王會(huì)清，張 濤, 周 帆

( 1．武漢工程大學(xué)智能機(jī)器人湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430074； 2．武漢工程大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院．湖北 武漢 430074 )

0 引 言

聲紋識(shí)別系統(tǒng)是對(duì)人的聲音進(jìn)行特征識(shí)別和確認(rèn)，分辨不同個(gè)體的裝置，是信息安全的重要組成部分.在網(wǎng)絡(luò)時(shí)代，電子商務(wù)、網(wǎng)絡(luò)銀行等網(wǎng)絡(luò)上的雙方交互，利用聲紋識(shí)別技術(shù)不需要采用加密算法和建立嚴(yán)密的安全認(rèn)證體系，不需本人到場(chǎng)，只需在網(wǎng)絡(luò)服務(wù)器上安裝聲紋識(shí)別軟件，用戶的客戶機(jī)上備有話筒即可.這種識(shí)別方法不會(huì)出現(xiàn)遺忘、被盜現(xiàn)象，滿足“隨身攜帶”的特點(diǎn)，很難進(jìn)行偽造，是確保信息安全的好方法.并且，其應(yīng)用價(jià)值還可體現(xiàn)在諸如門禁系統(tǒng)，用語音控制門鎖的自動(dòng)開啟；電話銀行可用語音控制轉(zhuǎn)賬密碼；以及情報(bào)監(jiān)聽、各種聲音的鑒別系統(tǒng)等方面.

以聲卡為數(shù)據(jù)采集卡，LabVIEW(虛擬儀器)軟件為開發(fā)平臺(tái)，進(jìn)行語音采集、分析與識(shí)別研究.系統(tǒng)首先采集鑒別體發(fā)出的語音樣本，通過學(xué)習(xí)建立該個(gè)體的應(yīng)用模型.一旦該模型被調(diào)入系統(tǒng)，系統(tǒng)就會(huì)對(duì)待測(cè)語音進(jìn)行識(shí)別，并提示匹配程度.

1 聲紋識(shí)別系統(tǒng)的設(shè)計(jì)原理

聲紋識(shí)別技術(shù)與語音的生理特性及行為特性密切相關(guān).說話者嗓音體現(xiàn)其生理學(xué)和行為特征，可以運(yùn)用語言學(xué)模式進(jìn)行分析，根據(jù)說話人語音波形中反映其生理和行為特征的語音參數(shù)來識(shí)別說話人的身份.聲紋識(shí)別本質(zhì)上是一種模式識(shí)別的過程，是對(duì)個(gè)性特征的認(rèn)識(shí)，所以特征提取非常重要.每個(gè)人的聲音都有自己的頻率、聲調(diào)以及斷續(xù)特征，經(jīng)過學(xué)習(xí)和鑒別，分析并處理說話人語音信號(hào)波形，在確定的頻率段提取頻率時(shí)間序列，為每個(gè)人構(gòu)造一個(gè)具有指紋特征的數(shù)字化文件，以特征模型的形式存儲(chǔ)在計(jì)算機(jī)中.應(yīng)用時(shí)系統(tǒng)采集待識(shí)別的目標(biāo)聲音數(shù)據(jù)，經(jīng)過相同的分析和處理，與存檔的樣本聲音文件進(jìn)行精確匹配，從而得出二者是否一致的判斷[1].

聲紋識(shí)別系統(tǒng)的主要任務(wù)包含：語音信號(hào)的采集與處理、聲紋特征提取和構(gòu)建模型、模型匹配與識(shí)別，其工作過程如圖1所示，分為建模和識(shí)別兩個(gè)分支過程.首先建立鑒別對(duì)象的聲紋模型文件.采集和分析語音信號(hào)，經(jīng)過濾波降噪等必要的處理后，進(jìn)行特征提取，即從聲音數(shù)據(jù)中選取唯一表現(xiàn)說話人的有效且穩(wěn)定可靠的特征，將其提取后生成用戶聲紋模型文件存放在計(jì)算機(jī)中.在聲紋識(shí)別過程中最主要的內(nèi)容是特征提取和模式匹配.特征提取就是從聲音中選取唯一表現(xiàn)說話人身份的有效且穩(wěn)定可靠的特征；模式匹配就是把提取的特征與建模存檔文件做相似性匹配.識(shí)別時(shí)，現(xiàn)場(chǎng)向系統(tǒng)輸入特定語音，提取其特征，同預(yù)先存儲(chǔ)的特征模式進(jìn)行相似性匹配，根據(jù)匹配結(jié)果確定其真假.

圖1 聲紋識(shí)別系統(tǒng)工作流程Fig.1 The voiceprint recognition systems workflow

從圖1可知系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)分二步進(jìn)行：一是建模步驟，包括語音的學(xué)習(xí)與注冊(cè)階段.考慮到用戶聲紋模型應(yīng)該代表該用戶的常態(tài)語音特征，建模步驟中系統(tǒng)多次、重復(fù)從注冊(cè)語音信號(hào)中提取聲紋特征序列，取平均構(gòu)建說話人的特征模型；二是識(shí)別步驟，包括語音特征提取和聲紋確認(rèn)階段.對(duì)待認(rèn)證人的語音信號(hào)進(jìn)行特征提取后，與學(xué)習(xí)階段的模板進(jìn)行比較，通過判斷測(cè)試語音與所聲稱說話人的模型之間的相似度是否大于所規(guī)定的判決閾值作為識(shí)別的結(jié)果.無論是建模還是識(shí)別，都需要首先對(duì)輸入的原始語音進(jìn)行預(yù)處理，并進(jìn)行特征提取.注冊(cè)語音錄入和待檢語音錄入兩個(gè)子系統(tǒng)由同一個(gè)硬件及軟件機(jī)構(gòu)完成.本文的聲紋識(shí)別系統(tǒng)是文本聲紋認(rèn)證，要求說話人提供指定的語句或詞語，即注冊(cè)語音，進(jìn)行學(xué)習(xí)，認(rèn)證時(shí)必須輸入與注冊(cè)語音相同的內(nèi)容.學(xué)習(xí)時(shí)，每個(gè)說話人重復(fù)一定次數(shù)的發(fā)音，然后檢測(cè)并分析每次發(fā)聲的語音段，以提取特征，并利用動(dòng)態(tài)時(shí)間規(guī)整技術(shù)，在時(shí)間上對(duì)齊特征序列且多次平均，形成每個(gè)說話人的參考模型.識(shí)別時(shí)，對(duì)語音信號(hào)進(jìn)行特征分析，然后計(jì)算與參考模型的差距，與設(shè)定的閾值比較，若高于閾值則拒絕判決，低于閾值則接受判決.

2 系統(tǒng)程序設(shè)計(jì)與實(shí)現(xiàn)

2.1 語音信號(hào)的采集與處理

數(shù)據(jù)采集過程分為三步：初始化配置聲卡、采樣、釋放聲卡.首先對(duì)聲卡進(jìn)行設(shè)置，用LabVIEW自帶的Sound Input config(聲音輸入設(shè)置)來配置聲卡采樣所需的各個(gè)參數(shù).將聲卡的采樣率設(shè)為11 025 Hz，采樣位數(shù)為8位，采樣方式為單通道，并設(shè)置131 072字節(jié)大小的緩沖區(qū)，以保證聲卡與CPU(中央處理器)協(xié)調(diào)工作.然后進(jìn)入樣本聲音錄入程序[2].

聲卡對(duì)外部信號(hào)的采樣在起始部分會(huì)有一些不穩(wěn)定的數(shù)據(jù)，因此忽略開始的一段數(shù)據(jù).在前面板設(shè)置了一個(gè)啟動(dòng)按鈕，沒有按動(dòng)啟動(dòng)按鈕時(shí)，程序處于等待循環(huán)階段.當(dāng)用戶單擊按鈕時(shí)，開始錄制聲音，根據(jù)用戶設(shè)置的聲音格式從聲卡獲得數(shù)據(jù)、存儲(chǔ)以及轉(zhuǎn)到信號(hào)分析處理模塊.在程序框圖設(shè)計(jì)中，為避免系統(tǒng)對(duì)聲音的錯(cuò)誤記錄，安排了有效音頻等待環(huán)節(jié)，只有當(dāng)系統(tǒng)檢測(cè)到的語音信號(hào)幅值超過預(yù)先設(shè)定值8(經(jīng)多次實(shí)驗(yàn)確定)后，開始對(duì)聲音信號(hào)進(jìn)行采集.該子程序?qū)⒉杉男盘?hào)作為一個(gè)波形，通過“提取單頻信息”模塊提取信號(hào)主頻率的幅值，當(dāng)信號(hào)的主頻率幅值大于8，則進(jìn)入信號(hào)處理環(huán)節(jié)，即將有效的波形信號(hào)用帶通濾波器濾波后，對(duì)波形作快速傅立葉變換，提取出主頻率，否則繼續(xù)等待.啟動(dòng)前后的等待環(huán)節(jié)均采用While循環(huán).將單擊啟動(dòng)按鈕作為啟動(dòng)前循環(huán)停止的條件.在單擊按鈕之前，系統(tǒng)處于等待錄制命令的狀態(tài).當(dāng)單擊事件發(fā)生，進(jìn)入后面的等待循環(huán).程序每循環(huán)一次，聲卡采集的信號(hào)形成一個(gè)波形，再用“提取單頻信息”模塊提取波形的主頻率的幅值進(jìn)行判斷，當(dāng)幅值高于設(shè)定值8時(shí)，退出While循環(huán)，進(jìn)入錄制環(huán)節(jié).

2.2 聲紋建模子系統(tǒng)

語音錄制與建模子程序主要是實(shí)現(xiàn)系統(tǒng)用戶注冊(cè)聲音樣本功能，即用戶向系統(tǒng)輸入自己的語音，經(jīng)過提取聲紋的主要特征，然后作為唯一的“密鑰”存檔.由于每個(gè)人說話時(shí)，內(nèi)容不同，語音特征頻率也不同，因此，當(dāng)有語音輸入時(shí)，對(duì)語音信號(hào)進(jìn)行連續(xù)10次采樣.每循環(huán)一次，將聲卡采集的信號(hào)用“提取單頻信息”模塊提取波形主頻率的幅值[3-4].

其核心是通過對(duì)錄入的語音按時(shí)間順序進(jìn)行采集，提取出每一段信號(hào)的主頻率，組成一個(gè)頻率時(shí)間序列.這個(gè)頻率時(shí)間序列表征了用戶語音的特征信息.該特征信息不僅和語音的頻率有關(guān)，還與語音的內(nèi)容有關(guān).用戶需要說一句特定的話，并且用特定的語速，才能被系統(tǒng)正確識(shí)別.這樣，就將聲音樣本信號(hào)變換成特征矢量文件.然后根據(jù)樣本信號(hào)的特征矢量的分布狀態(tài)，建立聲紋識(shí)別模型.

該子程序通過SI Read(聲音讀入子)模塊讀取聲音輸入，輸入的語音信號(hào)捆綁為一個(gè)波形后，按時(shí)間先后創(chuàng)建波形，通過濾波器和窗模塊對(duì)信號(hào)進(jìn)行處理，窗是用于時(shí)間信號(hào)的時(shí)域窗，選為Hanning(漢字窗).濾波后的信號(hào)分兩路：一路是時(shí)間信號(hào)作為時(shí)域波形的輸入數(shù)組.通過連線數(shù)據(jù)至FFT(快速傅立葉變換)模塊的時(shí)間信號(hào)輸入端，計(jì)算時(shí)間信號(hào)的平均FFT頻譜，輸出的結(jié)果為平均FFT譜的幅度范圍，至前面板的波形圖顯示；另一路的信號(hào)作為提取部分信號(hào)模塊的輸入信號(hào)，將動(dòng)態(tài)數(shù)據(jù)類型轉(zhuǎn)換成數(shù)組數(shù)據(jù)類型，其輸出轉(zhuǎn)換為波形數(shù)據(jù)一維數(shù)組送給提取單頻信息模塊.實(shí)現(xiàn)在輸入的時(shí)域波形信號(hào)中，查找幅值最高的單頻，返回單頻的頻率、幅值和相位.在該模塊的輸出端檢測(cè)到的單頻的頻率，就是提取的單頻信息，輸出給前面板的樣本聲音頻率顯示控件.

作為提取信號(hào)特征模塊的輸入信號(hào)，查找幅值最高的單頻，或在指定頻域內(nèi)搜索，返回單頻的頻率、幅值和相位.輸入信號(hào)可以是實(shí)數(shù)或復(fù)數(shù)、單個(gè)通道或多通道.其時(shí)間信號(hào)輸入為時(shí)域波形，檢測(cè)到的頻率是檢測(cè)到的單頻的頻率，以赫茲為單位.檢測(cè)到的幅度是檢測(cè)到的單頻的幅度，以Vp為單位.該子VI(虛擬儀器子程序)用于在While循環(huán)內(nèi)部連續(xù)處理單通道或多通道.提取單頻信息的詳細(xì)信息可通過下式表示實(shí)數(shù)單頻信號(hào)：

式中，A、f和φ分別是單頻信號(hào)的是幅值、頻率和相位，F(xiàn)s是輸入波形信號(hào)的采樣率.

復(fù)數(shù)單頻信號(hào)可通過下式表示：

式中，A、f和φ分別是單頻信號(hào)的是幅值、頻率和相位，F(xiàn)s是輸入波形信號(hào)的采樣率.

對(duì)于實(shí)數(shù)信號(hào)，頻率范圍=(0，F(xiàn)s/2).對(duì)于復(fù)數(shù)信號(hào)，頻率范圍=(-Fs/2,Fs/2).

程序設(shè)計(jì)同樣采用While循環(huán)對(duì)輸入的語音信號(hào)連續(xù)進(jìn)行10次采集，每次采集前都要進(jìn)入等待模式，以防止聲音的錯(cuò)誤記錄.當(dāng)有語音信號(hào)輸入這一環(huán)節(jié)時(shí)，就進(jìn)行一次信號(hào)采集，對(duì)于采集的波形進(jìn)行帶通濾波，濾掉過低和過高的頻率成分，獲取有效的語音頻率成分.系統(tǒng)將濾波后的波形進(jìn)行快速傅立葉變換，提取出主頻率.然后等待下一次輸入，直到完成10次信號(hào)的采集.在這一過程中，用戶輸入的聲音信號(hào)被轉(zhuǎn)換成一個(gè)頻率時(shí)間序列.濾波器的參數(shù)設(shè)置為帶通濾波器.考慮到對(duì)系統(tǒng)產(chǎn)生干擾的噪聲頻率均較低，集中在幾十赫茲，因而低頻截止頻率設(shè)定為100 Hz，遠(yuǎn)大于工頻頻率，基本可以將低頻噪聲部分濾除，改善采集信號(hào)的質(zhì)量.高頻截止頻率設(shè)定為2 000 Hz，因?yàn)榇蠖鄶?shù)人的語音主要成分在2 000 Hz以下，通過對(duì)高頻的濾波以避免系統(tǒng)對(duì)主頻率的誤判.此外，為了提高濾波器的選頻特性，選擇有限長(zhǎng)沖激響應(yīng)濾波器.

2.3 語音檢測(cè)與識(shí)別子系統(tǒng)

用戶登錄系統(tǒng)時(shí)的用戶名是調(diào)取庫存語音特征文件的句柄，系統(tǒng)按用戶名檢索到該用戶的庫存密鑰.密鑰讀取模塊使用文件讀取控件讀出注冊(cè)的序列值.在輸入待測(cè)語音步驟用戶按下啟動(dòng)按鈕，輸入自己的聲音.待檢聲音被采集后得到采樣數(shù)據(jù)，系統(tǒng)通過聲音數(shù)據(jù)前端處理，提取其特征矢量.產(chǎn)生的頻率時(shí)間序列與讀取密鑰文件得到的序列被送入檢測(cè)模塊，進(jìn)行匹配計(jì)算.模型匹配計(jì)算過程如下：使用取整模塊對(duì)密鑰語音和待檢聲音兩個(gè)時(shí)間頻率序列取整數(shù)，并對(duì)兩個(gè)取整后的時(shí)間頻率序列做減法，得到一個(gè)差值序列.這一差值序列體現(xiàn)了兩組聲音樣品的匹配程度.然后對(duì)差值序列取絕對(duì)值，使每一個(gè)元素為正數(shù)，與設(shè)定的閾值序列做比較.最后將比較結(jié)果用LED(發(fā)光二極管)指示燈陣列顯示出來.若差值序列的某一元素大于閾值，則說明該位置不匹配，在LED燈陣列中對(duì)應(yīng)的燈上顯示關(guān)閉狀態(tài)；反之，差值序列的某一元素小于或等于閾值，對(duì)應(yīng)LED燈顯示打開狀態(tài).10個(gè)燈分別對(duì)應(yīng)顯示10個(gè)頻率的匹配結(jié)果.當(dāng)差值序列所有元素均在閾值范圍之內(nèi)時(shí)，則用另一個(gè)LED燈顯示100%匹配.本文的閾值序列值取50，它體現(xiàn)了系統(tǒng)容許的匹配誤差范圍，其確定方法采用預(yù)定初始值，然后根據(jù)測(cè)試數(shù)據(jù)進(jìn)行多次調(diào)整取得[5-7].

3 測(cè)試結(jié)果

在基于LabVIEW的語音識(shí)別系統(tǒng)的前面板的下方有10個(gè)LED燈分別顯示頻率時(shí)間序列10個(gè)元素的匹配情況，其旁邊的另外一個(gè)LED燈顯示全部頻率的匹配結(jié)果.當(dāng)頻率時(shí)間序列全部匹配時(shí)，綠燈亮.

例如，在系統(tǒng)程序測(cè)試中，選擇某密鑰語句，錄入的樣本密鑰序列為：302 Hz、220 Hz、396 Hz、243 Hz、533 Hz、748 Hz、1 175 Hz、988 Hz、1 200 Hz、920 Hz，輸入的待檢聲音也采用與密鑰相同的語音內(nèi)容，測(cè)試結(jié)果為：其中有9個(gè)頻率特征匹配綠燈亮，顯示為匹配，基本正確地反映了注冊(cè)的語音樣本密鑰.反復(fù)測(cè)試的結(jié)果，基本大同小異，并多次出現(xiàn)完全匹配，綠燈全部亮的結(jié)果.當(dāng)說出不同的語音內(nèi)容則沒有綠燈亮.一般來說，若有80%左右的綠燈亮，表示基本匹配.所以，本系統(tǒng)基本可以正確對(duì)密碼聲音進(jìn)行匹配.作者還選定其它十余個(gè)密鑰語句分別測(cè)試，匹配率都在80%以上.

請(qǐng)10個(gè)不同年紀(jì)和性別的參試者，每個(gè)人自己選擇一個(gè)密鑰語句進(jìn)行測(cè)試，全部準(zhǔn)確識(shí)別，沒有出現(xiàn)漏識(shí)案例.

他人偽冒待測(cè)人，套用其密鑰語句、模仿其聲調(diào)測(cè)試誤識(shí)率.請(qǐng)兩個(gè)男聲和兩個(gè)女聲分別仿冒另外的一個(gè)男聲和女聲進(jìn)行測(cè)試，以及男女聲相互仿冒的測(cè)試，都沒有匹配率大于40%的情況，即誤識(shí)率為零.由于測(cè)試誤識(shí)的樣本數(shù)量太少，語音特征的代表性不夠廣泛，還不能得出系統(tǒng)的誤識(shí)率為零的結(jié)論.還沒有對(duì)更復(fù)雜的語音對(duì)象進(jìn)行測(cè)試研究，例如，沒有對(duì)聲音相似的兄弟、姊妹等等的測(cè)試及誤識(shí)率數(shù)據(jù).

整個(gè)用戶測(cè)試案例超過100余次，僅有一個(gè)匹配率低于8個(gè)綠燈.以80%以上的綠燈表示基本匹配，全部測(cè)試結(jié)果表明：聲紋確認(rèn)的漏識(shí)率小于1%.

筆者用MP3(音頻器件及軟件格式)反復(fù)向聲卡輸入同一個(gè)測(cè)試語句，經(jīng)過60余次測(cè)試，識(shí)別匹配率都為9個(gè)以上綠燈.表明識(shí)別系統(tǒng)運(yùn)行穩(wěn)定，聲源的重復(fù)性是影響系統(tǒng)漏識(shí)率的主要因素.

4 結(jié) 語

通過對(duì)聲紋識(shí)別的研究，設(shè)計(jì)了基于LabVIEW和聲卡的聲紋識(shí)別系統(tǒng).實(shí)現(xiàn)了對(duì)說話人的語音采集與處理，以及進(jìn)行聲紋特征的提取、建模和匹配等功能.系統(tǒng)測(cè)試結(jié)果表明，用提取文本語音頻率時(shí)間序列進(jìn)行身份認(rèn)證是一種能滿足實(shí)際要求的可行方法，該方法可以區(qū)分不同的說話人，能有效地克服環(huán)境噪聲帶來的影響，并且在做說話人確認(rèn)測(cè)試時(shí)達(dá)到較高的識(shí)別率.在采用麥克進(jìn)行語音錄入與匹配時(shí)，學(xué)習(xí)、識(shí)別時(shí)間短，聲紋確認(rèn)的漏識(shí)率小于1%，認(rèn)證準(zhǔn)確、安全可靠、具有無區(qū)域限制、簡(jiǎn)單方便、成本低等特點(diǎn).

但還存在一些實(shí)際問題有待進(jìn)一步解決，如說話人的確定，即使是同一個(gè)人的語音，也會(huì)隨著音量、語速以及身體狀況帶來的音質(zhì)變化而變化，進(jìn)而影響說話人的模型精確匹配.此外，不同設(shè)備之間的語音采樣率、壓縮性、傳輸率等也會(huì)影響特征提取和識(shí)別結(jié)果.人的語音復(fù)雜、多樣，地域、方言、年齡、身體狀態(tài)等等都影響識(shí)別結(jié)果，誤識(shí)問題更是一個(gè)高安全系統(tǒng)的重要指標(biāo)，有待使用更多、更廣泛的樣本檢驗(yàn)系統(tǒng)的誤識(shí)率.

參考文獻(xiàn)：

[1] 趙力. 語音信號(hào)處理[M].北京：機(jī)械工業(yè)出版社，2011.

[2] 王會(huì)清，程勇．家庭安防系統(tǒng)中聲音信號(hào)的小波分析與降噪[J]．武漢工程大學(xué)學(xué)報(bào)，2011，33(10)：96-100．

[3] National Instruments．LabVIEW User Manua1[M]．Texas：National Instruments， 2005．

[4] 黃松嶺，吳靜. 虛擬儀器設(shè)計(jì)基礎(chǔ)教程[M]. 北京：清華大學(xué)出版社，2008.

[5] 王會(huì)清，程勇．基于LabVIEW的軟件許可證系統(tǒng)設(shè)計(jì)[J]．武漢工程大學(xué)學(xué)報(bào)，2011，33(4)：81-84．

[6] 談宏華，潘正春,騰達(dá). 基于LabVIEW的液壓站監(jiān)控系統(tǒng)[J]．武漢工程大學(xué)學(xué)報(bào)，2010,32(12)：94-97．

[7] 李振國(guó)，宋吉江，李月然. 基于虛擬儀器的聲音識(shí)別系統(tǒng)設(shè)計(jì)[J].山東理工大學(xué)學(xué)報(bào)：自然科學(xué)版, 2011，25(1)：101-103.