基于語音增強的語音活動檢測算法研究.pdf

1、傳統(tǒng)語音活動檢測算法在動態(tài)（非平穩(wěn)）低信噪比背景噪聲環(huán)境下的效果很不理想，這主要是因為傳統(tǒng)方法中提取的能量與過零率等檢測特征針對的是平穩(wěn)噪聲，對信噪比的變化很敏感。而本文提出的基于語音增強的語音活動檢測算法的研究可以很好的解決這個問題，因為本文提出的方法中語音檢測算法是基于語音信號周期分解，而語音信號中濁音段的周期性是區(qū)別一般噪聲信號的重要特征，并且該特征受背景噪聲類型和信噪比變化的影響小。在基于語音周期分解的語音活動檢測方法中，基頻提

2、取的準確性對最終檢測性能有很大影響，針對此情況，本文提出了自相關、循環(huán)均值幅度差分和YIN三種基頻提取算法相融合的方法。在低信噪比的背景噪聲環(huán)境下基頻提取的結果將會受到很大的影響，針對這個問題本文提出方法中的語音增強可以解決這個問題。
　　 本文所做的工作有以下3點：
　　 (1)對語音增強中噪聲估計最常用的方法，最小值搜索，改進控制遞歸均值算法，以及語音增強中增益估計最常用的方法，譜減，卡爾曼濾波，最小均方誤差進行了詳

3、細的介紹，并對基于最小值搜索和譜減語音增強算法，改進卡爾曼濾波語音增強算法方法以及基于改進最小控制遞歸算法和最小均方誤差語音增強算法這三種方法進行了對比實驗，實驗結果表明基于改進最小控制遞歸算法和最小均方誤差語音增強算法，也即是本文使用的方法，是這三種方法中最好的，并將該方法用到基頻提取算法中，實驗結果表明，語音增強之后噪聲語音信號基頻提取的正確率比語音增強之前有所提高。
　　 (2)對語音信號周期分解的方法進行介紹，并將分解后

4、的周期/非周期部分作為語音活動檢測的特征提取，通過似然比計算，進行最終的語音活動檢測判決，實驗結果表明本文介紹的語音活動檢測算法最終的正確率比傳統(tǒng)方法有很大的提高。
　　 (3)基頻提取在語音活動檢測中起的作用比較大，而在低信噪比的環(huán)境下基頻提取的結果不理想，針對這種問題，本文提出了自相關函數(shù)法，循環(huán)均值幅度差分函數(shù)和YIN三種方法融合的方法進行基頻提取。實驗結果表明，三種方法融合提取基頻的方法比任一種方法的結果都要好，并且最終