[发明专利]一种用于公安刑侦监听的语音分离与跟踪方法

权利要求书

1.一种用于公安刑侦监听的语音分离与跟踪方法，其特征在于，包括以下步骤：

S1：根据时序导入初始语音，对初始语音进行分帧加窗处理，得到加窗语音信号；

S2：对加窗语音信号进行时频分解，通过短时傅里叶变换得到时频二维信号；

S3：对所述时频二维信号在频域中进行端点检测，将空语言段对应的语音信号段进行过滤处理；

S4：利用双向长短时记忆网络结构对完成过滤处理的时频二维信号进行语音分离，输出目标说话人的多个语音波形；其具体步骤包括：

S41：构建双向长短时记忆网络结构，将时频二维信号输入所述双向长短时记忆网络结构中，所述双向长短时记忆网络结构的表达公式如下：

其中，表示输入的语音特征，X∈R^F×T表示C个说话人混合的幅度谱，其中T表示信号的帧，F表示信号的频率；表示将输入的语音特征映射到K维的嵌入向量特征空间，V∈R^FT×K表示X映射到K维的嵌入向量的特征空间的结果矩阵；

S42：通过学习K维的亲和矩阵VV^T得到聚类后的二值亲和矩阵，计算损失函数C_Y(V)：

其中，Y为类别信息矩阵，YY^T表示聚类后的结果的亲和矩阵；v_i表示第i个时频单元的值，v_j表示第j个时频单元的值；y_i、y_j为矩阵Y中的数值；d_i、d_j、N为常量；

S43：引入正则化对所述损失函数C_Y(V)进行优化得到总损失函数C_Y，其公式如下：

VV^T∈R^K×K

其中，I表示单位矩阵，||·||_F表示矩阵的范数；

S44：根据所述总损失函数C_Y对双向长短时记忆网络结构中的参数进行训练，得到完成训练的双向长短时记忆网络结构，然后将完成过滤处理的时频二维信号作为所述网络结构的输入，输出得到目标说话人的多个语音波形；

S5：建立与训练基于GMM-UBM的目标说话人模型，将所述目标说话人的语音波形作为模型输入，通过自适应获取目标说话人的GMM模型然后对语音波形进行辨认，输出目标说话人的序列编号，即为语音跟踪结果。

2.根据权利要求1所述的语音分离与跟踪方法，其特征在于：所述S1步骤中，对初始语音信号根据预设的固定的时间段进行分帧加窗处理，其公式如下：

x_w(n)＝x(n)×w(n)

其中，x(n)表示初始语音信号，w(n)表示窗口函数，x_w(n)表示加窗语音信号。

3.根据权利要求2所述的语音分离与跟踪方法，其特征在于：所述窗口函数采用汉明窗函数，其中窗长为8ms，帧移为4ms，时序长为200。

4.根据权利要求2所述的语音分离与跟踪方法，其特征在于：所述S2步骤中，对加窗语音信号进行短时傅里叶变换的公式如下：

其中，X(t,f)为时频二维信号，t为时间帧，f为频率，w(·)表示汉明窗函数。

5.根据权利要求4所述的语音分离与跟踪方法，其特征在于：所述S3步骤中，对所述时频二维信号在频域中进行端点检测的公式如下：

P(w)＝20log(|X|)

|X_vad|＝|X|＞x_vad

其中，P(w)表示声压级能量，P_max(w)表示最大声压级能量，|X|为语音信号的幅度谱振幅，x_vad表示基于声压级能量阈值转化为幅度谱后的振幅，threshold为预设的阈值。