[发明专利]一种连续语音流中的叠音检测方法

权利要求书

1.一种连续语音流中的叠音检测方法，所述方法包含：

步骤101)通过对语音进行多尺度表示进而得到一种综合特征，再将得到的综合特征输入HMM检测器进行初次判决；

步骤102)采用非负矩阵分解对初次判决结果进行二次判决，进而剔除受噪声干扰而导致误判的非叠音段；

所述步骤101)进一步包含：

步骤101-1)对语音流进行端点检测，去除静音段；

步骤101-2)获取语音流的综合特征，所述综合特征包括四种尺度下的语谱图参数表示，以及它们的一阶和二阶差分；

步骤101-3)对综合特征包含的特征向量的每一维进行均值和方差归一化处理；

步骤101-4)再将步骤101-3)的处理结果输入HMM检测器进行初次判决；

所述步骤101-2)进一步包含：

步骤101-2-1)计算语音流在四种尺度下的特征参数进而得到52维特征值，并将四种尺度下的特征参数分别记为:MLpR1,MLpR2,MLpR3和MLpR4；

步骤101-2-2)将以上52维特征分成5组，具体分组结构如下：将第1～12维作为MLpR1的DCT系数、将第13～24维作为MLpR2的DCT系数、将第25～36维作为MLpR3的DCT系数、将第37～48维作为MLpR4的DCT系数、将第49～52维作为四种尺度下的LPCR系数；

步骤101-2-3)利用Group LASSO强制组间稀疏，选取最具区分能力的特征组作为综合特征；

所述步骤102)进一步包含：

步骤102-1)用非负矩阵分解在训练集上迭代学习，获得一个用以表示不同说话人语音的字典；

步骤102-2)用语音字典对初步判决得到的叠音段进行重建；

步骤102-3)根据重建误差进行决策，得到最终判决结果。

2.根据权利要求1所述的连续语音流中的叠音检测方法，其特征在于，所述步骤101-2-1)进一步包含：

首先，计算短时傅立叶分析，且短时傅里叶变换各参量的取值为：帧长为20ms,帧移为10ms且FFT采用1024点；

然后，计算得到的短时傅立叶频谱的64个子带的美尔对数谱；

接着，

采用离散余弦变换压缩得到的能量谱，并取第2至13维系数作为MLpR1；此外，计算该尺度下对数美尔频谱的12阶线性预测残差，将12阶线性预测残差作为MLpR1的一维；

MLpR4的分析窗长为200ms,窗移为10ms且FFT采用2048点；MLpR4也由第2至13维DCT系数及12阶LPCR构成；

MLpR2和MLpR3通过采用不同尺度的二维高斯窗平滑MLpR1的美尔对数谱，并提取相应的DCT及LPCR获得；所述二维高斯窗分别为5*5和11*11。

3.根据权利要求1所述的连续语音流中的叠音检测方法，其特征在于，所述步骤102-1)具体为：

计算训练样本的短时傅立叶变换，得到幅度谱V_it，其中短时傅里叶变换的窗长为20ms,帧移为10ms且FFT点数为1024；其中，i＝1,…,G,t＝1,…,T；i表示当前被分析样本所属说话人的编号；G表示说话人总数量；T表示被分析样本的总帧数；

将说话人i的所有幅度谱V_i＝[V_it]作为一组，进行分解，得到对应该说话人的语音基W_i，所述的分解通过最小化如下代价函数完成：

其中，W_i和H_i分别表示第i个说话人的基和权重，并在优化时保持它们非负；i＝1,…,G；V_it,t＝1,…,T，D(X||Y)表示库尔巴克散度：

其中，Xmn表示矩阵X的第m行第n列元素，Ymn表示矩阵Y的第m行第n列元素。