[发明专利]利用特征结合对语音情感进行识别的方法及其装置

摘要

本发明公开了一种利用特征结合对语音情感进行识别的方法及其装置。该方法基于高斯混合模型结合美尔频率倒谱系数和自相关函数系数，对语音情感进行识别，其包括以下步骤：一、构建和学习高斯混合模型；二、选择和提取语音特征得到美尔频率倒谱系数和自相关函数系数；三、将美尔频率倒谱系数和自相关函数系数相互结合，组成特征矩阵，在高斯混合模型的基础上对柏林语料库的语音进行情感识别。美尔频率倒谱系数的提取过程包括预加重、分帧、计算短时能量、加窗、快速福利叶变换、三角带通滤波器。该方法对六种语音情感进行识别，准确率达到74.45%。本发明还涉及与该方法配套的装置。

主权项

1.一种利用特征结合对语音情感进行识别的方法，其基于高斯混合模型结合美尔频率倒谱系数和自相关函数系数，对语音情感进行识别；其特征在于：该方法包括以下步骤：一、构建和学习高斯混合模型，高斯混合模型满足公式（1）：p(x→|λ)=Σi=1Mωibi(x→)---(1)]]>；其中，是D维随机向量；ω_i,i=1……M是混合权重；是单一高斯密度的组合密度，满足公式（2）：bi(x→)=1(2π)D/2|Σi|1/2exp{-12(x→-μi→)′Σi-1(x→-μi→)}---(2)]]>；其中，是平均值；Σ_i是协方差矩阵；λ是对参数平均值、协方差矩阵以及权重的总体表达形式，满足公式（3）：λ={ωi,μi→,Σi}i=1,......,M---(3)]]>；二、选择和提取语音特征：a)美尔频率倒谱系数的提取过程：1.预加重（pre-emphasis）：将经采样后的数字语音信号s(n)通过一个高通滤波器，经过预加重后的信号为s'(n)=s(n)-a×s(n-1)，进行预加重的目的是为了消除声带和嘴唇的效应，来补偿语音信号的高频部分；2.分帧（frame blocking）：取10-20ms为一帧，取帧长的一半作为帧移，每次位移一帧的二分之一后再取下一帧；3.计算短时能量（energy）：短时能量代表音量的高低，亦即声音振幅的大小，根据此能量的值来过滤掉语音信号中的噪声而形成静音段（silence）；4.加窗（hamming window）：将每一帧代入窗函数，窗外的值设定为0，其目的是消除各个帧两端可能会造成的信号不连续；5.快速福利叶变换（FFT transform）：将加窗后的帧经过FFT（Fast Fourier Transform）求出每帧的频谱参数；6.三角带通滤波器（triangular band-pass filter）：将每帧的频谱参数通过一组N个三角形带通滤波器所组成的美尔刻度滤波器，将每个频带的输出取对数，求出每一个输出的对数能量（log energy），k=1,2…N；再将此N个参数进行余弦变换（cosine transform）求出L阶的Mel-scale cepstrum参数；b)自相关函数（ACF）的提取过程：定义自相关函数满足公式（3）为：P(k)=limN→∞12N+1Σ-∞∞x(m)x(m+k)---(3)]]>；其中，P(k)表示将语音信号延迟后与语音信号本身的相似性，k是自相关的延迟时间；三、将美尔频率倒谱系数和自相关函数系数相互结合，组成特征矩阵，在高斯混合模型的基础上对柏林语料库的语音进行情感识别。