改进的基于多特征的语音端点检测方法

噪声环境是语音识别性能下降的原因之一,端点检测作为其关键技术,其性能优劣在某种程度上决定了识别率的高低。提出一种改进的基于倒谱特征的带噪端点检测方法。在传统基于倒谱距离的算法上综合利用短时过零率和短时能量多特征作为最终判决的门限。实验结果表明,该方法计算效率较高,低信噪比下有较好的检测性能。     

基于倒谱特征的带噪语音端点检测

在语音识别系统中产生错误识别的原因之一是端点检测有误差.在高信噪比情况下,正确地确定语音的端点并不困难.然而,大多数实际的语音识别系统需工作在低信噪比情况下,一些常规的端点检测方法,例如基于能量的端点检测方法在噪声环境下不能有效地工作.本文利用倒谱特征来检测语音端点,提出了带噪语音端点检测的两个算法,第一个算法利用倒谱距离代替短时能量作为判决的门限,第二个算法改进了基于隐马尔柯夫模型(HMM)的语音检测以适应噪声的变化,实验结果表明本方法可得到高正确率的带噪语音端点检测.     

基于LPC美尔倒谱特征的带噪语音端点检测

复杂的噪声环境是语音识别系统在实际应用中性能下降的原因之一,识别预处理中的带噪端点检测作为关键技术,其性能的优劣某种程度上决定了识别率的高低。笔者提出了基于LPC美尔倒谱特征的带噪端点检测方法,对语音信号分高低频段分别提取IPC美尔倒谱特征分析,根据Mel倒谱距离判决,采用自适应噪声估计,实验结果表明,该方法计算效率较高,低信噪比下有较好的检测性能。     

一种带噪语音信号端点检测方法研究

端点检测是语音识别中的一个重要环节.当信噪比较低时,传统的端点检测方法不能有效的工作,影响了系统的识别率.为此,本文提出了一种更有效的端点检测算法--基于LPC美尔倒谱特征的端点检测方法,它是基于LPC距离方法的一种改进.实验证明,该算法在低信噪比的情况下,能够准确的检测出语音信号.通过对三种不同的端点检测算法的比较,证明了基于LPC美尔倒谱特征算法的检测正确率较高.     

无声语音识别中的端点检测算法

无声语音识别常以表面肌电信号作为研究对象。表面肌电信号的端点检测是影响识别结果的一个重要因素。表面肌电信号与语音信号有类似之处。借助语音端点检测的方法对表面肌电信号进行分割是一种可行的思路。基于此,采用子带谱熵和梅尔倒谱距离作为信号端点检测的判决依据,通过粒子群算法优化支持向量机分类器给出端点检测结果。结果表明,在不同信噪比条件下,该算法有最高的检出率与最低的错误率。对于基于K最近邻（K-Nearest Neighbor,KNN）的无声语音识别任务,识别率达95.3%。     

基于Mel-TEO的带噪语音端点检测算法

针对短时TEO能量算法抗噪性差的缺点,提出了一种强噪声下的端点检测新算法.该算法在短时TEO能量端点检测的基础上,增加Mel倒谱距离判断环节,采用先粗判后精判的互补性两级判决机制.首先利用强抗噪性Mel倒谱距离进行端点粗判,然后再利用体现语音信号时域特征与语音共振峰特性的短时TEO能量进行端点精判.实验表明,在信噪比相对较低的环境下,该改进算法与传统的双门限法和短时TEO能量相比,在没有增加运算复杂度的同时提高了检测系统的准确度.     

基于Teager能量算子的语音端点检测算法研究

语音识别中端点检测是很重要的环节,检测的好坏直接影响到后面的语音识别的效果。传统使用的短时能量与短时过零率方法在信噪比较低时,不能有效地检测语音端点,检测准确率较低。利用Teager能量算子的非线性特性,能在抑制背景噪声的同时对平稳和不平稳信号有不同程度的衰减。因此,文中提出一种基于Teager能量算子的端点检测方法,并进行改进检测算法。经过实验证明,改进的算法与短时能量检测的结果相比,该算法在信噪比较低的情况下,能够比较准确地检测出语音的起始端点,同时语音端点检测准确率比较高,验证了该算法的有效性。     

一种基于倒谱均值减的语音端点检测改进方法

端点检测是语音识别理论研究中的关键技术之一,为了提高语音端点检测方法的抗噪性和准确性,引入倒谱均值减(Cepstral Mean Subtraction,CMS)设计一种新的语音端点检测方法.在传统倒谱均值减算法的基础上,采用隐马尔可夫模型(Hidden Markov Model,HMM)提取最佳特征子集,利用二次分类...     

基于压缩感知观测序列倒谱距离的语音端点检测算法

本文基于语音信号在离散余弦基上的近似稀疏性,采用稀疏随机观测矩阵和线性规划重构算法对语音信号进行压缩感知与重构。研究了语音信号的压缩感知观测序列特性,根据语音帧和非语音帧压缩感知观测序列频谱幅度分布分散且差异较大的特性,提出基于压缩感知观测序列倒谱距离的语音端点检测算法,并对4dB-20dB下的带噪语音进行端点检测仿真实验。仿真结果显示,基于压缩感知观测序列倒谱距离的语音端点检测算法与奈奎斯特采样下语音的倒谱距离端点检测算法一样具有良好的抗噪性能,但由于采用压缩采样,减少了端点检测算法的运算数据量。      

基于多带谱相减的语音端点检测算法

为了提高噪声环境下语音端点检测的鲁棒性，介绍了一种基于多带谱相减的语音端点检测算法．仿真结果表明，与传统的基于短时能量，过零率语音端点检测算法相比，在低信噪比环境下，该算法仍可以有效的检测出起止端点．     

基于MFCC0的语音端点检测方法

MFCC是语音识别中常用的特征参数，根据MFCC分量对语音端点的敏感性，提出利用平常舍去的识别特征参数分量MFCC0作为语音端点检测的参量．接着根据MFCC0的特性设计了一种新的端点检测方法，该方法简单且无需增加额外的计算量．实验结果表明，基于该方法的语音识别系统不仅可以通过端点检测大大压缩数据量，而且提高了系统的识别率．     

低信噪比下多参数融合的自适应语音端点检测

传统语音端点检测方法利用语音和噪声在某单一参数特征上的差异进行信号中语音起止点的切分,但不同参数在低信噪比不同噪声环境下表现不稳定,鲁棒性差。因此,本文提出了基于均匀子带谱方差,能熵比,梅尔倒谱距离,似然比四种参数相融合的语音端点检测方法。该方法能自适应地改变各参数阈值,并通过实时监测噪声段能熵比的值确定所采用的投票判决机制,从而进行语音端点判定。实验结果表明,该方法在低信噪比下较常用的端点检测方法有更高的检测正确率及鲁棒性,对语音信号后续处理工作有一定的借鉴意义。      

基于MEFF倒谱距离与对数能量融合的语音端点检测方法

为提高低信噪比环境下语音端点检测算法性能不高的问题,提出将MFCC倒谱距离与对数能量结合进行端点检测.首先,对语音计算对数能量,然后计算改进的倒谱距离,将MFCC倒谱距离与对数能量融合,获得了一种新的语音参数,该参数能有效地提高低信噪比情况下语音与噪声的区别,对参数进行顺利滤波用于语音端点检测,采用自动更新的双阈值进行语音端判别.仿真实验表明,该算法具有较好的适用不同噪声,在低信噪比下依然能获得比较理想的端点检测效果.     

基于智能卡的说话人确认系统及其应用

在基于智能卡的说话人确认系统中,实现了一种新的端点检测方法:能频值端点检测方法,其取得了较好的效果;在鲁棒性方面,研究了Mel倒谱系数各分量在说话人识别中的贡献,以及在参数级上Mel倒谱系数的差分系数及倒谱均值相减法对说话人识别的贡献;最后,讨论了基于智能卡的生物特征识别技术的应用途径。     

汉语数字耳语音识别研究

耳语音识别可应用于国家安全的某些特殊需要。运用双门限法对语音样本进行端点检测,通过实验分别找出短时能量、短时过零率的高低门限4个参数的最佳取值。深入分析研究参数的抗噪问题,在MFCC参数中引入短时能量、一阶差分、二阶差分等参数,增强MFCC的抗噪性。研究表明,在隐马尔可夫模型中,MFCC和LPCC联合运用讨论识别效果要远优于独立参数。     

基于语音静音段特征的手机来源识别方法

手机来源识别已成为多媒体取证领域重要的热点问题.提出了一种基于语音静音段特征的手机来源识别方法,该方法先通过使用自适应端点检测算法得到语音的静音段;然后将静音段的梅尔频谱系数(MFC)的均值作为分类特征;最后结合WEKA平台的CfsSubsetEval评价函数按照最佳优先(BestFirst)搜索进行特征选择,并采用支持向量机(SVM)对手机来源进行识别.实验部分对23款主流型号的手机进行了分类,结果表明所提特征具有较好的分类性能,在TIMIT数据库和自建的CKC-SD数据库上,平均识别准确率分别为99.23％和99.00％.另外,与语音段MFC特征和梅尔倒谱系数(MFCC)特征进行了对比,实验结果证明所提特征具有更加优越的性能.     

一种改进的语音端点检测方法研究

为了提高语音信号端点检测的准确率,提出了改进的端点检测方法。该方法在传统基于能量和过零率的端点检测方法基础上,加入第三道门限——近似熵,对信号进行三级门限检测。仿真实验表明,该方法比传统方法更有效、更优越．能够比较准确的检测语音信号。     

An Improved Endpoint Detection Algorithm Based on MFCC Cosine Value

Endpoint detection is one of the most important steps in speech recognition. In a high SNR environment, the algorithm based on short-time energy and zero rate could be used. But when the SNR is low, this method may not be accurate. Some researchers proposed an algorithm which is based on MFCC Euclidean distance. It has a better performance in a noise environment. But that algorithm needs two thresholds to find the start and end point. However, when the values of two thresholds are not suitable, the detected result could be extremely bad. In this paper, we proposed an improved algorithm which is based on MFCC cosine value. This method can reduce errors, since it only needs one single threshold. The benefit of this improved algorithm is that the result can surely contain the real voice component. According to the experiment data, this improved algorithm can improve the speech recognition rate by 10% even in noise environment (SNR = 0). Thus, it proved that this improved methods has better robustness.     

基于DCT增强和改进谱熵的语音端点检测方法

端点检测是语音信号处理过程中非常重要的一步，它的准确性直接影响到后面的学习及识别效果．提出了基于DCT（离散余弦变换）增强和改进谱熵的语音端点检测方法．首先，通过DCT（离散余弦变换）进行语音增强，然后再通过改进谱熵法判决去噪后语音的端点位置．仿真结果表明：此方法快速有效，具有较强的抗噪能力，特别适合低信噪比下的端点检测．