[发明专利]基于深度堆栈自编码网络的说话人识别方法

说明书

本发明涉及一种基于深度堆栈自编码网络的说话人识别方法，S1：说话人特征提取；S2：堆栈自编码器的网络设计；S3：说话人识别与决策。本发明与传统说话人识别相比，将深度堆栈自编码网络与说话人识别系统模型相融合，结合堆栈自编码器的多层结构在提高评价模型的表征能力方面的显著效果，本发明的说话人识别方法在存在背景噪声的环境下能够有限提升系统的识别性能，在降低噪声对系统性能影响、提高系统噪声鲁棒性的同时，优化系统结构，使识别实时性得到有效增强。

技术领域

本发明计算机视觉技术领域，尤其涉及一种基于深度堆栈自编码网络的说话人识别方法。

背景技术

说话人识别又称声纹识别，是利用语音信号中含有的特定说话人信息来识别说话人身份的一种生物认证技术。近年来，基于因子分析的身份认证矢量(identity vector,i-vector)说话人建模方法的引入使得说话人识别系统的性能有了明显提升。I-vector用一个低维的总变量空间来表示说话人子空间和信道子空间，并将说话人语音映射到该空间得到一个固定长度的矢量表征(即i-vector)。基于i-vector的说话人识别系统主要包括充分统计量的提取、i-vector映射、似然比得分计算3个步骤。然而，i-vector模型框架中总体变化模型和线性判别分析模型可行性的前提是说话人信息和通道信息线性可分，实际上线性可分难以准确地将两者有效分离，这就限制了模型在复杂实际环境中的性能。

近年来，得益于深度学习较强的深层信息抽取和非线性建模能力，深度学习理论在诸多机器学习领域都取得了成功的应用。为了进一步提高文本无关说话人识别的性能和鲁棒性，将深度学习引入到说话人识别的建模框架中，利用深度学习模型具有的深度非线性结构特征，进行了性能评估和分析。

发明内容

基于背景技术存在的技术问题，本发明提出一种基于深度堆栈自编码网络的说话人识别方法。

一种基于深度堆栈自编码网络的说话人识别方法，方法步骤如下：

S1：说话人特征提取；

S2：堆栈自编码器的网络设计；

S3：说话人识别与决策。

优选的，所述S1中包括以下步骤：

1)采集原始语音信号并依次预加重、分帧、加窗，快速傅里叶变换、三角窗滤波、求对数、离散傅里叶变换、差分参数、短时能量，获得MFCC系数；

2)给出一组训练按步骤1)提取出MFCC特征，训练高斯混合-通用背景模型；

3)将目标说话人和待识别说话人的语音按步骤1)提取出MFCC特征，训练高斯混合-通用背景模型来对语音声学特征进行对准，并计算得到特征的高维充分统计量。

优选的，所述S2中包括以下步骤：

1)将多层稀疏自动编码器组成堆栈式自动编码器；

2)加入无监督的预训练和有监督的微调。

优选的，所述S3中包括以下步骤：

1)在后端测试阶段，当给出一条测试语音的i-vector后，首先将该语音和所有说话人模型进行比对，得到测试概率，即测试得分；

2)将最大得分对应的标签与声称的标签对比，若相同，就认为这段语音是其所声称的说话人的语音，否则就拒绝；

3)计算所有测试语音正确识别的概率，即系统的识别率。

优选的，在S1的第1)步中将语音信号进行分帧时，将N个采样点集合成一个观测单位，N为256或512。

优选的，在S1的第1)步中将语音信号进行差分时，采用一阶差分和二阶差分。