人机交互：第4章 人机交互技术--4.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,第,4,章 人机主要交互技术,(,新一代人机交互技术,),说话人识别,识别交互对象是人机交互的第一步,说话人识别已有很长历史,(20,世纪,30,年代,Bell Lab,萌芽,始于,60,年代,),说话人识别有其生理依据,说话人识别原理与语音识别相同,说话人识别,生物特征识别的一种方式,优点,:,易于接受,计算简单,设备简单,使用方便,缺点,:,说话人识别不绝对,(,变异性,),可分辨人数较少,易受环境影响,说话人识别特点,说话人识别的类型,文本相关的说话人识别,(Text,Dependen),识别率高,文本无关的说话人识别,(Text,Independen),应用方便灵活,文本提示的说话人识别,(Text,Prompt),防止录音等非现场声音欺骗,说话人识别的方式,说话人辨认,(Speaker Identification),是谁,说话人确认,(Speaker Verification),是不是谁,预处理,特征提取,参考模板,/,模型,模式,/,模型匹配,判决,语 音 输 入,说话人识别系统框图,识 别 结 果,说话人识别系统结构,训练,训练调整,预处理,端点检测,预加重,加窗,分 巾贞,特征选取,可以将人类的声音特征划分为以下三个层次：,声道声学层次，在分析短时信号的基础上，抽取对通道、时间等因素不敏感的特征；,韵律特征层次，抽取独立于声学、声道等因素的超音段特征，如方言、韵律、语速等；,语言结构层次，通过对语音信号的识别，获取更加全面和结构化的语义信息。,特征选取,说话人识别系统主要针对较低层次的声道声学特征进行建模，主要有,:,语音频谱直接导出的参数,(,功率谱,基音周期,共振峰及其带宽,语音强度,),线性预测参数,(LPC),及其派生参数,(,倒谱,自相关,部分相关,反射,线谱对,),其它鲁棒性参数,(Mel,倒谱系数,Bark,倒谱,),混合参数,特征,误识率,(%),倒谱,9.43,差值倒谱,11.81,基音,74.42,差值基音,85.88,倒谱与差值倒谱,7.93倒谱,差值倒谱,基音,差值基音,2.89,不同特征实验结果比较,(Furui,1990),说话人识别方法,模板匹配法,(,计算匹配距离,),说话人确认时，只与所声称的说话人的模型进行匹配和匹配距离,计算；说话人辨认时，与所有人的模型进行匹配和匹配距离计算。,动态时间规整,(DTW),方法,矢量量化,(VQ),方法,矢量量化,(VQ),方法,关键问题是如何获取,VQ,码本，通常采用的是,LBG,算法,失真测度选取,初始码本设计,空胞腔的处理,说话人识别方法,2.,模板匹配法,(,计算匹配概率,),采用某种概率密度函数来描述说话人的语音特征空间的分布情况，并以该概率密度函数的一组参数来作为说话人的模型。,隐马尔可夫模型,(HMM),方法,高斯混合模型,(GMM),方法,常用识别,模型GMM-UBM,GMM-UBM模型,麻省理工学院林肯实验室,D.A.Renolds,等人,从短时语音帧中提取说话人特征,并用一组多维高斯概率密度的加权和表示该说话人特征的统计分布,有效的解决了语音长度和文本范围的问题（与文本无关）,说话人识别方法,3.,辨别分类器方法,人工神经网络,(AMM),方法,(,模仿人脑的信息处理机制,处理复杂的非线性分类,),支持向量机,(SVM),方法,用最优分类器划分样本空间，使得不同子类空间中的样本到分类器的距离达到最大，而对于在当前特征空间中线形不可分的模式，,SVM,使用核函数把样本映射到高维空间中，使得样本能够线性可分,说话人识别方法,4.,混合方法,NTT,实验室的,T.Matsui,和,S.Furui,使用倒谱,差值倒谱,基音和差值基音,采用,VQ,与,HMM,混合的方法,得到,99.3%,说话人识别率,.,采用多种特征和分类器进行识别,对结果进行融合,可以提高,识别率,.,主要识别方法比较,说话人识别系统的评价,识别率,(,或出错率,),数据库大小,(,用户数量,),训练时间,识别时间,使用方便程度,系统实现复杂度与成本,说话人识别进一步的问题,1),提取说话人识别更有效的特征,2),人类识别说话人机理的研究,3),信道补偿方法的研究,4),建立相应语料库,