梅尔频率倒谱系数

✍ dations ◷ 2025-04-26 12:02:53 #信号处理

在声音处理领域中,梅尔频率倒谱(Mel-Frequency Cepstrum)是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换。

梅尔频率倒谱系数 (Mel-Frequency Cepstral Coefficients,MFCCs)就是组成梅尔频率倒谱的系数。它衍生自音讯片段的倒频谱(cepstrum)。倒谱和梅尔频率倒谱的区别在于,梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的,它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这样的非线性表示,可以在多个领域中使声音信号有更好的表示。例如在音讯压缩中。

梅尔频率倒谱系数(MFCC)广泛被应用于语音识别的功能。他们由Davis和Mermelstein在1980年代提出,并在其后持续是最先进的技术之一。在MFCC之前,线性预测系数(LPCS)和线性预测倒谱系数(LPCCs)是自动语音识别的的主流方法。


MFCC通常有以下之过程:

声音信号是连续变化的,为了将连续变化信号简化,我们假设在一个短时间尺度内,音频信号不发生改变。因此将信号以多个采样点集合成一个单位,称为'''讯框'''。一个讯框多为20-40毫秒,如果讯框长度更短,那每个讯框内的采样点将不足以做出可靠的频谱计算,但若长度太长,则每个讯框信号会变化太大。

预强化的目的就是为了消除发声过程中,声带和嘴唇造成的效应,来补偿语音信号受到发音系统所压抑的高频部分。并且能突显高频的共振峰。

由于信号在时域上的变化通常很难看出信号的特性,所以通常透过傅里叶变换将它变换成频域上的能量分布来观察,不同的能量分布,就能代表不同语音的特性。

由于能量频谱中还存在大量的无用讯息,尤其人耳无法分辨高频的频率变化,因此让频谱通过梅尔滤波器。梅尔滤波器,也就是一组20个非线性分布的三角带通滤波器(Triangular Bandpass Filters),能求得每一个滤波器输出的对数能量。必须注意的是:这 20 个三角带通滤波器在'''梅尔刻度'''的频率上是平均分布的。梅尔频率代表一般人耳对于频率的感受度,由此也可以看出人耳对于频率 f 的感受是呈对数变化的。


http://i.stack.imgur.com/YUH48.gif 页面存档备份,存于互联网档案馆


最后的步骤是计算对数滤波器的能量的离散傅里叶反变换,在此相当于离散余弦反变换(IDCT)。值得注意的是,虽然通常的会有24-26个系数,但我们只保留前12个系数。这是因为丢弃高倒频域值的DCT系数,代表一个类似低通滤波器的概念,可以使信号平滑化,能增进语音处理的性能。


在此过程中可以有很多变化,例如,映射时的窗口的形状和间距。 The 欧洲电信标准协会在2000年初定义了一个可以用在移动电话上的标准MFCC算法.


1.对该信号做傅里叶变换
X=FT{x}
2.根据下面公式算出Y
Y = log ( k = f m 1 f m + 1 | X | 2 B m ) {\displaystyle Y=\log \left(\sum _{k=f_{m-1}}^{f_{m+1}}\left|X\right|^{2}B_{m}\right)}

其中 B m {\displaystyle B_{m}} 是梅尔频率倒频谱的遮罩

B m = { 0 for  k < f m 1  and  k > f m + 1 k f m 1 f m f m 1 for  f m 1 k f m f m + 1 k f m + 1 f m for  f m k f m + 1 {\displaystyle B_{m}={\begin{cases}0&{\mbox{for }}k<f_{m-1}{\mbox{ and }}k>f_{m+1}\\{\cfrac {k-f_{m-1}}{f_{m}-f_{m-1}}}&{\mbox{for }}f_{m-1}\leq k\leq f_{m}\\{\cfrac {f_{m+1}-k}{f_{m+1}-f_{m}}}&{\mbox{for }}f_{m}\leq k\leq f_{m+1}\end{cases}}}

3.对Y做IDCT得 c x {\displaystyle c_{x}}
因为Y是偶函数,故用IDCT(反离散余弦变换)取代IDFT(反离散傅里叶变换)
c x = 1 M m = 1 M Y c o s ( π n ( m 1 / 2 ) M ) {\displaystyle c_{x}={\frac {1}{M}}\sum _{m=1}^{M}Ycos\left({\cfrac {\pi n(m-1/2)}{M}}\right)}

与原倒频谱的差异
一.log里面因为使用了sum,故等于0的几率变小
二.避免了相位的问题
三.使用IDCT取代IDFT,减少了运算量
四. B m {\displaystyle B_{m}} 随着频率的增加而增宽,该特性符合人类听觉,更适合用来描述语音特征

MFCC主要作为语音识别系统中的特征,这样的系统可以自动识别语音中的数字内容。MFCC同样也用于说话人识别(英语:Speaker Recognition),该技术尝试通过语音该鉴别说话人。

MFCC也被用于语音信息检索(英语:music information retrieval)领域,如流派分类(genre classification)、音频相似性计算等。


比起倒频谱,梅尔倒频谱更接近人耳对于语音的区别性(因为遮罩 B {\displaystyle B} )
c x , c x , . . . , c x {\displaystyle c_{x},c_{x},...,c_{x}} ,MFCCs的前13项足以描述语音特征

MFCC特征在加性噪声的情况下并不稳定,因此在语音识别系统中通常要对其进行归一化处理(normalise)以降低噪声的影响。一些研究人员对MFCC算法进行修改以提升其强健性,如在进行DCT之前将log-mel-amplitudes提升到一个合适的能量(2到3之间),以此来降低低能量成分的影响.

相关

  • 腾讯音乐娱乐集团腾讯音乐娱乐集团(NASDAQ:TME)简称腾讯音乐,是一家中国在线音乐娱乐平台,是腾讯持股超过50%的子公司。旗下音乐应用软件包括QQ音乐,酷狗音乐,酷我音乐和全民K歌。2016年7月由腾讯旗
  • 大卫·理斯曼大卫·理斯曼(David Riesman,1909年9月22日-2002年5月10日),美国社会学家、律师、教育家。他父亲是宾夕法尼亚医学院教授,早年入哈佛大学攻读生物化学,1931年毕业。之后进入法学院,1
  • 卡尔·伦纳卡尔·伦纳(英语: Karl Renner 帮助·信息,1870年12月14日-1950年12月31日),奥地利政治家、奥地利总理(1918—1920、1945)和奥地利总统(1945—1950),被称为奥地利国父。伦纳出生于奥匈
  • 隐遁暗沙隐遁暗沙,位于华阳礁东南方,属暗沙。但从1862年与1867年调查至今并未正式其存在位置。北纬8度27分,东经112度57分海域内
  • 彼得·威克曼彼得·威克曼博士(英语:Dr. Peter Venkman)是一名出现于“捉鬼敢死队系列”的虚构人物。该角色登场于真人电影《捉鬼敢死队》、《捉鬼敢死队2》与电视动画《捉鬼敢死队(英语:The
  • 诸神之死:叛教者尤里安《诸神之死:叛教者尤里安》(Смерть богов. Юлиан Отступник)是俄国作家梅列日科夫斯基的重要著作基督与反基督三部曲的第一部。内容讲述君士坦提乌斯
  • 刘瑞复 (中国大陆)刘瑞复(1943年-),河北滦南人,北京大学法学院教授、博导,北京大学经济法专业博士学位授予点创办人之一,经济法专业博士生导师组组长,北京大学经济法与比较法研究中心主任,中国商业法研
  • 妘姓妘姓是中文姓氏,是中国最早的姓氏之一。妘姓是祝融八姓之一。周朝的鄅国、夷国、偪阳国都是妘姓。
  • 邓程邓程(1978年10月25日-),出生于山东烟台,已经退役的中国足球运动员,场上司职中场左前卫,职业生涯始终效力于山东鲁能泰山。
  • 金刚 (1976年电影)《金刚》(英语:)是一部1976年的一部美国怪兽惊悚片,由迪诺·德·劳伦提斯制作,导演为约翰·吉勒明。它是1933年经典同名电影的重制版。主演为杰夫·布里吉斯,查尔斯·高汀(英语:Char