基于SoPC的实时说话人识别控制器

1 算法简介

    说话人识别系统主要实现建模及识别两方面功能。建模功能提取语音的特征参数并存储起来形成用户模板。识别功能提取语音的特征参数，与模板参数进行匹配，计算其距离。系统框图如图1所示。本文采用改进的DTW(Dynamic Time Warping)算法和LPCC(Linear prediction cepstrum coefficients)特征参数。

1.1 LPCC算法

    (1)分帧：语音信号具有短时平稳性[1]，因此先将其分帧，再逐帧处理。

    (2)有效音检测：有效音检测基于短时能量和短时过门限率两个参数。判决时采取两级判断法：若短时能量高于高门限则判为有声；若低于低门限则判为静音；若介于两者之间，则再判断其过门限率是否高于过门限率门限，若满足则判为有声，否则为静音。

    (3)加窗：加窗可滤去不需要的频率分量，同时有利于减少LPCC算法在帧头及帧尾处的误差。本设计采用汉明窗，其表达式如下：

1.2 改进的DTW算法

1.2.1 全局约束

    图2和图3中，横轴为测试语音参数，纵轴为模板参数，单位为帧。算法以测试语音为基准逐帧进行。如图2，传统的DTW算法中，测试参数长度无法预知时全局约束便无法确定。图3为改进后的DTW，可在未知测试参数长度的情况下进行全局约束，配合帧同步算法，便于算法的实时处理。

1.2.2 局部约束

    得到当前距离后便要进行前向路径搜索。n=1指定与m=1匹配。从n=2开始，每个交叉点(n，m)可能的前向路径为(n-1，m)、(n-1，m-1)、(n-1，m-2)，选出其中最小者作为当前点(n，m)的前向路径，并将该点的累加距离和加上其当前距离作为当前点的累加距离。最终在n=N处可得到若干个累加距离，选其最小者为最终匹配结果。

1.3 Matlab仿真

1.3.1 实验1：对个性信息的识别能力

    实验1的目的在于观察算法对于话者个性信息的识别能力，实验用的语音均为各话者对正确词“开门”的发音，以避免不同单词带来的影响。实验结果如图4所示，系统的等错误率（EER）为0.01，即当错识率为0.01时错拒率也为0.01。

1.3.2 实验2：对语意信息的识别能力

    实验2的目的在于观察识别算法对于语意的识别能力，实验用的语音均为同一话者对正确词及错误词的发音，以避免因不同话者带来的影响。如图5所示，在门限为1.25时得到系统的等错误率（EER）为0.01。比较实验1、实验2的结果可知，算法对语义的识别能力和对话者个性信息的识别能力相近。

1.3.3 实验3：综合测试

    实验3综合考虑了话者的个性信息及语意信息。如图6所示，在门限为1.4时，得到系统的等错误率为0.01，也即此时系统的正确识别率为99%，同时存在1%的错误识别率。

2 SoPC系统构建

    (1)CPU设置。NiosII core选定为NiosII/f。使能嵌入式硬件乘法器。复位地址设为cfi_flash，异常向量地址设定为ssram_2M，在custom instructions中添加用户自定义指令floating Point Hardware。

    (2)定时器设置。本设计使用了两个定时器。Timer用于产生内部中断采集语音样点，设其计时周期为125 μs（对应采样率8 kHz）。Timer_stamp用于插入时间标签，定时周期采用默认值。

    (3)其他外设。NiosII核中还包含以下外设：片上RAM/ROM、FLASH、SDRAM、SSRAM、按键、开关、LED、音频模块、七段数码管、LCD。

3 软件流程

    总体工作流程如图7所示。系统首先初始化，然后读出模板数据，等待用户按下按键。在此期间，用户应设置好系统工作模式（建模或识别）及话者代码。然后按下按键开始以中断方式采集语音，并运行函数主体。

    识别部分流程如图8所示。函数首先判断语音是否已经采集完毕及LPCC算法是否已经进行到最后一帧，若同时满足则结束运算，否则继续运行。若当前帧为有效音，则计算出其LPCC，并调用DTW子函数，针对各模板分别计算距离得分。运算完所有语音帧后，便可得到测试语音对各模板的最终得分，取其最大者记为当次得分。若该得分大于得分门限，则识别通过；否则予以拒绝。

    建模部分流程的前半部分与识别过程类似，不同之处在于建模过程只调用了LPCC算法。算法完成后，系统将LPCC矩阵写入对应的Flash地址空间存储。

4 软硬件协同设计与优化

4.1 软件设计与优化

    (1)将数据缓存至SDRAM。最初的程序设计中使用数组存储大型变量，后来改为将这些数据缓存于SDRAM中。改进后，在板运行速度无明显改变，但NiosII软件的运行速度及稳定性得到了提高。

    (2)用float数据类型代替double。最初的程序大量使用了双精度数据类型，但后来发现单精度浮点型已经可以满足要求，因此将数据类型改为单精度浮点型（float），使得程序运行速度提升了一倍。

    (3)用指针方式访问数组。改用指针的方式访问数组改善了程序的执行效率，运行速度有一定提升。

    (4)用读表法获取汉明窗函数。最初的程序是通过运算公式的方式得到窗函数的各个样点值的，后改用读表法，使得加汉明窗这一步骤耗时减少了98.7%，整个LPCC运算耗时因此减少了59.3%。

    (5)语音数据存储为float类型。最初的设计中，系统采集到原始语音数据后直接将其存储起来，后来改为将数据解码后再存储，使得LPCC中取语音部分的时间由888 μs降至98μs。

4.2 硬件设计与优化

    (1)用定时器中断方式采集语音。最初的设计中，系统必须在采集完所有语音数据之后才能对其进行处理。后改用中断方式采集语音，则可实现每采集满一帧语音数据便进行处理，极大地提升了处理速度。

    (2)添加用户自定义浮点指令。语音信号处理过程涉及大量单精度浮点型数据的运算，因此在CPU中添加浮点指令。加入浮点指令后，系统耗时降低了90%以上。

    本设计在算法上充分利用了DTW算法的特点，既能识别语音内容又能区分说话人，很好地完成了文本有关的说话人识别功能。同时对识别算法进行帧同步处理，为算法的实时实现打下基础。本设计在实现时采用软硬件协同设计方法，在软件和硬件上进行设计和优化，使得设计有很好的实时性。

    作品的实际测试情况是：选取门限为1.5时，系统的错识率可降至0%，此时正确识别率为90%，还有10％的拒识。识别时系统的响应时间是8.5 ms。