一种新的语音端点检测方法及在智能轮椅人机交互中的应用

罗 元，黄 璜，张 毅，胡章芳

(重庆邮电大学智能系统及机器人研究所，重庆 400065)

0 引言

随着世界人口老龄化越来越严重和各种灾难、疾病等原因造成的残障人士的增加，他们存在不同程度的能力丧失，如行走、视力、动手及语言等，这一些特殊群体的医疗和护理，将成为经济和社会发展的巨大压力。为了给残障人士和老人的平常生活带来方便，世界各国都广泛开展了智能轮椅方面的研究。

语音作为一种自然的交流方式，更具人性化和亲合力，更加方便，成为智能轮椅人机交互的重要方式之一。语音识别系统中，有效准确地确定语音段端点不仅能使处理时间减到最小，而且能排除无声段的噪声干扰，从而使识别系统具有良好的性能。目前的端点检测方法主要有基于谱熵的端点检测改进方法［1－2］、基于神经网络的端点检测方法［3］、基于倒谱特征的算法［4］、普通话孤立词语音端点检测的分形维方法［5］、基于短时能量的语音端点检测算法［6］、基于小波分析的语音端点检测算法研究与仿真［7］、基于子带幅度差异的方法［8］等，而这一些方法主要是在低噪声的环境下进行研究，当应用在一般噪声环境下时，语音端点检测会出现问题，语音识别率也会受到影响。

本文提出了短时能量与倒谱距离相结合的端点检测方法，在一般噪声环境下(40 dB ＜SNR ＜50 dB)［9－10］具有良好的鲁棒性。实验结果表明，此方法能准确检测到语音端点，通过设置5个基本语音命令(前进、后退、左转、右转、停止)实现了智能轮椅语音控制。

1 语音识别系统

语音识别过程本质上是一个模式识别的过程，其基本结构原理如图1所示，主要包括语音信号预处理、特征提取、特征建模、相似性度量和后处理等几个功能部分，其中后处理部分为可选部分。

图1 语音识别基本原理图Fig.1 Basic schematic diagram of speech recognition

语音识别的过程分为训练阶段和识别阶段。无论是训练还是识别，都需要首先对输入的原始语音进行预处理，并进行特征提取。预处理主要包括端点检测、预加重、分帧、加窗等。端点检测是指运用数字信号处理技术找出语音信号中的各种段落(如音速、音节、词等)的起点和终点的位置。在孤立词识别中，主要目的是找出词的起止点。在背景噪声干扰下，对语音的起止点作出准确的判别是十分重要的，错误地判别起止点会导致起始子音的消失，以致造成误判或将背景噪声判断为语音信号。

显然可以看出，端点检测是语音识别系统的核心部分，因为只有准确地找出语音段的起始点和终止点，才有可能使采集到的数据是真正要分析的语音信号，这样不但减少了数据量、运算量和处理时间，同时也有利于系统识别率的改善。

2 短时能量与倒谱距离结合的端点检测

2.1 基于倒谱距离的端点检测

设信号s(n)，其倒谱变换为c(n)。信号倒谱的一种定义是信号的能量谱密度函数S(ϖ)的对数傅里叶反变换，或者可以将信号 s(n)的倒谱c(n)看成是log S(ϖ)的傅里叶级数展开，即

信号与其倒谱是一一对应的变换，因此，倒谱的均方距离可以反映2个信号(语音与背景噪声)谱的区别，倒谱距离可以作为端点检测的判决参数，属于相似距离范畴。

2.2 短时能量与倒谱距离相结合的端点检测方法

语音信号序列先经过一系列预处理。首先将语音序列去直流(即减去平均值)，再作归一化处理将幅值限制在1 Hz之内，然后，通过一个预加重滤波器，滤去50 Hz的电源干扰和超出一半采样率的频率分量。经过预处理后的语音序列可进行倒谱距离和短时能量计算。

因为倒谱距离能反映语音与背景噪声谱的区别，而且能量本身也是语音的一个重要特性，所以首先为倒谱距离和短时能量分别确定2个门限。2个倒谱距离的门限(1个高门限dst1和1个低门限dst2)和2个短时能量的门限(1个高门限Eamp1和1个低门限Eamp2)。dst2，Eamp2比较低的门限，其数值比较小，对信号变化比较敏感，很容易就会被超过。dst1，Eamp1是比较高的门限，数值比较大，信号必须达到一定的强度，该门限才可能被超过。低门限被超过未必就是语音的开始，有可能是时间很短的噪音引起的。高门限被超过则可以基本确信是由于语音信号引起的。

整个检测阶段:在静音段，如果倒谱距离或能量超过了低门限(dst＞dst2或Eamp＞Eamp2)，就应该开始标记起始点，进入过渡段。在过渡段中，由于参数的数值比较小，不能确信是否处于真正的语音段，因此，只要2个参数的数值都回落到低门限以下(dst＜dst2且Eamp＜Eamp2)，就将当前状态回复到静音状态。而如果在过渡段中2个参数中的任一个超过了高门限(dst＞dst1或Eamp＞Eamp1)，就可以确信进入语音段了。

短时能量与倒谱距离结合的端点检测算法过程如图2所示。

图2 算法流程图Fig.2 Algorithm flow chart

3 实验及分析

结果;表2为男声的端点检测结果。

3.1 端点检测实验

当SNR=10 dB时语音信号与噪音信号几乎无法辨别;当SNR为10～30 dB时，噪声为强噪声环境;当SNR为40～50 dB时，噪声为通常实际中一般噪声环境;当SNR为50～60 dB时，噪声为低噪环境［6］。故在通常情况下，在该实验中我们取高斯白噪声的能量以SNR=45 dB大小来表示一般环境下噪声，利用短时能量与倒谱距离相结合的方法研究和比较。

本仿真实验所取的语音样本为我们录好的200条相对纯净的语音，男女各100条，2男2女所录的语音中都包括前进、后退、左转、右转、停止等5个命令，每个命令各10条。采样频率为16 kHz，16 bit量化，单声道，然后对各个语音样本进行45 dB混噪，最后进行实验。图3为在一般噪声环境下，利用倒谱距离的“前进”语音命令端点检测图;图4为在一般噪声环境下，短时能量与倒谱距离结合的“前进”语音命令端点检测图;表1为女声的端点检测

表1 女声的端点检测结果Tab.1 Endpoint detection results of female

表2 男声的端点检测结果Tab.2 Endpoint detection results ofmale

从实验结果可以看出，在一般噪声环境下，倒谱距离用于端点检测明显失去了作用，并不能检测到语音的端点，所以短时能量与倒谱距离相结合比倒谱距离的端点检测方法，更能很好地检测到语音的起始点。

3.2 在智能轮椅交互中的应用

智能轮椅由轮椅体、面板、控制箱、电机驱动板、轮椅控制器、电源模块和电池组成。控制箱中包括3块电路板，分别为ARM板、电机控制电路板和传感器信息处理板。特别是ARM板，它是智能轮椅中最重要的一部分，智能轮椅主要由ARM板的Linux操作系统控制。总之，ARM是一个服务器端，客服端就是笔记本电脑，也是语音识别系统操作平台，最后通过无线局域网将2个连接起来。智能轮椅人机交互系统如图5所示。

图5 智能轮椅人机交互系统Fig.5 Human－computer interaction system of the intelligentwheelchair

电脑的声卡和麦克风用于语音识别和信号传输。当我们的声音进入麦克风从模拟信号转变为数字信号，录音程序将数字化的语音信号以规定的采样频率、采样精度和声道保存到计算机;然后由端点检测程序标出语音信号的端点;接着将做了端点标记的语音信号进行 MFCC(mel－frequency cepstru coefficient)特征提取，声音就被加工成一系列的特征序列，将这些特征序列分析建立语音语据库。在识别过程中，将再次提取的特征序列分析并与数据库数据进行匹配比较。ARM是用来控制轮椅采取适当的行动。这个过程如图6所示。

图6 智能轮椅人机交互系统的详细流程图Fig.6 Detailed flow chart of human－computer interaction system

我们知道，取样频率越高，提取的信号将越接近原来的信号，不过，高采样频率需要较大的音频文件。在语音识别中，16 kHz的采样频率已被证明非常有效。因此，在VC程序中我们把采样频率设置为16 kHz。在实验室的环境下，我们向麦克风讲5个命令，智能轮椅在各个命令下都成功执行了相应的行动，基于语音控制的智能轮椅人机交互系统如图7所示。

图7 基于语音控制的智能轮椅人机交互系统Fig.7 HMIsystem of intelligentwheelchair based voice－controlled

4 结束

本文提出的短时能量与倒谱距离相结合的端点检测方法，实验证明，在一般噪声环境下，该方法能很好地检测到语音的起止点，具有良好的鲁棒性，进而对整个智能轮椅的语音识别系统起到了关键作用，实现了人与智能轮椅的交互。

［1］王让定，柴佩琪.一个基于谱熵的语音端点检测改进方法［J］.信息与控制，2004，33(1):77－81.

WANG Rang－ding，CHAI Pei－qi.A novel endpoint detectionmethod based on spectral entropy speech［J］.Information and control，2004，33(1):77－81.

［2］WU B F，WANG K C.Robust Endpoint Detection algorithm based on the adaptive band－partitioning spectral entropy in adverse Environments［J］.IEEE Transactions On Speech and Audio Processing，2005，13(5):762－775.

［3］HUSSAIN A，SAMAD SA，LIEW B F.Endpoint detection of speech signal using neural network［J］.IEEE Trans on ASSP，2000，(1):271－274.

［4］王博，郭英，段艳丽，等.基于倒谱特征的语音端点检测算法研究 ［J］.信号处理，2005，21(4A):212－215.

WANG Bo，GUO Ying，DUAN Yan－li，et al.A study of speech endpoint detection algorithms Based on the spectrum characteristics［J］.Signal Processing，2005，21(4A):212－215.

［5］张岳，韩子丹，戴志强.普通话孤立词语音端点检测的分形维方法研究［J］.中国传媒大学学报自然科学版，2006，13(1):75－80.

ZHANG Yue，HAN Zi－dan，DAI Zhi－jiang.A study of fractal dimension based on speech endpoint detection method ofmandarin isolated words［J］.Journal of Communication University of China Science and Technology，2006，13(1):75－80.

［6］张仁智，崔慧娟.基于短时能量的语音端点检测算法研究［J］.语音技术，2005，(7)，52－59.

ZHANG Ren－zhi，CUIHui－juan.A study of speech endpoint detection algorithm Based on short－time energy［J］.Speech Technology，2005，(7):52－59.

［7］陈保远，梁伟明.基于小波分析的语音端点检测算法研究与仿真 ［J］.哈尔滨理工大学学报，2009，14，(1):51－59.

CHEN Bao－yuan，LIANGWei－ming.A study simulation of speech endpoint detection algorithms based on wavelet analysis［J］.Journal of Harbin University of Technology，2009，14(1):51－59.

［8］ZHANG Xue－ying，ZHAO Zhe－feng，ZHAO Gao－feng，A speech endpointdetectionmethod based on wavelet coefficient variance and sub－band amplitude variance［C］//ICICIC'06 Proceedings of the First International Conference on Innovative Computing，Information and Control，Washington，DC，USA:IEEE Computer Society，2006(3):83－86.

［9］宋喆，张德民，张天骐.一种改进的基于子带谱熵的语音激活检测方法［J］.重庆邮电大学学报:自然科学版，2009，21(6):725－730.

SONG Zhe，ZHANG De－ming，ZHANG Tian－qi.An improved detection method of voice sub－activity based spectral entropy［J］.Chongqing University of Posts and Tele Communications:Natural Science Edition，2009，21(6):725－730.

［10］张跃进，刘邦桂，谢昕.噪声背景下语音识别中的端点检测［J］.华东交通大学学报，2007，24(5):135－138.

ZHANG Yue－jin，LIU Bang－gui，XIE Xin.End－point detection of speech recognition under noise background［J］.Journal of East China Jiao－Tong University，2007，24(5):135－138.

(编辑:刘 勇)