[发明专利]一种基于3D卷积神经网络的声纹识别方法

摘要

本发明公开了一种基于3D卷积神经网络的声纹识别方法，包括下述步骤：步骤一，对语音信号的预处理；语音采集过程中会产生较多的信道噪声，则会给识别任务带来较大的困难，因此首先采用谱相减法对输入语音数据进行去噪处理，即从带噪语音估值中减去噪声频谱估值，从而得到纯净语音的频谱；此处消除的是信道噪声，信道噪声是由录音设备所导致的噪声；去除信道噪音的同时，完全保存了与说话人有关的所有信息；本发明的语音信号预处理采用谱相减法，相对于其它方法，谱相减法引入的约束条件最少，物理意义最直接，运算量小，从而可以有效提高识别的准确性。

主权项

1.一种基于3D卷积神经网络的声纹识别方法，其特征在于，包括下述步骤：步骤一，对语音信号的预处理；语音采集过程中会产生较多的信道噪声，则会给识别任务带来较大的困难，因此首先采用谱相减法对输入语音数据进行去噪处理，即从带噪语音估值中减去噪声频谱估值，从而得到纯净语音的频谱；此处消除的是信道噪声，信道噪声是由录音设备所导致的噪声；去除信道噪音的同时，完全保存了与说话人有关的所有信息；其中，所述谱相减法的具体步骤如下：首先对输入的语音信号进行预滤波，对滤波后的语音信号进行预加重，将语音信号分帧，对信号帧加汉明窗，对加窗后的信号进行FFT变换，对各帧语音信号求功率谱，然后求平均噪声功率，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，进行谱减运算，得出估计的语音信号功率谱，然后插入相位谱，计算出语音谱，再进行IFFT变换，得到还原的语音帧，根据各个语音帧组合为语音信号，将语音信号加重得到最终信号；步骤二，声学特征的提取和拼接；对步骤一中得到的纯语音数据按照帧长25ms、帧移10ms进行分帧，每一条语音数据能够分为多帧语音信号，分别计算每一帧语音信号的MFCC特征参数；其中，所述计算MFCC特征参数的具体步骤如下：首先将语音信号通过一个高通滤波器，即预加重处理，然后将信号分帧，每一帧乘以汉明窗，之后每帧再经过FFT变换以得到在频谱上的能量分布，然后将功率谱通过一组Mel标度的三角形滤波器组，计算每个滤波器组输出的对数能量，最后经过DCT变换得到MFCC特征参数；然后选择前13维MFCC特征参数并继续计算其一阶和二阶差分，分别提取前13维MFCC特征拼接成为一个39维的特征向量，由此作为这一帧语音信号的特征参数；然后将每39帧语音信号的39个特征合并成为一个39*39的二维数据，不足39帧的语音信号丢弃；步骤三，3D卷积神经网络的构建；首先堆叠20帧的数据，即20*39*39的数据作为3D卷积神经网络的输入；然后根据识别结果不断调整卷积神经网络参数，具体步骤如下：首先收集大量的人声数据，每个人的声音数据需要多个，然后将部分的人声数据用于特征采集，剩余部分的人声数据用于声纹识别，当识别输出的身份匹配不正确时，修正卷积神经网络参数，直到最终识别正确；最后，通过softmax分类器输出结果。