張恒，周萍

　?。ü鹆蛛娮涌萍即髮W(xué) 電子工程與自動化學(xué)院，廣西 桂林 541000）

       摘要：語音端點檢測直接決定了語音識別的精度和速度。車載環(huán)境是一個非常復(fù)雜的環(huán)境，信噪比(SNR)有可能出現(xiàn)很低的情況，對于傳統(tǒng)的時域端點檢測方法來說，在這種環(huán)境下的端點檢測效果很差，而雙門限在高信噪比條件下，端點檢測的效果非常好，識別率很高，這就使得提高車載環(huán)境下語音SNR非常關(guān)鍵。文章提出采用改進(jìn)的小波去噪和改進(jìn)的雙門限方法進(jìn)行端點檢測。實驗結(jié)果表明，綜合改進(jìn)小波去噪和改進(jìn)雙門限的方法雖然有一定量的信號失真，但失真在可接受范圍之內(nèi)，并且在不增大運算量的情況下端點檢測的效果比傳統(tǒng)的雙門限效果要好，表明了本文算法的有效性。

　　關(guān)鍵詞：車載環(huán)境；小波去噪；雙門限；端點檢測

　　中圖分類號：TN912.34文獻(xiàn)標(biāo)識碼：ADOI： 10.19358/j.issn.1674-7720.2017.05.007

　　引用格式：張恒，周萍.車載環(huán)境下語音端點檢測的研究［J］.微型機(jī)與應(yīng)用，2017,36（5）：21-23.

0引言

　　*基金項目：廣西研究生教育創(chuàng)新計劃資助項目（YCSZ2015152）隨著語音識別技術(shù)的研究和發(fā)展，應(yīng)用語音技術(shù)開發(fā)的產(chǎn)品已涉及到人們生活的多個方面，有聲控電話交換、語音撥號系統(tǒng)、聲控智能玩具、醫(yī)療服務(wù)等，促進(jìn)了整個社會經(jīng)濟(jì)的發(fā)展，在未來也將帶來社會科技的變革。目前，語音識別技術(shù)已經(jīng)應(yīng)用在很多玩具車上，很多廠商也正在加快速度研究車載語音系統(tǒng)。經(jīng)過幾十年來人們對語音識別技術(shù)的探索和研究，語音識別技術(shù)以及用于開發(fā)語音的硬件設(shè)備都在不斷地改進(jìn)更新，語音識別產(chǎn)品已經(jīng)逐步從實驗室走向工廠，各廠商已經(jīng)推出各種系統(tǒng)的汽車產(chǎn)品。

　　語音端點檢測在語音信號處理中是一個極其重要的環(huán)節(jié)，它決定了后面的處理結(jié)果，比如對語音信號的特征提取、模式匹配時的正確率。車載環(huán)境下的語音噪聲非常復(fù)雜，車內(nèi)發(fā)動機(jī)聲音、輪胎與路面之間的摩擦聲、空氣擾動、窗外嘈雜聲等［1］，使得信噪比降低。在低信噪比的條件下，使用傳統(tǒng)的雙門限端點檢測方法，會大大降低識別率，雙門限在信噪比較高時有非常好的效果，而使用頻率或其他模式匹配的檢測方法會增加其運算量，不利于車載環(huán)境下的實時性要求，因此本文提出一種基于改進(jìn)的小波降噪和改進(jìn)的基于短時能量與過零率雙門限端點檢測的方法，最大限度地還原語音有效信號，為之后的特征提取和模式匹配提供良好的資源。

1小波去噪

　　小波去噪在處理非平穩(wěn)信號上有很大的優(yōu)勢，其中關(guān)鍵的步驟是閾值的選取，這對于去噪的效果影響較大。

　　1.1小波變換

　　小波變換（Wavelet Transform,WT）是近幾十年發(fā)展起來的一種新的數(shù)學(xué)分析方法，特別是近十幾年，在很多領(lǐng)域都有廣泛的應(yīng)用。小波變換的實質(zhì)是由一個低通濾波器和一系列帶通濾波器組成。它是短時傅里葉變換（STFT）的變化形式，繼承和發(fā)展了局部化的思想，具有多頻率分析、能夠聚焦到信號的細(xì)節(jié)，被稱作是“數(shù)學(xué)顯微鏡”［2］。小波變換能隨信號頻率的改變而調(diào)整分析窗口大小，具有一定的自適應(yīng)性，能夠解決很多Fourier不能解決的問題，特別是在非平穩(wěn)信號中，小波變換的優(yōu)勢更加突顯。

　　1.2小波去噪原理

　　基于小波變換的優(yōu)勢，小波去噪成為小波變換重要的應(yīng)用之一。去噪的方法主要有：模具極大值檢測法、相關(guān)性去噪、閾值法、平移不變量小波去噪法［3］。其中閾值法運用較為廣泛，其算法運算量低，易于實現(xiàn)，且效果很好。本文主要基于改進(jìn)的閾值法進(jìn)行去噪。小波去噪分為3個過程，其步驟可總結(jié)為［4］：（1)小波分解；（2)閾值處理；（3)小波重構(gòu)。

　　小波閾值去噪主要有軟閾值和硬閾值法，它們都具有自己的優(yōu)缺點，通常采用兩者結(jié)合的方式對小波系數(shù)進(jìn)行估計。軟閾值和硬閾值法是1994年由Donoho在小波變換的基礎(chǔ)上提出的［5］。下面分別介紹它們以及本文改進(jìn)的閾值法。

　?。?）硬閾值法和軟閾值法

　　硬閾值，當(dāng)小于等于閾值時將小波系數(shù)置零，當(dāng)大于閾值時保持小波系數(shù)不變，其閾值函數(shù)如式（1）：

　　j,k=wj,k|wj,k|≥λ

　　0|wj,k|<λ（1）

　　軟閾值，當(dāng)小于等于閾值時將小波系數(shù)置零，當(dāng)大于閾值時對小波系數(shù)閾值進(jìn)行收縮處理，其閾值函數(shù)如式(2)［6］：

　　上面的兩個公式中j,k為量化后的小波系數(shù)，wj,k為小波分解系數(shù)，λ為設(shè)定的閾值。

　　對于上面的軟、硬閾值，要根據(jù)具體的噪聲環(huán)境而做出選擇，因此其閾值法具有一定的局限性，不能很好地適用于強(qiáng)噪聲或復(fù)雜噪聲環(huán)境下?；谏厦骈撝岛瘮?shù)的缺陷，本文提出了以下改進(jìn)的閾值法，使其能運用到車載環(huán)境中。

　　（2）本文改進(jìn)的閾值法

　　為了克服閾值法的缺點，本文采用如下的閾值函數(shù)進(jìn)行去噪:

　　 (j+1)為閾值;其中σ為噪聲標(biāo)準(zhǔn)差，σ等于高頻系數(shù)的絕對中值，σ=median（abs（D））,Nj為高頻系數(shù)的長度。

2改進(jìn)的雙門限算法

　　由于雙門限算法簡單可行、復(fù)雜程度低、運算量小、實時性較好等，很多學(xué)者或科研人員在其上改進(jìn)各種算法。

　　2.1雙門限算法原理

　　語音信號一般可分為無聲段（靜音段）、清音段、濁音段，由于他們的能量是有一定區(qū)別的，顯然濁音段能量大于清音段，清音段大于無聲段，但在實際檢測過程中，由于噪聲以及清音段本身能量較低的特點，使得無聲段與清音段難以區(qū)分［7］，所以還有一種信號特征用于其檢測，即短時過零率。短時過零率表示信號穿過橫坐標(biāo)（零電平）的次數(shù)。短時能量和短時過零率函數(shù)定義分別為式（4）、式（5）：

　　對于上面式（4）和式（5），x（m）為語音信號，En為能量，h（n-m）為相關(guān)的濾波器，Zn為過零率。

　　2.2本文改進(jìn)的雙門限算法

　　語音開始和結(jié)尾對于端點檢測至關(guān)重要，因為閾值的設(shè)定要通過靜音段確定，而為了增強(qiáng)檢測的適應(yīng)性，應(yīng)根據(jù)具體的噪聲環(huán)境確定能量閾值，而不能單一運用一個閾值到所有的信噪比環(huán)境下。通常需要通過能量的最大值max和最小值min來確定一個閾值，即采用一種折中的方法選取閾值。參考文獻(xiàn)［7］采用的是當(dāng)能量的最大值max比上能量的最小值min小于33.33時，閾值下限ITL設(shè)置為0.03max+0.97min，反之ITL設(shè)置為4min；閾值上限ITU設(shè)置為4ITL［8］。

　　由于低信噪比環(huán)境下以上雙門限算法有一定局限性，端點檢測的效果很差，通過大量的采集數(shù)據(jù)和實驗，本文得出如下的改進(jìn)門限法。設(shè)置能量閾值的上、下限如式（6）所示：

　　ITL=1.45 IMM

　　ITU=1.55 ITL（6）

　　IMM為前15幀的能量幅值的平均值。

　　通過前面改進(jìn)的小波去噪方法提高了信噪比，使得端點檢測識別率提高，這樣在車載壞境下的特征提取和模式匹配準(zhǔn)確度會提高。下面給出實驗結(jié)果。

3實驗結(jié)果

　　通過多次采集不同車載環(huán)境下的噪聲，采用sym8小波，分解層數(shù)為5時效果比較明顯。圖1給出了改進(jìn)小波去噪效果，分別在-5 db、0 db、5 db時的去噪效果比較，其橫坐標(biāo)為語音的采樣點數(shù)，縱坐標(biāo)為語音信號幅度值。表1是幾種不同噪聲環(huán)境下輸出的SNR和MSE。

從表1中可以得出在低信噪比的環(huán)境下小波去噪發(fā)揮了它的優(yōu)勢。圖1幾種不同低信噪比條件下的去噪效果通過小波去噪后，得到了更好的語音資源，此時將去噪后的語音進(jìn)行端點檢測會得到更好的效果［9］，表2列出了不同信噪比情況下幾種不同環(huán)境下車載語音端點檢測結(jié)果，從中可以看出，“我到北京去”這段語音相比于傳統(tǒng)的雙門限，去噪以及改進(jìn)后的雙門限檢測效果更好，其檢測率高于傳統(tǒng)雙門限檢測率，且沒有增加算法的運算量，使實時性得到保障。從圖1和表1數(shù)據(jù)分析，小波去噪在車載強(qiáng)噪音環(huán)境下效果較為明顯，改進(jìn)的雙門限檢測方法也具有一定適應(yīng)性，能夠在車載多變的噪聲環(huán)境下進(jìn)行檢測。從表1可以看出，在車載高SNR條件下，檢測效果有明顯的提升；在低SNR下，雖然檢測效果有所下降，但相比于傳統(tǒng)的檢測效果還是有所提升。通過信噪比SNR和均方誤差MSE衡量語音去噪的效果，從表中可以看到降噪明顯。通過表2的對比看出，端點檢測率提高了，表明語音檢測的有效性。

4結(jié)論

　　對于車載環(huán)境下，噪聲是比較大、比較復(fù)雜的，低SNR會使傳統(tǒng)雙門限檢測方法的識別率大大降低［10］，對于這一缺點，本文首先采用了改進(jìn)小波去噪算法提高車載環(huán)境下的SNR，再使用改進(jìn)的雙門限算法進(jìn)行端點檢測。從實驗結(jié)果來看，失真不影響檢測效率，且提高了檢測率，證明本文算法切實可行。

參考文獻(xiàn)

　?。?］ 馬龍華，郝燕玲.車載環(huán)境下語音識別方法研究［D］.哈爾濱：哈爾濱工程大學(xué)，2009.

　?。?］ 吳勇，吳傳生.基于小波去噪研究方法［D］.武漢：武漢理工大學(xué)，2007.

　?。?］ 金寶龍，李輝，趙乃杰，等.一種新的小波閾值去噪算法［J］.彈箭與制導(dǎo)學(xué)報，2011，31(1):167-169.

　?。?］ 趙廣超，肖斌，國闖，等.小波分析理論與圖像降噪處理［J］.微型機(jī)與應(yīng)用.2011,30(19): 35-37.

　?。?］ 段永剛，馬立元，李永軍，等.基于小波分析的改進(jìn)軟閾值去噪算法［J］.科學(xué)技術(shù)與工程，2010，10(23):5755-5658.

　?。?］ 楊岳飛，劉輝，譚檢平.帶噪語音信號小波去噪算法研究［J］.計算機(jī)工程與應(yīng)用，2015，51(14):211-213.

　?。?］ 陳東鈺，周萍.基于雙門限算法的語音端點檢測和聲韻母分離研究［J］.桂林電子科技大學(xué)學(xué)報，2011，31(6):481-482.

　?。?］ 劉慶升，徐霄鵬，黃文浩.一種語音端點檢測的探究［J］.計算機(jī)工程，2003,29(3):120-121.

　?。?］ 魯遠(yuǎn)耀，周妮，肖珂，等.強(qiáng)噪音環(huán)境下改進(jìn)的語音端點檢測算法［J］.計算機(jī)應(yīng)用,2014,34(5):1386-1390.

　?。?0］ 劉華平，李昕，徐柏齡，等.語音信號端點檢測方法綜述及展望［J］.計算機(jī)應(yīng)用研究,2008,25(8):2278-2283.