基于改進(jìn)的DTW算法的變電站巡檢機(jī)器人語(yǔ)音識(shí)別的實(shí)現(xiàn)

谷志偉 李漢峰

（廣西電網(wǎng)公司欽州供電局，廣西 欽州535000）

0 引言

語(yǔ)音識(shí)別起始于20世紀(jì)50年代。隨著研究的深入和相關(guān)學(xué)科的發(fā)展，語(yǔ)音識(shí)別技術(shù)逐步從實(shí)驗(yàn)室走向了現(xiàn)實(shí)應(yīng)用。語(yǔ)言是人類交流的主要方式，而使機(jī)器能夠聽懂人類的語(yǔ)音，是當(dāng)前的研究熱點(diǎn)和難點(diǎn)。語(yǔ)音識(shí)別是通過(guò)一定的技術(shù)將語(yǔ)音信號(hào)轉(zhuǎn)化為相應(yīng)文本的技術(shù)［1－2］。語(yǔ)音識(shí)別主要包含3個(gè)主要部分：特征提取、算法匹配和模型訓(xùn)練。圖1為語(yǔ)音識(shí)別的實(shí)現(xiàn)過(guò)程。

圖1 語(yǔ)音識(shí)別過(guò)程

變電站巡檢機(jī)器人目前已經(jīng)在國(guó)內(nèi)推廣和應(yīng)用，為維護(hù)變電站的安全穩(wěn)定運(yùn)行做出了卓越貢獻(xiàn)。但是當(dāng)前機(jī)器人的控制指令由主控室的后臺(tái)程序下達(dá)，工作人員無(wú)法在設(shè)備區(qū)直接操作機(jī)器人或者查詢狀態(tài)信息，并且后臺(tái)程序的專業(yè)性較強(qiáng)，操作人員需經(jīng)嚴(yán)格的培訓(xùn)來(lái)熟悉后臺(tái)程序，操作路徑相對(duì)復(fù)雜。語(yǔ)言作為人類特有的功能，不但是相互傳遞信息的主要手段，也是人們最理想的人機(jī)交互方式之一［3］。使用語(yǔ)音控制巡檢機(jī)器人進(jìn)行常規(guī)操作、查詢相關(guān)信息，相對(duì)于后臺(tái)操作更加簡(jiǎn)便，操作人員只要掌握相關(guān)指令，就能進(jìn)行常規(guī)操作，方便機(jī)器人的日常應(yīng)用和維護(hù)。變電站巡檢機(jī)器人平臺(tái)上搭建語(yǔ)音識(shí)別功能后，利用語(yǔ)音識(shí)別技術(shù)還可以協(xié)助變電站的無(wú)人值守，實(shí)現(xiàn)變電站的智能化和自動(dòng)化管理。

本文的變電站機(jī)器人語(yǔ)音識(shí)別是基于改進(jìn)的DTW算法，主要應(yīng)用語(yǔ)音識(shí)別算法來(lái)進(jìn)行人機(jī)交流，使機(jī)器人能夠聽懂經(jīng)過(guò)訓(xùn)練的口頭命令，并能夠按照命令進(jìn)行相應(yīng)的動(dòng)作。主要實(shí)現(xiàn)過(guò)程是：外部語(yǔ)音命令通過(guò)巡檢機(jī)器人攜帶的拾音器或無(wú)線話筒進(jìn)行聲音采集并傳送到系統(tǒng)內(nèi)部，采集到的語(yǔ)音信號(hào)經(jīng)過(guò)語(yǔ)音識(shí)別算法得到特征參數(shù)，進(jìn)而識(shí)別出語(yǔ)音命令。

1 語(yǔ)音控制命令特征提取

1.1 Mel頻率倒譜

人耳對(duì)不同頻率的語(yǔ)音具有不同的感知能力，這是一種非線性的關(guān)系［4］。結(jié)合人耳的生理結(jié)構(gòu)，運(yùn)用對(duì)數(shù)關(guān)系來(lái)模擬人耳對(duì)不同頻率語(yǔ)音的感知特性，Davies和Mermelstein于1980年提出了Mel頻率（MFCC）的概念。Mel頻率與實(shí)際頻率的具體關(guān)系如式（1）所示。人耳的聽覺(jué)特性與 Mel頻率的增長(zhǎng)一致。與實(shí)際頻率在1000Hz以下呈現(xiàn)線性分布，1000Hz以上呈現(xiàn)對(duì)數(shù)增長(zhǎng)［5］。

MFCC是利用上述這種關(guān)系，計(jì)算出Hz頻率的頻譜特征。目前，MFCC已經(jīng)成為語(yǔ)音識(shí)別的主流算法，并且Mel頻率與Hz頻率之間存在著非線性的對(duì)應(yīng)關(guān)系，使得在頻率提高時(shí)MFCC計(jì)算精度下降。這就是現(xiàn)實(shí)中僅適用低頻的MFCC而舍棄高頻MFCC的原因。MFCC處理過(guò)程流程圖如圖2所示，計(jì)算MFCC參數(shù)主要有以下步驟：

（1）預(yù)加重：使信號(hào)的頻譜變得平坦；

（2）分幀：根據(jù)語(yǔ)音的短時(shí)平穩(wěn)特性，語(yǔ)音以幀為單位進(jìn)行處理；

（3）加窗：窗函數(shù)處理后可以減小吉布斯效應(yīng)的影響；

（4）快速傅立葉變換（Fast Fourier Transformation，F(xiàn)FT）：將時(shí)域信號(hào)轉(zhuǎn)化為頻域的頻譜；

（5）加三角窗濾波：濾波處理進(jìn)而來(lái)模擬人耳的掩蔽效應(yīng)；

（6）對(duì)數(shù)處理；

（7）離 散 余 弦 變 換 （Discrete Cosine Transformation，DCT）：去除信號(hào)的相關(guān)性并進(jìn)行降維處理；

（8）參數(shù)差分：提高系統(tǒng)識(shí)別性能。

圖2 MFCC過(guò)程圖（傅立葉變換）

1.2 端點(diǎn)檢測(cè)

采集到語(yǔ)音信號(hào)后，在進(jìn)行分析時(shí)還需進(jìn)行相關(guān)的預(yù)處理操作，目的是為了得到真實(shí)的語(yǔ)音信號(hào)。分析真實(shí)有效的語(yǔ)音信號(hào)才能使識(shí)別結(jié)果的可信度增強(qiáng)，否則識(shí)別結(jié)果的可信度會(huì)受到質(zhì)疑。由于種種原因，采集到的待處理語(yǔ)音信號(hào)往往夾雜著噪聲，這些噪聲會(huì)扭曲語(yǔ)音的原本特征。因此，要進(jìn)行語(yǔ)音信號(hào)的端點(diǎn)檢測(cè)。

如今比較常見的端點(diǎn)檢測(cè)有短時(shí)能量和短時(shí)過(guò)零率。單純的短時(shí)能量或短時(shí)過(guò)零率不能夠準(zhǔn)確地檢測(cè)出語(yǔ)音信號(hào)。因此，本文采用短時(shí)能量和短時(shí)過(guò)零率相結(jié)合的方法進(jìn)行端點(diǎn)檢測(cè)，來(lái)提取有效的語(yǔ)音信號(hào)，稱為雙門限端點(diǎn)檢測(cè)。

1.2.1 短時(shí)能量

某一語(yǔ)音時(shí)域信號(hào)為x，分幀后，第n幀信號(hào)為xn（m），則xn（m）的短時(shí)能量用En表示，計(jì)算公式如式（2）所示：

式中，N為幀長(zhǎng)。

由此可見，En可以衡量信號(hào)幅度值的變化。然而，對(duì)于高電平來(lái)說(shuō)，En比較敏感。為了減少敏感度，采用短時(shí)平均幅度函數(shù) Mn，如式（3）所示：

其中，Mn也能表示語(yǔ)音信號(hào)能量大小，并且不會(huì)由于En的二次方造成較大反差［6－7］。

1.2.2 短時(shí)過(guò)零率

短時(shí)過(guò)零率是每幀語(yǔ)音信號(hào)穿過(guò)橫軸（零電平）的次數(shù)。對(duì)連續(xù)信號(hào)來(lái)說(shuō)，“過(guò)零”即信號(hào)通過(guò)時(shí)間軸；而對(duì)于離散信號(hào)來(lái)說(shuō)，若相鄰的采樣值符號(hào)改變則可認(rèn)為信號(hào)穿過(guò)了橫軸，即“過(guò)零”。短時(shí)過(guò)零率就是樣本改變符號(hào)的次數(shù)。第n幀語(yǔ)音信號(hào)xn（m）（m∈［0，N－1］，N 為幀長(zhǎng)）的過(guò)零率如式（4）所示：

本文在使用短時(shí)過(guò)零率時(shí)，需要判斷前后2個(gè)采樣值的符號(hào)和2個(gè)采樣值的差值，如果前后2個(gè)采樣值符號(hào)不同并且差值大于設(shè)定的閾值，則認(rèn)為短時(shí)過(guò)零率有意義。

判斷信號(hào)是有效的語(yǔ)音段還是靜音段時(shí)，首先要對(duì)數(shù)據(jù)的短時(shí)能量和過(guò)零率進(jìn)行分析。首先為短時(shí)能量和過(guò)零率分別設(shè)定一個(gè)閾值，若當(dāng)前數(shù)據(jù)的短時(shí)能量和過(guò)零率2個(gè)參數(shù)中，有一個(gè)超過(guò)相應(yīng)閾值，則認(rèn)為進(jìn)入了語(yǔ)音段，并從這一段數(shù)據(jù)開始記錄；在對(duì)之后的采樣數(shù)據(jù)的檢測(cè)過(guò)程中，當(dāng)發(fā)現(xiàn)2個(gè)參數(shù)的數(shù)值都回落到閾值以下之后，則認(rèn)為當(dāng)前語(yǔ)音段結(jié)束，并停止記錄數(shù)據(jù)。

2 模式匹配識(shí)別

動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping，DTW）是語(yǔ)音識(shí)別中經(jīng)典的算法之一［8］。在小詞匯表孤立詞識(shí)別時(shí)與HMM算法性能相同［9］。由于HMM算法復(fù)雜、訓(xùn)練過(guò)程繁瑣，而DTW算法簡(jiǎn)單又有效，使得DTW算法在特定場(chǎng)合下的應(yīng)用范圍超過(guò)了HMM算法。

端點(diǎn)檢測(cè)即確定語(yǔ)音的起始點(diǎn)和終結(jié)點(diǎn)貫穿于DTW算法始終。模板庫(kù)中的各個(gè)語(yǔ)音信號(hào)稱為參考模板，表示為R＝｛R（1），R（2），…，R（m），…，R（M）｝，其中，m為參考模板語(yǔ)音信號(hào)的第m幀，m＝1時(shí)表示語(yǔ)音幀開始，m＝M時(shí)表示語(yǔ)音幀結(jié)束，即M模板語(yǔ)音的幀數(shù)，并且R（m）為第m幀的特征向量。待識(shí)別的語(yǔ)音信號(hào)稱為測(cè)試模板，表示為T＝｛T（1），T（2），…，T（n），…，T（N）｝，n表示測(cè)試語(yǔ)音信號(hào)的第n幀，n＝1時(shí)表示語(yǔ)音信號(hào)第一幀，n＝N時(shí)表示語(yǔ)音最后一幀，即N為待識(shí)別語(yǔ)音的幀數(shù)，T（n）為第n幀的語(yǔ)音特征向量。為了比較它們之間的相似情況，可以計(jì)算它們之間的歐式距離，即D［T，R］，距離越小代表2個(gè)信號(hào)的相似度越高。

傳統(tǒng)的DTW算法對(duì)路徑有一定的局限性，即在匹配過(guò)程中限定彎折率的變化區(qū)間為［0.5，2］，因此很多點(diǎn)是達(dá)不到的。為了防止搜索范圍的擴(kuò)大，可以對(duì)搜索范圍再加以限制［10］。在傳統(tǒng)的DTW算法中，需將測(cè)試模板中的每一幀與參考模板中的每一幀做相似度比較。即使將搜索路徑的彎折率進(jìn)行了限定，運(yùn)算量仍然很大，從而導(dǎo)致識(shí)別時(shí)間增加。

本文中，改進(jìn)的算法搜索區(qū)域如圖3所示。某個(gè)待識(shí)別的語(yǔ)音，在樣本庫(kù)中匹配成功時(shí)的最佳路徑應(yīng)該靠近圖3中矩形MBNE的對(duì)角線BE。因此，可以在對(duì)角線附近做上下限的限制，即在多邊形ABCDEF中計(jì)算測(cè)試幀與參考幀之間的相似度。其中，直線AF和直線CD方程如式（6）（7）所示，C為直線偏移對(duì)角線BE的程度，可以利用實(shí)驗(yàn)樣本來(lái)確定C的取值。

圖3 DTW算法搜索區(qū)域

3 實(shí)驗(yàn)及其結(jié)果分析

為了驗(yàn)證算法的性能，本文設(shè)計(jì)了語(yǔ)音識(shí)別實(shí)驗(yàn)。在matlab7.0下對(duì)改進(jìn)的算法進(jìn)行測(cè)試，設(shè)計(jì)了仿真實(shí)驗(yàn)。在實(shí)驗(yàn)中，使用MFCC倒譜系數(shù)作為樣本數(shù)據(jù)的特征，歐式距離作為相似度，距離越小相似度越高。

使用變電站巡檢機(jī)器人錄制了以下基本控制命令：前進(jìn)、后退、向左轉(zhuǎn)彎、向右轉(zhuǎn)彎、溫度查詢、濕度查詢、天氣查詢、一鍵返回。將這些機(jī)器人控制指令作為測(cè)試樣本，來(lái)測(cè)試算法的性能。

針對(duì)采集的樣本進(jìn)行分析，訓(xùn)練和識(shí)別過(guò)程圖如圖4所示。其中，實(shí)線框中為訓(xùn)練部分，虛線框中為識(shí)別部分。

圖4 語(yǔ)音處理過(guò)程圖

實(shí)驗(yàn)過(guò)程中，本文算法步驟為：

Step1：樣本采集，組建樣本庫(kù)；

Step2：樣本預(yù)處理；

Step3：MFCC特征提??；

Step4：構(gòu)建數(shù)學(xué)模型；

Step5：DTW算法識(shí)別，輸出識(shí)別結(jié)果。

圖5所示是語(yǔ)音“一鍵返回”的雙門限端點(diǎn)檢測(cè)結(jié)果，其中，圖中第一行為原始信號(hào)，第二行為短時(shí)能量，第三行為短時(shí)過(guò)零率。從圖中可以看出，語(yǔ)音段正確地提取出來(lái)了，這為后續(xù)特征提取提供了保障。表1是算法性能的對(duì)比情況。

圖5 雙門限端點(diǎn)檢測(cè)

表1 算法性能對(duì)比

從實(shí)驗(yàn)結(jié)果看出，在非特定人語(yǔ)音識(shí)別系統(tǒng)中，與現(xiàn)有的DTW算法相比，本文的算法不論是在時(shí)間上還是系統(tǒng)識(shí)別率上都要優(yōu)于現(xiàn)有算法。本文的算法由于提高了系統(tǒng)的運(yùn)行速度和準(zhǔn)確率，可以應(yīng)用在變電站機(jī)器人上，并且能夠很好地滿足對(duì)變電站巡檢機(jī)器人的實(shí)時(shí)控制。

4 結(jié)論

本文使用改進(jìn)的DTW算法，提取語(yǔ)音信號(hào)的MFCC特征，實(shí)現(xiàn)了語(yǔ)音識(shí)別。實(shí)驗(yàn)結(jié)果表明，該算法識(shí)別時(shí)間短，正確率高，算法性能穩(wěn)定，魯棒性強(qiáng)。將該算法應(yīng)用在變電站巡檢機(jī)器人上，能夠做到實(shí)時(shí)控制巡檢機(jī)器人的運(yùn)動(dòng)。通過(guò)人機(jī)交互方式，對(duì)機(jī)器人下發(fā)相關(guān)語(yǔ)音指令，讓機(jī)器人完成對(duì)應(yīng)指令的操作，這種人機(jī)交互方式簡(jiǎn)化了工作人員的工作流程，提高了工作人員的工作效率，真正做到了“說(shuō)什么做什么”的效果。該算法的實(shí)現(xiàn)不但增加了變電站機(jī)器人的功能，還推進(jìn)了變電站智能化管理的步伐，完全滿足該智能變電站推進(jìn)無(wú)人值守的自動(dòng)檢測(cè)識(shí)別要求。

［1］李書貞，施玉霞.基于語(yǔ)音指令的遠(yuǎn)程控制機(jī)器人系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.微電腦應(yīng)用，2008（11）

［2］胡亞洲，王新民，曹江濤.基于改進(jìn)DTW的機(jī)器人語(yǔ)音指令識(shí)別系統(tǒng)研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2013（7）

［3］李麟.家用機(jī)器人語(yǔ)音識(shí)別及人機(jī)交互系統(tǒng)的研究［D］.哈爾濱工業(yè)大學(xué)，2007

［4］韓一，王國(guó)胤，楊勇.基于 MFCC的語(yǔ)音情感識(shí)別［J］.重慶郵電大學(xué)學(xué)報(bào)：自然科學(xué)版，2008（5）

［5］張晶，范明，馮文全，等.基于MFCC參數(shù)的說(shuō)話人特征提取算法的改進(jìn)［J］.電聲技術(shù)，2009（9）

［6］趙力.語(yǔ)音信號(hào)處理［M］.第2版.機(jī)械工業(yè)出版社，2009

［7］呂霄云，王宏霞.基于MFCC和短時(shí)能量混合的異常聲音識(shí)別算法［J］.計(jì)算機(jī)應(yīng)用，2010（3）

［8］胡金平，陳若珠，李戰(zhàn)明.語(yǔ)音識(shí)別中DTW改進(jìn)算法的研究［J］.微型機(jī)及應(yīng)用，2011（3）

［9］朱淑琴.語(yǔ)音識(shí)別系統(tǒng)關(guān)鍵技術(shù)研究［D］.西安電子科技大學(xué)，2004

［10］朱淑琴，趙瑛.DTW語(yǔ)音識(shí)別算法研究與分析［J］.微計(jì)算機(jī)信息，2012（5）