Стр. 6 - Г.П. Можаров, Р.С. Чеботарев - Текстонезависимый метод идентификации человека по его голосу
Упрощенная HTML-версия
6. Выполняется обратное быстрое преобразования Фурье энергети-
ческого спектра, в результате которого получается кепстр
C
s
(
q
)
, харак-
теризующий частотно-энергетические особенности исходного сигнала
в пространстве кепстрального (зависящего от частоты) времени
q
.
7. Вычисляется автокорреляционная функция
R
с
(
k
)
кепстра
C
s
(
q
)
:
R
с
(
k
) =
X
q
M
[
C
s
(
q
)
∙
C
s
(
q
−
k
)]
,
где
M
[
∙
]
— операция вычисления математического ожидания. По-
скольку метод предполагает использование 12 кепстральных коэффи-
циентов, то вычислять автокорреляционную функцию можно только
для
k
= 1
. . .
13
.
8. Представляя значения автокорреляционной функции
R
с
(1)
. . .
. . . R
с
(11)
в виде матрицы Теплица
T =
R
с
(1)
R
с
(2)
R
с
(2)
R
с
(1)
∙ ∙ ∙
∙ ∙ ∙
R
с
(11)
R
с
(10)
...
. . .
. . .
...
R
с
(11)
∙ ∙ ∙
R
с
(2)
R
с
(1)
,
а саму задачу вычисления линейного предсказания в виде
R
с
(1)
R
с
(2)
R
с
(2)
R
с
(1)
∙ ∙ ∙
∙ ∙ ∙
R
с
(12)
R
с
(11)
...
. . .
. . .
...
R
с
(12)
∙ ∙ ∙
R
с
(2)
R
с
(1)
a
2
a
3
...
a
13
=
−
R
с
(2)
−
R
с
(3)
...
−
R
с
(13)
,
имеем возможность определить коэффициенты линейного предсказа-
ния поведения автокорреляционной функции эффективным с точки
зрения вычислений рекурсивным методом Левинсона–Дарбина [5].
9. Кепстральные коэффициенты линейного предсказания вычисля-
ются через рекуррентные соотношения
c
1
=
−
a
2
;
c
n
+1
=
−
a
n
−
n
−
1
X
k
=1
k
n
c
k
a
n
−
k
,
n
= 1
, . . . ,
11
.
Таким образом, получаем итоговый вектор голосовых признаков
X
=
{
c
1
, . . . c
12
}
, достаточно хорошо характеризующий индивидуаль-
ные голосовые особенности человека, обусловленные физиологией его
голосового тракта, и не зависящий от конкретной речевой информа-
ции, произносимой человеком.
Формирование голосовых моделей.
Для построения голосовых
моделей на основе векторов голосовых признаков используется 1024-
ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2012
173
