一种基于字典学习和低秩矩阵分解的说话人识别方法技术

本发明专利技术提出了一种基于字典学习和低秩矩阵分解的说话人识别方法，包括以下步骤：步骤1，对说话人音频进行预加重、分帧、加窗、端点检测等处理；步骤2，提取出对应每个说话人语句的MFCC特征，并训练GMM‑UBM模型；步骤3，通过联合因子分析（JFA）估算全局差异空间矩阵T，全局差异空间因子w；步骤4，得到对应每个说话人语句的i‑vector；步骤5，从训练集中提取M维度的i‑vector并生成特征矩阵，根据训练集和测试集，对判别字典进行生成，得到的字典将作为i‑vector后端处理和打分模块，为最终判别提供依据；适应字典学习准则的编码系数可以有效提升识别力，并通过结构化稀疏来进行最优分类。

A Speaker Recognition Method Based on Dictionary Learning and Low Rank Matrix Decomposition

【技术实现步骤摘要】
一种基于字典学习和低秩矩阵分解的说话人识别方法
本专利技术涉及说话人识别领域，具体的说是一种用于用于对说话人识别系统的后端i-vector字典判别方法。
技术介绍
话人识别(SpeakerRecognition，SR)又称声纹识别，是利用语音信号中含有的特定说话人信息来识别说话者身份的一种生物认证技术。近年来，基于因子分析的身份认证矢量(identityvector,i-vector)说话人建模方法的引入使得说话人识别系统的性能有了明显的提升。实验表明，在对说话人语音的因子分析中，通常信道子空间中会包含说话人的信息。因此，i-vector用一个低维的总变量空间来表示说话人子空间和信道子空间，并将说话人语音映射到该空间得到一个固定长度的矢量表征(即i-vector)。在过去的几年里，稀疏信号表示已广泛应用于数字信号处理领域，例如：压缩感知和图像恢复。近年来，人们发现基于分类的稀疏表示的实验结果比较好，因此被广泛使用。稀疏编码是通过构建过完备字典对任意一个信号进行最紧凑的线性表示。构建稀疏编码字典的方法有两种，分别是标准的数据模型法和和数据驱动方法。进入21世纪以来，稀疏信号表示在信号处理方向得到了较为广泛的运用，典型的使用案例包括压缩感知、损坏图像恢复。近年来人们又发现稀疏编码在分类方面有很大的拓展空间，它通过建立一个过完备字典，以达到对每个待分类信号做线性表示的目的。稀疏表示已经在语音处理的部分研究领域起到一些显著的作用，例如互联网环境下基于移动终端的语音接入中采用稀疏表示的方法，可以大大节省通信传输的特征数据，除此之外，稀疏分解对语音信号去噪也有着一定的显著作用，其中，基于字典学习和稀疏分解算法已经在图像识别领域得到了较好的使用。在非约束条件下，算法的稳定性很难得到保障，特别是当噪声污染过大时，会使训练出的字典可识别能力下降。
技术实现思路
本专利技术所要解决的技术问题是，在非约束条件下，算法的稳定性很难得到保障。特别是当噪声污染过大时，会使训练出的字典可识别能力下降，为了克服现有技术的不足而提供一种基于字典学习和低秩矩阵分解的说话人识别方法。本专利技术提供一种基于字典学习和低秩矩阵分解的说话人识别方法，包括以下步骤：步骤1，对说话人音频进行预加重、分帧、加窗、端点检测等处理；步骤2，提取出对应每个说话人语句的MFCC特征，并训练GMM-UBM模型；步骤3，通过联合因子分析(JFA)估算全局差异空间矩阵T，全局差异空间因子w；步骤4，得到对应每个说话人语句的i-vector；步骤5，从训练集中提取M维度的i-vector并生成特征矩阵，根据训练集和测试集，对判别字典进行生成，得到的字典将作为i-vector后端处理和打分模块，为最终判别提供依据。作为本专利技术的进一步技术方案，所述步骤5的具体内容如下：设测试集的i-vector样本集合为Y，矩阵C含有说话人共性部分E和说话人个性部分DX，即Y＝DX+E，那么对于训练样本Y，其在字典D上的最优稀疏表示系数应为一块对角阵，如下所示：字典D包含c个类别的子字典，X是训练样本Y在字典D上的稀疏稀疏，其中Xi是对应子字典Di的稀疏系数；字典D具备可识别和重建的能力，从而低秩和稀疏稀疏表示，子字典Di为第i类训练样本的转悠字典，达到最好的识别率；第i类i-vector样本被第i类的子字典D很好表示；字典Di(i≠j)对应的编码系数为0；结构化稀疏对应为Q＝[q1,q2,.....,qi]∈RN×L,其中qi表示对应于训练样本yi的编码，N表示字典的尺寸大小，L表示训练样本总数；设训练样本yi属于第M类，，结构化稀疏系数Q满足qi对应子字典Di的所有系数都为1，其余均为0，结构化系数系数Q与低秩矩阵的结合，可以对样本进行最优的分类。作为本专利技术的进一步技术方案，所述步骤5的算法流程包括如下内容：给定训练样本，其中样本Y＝[Y1,Y2,.....,Yi],包含c个类别的n个样本；表示第i类的样本，d表示每个样本向量的维数，ni表示第i类样本的样本个数；每类样本学习一个子字典，最终整合成字典D＝[D1,D2,.....,Di]，其中表示对第i类样本进行学习后得到的子字典，表示每个子字典原子的维数，表示第i类子字典的原子个数。作为本专利技术的进一步技术方案，所述算法流程中的模型具体包括如下内容：a.生成初始字典D，将训练样本Yi降维，得到的新向量作为子字典Di的初始原子；b.得到相关编码系数Xi(i＝1，2，…，c)，并保持xj(j≠i)不变，依序对编码系数进行更新，字典模型表达式为：从式中可以得出，子字典已经能表征训练样本，其中，r(Yi,D,Xi)是样本重新构建后产生的偏差项，Di是第i类训练样本的子字典；||X||1为是稀疏分类的约束项，F(X)是K-SVD判别式；方程中的F(X)的类内离散度尽量减小，类间离散度尽量增大达到更好地识别效果；由此可得出下式：上式由迭代投影方法求得；c.更新子字典Di(i＝1,2，…，c)：同时固定Dj(j≠i)、系数X，同步更新子字典Di(i＝1，2，…，c)和样本Y在子字典上对应的编码系数Xii，得到简化后的字典模型方程为：则d.迭代：J(D，X)大于或等于阈值或者迭代次数已达上限，此时将自动输出稀疏编码X和字典D，否则返回步骤b。e.分类：样本y的编码系数将根据结构化低秩矩阵D得出式中：x＝[x1；x2；x3……xc]，xi是对应于子字典Di的编码系数，根据式计算出第i类的残差作为本专利技术的进一步技术方案，所述步骤5中的训练阶段，既可以输入纯净语音的i-vector构成训练数据对并提取相应的语音特征，也可以将纯净语音和噪声数据混合的i-vector输入字典；在分别将不同信噪比和种类的含噪语音和的语音特征作为输入和标签数据训练判别字典时，得到的低秩部分E除了含有i-vector的共性字典外还含有噪声字典，也会被单独提取出来不参与分类过程。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：可以有效处理i-vector中的共性部分，将i-vector统计量中说话人共有的部分单独分离出来，并对字典中的说话人子字典都进行了低秩处理以尽可能降低说话人i-vector共性部分对最后打分结果的影响，从而使最后生成的字典识别力更强；适应字典学习准则的编码系数可以有效提升识别力，并通过结构化稀疏来进行最优分类。附图说明图1为本专利技术的系统结构图。图2本专利技术中MFCC特征提取流程图。图3为本专利技术中算法流程图。具体实施方式下面结合附图1-3对本专利技术的技术方案做进一步的详细说明：本实施例提出了一种基于字典学习和低秩矩阵分解的说话人识别方法，包括以下步骤：步骤1，对说话人音频进行预加重、分帧、加窗、端点检测等处理；步骤2，提取出对应每个说话人语句的MFCC特征，并训练GMM-UBM模型；步骤3，通过联合因子分析(JFA)估算全局差异空间矩阵T，全局差异空间因子w；步骤4，得到对应每个说话人语句的i-vector；步骤5，从训练集中提取M维度的i-vector并生成特征矩阵，根据训练集和测试集，对判别字典进行生成，得到的字典将作为i-vector后端处理和打分模块，为最终判别提供依据；设测试集的i-vector样本集合为Y，矩阵C含有说话人共性部分E和说话人个性部分本文档来自技高网...

【技术保护点】
1.一种基于字典学习和低秩矩阵分解的说话人识别方法，其特征在于：包括以下步骤：步骤1，对说话人音频进行预加重、分帧、加窗、端点检测等处理；步骤2，提取出对应每个说话人语句的MFCC特征，并训练GMM‑UBM模型；步骤3，通过联合因子分析(JFA)估算全局差异空间矩阵T，全局差异空间因子w；步骤4，得到对应每个说话人语句的i‑vector；步骤5，从训练集中提取M维度的i‑vector并生成特征矩阵，根据训练集和测试集，对判别字典进行生成，得到的字典将作为i‑vector后端处理和打分模块，为最终判别提供依据。

【技术特征摘要】
1.一种基于字典学习和低秩矩阵分解的说话人识别方法，其特征在于：包括以下步骤：步骤1，对说话人音频进行预加重、分帧、加窗、端点检测等处理；步骤2，提取出对应每个说话人语句的MFCC特征，并训练GMM-UBM模型；步骤3，通过联合因子分析(JFA)估算全局差异空间矩阵T，全局差异空间因子w；步骤4，得到对应每个说话人语句的i-vector；步骤5，从训练集中提取M维度的i-vector并生成特征矩阵，根据训练集和测试集，对判别字典进行生成，得到的字典将作为i-vector后端处理和打分模块，为最终判别提供依据。2.根据权利要求1所述的一种基于字典学习和低秩矩阵分解的说话人识别方法，其特征在于：所述步骤5的具体内容如下：设测试集的i-vector样本集合为Y，矩阵C含有说话人共性部分E和说话人个性部分DX，即Y＝DX+E，那么对于训练样本Y，其在字典D上的最优稀疏表示系数应为一块对角阵，如下所示：字典D包含c个类别的子字典，X是训练样本Y在字典D上的稀疏稀疏，其中Xi是对应子字典Di的稀疏系数；字典D具备可识别和重建的能力，从而低秩和稀疏稀疏表示，子字典Di为第i类训练样本的转悠字典，达到最好的识别率；第i类i-vector样本被第i类的子字典D很好表示；字典Di(i≠j)对应的编码系数为0；结构化稀疏对应为Q＝[q1,q2,.....,qi]∈RN×L,其中qi表示对应于训练样本yi的编码，N表示字典的尺寸大小，L表示训练样本总数；设训练样本yi属于第M类，，结构化稀疏系数Q满足qi对应子字典Di的所有系数都为1，其余均为0，结构化系数系数Q与低秩矩阵的结合，可以对样本进行最优的分类。3.根据权利要求2所述的一种基于字典学习和低秩矩阵分解的说话人识别方法，其特征在于：所述步骤5的算法流程包括如下内容：给定训练样本，其中样本Y＝[Y1,Y2,.....,Yi],包含c个类别的n个样本；表示第i类的样本，d表示每个样本向量的维数，ni表示第i类...

【专利技术属性】
技术研发人员：王昕，李宗晏，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32