語音識(shí)別在微機(jī)器人控制系統(tǒng)中的應(yīng)用

摘要：介紹了一種應(yīng)用于微機(jī)器人控制平臺(tái)的語音識(shí)別算法，可實(shí)現(xiàn)簡(jiǎn)單命令詞語的識(shí)別，控制微機(jī)器人的移動(dòng)。利用K均值分段法，在每次計(jì)算完觀察值最佳狀態(tài)序列后，插入一個(gè)重估過程，隨時(shí)調(diào)整參數(shù)以識(shí)別下一個(gè)句子。實(shí)驗(yàn)結(jié)果表明，這種實(shí)時(shí)學(xué)習(xí)的語音識(shí)剮算法適合嵌入式應(yīng)用。

關(guān)鍵詞：微機(jī)器人語音識(shí)別隱式馬爾可夫模型嵌入式系統(tǒng)

本文基于毫米級(jí)全方位無回轉(zhuǎn)半徑移動(dòng)機(jī)器人課題。微系統(tǒng)配置示意圖如圖1所示。主要由主機(jī)Host(配有圖像采集卡)、兩個(gè)CCD攝像頭(其中一個(gè)為顯微攝像頭)、微移動(dòng)裝配平臺(tái)、微機(jī)器人本體和系統(tǒng)控制電路板等組成。計(jì)算機(jī)和攝像機(jī)組用于觀察微機(jī)器人的方位，控制系統(tǒng)控制微機(jī)器人的移動(dòng)。

本文在系統(tǒng)控制電路中嵌入式實(shí)現(xiàn)語音識(shí)別算法，通過語音控制微機(jī)器人。

微機(jī)器人控制系統(tǒng)的資源有限，控制方法比較復(fù)雜，并且需要有較高的實(shí)時(shí)性，因此本文采用的語音識(shí)別算法必須簡(jiǎn)單、識(shí)別率高、占用系統(tǒng)資源少。

HMM(隱馬爾可夫模型)的適應(yīng)性強(qiáng)、識(shí)別率高，是當(dāng)前語音識(shí)別的主流算法。使用基于HMM非特定人的語音識(shí)別算法雖然借助模板匹配減小了識(shí)別所需的資源，但是前期的模板儲(chǔ)存工作需要大量的計(jì)算和存儲(chǔ)空間，因此移植到嵌入式系統(tǒng)還有一定的難度，所以很多嵌入式應(yīng)用平臺(tái)的訓(xùn)練部分仍在PC機(jī)上實(shí)現(xiàn)。

為了使訓(xùn)練和識(shí)別都在嵌入式系統(tǒng)上實(shí)現(xiàn)，本文給出了一種基于K均值分段HMM模型的實(shí)時(shí)學(xué)習(xí)語音識(shí)別算法，不僅解決了上述問題，而且做到了智能化，實(shí)現(xiàn)了真正意義上的自動(dòng)語音識(shí)別。

1增量K均值分段HMM的算法及實(shí)現(xiàn)

由于語音識(shí)別過程中非特定的因素較多，為了提高識(shí)別的準(zhǔn)確率，針對(duì)本系統(tǒng)的特點(diǎn)，采用動(dòng)態(tài)改變識(shí)別參數(shù)的方法提高系統(tǒng)的識(shí)別率。

訓(xùn)練算法是HMM中運(yùn)算量最大、最復(fù)雜的部分，訓(xùn)練算法的輸出是即將存儲(chǔ)的模型。目前的語音識(shí)別系統(tǒng)大都使用貝斯曼參數(shù)的HMM模型，采取最大似然度算法。這些算法通常是批處理函數(shù)，所有的訓(xùn)練數(shù)據(jù)要在識(shí)別之前訓(xùn)練好并存儲(chǔ)。因此很多嵌入式系統(tǒng)因?yàn)橘Y源有限不能達(dá)到高識(shí)別率和實(shí)時(shí)輸出。

本系統(tǒng)采用了自適應(yīng)增量K均值分段算法。在每次輸入新的語句時(shí)都連續(xù)地計(jì)算而不對(duì)前面的數(shù)據(jù)進(jìn)行存儲(chǔ)，這可以節(jié)約大量的時(shí)間和成本。輸入語句時(shí)由系統(tǒng)的識(shí)別結(jié)果判斷輸入語句的序號(hào)，并對(duì)此語句的參數(shù)動(dòng)態(tài)地修改，真正做到了實(shí)時(shí)學(xué)習(xí)。

K均值分段算法是基于最佳狀態(tài)序列的理論，因此可以采用Viterbi算法得到最佳狀態(tài)序列，從而方便地在線修改系統(tǒng)參數(shù)，使訓(xùn)練的速度大大提高。

為了達(dá)到本系統(tǒng)所需要的功能，對(duì)通常的K均值算法作了一定的改進(jìn)。在系統(tǒng)無人監(jiān)管的情況下，Viterbi解碼計(jì)算出最大相似度的語音模型，根據(jù)這個(gè)假設(shè)計(jì)算分段K均值算法的輸入?yún)?shù)，對(duì)此模型進(jìn)行參數(shù)重估。首先按照HMM模型的狀態(tài)數(shù)進(jìn)行等間隔分段，每個(gè)間隔的數(shù)據(jù)段作為某一狀態(tài)的訓(xùn)練數(shù)據(jù)，計(jì)算模型的初始參數(shù)λ=f(a，A，B)。采用Viterbi的最佳狀態(tài)序列搜索，得到當(dāng)前最佳狀態(tài)序列參數(shù)和重估參數(shù)θ，其中概率密度函數(shù)P(X，S|θ)代替了最大似然度算法中的P(X，θ)，在不同的馬爾科夫狀態(tài)和重估之間跳轉(zhuǎn)?；贙均值算法的參數(shù)重估流程如下：

為了使參數(shù)能更快地收斂，在每幀觀察語音最佳狀態(tài)序列的計(jì)算結(jié)束后，加入一個(gè)重估過程，以求更快地響應(yīng)速度。

可以看到，增量K均值算法的特點(diǎn)為：在每次計(jì)算完觀察值最佳狀態(tài)序列后，插入一個(gè)重估過程。隨時(shí)調(diào)整參數(shù)以識(shí)別下一個(gè)句子。

由于采用混合高斯密度函數(shù)作為輸出概率分布可以達(dá)到較好的識(shí)別效果，因此本文采用M的混合度對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。

對(duì)λ重估，并比較收斂性，最終得到HMM模型參數(shù)訓(xùn)練結(jié)果。

可見，用K均值法在線修改時(shí)，一次數(shù)據(jù)輸入會(huì)有多次重估過程，這使系統(tǒng)使用最近的模型估計(jì)后續(xù)語句的最佳狀態(tài)序列成為可能。但是對(duì)于在線修改參數(shù)要求，快速收斂是很重要的。為了得到更好的Viterbi序列，最佳狀態(tài)序列使用了漸增的算法模型，即快速收斂算法。

語音識(shí)別的具體實(shí)現(xiàn)過程為：數(shù)字語音信號(hào)通過預(yù)處理和特征向量的提取，用戶通過按鍵選擇學(xué)習(xí)或者識(shí)別模式；如果程序進(jìn)入訓(xùn)練過程，即用戶選擇進(jìn)行新詞條的學(xué)習(xí)，則用分段K均值法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練得到模板；如果進(jìn)入識(shí)別模式，則從Flash中調(diào)出聲音特征向量，進(jìn)行HMM算法識(shí)別。在識(shí)別出結(jié)果后，立即將識(shí)別結(jié)果作為正確結(jié)果與前一次的狀態(tài)做比較，得到本詞條更好的模板，同時(shí)通過LED數(shù)字顯示和語音輸出結(jié)果。系統(tǒng)軟件流程如圖2所示。

對(duì)采集到的語音進(jìn)行16kHz、12位量化，并對(duì)數(shù)字語音信號(hào)進(jìn)行預(yù)加重：

L選擇為320個(gè)點(diǎn)，用短時(shí)平均能量和平均過零率判斷起始點(diǎn)，去除不必要的信息。

對(duì)數(shù)據(jù)進(jìn)行FFT運(yùn)算，得到能量譜，通過24通道的帶通濾波輸出X(k)，然后再通過DCT運(yùn)算，提取12個(gè)MFCC系數(shù)和一階二階對(duì)數(shù)能量，提取38個(gè)參數(shù)可以使系統(tǒng)識(shí)別率得到提高。

為了進(jìn)行連接詞識(shí)別，需要由訓(xùn)練數(shù)據(jù)得到單個(gè)詞條的模型。方法為：首先從連接詞中分離出每個(gè)孤立的詞條，然后再進(jìn)行孤立詞條的模型訓(xùn)練。對(duì)于本系統(tǒng)不定長(zhǎng)詞條的情況，每個(gè)詞條需要有一套初始的模型參數(shù)，然后按照分層構(gòu)筑的HMM算法將所有詞串分成孤立的詞條。對(duì)每個(gè)詞條進(jìn)行參數(shù)的重估，判斷是否收斂。如果差異小于某個(gè)域值就判斷為收斂；否則將得到的參數(shù)作為新的初始參數(shù)再進(jìn)行重估，直到收斂。

2實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)采用30個(gè)人(15男，15女)的聲音模型進(jìn)行識(shí)別。首先由10人(5男，5女)對(duì)5個(gè)命令詞(前進(jìn)、后退、左移、右移、快速)分別進(jìn)行初始數(shù)據(jù)訓(xùn)練，每人每詞訓(xùn)練10次，得到訓(xùn)練模板。然后再由這30人隨機(jī)進(jìn)行非特定人語音識(shí)別。采用6狀態(tài)的HMM模型，高斯混合度選為14，得到圖3的實(shí)驗(yàn)結(jié)果。