[发明专利]一种基于Triplet-Loss的说话人识别方法

说明书

本发明涉及一种基于Triplet‑Loss的说话人识别方法，包括以下步骤：S1：获取语音信号，包括三组样本，分别为说话人的一组语音序列、同一说话人另一组的语音序列以及不同说话人的一组语音序列；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。本发明具有准确率高、识别效果好、可靠性高等优点。

技术领域

本发明涉及神经网络与深度学习的技术领域，尤其涉及到一种基于Triplet-Loss的说话人识别方法。

背景技术

随着信息安全问题日趋严重，造成的影响越来越大。“个人隐私保密”问题迫切需要解决。如何准确而安全的确定一个人的身份引起人们的思考。语音作为人机交互的一个关键接口，在身份认证上发挥着重要作用。声纹识别，即为说话人识别，声纹作为说话人独一无二的生物特征，正是克服传统认证方法的新手段。与其他方法相比，蕴含声纹特征的语音获取方便、自然，声纹提取可在不知不觉中完成，因此使用者的接受程度也高；获取语音的识别成本低廉，使用简单，一个麦克风即可，在使用通讯设备时更无需额外的录音设备；声纹认证适合远程身份确认，只需要一个麦克风或电话、手机就可以通过网路(通讯网络或互联网络)实现远程登录。

常见的声纹识别方法比如早期的基于信号处理的声纹识别方法，使用信号处理技术中一些技术方法计算出语音数据在信号学的参数，然后进行模板匹配、统计方差分析等，该方法对语音数据极为敏感，准确率很低，识别效果很不理想。

基于高斯混合模型的识别方法能取得较好的效果且简单灵活，但其对语音数据量要求很大，对信道环境噪声非常敏感，无法满足真实场景下的要求。

现有的基于深度学习神经网络的方法并未考虑语音信号的上下文相关的本质，提取到的特征并不能很好地代表说话人，并没有完全发挥深度学习的优势。

发明内容

本发明的目的在于克服现有技术的不足，提供一种准确率高、识别效果好、可靠性高的基于Triplet-Loss的说话人识别方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于Triplet-Loss的说话人识别方法，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。

进一步地，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；