[发明专利]一种基于Triplet-Loss的说话人识别方法

权利要求书

1.一种基于Triplet-Loss的说话人识别方法，其特征在于,包括以下步骤：

S1：获取语音信号，该语音信号包括三组样本，分别为说话人的一组语音序列Xa、同一说话人另一组的语音序列Xp以及不同说话人的一组语音序列Xn；

S2：进行语音信号的预处理，去除语音采集过程中产生的信道噪声；

S3：对去噪后的语音信号进行语音特征参数提取；

S4：以LSTM神经网络为基础，构建RNN神经网络；

S5：将步骤S3所提取到的90％的三组语音特征参数作为RNN神经网络的输入，用于训练RNN神经网络；

S6：RNN神经网络训练好后，将其余的10％的三组语音特征参数作为RNN神经网络的输入进行说话人识别。

2.根据权利要求1所述的一种基于Triplet-Loss的说话人识别方法，其特征在于,所述步骤S2采用谱相减法对语音信号进行去噪处理，具体步骤如下：

S2-1：对语音信号进行滤波处理；

S2-2：对滤波后语音信号进行预加重，将语音信号分帧，对信号帧加汉明窗；

S2-3：对加窗后的信号进行快速傅里叶变换，对各帧语音信号求功率谱，然后求平均噪声功率；

S2-4：利用VAD进行噪声估计监测寂静段，进而组合递归平滑，更新噪声谱；

S2-5：进行谱减运算，得出估计出的语音信号功率谱；

S2-6：插入相位谱，计算出语音谱，再进行快速傅里叶反变换，得到还原的语音帧；

S2-7：根据各个语音帧组合为语音信号，将语音信号加重得到去噪后的信号。

3.根据权利要求1所述的一种基于Triplet-Loss的说话人识别方法，其特征在于,所述步骤S3对去噪后的语音信号进行声学特征参数提取的具体步骤如下：

S3-1：对去噪后的三组语音信号均进行预加重处理，然后将信号分帧，每一帧乘以汉明窗；

S3-2：对每帧信号进行快速傅里叶变换，得到在频谱上的能量分布；

S3-3：将功率谱通过一组梅尔尺度的三角形滤波器组，计算出每个滤波器组输出的对数能量；

S3-4：经过离散余弦变换得到输出的特征参数。

4.根据权利要求1所述的一种基于Triplet-Loss的说话人识别方法，其特征在于,所述步骤步骤S4以LSTM神经网络为基础，在LSTM神经网络特征输出层后添加归一化层以及Triplet-Loss损失函数层，构建RNN神经网络。

5.根据权利要求4所述的一种基于Triplet-Loss的说话人识别方法，其特征在于,所述Triplet-Loss损失函数层通过学习，让Xa和Xp特征表达之间的距离尽可能小，而Xa和Xn的特征表达之间的距离尽可能大，并且要让Xa与Xn之间的距离和Xa与Xp之间的距离之间有一个最小的间隔α；

对应的目标函数为：

其中，表示Xa和Xp之间的欧式距离度量；

表示的是Xa和Xn之间的欧式距离度量；

此处距离用欧式距离度量，+[]内的值大于零的时候，取该值为损失，小于零的时候，损失为零。

6.根据权利要求1所述的一种基于Triplet-Loss的说话人识别方法，其特征在于,所述步骤S6进行说话人识别的具体步骤如下：

S6-1：通过LSTM神经网络得到三组样本的特征表达f(Xa),f(Xp),f(Xn)；

S6-2：对得到的特征表达进行归一化处理；

S6-3：通过Triplet-Loss损失函数优化神经网络；

S6-4：比较Triplet-Loss损失函数的度量值和预设阈值，若度量值大于预设阈值，则说话人为同一人，否则说话人为不同人。