（電路與系統(tǒng)專業(yè)論文）基于卡爾曼濾波的語音增強算法研究(1)[電路與系統(tǒng)專業(yè)優(yōu)秀論文].pdf

摘要 摘要 隨著現(xiàn)代通信技術(shù)的迅速發(fā)展和計算機的普及，語音通信已經(jīng)成為了現(xiàn)代 信息社會最重要的信息交流手段之一。實際通信中語音信號總會受到各種環(huán)境 噪聲的干擾，導(dǎo)致語音質(zhì)量下降，使通話質(zhì)量和語音處理系統(tǒng)的性能下降甚至 失效。這種情況下，有必要采用語音增強技術(shù)抑制背景噪聲，提高語音通信質(zhì) 量。語音增強可以應(yīng)用于多媒體語音通信、有線、無線語音通信、語音編碼、 助聽設(shè)備、魯棒性語音識別和多模態(tài)入機交互、口語對話等領(lǐng)域。 卡爾曼濾波器是均方誤差最小意義下的最優(yōu)線性估計器，具有處理非平穩(wěn) 信號的能力。基于卡爾曼濾波的語音增強算法結(jié)合了語音的生成模型，利用語 音的線性預(yù)測系數(shù)構(gòu)成狀態(tài)轉(zhuǎn)移矩陣，增強后語音中殘留的音樂噪聲較少。卡 爾曼濾波器具有處理多狀態(tài)系統(tǒng)的能力，適合于非平穩(wěn)噪聲干擾下的語音增強。 本文對基于卡爾曼濾波的語音增強方法進行了深入研究，主要做了以下工作： 1 深入地研究了卡爾曼濾波理論及其在語音增強中的應(yīng)用，針對卡爾曼濾 波器存在的發(fā)散現(xiàn)象，給出了平方根卡爾曼濾波方法。 2 針對卡爾曼濾波器需要語音的線性預(yù)測系數(shù)構(gòu)造狀態(tài)轉(zhuǎn)移矩陣，討論了 噪聲環(huán)境下線性預(yù)測系數(shù)提取的方法。深入研究基于語音活動檢測和最小值統(tǒng) 計跟蹤的噪聲功率譜估計方法。實驗表明，最小值統(tǒng)計跟蹤方法能夠更好的估 計噪聲功率譜，與譜減算法結(jié)合時能有效的增強語音。并且利用聲道的慢變特 性平滑語音的線性預(yù)測系數(shù)，能夠進一步減少增強語音中的殘留孤立噪聲。 3 針對傳統(tǒng)的卡爾曼濾波語音增強算法對語音建立由白噪聲激勵的a r 模 型，忽略了濁音段語音的激勵信號具有明顯的周期性，本文對語音建立清濁音 模型，提出一種結(jié)合多脈沖激勵的卡爾曼濾波語音增強算法，在濁音段的語音 狀念方程中加入多脈沖激勵信號，重建語音的高頻諧波。實驗結(jié)果表明，本文 算法能夠更好地提高語音質(zhì)量，改善增強效果。 關(guān)鍵詞：語音增強卡爾曼濾波噪聲功率譜估計語音的清濁音模型 多脈沖激勵 a b s t r a c t a b s t r a c t w i t ht h ed e v e l o p m e n to fc o m m u n i c a t i o nt e c h l l o l o g ya i l dt h ep o p u l a r i z a t i o no f p e r s o n a lc o m p u t e r s p e e c hc o m m u n i c a t i o nh a sb e c o m eo n eo ft h em o s ti m p o n a r l t t e c h n j q u e so ft h ei n f o n n a t i o ne x c h a n g e i nt h er e a lw o r l dc o m m u n i c a t i o n ，t h es p e e c h s i g n a li si n e v i t a b l yc o r r u p t e db ye n v i r o r u n e n t a ln o i s e ni sl e a d i n gt os p e e c hq u a l i t y d e c l i n ea n dt h ep e r f i o m a n c eo fs p e e c hp r o c e s ss y s t e m sd e g r a d e d ni sn e c e s s a r yt 0 u s es p e e c he n h a n c e m e n tt e c h n o l o g yt or e d u c em eb a c k g r o u n dn o i s ea n d i m p r o v et h e q u a i i t y o fs p e e c h s i g n a l s p e e c he n h a n c e m e mt e c h n o l o g yh a sb e e na p p l i e dt 0 m u i t i m e d i as p e e c hc o m m u n i c a t i o n ，c a b l e ，謝r e l e s ss p e e c hc o m m u n i c a t i o n s ，s p e e c h c o d i n g ，h e a r i n ga i d se q u i p m e n t ，r o b u s ts p e e c hr e c o g n i t i o n 觚do t h e r 矗e l d s k a l m a n6 h e ri sa no p t i m a ll i n e a re s t i m a t o ri nt h em i n i m 啪m e a l ls q u a r ee 1 1 r o r ( m m se ) c r i t e r i o n ，w i t hn o n - s t a t i o n a r ys i g l l a lp r o c e s s i n gc a p a c i t ) ，i tm l f i l l st l l e c h a r a c t e r i s t i c so fs p e e c ha n di n t e g r a t e sw i t l ls p e e c hg e n e r a t i o nm o d e l i ti si nl i n e w i t ht h ec h a r a c t e r i s t i c so fv o i c ea n dt h ev o i c eo fag e n e r a t i o nm o d e l ，u s i n gs p e e c h l i n e a rp r e d i c t i o nc o e 瓶c i e mt oc o m p o s es t a t et r i m s f e rm 撕x a tt l l es 鋤et i m e ， k a l m a nf i l t e rh a sad e a lw i t hm u l t i s t a t es y s t e m sc a p a c i t ) ，i ti sa p p r o p r i a t ef o r s p e e c he n h a n c e m e n ti nn o n s t a t i o n a r yn o i s ee n v i r o n m e n t t 1 1 ee l l l l a i l c e ds p e e c hh a s l e s sr e s i d u a lm u s i cn o i s ea n db e t t e rq u a l i t y i nt h i sm e s i s ，as p e e c he n h a n c e m e n t s y s t e mb a s eo nk a l m a nf i l t e r i n gi ss t u d i e d ，f o l l o w i n gi st h em a i nw o r ko ft h i st h e s i s ： 1 k a l m a n6 l t e r i n gt h e o r ) ，a 1 1 di t sa p p l i c a t i o ni ns p e e c he r 血a n c e m e n tt e c h n o l o g yi s s t u d i e d w ed e s c r i b e dt h ed i v e r g e n c eo fk a l m a i lf i l t e ra 1 1 dg a v ea ns q u a r r e - r o o t c o v a r i a n c ek a l m a nf i l t e rt om a k et h ea l g o r i t h ms t a b l e 2 k a l m a n 行l(wèi) t e rn e e d st oe x t r a c ts p e e c hl p cc o e 伍c i e m st 0c o r n p o s es t a t et r a l l s f e r m a t r i x t w on o i s ep o w e rs p e c t r a ld e n s i t ye s t i m a t i o na l g o r i t l l i i l si sc l o s e l ys t u d i e d i n t h i sp a p e r ，t h eo n ei sb a s e do nv o i c ea c t i v i t ) rd e t e c t o r s ( v a d ) a n dt h eo t h e ri s b a s e do nm i n i m u ms t a t i s t i c a lt r a c k i n g ( m s ) a l g o r i t h m s i m u l a t i o nr e s u l t ss h o w t h a tn o i s ep o w e rs p e c t r a ld e n s i t ye s t i m a t e df r o mt h em sa l g o r i t h mi sm o r e p r e c i s e w eu s et h ec h a r a c t e r i s t i c so ft h ev o c a lt r a c tp a r 鋤e t e rv a r y i n gs l o w l yt 0 s m o o t hl p cc o e m c i e n t s i tc o u l df u r t h e rr e d u c et 1 1 ei s o l a t e dr e s i d u a ln o i s ei n e n h a n c e ds p e e c h 3 a u t o r e g r e s s i v e ( a r ) m o d e lh a sb e e nu s e df o rt h ec o m m o nm o d e lo fs p e e c h e n h a n c e m e n ta lg o r i t h mb a s e do nk a l m a nf i l t e r i n g g e n e r a l l y ，a rp r o c e s si s e x c i t e db yw h i t en o i s e ，i g n o r e st h eq u a s i - p e r i o d i ce x c i t a t i o nd u r i n gt h ev o i c e d ab s t r a c t s p e e c hf r a m e ss i n c et h eq u a s i p e “o d i ce x c i t a t i o nh a sg r e a ti m p a c ti ne n h a n c et h e h a r m o n i c i n t h i sp a p e r 、v ep r o p o s e dav o i c e d u n v o i c e d s p e e c hm o d e l - a n d m u l t i p i u s ei 。i n e a rp r e d i c t i v ec o d i n gi si n t r o d u c e df o rr o b u s te s t i m a t i o no ft h e m u l t i p l u s ee x c i t a t i o n i nv o i c e df r a m e s e x p e r i m e n t a l r e s u l t ss h o wt h a tt h e p r o p o s e da l g 【) r i t h ma c h i e v e sc o n s i s t e n ti m p r o v e m e n ti no u t p u ts p e e c hq u a i i t y 1 e y w o r d s ： s p e e c he n h a n c e m e n t k a l m a nf i l t e r i n g ，n o i s ep o w e rs p e c t r a l e s t i m a t i o n ， v o i c e d u n v o i c e ds p e e c hm o d e l ， m u l t i - p u l s ee x c i t a t i o n i v 論文原創(chuàng)性和授權(quán)使用聲明 本人聲明所呈交的學(xué)位論文，是本人在導(dǎo)師指導(dǎo)下進行研究工 作所取得的成果。除已特別加以標(biāo)注和致謝的地方外，論文中不包 含任何他人已經(jīng)發(fā)表或撰寫過的研究成果。與我一同工作的同志對 本研究所做的貢獻均已在論文中作了明確的說明。 本人授權(quán)中國科學(xué)技術(shù)大學(xué)擁有學(xué)位論文的部分使用權(quán)，即： 學(xué)校有權(quán)按有關(guān)規(guī)定向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電 子版，允許論文被查閱和借閱，可以將學(xué)位論文編入有關(guān)數(shù)據(jù)庫進 行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論 文。 保密的學(xué)位論文在解密后也遵守此規(guī)定。 作者簽名：塑查 加8 年歹月2 日 第一章緒論 1 1 課題背景 第一章緒論 語音作為語占的聲學(xué)表現(xiàn)，是人類交流信息最自然、最有效、最方便的手段 之一。隨著現(xiàn)代通信技術(shù)的迅速發(fā)展，語音通信已經(jīng)成為現(xiàn)代信息時代最重要的 信息交流手段之一，實際通信中語音總會受到各種環(huán)境噪聲的干擾，這些噪聲包 括從周圍環(huán)境、傳輸媒質(zhì)中引入的噪聲、電氣設(shè)備的噪聲以及其他說話人的干擾 等等。環(huán)境噪聲會影響語音通信，導(dǎo)致語音質(zhì)量下降，使通話質(zhì)量和語音處理系 統(tǒng)的性能下降甚至失效。例如語音識別系統(tǒng)在實驗室環(huán)境中可取得相當(dāng)好的效 果，但在噪聲環(huán)境中，系統(tǒng)的識別率將受到嚴(yán)重的影響；基于語音生成模型的低 速語音編碼同樣會受到噪聲的影響，當(dāng)語音受到嚴(yán)重干擾時，提取的模型參數(shù)將 很不準(zhǔn)確，重建的語音質(zhì)量急劇惡化。 在噪聲環(huán)境下，要提高語音質(zhì)量或語音識別率，就需要對帶噪語音信號進 行語音增強處理，盡可能降低背景噪聲和提高通話語音的質(zhì)量。因此，語音增 強技術(shù)有著非常廣泛的應(yīng)用前景，可以應(yīng)用于多媒體語音通信、有線、無線語 音通信、語音編碼、助聽設(shè)備和魯棒性語音識別、多模態(tài)人機交互、口語對話 等領(lǐng)域。 1 2 語音特性、入耳感知特性和噪聲特性 語音和噪聲的特性是研究語音增強的基礎(chǔ)，下面分別加以介紹。 1 2 1語音特性 語音是時變的、非平穩(wěn)的隨機過程。但由于生理器官變化速度有限，在一段 時| 日j 內(nèi)( 1 0 3 0 m s ) 可以認為人的聲帶和聲道等特征基本不變，語音的短時譜具有 相對穩(wěn)定性，認為語音信號是準(zhǔn)平穩(wěn)的隨機過程。在語音分析處理中，可利用短 時譜的這種平穩(wěn)性。 根據(jù)語音產(chǎn)生的激勵信號不同，語音可分為清音和濁音兩大類。濁音在時域 上呈現(xiàn)出明顯的周期性，在頻域上有共振峰結(jié)構(gòu)，而且能量大部分集中在較低頻 段內(nèi)。而清音段沒有明顯的時域和頻域特征，類似于白噪聲。語音信號作為一個 隨機過程可以利用許多統(tǒng)計分析特征進行分析。但由于語音信號是非平穩(wěn)的，因 1 第一蘋緒論 此長時川時域統(tǒng)計特性對語音增強算法的意義不大。語音的短時譜幅度統(tǒng)計特征 造| 時變的只f j ? j 分析幀長趨于無窮大時，才近似具有高斯分布。在高斯模型的 似沒 l ，n r 以認為傅利葉展開系數(shù)是獨立的高斯隨機變量，均值為零，而方差是 h ，堅的， 1 2 2 人耳感知特性 語音增強的最終效果度量是人耳的主觀感覺，人耳對語音的感知特性對語 音增強的研究有重要作用。語音感知問題涉及到生理學(xué)、心理學(xué)、聲學(xué)和語音 學(xué)等諸多領(lǐng)域，已有的研究表明人耳對語音的感知主要是通過語音信號頻譜分 量幅度獲得的，對相位譜則不i 敏感。人耳對頻率高低的感受近似與該頻率的對 數(shù)值成正比。人耳有掩蔽效應(yīng)即強信號對弱信號有掩蓋的抑制作用，掩蔽的程 度是聲音強度與頻率的二元函數(shù)，對頻率臨近分量的掩蔽要比頻差大的分量有 效得多。共振峰對語音的感知十分重要，特別是第二共振峰比第一共振峰更為 重要。入耳在兩個人以上的說話環(huán)境中有能力分辨出需要聆聽的聲音，這種分 辨能力來源于人的雙耳輸入效應(yīng)，稱為“雞尾酒會效應(yīng)”。深入了解以上人耳的 感知特性對語音增強的研究有重要的意義。 1 2 3 噪聲特性 噪聲通?？梢远x為通信、測量以及其他信號處理過程中的無用信號成分， 在通信過程中，語音信號不可避免的受到噪聲的污染。只考慮語音受加性噪聲 污染，在單通道條件下可以對帶噪語音信號建立模型。帶噪語音的信號模型f 如 圖1 1 ) 為： y ( ，2 ) = x ( ，2 ) + d ( 力) ( 1 1 ) 這罩j ，( 門) 、x ( ，7 ) 和d ( 門) 分別代表帶噪語音、純凈語音和背景噪聲。 圖1 1 帶噪語音的信號模型 由于噪聲來源眾多，隨應(yīng)用場合而異，特性也各不相同，根據(jù)噪聲的時域 或頻域特性，可以將噪聲大致歸為如下幾類【2 1 ： ( 1 ) 窄帶噪聲：其特點是能量分布在一個較窄頻帶范圍內(nèi)，例如5 0 6 0 h z 的電力線噪聲。 第一章緒論 ( 2 ) 自噪聲：完令隨機的噪聲，具有平坦的功率譜。理論上，白噪聲包含所 f 頻率，f j 每個頻點的能量相同。 ( 3 ) 帶限白噪聲：指頻帶受限的白噪聲，通常涵蓋所處理信號的整個頻帶。 ( 4 ) 有色噪聲：非白噪聲或任何頻譜不平坦的寬帶噪聲。例如，粉紅噪聲和 練色噪聲。粉耋l 噪聲指在給定頻率范圍內(nèi)( 不包含直流成分) ，隨著頻率的增加， 其功率密度每倍頻程下降3 d b ：( 密度與頻率成反比) 。棕色噪聲指在不包含直流 成分的有限頻率范圍內(nèi)，功率密度隨頻率的增加每倍頻下降6 d b ( 密度與頻率的 乎方成反比) 。 ( 5 ) 脈沖噪聲：表現(xiàn)為時域波形中突然出現(xiàn)的窄脈沖。 ( 6 ) 瞬態(tài)噪聲：其時域特征表現(xiàn)為隨機的起始脈沖以低頻震蕩形式衰減。 根據(jù)與輸入語音信號的關(guān)系，噪聲可分為加性噪聲和非加性噪聲，本文主 要分析加性噪聲的干擾。對某些非加性噪聲而言，可以通過一定的變換轉(zhuǎn)化成 加性噪聲。例如乘性噪聲( 或卷積噪聲) 可以通過同態(tài)變換轉(zhuǎn)換為加性噪聲；某 些與信號相關(guān)的量化噪聲可以通過偽隨機噪聲擾動的方法變換成與信號獨立的 加性噪聲。實際中要想一勞永逸地設(shè)計出一種算法來解決所有的噪聲是不現(xiàn)實 的，只能針對不同的噪聲情況，采取不同的語音增強算法。單通道語音增強是 語音增強研究的基礎(chǔ)，本文將重點研究和實現(xiàn)單通道的語音增強方法，并對噪 聲做如下假設(shè)： ( 1 ) 噪聲是局部平穩(wěn)的。局部平穩(wěn)是指一段帶噪語音中的噪聲，具有相對 平穩(wěn)的統(tǒng)計特性，且在整個語音段中保持不變； ( 2 ) 噪聲與語音統(tǒng)計獨立或不相關(guān)； ( 3 ) 只有帶噪語音可以利用，沒有其他參考信號。 1 3 語音增強的歷史和發(fā)展現(xiàn)狀 語音增強一直是語音通信和語音信號處理研究領(lǐng)域中的一個重點研究課 題，倍受國內(nèi)外研究人員的關(guān)注，已有幾十年的研究發(fā)展歷史。其研究起與2 0 世紀(jì)6 0 年代，隨著數(shù)字信號理論的成熟，在7 0 年代曾形成一個理論高潮，取 得了一些基礎(chǔ)性成果，并使語音增強發(fā)展成為語音信號處理的一個重要分支。 1 9 7 8 年，l i m 和o p p e n h e i m 提出了基于維納濾波的語音增強方法1 3 1 。1 9 7 9 年， b o l l 提出了譜相減方法來抑制噪聲【4 1 。1 9 8 0 年，m a u l a y 和m a l p s s 提出了軟判 決噪聲抑制方法【5 1 。1 9 8 4 年，e p h r a i m 和m a l a h 提出了基于m m s e 短時幅度譜 估計的語音增強方法【6 1 。1 9 8 7 年，p a l i w a l 把卡爾曼濾波引入語音增強領(lǐng)域f7 1 。 3 第一章緒論 1 9 9 5 年e p h r a i m 提出了基于信號子空間分解的語音增強方法【引。近年來基于 沖鄉(xiāng)務(wù)m 絡(luò)和小波變換的新方法也逐漸成為研究的熱點【9 1 。 語音增強算法可從信號輸入的通道數(shù)上分為單通道的語音增強算法與多通 道的語爵增強算法。單通道語音系統(tǒng)在實際應(yīng)用中較為常見，如電話，手機等。 這種情；兄下語音與噪聲同時存在一個通道中，語音信息與噪聲信息必須從同一 個信號中得出。般這種語音系統(tǒng)下要求噪聲要比較平穩(wěn)，以便在非語音段對 噪聲進行估計，再依據(jù)估計出來的噪聲對帶噪聲的語音段進行處理。如果語音 系統(tǒng)是一個多通道的語音系統(tǒng)，各個通道之間存在著某些相關(guān)的特性，這些相 關(guān)特性時語音增強的處理十分有利。下面簡要介紹一下各種語音增強算法： ( 1 ) 基于語音譜特征的諧波增強法【1 0 l 浯音中的濁音具有明顯的周期性，在頻域中表現(xiàn)為一系列對應(yīng)基頻( 基音) 及其諧波的峰值分量，這些頻率分量占據(jù)了語音的大部分能量。因此，可采用 自適應(yīng)梳狀濾波束提取基音及其諧波分量，抑制其他周期性噪聲和非周期的寬 帶噪聲。由于語音是時變的，語音的基音周期也是不斷變化的，能否準(zhǔn)確地估 計出基爵周期以及能否及時跟蹤基音變化，是這種基于諧波增強法的關(guān)鍵。 ( 2 ) 基于短時譜估計的增強算法【i l l 【1 2 1 f 1 3 】 基于語音短時譜估計的增強方法利用語音信號的短時平穩(wěn)性，對其進行短 時譜分析。考慮到人耳對相位失真的不敏感，因此不處理帶噪語音的相位【1 4 1 ， 從帶噪語音的短時幅度譜中得到語音信號短時幅度譜的估計值，再結(jié)合帶噪語 音的相位恢復(fù)出增強語音。根據(jù)實現(xiàn)估計的方法不同，可以分為譜相減法、維 納濾波法、最小均方誤差( m m s e ) 法等。該類方法具有適應(yīng)信噪比范圍大、方法 簡單、易?。簩崟r處理等優(yōu)點，成為應(yīng)用最廣泛的語音增強方法。 ( 3 ) 基于語音生成模型的增強算法【7 1 f 1 5 1 - 【捕1 語音的發(fā)聲過程可以建模為一個線性時變?yōu)V波器，對不同類型的語音采用 不同的激勵源，根據(jù)激勵源是否具有周期性可以分為清音和濁音兩大類對于濁 音語音，這個系統(tǒng)受沖擊序列激勵，各沖擊之間間隔為基音周期；對于清音語 音，則受白噪聲序列激勵，線性時變?yōu)V波器即聲道模型。在語音的生成模型中， 應(yīng)用最廣泛的是全極點模型。如果能夠知道激勵參數(shù)和聲道濾波器參數(shù)，就能 利用語音生成模型合成得到“純凈”語音，這種方法的關(guān)鍵在于如何從帶噪語 音中準(zhǔn)確地估計語音模型的參數(shù)( 包括激勵參數(shù)和聲道參數(shù)) ，這種增強方法稱 為分析合成法。基于語音生成模型可以得到一系列語音增強方法，比如時變參 數(shù)維納濾波及卡爾曼濾波方法【”。 ( 5 ) x 第一章緒論 語音的線r 仁顱測系數(shù)構(gòu)成狀憊轉(zhuǎn)移矩陣，增強后語音中殘留的音樂噪聲較少， i 珥籽門然度更高。 1 5 語音增強的質(zhì)量評價 語音質(zhì)量的衡量包括兩方面內(nèi)容：清晰度和可懂度。前者是衡量語音中字、 幣詞和句的清晰程度。而后者則是對講話人的辨識水平。語音質(zhì)量評價不但與 語音學(xué)、語吉。學(xué)和信號處理等學(xué)科有關(guān)，而且還與心理學(xué)、生理學(xué)等有著密切 的聯(lián)系，岡此語音質(zhì)量評價是一個極其復(fù)雜的問題。對此多年來人們不斷的努 力，提 h 了許多語音質(zhì)量評價的方法，總體上看可以將語音質(zhì)量評價可分為兩 人類：主觀評價和客觀評價。 ， 1 51主觀評價 主觀評價以人為主體來評價語音的質(zhì)量，它是在一組評聽者對原始語音和 失真語音進行對比測聽的基礎(chǔ)上，根據(jù)某種事先約定的尺度對失真語音來劃分 質(zhì)量等級，它反映了測聽者對語音質(zhì)量好壞程度的一種主觀印象。主觀評定方 法符合人類聽話時對語音質(zhì)量的感覺，目前得到了廣泛的應(yīng)用。常用的方法有 平均意見得分( m e a no p i n i o ns c o r e ，簡稱m o s 得分) ，判斷韻字測試( d i a g n o s t i c r h y m et e s t ，簡稱d r t 得分) ，判斷滿意度測量( d i a g n o s t i ca c c e p t a b i l i 諺m e a s u r e ， 簡稱d a m 得分) 等。主觀評價的優(yōu)點是符合人對語音質(zhì)量的感覺，缺點是費時 費力費錢，且靈活性不夠，重復(fù)性和穩(wěn)定性較差，受人的主觀影響較大等。 ( 1 ) m o s 得分法【2 7 】【2 8 】 m o s 得分法從絕對等級評價法a c r ( a b s o l u t ec a t e g o r ) rr a t i n g ) 發(fā)展而來， 用f 對語音整體滿意度或語音通信系統(tǒng)質(zhì)量的評價。a c r 是用于針對電話通信 的總體質(zhì)量評價，m o s 和a c r 都采用5 級評分標(biāo)準(zhǔn)，評聽者在聽完受測語音 后，從5 個等級中選擇其中一級作為他對受測語音質(zhì)量的評價。全體評聽者的 方權(quán)平均分就是受測語音質(zhì)量的m o s 分，即對各種投票意見按規(guī)定數(shù)值進行 加權(quán)，之后再平均得到意見分。加權(quán)平均統(tǒng)計得分公式如下： 嬲= 專二彬m ( 1 2 ) n - 5 1 t 其中是總票數(shù)，是得某種分的票數(shù)，形即將重建語音質(zhì)量分為優(yōu)( 5 分) 、良( 4 分) 、中( 3 分) 、差( 2 分) 及壞( 1 分) 共5 個等級測驗，如表1 1 。 6 第一章緒論 表1 1m o s 評分等級表 m o s 判分質(zhì)量級別( 形)失真級別 5優(yōu) 不察覺 4良 剛有察覺 3 由 有察覺稍覺可厭 2 差明顯察覺，可厭仍可忍受 1。壞 不可忍受 在數(shù)字語音通信中，m o s 得分在4 0 4 5 分為高質(zhì)量數(shù)字化語音，達到長 途電話網(wǎng)的質(zhì)量要求，接近于透明信道編碼，也稱之為網(wǎng)絡(luò)質(zhì)量或長途質(zhì)量， 這時重建語音和原始語音只有很少的細節(jié)差異，且若不進行對照聽比就覺察不 出這種差異。m o s 分在3 5 分左右稱作通信質(zhì)量，這時感到重建語音質(zhì)量下降， 但語音自然度和清晰度仍很好，且聽起來沒有疲勞感，但不妨礙正常通話。m o s 分在3 0 分以下稱為合成語音質(zhì)量，一般指低比特率聲碼器合成的語音所能達 到的質(zhì)量。m o s 分在2 0 分以下重建語音有較強的畸變或失真，聽起來已有疲 勞感，甚至聽覺上無法忍受。 ( 2 ) 判斷韻字測試 判斷韻字測試是反映語音清晰度或可懂度的一種測試方法。這種測試方法 提供了相當(dāng)數(shù)量的一對對的樣本字，每一對的樣本字只有開頭的輔音是不同的， 它們分別用來側(cè)試發(fā)音的一系列不同特性，如濁音清音鼻音齒擦音連讀等 等。被測者需要指出在測試字對中，他們聽到的是哪一個單詞。總的判斷韻字 測試得分是由以下公式得出： d r t =生幽翌型塑業(yè)塑l o o n 測試字數(shù)量 ( 1 3 ) 通常認為d r t 為9 5 以上時清晰度為優(yōu)，8 5 9 4 為良，7 5 8 4 為中， 6 5 7 5 為差而6 5 以下為不可接受。 1 5 2客觀評價 主觀評價方法需要大量的時間和人力資源，而且重復(fù)性和穩(wěn)定性較差，受人 的主觀影響較大。因此，轉(zhuǎn)而求助于客觀評價的方法，客觀評價的方法提供了 比較不同算法性能的量化的、可重復(fù)的和準(zhǔn)確的結(jié)果，而且易于實現(xiàn)。所有的 客觀評價方法都是對原來的語音波形和處理過的語音波形作一個直接比較，以 ：者之間的誤差大小來判別語音質(zhì)量的好壞，是一種誤差度量?？陀^評價的方 法很多，常用的客觀評價方法有時域失真測度：信噪比( s i g n a l - t o n o i s er a t i o ， s n r ) 、分段信噪比( s e g m e n t a ls n r ，s e g s n r ) 2 9 1 ；頻域失真測度：如對數(shù) 7 第二章基丁膏爾曼濾波的語音增強 p e s q 是2 0 0 1 年國際電信聯(lián)溫( i t u t ) 推出的p 8 6 2 標(biāo)準(zhǔn)，用來評價語 齒的事觀試聽效果，能夠很好地反映語音信號的感知質(zhì)量。該算法將話音的頻 率、響度等物理特性與人類心理上的感知特性的對應(yīng)關(guān)系用數(shù)學(xué)模型來表示， i 口j j 客觀數(shù)學(xué)模型的評價來模擬主觀的評價。 p e s q 算法采用時頻映射、頻率彎折和響度彎折等方法，盡可能將語音中 u r 以感知的特性在數(shù)學(xué)上完美的表達。算法首先對原始輸入信號和受損輸出信 號進行一系列延時對齊，然后分別進行聽覺轉(zhuǎn)換，表示為人類心理生理學(xué)類似 的內(nèi)部形式，最后通過認知模型處理得到客觀評分結(jié)果。 p e s q 采用線性評分制度，以0 5 4 5 之間的數(shù)值表示被測語音與參考語 音相比語音質(zhì)量的高低。輸出語音質(zhì)量越接近輸入語音，則分數(shù)越接近4 5 ，否 貝u 評分越低?；谠撃Ｐ偷脑u分結(jié)果與m o s 主觀評分的相關(guān)度高達o 9 3 5 ，而且 兩者近似成線性關(guān)系，誤差方向一致。通常認為，4 0 分的m o s 分數(shù)與3 7 3 9 的p e s q 分數(shù)的語音質(zhì)量相當(dāng)。因而，p e s q 評分又被稱為客觀m o s 分，與主 觀m o s 分相比，p e s q 具有易實現(xiàn)、可重復(fù)和穩(wěn)定性好的優(yōu)勢。 1 6 論文研究內(nèi)容與結(jié)構(gòu)安排 本文研究基于卡爾曼濾波器的語音增強方法，研究對象是受加性噪聲污染 的單通道語音。在實際應(yīng)用時，通常只獲得了一路帶噪語音信號，而噪聲類型 設(shè)定為加性噪聲，這是因為加性噪聲是實際使用中最經(jīng)常遇到的一類噪聲，具 有普遍的意義，也是語音增強算法通常所假定的噪聲源。增強結(jié)果以語音的自 然度和頻譜的相似度為主要的衡量標(biāo)準(zhǔn)，保證語音失真小和無“音樂噪聲”。 本文的主要研究工作包括： ( 1 ) 廣泛地參閱了國內(nèi)外相關(guān)文獻，了解語音增強技術(shù)背景與常用方法。 ( 2 ) 對常用的基于卡爾曼濾波器的增強算法進行了深入地研究，并分析影 響算法性能的主要參數(shù)，確定參數(shù)提取方法。 ( 3 ) 針對傳統(tǒng)的卡爾曼濾波語音增強算法對語音建立由白噪聲激勵的a r 型，忽略了濁音段語音的激勵信號具有明顯的周期性，而濁音段語音的激勵信 號對重建語音的高頻諧波有著重要的作用。本文建立了對清濁音加以區(qū)分的語 音生成模型，研究比較了在噪聲環(huán)境下濁音段語音激勵信號的提取方法。 ( 4 ) 針對語音增強系統(tǒng)中必不可少的噪聲估計問題，研究了基于語音活動 撿測( v a d ) 和最小值統(tǒng)計跟蹤兩種噪聲譜估計方法，并結(jié)合譜相減算法做出 實驗比較。 ( 5 ) 設(shè)計和實現(xiàn)一個完整的語音增強系統(tǒng)。 9 第：審基。r 爾曼濾波的語音增強 本交的組織如f ：第。章緒論介紹語音增強的課題背景及其相關(guān)概念。第 ! 尊介紹譬爾曼濾波理論及基于 爾曼濾波的語音增強算法。第三章介紹噪聲 環(huán)境線。陀預(yù)測系數(shù)提取的方法，研究了基于語音活動檢測和最小值跟蹤的噪聲 估討療法，并結(jié)合譜相減語音增強方法給出兩類噪聲估計的結(jié)果。第四章詳細 介寶f j 語音乍成模型，通過對語音建力：清濁模型來描述語音的激勵信號，并利用 聲帶慢變特性半滑線性頒測系數(shù)達到優(yōu)化聲道參數(shù)的目的。第五章介紹語音增 強系統(tǒng)的實現(xiàn)和實驗仿真結(jié)果。第六章為總結(jié)與展望。 1 7 小結(jié) 本章簡單地闡述了語音增強的基本原理、發(fā)展現(xiàn)狀以及基于卡爾濾波的語 音增強發(fā)展概況，然后介紹了語音增強結(jié)果的質(zhì)量評價標(biāo)準(zhǔn)，最后提出本論文 的主要工作和結(jié)構(gòu)安排。 第一：章基丁骨爾曼濾波的語音增強 第二章基于卡爾曼濾波的語音增強 卡爾曼濾波器是均方誤差最小意義下的最優(yōu)線性估計器f 3 2 1 ，它突破了經(jīng)典 的維納濾波方法的局限性，提出時域的狀態(tài)空間方法，引入了系統(tǒng)的狀態(tài)變量 和狀態(tài)空問概念。從狀態(tài)空間的觀點，狀態(tài)是比信號更廣泛、更靈活的概念， 非常適合處理多變量系統(tǒng)，信號可視為狀態(tài)或狀態(tài)分量，因而非常適合處理信 號估值問題?？柭鼮V波器給出了一套在計算機上容易實時實現(xiàn)的最優(yōu)遞推濾 波算法，適合處理多變量系統(tǒng)、時變系統(tǒng)和非平穩(wěn)隨機過程，獲得了廣泛的實 際應(yīng)用，其應(yīng)用領(lǐng)域包括機器人導(dǎo)航，控制，傳感器數(shù)據(jù)融合甚至在軍事方面 的雷達系統(tǒng)以及導(dǎo)彈追蹤等等，近年來更被應(yīng)用于計算機圖像處理。 傳統(tǒng)的維納濾波只在平穩(wěn)條件下才能保證在最小均方誤差意義下的最優(yōu)估 計，而語音是非平穩(wěn)的，只能在短時間內(nèi)近似平穩(wěn)( 1 0 3 0 m s 內(nèi)) ，而且實際 環(huán)境中的背景噪聲也常常是非平穩(wěn)的。另一方面，采用維納濾波并沒有完全利 用語音的生成模型?？柭鼮V波則可以彌補上述兩個缺陷，它是基于語音生成 模型的，且在非平穩(wěn)條件下也可以保證最小均方誤差意義下的最優(yōu)估計，適合 于非平穩(wěn)噪聲干擾下的語音增強。1 9 8 7 年p a i i w a l 首先把卡爾曼濾波器引入語 音增強領(lǐng)域【7 1 ，近2 0 年來基于卡爾曼濾波的語音增強算法受到了廣泛的研究。 2 1卡爾曼濾波器和預(yù)報器 一個線性隨機離散系統(tǒng)可以用聆維狀態(tài)方程和所維測量方程來描述： x ( f + 1 ) = 4 x ( f ) + b 材o ) + w o ) ( 2 1 ) y ( f ) = c k o ) + d 甜o ) + v ) ( 2 2 ) 其中，x ( f ) 是，z 維狀態(tài)矢量，y ( f ) 是聊維輸出矢量，甜( ，) 是r 維控制矢量， w ( f ) 和v ( f ) 分別是過程噪聲( p r o c e s sn o i s e ) 和觀測噪聲( m e a s u r e m e n tn o i s e ) ，矩 陣4 。，最。，q 。和見。，被假定為已知的和時不變的?？刂剖噶俊? f ) 和輸出 矢量) ，( f ) 都是可觀測的，狀態(tài)矢量x ( f ) 是隱藏在系統(tǒng)內(nèi)部的，必須通過估計才 能得到，這f 是卡爾曼濾波的主要任務(wù)之一。 對于( 2 1 ) 、( 2 2 ) 描述的隨機系統(tǒng)有下面假設(shè)： 假設(shè)1 過程噪聲w ( f ) 和觀測噪聲v ( f ) 是零均值、方差分別為配和彩，且互不 相關(guān)的白噪聲，即它們滿足如下的對稱正定協(xié)方差陣： c 。v 搿 - e 翟 囂 2 = ”之。 c z 3 ， 第二章基丁忙爾曼濾波的語音增強 ，時刻觀測值y ( ，) 中所含新信息的一個度量。由于y ( f ) 所攜帶的并不全是新信息， 其中預(yù)測部分夕( f i 卜，1 ) 完全由過去的觀測值y ( 1 ) ，y ( 2 ) ，y o 1 ) 確定。因此，觀 測值y ( f ) 中新信息僅包含在前向預(yù)測誤差p ( f ) 中，e ( f ) 又稱之為“新息”。尸( fi f 1 ) 和p ( ff ) 分別是先驗誤差協(xié)方差矩陣和后驗誤差協(xié)方差矩陣。 到目自訂為止，后驗估計舅( f l ，) 是用f 時刻及其以前時刻所有數(shù)據(jù)得到的x ( ，) 的最佳估計值，即應(yīng)的數(shù)據(jù)集合為d ”= “( 1 ) ，“( 2 ) ，“( f ) ，y ( 1 ) ，y ( 2 ) ，y ( f ) ) ?？?爾曼濾波的時間更新( t i m eu p d a t e ) 如下： 舅( f + 1 l ，) = 么曼( ， ，) + 口甜( f ) ( 2 ，1 5 ) p ( f + lf ) = 彳尸olf ) 么7 + q ( 2 1 6 ) ( 2 1 5 ) 式稱為卡爾曼預(yù)報器，通過提供合適的初始估計舅( 1o ) 和p ( 1o ) ，以 及卡爾曼濾波的測量更新( 2 1 0 ) 至( 2 1 4 ) 和時間更新( 2 1 5 ) 、( 2 1 6 ) 的 遞歸計算可以得到狀態(tài)矢量z ( ，) 在各個時刻的估計值曼( f ) 。如果給定的初始估 計確實是狀念矢量x ( 1 ) 的最小均方誤差估計的話，那么后續(xù)遞歸得到的所有估 計也同樣都是均方意義上的最佳線性估計。更進一步地，如果噪聲w ( f ) 和v ( f ) 都 是高斯分布的話，那么估計值蠢( f ) 就將是均方意義上的最優(yōu)值。我們可以注意 到卡爾曼增益k ( f ) 和觀測數(shù)據(jù)是無關(guān)的，可以預(yù)先計算得到。 式( 2 1 0 ) 至( 2 1 6 ) 就構(gòu)成了完整的卡爾曼濾波器。下面給出了隨機系統(tǒng) 的測量和卡爾曼濾波結(jié)構(gòu)圖。 圖2 1隨機觀測系統(tǒng)和卡爾曼濾波結(jié)構(gòu) 如圖2 1 所示，卡爾曼濾波器作為一個遞歸最小均方誤差估計器，其基本 結(jié)構(gòu)是預(yù)測一修f ，這里可以分成兩個部分：時間更新和測量更新。式( 2 1 5 ) 、 1 3 第二章基丁矗爾曼濾波的語音增強 ( 2 1 6 ) 構(gòu)成時l 、日j 更新，也可以叫做預(yù)測方程，它們是為了從當(dāng)前狀態(tài)預(yù)測下 狀念曼( ，+ li ，) ，并估計先驗誤差的協(xié)方差矩陣尸( f + 1 i f ) 為下一狀態(tài)的估計做 準(zhǔn)各，式f2 1 0 ) 到( 2 1 4 ) 構(gòu)成測量更新，利用f + 1 時刻的觀測值) ，( f ) 計算新 息和管爾曼增益，修j f 曼( f + lf ，) 得到與隨機變量的觀測值線性相關(guān)的最小均方 估計曼( ，+ if + 1 ) ，同時計算誤差協(xié)方差矩陣p ( rlr ) 為下一循環(huán)的預(yù)測做準(zhǔn)備。 時間更新和預(yù)測更新過程如圖2 2 所示。 圖2 2 卡爾曼濾波的預(yù)測和修正方程關(guān)系圖 2 。2 卡爾曼平滑器 2 2 1卡爾曼平滑器 在2 1 節(jié)中預(yù)測情況下，卡爾曼濾波可以提供基于過去數(shù)據(jù)集合的最佳估 計值。如果將來的數(shù)據(jù)也可以得到的話，那么可以用它們來進步地改善己得 到的估計值，這是就我們在卡爾曼濾波問題中描述的卡爾曼平滑器。為了簡單 起見，只考慮不帶控制輸入( 甜( f ) = o ) 的系統(tǒng)，在假設(shè)1 、2 下，基于觀測數(shù) 據(jù)d 7 = y ( 1 ) ，y ( 2 ) ，y ( 7 1 ) 對狀態(tài)x ( ) 的線性最小方差估值器舅( lr ) ( 1 情況下，表示該頻譜成份存在語音的概率大于無語音 的概率；反之，無語音的可能性較大。但由于各頻譜成份之間是獨立無關(guān)的， 因此某幀信號有語音的概率與無語音的概率之比等于各頻譜的似然比的連乘 積，即聯(lián)合似然比。若聯(lián)合似然比大于1 ，則有語音的概率大于無語音的概率， 應(yīng)判斷為有語音，否則為無語音。為保證語音信號的完整，通常情況下，寧可 誤判，不能漏判，因此判別閡值不應(yīng)太高。為了簡化計算，用各頻點似然比的 幾何平均值定義廣義似然比八，并用其對數(shù)值來判別有無語音，即 一。g a = 點喜t 。g 八c 七，菱刁c 如， c 3 7 ， 式中7 7 為廣義似然比的判別閡值，7 不小于o ( 實驗中取7 7 = o 0 5 ) 。 后驗信噪比y ( 元，f ) 可以由當(dāng)前幀的功率譜和估計的噪聲功率譜計算得到， 先驗信噪比孝( 尼，f ) 可通過直接判決法f 1 2 l ( d e c i s i o nd e r e c t e dm e t h o d ) 來加以估 計： 善( j j ，) = 口耥+ ( 1 一口) m a x ( 廠( 后，z ) 一l ，。) ( 3 8 ) 其中口為經(jīng)驗值( 實驗中取0 9 8 ) ，z 為當(dāng)前幀號。 由于各幀之| 自j 帶噪語音的短時幅度譜】，( 尼) 振蕩激烈，從而導(dǎo)致各幀之間后 驗信噪比y ( 七) 振蕩激烈。在語音尾部，由于后驗信噪比較低，而由式( 3 6 ) 所估 計的先驗信噪比將因前一幀的增強語音功率譜較大而導(dǎo)致高估，因此導(dǎo)致似然比 的低估，從而導(dǎo)致語音尾部常常被誤判為無語音。為了減少誤判，對似然比人( 尼) 進行幀間平滑 4 6 1 ，得到平滑后的似然比為人，( 七，叭 八。( 七，f ) = e x p l o g 八，( 尼，一1 ) + ( 1 一) l o g 人( 七，) ) ( 3 9 ) 是平滑因子，是一經(jīng)驗系數(shù)( 實驗中取= 0 9 8 ) ，其作用是矯正語音為不 因后驗信噪比y ( 后) 的快速下降而導(dǎo)致人( 后，) 的過度下降。 將上述各譜點平滑似然比( 七，) 的幾何平均值的對數(shù)作為檢測有聲無聲的 判別準(zhǔn)則，代入式( 3 7 ) ，若其大于閾值甲，則認為有聲，否則為無聲。 2 5 第二章噪聲環(huán)境一卜j 線性預(yù)測系數(shù)提取 v a d 將信號 蘊分為有聲段和無聲段后，噪聲的估計可以通過對無聲段的噪 聲自肇求統(tǒng)汁r 均抉得。這科，傳統(tǒng)的基于v a d 的噪聲估計方法具有簡單、易 史現(xiàn)的優(yōu)，r 2 6 05 = _ 主0 一o5 0 o204o 6 1 o5 0 05 f 燎。、 瓢。 o81121 4161 8 采樣點 ( a ) 干凈語音 州溺赫滯 0 o 20406 三。5，! 輟i三“洲 喜眇豢靜 譬；潭 2 1 0 4 o811 21 4 采樣點 ( 6 ) 信噪比1 5 d b 帶噪語音 蹲黔麓 o204o608 16182 x1 0 112 采樣點 ( ( ! ) 信噪比1 0 d b 帶噪語音 16182 x1 0 4 。搿甜 進黥j”撒慷舢咐 第二章噪聲環(huán)境卜，線性預(yù)測系數(shù)提取 黼 剿黼犏 302o4o60 81 采樣點 ( d ) 信噪比5 d b 帶噪語音 圖3 2v a d 判決結(jié)果 圖3 2 為采用統(tǒng)計模型的v a d 方法對語音“l(fā) e t sa 1 1j o 洫a sw es i n gt h el a s t c h o r u s ”有聲無聲檢測效果示例，其中圖( a ) 是干凈語音的檢測結(jié)果，圖( b ) ( c ) ( d ) 是對干凈語音在全局信噪比為1 5 d b l o d b 5 d b 下添加高斯白噪聲得到的帶噪語 音。可以看出，隨著帶噪語音信噪比不斷的降低，v a d 檢測的精度會不斷惡化， 語音信號被錯判為噪聲的比例不斷增加，當(dāng)信噪比在5 d b 時，v a d 幾乎失效， 噪聲得不到更新。同時，由于v a d 主要利用帶噪信號的能量統(tǒng)計特性和語音 信號的一一些其他特征，當(dāng)噪聲的能量統(tǒng)計特性發(fā)生變化時，需要v a d 檢測到 新的噪聲樣本來更新。而在實際環(huán)境中，多為非平穩(wěn)噪聲情況，依靠v a d 方 法很難實時跟蹤噪聲的變化。因此，需要尋找一種更