[发明专利]面向家居环境的智能哭声检测方法

权利要求书

1.一种面向家居环境的智能哭声检测方法，其特征在于，包括如下步骤：

S1，采集哭声与非哭声语音信号，分两类存入样本库；并对样本库中各类语音信号进行预处理，得到各类语音信号对应的语音帧序列；

S2，对S1中所述语音帧序列中每一帧，提取24维的音频特征，得到各类语音信号对应特征向量序列；

S3，以S2中所述特征向量序列，作为GMM训练样本，采用EM算法，分别训练哭声GMM模型和非哭声GMM模型；并提取训练好的GMM模型中各个高斯分量的均值参数，组成均值向量序列；

S4，对S3所述均值向量序列中每一个向量，添加类别标签，并保存到均值特征样本集；并以均值特征样本集作为训练样本，训练SVM模型；

S5，采集待识别的音频信号，并按照S1至S2的方法，提取信号对应的音频特征序列；其次，将音频特征序列中每一帧信号，与S3中所述均值向量序列中每一个均值向量，计算二者的似然概率，取概率最大值所对应的均值向量，作为GMM模型对该帧信号的判决结果；最后，遍历音频特征序列中所有帧，得到均值向量序列X＝{X₁,X₂,...,X_p,...,X_L}；其中，X_p为第p帧信号对应的均值向量，L为音频特征序列长度；

S6，将S5中所述均值向量序列X＝{X₁,X₂,...,X_p,...,X_L}，输入SVM模型，逐帧进行判决，最后将每帧判决结果h(X_p)，按照下式进行累加求均值，得到最终音频文件的识别结果R；

其中，h(X_p)为SVM模型判决函数，输出值为1或-1；若R取值为正，则待识别音频信号判决为哭声；若R取值为负，则待识别音频信号判决为非哭声。

2.根据权利要求1所述的面向家居环境的智能哭声检测方法，其特征在于，S1中所述对各类语音信号进行预处理，具体包括如下步骤：

S201，将采集到的各类语音信号，转换成对应数字信号，分两类存入样本库；

S202，对S201所述数字信号，依次进行归一化、预加重、分帧、加窗处理后，得到各类语音信号对应的语音帧序列。

3.根据权利要求1所述的面向家居环境的智能哭声检测方法，其特征在于，S2中所述对语音帧序列中每一帧信号，提取24维的音频特征，具体包括如下步骤：

S301，对语音帧序列中每一帧信号，经过FFT变换、Mel滤波器组、对数变换、DCT变换后提取12维的MFCC特征C(m)；

其中，C_i(m)代表语音帧序列中第i帧信号的MFCC特征，1≤i≤L，L为音频帧序列长度；m为特征分量的标号，1≤m≤12；

S302，对S301所述MFCC特征C(m)，按照如下差分公式，计算12维差分MFCC特征ΔC(m)；

其中，ΔC_l(m)代表音频帧序列中第l帧信号的差分MFCC特征，2≤l≤L-2，-2≤k≤2；

S303，将S301与S302所述特征合并，组成24维的音频特征C＝{c₁,c₂,...,c_w,...,c₂₄}，1≤w≤24。

4.根据权利要求1所述的面向家居环境的智能哭声检测方法，其特征在于，S3中所述用特征向量序列训练GMM模型过程中，采用改进的K-means方法对GMM模型进行初始化，具体包括如下步骤：

S401，根据GMM设置的分量数M，从特征向量序列中，随机选取M个聚类中心点O＝{O₁,O₂,...,O_j,...,O_M}；其中，O_j表示第j个聚类中心，是24维向量；

S402，计算特征向量序列中，第n帧特征向量

C_n＝{c_n1,c_n2,...,c_nw,...,c_n24}

中数据的方差其中，1≤w≤24；

S403，采用如下所示加权的欧氏距离公式，比较第n帧特征向量与各个聚类中心的距离Dis(n,O_j)，1≤j≤M，选取最小距离对应的聚类中心，作为第n帧特征向量的聚类结果；

S404，对特征向量序列中所有帧，执行S402至S403操作，得到所有帧的聚类结果；

S405，重新划分每个类的聚类中心，以每个类所包含特征向量的均值作为该类新的聚类中心；并计算新、旧聚类中心的欧式距，是否小于0.001；若是，初始化过程结束；否则，继续迭代进行S402至S404的处理步骤，直至满足新、旧聚类中心的欧式距小于0.001的条件。