[发明专利]一种基于过零间隔点声纹识别方法

说明书

技术领域

本发明属于计算机及信息服务技术领域，具体涉及一种基于过零间隔点的声纹识别方法。

背景技术

声纹识别技术是在20世纪中期在美国提出的，最早进行此项技术研究的是美国贝尔实验室的劳伦斯·克斯特，他对一百多名健康人的上万个声纹图进行了分析鉴定，准确率达到99.65％。中国的声纹识别技术起步较晚，在20世纪90年代才开始进行正式的研究，目前进行相关研究的有北京大学、清华大学、中国科学院声学研究所以及一些政法部门。随着各个研究领域(如材料、通信、计算机、生命科学等)的不断发展，声纹识别技术也在飞速发展，其可靠性和准确性将不断提高。关于声纹识别的算法主要包括：Mel倒谱系数(MFCC)法、基于隐马尔科夫模型(HMM)的方法、基于过零间隔点的方法等等。

MFCC和HMM方法识别精度高，但是他们的计算量太大，对硬件要求高。基于过零间隔点的方法计算量小，只需要较低的采样率和较少的采样点就可以完成声纹的识别功能，但是识别精度低。

发明内容

有鉴于此，本发明提供了一种基于过零间隔点的声纹识别方法，该方法将原有的单维过零间隔点识别方法扩展为多维识别，提高了识别精度。

实现本发明的技术方案如下：

一种基于过零间隔点的声纹识别方法，具体过程为：

S00、采集声音信号：

设定采样率为n，对一段声音信号进行采样，采样点个数为k；

S01、确定过零点：

设当没有声音信号时的采样值为X，有声音信号时各个采样点的值为X(1)、X(2)…X(k)，当满足公式(1)时：

(X(i)-X)(X(i+1)-X)≤0(i≤k-1)(1)

则记X(i)为过零点，以此类推，记录所有过零点；

将所有过零点的采样值记为y(1)、y(2)…y(ε)，其中ε为所有过零点的总数；

S02、统计过零间隔点：

首先，统计所有相邻过零点之间的采样点的个数，即统计y(i+1)与y(i)之间采样点的个数，并将其存储到矩阵z1中，其中i＝1,2,...ε-1；统计矩阵z1中各元素出现的次数，并将统计的结果存储到矩阵w1中，将w1作为第一维特征向量；

其次，统计所有间隔一个过零点的过零点之间的采样点的个数，即统计y(i+2)与y(i)之间采样点的个数，并将其存储到矩阵z2中，其中i＝1,2,...ε-2；统计矩阵z2中各元素出现的次数，并将统计的结果存储到矩阵w2中，将w2作为第二维特征向量；

以此类推，依次求出相隔两个、三个、…、N-1个过零点的过零点之间的采样点的个数，得到w3、w4、…、wN；

S03、建立多维特征矩阵：

将w1、w2、…、wN中长度短的特征向量后续补零，得到一个N维的特征向量；

S04、建立模板库：

按照步骤S00至S03的方式，针对多种不同的声音信号分别获取其对应的N维特征向量，构建模板库；

S05、求出匹配结果：

按照步骤S00至S03的方式，提取被检测声音信号的N维特征向量，并将其与模板库中声音信号的特征向量进行匹配，实现声纹的识别。

进一步地，本发明所述进行匹配的过程为：将被检测声音信号的N维特征向量与模板库中特征向量分别求取欧氏距离，若最小的欧式距离小于设定的阈值，将最小欧式距离所对应的声音信号作为相匹配的声音信号，否则，将被检测的信号视为未知信号。

有益效果：

本发明所提供的方法依次求出相隔一个、两个、三个、…、N-1个过零点的过零点之间的采样点的个数，建立多维特征矩阵来进行匹配，与Mel倒谱系数(MFCC)法、基于隐马尔科夫模型(HMM)的方法相比计算量小，与传统的声纹识别算法相比实时性好、精度高。

附图说明

图1为本发明所提供的方法的流程图。

具体实施方式

下面结合附图，对本发明进行详细描述。

本发明提供了一种声纹识别的方法，如图1所示，该方法的具体步骤为：

S00、采集声音信号：

设定采样率为3000HZ，对一段声音信号进行采样，采样点个数为200。

S01、确定过零点：

设当没有声音信号时的采样值为X，有声音信号时各个采样点的值为X(1)、X(2)…X(k)。当满足下面公式时：

(X(i)-X)(X(i+1)-X)≤0(i≤k-1)(1)

则记X(i)为过零点，以此类推，记录所有过零点。