基于16位單片機(jī)的語(yǔ)音電子門鎖系統(tǒng)詳解

本文介紹的語(yǔ)音電子門鎖是一種在凌陽(yáng)16位單片機(jī)SPCE061A上實(shí)現(xiàn)的與文本有關(guān)的說話人確認(rèn)系統(tǒng)。該系統(tǒng)主要由說話人識(shí)別模塊、門鎖控制電機(jī)以及門鎖等部分組成。在訓(xùn)練時(shí)，說話人的聲音通過麥克風(fēng)進(jìn)入說話人語(yǔ)音信號(hào)采集前端電路，由語(yǔ)音信號(hào)處理電路對(duì)采集的語(yǔ)音信號(hào)進(jìn)行特征化和語(yǔ)音處理，提取說話人的個(gè)性特征參數(shù)并進(jìn)行存儲(chǔ)，形成說話人特征參數(shù)數(shù)據(jù)庫(kù)。在識(shí)別時(shí)，將待識(shí)別語(yǔ)音與說話人特征參數(shù)數(shù)據(jù)庫(kù)進(jìn)行匹配，通過輸出電路控制門鎖電機(jī)，最終實(shí)現(xiàn)對(duì)門鎖的控制。

1 算法原理

說話人識(shí)別算法原理框圖如圖1所示。

1.1 預(yù)處理

（1）去噪

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

（2）端點(diǎn)檢測(cè)

本系統(tǒng)采用語(yǔ)音信號(hào)的短時(shí)能量和短時(shí)過零率進(jìn)行端點(diǎn)檢測(cè)。語(yǔ)音信號(hào)的采樣頻率為8kHz，每幀數(shù)據(jù)為20ms，共計(jì)160個(gè)采樣點(diǎn)。每隔20ms計(jì)算一次短時(shí)能量和短時(shí)過零率。通過對(duì)語(yǔ)音信號(hào)的短時(shí)能量和短時(shí)過零率檢測(cè)可以剔除掉靜默幀、白噪聲幀和清音幀，最后保留對(duì)求取基音、LPCC等特征參數(shù)非常有用的濁音信號(hào)。

1．2 特征提取

在語(yǔ)音信號(hào)預(yù)處理后，接著是特征參數(shù)的提取。特征提取的任務(wù)就是提取語(yǔ)音信號(hào)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(duì)同一說話人的變化保持相對(duì)穩(wěn)定，同時(shí)要求特征參數(shù)計(jì)算簡(jiǎn)便，最好有高效快速算法，以保證識(shí)別的實(shí)時(shí)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(jié)構(gòu)而提取的參數(shù)。如譜包絡(luò)、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(gè)性特征。

（2）基于聲道特征模型，通過線性預(yù)測(cè)分析得到的參數(shù)。包括線性預(yù)測(cè)系數(shù)（LPC）以及由線性預(yù)測(cè)導(dǎo)出的各種參數(shù)，如線性預(yù)測(cè)倒譜系數(shù)（LPCC）、部分相關(guān)系數(shù)、反射系數(shù)、對(duì)數(shù)面積比、LSP線譜對(duì)、線性預(yù)測(cè)殘差等。根據(jù)前人的工作成果和實(shí)際測(cè)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(shí)別效果，而且可以用比較簡(jiǎn)單的運(yùn)算和較快的速度求得。

（3）基于人耳的聽覺機(jī)理，反映聽覺特性，模擬人耳對(duì)聲音頻率感知的特征參數(shù)。如美國(guó)爾倒譜系數(shù)（MFCC）等。MFCC參數(shù)與基于線性預(yù)測(cè)的倒譜分析相比，突出的優(yōu)點(diǎn)是不依賴全極點(diǎn)語(yǔ)音產(chǎn)生模型的假定，在與廣西無(wú)關(guān)的說話人識(shí)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(shí)別性能。

此外，人們還通過對(duì)不同特征參數(shù)量的組合來(lái)提高實(shí)際系統(tǒng)的性能。當(dāng)各組合參量間相關(guān)性不大時(shí)，會(huì)有較好的效果，因?yàn)樗鼈兎謩e反映了語(yǔ)音信號(hào)的不同特征。

在計(jì)算機(jī)平臺(tái)的仿真實(shí)驗(yàn)中，通過各種參數(shù)的實(shí)際比較，采用MFCC參數(shù)比采用LPCC參數(shù)有更好的識(shí)別效果。但在SPCE061A平臺(tái)上做實(shí)時(shí)處理時(shí)，與LPCC系統(tǒng)相比，MFCC系數(shù)計(jì)算有兩個(gè)缺點(diǎn)：一是計(jì)算時(shí)間長(zhǎng)；二是精度難以保證。由于MFCC系統(tǒng)的計(jì)算需要FFT變換和對(duì)數(shù)操作，影響了計(jì)算的動(dòng)態(tài)范圍；要保證系統(tǒng)識(shí)別的實(shí)時(shí)性，就只有犧牲參數(shù)精度。而LPCC參數(shù)的計(jì)算有遞推公式，速度和精度都可以保證，識(shí)別效果也滿足實(shí)際需要。

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

1．2．2 LPCC參數(shù)的提取

基于線性預(yù)測(cè)分析的倒譜參數(shù)LPCC可以通過簡(jiǎn)單的遞推公式由線性預(yù)測(cè)系數(shù)求得。遞推公式如下：

其中p為L(zhǎng)PC模型的階數(shù)，也是模型的極點(diǎn)個(gè)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(yǔ)音產(chǎn)生模型，應(yīng)該使LPC模型的階數(shù)p與共振峰個(gè)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(bǔ)償。通常一對(duì)極點(diǎn)對(duì)應(yīng)一個(gè)共振峰，10kHz采樣的語(yǔ)音信號(hào)通常有5個(gè)共振峰，取p=10，對(duì)于8kHz采樣的語(yǔ)音信號(hào)可取p=8。此外為了彌補(bǔ)鼻音中存在的零點(diǎn)以及其他因素引起的偏差，通常在上述階數(shù)的基礎(chǔ)上再增加兩個(gè)極點(diǎn)，即分別是p=12和p10。實(shí)驗(yàn)表明，選擇LPC分析階數(shù)p=12，對(duì)絕大多數(shù)語(yǔ)音信號(hào)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(lái)一些負(fù)作用，一方面是加大了計(jì)算量，另一方面有可能增添一些不必要的細(xì)節(jié)。

（2）線性預(yù)測(cè)系數(shù)的求取

自相關(guān)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(shí)計(jì)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(jì)的方法很多，主要有基于短時(shí)自相關(guān)函數(shù)和基于短時(shí)平均幅度差函數(shù)（AMDF）等基音估計(jì)方法。

（1）基于短時(shí)自相關(guān)函數(shù)的基音估計(jì)

短時(shí)自相關(guān)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(jì)出基音周期。

（2）基于短時(shí)平均幅度差函數(shù)（AMDF）的基音估計(jì)

基于短時(shí)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(jì)出基音周期。這種方法的缺點(diǎn)是當(dāng)語(yǔ)音信號(hào)的幅度快速變化時(shí)，AMFD函數(shù)的谷值深度會(huì)減小，從而影響基音估計(jì)的精度。

實(shí)際上第一最大峰（谷）值點(diǎn)的位置有時(shí)并不能與基音周期吻合，第一最大峰（谷）值點(diǎn)的位置與短時(shí)窗的長(zhǎng)度有關(guān)且會(huì)受到共振峰的干擾。一般窗長(zhǎng)至少應(yīng)大于兩個(gè)基音周期，才可能獲得較好的估計(jì)效果。語(yǔ)音中最長(zhǎng)基音周期值約為20ms，本系統(tǒng)在估計(jì)基音周期時(shí)窗長(zhǎng)選擇40ms。為了減小共振峰的影響，首先對(duì)語(yǔ)音進(jìn)行頻率范圍為［60，900］Hz的帶通濾波。因?yàn)樽罡呋纛l率為450Hz，所以將上限頻率設(shè)為900Hz可以保留語(yǔ)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(duì)語(yǔ)音信號(hào)本身求相應(yīng)的函數(shù)。本系統(tǒng)采用的基音估計(jì)方法是：首先對(duì)帶通濾波后的短時(shí)語(yǔ)音信號(hào)進(jìn)行線性預(yù)測(cè)，求取預(yù)測(cè)殘差；再對(duì)殘差信號(hào)求自相關(guān)函數(shù)，找出第一最大峰值點(diǎn)的位置，即得到該段語(yǔ)音的基音估計(jì)值。實(shí)驗(yàn)表明，通過殘差求取的基音軌跡比直接通過語(yǔ)音求取的基音軌跡效果更好，如圖2所示。圖2中橫坐標(biāo)為語(yǔ)音幀數(shù)，縱坐標(biāo)為8000/f，其中f為基音頻率。

1．3 模式匹配

目前針對(duì)各種特征參數(shù)提出的模式匹配方法的研究越來(lái)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(dòng)態(tài)時(shí)間規(guī)整（DTW）方法和人工神經(jīng)網(wǎng)絡(luò)方法。

這些方法都有各自的優(yōu)點(diǎn)和缺點(diǎn)。其中DTW算法對(duì)于較長(zhǎng)語(yǔ)音的識(shí)別，模板匹配運(yùn)算量太大，但對(duì)短語(yǔ)音（有效語(yǔ)音長(zhǎng)度低于3s）的識(shí)別既簡(jiǎn)單又有效，而且并不比其他方法識(shí)別率低，特別適用于短語(yǔ)音、與文本有關(guān)的說話人識(shí)別系統(tǒng)。本系統(tǒng)采用端點(diǎn)松馳兩點(diǎn)的（DTW）算法，端點(diǎn)松馳引起的計(jì)算量增加并不大，還可以放松對(duì)端點(diǎn)檢測(cè)的精度要求。

動(dòng)態(tài)時(shí)間規(guī)整（DTW）算法基于動(dòng)態(tài)規(guī)劃的思想，解決了說話人不同時(shí)期發(fā)音長(zhǎng)短、語(yǔ)速不一樣的匹配問題。DTW算法用于計(jì)算兩個(gè)長(zhǎng)度不同的模板之間的相似程度，用失真距離表示。假設(shè)測(cè)試模板和參考模板分別用T和R表示，按時(shí)間順序含有N幀和M幀的語(yǔ)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(cè)試模板的各個(gè)幀號(hào)n=1～N在一個(gè)二維直角坐標(biāo)系中的橫軸上標(biāo)出，把參考模板的各幀號(hào)m=1～M在縱軸上標(biāo)出，如圖3所示。通過這些表示幀號(hào)的整數(shù)坐標(biāo)畫出縱橫線即形成網(wǎng)絡(luò)，網(wǎng)格中的每一個(gè)交叉點(diǎn)（n，m）表示測(cè)試模板中某一幀與參考模式中某一幀的交會(huì)點(diǎn)，對(duì)應(yīng)兩個(gè)向量的歐氏距離。DTW算法可以歸結(jié)為尋找一條通過此網(wǎng)格中若干交叉點(diǎn)的路徑，使得該路徑上節(jié)點(diǎn)的距離和（即失真距離）為最小。對(duì)于端點(diǎn)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(yǔ)音電子門鎖系統(tǒng)的核心是說話人識(shí)別模塊。包括按鍵輸入、語(yǔ)音信號(hào)采集、語(yǔ)音信號(hào)處理、FLASH存儲(chǔ)擴(kuò)展、揚(yáng)聲器輸出、控制輸出以及LCD模組等。說話人識(shí)別模型的原理框圖如圖4所示。其核心為語(yǔ)音信號(hào)處理，本系統(tǒng)選用特別適用于數(shù)字語(yǔ)音識(shí)別領(lǐng)域的凌陽(yáng)16位單片機(jī)SPCE061A，并通過SPCE061A實(shí)現(xiàn)對(duì)其他各組成部分的編程控制。

SPCE061A是凌陽(yáng)公司開發(fā)的一種性價(jià)比非常高的16位單片機(jī)。在2.6V～3.6V工作電壓范圍內(nèi)，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(fù)雜的數(shù)字信號(hào)；中斷系統(tǒng)支持10個(gè)中斷向量以及14個(gè)可來(lái)自系統(tǒng)時(shí)鐘、定時(shí)器/計(jì)數(shù)器、時(shí)間基準(zhǔn)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(shí)時(shí)應(yīng)用領(lǐng)域；內(nèi)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(zhuǎn)換器和內(nèi)置麥克風(fēng)放大器與自動(dòng)增益控制AGC功能的單通道聲音A/D轉(zhuǎn)換器，以及具有音頻輸出功能的雙通道10位D/A轉(zhuǎn)換器；SPCE061A采用CMOS制造工藝，同時(shí)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(shí)鐘處于停止?fàn)顟B(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(yùn)算速度的16位×16位的乘法運(yùn)算指令和內(nèi)積運(yùn)算指令，為其應(yīng)用增添了DSP功能，在復(fù)雜的數(shù)字信號(hào)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(shí)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(xùn)練鍵、刪除鍵、確認(rèn)鍵和取消鍵等16個(gè)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(yǔ)音信號(hào)采集部分：通過SPCE061A內(nèi)置麥克風(fēng)放大器與自動(dòng)增益控制AGC功能的單通道聲音A/D轉(zhuǎn)換器完成8kHz語(yǔ)音信號(hào)采集。

（3）FLASH存儲(chǔ)擴(kuò)展部分：用于存儲(chǔ)說話人的個(gè)性特征參數(shù)參考模板。

（4）揚(yáng)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(zhuǎn)換器完成用戶訓(xùn)練、識(shí)別等各種操作的語(yǔ)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(jī)。

（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(shí)際需要可選。

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

說話人識(shí)別模塊有三種工作模式：訓(xùn)練模式、認(rèn)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(xùn)練模式，說話人的聲音通過麥克風(fēng)進(jìn)入語(yǔ)音信號(hào)采集前端電路。第一次語(yǔ)音輸入時(shí)，由16位單片機(jī)SPCE061A對(duì)采集的語(yǔ)音信號(hào)進(jìn)行處理，提取說話人的個(gè)性特征參數(shù)，并存儲(chǔ)到外擴(kuò)的FLASH內(nèi)，形成說話人特征參數(shù)模板?？梢赃M(jìn)行三次訓(xùn)練，第二語(yǔ)音輸入時(shí)，提取的個(gè)數(shù)特征參數(shù)與由第一次語(yǔ)音輸入形成的特征參數(shù)模板進(jìn)行匹配，在匹配距離小于模板更新閾值時(shí)，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(yǔ)音輸入時(shí)，提取的個(gè)性特征參數(shù)與由第一、二次語(yǔ)音輸入形成的特征參數(shù)模板進(jìn)行匹配，在匹配距離小于模板更新閾值時(shí)，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(rèn)證模式，同樣通過麥克風(fēng)錄入說話人的聲音，再由SPCE061A對(duì)采集的語(yǔ)音信號(hào)進(jìn)行處理，將提取的說話人特征參數(shù)與存儲(chǔ)在外擴(kuò)FLASH內(nèi)的特征參數(shù)模板進(jìn)行匹配，匹配距離小于認(rèn)證閾值時(shí)，通過認(rèn)證；然后再判斷匹配距離是否小于認(rèn)證模式下的模板更新閾值，決定是否對(duì)模板進(jìn)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(shí)改變的情況下，可以采用長(zhǎng)密碼方式進(jìn)行認(rèn)證，以免因?yàn)榉浅Ｔ虮痪苤T外。

另外，每個(gè)用戶都有一個(gè)短密碼（用戶可自行修改），無(wú)論在訓(xùn)練模式還是認(rèn)證模式都要輸入此密碼，以形成或找到與該用戶相對(duì)應(yīng)的特征參數(shù)模板。系統(tǒng)還設(shè)置一個(gè)具有長(zhǎng)密碼的超級(jí)管理員用戶，可以通過鍵盤對(duì)用戶模板進(jìn)行添加或刪除。

3 實(shí)驗(yàn)結(jié)果

對(duì)于說話人確認(rèn)系統(tǒng)，表征其性能的最重要的兩個(gè)參量是拒識(shí)率和誤識(shí)率。前者是拒絕真實(shí)的說話人而造成的錯(cuò)誤，后者是接受假冒者而造成的錯(cuò)誤，二者與匹配閾值的設(shè)定相關(guān)。匹配閾值的設(shè)定與語(yǔ)音鎖系統(tǒng)的應(yīng)用場(chǎng)合、功能側(cè)重有關(guān)，對(duì)于家庭、賓館等門鎖用戶，要求誤識(shí)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(shí)率。表1是對(duì)以下每種情況各進(jìn)行100次實(shí)時(shí)匹配的結(jié)果，其中設(shè)定的閾值適合門鎖用戶。

表1 100次實(shí)時(shí)匹配結(jié)果

由以上實(shí)驗(yàn)結(jié)果可知，對(duì)于同一個(gè)人相同發(fā)送的拒識(shí)率為8%；對(duì)于同一個(gè)人相似發(fā)音情況，因?yàn)橄到y(tǒng)是對(duì)說話的人進(jìn)行判別，對(duì)于這種情況，無(wú)論拒絕或接受都是合理的；對(duì)于同一個(gè)人不同發(fā)音和不同人發(fā)音的情況，誤識(shí)率為零。使用錄音機(jī)進(jìn)行多次實(shí)驗(yàn)，通過認(rèn)證的次數(shù)為零。對(duì)于門鎖用戶，這個(gè)結(jié)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(shí)現(xiàn)。

聲紋識(shí)別與其他生物識(shí)別技術(shù)相比，除具有不會(huì)遺失和忘記、不需記憶、使用方便等優(yōu)點(diǎn)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(wú)任何心理障礙；聲音輸入設(shè)備造價(jià)低廉，而其他生特識(shí)別技術(shù)的輸入設(shè)備通常造價(jià)昂貴。與利用虹膜、指紋和人臉等技術(shù)的門鎖相比，基于SPCE061A構(gòu)建的語(yǔ)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(diǎn)。經(jīng)大量實(shí)驗(yàn)測(cè)試表明，該系統(tǒng)性能穩(wěn)定、識(shí)別效果好。下一步將進(jìn)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(hào)高于語(yǔ)音信號(hào)時(shí)，該系統(tǒng)將無(wú)法進(jìn)行正確的語(yǔ)音識(shí)別，在背景噪聲處理及其工程實(shí)際上還要進(jìn)一步改進(jìn)。