以重叠。
另外，由于不同语音信号的基音周期不同，在女性儿童的2ms到老年男子的14ms之间变化，为了兼顾男声和女声的最高和最低基音频率，且能准确地描述语音能量自身的实际变化规律，通常将窗宽选为10ms~20ms。
图2.2帧长和帧移
如图2.2所示分帧一般采用交叠分段的方法，这是为了使帧与帧之间能平滑过渡，保持其连续性。
前一帧和后一帧的交叠部分称为帧移，帧移与帧长的比值一般取为0~0.5之间。
分帧是用可移动的有限窗口长度进行加权实现的，即用窗函数乘以语音信号s（n），从而形成加窗的语音信号:
（2-2）
由于窗函数一般取为S（n）中间大两头小的光滑函数，这样的冲激响应所对应的滤波器具有低通特性，其带宽和频率取决于窗函数的选取。
用得最多的三种窗函数是矩形窗、汉明窗（Hamming）和汉宁窗（Ha
升级会员 