[发明专利]基于三维卷积神经网络文本无关的说话人识别方法及系统

权利要求书

1.一种基于三维卷积神经网络文本无关的说话人识别系统，其特征在于包括：

模块一：语音采集模块，用于语音数据的采集；

模块二：语音预处理模块，用于提取语音原始数据的梅尔频率倒谱系数特征剔除这些特征中的非音频数据，得到最终的训练数据；

语音预处理模块进一步包括以下步骤：

S0：对每一个原始语音数据，提取梅尔频率倒谱系数特征，假设帧长为A毫秒，步长为B毫秒，因此每个帧长内就会得到一个C维的特征向量，假设原始语音数据有N个帧，这样得到NxC的二维矩阵X；

S1：将SO中的特征采用语音激活检测剔除其中的非音频数据，每个原始语音得到MxC的二维矩阵Y，其中M小于等于N；

S2：构建三维训练样本，所有数据以hd5的格式保存，假设每个三维训练数据的格式为h*n*C，其中h为数据的深度，n为数据的行，C为数据的列；

S3：假设每类别的有T(Th)个语音数据样本，通过S0和S1可以得到每个样本的最终特征为M(Mn)个C维的二维矩阵Y；

S4：从每个类别的T个样本中随机选择h个样本，再从每个样本的特征矩阵Y中随机选择n行，这样就得到这个人的一个三维训练样本h*n*C；

S5：重复S4，就可以得到所有类别的训练样本；

模块三：说话人识别模型训练模块，用于训练说话人识别的离线模型；

模块四：说话人识别模块，用于实时识别说话人的身份。

2.根据权利要求1所述基于三维卷积神经网络文本无关的说话人识别系统，其特征在于：

语音采集是采用录音的方式收集的。

3.根据权利要求1所述基于三维卷积神经网络文本无关的说话人识别系统，其特征在于：

剔除特征中的非音频数据采用能量比对的方法，首先设定一个能量阈值E，对MFCC的特征中每一帧的能量小于E则认为是噪音剔除，否则是音频数据保留。

4.根据权利要求1所述基于三维卷积神经网络文本无关的说话人识别系统，其特征在于：

说话人识别模型训练模块中，网络模型采用残差卷积神经网络，分类器采用softmax，这样经过训练之后得到一个离线模型。

5.根据权利要求4所述基于三维卷积神经网络文本无关的说话人识别系统，其特征在于：

说话人识别模块进一步包括以下步骤：

S0：说话人注册，收集n说话人的语音样本，每人h个样本，采用训练的离线模型提取特征作为注册模型，保存在数据库中；

S1：由于待测试的说话人只有一个样本，因此需要复制此样本为h个样本，同样采用训练的离线模型提取特征；

S2：计算S0和S1中待识别说话人特征和数据库中的所有人的特征的余弦值sim，如果sim大于某个阈值sim_，则接受，否则拒绝。

6.一种基于三维卷积神经网络文本无关的说话人识别方法，其特征在于：使用了权利要求1至5任一权利要求所述的基于三维卷积神经网络文本无关的说话人识别系统。