CN105185381A - 智能机器人声音识别*** - Google Patents

Abstract

一种智能机器人声音识别***，包括远程数据库，所述远程数据库包括有第一处理器、储存器、高解析度录音***以及通信***，所述第一处理器能够对采集到的声音信息进行分析处理，并通过模数转换电路将获得的模拟音频信息转换为分段的数字音频信息，并通过所述第一处理器将分段后的数字音频信息进行顺序标记；机器人分析单元包括有用于对需要鉴别的音频信息进行获取录制的对比录音器、与所述对比录音器信号连接的第二处理器以及显示器，所述对比录音器内置有模数转换电路。本发明基于上述硬件***对音频信号进行计算得到声音特征向量，在运算过程中具有滤波处理，能够极大程度地降低外界噪声对声音识别的影响，提高了***运行时识别的准确率。

Description

智能机器人声音识别***

技术领域

本申请涉及生物智能识别技术领域，更具体地说，特别涉及一种智能机器人声音识别***。

背景技术

随着信息技术的飞速发展，特别是Internet的发展，数据信息化的不断深入。越来越多的事务，可以通过智能机器人来办理，例如：在公共安全领域的用于智能门禁、智能视频监控、公安布控、海关身份验证、实际驾照验证等的智能机器人；在民事和经济领域，对各类银行卡、金融卡、***、存蓄卡的持卡人进行身份验证的智能机器人。为了信息安全，办理业务之前通常需要通过验证人员身份后，智能机器人才能为其办理所请求的业务。

传统的身份验证方法是根据预先设置的密码或特定的身份标识物，如：证件，来鉴别不同用户。这种方法存在明显的缺点，如：个人的身份标识物容易丢失或被伪造，密码容易遗忘或者被破译。更为严重的是，这些***无法区分真正的拥有者和取得身份标识物的冒充者。为了克服传统身份验证的缺陷，结合人类鉴别不同个体的方法和特点以及人类自身的一些生理和行为特征，如：声音、面容、指纹等，其中指纹也容易被窃取后套模。

其中，通过声音来鉴别人员的身份，在接收声音输入时，周围环境噪音会影响对于声音鉴别的准确性。

发明内容

(1)发明内容

一种智能机器人声音识别***，包括远程数据库，所述远程数据库包括有第一处理器、储存器、高解析度录音***以及通信***，所述通信***与所述第一处理器信号连接用于实现数字信息的收发，所述储存器用于进行声音信息的储存，所述第一处理器能够对采集到的声音信息进行分析处理，通过所述高解析度录音***获取目标声音的音频信息，并通过模数转换电路将获得的模拟音频信息转换为分段的数字音频信息，并通过所述第一处理器将分段后的数字音频信息进行顺序标记；

所述第一处理器对标记后的数字音频信息进行如下处理：首先对各段数字音频信息进行傅里叶变换，然后在对其进行非线性幂函数运算，将运算结果做离散余弦变换后得到标准声音特征参数；

所述第一处理器与所述储存器信号连接通过所述储存器将得到的标准声音特征参数进行储存；

包括机器人分析单元，所述机器人分析单元包括有用于对需要鉴别的音频信息进行获取录制的对比录音器、与所述对比录音器信号连接的第二处理器以及显示器，所述对比录音器内置有模数转换电路，由所述对比录音器获取音频信息后利用该模数转换电路将模拟量的音频信号转换为等宽幅分段数字信号，由所述第二处理器对所述等宽幅分段数字信号进行如下处理：将等宽幅分段数字信号进行傅里叶变换，然后在对其进行非线性幂函数运算，将运算结果做离散余弦变换后得到对比声音特征参数，所述第二处理器通过所述通信***将对比声音特征参数上传至所述远程数据库中，由所述第一处理器进行比对处理，其比对方法如下：

对需要对比的音频信号进行分割时按数字信号的初始位置对其进行标记，然后，按照标记顺序获取第一组对比声音特征参数作为初始检索词在所述远程数据库中进行检索，当检索结果大于1时，再对第二组对比声音特征参数作为二次检索词在初始检索结果中在此进行检索，以此类推直至检索结果为1时，即为对比成功，当检索结果为0时，即为不存在，当检索结果大于1时，即报警出错。

优选地，所述远程数据库中还设置有滤波器，所述滤波器设置于所述第一处理器与所述高解析度录音***之间用于对音频信号进行滤波处理；

所述滤波器内置有滤波程序，所述滤波程序的滤波计算公式为：

filter(t)＝Bⁿt^n-1e^-2πBtcos(2πf₀t+θ)u(t)；

其中：

θ为滤波器的初始相位，n为滤波器的阶数。

优选地，所述通信***为通过路由器实现的互联网连接；

或，

所述通信***为通过SIM卡读卡器实现的移动数据网络。

(2)有益效果

本发明提供的智能机器人声音识别***，基于上述硬件***结构对所采集的音频信息进行声音特征向量的计算，在运算过程中具有滤波处理，能够极大程度地降低外界噪声对声音识别的影响，提高了***运行时识别的准确率。并且，本发明还具有结构***构成简洁，易于安装、维护等优点。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明实施例中智能机器人声音识别***中对于声音识别方法的流程图；

图2是本发明实施例中建立声音识别数据库的流程图。

具体实施方式

为了解决现有技术中存在的智能机器人由于环境噪音使得声音识别准确率下降的问题，本申请公开了一种应用于智能机器人***上的声音识别方法。

请参考图1和图2，其中，图1是本发明实施例中智能机器人声音识别***中对于声音识别方法的流程图；图2是本发明实施例中建立声音识别数据库的流程图。

本发明提供了一种智能机器人声音识别***，包括远程数据库，远程数据库包括有第一处理器、储存器、高解析度录音***以及通信***，通信***与第一处理器信号连接用于实现数字信息的收发，储存器用于进行声音信息的储存，第一处理器能够对采集到的声音信息进行分析处理，通过高解析度录音***获取目标声音的音频信息，并通过模数转换电路将获得的模拟音频信息转换为分段的数字音频信息，并通过第一处理器将分段后的数字音频信息进行顺序标记；第一处理器对标记后的数字音频信息进行如下处理：首先对各段数字音频信息进行傅里叶变换，然后在对其进行非线性幂函数运算，将运算结果做离散余弦变换后得到标准声音特征参数；第一处理器与储存器信号连接通过储存器将得到的标准声音特征参数进行储存；包括机器人分析单元，机器人分析单元包括有用于对需要鉴别的音频信息进行获取录制的对比录音器、与对比录音器信号连接的第二处理器以及显示器，对比录音器内置有模数转换电路，由对比录音器获取音频信息后利用该模数转换电路将模拟量的音频信号转换为等宽幅分段数字信号，由第二处理器对等宽幅分段数字信号进行如下处理：将等宽幅分段数字信号进行傅里叶变换，然后在对其进行非线性幂函数运算，将运算结果做离散余弦变换后得到对比声音特征参数，第二处理器通过通信***将对比声音特征参数上传至远程数据库中，由第一处理器进行比对处理，其比对方法如下：对需要对比的音频信号进行分割时按数字信号的初始位置对其进行标记，然后，按照标记顺序获取第一组对比声音特征参数作为初始检索词在远程数据库中进行检索，当检索结果大于1时，再对第二组对比声音特征参数作为二次检索词在初始检索结果中在此进行检索，以此类推直至检索结果为1时，即为对比成功，当检索结果为0时，即为不存在，当检索结果大于1时，即报警出错。

在上述结构设计中，本发明的创新点在于：将采集的音频信号分隔成为等宽幅的数字信号，对分割后的数字信号标记后逐段对其进行公式计算得到特征参数。然后，由机器人单元向远程数据库发送计算得到的特征参数，由第一处理器对特征参数进行检索。将音频信号分割处理，如此设计的目的在于：在进行数据检索时，可以以分割的“段信号”所对应的特征参数进行检索，如此，能够降低检索的繁琐程度，提高检索速率。

本发明提供的智能机器人声音识别***其对于声音识别的方法具体包括以下步骤：

S11：建立声音识别数据库。

该声音识别数据库可以设置在智能机器人中，或者也可以设置在智能机器人外部，由智能机器人通过网络访问其中存储的声音识别数据。智能机器人与声音识别数据库之间可以通过有线或者无线网络传递数据。

为了避免由于环境因素引起声音特征发生变化而降低准确率的问题，建立声音识别数据库包括以下步骤：

采集所有人员的可靠声音；

根据需要，采集所有需要鉴别的人员的n个可靠声音信息，n为正整数。例如：如果用于一个公司的人员身份鉴别，这需要采集该公司的所有人员声音信息。

为了保证声音识别的准确率，可以不断增加所有人员在不同情况下的语音信息，以提高识别率。例如：每年重新采集一次新的声音信息。

对于采集到的人员i的声音信息对应音频信号x(i)存储至声音识别数据库中的原始语音存储区作为标准声音特征参数，其中i＝1，……，n(i为正整数)。

S12：声音的特征提取：

对于在原始语音存储区中存储的每个音频信号x(i)进行以下处理：

(1)将音频信号x(i)划分成一系列连续的帧，对每帧信号做傅里叶变换。

(2)使用滤波器对音频信号进行处理，以降低相邻频带之间频谱能量的相互泄露；滤波器中使用的滤波函数为：

filter(t)＝Bⁿt^n-1e^-2πBtcos(2πf₀t+θ)u(t))公式(1)

其中：

参数θ为滤波器的初始相位，n为滤波器的阶数；

当t＜0时，u(t)＝0，当t＞0时，u(t)＝1；

B＝1.019*ERB(f₀)，ERB(f₀)为滤波器的等价矩形带宽，它同滤波器中心频率f₀的关系为：

ERB(f₀)＝24.7+0.108f₀公式(2)。

(3)移除音频信号的中间偏差。

在音频信号分帧后，把一定数量的帧组成一个分段，在本发明优选将7个帧组成一个分段，这个可以根据***的处理能力进行设置。

大多数声音识别***使用的帧长为20ms-30ms，在本发明优选使用26.5ms作为海明窗口，重叠帧长为10ms，每帧的中间量Q(i，j)通过计算段内帧能量P(i，j)的平均值得到：

$Q(i,j)=\frac{1}{2M+1}{\mathrm{\Σ}}_{j^{\′}=j-M}^{j+M}P(i,j^{\′})$ 公式(3)

公式(3)中由于本发明优选7个帧组成一个分段，因而M＝3。i为频道序号，j为所求帧的序列，j’为所求分段中各帧的序列。

在噪声能量去除过程中，使用算术平均值与几何平均值的比值(AM/GM)可以表示声音信号被腐蚀的程度，对上述比率求对数后得到：

$G\left(i\right)=\log \left[\underset{j=0}{\overset{J-1}{\mathrm{\Σ}}}\max (Q(i,j),z)\right]-\frac{1}{J}\underset{j=0}{\overset{J=1}{\mathrm{\Σ}}}\max (Q(i,j),z)$ 公式(4)

公式(4)中z为平面系数，用以避免负无穷小的估值来保证计算结果的偏差在允许范围内；J为帧的序列总数。

假设B(i)是由背景噪声引起的偏差，i表示频道序列，由条件概率那个事得，移除偏差后的中间量Q’(i，j|B(i))为：

Q′(i，j|B(i))＝max(Q(i，j)-B(i)，10^-3Q(i，j))公式(5)

可以得到：

$G^{\′}(i,B\left(i\right))=\log \left[\underset{j=0}{\overset{J-1}{\mathrm{\Σ}}}\max (Q(i,j|B\left(i\right)),z)\right]-\frac{1}{J}\underset{j=0}{\overset{J=1}{\mathrm{\Σ}}}\max (Q(i,j),z)$ 公式(6)

对于公式(6)，当噪声情况下AM/GM的比值最接近原声信号的AM/GM值时，可以求得B(i)的估计值为：

B′(i)＝min{B(i)|G′(i|B(i))≥G_c(i)}公式(7)

其中，G_c(i)表示G(i)在原声信号中的对应值，对每个频道计算公式(7)后得到，对于每个时频BIN信号(i，j)，噪声移除的比率为：

$w(i,j)=\frac{Q^{\′}(i,j|B^{\′}\left(i\right))}{Q(i,j)}$ 公式(8)

为了平滑计算，对频道i-N至i+N的噪声移除比率取平均值，调整后最终的函数为：

$P^{\′}(i,j)=\left(\frac{1}{2N+1}\underset{i^{\′}=\max (i-N,1)}{\overset{\min (i+N,j)}{\mathrm{\Σ}}}w(i^{\′},j)\right)P(i,j)$ 公式(10)

使用公式(10)对滤波器中所有音频信号进行处理，移除中间偏差后作为滤波器的输出。

(4)对所有滤波器输出的音频信号数据做非线性幂函数运算，所使用的幂函数为：

Y＝X⁰¹公式(11)。

(5)对第(4)步的输出进一步做离散余弦变换后得到声音特征参数。

由于离散余弦变换(DCT)为语音处理领域公知的处理方式，在此不再赘述。

S13：将所得到的声音特征参数与人员身份信息相关联地存储至声音识别数据库。

除了得到采集的声音特征信息之外，还可以将每个人的其他信息与人的声音特征信息相关联，以帮助进一步确认身份鉴定，其他信息可以包括但不限于：指纹、虹膜信息等。

S2：输入待鉴别的声音。

通过智能机器人上设置的麦克风采集人员的声音。也可以采用其他语音采集设备。

计算输入待鉴别声音的特征向量的方法如下：

对于在输入声音每个音频信号x(i)进行以下处理：

(1)将音频信号x(i)划分成一系列连续的帧，对每帧信号做傅里叶变换。

(2)使用滤波器对音频信号进行处理，以降低相邻频带之间频谱能量的相互泄露；滤波器中使用的滤波函数为：

filter(t)＝Bⁿt^n-1e^-2πBtcos(2πf₀t+θ)u(t))公式(1)

其中：

参数θ为滤波器的初始相位，n为滤波器的阶数；

当t＜0时，u(t)＝0，当t＞0时，u(t)＝1；

B＝1.019*ERB(f₀)，ERB(f₀)为滤波器的等价矩形带宽，它同滤波器中心频率f₀的关系为：

ERB(f₀)＝24.7+0.108f₀公式(2)。

(3)移除音频信号的中间偏差。

在音频信号分帧后，把一定数量的帧组成一个分段，在本发明优选将7个帧组成一个分段，这个可以根据***的处理能力进行设置。

大多数声音识别***使用的帧长为20ms-30ms，在本发明优选使用26.5ms作为海明窗口，重叠帧长为10ms，每帧的中间量Q(i，j)通过计算段内帧能量P(i，j)的平均值得到：

$Q(i,j)=\frac{1}{2M+1}{\mathrm{\Σ}}_{j^{\′}=j-M}^{j+M}P(i,j^{\′})$ 公式(3)

公式(3)中由于本发明优选7个帧组成一个分段，因而M＝3。i为频道序号，j为所求帧的序列，j’为所求分段中各帧的序列。

在噪声能量去除过程中，使用算术平均值与几何平均值的比值(AM/GM)可以表示声音信号被腐蚀的程度，对上述比率求对数后得到：

$G\left(i\right)=\log \left[\underset{j=0}{\overset{J-1}{\mathrm{\Σ}}}\max (Q(i,j),z)\right]-\frac{1}{J}\underset{j=0}{\overset{J=1}{\mathrm{\Σ}}}\max (Q(i,j),z)$ 公式(4)

公式(4)中z为平面系数，用以避免负无穷小的估值来保证计算结果的偏差在允许范围内；J为帧的序列总数。

假设B(i)是由背景噪声引起的偏差，i表示频道序列，由条件概率那个事得，移除偏差后的中间量Q’(i，j|B(i))为：

Q′(i，j|B(i))＝max(Q(i，j)-B(i)，10^-3Q(i，j))公式(5)

可以得到：

$G^{\′}(i,B\left(i\right))=\log \left[\underset{j=0}{\overset{J-1}{\mathrm{\Σ}}}\max (Q(i,j|B\left(i\right)),z)\right]-\frac{1}{J}\underset{j=0}{\overset{J=1}{\mathrm{\Σ}}}\max (Q(i,j),z)$ 公式(6)

对于公式(6)，当噪声情况下AM/GM的比值最接近原声信号的AM/GM值时，可以求得B(i)的估计值为：

B′(i)＝min{B(i)|G′(i|B(i))≥G_c(i)}公式(7)

其中，G_c(i)表示G(i)在原声信号中的对应值，对每个频道计算公式(7)后得到，对于每个时频BIN信号(i，j)，噪声移除的比率为：

$w(i,j)=\frac{Q^{\′}(i,j|B^{\′}\left(i\right))}{Q(i,j)}$ 公式(8)

为了平滑计算，对频道i-N至i+N的噪声移除比率取平均值，调整后最终的函数为：

$P^{\′}(i,j)=\left(\frac{1}{2N+1}\underset{i^{\′}=\max (i-N,1)}{\overset{\min (i+N,j)}{\mathrm{\Σ}}}w(i^{\′},j)\right)P(i,j)$ 公式(10)

使用公式(10)对滤波器中所有音频信号进行处理，移除中间偏差后作为滤波器的输出。

(4)对所有滤波器输出的数据做非线性幂函数运算，所使用的幂函数为：

Y＝X⁰¹公式(11)。

(5)对第(4)步的输出进一步做离散余弦变换后得到声音特征参数。

由于离散余弦变换(DCT)为语音处理领域公知的处理方式，在此不再赘述。

S3：进行身份鉴别。

将待验证的声音特征输入语音识别数据库，在语音识别数据库中查找是否有匹配的声音特征信息。若查找到对应的声音特征信息，则返回声音特征对应的身份信息；若没有找到对应的声音特征信息，则返回匹配失败信息。输出身份鉴别结果。

可以将上述操作中进行的身份鉴别结果输出至智能机器人的中央处理单元，智能机器人可根据鉴别结果进行相应处理，若找到鉴别人员身份信息，则智能机器人继续处理被鉴别人员的所请求的业务；若未找到鉴别人员身份信息，则输出身份鉴别失败的信息。

在上述结构设计中，由处理器对录音器采集的声音信息进行处理，其具体流程为：由录音器采集到的声音信息(模拟量)经过模数转换电路形成数字信号发送给处理器；之后，由处理器对采集的声音信息进行处理，其具体处理操作请参考上述的音频处理方法，在此将不再赘述；同时，由处理器调取数据库中的全部标准向量；最后，处理器进行比对，将比对结果显示到显示器上。

在本发明中，处理器、录音器以及显示器通过电路板焊接工艺集成设置在同一块电路板上，由此精简本发明的结构尺寸。数据库具体包括有两种：本地数据库以及远程数据库，在采用本地数据库结构设计中，数据库与处理器之间通过数据线连接，在采用远程数据库结构设计中，可以设置WIFI组件、SIM卡读取组件等装置，利用无线网络实现处理器与数据库之间的通信连接。

为了便于本发明的使用操作，在本实施例中，将所述显示器设计为触摸式液晶显示屏，通过触屏操作实现整个装置的控制，其操作简单、易行。

当然，实施本申请的任一技术方案必不一定需要同时达到以上的所有优点。

本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (3)

1.一种智能机器人声音识别***，其特征在于，

包括远程数据库，所述远程数据库包括有第一处理器、储存器、高解析度录音***以及通信***，所述通信***与所述第一处理器信号连接用于实现数字信息的收发，所述储存器用于进行声音信息的储存，所述第一处理器能够对采集到的声音信息进行分析处理，通过所述高解析度录音***获取目标声音的音频信息，并通过模数转换电路将获得的模拟音频信息转换为分段的数字音频信息，并通过所述第一处理器将分段后的数字音频信息进行顺序标记；

所述第一处理器对标记后的数字音频信息进行如下处理：首先对各段数字音频信息进行傅里叶变换，然后在对其进行非线性幂函数运算，将运算结果做离散余弦变换后得到标准声音特征参数；

所述第一处理器与所述储存器信号连接通过所述储存器将得到的标准声音特征参数进行储存；

包括机器人分析单元，所述机器人分析单元包括有用于对需要鉴别的音频信息进行获取录制的对比录音器、与所述对比录音器信号连接的第二处理器以及显示器，所述对比录音器内置有模数转换电路，由所述对比录音器获取音频信息后利用该模数转换电路将模拟量的音频信号转换为等宽幅分段数字信号，由所述第二处理器对所述等宽幅分段数字信号进行如下处理：将等宽幅分段数字信号进行傅里叶变换，然后在对其进行非线性幂函数运算，将运算结果做离散余弦变换后得到对比声音特征参数，所述第二处理器通过所述通信***将对比声音特征参数上传至所述远程数据库中，由所述第一处理器进行比对处理，其比对方法如下：

对需要对比的音频信号进行分割时按数字信号的初始位置对其进行标记，然后，按照标记顺序获取第一组对比声音特征参数作为初始检索词在所述远程数据库中进行检索，当检索结果大于1时，再对第二组对比声音特征参数作为二次检索词在初始检索结果中在此进行检索，以此类推直至检索结果为1时，即为对比成功，当检索结果为0时，即为不存在，当检索结果大于1时，即报警出错。

2.根据权利要求1所述的智能机器人声音识别***，其特征在于，

所述远程数据库中还设置有滤波器，所述滤波器设置于所述第一处理器与所述高解析度录音***之间用于对音频信号进行滤波处理；

所述滤波器内置有滤波程序，所述滤波程序的滤波计算公式为：

filter(t)＝Bⁿt^n-1e^-2πBtcos(2πf₀t+θ)u(t)；

其中：

θ为滤波器的初始相位，n为滤波器的阶数。

3.根据权利要求1所述的智能机器人声音识别***，其特征在于，

所述通信***为通过路由器实现的互联网连接；

或，

所述通信***为通过SIM卡读卡器实现的移动数据网络。