宗 源，曾毓敏，張 夢，李鵬程

（南京師范大學(xué) 物理科學(xué)與技術(shù)學(xué)院，南京 210023）

基音作為語音信號(hào)處理的重要特征參數(shù)，指人在發(fā)濁音時(shí)氣流通過聲門使聲帶張弛振蕩的振動(dòng)頻率（或周期），廣泛用于語音編碼、語音合成、語音增強(qiáng)及語音識(shí)別等。因此能準(zhǔn)確檢測基音意義極其重要。經(jīng)典的基音檢測算法有自相關(guān)函數(shù)法［1］、平均幅度差函數(shù) 法 （Average Magnitude Difference Function，AMDF）［2］、倒譜法［3］及小波變換法［4］等。盡管已有諸多算法及其改進(jìn)算法，但準(zhǔn)確、可信的基音檢測算法研究仍為具有挑戰(zhàn)性工作［5］。

AMDF算法以原理簡單、計(jì)算復(fù)雜度低等優(yōu)點(diǎn)得以廣泛使用。由AMDF定義知，周期信號(hào)或準(zhǔn)周期信號(hào)將在AMDF時(shí)延等于信號(hào)周期處會(huì)產(chǎn)生極小值（谷值點(diǎn)）。濁音語音信號(hào)因具有準(zhǔn)周期性，因此可通過計(jì)算短時(shí)窗內(nèi)語音信號(hào)的AMDF，并據(jù)AMDF除零點(diǎn)外的最低谷值點(diǎn)估計(jì)語音信號(hào)基音；但該最低谷值點(diǎn)的選擇受共振峰效應(yīng)、語音信號(hào)并不嚴(yán)格的準(zhǔn)周期性、噪聲等諸多因素干擾［6］，使AMDF在檢測過程中易發(fā)生倍頻錯(cuò)誤，即檢測結(jié)果為實(shí)際基音的N倍。分析AMDF發(fā)現(xiàn)，隨時(shí)延的增加計(jì)算AMDF語音幀的重疊部分會(huì)逐漸減少，導(dǎo)致AMDF波形呈均值下降趨勢（falling trend）［7］，且使AMDF非基音谷值點(diǎn)有時(shí)低于實(shí)際基音谷值點(diǎn)而發(fā)生檢測錯(cuò)誤。

為克服此下降趨勢，文獻(xiàn)［7］提出改進(jìn)的AMDF函數(shù)，稱為 Circular AMDF（CAMDF）。CAMDF通過改變傳統(tǒng)的AMDF計(jì)算方法克服均值下降趨勢，檢測效果較好；文獻(xiàn)［8］提出的 Extended AMDF（EAMDF）可補(bǔ)償隨時(shí)延增加而減少的語音幀重疊部分達(dá)到去除下降趨勢效果。這些改進(jìn)算法雖能克服均值下降趨勢，但均通過改變AMDF定義或改變語音幀長達(dá)到目的，因此仍會(huì)帶來無法預(yù)估的錯(cuò)誤，并不能從根本上解決均值下降趨勢所致AMDF算法出現(xiàn)倍頻錯(cuò)誤問題。

本文由時(shí)間序列分析角度對(duì)AMDF進(jìn)行分析，提出基于去均值下降趨勢的AMDF基音檢測算法改進(jìn)框架。該框架完全不同于以CAMDF與EAMDF為代表的兩類AMDF改進(jìn)算法，主要將AMDF視為一段時(shí)間序列，利用趨勢分析方法提取AMDF序列的均值下降趨勢；將均值下降趨勢從AMDF中減去獲得改進(jìn)的AMDF用于檢測基音。在該改進(jìn)框架下提出以線性趨勢表示AMDF的均值下降趨勢，得到改進(jìn)的AMDF（本文定義為LSAMDF）。仿真實(shí)驗(yàn)結(jié)果表明，LSAMDF能較好克服傳統(tǒng)AMDF的倍頻檢測錯(cuò)誤，且算法復(fù)雜度較低。

1 傳統(tǒng)AMDF及改進(jìn)算法分析

語音信號(hào)的短時(shí)平均幅度差函數(shù)定義為

式中：x（n）為加窗長為N的矩形窗濁音語音幀；τ為時(shí)延。

DAMDF（τ）擁有與濁音語音一致的周期特性，并在τ＝Fs／Fp處出現(xiàn)最小谷值（除零點(diǎn)外）。其中Fp為基音頻率；Fs為采樣頻率。通過計(jì)算DAMDF（τ）找出最小谷值點(diǎn)即能檢測出濁音語音基音頻率；但因?yàn)閤（n）為加窗后的語音幀，窗外語音信號(hào)值均為零，故隨時(shí)延τ的增加AMDF不能完全顯示濁音語音幀的周期性本質(zhì)，而均值變化呈下降趨勢，（見圖1（b），待檢測語音信號(hào)見圖1（a），采樣頻率 20 000 Hz，信號(hào)長度 512采樣點(diǎn)），由此導(dǎo)致實(shí)際應(yīng)用中會(huì)出現(xiàn)表示真正基音點(diǎn)并非最小谷值。由圖1（b）看出，均值下降趨勢會(huì)直接影響AMDF性能。

解決AMDF存在問題有兩種方法：

（1）修正 AMDF定義：如 LVAMDF［9］，CAMDF等。其中CAMDF因性能突出頗受關(guān)注，其定義為

由式（2）知，CAMDF關(guān)于 τ＝N／2對(duì)稱。因此CAMDF僅前半部分有效，對(duì)基音谷值點(diǎn)落在AMDF后半部分的濁音語音幀，CAMDF不能準(zhǔn)確檢測基音。由于CAMDF已改變AMDF的定義，因此會(huì)帶來未知錯(cuò)誤。圖1（c）為圖1（a）濁音語音幀的 CAMDF，便發(fā)生檢測錯(cuò)誤。

（2）改變用于計(jì)算AMDF的語音幀長度。EAMDF即為通過將語音幀前后各增加半幀長的語音信號(hào)，可補(bǔ)償隨延遲增加而引起重疊部分的減少、克服AMDF下降趨勢。EAMDF定義為

由式（3）知，實(shí)際的EAMDF計(jì)算涉及三個(gè)語音幀，即待檢測語音幀及其前后相鄰的兩個(gè)語音幀。因此盡管EAMDF能克服AMDF的下降趨勢，但EAMDF并非嚴(yán)格意義的待檢測語音幀的AMDF。而語音幀長度過長也易破壞語音幀的短時(shí)平穩(wěn)性，使EAMDF會(huì)產(chǎn)生檢測錯(cuò)誤。由圖1（d）看出，EAMDF亦發(fā)生檢測錯(cuò)誤。

圖1 濁音語音信號(hào)AMDF、CAMDF、EAMDF，EMDAMDF與LSAMDF的比較Fig.1 Comparison between AMDF，CAMDF，EAMDF，EMDAMDF and LSAMDF on a voiced speech frame

由時(shí)間序列分析觀點(diǎn)，AMDF存在的均值下降趨勢即是為時(shí)間序列分析中的趨勢問題。趨勢項(xiàng)一直被視為時(shí)間序列長時(shí)間動(dòng)向，盡管趨勢項(xiàng)在數(shù)學(xué)上無準(zhǔn)確定義，但一般認(rèn)為趨勢項(xiàng)為測試信號(hào)中周期遠(yuǎn)大于信號(hào)記錄時(shí)間長度成分［10］。宗源等［11］利用經(jīng)驗(yàn)分解模式（Empirical Mode Decomposition，EMD）對(duì) AMDF進(jìn)行分析，發(fā)現(xiàn)殘余分量即為AMDF均值下降趨勢，利用除殘余分量外所有本征模式函數(shù)（Intrinsic Mode Functions，IMFs）重構(gòu)獲得不含均值下降趨勢、改進(jìn)的AMDF（定義為EMDAMDF），且檢測性能較好。在此基礎(chǔ)上及受文獻(xiàn)［12－13］啟發(fā)，本文提出改進(jìn)框架克服AMDF均值下降趨勢，能從根本上解決AMDF易發(fā)生倍頻檢測錯(cuò)誤問題，見圖2。該框架完全有別于以上兩種常見的AMDF改進(jìn)方法框架，主要分均值下降趨勢提取及均值下降趨勢去除兩步。

由EMDAMDF原理知，EMDAMDF實(shí)際上亦可歸于此改進(jìn)框架內(nèi)；但EMD提取AMDF均值下降趨勢需進(jìn)行多次三次樣條擬合及去除上下包絡(luò)均值操作，計(jì)算量較大。為改進(jìn)AMDF，圖2的改進(jìn)框架并不需要非常精確獲得AMDF的均值下降趨勢。因此本文提出利用線性多項(xiàng)式表示AMDF的均值下降趨勢。在此基礎(chǔ)上即可通過最小二乘法擬合均值下降趨勢，獲得改進(jìn)的 AMDFLSAMDF（Least squarebased AMDF）。圖 1（f）即為圖1（a）濁音語音幀的 LSAMDF。由圖 1（f）看出，LSAMDF與 EMDAMDF（圖1（e））相同，均能準(zhǔn)確檢測出該濁音語音幀的基音。由此本文給出基于最小二乘法的AMDF基音檢測改進(jìn)算法。

圖2 基于去均值下降趨勢的AMDF改進(jìn)框架Fig.2 Framework for improving AMDF based on eliminating the falling trend

2 基于最小二乘法的AMDF改進(jìn)算法

記一幀濁音語音信號(hào)的AMDF為γ，其中時(shí)延τ＝t1，t2，…，tn（式（1）），令 AMDF對(duì)應(yīng)各時(shí)延 τ值為D（τ）＝γ1，γ2，…，γn。記 AMDF中所有樣本點(diǎn)為（t1，γ1），（t2，γ2），…，（tn，γn）。以線性多項(xiàng)式表示 AMDF均值下降趨勢為

最小二乘法估計(jì)參數(shù)α及β原理為最小化代價(jià)函數(shù)

求解式（5）方法有多種，此處僅給出線性代數(shù)解法。定理［14］為：若A為秩n的m×n矩陣，則正規(guī)方程組 ATAx＝ATb有唯一解 x＾＝（ATA）－1ATb且 x＾為方程組Ax＝b唯一最小二乘解。將樣本點(diǎn)（t1，γ1），（t2，γ2），…，（tn，γn）代入式（4）得

綜合以上分析，基于最小二乘法的AMDF基音檢測改進(jìn)算法具體步驟為：① 計(jì)算待檢測語音幀的AMDF：γ；② 利用最小二乘法計(jì)算AMDF的均值下降趨勢＝＾＋＾t；③ 計(jì)算 LSAMDF：γLSAMDF＝γ－λ＾。

EMD與最小二乘法提取的AMDF（圖1（b））的均值下降趨勢（分別記為 EMDtrend及 LStrend）見圖3。由圖3看出，兩種下降趨勢基本相同，均能較好表示AMDF樣本點(diǎn)的基本動(dòng)向；但圖3（c）EMD－trend與LS－trend在矩形框內(nèi)部分差異較大，EMD－trend前端呈局部輕微上升趨勢；而EMD可精確捕捉時(shí)間序列下降趨勢的局部細(xì)節(jié)變化；但在圖2改進(jìn)框架中提取均值下降趨勢無需十分精確。由于AMDF基音谷值候選點(diǎn)受其前端局部趨勢影響不大；而EMD提取均值下降趨勢需多次三次樣條擬合及去包絡(luò)均值計(jì)算，計(jì)算量明顯大于最小二乘法擬合線性趨勢。故認(rèn)為LSAMDF綜合性能優(yōu)于EMDAMDF。

圖3 LS與EMD提取的均值下降趨勢Fig.3 Two falling trends extracted by LSand EMD respectively

3 仿真實(shí)驗(yàn)與分析

實(shí)驗(yàn)用基爾基音檢測參考數(shù)據(jù)庫（the Keele Pitch Extraction Reference Database）［15］對(duì)各種算法的基音檢測性能進(jìn)行評(píng)價(jià)。該數(shù)據(jù)庫中所有語音均以20 000 Hz采樣，16 bits量化，并提供以512個(gè)采樣點(diǎn)為幀長、200個(gè)采樣點(diǎn)為幀移的所有濁音幀參考基音信息。實(shí)驗(yàn)用AMDF、CAMDF、EAMDF、EMDAMDF及 LSAMDF檢測出基爾數(shù)據(jù)庫中編號(hào)為M1的男性語音信號(hào)前50幀基音軌跡，見圖 4。由圖 4看出，LSAMDF與 CAMDF、EAMDF、EMDAMDF均能較好克服AMDF的不足，檢測性能明顯優(yōu)于AMDF；LSAMDF與EMDAMDF能避免CAMDF與EAMDF的部分錯(cuò)誤（如第15、40幀）。

圖4 五種算法分別檢測的語音信號(hào)基音軌跡Fig.4 Pitch contrails of a speech signal detected by five algorithms respectively

為進(jìn)一步驗(yàn)證本文所提基于去均值下降趨勢的AMDF算法改進(jìn)框架及以線性多項(xiàng)式表示均值下降趨勢假設(shè)的正確性及合理性，實(shí)驗(yàn)仍用AMDF、CAMDF、EAMDF、EMDAMDF及 LSAMDF五種算法對(duì) Keele數(shù)據(jù)庫中 5個(gè)樣本（編號(hào) F1，F(xiàn)2，F(xiàn)3，M2，M3）進(jìn)行基音檢測。檢測結(jié)果與數(shù)據(jù)庫中參考基音相對(duì)誤差大于或等于1 ms（以基音周期計(jì)算）定義為基音粗差（Gross Pitch Error，GPE）［16］，以%GPE作為指標(biāo)比較各算法。需指出的是，由于基音頻率一般為50～500 Hz，實(shí)驗(yàn)中所有待檢測樣本均進(jìn)行50～500 Hz的帶通濾波。此外無任何預(yù)處理（如半波整流、中心削波等）及后處理（基音平滑等）步驟。

各種算法對(duì)5個(gè)樣本進(jìn)行檢測的%GPE見表1。由表 1看出，CAMDF、EAMDF、EMDAMDF及 LSAMDF的%GPE均明顯低于傳統(tǒng)AMDF，說明均值下降趨勢對(duì)AMDF的性能影響較大，三類改進(jìn)算法均能較好克服均值下降趨勢對(duì)AMDF影響；EMDAMDF及LSAMDF的%GPE基本無差距，均低于CAMDF及EAMDF，說明本文所提改進(jìn)框架（圖2）的正確性。該框架與兩類改進(jìn)AMDF方法（修正定義如CAMDF及補(bǔ)幀長如EAMDF）不但具有較大優(yōu)勢，且以線性多項(xiàng)式近似表示均值下降趨勢完全合理可行。

表1 五種算法檢測結(jié)果（單位：%GPE）Tab.1 Detection results of the five algorithms in terms of%GPE

最后，實(shí)驗(yàn)中隨機(jī)選取每組100幀共三組濁音語音信號(hào)分別用五種算法進(jìn)行檢測，統(tǒng)計(jì)執(zhí)行時(shí)間。實(shí)驗(yàn)用 PC機(jī)為聯(lián)想啟天 M4300（CPU：i3－2120（3.30 GHz雙核），內(nèi)存：2G），軟件平臺(tái)為 MATLAB2009a。由表2看出，四種改進(jìn)算法的平均執(zhí)行時(shí)間分別為傳統(tǒng)AMDF的4.78、1.48、23.29、1.23倍，LSAMDF不僅擁有EMDAMDF的高檢測準(zhǔn)確率，且算法復(fù)雜度明顯低于 EMDAMDF、CAMDF及EAMDF。結(jié)合圖4、表1、表2三組實(shí)驗(yàn)看出，LSAMDF的綜合性能明顯優(yōu)于其它三種改進(jìn)算法。由此表明本文算法改進(jìn)框架正確；以線性趨勢表示均值下降趨勢的假設(shè)合理可行。

表2 五種算法執(zhí)行時(shí)間（單位：s）Tab.2 Performing time of the five algorithms in terms of Seconds

4 結(jié) 論

（1）本文提出基于去均值下降趨勢的AMDF基音檢測算法改進(jìn)框架；通過分析AMDF的EMD分解提出利用線性趨勢表示AMDF的均值下降趨勢假設(shè)；利用最小二乘法擬合線性趨勢，從AMDF中減去近似下降趨勢，獲得改進(jìn)的LSAMDF。

（2）仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了去均值下降趨勢改進(jìn)AMDF框架的合理性及以線性趨勢表示均值下降趨勢假設(shè)的可行性。LSAMDF性能明顯優(yōu)于傳統(tǒng)AMDF、EAMDF及CAMDF且不劣于EMDAMDF，算法復(fù)雜度明顯低于EMDAMDF。

［1］Krubsack D A，Niederjohn R J.An autocerrelation pitch detector and voicing decision with confidence measures developed for noise corrupted speech［J］.IEEE Transactions on Signal Processing，1991，39（2）：319－329.

［2］Ross M，Shaffer H，F(xiàn)reudberg R，et al.Average magnitude difference function pitch extractor［J］.IEEE Transactions on Acoustics，Speech and Signal Processing，1974，22（5）：353－362.

［3］Ahmadi S，Spanias A S.Cepsrumbased pitch detection using a new statistical V／UV classification algorithm［J］.IEEE Transactions on Speech and Audio Processing，1999，7（3）：333－338.

［4］Kadame S，BroudreauxBartels G F.Application of the wavelet transform for pitch detection of speech signals［J］.IEEE Transactions on Information Theory，1992，38（2）：917－924.

［5］Shimamura T，Kobayashi H.Weighted autocorrelation for pitch extraction of noisy speech［J］.IEEE Transactions on Speech and Audio Processing，2001，9（7）：727－730.

［6］Amado G.Pitch detection algorithms based on zerocross rate and autocorrelation function for musical notes［C］.／／Proceedings of ICALIP.Shanghai：IEEE，2008：449－454.

［7］Zhang W，Xu G，Wang Y.Pitch estimation based on circular AMDF［C］.／／Proceedings of ICASSP. Beijing： IEEE，2002：341－344.

［8］Muhammad G.Noise robust pitch detection based on extended AMDF［C］.／／Proceedings of ISSPIT.Sarajevo：IEEE，2008：133－138.

［9］顧良，劉潤生.高性能漢語語音基音周期估計(jì)［J］.電子學(xué)報(bào)，1999，27（1）：8－11.GU Liang，LIU Runsheng.Highperformance mandarin pitch estimation［J］.Acta Electronica Sinica，1999，27（1）：8－11.

［10］梁升，王新晴，王東，等.基于 MMEMD的改進(jìn) HHT及應(yīng)用［J］.振動(dòng)與沖擊，2012，31（20）：23－26.LIANG Sheng， WANG Xinqing， WANG Dong， et al.Improved HHT based on MMEMD and its application［J］.Journal of Vibration and Shock，2012，31（20）：23－26.

［11］宗源，曾毓敏，孫永熙，等.基于EMD的AMDF基音檢測改進(jìn)算法［J］.南京師范大學(xué)學(xué)報(bào)（工程技術(shù)版），2013，13（1）：62－67.ZONG Yuan， ZENG Yumin， SUN Yongxi， et al. A modified AMDF Pitch detection algorithm based on EMD［J］.Journal of Nanjing Normal University（Engineering and Technology Edition），2013，13（1）：62－67.

［12］李秀坤，李婷婷，馬濤.微弱信號(hào)強(qiáng)干擾分離方法研究［J］.振動(dòng)與沖擊，2011，30（3）：225－227.LI Xiukun，LI Tingting，MA Tao.The research on strong interference separation of week signal［J］. Journal of Vibration and Shock，2011，30（3）：225－227.

［13］胡燦陽，陳清軍.基于EMD和最小二乘法的基線飄移研究［J］.振動(dòng)與沖擊，2010，29（3）：162－167.HU Canyang，CHEN Qingjun.Research on baseline drift using leastsquare and EMD［J］.Journal of Vibration and Shock，2010，29（3）：162－167.

［14］Leon SJ.Linear algebra with applications［M］.New York：Macmillan，1980.

［15］ Meyer G，Plante F，Ainsworth W A.A pitch extraction reference database［C］.／／Proceedings of Eurospeech，Madrid：ISCA，1995：827－840.

［16］Rabiner L R，Cheng M J，McGonegal C A.A comparative performance study of several pitch detection algorithms［J］.IEEE Transactions on Acoustics，Speech and Signal Processing，1976，24（5）：399－417.