基于小波减噪的基音检测改进算法

基于小波减噪的基音检测改进算法

赵发;孙瑞霞

【摘要】In order to improve the accuracy of the pitch detection of noisy speech signal under low signal -to-noise ratio (SNR), taking noisy speech signal as the object of study , wavelet transform was used to de -noise the noisy speech signal so as to improve the SNR of the noisy speech signal , then, the autocorrelation function was used to detect the pitch of the de -noised speech signal .Matlab software was used to simulate the pitch de-tection of noisy speech signals with different SNR .Experimental results show that , when the SNR of the noisy speech signal droped to 0dB, the accuracy of pitch detection with improved algorithm was slightly higher than that without wavelet de -noising.When the SNR of the noisy speech signal droped to -5dB, the accuracy of pitch detection with improved algorithm was obviously higher than that without wavelet de -noising.%为了提高含噪语音信号在低信噪比情况下的基音检测准确度,以带噪语音信号为研究对象,采用小波变换对带噪语音信号进行减噪处理以提高带噪语音信号的信噪比,再利用自相关函数对减噪后的语音信号进行基音检测.利用Matlab软件对具有不同信噪比的带噪语音信号进行了基音检测改进算法仿真实验.实验结果表明,当带噪语音信号信噪比下降到0dB时,改进算法基音检测正确率略高于未进行小波减噪的基音检测算法正确率.当带噪语音信号信噪比下降到-5dB时,改进算法基音检测正确率明显高于未进行小波减噪的基音检测正确率.

【期刊名称】《安徽理工大学学报（自然科学版）》

【年(卷),期】2018(038)002

【总页数】6页(P77-82)

【关键词】小波减噪;自相关函数;基音检测;算法

【作者】赵发;孙瑞霞

【作者单位】安徽工程大学电气工程学院,安徽芜湖 241000;安徽工程大学电气工程学院,安徽芜湖 241000

【正文语种】中文

【中图分类】TN912.3

基音检测是指对语音信号基因周期或频率的这一特征的检测[1]699，在语音识别、语音编码、语音合成等语音应用方面具有非常重要的作用[2]223。目前基音检测

存在的主要问题是，当受噪声影响时，带噪语音信号的信噪比急剧下降，从而导致基音检测准确度降低[3-4]163。针对此问题，目前国内外采用的方法主要有两类：直接法和间接法。其中，直接法是指对带噪语音信号直接利用相关算法进行基音检测；如文献[2]223提出一种新的基于经验模式分解的平均幅度函数与自相关函数

加权的基音检测算法。文献[3]163提出的类谐波积谱基音周期检测算法。间接法

是指对带噪语音信号进行减噪处理，然后再进行基音检测。如文献[1]700通过基

于听觉掩蔽的多频带谱减的方法对带噪的语音信号进行语音增强，再利用能零积和能零比的多门限法对其进行基音检测。直接法由于对噪声不进行预处理，所以对基音检测的准确度提高有限。间接法采用谱减法对带噪语音信号进行减噪处理，但由于谱减法算法具有自身的局限性，对平稳的信号谱减效果较好，而语音信号具有一

定的非平稳性，所以用谱减法就会产生一定的检测误差。基于上面的分析，本文利用小波变换在非平稳信号中的有效应用，提出一种基于小波减噪[5-7]和改进自相关函数的基音检测算法，该算法通过小波变换来对带噪语音信号进行减噪，然后再进行改进的自相关函数来进行基音检测。

1 小波减噪

小波减噪是利用噪声与语音信号的特征区别，首先将噪声和语音信号变换到小波域后，然后将噪声对应频带的小波系数置零，利用语音信号的小波系数进行重构还原语音信号，从而达到减噪的目的。

设语音信号表达式为s(t)，噪声信号表达式为n(t)，带噪语音信号为两种的叠加信号f(t)，即

f(t)=s(t)+n(t)

(1)

然后对此带噪语音信号进行离散小波变换

(2)

式中：当a0=2，b0=1 时，得到二进制小波

(3)

小波语音减噪的原理框图如图1所示。

图1 小波语音减噪原理框图

2 改进自相关函数

2.1 基本自相关函数

设语音信号的时间序列为x(n)，加窗分帧处理后得到的第i帧语音信号为xi(m)，下标i表示第i帧，设每帧帧长为N，xi(m)的短时自相关函数[8]定义为

(4)

式中：τ 是时间的延迟量。

语音信号可以看做是浊音与清音的结合，因为浊音具有准周期性，而清音不具有周期性，可以利用求自相关把浊音的周期检测出来，检测出的浊音周期可以看做是语音信号的基音周期[9]。通过计算原始语音信号和延迟τ后的语音信号之间的自相关函数，如果R(τ) 具有最大值，则τ即为信号的基音周期。图2为一帧语音信号波形以及对应的归一化自相关函数波形，从图中可以看出，当τ=0 时，归一化自相关函数具有最大值为1，τ≠0时，幅值都小于1。在一帧语音的归一化自相关函数计算中有一个最大值，所以当对一个语音信号求基音周期时，统计帧与帧之间的最大峰值之间的延迟距离即为基音周期，但需注意图2中归一化函数延迟量是以样点数为单位，当采样频率为fs 时，每个样点的延迟量为1/fs，可由此把延迟样点数换算为时间。

样点数/个(a)一帖语音信号波形

样点数/个(b)归一化自相关函数图2 一帧语音信号波形与相应的归一化自相关函数2.2 改进自相关函数

用自相关函数进行基音检测[10-11]也存在问题，如声道响应[12]问题，利用自相关进行计算时，由于声道的阻尼振荡，会造成计算出的有一定幅度值的数据太多，从而影响正确选择出由基因周期而计算出的幅度值。所以在进行自相关计算前要对信号进行预处理。目前，最常用的改进方法是先对信号进行非线性处理[13-14]，利用信号本身的特性，共振峰信息主要在幅度比较低的语音段丰富，所以通过对低语音信号幅度段进行非线性处理，从而改善后期进行自相关函数进行检测的性能。中心削波方法[15]是一个非常典型的非线性处理方法，但也有明显的缺点，计算量很大。为此，本文采用对中心削波方法的修正方法，其传递函数为