stm32的语音识别_基于STM32实现孤立词语音识别系统

当接触或点击屏幕时，触摸控制器可读取触摸点位置，如此可通过屏幕直接接受用户的操作。相比较机械式按钮，触摸屏在操作上更加直观生动。综合考虑，本设计中采用2.5寸240×320分辨率的LCD触摸屏实现界面显示和操作。

1.3算法选择1.3.1软件算法总体介绍对采集到的音频信号进行预处理、端点检测、特征提取、模板训练、特征匹配的一些列处理，最终识别输入语音。

系统软件流程图如下图所示。

1.3.2预处理算法选择语音信号的预处理主要包括： ADC、分帧、数据加窗、预加重。

语音信号的频率范围通常取100Hz~3400Hz，因为这个频段包含绝大部分的语音信息，对语音识别的意义最大。根据采样定律，要不失真地对3400Hz的信号进行采样，需要的最低采样率是6800Hz。为了提高精度，常用的A／D采样率在8kHz到12kHz。

语音信号有一个重要的特性：短时性。由于人在说话中，清音与浊音交替出现，并且每种音通常只延续很短的一段时间。因此，从波形上看，语音信号具有很强的“时变特性”。在浊音段落中它有很强的周期性，在清音段落中又具有噪声特性，而且浊音和清音的特征也在不断变化之中。如图1.4所示，其特性是随时间变化的，所以它是一个非稳态过程。但从另一方面看，由于语音的形成过程是与发音器官的运动密切相关的，这种物理性的运动比起声音振动速度来说是缓慢的(如图1.5所示)。因此在一个短时间范围内，其特性变化很小或保持不变，可以将其看做一个准稳态过程。我们可以用平稳过程的分析处理方法来分析处理语音信号。

图1.4 语音“7”的时域波形

图1.5 语音“7”清音段和浊音段的20ms短时波形

基于以上考虑，对语音信号的分析处理必须采用短时分析法，也就是分帧。语音信号通常在10ms~30ms之间保持相对平稳。在本设计中，每帧取20ms。为了使前后帧之间保持平滑过渡，帧移10ms，即前后帧之间交叠10ms。

为了便于后续语音处理，需对分帧后的信号加窗。加窗方式如式(1-1)。

(1-1)

式中Y(n)是加窗后的信号，y(n)是输入信号，w(n)是窗函数，N是帧长。

窗函数可以选择矩形窗，即

(1-2)

图1.6 矩形窗时域、频域示意图

或其他形式窗函数，如汉明窗

(1-3)

图1.7 汉明窗时域、频域示意图

这些窗函数的频率响应都具有低通特性，但不同的窗函数形状将影响分帧后短时特征的特性。图1.7和图1.8分别给出了160点矩形窗和汉明窗的时域和频域示意图。从图中可以看出汉明窗的带宽大约是同样宽度矩形窗带宽的两倍。同时，在通带外汉明窗的衰减比矩形窗大得多。矩形窗的主瓣较小，旁瓣较高；而汉明窗具有最宽的主瓣宽度和最低的旁瓣高度。

对语音信号分析来说，窗函数的形状是非常重要的，矩形窗的谱平滑性较好，但波形细节易丢失，并且矩形窗会产生泄露现象。而汉明窗可以有效地克服泄露现象，应用范围也最为广泛。基于以上论述，本设计选用汉明窗作为窗函数。图1.9和图1.10分别给出了一帧浊音加矩形窗和汉明窗后的时域和频域效果。

图1.8 加矩形窗

图1.9 加汉明窗

由于人的发声器官的固有特性，语音从嘴唇辐射将有6dB／倍频的衰减。此种效应主要表现在高频信息的损失，对语音信号的特征提取会造成不利的影响。因此，必须对信号进行高频提升，即对信号进行高频的补偿，使得信号频谱平坦化，以便于进行频谱分析或声道参数分析。预加重可以用具有6dB/倍频提升高频特性的预加重数字滤波器实现。预加重滤波器一般是一阶的，其系统函数和差分方程如式(1-4)

(1-4)

其中y(n)为提升后的输出值，x(n)和x(n-1)分别为当前时刻和前一时刻的输入值。u接近于1，典型取值在0.94~0.97之间。本设计取0.95。预加重效果如图1.11所示。

图1.10 预加重效果图

1.3.3端点检测算法选择语音端点检测(VAD)，也称为语音活动性检测，主要应用在语音处理中的语音编解码，语音识别及单信道语音增强等领域。语音端点检测的基本方法可以用一句话来表达：从输入信号中提取一个或一系列的对比特征参数，然后将其和一个或一系列的门限阀值进行比较(如图3-2)。如果超过门限则表示当前为有音段；否则表示当前为无音段。门限阀值通常是根据无音段时的特征确定的。但是由于语音和环境噪声的不断变化，使得这一判决过程变得非常复杂。通常语音端点检测是在语音帧的基础上进行的，语音帧的长度在10ms~30ms不等。一个好的语音端点检测算法必须具有对各种噪声的鲁棒性，同时要简单、适应性能好、时延小、且易于实时实现。

在高信噪比的情况下，常用的检测方法大体上有以下几种：短时能量、短时过零率。这些方法都是利用了语音和噪声的特征参数，因此判别效果较好。并且它们实现简单，计算量相对较小，因而得到广泛的应用。

短时能量定义如下式：

(1-6)

式中N为帧长，E为一帧的短时能量值。

短时能量主要有以下几个方面的应用：首先短时能量可以区分清音和浊音，因为浊音的能量要比清音的大得多；其次可以用短时能量对有声段和无声段进行判定，以及连字分界等。短时能量由于是对信号进行平方运算，因而人为增加了高低信号之间的差距。更重要的的是平方运算的结果很大，容易产生数据溢出。解决这些问题的简单方法是采用短时平均幅度值来表示能量的变化。其定义如下：

(1-7)

短时过零率是语音信号时域分析中最简单的一种特征，它指每帧内信号通过零值的次数，定义如下：

(1-8)

式中，sgn(x)是符号函数，即

(1-9)

根据以上定义，清音由于类似于白噪声，所以过零率较高。浊音的能量集中于低频段，所以浊音信号的短时过零率较低。噪声的短时过零率较高，这主要是因为语音信号的能量主要集中在较低的频率范围内，而噪声信号的能量主要集中于较高的频段。这样计算的短时过零率容易受到噪声干扰。解决这个问题的方法是对上述定义稍作修改，即设置一个门限T，将过零率的含义修改为跨过正负门限的次数。修改后的定义如下式：

(1-10)

这样计算的短时过零率就有一定的抗干扰能力，即使存在随机噪声，只要它不超过正负门限所构成的带，就不会产生虚假过零率。

综合考虑设计需要和系统处理能力，本设计采用短时幅度值和改进后的短时过零率判断语音起始和结束点。分别为短时幅度和短时过零率设置门限值。每次识别前，选定语音段前300ms作为背景噪声，用以确定这两个门限值，实现对背景噪声的自适应。具体的端点检测方法如下。

判断语音起始点，要求能够滤除突发性噪声。突发性噪声可以引起短时能量或过零率的数值很高，但是往往不能维持足够长的时间，如门窗的开关，物体的碰撞等引起的噪声，这些都可以通过设定最短时间门限来判别。超过两门限之一或全部，并且持续时间超过有效语音最短时间门限，返回最开始超过门限的时间点，将其标记为有效语音起始点。判断语音结束点，要求不能丢弃连词中间短暂的有可能被噪声淹没的“寂静段”。这可以通过设定无声段最长时间门限来判别。同时低于两门限，并且持续时间超过无声最长时间门限，返回最开始低于门限的时间点，将其标记为有效语音结束点。

图1.12和图1.13分别给出了上述算法在一般信噪比和低信噪比情况下的端点检测效果。从图中可以看出上述算法能够适应一般的背景噪声。在背景噪声较高时，上述算法无法准确判断语音起始结束点。但经过试验，当信噪比低至图1.13所示时时人耳也很难准确辨识语音。所以上述算法在实际使用中能够满足端点检测的需求。

图1.11 一般信噪比下的端点检测效果

图1.12 低信噪比下的端点检测效果

1.3.4特征提取算法选择在语音识别系统中，模拟语音信号在完成A／D转换后成为数字信号。此时的语音信号为时域的信号，时域的信号难以进行分析和处理，而且数据量庞大。通常的做法是对时域信号进行变换，提取其中某种特定的参数，通过一些更加能反映语音本质特征的参数来进行语音识别。特征提取是识别过程中一个非常重要的环节，选取的特征直接影响到识别的结果。不同的特征对不同语音的敏感度也不一样，优秀的语音特征应该对不同字音距离较大，而相同字音距离较小。

另外，特征值的数目也是一个重要的问题。在满足使用要求的情况下，所使用的特征数应该尽量减少，以减少所涉及的计算量。但是过少的特征有可能无法恰当的描述原始语音，以致识别率下降。语音特征的提取方法是整个语音识别的基础，因此受到了广泛的重视。通过近几十年的发展，目前语音特征的提取方法主要有以下三类：

1.基于线性预测分析的提取方法。这一类的典型代表是线性预测倒谱系数LPCC。

2.基于频谱分析的提取方法。这一类的典型代表是Mel频率倒谱系数MFCC。

3.基于其它数字信号处理技术的特征分析方法。如小波分析、时频分析、人工神经网

[1] [2] [3] [4] [5]