[发明专利]一种高精度说话人确认方法

说明书

技术领域

本发明涉及一种高精度的文本无关说话人确认方法，属于生物识别技术领域；从技术实现的角度来讲，亦属于计算机科学与语音处理技术领域。 

背景技术

说话人确认(Speaker Verification)技术是利用每个说话人的语音信号特点，从一段语音中提取说话人信息，进而确认某段语音是否是指定的某个人所说的，系统只给出“接受”或“拒绝”两种选择，是“一对一”的模式识别问题。 

说话人确认技术与说话人辨认技术同属说话人识别(Speaker Recognition,SR)的范畴，而与说话人辨认技术不同，说话人确认技术对于准确率、识别时间的要求更为严格，近年来，电话自动接听系统、计算机身份认证系统、高密级门禁系统等应用平台对这项技术的应用需求越来强。 

按照说话内容的类型不同，说话人确认可以分为文本有关(Text-dependent)和文本无关(Text-independent)两大类。与文本有关的说话人确认系统要求用户按照规定的内容发音，每个人的识别模型逐个被精确地建立，而识别时也必须按规定的内容发音；文本无关的识别系统则不规定说话人的发音内容，模型建立相对困难，可应用范围较宽。有些情况下，人们无法（或者不希望）强迫说话人朗读一段特定的文字，在这些应用场景中，文本无关的说话人确认方法就显得格外重要。 

本无关的说话人确认的基本技术可分为语音采集，特征提取，分类方法三个层次，其中关键问题在于特征提取与分类方法。 

特征提取方面，目前的主流方法多采用基于底层声学原理的梅尔倒谱系数(MFCC)或线性预测倒谱系数(Linear Predictive Coding Cepstrum，LPCC)作为特征参数。 

分类方法方面，主流方法有动态时间规整（DTW）、矢量量化（VQ）、隐马尔可夫模型（HMM）、高斯混合模型（GMM）、人工神经网络（ANN）、支撑向量机（SVM）等。目前广泛受到研究的是高斯混合模型（GMM）方法以及支撑向量机（SVM）方法。上述方法中，GMM-UBM模型已经得到广 泛应用，在更早的系统中，矢量量化也是一项获得了广泛研究的重要的技术。 

基于上述方法，文本无关的说话人确认技术已经在一些场合得到实际应用。然而，当待确认的人数不断增加时，上述方法的准确率会明显下降，当人数增加到一定规模时，将难以满足实际应用的需求，这是文本无关说话人确认技术需要解决的一个重要问题。 

发明内容

本发明的目标是：提出一种大规模说话人确认方法，能在获得高准确率的同时兼顾高运算速度的要求。具体实施方法上，本发明从特征提取和分类方法两个层次分别提出新的方法，提高特征的区分度，提升说话人分类器的速度与准确率。 

本发明的设计原理为：在特征提取层次，提出2D-Haar音频特征提取方法，引入一定的时序关系信息，并将音频特征空间扩展至数十万维，为确认算法提供更加庞大的特征空间；在说话人分类器层次，提出Turbo-Boost算法，在庞大的2D-Haar特征空间中筛选具有代表性的特征组合，用于构建目标说话人的确认分类器。在相同的时间内，本发明可以将既有的识别准确率进一步提升，以满足说话人确认应用中快速、准确的技术要求。 

本发明的技术方案是通过如下步骤实现的： 

步骤1，获取待确认说话人（即目标说话人）的语音信号，形成基础语音库S。 

具体方法为：把麦克风与计算机连接，获取目标说话人的语音信号，并以音频文件的形式存储在计算机内，每个目标说话人对应一个音频文件，形成基础语音库S={s₁，s₂，s₃，…，s_k}，其中k为目标说话人的总数。 

步骤2，对基础语音库S中的语音进行音频特征积分图计算，形成基础特征库R。具体过程如下： 

步骤2.1，对于第k个目标说话人，对其音频文件s_k进行分帧处理（帧长f_s、帧移Δf_s由用户设定），并提取各帧的基础音频特征（如MFCC、LPCC、子带能量等），将各帧的基础音频特征组合，形成一个包含c帧、每帧p维特征量的基础特征文件v_k。