張 濤，蘇春玲

（天津大學(xué) 電子信息工程學(xué)院，天津 300072）

聲音無處不在，人們的生活中伴隨著各種各樣的聲音，有熟悉的也有不熟悉的，甚至有從未聽過的。聲音的檢測與識別一直是聲音研究領(lǐng)域的重要內(nèi)容。聲音識別系統(tǒng)就是將待測聲音與已經(jīng)訓(xùn)練好的已知的聲音模板進(jìn)行匹配，從而得知待測聲音是什么聲音的過程。在聲音識別領(lǐng)域中，可以將其分為語音識別和非語音識別。對于語音識別的研究比較深入[1]，非語音識別的研究相對滯后一些。對于非語音識別的用處主要有以下幾個方面，如軍事與國防、工業(yè)生產(chǎn)與控制、醫(yī)療護(hù)理和安全控制等。在非語音聲音信號的檢測研究中，公共場所環(huán)境中的突發(fā)異常聲音檢測一直是一個被公認(rèn)的難題。一些學(xué)者對特定場景下的某些聲音做了相關(guān)研究，例如：Clavel等人利用 LPCC表征聲音信號，通過 GMM檢測識別噪聲環(huán)境下發(fā)生的槍聲，在他們的實(shí)驗(yàn)中主要研究不同信噪比的訓(xùn)練序列對檢測結(jié)果中漏檢率的影響，得到的結(jié)果是當(dāng)測試序列與訓(xùn)練序列的信噪比相同時，檢測結(jié)果的漏檢率最低；當(dāng)用沒有噪聲的序列作為訓(xùn)練序列時，檢測結(jié)果的漏檢率最高[2]；Alain等人通過將頻率域分成 N等分，計算每份的能量值表征聲音信號，利用GMM、HMM來檢測識別噪聲環(huán)境下的突發(fā)聲音，實(shí)驗(yàn)結(jié)果得到了很好的識別率，在信噪比70 dB的時候識別率能達(dá)到98%，在0 dB的時候也能達(dá)到80%以上，但是他們所用的測試環(huán)境僅限于噪聲是高斯白噪聲[3]，而且這個方法的算法復(fù)雜度很高，不易于在硬件中實(shí)現(xiàn)。綜合考慮算法復(fù)雜度和識別率等多方面內(nèi)容，本文提出了一種用于公共場所中槍聲的多級檢測識別方法。

1 算法介紹

非語音識別系統(tǒng)與語音識別系統(tǒng)類似，都基本由特征參數(shù)提取算法和模式匹配算法構(gòu)成。

1）特征參數(shù)提取

用于聲音分類的特征參數(shù)[4]很多，可以歸納為3大類：時域特征參數(shù)、頻域特征參數(shù)，同態(tài)（倒譜）特征參數(shù)。時域特征參數(shù)的特點(diǎn)是提取算法都不復(fù)雜，缺點(diǎn)是對信號的可鑒別能力有限。頻域特征參數(shù)與人類聽覺系統(tǒng)有一定的關(guān)系，但是頻域特征參數(shù)僅適用于加性信號，對于復(fù)雜的乘積性組合信號處理能力不好。同態(tài)特征參數(shù)的優(yōu)點(diǎn)正是在于這種非線性系統(tǒng)的處理，也就是對其進(jìn)行同態(tài)分析，設(shè)法將非線性問題轉(zhuǎn)化為線性問題來處理。

2）模式匹配及模型訓(xùn)練技術(shù)

模型訓(xùn)練是指按照一定的準(zhǔn)則，從大量已知模式中獲取表征該模式本質(zhì)特征的模型參數(shù)，而模式匹配則是根據(jù)一定準(zhǔn)則，使未知模式與模型庫中的某一個模型獲得最佳匹配。語音識別所應(yīng)用的模式匹配和模型訓(xùn)練技術(shù)主要有動態(tài)時間歸正技術(shù)（Dynamic Time Warping，DTW）、隱馬爾可夫模型（hidden Markov model，HMM）和人工神經(jīng)元網(wǎng)絡(luò)（Artificial Neural Networks，ANN）。在這3種技術(shù)中，DTW是較早的一種模式匹配和模型訓(xùn)練技術(shù)，它應(yīng)用動態(tài)規(guī)劃方法成功解決了聲音信號特征參數(shù)序列比較時時長不等的難題，它的算法復(fù)雜度低而且識別率針對某些特定方面也有很好的表現(xiàn)，尤其在孤立詞語音識別中獲得了良好性能。

對于突發(fā)事件的聲音檢測，如槍聲，輸入信號類似于語音中的孤立詞，而且系統(tǒng)所需要的匹配模板較少。用于此類識別，DTW算法與HMM算法在相同的環(huán)境條件下，識別效果相差不大，但HMM算法要復(fù)雜得多，主要體現(xiàn)在HMM算法在訓(xùn)練階段需要提供大量的語音數(shù)據(jù)，通過反復(fù)計算才能得到的模型參數(shù)，而DTW算法的訓(xùn)練中幾乎不需要額外的計算。所以DTW算法對這種輸入信號比較短促，類似于單音信號而且模板又比較少的聲音進(jìn)行識別時，在算法復(fù)雜度和識別率方面都很適合，能獲得良好的效果。故本實(shí)驗(yàn)采用DTW算法。

3）在本算法中，用到的特征參數(shù)是短時能量、短時平均過零率和Mel頻率倒譜系數(shù)。

①短時平均過零率

對于短時平均過零率[5]這個參數(shù)，由于在無聲段噪聲使聲音波形在0值附近來回擺動，如果只考慮符號變化這一單一條件會導(dǎo)致計算出的過零率和有聲段的區(qū)別并不十分明顯；在本算法中還加入另一條件就是設(shè)定一個差的閾值δ，使不僅 sn（m）*sn（m+1）＜0，還要|sn（m）-sn（m+1）|＞δ。 在本系統(tǒng)中經(jīng)多次試驗(yàn)取定δ=250。

②Mel頻率倒普系數(shù)（MFCC）算法

短時能量和短時平均過零率都只是時域上的一些特征參數(shù)，這種參數(shù)沒有充分利用人耳的聽覺特性。人的聽覺系統(tǒng)是一個特殊的非線性系統(tǒng)，它響應(yīng)不同頻率表信號的靈敏度是不同的，基本上是一個對數(shù)的關(guān)系。Mel頻率倒譜系數(shù)（Mel frequency cepstrum coefficient，MFCC）充分利用人耳這種特殊的感知特性參數(shù)。

MFCC參數(shù)是按幀算的。首先通過FFT得到該幀信號的功率譜S（n），然后通過Mel頻率濾波器Hm（n）。濾波器在頻域上為簡單的三角波，其中心頻率為fm，它們在Mel頻率軸上是均勻分布的。在線性頻率上，當(dāng)m較小時，相鄰的fm間隔很小，隨著m的增加，相鄰的fm間隔逐漸被拉開。如圖 1所示。

圖1 Mel頻率濾波器示意圖Fig.1 Schematic diagram of the Mel frequency filter

Mel頻率和線性頻率的關(guān)系： fmel=2595log（1+f/700）

聲音信號的MFCC提取及計算過程如圖2所示[6]。

圖2 MFCC提取過程框圖Fig.2 Structure diagram of the MFCC's extraction process

4）本算法的實(shí)現(xiàn)步驟

通過前面的分析，本系統(tǒng)所采用的特征參數(shù)是短時能量、短時平均過零率和MFCC的結(jié)合，所采用的時域參數(shù)實(shí)現(xiàn)容易且計算量小但是沒有考慮人耳的聽覺特性，所以識別率不高；而MFCC正好彌補(bǔ)了這一點(diǎn)，但是計算量很大；所以本算法采用一種多級的模式，將這個幾個參數(shù)結(jié)合在一起，彼此起到互補(bǔ)的作用，一級一級逐步縮小目標(biāo)，最后檢測出槍聲的位置。整個算法可以分成3級，算法的分級結(jié)構(gòu)框圖如圖3所示。

圖3 算法分級結(jié)構(gòu)框圖Fig.3 Structure diagram of the algorithm classification

在第一級中對每幀（1 024點(diǎn)）計算其短時能量和短時平均過零率；然后根據(jù)設(shè)定好的門限對每幀的能量和過零率進(jìn)行判斷，這兩個參數(shù)只要有一個參數(shù)滿足條件，就將這幀認(rèn)為是有效幀。其中短時能量門限EN_MIN=53，短時過量率的上下門限分別為ZCR1=65、ZCR2=100。

在這一級的判斷中，還采用了一個平滑機(jī)制。采用這個平滑機(jī)制是為了減小漏檢率，由于實(shí)驗(yàn)所選用槍聲模板為11幀，所以為了提高檢測速度和檢測準(zhǔn)確率，最小的可能目標(biāo)段要求至少6幀。為了避免將一個可能目標(biāo)段由于中間一兩幀的無效幀被分成兩個非目標(biāo)段，導(dǎo)致檢測遺漏，本實(shí)驗(yàn)中采取了這個3幀的平滑機(jī)制，也就是兩個可能目標(biāo)段之間的無效幀小于等于3幀時，這兩段會被認(rèn)為是一段。在程序中的具體思想是，如果當(dāng)前幀根據(jù)短時能量和過零率判斷時，被判斷為無效幀；那么如果它的前三幀中有一幀是根據(jù)這兩個條判斷為的有效幀，則當(dāng)前幀也被平滑為有效幀。

在第二級中，對連續(xù)有效幀組成的各個段進(jìn)行判斷。由于本算法中選擇的槍聲模板長度是11幀，所以當(dāng)連續(xù)有效幀小于6幀時，認(rèn)為是非目標(biāo)段，直接舍棄，不進(jìn)行下一步分析；如果連續(xù)有效幀達(dá)到17幀時還沒有遇到無效幀，那么將前11幀作為一個可能目標(biāo)段進(jìn)行下一步的分析，將后6幀作為下一段的前6幀繼續(xù)計數(shù)；如果連續(xù)有效幀幀數(shù)在6和17之間，則直接將這一段作為一個可能目標(biāo)進(jìn)行下一步分析。

在第三級中，對可能目標(biāo)段進(jìn)行MFCC參數(shù)提取，然后將其與模板的MFCC參數(shù)進(jìn)行DTW匹配，如果計算出的最后累計距離值小于設(shè)置的閾值，就確定這段為槍聲，輸出該段的起止幀號。

2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)所采用的輸入文件都是.WAV文件，聲道是單聲道，采樣率為48 kHz，采樣值是16 bit的PCM量化編碼。在實(shí)驗(yàn)時，將幀長定為FRAME_LEN=1 024。實(shí)驗(yàn)步驟及結(jié)果如下：

首先要確定模板，然后利用各種槍聲文件訓(xùn)練出DTW匹配時所需要的閾值GUN_MAX。選定的模板gun_template是只有一聲槍聲文件，模板包含11幀。通過對各種環(huán)境下包含槍聲的序列進(jìn)行訓(xùn)練，可以將所需要閾值GUN_MAX確定為4 525。

表1 部分待測序列的手工標(biāo)注和算法檢測結(jié)果統(tǒng)計Tab.1 Statistics of the test sequences’manually labeled and algorithm detected results

圖4 部分測試結(jié)果示意圖Fig.4 Schematic diagram of the part of the test results

漏檢率和錯檢率是一對此消彼長的參數(shù)，兩者不能同時達(dá)到最優(yōu)，只有根據(jù)具體情況，選擇一個最適合當(dāng)前情況的折中參數(shù)。對于本實(shí)驗(yàn)中的參數(shù)，如果將短時能量和短 時 過 量 率 的 門 限 值 都 減 小 （EN_MIN=55，ZCR1=68，ZCR2=95），同時將 GUN_MAX設(shè)定為 4520，則所檢測出的結(jié)果漏檢率α?xí)兇?，錯檢率β會變小。部分檢測結(jié)果示意圖如圖5所示。

圖5 漏檢率變大，誤檢率變小檢測結(jié)果示意圖Fig.5 Schematic diagram of the higher undetected rate and the lower false detected rate

對檢測結(jié)果進(jìn)行統(tǒng)計，可計算出總的漏檢幀數(shù)為203，則漏檢率α=10.39%；總的錯檢幀數(shù)為152，則錯檢率β=7.78%。

與上述情況相反，如果將檢測條件放寬松，設(shè)定EN_MIN=50、ZCR1=60、ZCR2=105，同時將 GUN_MAX 設(shè)定為4530，那么所檢測出的結(jié)果漏檢率會變小，錯檢率會變大。部分檢測結(jié)果示意圖如圖6所示。

圖6 漏檢率變小，錯檢率變大檢測結(jié)果示意圖Fig.6 Schematic diagram of the lower undetected rate and the higher false detected rate

對檢測結(jié)果進(jìn)行統(tǒng)計，可計算出總的漏檢幀數(shù)為82，則漏檢率α=4.20%；總的錯檢幀數(shù)為268，則錯檢率β=13.72%。

從上述的實(shí)驗(yàn)結(jié)果可以分析出，參數(shù)閾值的大小的稍稍變化會引起檢測結(jié)果的大幅度變化，但是漏檢率和錯檢率不可能同時達(dá)到最優(yōu)，所以要根據(jù)實(shí)驗(yàn)的具體要求，選擇適當(dāng)?shù)膮?shù)，使二者達(dá)到一個折中的平衡。

3 結(jié) 論

文中提出了一種多級的特定突發(fā)聲音槍聲的檢測算法，首先利用時域參數(shù)短時能量和短時平均過量率，其中還加入了平滑機(jī)制來檢測出可能目標(biāo)段；然后再結(jié)合倒譜參數(shù)MFCC和DTW對可能目標(biāo)段進(jìn)行進(jìn)一步檢測，確定其是否為要檢測的目標(biāo)。經(jīng)過實(shí)驗(yàn)測試，取得了令人滿意的結(jié)果。采用本算法，不但可以加快運(yùn)算速度，易于在DSP和ARM上的移植和實(shí)現(xiàn)，而且所采用的測試文件背景環(huán)境很復(fù)雜，說明本算法在信噪比低的情況下，具有一定的魯棒性，來確保檢測的準(zhǔn)確性和有效性。

[1]詹新明，黃南山，楊燦.語音識別技術(shù)研究進(jìn)展[J].現(xiàn)代計算機(jī):專業(yè)版，2008（9）：12.

ZHAN Xin-ming，HUANG Nan-shan，YANG Can.Research progressofspeechrecognition technology[J].Modern Computer：Professional Edition，2008（9）：12.

[2]Clavel C，Ehrette T，Richard G.Events detection for an audio-based surveillance system[C]//IEEE International Conference on Multimedia and Expo，2005.

[3]Dufaus A，Besacier L，Ansorge M，et al.Automatic sound detection and recognition for noisy environment[C]//European Signal Processing Conference，F(xiàn)inland，2000（9）:1033-1036.

[4]劉華平，李昕，徐柏齡，等.語音信號端點(diǎn)檢測方法綜述及展望[J].計算機(jī)應(yīng)用研究，2008，25（8）：2278-2283.

LIU Hua-ping，LIXin，XU Bo-ling，etal.Review and prospect of the speech signal’s endpoint detected method[J].Application Research of Computers，2008，25（8）：2278-2283.

[5]徐大為，吳邊.一種噪聲環(huán)境下的實(shí)時語音端點(diǎn)檢測算法[J].計算機(jī)工程與應(yīng)用，2003（1）：115-117.XU Da-wei，WU Bian.A real-time speech endpoint detection algorithm in a noisy environment[J].Computer Engineering and Applications，2003（1）:115-117.

[6]王炳錫，屈丹，彭煊.實(shí)用語音識別基礎(chǔ)[M].北京：國防工業(yè)出版社，2005.