[发明专利]一种得到具有精细时频结构的声纹图的方法

说明书

技术领域

本发明涉及一种语音信号的时频分析方法，尤其是一种得到具有精细时频 结构的声纹图的方法。

背景技术

声纹图也称为语谱图，简称谱图，1941年由贝尔实验室研究人员发明，它 用三维或二维图形方式显示语音频谱特性，纵轴表示频率，横轴表示时间，颜 色的深浅表示特定频带的能量大小。最早的模拟语谱图仪器是把声波转换成电 信号的强度、波长、频率和节奏，再把这些电信号绘制成波谱图形。

目前使用的语谱图分为宽带(短窗)语谱图和窄带(长窗)语谱图两种。这两种 语谱图都是基于短时傅立叶变换方法得到的，而短时傅里叶变换假定在分析窗 内语音信号是平稳的，通过在时间轴上移动分析窗来得到一组局部时频图。但 是对于具有明显时变特性的语音信号来说，取较短的分析窗，即使用宽带语谱 图(带宽约为300Hz)较合理，故宽带语谱图具有良好的时间分辨率，但是频率 分辨率较差；相反，如果使用较长的分析窗，即窄带语谱图(带宽约为45Hz)， 具有良好的频率分辨率，但是时间分辨率较差。所以，受不确定性原理限制， 不能同时提高时间分辨率和频率分辨率，目前只能同时使用宽带和窄带语谱图。

基于短时傅里叶变换的语谱图，在时频平面对能量分布的描述是粗糙的。 非线性时频分析是描述非平稳语音信号的有效方法，其中维格那-威利分布 (Wigner-Ville Distribution，WVD)作为典型的时频分布，具有最好时频聚集性， 其时间频宽积已达到了不确定性原理的下界，即WVD具有最好的时频分辨率。 但由于它是一种双线性变换，多分量信号的WVD中存在交叉项，交叉项干扰了 信号原本固有的时频结构。语音是非平稳、多分量的、实值信号，其WVD无法 提供反映语音非平稳特征的时频结构，因此，基于非线性时频分析方法也不能 提供有效的声纹图。

人类的发声系统系统由发声控制器和发声共鸣器等组成，发声控制器官包 括声带、软颚、舌头、牙齿、唇等，而发声共鸣器包括咽腔、口腔、鼻腔。由 于人的发声器官存在着大小、形态及功能上的差异，这些器官的微小差异都会 导致发声气流的改变，从而造成音质和音色的差别。此外，每个人的发声习惯 有快有慢，用力有大有小，也会造成音强和音长的差别，所以，语音是人类的 生物特征之一。语谱图中每一字的声纹前部是清辅音的频谱，后部是元音频谱； 元音频谱由加强的纵线条构成，水平方向的黑带为共振峰，共振峰的数量、走 向及其频率是声纹分析的重要特征。因此对语谱图的分析，可以进行声纹鉴定。 而声纹鉴定正广泛应用于当今社会的诸多领域。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种得到具有精细时频 结构的声纹图的方法，得到反映语音信号固有的非平稳特征的精细时频结构的 声纹图，为后续的声纹识别提供原始的、细腻的、丰富的语音特征。

按照本发明提供的技术方案，所述得到具有精细时频结构的声纹图的方法， 通过经验模态分解将信号自适应地分解为若干个固有模态函数之和，再对每个 固有模态函数进行Hilbert变换得到瞬时幅度和瞬时相位，进而得到反映信号幅 值随随时间和频率的变化规律的Hilbert谱；在时频平面将所述Hilbert谱以三维 图形画出，得到具有精细时频结构的声纹图。

所述经验模态分解的方法为：

(1)求原始信号序列x(t)的各个局部极大值，用三阶样条函数进行插值，得到 信号x(t)的上包络线序列值e_max(t)和下包络线序列值e_min(t)；

(2)对每个时刻的上包络线序列值e_max(t)和下包络线序列值e_min(t)取平均值， 得到包络线的瞬时平均值m(t)

m(t)=emax(t)+emin(t)2]]>