基于16位單片機的語音電子門鎖系統(tǒng)詳解

本文介紹的語音電子門鎖是一種在凌陽16位單片機SPCE061A上實現(xiàn)的與文本有關的說話人確認系統(tǒng)。該系統(tǒng)主要由說話人識別模塊、門鎖控制電機以及門鎖等部分組成。在訓練時，說話人的聲音通過麥克風進入說話人語音信號采集前端電路，由語音信號處理電路對采集的語音信號進行特征化和語音處理，提取說話人的個性特征參數(shù)并進行存儲，形成說話人特征參數(shù)數(shù)據(jù)庫。在識別時，將待識別語音與說話人特征參數(shù)數(shù)據(jù)庫進行匹配，通過輸出電路控制門鎖電機，最終實現(xiàn)對門鎖的控制。

1 算法原理

說話人識別算法原理框圖如圖1所示。

1.1 預處理

（1）去噪

對麥克風輸入的模擬語音信號進行量化和采樣，獲得數(shù)字化的語音信號；再將含噪的語音信號通過去噪處理，得到干凈的語音信號后并通過預加重技術濾除低頻干擾，尤其是50Hz或60Hz的工頻干擾，提升語音信號的高頻部分，而且它還可以起到消除直流漂移、抑制隨機噪聲和提升清音部分能量的作用。

（2）端點檢測

本系統(tǒng)采用語音信號的短時能量和短時過零率進行端點檢測。語音信號的采樣頻率為8kHz，每幀數(shù)據(jù)為20ms，共計160個采樣點。每隔20ms計算一次短時能量和短時過零率。通過對語音信號的短時能量和短時過零率檢測可以剔除掉靜默幀、白噪聲幀和清音幀，最后保留對求取基音、LPCC等特征參數(shù)非常有用的濁音信號。

1．2 特征提取

在語音信號預處理后，接著是特征參數(shù)的提取。特征提取的任務就是提取語音信號中表征人的基本特征。

1．2．1 特征參數(shù)的選取

特征必須能夠有效地區(qū)分不同的說話人，且對同一說話人的變化保持相對穩(wěn)定，同時要求特征參數(shù)計算簡便，最好有高效快速算法，以保證識別的實時性。

說話人特征大體可歸為下述幾類：

（1）基于發(fā)聲器官如聲門、聲道和鼻腔的生理結構而提取的參數(shù)。如譜包絡、基音、共振峰等。其中基音能夠很好地刻畫說話人的聲帶特征，在很大程度上反映了人的個性特征。

（2）基于聲道特征模型，通過線性預測分析得到的參數(shù)。包括線性預測系數(shù)（LPC）以及由線性預測導出的各種參數(shù)，如線性預測倒譜系數(shù)（LPCC）、部分相關系數(shù)、反射系數(shù)、對數(shù)面積比、LSP線譜對、線性預測殘差等。根據(jù)前人的工作成果和實際測試比較，LPCC參數(shù)不但能較好地反饋聲道的共振峰特性，具有較好地識別效果，而且可以用比較簡單的運算和較快的速度求得。

（3）基于人耳的聽覺機理，反映聽覺特性，模擬人耳對聲音頻率感知的特征參數(shù)。如美國爾倒譜系數(shù)（MFCC）等。MFCC參數(shù)與基于線性預測的倒譜分析相比，突出的優(yōu)點是不依賴全極點語音產(chǎn)生模型的假定，在與廣西無關的說話人識別系統(tǒng)中MFCC參數(shù)能夠比LPCC參數(shù)更好地提高系統(tǒng)的識別性能。

此外，人們還通過對不同特征參數(shù)量的組合來提高實際系統(tǒng)的性能。當各組合參量間相關性不大時，會有較好的效果，因為它們分別反映了語音信號的不同特征。

在計算機平臺的仿真實驗中，通過各種參數(shù)的實際比較，采用MFCC參數(shù)比采用LPCC參數(shù)有更好的識別效果。但在SPCE061A平臺上做實時處理時，與LPCC系統(tǒng)相比，MFCC系數(shù)計算有兩個缺點：一是計算時間長；二是精度難以保證。由于MFCC系統(tǒng)的計算需要FFT變換和對數(shù)操作，影響了計算的動態(tài)范圍；要保證系統(tǒng)識別的實時性，就只有犧牲參數(shù)精度。而LPCC參數(shù)的計算有遞推公式，速度和精度都可以保證，識別效果也滿足實際需要。

本系統(tǒng)采用了基音周期和線性預測倒譜系數(shù)（LPCC）共同作為說話人識別的特征參數(shù)。

1．2．2 LPCC參數(shù)的提取

基于線性預測分析的倒譜參數(shù)LPCC可以通過簡單的遞推公式由線性預測系數(shù)求得。遞推公式如下：

其中p為LPC模型的階數(shù)，也是模型的極點個數(shù)。

（1）LPC模型階數(shù)p的確定

為使模型假定更好地符合語音產(chǎn)生模型，應該使LPC模型的階數(shù)p與共振峰個數(shù)相吻合，其次是考慮聲門脈沖形狀和口唇輻射影響的補償。通常一對極點對應一個共振峰，10kHz采樣的語音信號通常有5個共振峰，取p=10，對于8kHz采樣的語音信號可取p=8。此外為了彌補鼻音中存在的零點以及其他因素引起的偏差，通常在上述階數(shù)的基礎上再增加兩個極點，即分別是p=12和p10。實驗表明，選擇LPC分析階數(shù)p=12，對絕大多數(shù)語音信號的聲道模型可以足夠近似地逼近。P值選得過大雖然可以略微改善逼近效果，但也帶來一些負作用，一方面是加大了計算量，另一方面有可能增添一些不必要的細節(jié)。

（2）線性預測系數(shù)的求取

自相關解法主要有杜賓（Durbin）算法、格型（Lattice）算法和舒爾（Schur）算法等幾種遞推算法。其中在杜賓算法是目前最常用的算法，而且在求取LPC系數(shù)時計算量也量小，本系統(tǒng)采用該遞推算法。

1．2．3 基音參數(shù)的提取

基音估計的方法很多，主要有基于短時自相關函數(shù)和基于短時平均幅度差函數(shù)（AMDF）等基音估計方法。

（1）基于短時自相關函數(shù)的基音估計

短時自相關函數(shù)在基音周期的整數(shù)倍位置存在較大的峰值，只要找出第一最大峰值的位置就可以估計出基音周期。

（2）基于短時平均幅度差函數(shù)（AMDF）的基音估計

基于短時平均幅度差函數(shù)（AMDF）在基音周期的整數(shù)倍位置存在較大的谷值，找到第一最大谷值的位置就可以估計出基音周期。這種方法的缺點是當語音信號的幅度快速變化時，AMFD函數(shù)的谷值深度會減小，從而影響基音估計的精度。

實際上第一最大峰（谷）值點的位置有時并不能與基音周期吻合，第一最大峰（谷）值點的位置與短時窗的長度有關且會受到共振峰的干擾。一般窗長至少應大于兩個基音周期，才可能獲得較好的估計效果。語音中最長基音周期值約為20ms，本系統(tǒng)在估計基音周期時窗長選擇40ms。為了減小共振峰的影響，首先對語音進行頻率范圍為［60，900］Hz的帶通濾波。因為最高基音頻率為450Hz，所以將上限頻率設為900Hz可以保留語音的一、二次諧波，下降頻率為60Hz是為了濾除50Hz的電源干擾。

以上兩種方法都是對語音信號本身求相應的函數(shù)。本系統(tǒng)采用的基音估計方法是：首先對帶通濾波后的短時語音信號進行線性預測，求取預測殘差；再對殘差信號求自相關函數(shù)，找出第一最大峰值點的位置，即得到該段語音的基音估計值。實驗表明，通過殘差求取的基音軌跡比直接通過語音求取的基音軌跡效果更好，如圖2所示。圖2中橫坐標為語音幀數(shù)，縱坐標為8000/f，其中f為基音頻率。

1．3 模式匹配

目前針對各種特征參數(shù)提出的模式匹配方法的研究越來越深入。典型的方法有：矢量量化方法、高斯混合模型方法、隱馬爾可夫模型方法、動態(tài)時間規(guī)整（DTW）方法和人工神經(jīng)網(wǎng)絡方法。

這些方法都有各自的優(yōu)點和缺點。其中DTW算法對于較長語音的識別，模板匹配運算量太大，但對短語音（有效語音長度低于3s）的識別既簡單又有效，而且并不比其他方法識別率低，特別適用于短語音、與文本有關的說話人識別系統(tǒng)。本系統(tǒng)采用端點松馳兩點的（DTW）算法，端點松馳引起的計算量增加并不大，還可以放松對端點檢測的精度要求。

動態(tài)時間規(guī)整（DTW）算法基于動態(tài)規(guī)劃的思想，解決了說話人不同時期發(fā)音長短、語速不一樣的匹配問題。DTW算法用于計算兩個長度不同的模板之間的相似程度，用失真距離表示。假設測試模板和參考模板分別用T和R表示，按時間順序含有N幀和M幀的語音參數(shù)（本系統(tǒng)為12維LPCC參數(shù)），失真距離越小，表示T、R越接近。把測試模板的各個幀號n=1～N在一個二維直角坐標系中的橫軸上標出，把參考模板的各幀號m=1～M在縱軸上標出，如圖3所示。通過這些表示幀號的整數(shù)坐標畫出縱橫線即形成網(wǎng)絡，網(wǎng)格中的每一個交叉點（n，m）表示測試模板中某一幀與參考模式中某一幀的交會點，對應兩個向量的歐氏距離。DTW算法可以歸結為尋找一條通過此網(wǎng)格中若干交叉點的路徑，使得該路徑上節(jié)點的距離和（即失真距離）為最小。對于端點松弛的情況，路徑搜索原理相同，只是增加了搜索路徑。

2 硬件系統(tǒng)

語音電子門鎖系統(tǒng)的核心是說話人識別模塊。包括按鍵輸入、語音信號采集、語音信號處理、FLASH存儲擴展、揚聲器輸出、控制輸出以及LCD模組等。說話人識別模型的原理框圖如圖4所示。其核心為語音信號處理，本系統(tǒng)選用特別適用于數(shù)字語音識別領域的凌陽16位單片機SPCE061A，并通過SPCE061A實現(xiàn)對其他各組成部分的編程控制。

SPCE061A是凌陽公司開發(fā)的一種性價比非常高的16位單片機。在2.6V～3.6V工作電壓范圍內，工作頻率范圍為0.32MHz～49.152Mhz，較高的處理速度使其能夠非常容易、快速地處理復雜的數(shù)字信號；中斷系統(tǒng)支持10個中斷向量以及14個可來自系統(tǒng)時鐘、定時器/計數(shù)器、時間基準發(fā)生器、外部中斷、鍵喚醒、通用異步串行通信及軟件中斷的中斷源，非常適合實時應用領域；內嵌2K字的SRAM和32K字的FLASH，具有32位可編程的多功能I/O端口；包含有7通道10位通用A/D轉換器和內置麥克風放大器與自動增益控制AGC功能的單通道聲音A/D轉換器，以及具有音頻輸出功能的雙通道10位D/A轉換器；SPCE061A采用CMOS制造工藝，同時增加了軟件激發(fā)的弱振方式、空閑方式和掉電方式，系統(tǒng)處于備用狀態(tài)下（時鐘處于停止狀態(tài)），耗電僅為2μA3.6V，極大地降低了其功耗；另外，μ’nSPTM的指令系統(tǒng)還提供具有較高運算速度的16位×16位的乘法運算指令和內積運算指令，為其應用增添了DSP功能，在復雜的數(shù)字信號處理方面既非常便利，又比專用的DSP芯片便宜得多。

說話人識別模塊各組成部分完成的功能如下：

（1）按鍵輸入部分：共有數(shù)字鍵、訓練鍵、刪除鍵、確認鍵和取消鍵等16個按鍵，用于密碼輸入和工作模式選擇。采用4×4矩陣式鍵盤輸入，只使用具有鍵喚醒功能IOA的低8位，可以合理利用硬件資源，且編程靈活。

（2）語音信號采集部分：通過SPCE061A內置麥克風放大器與自動增益控制AGC功能的單通道聲音A/D轉換器完成8kHz語音信號采集。

（3）FLASH存儲擴展部分：用于存儲說話人的個性特征參數(shù)參考模板。

（4）揚聲器輸出部分：通過SPCE061A具有音頻輸出功能的雙通道10位D/A轉換器完成用戶訓練、識別等各種操作的語音提示。

（5）控制輸出部分：通過SPCE061A的可編程I/O口控制門鎖控制電機。

（6）LCD模組部分：用以顯示系統(tǒng)的工作狀態(tài)，該部分根據(jù)成本和實際需要可選。

（7）SPCE061A：說話人的語音信號處理以及各部分的編程控制均由SPCE061A完成。

說話人識別模塊有三種工作模式：訓練模式、認證模式和密碼模式，這三種模式都可通過工作模式按鍵選擇。

（1）訓練模式，說話人的聲音通過麥克風進入語音信號采集前端電路。第一次語音輸入時，由16位單片機SPCE061A對采集的語音信號進行處理，提取說話人的個性特征參數(shù)，并存儲到外擴的FLASH內，形成說話人特征參數(shù)模板。可以進行三次訓練，第二語音輸入時，提取的個數(shù)特征參數(shù)與由第一次語音輸入形成的特征參數(shù)模板進行匹配，在匹配距離小于模板更新閾值時，將說話人特征參數(shù)模板更新為兩次特征參數(shù)的平均值。第三次語音輸入時，提取的個性特征參數(shù)與由第一、二次語音輸入形成的特征參數(shù)模板進行匹配，在匹配距離小于模板更新閾值時，將說話人特征參數(shù)模板更新為三次特征參數(shù)的平均值，形成最后的該說話人的特征參數(shù)模板。

（2）認證模式，同樣通過麥克風錄入說話人的聲音，再由SPCE061A對采集的語音信號進行處理，將提取的說話人特征參數(shù)與存儲在外擴FLASH內的特征參數(shù)模板進行匹配，匹配距離小于認證閾值時，通過認證；然后再判斷匹配距離是否小于認證模式下的模板更新閾值，決定是否對模板進行更新。

（3）密碼工作模式，在說話人感冒或其他使其聲音發(fā)生暫時改變的情況下，可以采用長密碼方式進行認證，以免因為非常原因被拒之門外。

另外，每個用戶都有一個短密碼（用戶可自行修改），無論在訓練模式還是認證模式都要輸入此密碼，以形成或找到與該用戶相對應的特征參數(shù)模板。系統(tǒng)還設置一個具有長密碼的超級管理員用戶，可以通過鍵盤對用戶模板進行添加或刪除。

3 實驗結果

對于說話人確認系統(tǒng)，表征其性能的最重要的兩個參量是拒識率和誤識率。前者是拒絕真實的說話人而造成的錯誤，后者是接受假冒者而造成的錯誤，二者與匹配閾值的設定相關。匹配閾值的設定與語音鎖系統(tǒng)的應用場合、功能側重有關，對于家庭、賓館等門鎖用戶，要求誤識率盡可能低，甚至為零；若用于公司員工考勤等同類功能，就不能有太高的拒識率。表1是對以下每種情況各進行100次實時匹配的結果，其中設定的閾值適合門鎖用戶。

表1 100次實時匹配結果

由以上實驗結果可知，對于同一個人相同發(fā)送的拒識率為8%；對于同一個人相似發(fā)音情況，因為系統(tǒng)是對說話的人進行判別，對于這種情況，無論拒絕或接受都是合理的；對于同一個人不同發(fā)音和不同人發(fā)音的情況，誤識率為零。使用錄音機進行多次實驗，通過認證的次數(shù)為零。對于門鎖用戶，這個結果十分理想的。若用于考勤等同類功能，可通過修改匹配閾值值實現(xiàn)。

聲紋識別與其他生物識別技術相比，除具有不會遺失和忘記、不需記憶、使用方便等優(yōu)點外，還具有以下特性：用戶接受程度高，由于不涉及隱私問題，用戶無任何心理障礙；聲音輸入設備造價低廉，而其他生特識別技術的輸入設備通常造價昂貴。與利用虹膜、指紋和人臉等技術的門鎖相比，基于SPCE061A構建的語音電子門鎖系統(tǒng)具有成本低、使用方便、保密性好等優(yōu)點。經(jīng)大量實驗測試表明，該系統(tǒng)性能穩(wěn)定、識別效果好。下一步將進行小批量的試用，以發(fā)現(xiàn)問題并加以完善。但是，在環(huán)境噪聲或干擾信號高于語音信號時，該系統(tǒng)將無法進行正確的語音識別，在背景噪聲處理及其工程實際上還要進一步改進。