譚 萍 邢玉娟 高 翔

（蘭州文理學院數(shù)字媒體學院，甘肅 蘭州 730000 )

1 引言

說話人識別是生物身份認證技術(shù)中的重要分支，主要通過提取說話人語音中的個性特征參數(shù)，實現(xiàn)說話人身份的自動識別。支持向量機（Support Vector Machine,SVM）[1]是一種基于統(tǒng)計學習理論的機器學習方法，由于其出色的分類性能，近幾年成為話者識別領(lǐng)域研究的熱點。高斯混合模型（Gaussian mixture model, GMM）可以有效的描述說話人語音特征分布。將SVM和GMM相結(jié)合[2]，在說話人確認領(lǐng)域獲得了成功的應(yīng)用。然而，在說話人識別系統(tǒng)中隨著注冊人數(shù)的增加，語音數(shù)據(jù)規(guī)模急劇變大，GMM的計算復雜度增大，從而導致SVM訓練速度變慢，進而影響系統(tǒng)的性能。針對上述問題，本文提出兩種新的基于GMM的聚類算法。該算法借助GMM模型對話者語音數(shù)據(jù)建模，分別依據(jù)話者GMM模型間的KL散度和巴氏距離對模型進行聚類，減少SVM訓練樣本數(shù)量，從而達到提高系統(tǒng)識別性能和魯棒性的目的。

2 說話人GMM模型

GMM模型是一種統(tǒng)計模型,它利用若干個高斯概率密度函數(shù)的加權(quán)和來近似地描述說話人特征矢量在概率空間的分布。

對于一個D維的輸入特征向量X，M 個成員高斯概率密度的加權(quán)和表示為：

3 說話人模型聚類

隨著說話人識別系統(tǒng)注冊人數(shù)的增加，采集的語音數(shù)據(jù)的規(guī)模會急劇增大，從而導致GMM計算復雜度變高，進而影響到系統(tǒng)的識別性能。因此，本文提出兩種說話人模型聚類算法，以期在保證識別率的情況下支持向量機訓練階段的計算復雜度。

3.1 KL散度聚類

KL散度是一種有效的概率模型差異度量方法[4]，本算法采用說話GMM模型和聚類中心模型()cp 之間的KL散度作為K均值聚類算法的距離度量：

由于在超向量映射中只是對均值向量進行自適應(yīng)，因此所有話者的GMM具有相同的協(xié)方差矩陣和權(quán)重向量，則模型間的KL距離可以近似為：

算法2：KL散度聚類算法

1）設(shè)定聚類數(shù)K，隨機指定K個說話人GMM模型為K個聚類的中心模型：用于記錄當前類別n中聚類的說話人模型數(shù)目；

4）重復執(zhí)行步驟②和③，直到聚類中心模型不再變化為止。

3.2 巴氏距離聚類

在KL散度聚類中，距離的計算只考慮到了模型的均值向量，在此我們又采用巴氏距離[5]進行模型的聚類，在距離的計算中不僅考慮均值向量，還考慮到協(xié)方差的影響。巴氏距離計算公式如下：

對（7）式取近似上限可得：

4）重復執(zhí)行步驟②和③，直到聚類中心模型不再變化為止。

算法4 支持向量機判決

支持向量機是基于結(jié)構(gòu)風險最小化原則在兩類中尋找最優(yōu)分類邊界，在數(shù)據(jù)分類方面顯示了優(yōu)越的性能，因此本文使用支持向量機獲得最終識別結(jié)果。使用目標說話人和其他說話人的特征向量進行SVM的訓練，得到?jīng)Q策分類函數(shù)：

4 仿真實驗與分析

4.1 實驗語音庫

為了對提出的算法性能進行測試，本文針對73個說話人進行文本無關(guān)確認仿真實驗，實驗中支持向量機采用RBF核函數(shù)。性能評估的標準為接受錯誤和拒絕錯誤的等差率(Equal Error Rate, EER) 和DET (Detection Error Tradeoff)曲線[6]。

實驗數(shù)據(jù)采用自建語音庫，其中男性36人，女性37人。語音信號的采用頻率為11025Hz、量化位數(shù)為16bit。每位話者錄制了7個語音段，每個語音段的長度為30s，其中4個語音段用于訓練，3個語音段用于測試。在語音的預處理階段，采用一階數(shù)字濾波器對語音信號預加重，漢明窗寬度為30ms，幀移15ms。對每幀數(shù)據(jù)提取13維的MFCC及它的一階差分構(gòu)成26維輸入特征向量。利用Cool Edit中的降噪器工具,清除各種背景雜音。

4.2 實驗結(jié)果及分析

表1、表2分別為兩種聚類算法在不同聚類數(shù)目下EER、minDCF和識別時間(Recognition Time, RT)比較。

表1 KL散度聚類算法性能

表2 巴氏距離聚類算法性能

由表1和表2可知：

1) 系統(tǒng)在兩種聚類算法下，隨著聚類數(shù)目的增加，兩種算法的EER和minDCF呈降低趨勢，表明算法性能越來越好，然而其識別時間反之變長。這主要是因為類別劃分越細，訓練語音數(shù)據(jù)也越多，使得系統(tǒng)的識別性能越好。但是由于大量的語音數(shù)據(jù)，導致GMM和SVM的計算復雜度增加，進而系統(tǒng)識別時間變長。

2) KL散度聚類算法在K=70，K=50，K=35，K=20下的EER分別是7.23%、6.77%、5.49%和4.93%，minDCF分別是0.0695、0.0613、0.0482、0.0419，而在相同條件下，巴氏距離聚類算法的EER分別是6.83%、5.94%、5.26%和4.22%，minDCF分 別 是0.0617、0.0583、0.0434和0.0392。顯然巴氏距離聚類算法的性能優(yōu)于KL散度聚類算法，證明巴氏距離在計算中不僅考慮均值向量，還考慮到協(xié)方差的影響而KL散度的計算只考慮到了模型的均值向量。但是巴氏距離的計算復雜度高于KL散度，因此系統(tǒng)的識別時間較長。

5 結(jié) 語

針對說話人確認識別率不高及實時性差的問題，在深入研究傳統(tǒng)高斯混合模型以及K均值聚類算法的基礎(chǔ)上提出兩種基于說話人GMM模型的說話人聚類算法： KL散度聚類算法和巴氏距離聚類算法。借助于話者GMM模型的聚類，減少支持向量機訓練階段的數(shù)據(jù)量，提高系統(tǒng)的識別速度和性能。仿真實驗驗證了這兩種聚類算法的有效性。

[1]Haiyan Yang,Xinxing Jing, Ping Zhou.Application of Speaker Recognition Based on LSSVM and GMM Mixture Model[J].Information Technology Journal;2012,11(7)：799-803

[2]Lai Y.-X.,Lai C.-F.,Huang,Y.-M,Chao H.-C.Multi-appliance recognition system with hybrid SVM/GMM classifier in ubiquitous smart home[J]. Information Sciences;2013,230(1)：39-55

[3]Fujimoto,M.,Riki,Y.A.Robust speech recognition in additive and channel noise environments using GMM and EM algorithm[C].Acoustics, Speech, and Signal Processing 2004：I-941-944

[4]Lei Zhen-chun.Combining the Likelihood and the Kullback-Leibler Distance in Estimating the Universal Background Model for Speaker Verification Using SVM[C].2010 20th International Conference on Pattern Recognition, ICPR2010,2010,pages：4553-4556

[5]Chang Huai You,Kong Aik Lee,Haizhou Li.GMM-SVM Kernel With a Bhattacharyya-Based Distance for Speaker Recognition [J].Audio, Speech,and Language Processing,2010;18(6)：1300-1312

[6]劉祥樓,李輝,吳香艷,高丙坤. 基于SQLite技術(shù)的漢語語音識別數(shù)據(jù)庫的建立[J].科學技術(shù)與工程,2011;11(14)：3326-3330