[发明专利]基于Fbank特征和MFCC特征融合的声纹识别方法

说明书

本发明公开了一种基于Fbank特征和MFCC特征融合的声纹识别方法，本发明先对于语音数据集进行预处理，提取Fbank特征和MFCC特征；将得到40维Fbank特征和12维MFCC特征的基础上进行特征融合。本发明在广义端到端模型上进行实验，相比单独的Fbank和MFCC特征，本发明提出的特征融合方法优于单独的特征。本发明的特征融合方法降低了特征维度、降低了冗余、减少了存储空间以及训练复杂度。

技术领域

本发明涉及语音信号处理、人工智能领域，特别涉及一种基于Fbank特征和MFCC特征融合的声纹识别方法。

背景技术

声纹识别又叫做说话人识别，是一种通过语音信号提取能够代表说话人身份的特征、并基于该特征识别出说话人身份的技术。声纹识别作为生物特征应用之一，与指纹识别、人脸识别有着同等重要的应用领域，且声纹识别具有采集方便、非接触性便利、造价低廉等优点。声纹识别可以应用在金融、智能锁、特定人唤醒等领域，随着应用范围的扩大，人们对声纹识别的要求也越来越高，提高声纹识别的性能也有着重要的意义。

声纹识别流程一般分为特征提取、模型构建、打分判决三个模块。在特征提取模块中，常用的声纹特征有MFCC、Fbank、LPC、PLP等。当前常用的方式大多是基于单独的一类特征进行训练，且仅有的特征融合方法是选择将两种不同的特征进行直接拼接。

发明内容

本发明针对现有技术中直接拼接不同类特征造成的维度过大以及冗余问题，提出了一种基于Fbank特征和MFCC特征融合的声纹识别方法。

本发明公开一种基于Fbank特征和MFCC特征融合的声纹识别方法，具体包括以下步骤：

步骤一、准备语音数据集，并对数据集进行预处理；

步骤二、提取Fbank特征；

将预处理后的语音帧序列经过快速傅里叶变换、取功率谱、取幅度平方、经过梅尔滤波器组并取对数得到Fbank特征；

步骤三、提取MFCC特征；

在Fbank特征的基础上进行离散余弦变换得到MFCC特征；

步骤四、特征融合；

在得到40维Fbank特征和12维MFCC特征的基础上进行特征融合。

作为优选，所述的梅尔滤波器组系数取40。

作为优选，所述的在Fbank特征的基础上进行离散余弦变换得到MFCC，具体为：提取第1-12组系数进行DCT变换得到12维的MFCC特征。

作为优选，所述的在得到40维Fbank特征和12维MFCC特征的基础上进行特征融合，具体为：将第1-12组的MFCC特征嵌入到40维Fbank的第1-12组中。

作为优选，所述的对数据集进行预处理具体为：预加重、分帧、加窗，最后输出语音帧序列。

作为优选，所述的分帧采用25ms帧长、10ms帧移。

作为优选，所述的加窗的窗口选择为汉明窗。

与现有技术相比，本发明具有以下有益效果：本发明在广义端到端模型上进行实验，相比单独的Fbank和MFCC特征，本发明提出的特征融合方法优于单独的特征。本发明的特征融合方法降低了特征维度、降低了冗余、减少了存储空间以及训练复杂度。

附图说明

图1为本发明所涉及的Fbank与MFCC特征提取流程图；

图2为本发明提出的特征融合方法示意图；

具体实施方式

下面结合附图详细说明本发明的具体实施步骤。