梅尔频率倒谱系数

✍ dations ◷ 2025-04-04 11:05:06 #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

  • 唾液腺唾腺(英语:salivary gland;亦称唾液腺、涎腺)是脊椎动物的消化腺之一,位于口腔周围,人类的三大唾腺为腮腺(英语:parotid gland)(parotid gland)、颌下腺(英语:submandibular gland)(submand
  • 姚建铨姚建铨(1939年1月29日-),江苏无锡人,生于上海,中国激光与光电子科学家。1957年由苏州中学考入天津大学精仪系,1965年研究生毕业。现任天津大学教授。1997年当选为中国科学院院士。
  • 马约拉纳粒子马约拉纳费米子(英语:Majorana fermion)是一种费米子,它的反粒子就是它本身,1937年,埃托雷·马约拉纳发表论文假想这种粒子存在,因此而命名。与之相异,狄拉克费米子,指的是反粒子与自
  • 下塔尔波特港下塔尔波特港(英语:Neath Port Talbot,威尔士语:Castell-nedd Port Talbot)是英国威尔士南部的一个郡级自治市,首府为塔尔伯特港,面积共442平方公里,人口为139,800人,28.8%的人使用威
  • 兑悦门坐标:23°00′03″N 120°11′40″E / 23.0007511428658°N 120.194367749974°E / 23.0007511428658; 120.194367749974兑悦门是台南市中西区的国定古迹,因位于正西方而以八
  • 2015年亚美尼亚反电力价格上升示威2015年亚美尼亚反电力价格上升示威,是指亚美尼亚在2015年因电力价格上升而发生的示威活动。这场示威在2015年6月19日由青年组织“不要抢劫”发起,示威者最初在埃里温自由广场
  • 厄鲁乡坐标:57°55′33″N 26°10′44″E / 57.92583°N 26.17889°E / 57.92583; 26.17889厄鲁乡(爱沙尼亚语:Õru vald),是爱沙尼亚的一个乡,位于该国南部,由瓦尔加县负责管辖,首府设于
  • 李安 (明朝)李安,南京凤阳府怀远县(今安徽省怀远县)人,明朝军事人物,安平伯。李远之子。李安继承其父李远的爵位。洪熙元年,担任交阯参将,因失律被贬为事官。之后跟随王通放弃交阯返回,被下狱并
  • 帕特·考克斯帕特·考克斯 (英语:Patrick Cox, 1952年11月28日-),是一位爱尔兰记者,政客,电视新闻主播。1952年出生在都柏林,但是在利默里克长大。先后在利默里克大学和三一学院 (都柏林)受过教
  • 伍长华伍长华(1779年-1840年),字云卿,江苏上元县(今南京)人。嘉庆十九年(1814年)一甲第三名进士。授翰林院编修。官至天津盐运使。伍长华工行、楷书,善画花卉。