引 言

從技術(shù)上講,，語(yǔ)音識(shí)別屬于多維模式識(shí)別和智能接口的范疇。它是一項(xiàng)集聲學(xué),、語(yǔ)音學(xué),、計(jì)算機(jī)、信息處理,、人工智能等于一身的綜合技術(shù),，可廣泛應(yīng)用在信息處理、通信和電子系統(tǒng),、自動(dòng)控制等領(lǐng)域,。

國(guó)際上對(duì)語(yǔ)音識(shí)別的研究始于20世紀(jì)50年代。由于語(yǔ)音識(shí)別本身所固有的難度,，人們提出了各種條件下的研究任務(wù),，并有此產(chǎn)生了不同的研究領(lǐng)域。這些領(lǐng)域包括：針對(duì)說(shuō)話(huà)人,，可分為特定說(shuō)話(huà)人語(yǔ)音識(shí)別和非特定說(shuō)話(huà)人語(yǔ)音識(shí)別,；針對(duì)詞匯量,，可劃分為小詞匯量、中詞匯量和大詞匯量的識(shí)別,，按說(shuō)話(huà)方式,，可分為孤立詞識(shí)別和連續(xù)語(yǔ)音等。最簡(jiǎn)單的研究領(lǐng)域是特定說(shuō)話(huà)人,、小詞匯量,、孤立詞的識(shí)別，而最難的研究領(lǐng)域是非特定人,、大詞匯量,、連續(xù)語(yǔ)音識(shí)別。

在進(jìn)入新世紀(jì)之前,，語(yǔ)音識(shí)別技術(shù)大都只在特定行業(yè)或場(chǎng)所中使用或者僅僅停留在實(shí)驗(yàn)室,，處于探索和試驗(yàn)中。最近十年由于消費(fèi)電子行業(yè)的興起和移動(dòng)互聯(lián)網(wǎng)技術(shù)的爆發(fā),。越來(lái)越多的自動(dòng)化和自能化產(chǎn)品走進(jìn)人們的日常生活,。語(yǔ)音識(shí)別技術(shù)也隨之進(jìn)入大眾的視線(xiàn)，并開(kāi)始為更多人所了解和使用,。例如語(yǔ)音門(mén)禁,、智能電視上的語(yǔ)音換臺(tái)、智能手機(jī)上的語(yǔ)音撥號(hào),、語(yǔ)音控制等等,。語(yǔ)音識(shí)別技術(shù)正在由過(guò)去的實(shí)驗(yàn)探索邁入實(shí)用化階段,。我們有理由相信會(huì)有越來(lái)越多的產(chǎn)品用到語(yǔ)音識(shí)別技術(shù),，它與人工智能能技術(shù)的結(jié)合將會(huì)是一個(gè)重要的發(fā)展方向。語(yǔ)音識(shí)別技術(shù)最終會(huì)改變?nèi)伺c機(jī)器之間的交互方式,，使之更加自然,、便捷、輕松,。

本設(shè)計(jì)的孤立詞語(yǔ)音識(shí)別是語(yǔ)音識(shí)別技術(shù)中較為基本的,，算法實(shí)現(xiàn)也較簡(jiǎn)單，適合于在嵌入式平臺(tái)中實(shí)現(xiàn)一些簡(jiǎn)單的語(yǔ)音控制功能,。以往類(lèi)似系統(tǒng)大都基于ARM9,、ARM11、DSP,、SOC等,。這些平臺(tái)系統(tǒng)規(guī)模較大、開(kāi)發(fā)和維護(hù)的難度較大,、成本也相對(duì)較高,。STM32是意法半導(dǎo)體(ST)公司推出的基于ARM Cortex-M3內(nèi)核的高性能單片機(jī),。上市之后，由于其出色的性能,、低廉的價(jià)格,，很快被運(yùn)用到眾多產(chǎn)品中。經(jīng)測(cè)試,，STM32F103VET6單片機(jī)擁有能夠滿(mǎn)足本系統(tǒng)孤立詞語(yǔ)音識(shí)別所需的運(yùn)算和存儲(chǔ)能力,。所以在本系統(tǒng)中采用STM32F103VET6作為主控制器，采集并識(shí)別語(yǔ)音信號(hào),。以低廉的成本,，高效的算法完成了孤立詞語(yǔ)音識(shí)別的設(shè)計(jì)目標(biāo)。本系統(tǒng)主要涉及的內(nèi)容如下述：

語(yǔ)音信號(hào)的采集和前端放大,、防混疊濾波,、模數(shù)轉(zhuǎn)換,。

語(yǔ)音信號(hào)預(yù)處理，包括預(yù)加重、分幀,、加窗。

語(yǔ)音信號(hào)端點(diǎn)檢測(cè),，檢測(cè)輸入信號(hào)中有效語(yǔ)音的起始和結(jié)束點(diǎn)

語(yǔ)音信號(hào)特征提取,。提取有效語(yǔ)音中每幀語(yǔ)音信號(hào)的Mel頻率倒譜系數(shù)(MFCC)系數(shù)。

模板訓(xùn)練,，對(duì)每個(gè)語(yǔ)音指令采集多個(gè)語(yǔ)音樣本,，根據(jù)語(yǔ)音樣本獲取每個(gè)語(yǔ)音指令的特征模板。

特征匹配,，使用動(dòng)態(tài)時(shí)間規(guī)整（DWT）算法計(jì)算輸入語(yǔ)音信號(hào)與各模板的匹配距離,。識(shí)別輸入的語(yǔ)音信號(hào)。

系統(tǒng)硬件電路設(shè)計(jì),，人機(jī)界面設(shè)計(jì),。

第一章 方案論證及選擇

1.1系統(tǒng)設(shè)計(jì)任務(wù)要求

本系統(tǒng)利用單片機(jī)設(shè)計(jì)了一個(gè)孤立詞語(yǔ)音識(shí)別系統(tǒng)，能夠識(shí)別0~9,、 “上”,、“下”、“左”,、“右”14個(gè)漢語(yǔ)語(yǔ)音指令,。系統(tǒng)通過(guò)觸摸式LCD與用戶(hù)交互。

本設(shè)計(jì)的主要要求如下：

1．采集外部聲音信號(hào),，轉(zhuǎn)換為數(shù)字信號(hào)并存儲(chǔ),。

2．在采集到的聲音信號(hào)中找出有效語(yǔ)音信號(hào)的開(kāi)始和結(jié)束點(diǎn)。

3．分析檢測(cè)到的有效語(yǔ)音,，得出語(yǔ)音信號(hào)特征,。

4．對(duì)每個(gè)待識(shí)別的語(yǔ)音指令,，建立特征模版。

5．比較輸入語(yǔ)音信號(hào)特征與特征模版,，識(shí)別輸入的語(yǔ)音信號(hào)

6．顯示系統(tǒng)操作界面,，并能夠接受用戶(hù)控制。

1.2硬件選擇

1.2.1 硬件方案總體介紹

系統(tǒng)硬件由音頻放大模塊,、MCU,、觸摸屏、電源四部分組成,。音頻放大模塊完成對(duì)外部聲音信號(hào)的采集和放大,。將聲音信號(hào)轉(zhuǎn)化為電信號(hào)，并放大到0~3V,。MCU的ADC參考電壓為其電源電壓3.3V,。音頻放大模塊的輸出信號(hào)不超出MCU ADC的電壓范圍，并且能夠獲得最大的量化精度,。MCU對(duì)音頻放大模塊輸入的聲音信號(hào)進(jìn)行AD轉(zhuǎn)換,。然后提取并識(shí)別信號(hào)特征。另外,，MCU還控制觸摸屏的顯示和讀取觸摸屏點(diǎn)擊位置,。觸摸屏負(fù)責(zé)顯示操作界面，并接收用戶(hù)操作,。電源為電池供電,。

系統(tǒng)硬件結(jié)構(gòu)圖如圖1.1所示。

圖1.1系統(tǒng)硬件總體結(jié)構(gòu)圖

1.2.2 MCU選擇

傳統(tǒng)上孤立詞語(yǔ)音識(shí)別多采用語(yǔ)音識(shí)別專(zhuān)用芯片,，例如凌陽(yáng)SPCE061A,、LD3320等。此種方案設(shè)計(jì)簡(jiǎn)單,，開(kāi)發(fā)周期較短,，但可拓展性較差，一般只能識(shí)別特定的語(yǔ)音,，或者識(shí)別語(yǔ)音指令的個(gè)數(shù)有限制。且專(zhuān)用芯片價(jià)格一般相對(duì)較高,，對(duì)系統(tǒng)成本控制不利,。

STM32F103VET6是意法半導(dǎo)體（ST）推出的高性能32位Cortex-M3內(nèi)核單片機(jī)，帶有ADC,、DAC,、USB、CAN,、SDIO,、USART,、SPI、IIC,、FSMC,、RTC、TIM,、GPIO,、DMA等大量片上外設(shè)。Cortex-M3內(nèi)核屬于ARM公司推出的最新架構(gòu)ARMv7中的M系列,，側(cè)重于低成本,、低功耗、高性能,。其最高主頻可達(dá)72MHz,， 1.25 DMIPS/MHz的運(yùn)算能力，三級(jí)流水線(xiàn)另加分支預(yù)測(cè),，并且還帶有單周期乘法器和硬件除法器,。相比較ARM7TDMI內(nèi)核，Cortex-M3在性能上有較大的提升,。

STM32F103VET6內(nèi)置3個(gè)一共21通道的12位ADC,，采樣頻率最高可達(dá)1MHz。12通道DMA控制器,，可訪(fǎng)問(wèn)系統(tǒng)Flash,、SRAM、片上外設(shè),，能夠處理內(nèi)存到外設(shè),、外設(shè)到內(nèi)存的DMA請(qǐng)求。11個(gè)16位定時(shí)器,，其中T1,、T2、T3,、T4,、T5、T8可連接到ADC控制器,，在每次定時(shí)器捕獲/比較事件到來(lái)時(shí)自動(dòng)觸發(fā)ADC開(kāi)始一次A/D轉(zhuǎn)換,。A/D轉(zhuǎn)換完成后可自動(dòng)觸發(fā)DMA控制器將轉(zhuǎn)換后的數(shù)據(jù)依次傳送至SRAM的數(shù)據(jù)緩沖區(qū)。因此STM32F103VET6能夠進(jìn)行精確且高效的A/D轉(zhuǎn)換,。能夠滿(mǎn)足音頻信號(hào)采集的需求,。

STM32F103VET6的FSMC(Flexible Static Memory Controller，可變靜態(tài)存儲(chǔ)控制器)能夠根據(jù)不同的外部存儲(chǔ)器類(lèi)型,，發(fā)出相應(yīng)的數(shù)據(jù)/地址/控制信號(hào)類(lèi)型以匹配信號(hào)的速度,。FSMC連接至LCD控制器,，可將LCD控制器配置為外部NOR Flash。在系統(tǒng)需要訪(fǎng)問(wèn)LCD時(shí),，自動(dòng)生成滿(mǎn)足LCD控制器要求的讀寫(xiě)時(shí)序,，能夠精確、快速地完成對(duì)LCD界面顯示的控制,。內(nèi)置3個(gè)最高可達(dá)18Mbit/s的SPI控制器,，與觸摸屏控制器相連能夠?qū)崿F(xiàn)觸摸屏點(diǎn)擊位置檢測(cè)。

本系統(tǒng)中采集一個(gè)漢語(yǔ)語(yǔ)音指令,。錄音時(shí)間長(zhǎng)度2s,，以8KHz 16bit采樣率對(duì)語(yǔ)音進(jìn)行采集，所需存儲(chǔ)空間為32KB,，另外加上語(yǔ)音處理,、特征提取及特征匹配等中間步驟所需RAM空間不會(huì)超過(guò)64KB。而STM32F103VET6帶有512KB Flash和64KB RAM,。所以STM32F103VET6在程序空間上能夠滿(mǎn)足,。語(yǔ)音識(shí)別中最耗時(shí)的部分是特征提取中的快速傅立葉變換換。一般來(lái)說(shuō),，孤立詞語(yǔ)音識(shí)別中有效語(yǔ)音時(shí)間長(zhǎng)度小于1s,。語(yǔ)音信號(hào)一般10~30ms為一幀，本系統(tǒng)中按20ms一幀,，幀移（相鄰兩幀的重疊部分）10ms,，這樣一個(gè)語(yǔ)音指令不超過(guò)100幀。在8KHz 16bit的采樣率下,，20ms為160采樣點(diǎn) ,。STM32固件庫(kù)所提供的16位、1024點(diǎn)FFT,，在內(nèi)核以72MHz運(yùn)行時(shí)每次運(yùn)算僅需2.138ms,。完成100幀數(shù)據(jù)的FFT所需時(shí)間為213.8ms，加上其他處理所需時(shí)間,，識(shí)別一個(gè)語(yǔ)音指令耗時(shí)不會(huì)超過(guò)0.5s,。所以在程序運(yùn)行時(shí)間上STM32F103VET6也能夠滿(mǎn)足需要，能夠進(jìn)行實(shí)時(shí)的孤立詞語(yǔ)音識(shí)別,。

基于以上論證,，本系統(tǒng)選用STM32F103VET6作為主控MCU。

1.2.3音頻信號(hào)采集方案選擇

音頻信號(hào)采集多采用音頻編解碼芯片,，例如UDA1341、VS1003等,。此類(lèi)芯片能夠提供豐富的功能,，且系統(tǒng)一致性較好,，但它們成本較高。本系統(tǒng)是一個(gè)低成本解決方案,，并且只需要采集音頻信號(hào),。因此不宜采用那些專(zhuān)用的音頻編解碼芯片。

在本系統(tǒng)的音頻放大模塊中使用小型話(huà)筒完成聲電信號(hào)轉(zhuǎn)換,，兩個(gè)9014三極管構(gòu)成兩級(jí)共基極放大電路,。在每一級(jí)中加電壓負(fù)反饋，穩(wěn)定放大倍數(shù),。

語(yǔ)音信號(hào)的頻帶為300~3400Hz,，根據(jù)抽樣定理，抽樣頻率設(shè)為8000Hz就足以完成對(duì)語(yǔ)音信號(hào)的采集,。在本系統(tǒng)中TIM1被設(shè)置為ADC觸發(fā)信號(hào)源,。TIM時(shí)鐘源為系統(tǒng)時(shí)鐘72MHz。經(jīng)100分頻,，變?yōu)?20KHz,。計(jì)數(shù)模式為向上遞增，自動(dòng)重載值為90,，即計(jì)數(shù)值從0遞增到90再返回0,。比較匹配值設(shè)為0~90間任意一個(gè)數(shù)值 ，則每秒可發(fā)出8000次比較匹配事件,。ADC每秒完成8000次A/D轉(zhuǎn)換,，即抽樣頻率為8KHz。

1.2.4顯示及操作界面選擇

觸摸屏作為一種新的輸入設(shè)備,，它是目前最簡(jiǎn)單,、方便、自然的一種人機(jī)交互方式,。LCD觸摸屏是一種可接收觸摸點(diǎn)擊輸入信號(hào)的感應(yīng)式液晶顯示裝置,。當(dāng)接觸或點(diǎn)擊屏幕時(shí)，觸摸控制器可讀取觸摸點(diǎn)位置,，如此可通過(guò)屏幕直接接受用戶(hù)的操作,。相比較機(jī)械式按鈕，觸摸屏在操作上更加直觀(guān)生動(dòng),。綜合考慮,，本設(shè)計(jì)中采用2.5寸240×320分辨率的LCD觸摸屏實(shí)現(xiàn)界面顯示和操作。

1.3算法選擇

1.3.1軟件算法總體介紹

對(duì)采集到的音頻信號(hào)進(jìn)行預(yù)處理,、端點(diǎn)檢測(cè),、特征提取、模板訓(xùn)練、特征匹配的一些列處理,，最終識(shí)別輸入語(yǔ)音,。

系統(tǒng)軟件流程圖如下圖所示。

1.3.2預(yù)處理算法選擇

語(yǔ)音信號(hào)的預(yù)處理主要包括： ADC,、分幀,、數(shù)據(jù)加窗、預(yù)加重,。

語(yǔ)音信號(hào)的頻率范圍通常取100Hz~3400Hz,，因?yàn)檫@個(gè)頻段包含絕大部分的語(yǔ)音信息，對(duì)語(yǔ)音識(shí)別的意義最大,。根據(jù)采樣定律,，要不失真地對(duì)3400Hz的信號(hào)進(jìn)行采樣，需要的最低采樣率是6800Hz,。為了提高精度,，常用的A／D采樣率在8kHz到12kHz。

語(yǔ)音信號(hào)有一個(gè)重要的特性：短時(shí)性,。由于人在說(shuō)話(huà)中,，清音與濁音交替出現(xiàn)，并且每種音通常只延續(xù)很短的一段時(shí)間,。因此,，從波形上看，語(yǔ)音信號(hào)具有很強(qiáng)的“時(shí)變特性”,。在濁音段落中它有很強(qiáng)的周期性,，在清音段落中又具有噪聲特性，而且濁音和清音的特征也在不斷變化之中,。如圖1.4所示,，其特性是隨時(shí)間變化的，所以它是一個(gè)非穩(wěn)態(tài)過(guò)程,。但從另一方面看,，由于語(yǔ)音的形成過(guò)程是與發(fā)音器官的運(yùn)動(dòng)密切相關(guān)的，這種物理性的運(yùn)動(dòng)比起聲音振動(dòng)速度來(lái)說(shuō)是緩慢的（如圖1.5所示）,。因此在一個(gè)短時(shí)間范圍內(nèi),，其特性變化很小或保持不變，可以將其看做一個(gè)準(zhǔn)穩(wěn)態(tài)過(guò)程,。我們可以用平穩(wěn)過(guò)程的分析處理方法來(lái)分析處理語(yǔ)音信號(hào),。

圖1.4 語(yǔ)音“7”的時(shí)域波形

圖1.5 語(yǔ)音“7”清音段和濁音段的20ms短時(shí)波形

基于以上考慮，對(duì)語(yǔ)音信號(hào)的分析處理必須采用短時(shí)分析法,，也就是分幀,。語(yǔ)音信號(hào)通常在10ms~30ms之間保持相對(duì)平穩(wěn),。在本設(shè)計(jì)中，每幀取20ms,。為了使前后幀之間保持平滑過(guò)渡,，幀移10ms,，即前后幀之間交疊10ms,。

為了便于后續(xù)語(yǔ)音處理，需對(duì)分幀后的信號(hào)加窗,。加窗方式如式(1-1),。

      (1-1)

式中Y(n)是加窗后的信號(hào)，y(n)是輸入信號(hào),，w(n)是窗函數(shù),，N是幀長(zhǎng)。

窗函數(shù)可以選擇矩形窗,，即

  (1-2)

圖1.6 矩形窗時(shí)域,、頻域示意圖

或其他形式窗函數(shù)，如漢明窗

  (1-3)

圖1.7 漢明窗時(shí)域,、頻域示意圖

這些窗函數(shù)的頻率響應(yīng)都具有低通特性,，但不同的窗函數(shù)形狀將影響分幀后短時(shí)特征的特性。圖1.7和圖1.8分別給出了160點(diǎn)矩形窗和漢明窗的時(shí)域和頻域示意圖,。從圖中可以看出漢明窗的帶寬大約是同樣寬度矩形窗帶寬的兩倍,。同時(shí)，在通帶外漢明窗的衰減比矩形窗大得多,。矩形窗的主瓣較小,，旁瓣較高；而漢明窗具有最寬的主瓣寬度和最低的旁瓣高度,。

對(duì)語(yǔ)音信號(hào)分析來(lái)說(shuō),，窗函數(shù)的形狀是非常重要的，矩形窗的譜平滑性較好,，但波形細(xì)節(jié)易丟失,，并且矩形窗會(huì)產(chǎn)生泄露現(xiàn)象。而漢明窗可以有效地克服泄露現(xiàn)象,，應(yīng)用范圍也最為廣泛,。基于以上論述,，本設(shè)計(jì)選用漢明窗作為窗函數(shù),。圖1.9和圖1.10分別給出了一幀濁音加矩形窗和漢明窗后的時(shí)域和頻域效果。

圖1.8 加矩形窗

圖1.9 加漢明窗

由于人的發(fā)聲器官的固有特性,，語(yǔ)音從嘴唇輻射將有6dB／倍頻的衰減,。此種效應(yīng)主要表現(xiàn)在高頻信息的損失，對(duì)語(yǔ)音信號(hào)的特征提取會(huì)造成不利的影響。因此,，必須對(duì)信號(hào)進(jìn)行高頻提升,，即對(duì)信號(hào)進(jìn)行高頻的補(bǔ)償，使得信號(hào)頻譜平坦化,，以便于進(jìn)行頻譜分析或聲道參數(shù)分析,。預(yù)加重可以用具有6dB/倍頻提升高頻特性的預(yù)加重?cái)?shù)字濾波器實(shí)現(xiàn)。預(yù)加重濾波器一般是一階的,，其系統(tǒng)函數(shù)和差分方程如式(1-4)

     (1-4)

其中y(n)為提升后的輸出值,，x(n)和x(n-1)分別為當(dāng)前時(shí)刻和前一時(shí)刻的輸入值。u接近于1,，典型取值在0.94~0.97之間,。本設(shè)計(jì)取0.95。預(yù)加重效果如圖1.11所示,。

圖1.10 預(yù)加重效果圖

1.3.3端點(diǎn)檢測(cè)算法選擇

語(yǔ)音端點(diǎn)檢測(cè)(VAD),，也稱(chēng)為語(yǔ)音活動(dòng)性檢測(cè)，主要應(yīng)用在語(yǔ)音處理中的語(yǔ)音編解碼,，語(yǔ)音識(shí)別及單信道語(yǔ)音增強(qiáng)等領(lǐng)域,。語(yǔ)音端點(diǎn)檢測(cè)的基本方法可以用一句話(huà)來(lái)表達(dá)：從輸入信號(hào)中提取一個(gè)或一系列的對(duì)比特征參數(shù)，然后將其和一個(gè)或一系列的門(mén)限閥值進(jìn)行比較(如圖3-2),。如果超過(guò)門(mén)限則表示當(dāng)前為有音段,；否則表示當(dāng)前為無(wú)音段。門(mén)限閥值通常是根據(jù)無(wú)音段時(shí)的特征確定的,。但是由于語(yǔ)音和環(huán)境噪聲的不斷變化,，使得這一判決過(guò)程變得非常復(fù)雜。通常語(yǔ)音端點(diǎn)檢測(cè)是在語(yǔ)音幀的基礎(chǔ)上進(jìn)行的,，語(yǔ)音幀的長(zhǎng)度在10ms~30ms不等,。一個(gè)好的語(yǔ)音端點(diǎn)檢測(cè)算法必須具有對(duì)各種噪聲的魯棒性，同時(shí)要簡(jiǎn)單,、適應(yīng)性能好,、時(shí)延小、且易于實(shí)時(shí)實(shí)現(xiàn),。

在高信噪比的情況下,，常用的檢測(cè)方法大體上有以下幾種：短時(shí)能量、短時(shí)過(guò)零率,。這些方法都是利用了語(yǔ)音和噪聲的特征參數(shù),，因此判別效果較好。并且它們實(shí)現(xiàn)簡(jiǎn)單,，計(jì)算量相對(duì)較小,，因而得到廣泛的應(yīng)用,。

短時(shí)能量定義如下式：

    (1-6)

式中N為幀長(zhǎng)，E為一幀的短時(shí)能量值,。

短時(shí)能量主要有以下幾個(gè)方面的應(yīng)用：首先短時(shí)能量可以區(qū)分清音和濁音,，因?yàn)闈嵋舻哪芰恳惹逡舻拇蟮枚啵黄浯慰梢杂枚虝r(shí)能量對(duì)有聲段和無(wú)聲段進(jìn)行判定,，以及連字分界等,。短時(shí)能量由于是對(duì)信號(hào)進(jìn)行平方運(yùn)算，因而人為增加了高低信號(hào)之間的差距,。更重要的的是平方運(yùn)算的結(jié)果很大,，容易產(chǎn)生數(shù)據(jù)溢出。解決這些問(wèn)題的簡(jiǎn)單方法是采用短時(shí)平均幅度值來(lái)表示能量的變化,。其定義如下：

    (1-7)

短時(shí)過(guò)零率是語(yǔ)音信號(hào)時(shí)域分析中最簡(jiǎn)單的一種特征，它指每幀內(nèi)信號(hào)通過(guò)零值的次數(shù),，定義如下：

   (1-8)

式中,，sgn(x)是符號(hào)函數(shù)，即

    (1-9)

根據(jù)以上定義,，清音由于類(lèi)似于白噪聲,，所以過(guò)零率較高。濁音的能量集中于低頻段,，所以濁音信號(hào)的短時(shí)過(guò)零率較低,。噪聲的短時(shí)過(guò)零率較高，這主要是因?yàn)檎Z(yǔ)音信號(hào)的能量主要集中在較低的頻率范圍內(nèi),，而噪聲信號(hào)的能量主要集中于較高的頻段,。這樣計(jì)算的短時(shí)過(guò)零率容易受到噪聲干擾。解決這個(gè)問(wèn)題的方法是對(duì)上述定義稍作修改,，即設(shè)置一個(gè)門(mén)限T,，將過(guò)零率的含義修改為跨過(guò)正負(fù)門(mén)限的次數(shù)。修改后的定義如下式：

   (1-10)

這樣計(jì)算的短時(shí)過(guò)零率就有一定的抗干擾能力,，即使存在隨機(jī)噪聲,，只要它不超過(guò)正負(fù)門(mén)限所構(gòu)成的帶，就不會(huì)產(chǎn)生虛假過(guò)零率,。

綜合考慮設(shè)計(jì)需要和系統(tǒng)處理能力,，本設(shè)計(jì)采用短時(shí)幅度值和改進(jìn)后的短時(shí)過(guò)零率判斷語(yǔ)音起始和結(jié)束點(diǎn)。分別為短時(shí)幅度和短時(shí)過(guò)零率設(shè)置門(mén)限值,。每次識(shí)別前,，選定語(yǔ)音段前300ms作為背景噪聲，用以確定這兩個(gè)門(mén)限值,，實(shí)現(xiàn)對(duì)背景噪聲的自適應(yīng),。具體的端點(diǎn)檢測(cè)方法如下,。

判斷語(yǔ)音起始點(diǎn)，要求能夠?yàn)V除突發(fā)性噪聲,。突發(fā)性噪聲可以引起短時(shí)能量或過(guò)零率的數(shù)值很高,，但是往往不能維持足夠長(zhǎng)的時(shí)間，如門(mén)窗的開(kāi)關(guān),，物體的碰撞等引起的噪聲,，這些都可以通過(guò)設(shè)定最短時(shí)間門(mén)限來(lái)判別。超過(guò)兩門(mén)限之一或全部,，并且持續(xù)時(shí)間超過(guò)有效語(yǔ)音最短時(shí)間門(mén)限,，返回最開(kāi)始超過(guò)門(mén)限的時(shí)間點(diǎn)，將其標(biāo)記為有效語(yǔ)音起始點(diǎn),。判斷語(yǔ)音結(jié)束點(diǎn),，要求不能丟棄連詞中間短暫的有可能被噪聲淹沒(méi)的“寂靜段”。這可以通過(guò)設(shè)定無(wú)聲段最長(zhǎng)時(shí)間門(mén)限來(lái)判別,。同時(shí)低于兩門(mén)限,，并且持續(xù)時(shí)間超過(guò)無(wú)聲最長(zhǎng)時(shí)間門(mén)限，返回最開(kāi)始低于門(mén)限的時(shí)間點(diǎn),，將其標(biāo)記為有效語(yǔ)音結(jié)束點(diǎn),。

圖1.12和圖1.13分別給出了上述算法在一般信噪比和低信噪比情況下的端點(diǎn)檢測(cè)效果。從圖中可以看出上述算法能夠適應(yīng)一般的背景噪聲,。在背景噪聲較高時(shí),，上述算法無(wú)法準(zhǔn)確判斷語(yǔ)音起始結(jié)束點(diǎn).但經(jīng)過(guò)試驗(yàn)，當(dāng)信噪比低至圖1.13所示時(shí)時(shí)人耳也很難準(zhǔn)確辨識(shí)語(yǔ)音,。所以上述算法在實(shí)際使用中能夠滿(mǎn)足端點(diǎn)檢測(cè)的需求,。

圖1.11 一般信噪比下的端點(diǎn)檢測(cè)效果

圖1.12 低信噪比下的端點(diǎn)檢測(cè)效果

1.3.4特征提取算法選擇

在語(yǔ)音識(shí)別系統(tǒng)中，模擬語(yǔ)音信號(hào)在完成A／D轉(zhuǎn)換后成為數(shù)字信號(hào),。此時(shí)的語(yǔ)音信號(hào)為時(shí)域的信號(hào),，時(shí)域的信號(hào)難以進(jìn)行分析和處理，而且數(shù)據(jù)量龐大,。通常的做法是對(duì)時(shí)域信號(hào)進(jìn)行變換,，提取其中某種特定的參數(shù)，通過(guò)一些更加能反映語(yǔ)音本質(zhì)特征的參數(shù)來(lái)進(jìn)行語(yǔ)音識(shí)別,。特征提取是識(shí)別過(guò)程中一個(gè)非常重要的環(huán)節(jié),，選取的特征直接影響到識(shí)別的結(jié)果。不同的特征對(duì)不同語(yǔ)音的敏感度也不一樣,，優(yōu)秀的語(yǔ)音特征應(yīng)該對(duì)不同字音距離較大,，而相同字音距離較小。

另外,，特征值的數(shù)目也是一個(gè)重要的問(wèn)題,。在滿(mǎn)足使用要求的情況下,，所使用的特征數(shù)應(yīng)該盡量減少，以減少所涉及的計(jì)算量,。但是過(guò)少的特征有可能無(wú)法恰當(dāng)?shù)拿枋鲈颊Z(yǔ)音,，以致識(shí)別率下降。語(yǔ)音特征的提取方法是整個(gè)語(yǔ)音識(shí)別的基礎(chǔ),，因此受到了廣泛的重視,。通過(guò)近幾十年的發(fā)展，目前語(yǔ)音特征的提取方法主要有以下三類(lèi)：

1.基于線(xiàn)性預(yù)測(cè)分析的提取方法,。這一類(lèi)的典型代表是線(xiàn)性預(yù)測(cè)倒譜系數(shù)LPCC,。

2.基于頻譜分析的提取方法。這一類(lèi)的典型代表是Mel頻率倒譜系數(shù)MFCC,。

3.基于其它數(shù)字信號(hào)處理技術(shù)的特征分析方法,。如小波分析、時(shí)頻分析,、人工神經(jīng)網(wǎng)絡(luò)分析等,。

目前的孤立詞語(yǔ)音識(shí)別系統(tǒng)大多采用前兩種語(yǔ)音特征提取方法。在本文中,，借鑒前人對(duì)LPCC系數(shù)和MFCC系數(shù)的總結(jié)對(duì)比，采用Mel頻標(biāo)倒譜系數(shù)MFCC,。

人類(lèi)的耳蝸實(shí)質(zhì)上相當(dāng)于一個(gè)濾波器組,，耳蝸的濾波作用在1000Hz以下為線(xiàn)性尺度，而1000Hz以上為對(duì)數(shù)尺度,，這就使得人耳對(duì)低頻信號(hào)的分辨率高于對(duì)高頻信號(hào)的分辨率,。根據(jù)這一特性，研究者根據(jù)心理學(xué)實(shí)驗(yàn)得到了類(lèi)似于耳蝸?zhàn)饔玫囊唤M濾波器組,，這就是Mel頻率濾波器組,。Mel頻率可以用如下公式表示：

   (1-11)

圖1.13 Mel頻率與實(shí)際頻率的對(duì)應(yīng)關(guān)系

對(duì)頻率軸的不均勻劃分是MFCC特征區(qū)別于普通倒譜特征的最重要特點(diǎn)。將頻率按照式(1-11)和圖1.13變換到Mel域后,，Mel帶通濾波器組的中心頻率是按照Mel頻率刻度均勻排列的,。在本設(shè)計(jì)中，MFCC倒譜系數(shù)的計(jì)算過(guò)程如下述,。

1.對(duì)語(yǔ)音信號(hào)預(yù)加重,、分幀、加漢明窗處理,，然后進(jìn)行短時(shí)傅里葉變換,，得出頻譜。

2.取頻譜平方,，得能量譜,。并用24個(gè)Mel三角帶通濾波器進(jìn)行濾波,；由于每個(gè)頻帶的分量在人耳中是疊加的，因此將每個(gè)濾波器頻帶內(nèi)的能量進(jìn)行疊加,，輸出Mel功率譜,。

3.對(duì)每個(gè)濾波器的輸出值取對(duì)數(shù)，得到相應(yīng)頻帶的對(duì)數(shù)功率譜,。然后對(duì)24個(gè)對(duì)數(shù)功率進(jìn)行反離散余弦變換得到12個(gè)MFCC系數(shù),，反離散余弦變換如式(1-12)，式中M=24,，L=12,。

   (1-12)

在本設(shè)計(jì)中采集語(yǔ)音信號(hào)的抽樣頻率是8000Hz，頻率范圍是0Hz~4000Hz,。在此頻率范圍內(nèi)的Mel三角帶通濾波器組如下圖所示：

圖1.14 Mel三角濾波器組

與LPCC參數(shù)相比,，MFCC參數(shù)具有以下優(yōu)點(diǎn)：

1．語(yǔ)音的信息大多集中在低頻部分，而高頻部分易受環(huán)境噪聲干擾,。MFCC參數(shù)將線(xiàn)性頻標(biāo)轉(zhuǎn)化為Mel頻標(biāo),。強(qiáng)調(diào)語(yǔ)音的低頻信息，從而突出了有利于識(shí)別的信息,，屏蔽了噪聲的干擾,。

2．MFCC參數(shù)沒(méi)有任何前提假設(shè)，在各種情況下均可使用,。而LPCC參數(shù)需要假定所處理的信號(hào)為AR信號(hào),，對(duì)于動(dòng)態(tài)特性較強(qiáng)的輔音，這個(gè)假設(shè)并不是嚴(yán)格成立的,。

因此,，MFCC參數(shù)的抗噪聲特性是優(yōu)于LPCC參數(shù)的。在本設(shè)計(jì)中,，采用的語(yǔ)音特征參數(shù)均為MFCC參數(shù),。

1.3.5特征匹配算法選擇

要建立一個(gè)性能良好的語(yǔ)音識(shí)別系統(tǒng)僅有好的語(yǔ)音特征還不夠，還要有適當(dāng)?shù)恼Z(yǔ)音識(shí)別的模型和算法,。在現(xiàn)階段,，語(yǔ)音識(shí)別的過(guò)程是根據(jù)模式匹配的原則，計(jì)算未知語(yǔ)音模式與語(yǔ)音模板庫(kù)中的每一個(gè)模板的距離測(cè)度,，從而得到最佳的匹配模式,。目前，語(yǔ)音識(shí)別所應(yīng)用的模型匹配方法主要有動(dòng)態(tài)時(shí)間彎折(DTW：Dynamic Time Warping),、隱馬爾可夫模型(HMM：Hidden Markov Model)和人工神經(jīng)網(wǎng)絡(luò)(ANN：Artificial Neural Networks)等,。當(dāng)今孤立詞識(shí)別領(lǐng)域最常用的識(shí)別算法是DTW和HMM。

DTW算法是較早的一種模式匹配和模型訓(xùn)練技術(shù),，它應(yīng)用動(dòng)態(tài)規(guī)劃的方法成功解決了語(yǔ)音信號(hào)特征參數(shù)序列比較時(shí)時(shí)長(zhǎng)不等的難題,，在孤立詞語(yǔ)音識(shí)別中獲得了良好的性能,。DTW算法是建立在動(dòng)態(tài)規(guī)劃(DP：Dynamic Programming)的理論基礎(chǔ)上的。動(dòng)態(tài)規(guī)劃是一個(gè)很有效的方法來(lái)求取一個(gè)問(wèn)題的最佳解,。其中心思想簡(jiǎn)單的說(shuō)可以描述為：在一條最佳的路徑上,，其中任意一條子路徑也都必須是相關(guān)子問(wèn)題的最佳路徑，否則原路徑就不是最佳路徑,。

HMM算法是數(shù)學(xué)上一類(lèi)重要的雙重隨機(jī)模型,，用概率統(tǒng)計(jì)的方法描述時(shí)變語(yǔ)音信號(hào)，很好的描述了語(yǔ)音信號(hào)的整體非平穩(wěn)性和局部平穩(wěn)性,。HMM的各狀態(tài)對(duì)應(yīng)語(yǔ)音信號(hào)的各平穩(wěn)段,，各狀態(tài)之間以一定轉(zhuǎn)移概率相聯(lián)系，是一種較為理想的語(yǔ)音模型,。HMM模型屬于統(tǒng)計(jì)語(yǔ)音識(shí)別,，適用于大詞匯量、非特定人的語(yǔ)音識(shí)別系統(tǒng),。隨著現(xiàn)代計(jì)算機(jī)技術(shù)的迅猛發(fā)展,，計(jì)算機(jī)的運(yùn)算速度迅速提高，隱馬爾科夫模型分析方法也得到了廣泛利用,。該算法在識(shí)別階段計(jì)算量較少,，適應(yīng)性強(qiáng)，但是需要大量的前期訓(xùn)練工作,，對(duì)系統(tǒng)資源的要求較多,。

用于孤立詞識(shí)別，DTW算法與HMM算法在相同的環(huán)境條件下,，識(shí)別效果相差不大，但是HMM算法要復(fù)雜得多,，這主要體現(xiàn)在HMM算法在訓(xùn)練階段需要提供大量的語(yǔ)音數(shù)據(jù),，通過(guò)反復(fù)計(jì)算才能得到模型參數(shù)，而DTW算法的訓(xùn)練中幾乎不需要額外的計(jì)算,。所以在孤立詞語(yǔ)音識(shí)別中,，DTW算法得到更廣泛的應(yīng)用。

綜合比較DTW算法的工作量小,，不需要大量的語(yǔ)音數(shù)據(jù),，而且DTW算法適合孤立詞語(yǔ)音識(shí)別，且容易實(shí)現(xiàn),，節(jié)省系統(tǒng)資源,，比較方便移植到嵌入式系統(tǒng)中。所以本系統(tǒng)選擇DTW算法作為語(yǔ)音識(shí)別的核心算法,。下面介紹DTW算法及其實(shí)現(xiàn)方法,。

假設(shè)參考模板的特征矢量序列為,輸入語(yǔ)音特征矢量序列為,輸入語(yǔ)音特征矢量序列為,。DTW算法就是要尋找一個(gè)最佳的時(shí)間規(guī)整函數(shù)，使待測(cè)語(yǔ)音的時(shí)間軸j非線(xiàn)性地映射到參考模板的時(shí)間軸i上,，使總的累積失真量最小,。

設(shè)時(shí)間規(guī)整函數(shù)為

          (1-13)

式中N為匹配路徑長(zhǎng)度，表示第n個(gè)匹配點(diǎn)是參考模板的第i(n)個(gè)特征矢量與待測(cè)模板的第j(n)個(gè)特征矢量構(gòu)成,。兩者之間的距離稱(chēng)為局部匹配距離,。DTW算法就是通過(guò)局部?jī)?yōu)化的方法實(shí)現(xiàn)匹配距離總和最小。

一般時(shí)間規(guī)整函數(shù)滿(mǎn)足一下約束：

1.單調(diào)性,，規(guī)整函數(shù)單調(diào)增加,。

2.起點(diǎn)終點(diǎn)約束，起點(diǎn)對(duì)起點(diǎn),，終點(diǎn)對(duì)終點(diǎn),。

3.連續(xù)性，不允許跳過(guò)任何一點(diǎn),。

4.最大規(guī)整量不超過(guò)某一極限值,。,M為窗寬。規(guī)整函數(shù)所處的區(qū)域位于平行四邊形內(nèi),，本設(shè)計(jì)中將平行四邊形的約束區(qū)域端點(diǎn)放寬3點(diǎn),。局部路徑約束，用于限制當(dāng)?shù)趎步時(shí),，后幾步存在幾種可能的路徑,。本設(shè)計(jì)中DTW規(guī)整區(qū)域和局部路徑如圖1.16、圖1.17所示,。

圖1.15 放寬端點(diǎn)限制的DTW規(guī)整區(qū)域

圖1.16 DTW局部路徑

本設(shè)計(jì)中DTW算法計(jì)算步驟：

1.初始化,。令i(0)=j(0)=0，i(N)=I,，j(N)=J,，確定一個(gè)如圖1.16所示的規(guī)整約束區(qū)域Reg。它由一平行四邊形變化而來(lái),。此平行四邊形有兩個(gè)位于(1,1)和(I,J)的頂點(diǎn),，相鄰兩條邊的斜率分別為2和1/2。

2.按照如圖1.17所示的路徑遞推求累計(jì)匹配距離,。第n步匹配距離如下式

    (1-14)

3.累計(jì)匹配距離除匹配步數(shù),，得歸一化匹配距離。即輸入特征與特征模板之間的匹配距離,。計(jì)算輸入特征與每一特征模板的匹配距離,，匹配距離最小的特征模板與輸入特征有最大的相似性。

第二章 系統(tǒng)設(shè)計(jì)

2.1硬件設(shè)計(jì)

2.1.1 MCU及其最小系統(tǒng)電路設(shè)計(jì)

經(jīng)過(guò)第一章的論證，選用意法半導(dǎo)體公司的STM32F103VET6單片機(jī),。

MCU輸入時(shí)鐘由8MHz晶振提供,，經(jīng)MCU內(nèi)部PLL倍頻至72MHz。在每一個(gè)電源引腳上并接0.1uF去耦電容,，以提高M(jìn)CU電源穩(wěn)定性和抗干擾性,。

2.1.2  音頻信號(hào)采集電路設(shè)計(jì)

音頻信號(hào)采集電路原理圖如下

圖2.6 音頻信號(hào)采集原理圖

2.1.3 LCD接口電路設(shè)計(jì)

本設(shè)計(jì)中顯示器件選用2.4英寸TFT LCD顯示屏，LCD驅(qū)動(dòng)器是ILI9325 ,。

Thin Film Transistor (薄膜場(chǎng)效應(yīng)晶體管),，是指液晶顯示器上的每一液晶象素點(diǎn)都是由集成在其后的薄膜晶體管來(lái)驅(qū)動(dòng)。從而可以做到高速度高亮度高對(duì)比度顯示屏幕信息,。

ILI9325 是一個(gè)262144色的單芯片TFT LCD SoC 驅(qū)動(dòng),。 它提供240×320的分辨率, 172,800字節(jié)的圖形數(shù)據(jù)RAM ，并且?guī)в袃?nèi)部電源電路,。它與控制器的接口可設(shè)置為16位并口,、8位并口、SPI接口,。在本設(shè)計(jì)中為了提高顯示數(shù)據(jù)的傳輸速率,，采用了STM32F103VET6的FSMC(可變靜態(tài)存儲(chǔ)控制器)的16位并口作為MCU和ILI9325的接口。將ILI9325的數(shù)據(jù)和控制接口映射為外部存儲(chǔ)器,。MCU傳送控制命令或顯示數(shù)據(jù)時(shí),，自動(dòng)生成相應(yīng)的時(shí)序，避免了傳統(tǒng)上采用IO口模擬時(shí)序,，提高了數(shù)據(jù)傳輸效率,。

2.2軟件設(shè)計(jì)

2.2.1 語(yǔ)音預(yù)處理算法設(shè)計(jì)

語(yǔ)音信號(hào)預(yù)處理包括： 語(yǔ)音信號(hào)采集、分幀,、數(shù)據(jù)加窗,、預(yù)加重。

語(yǔ)音信號(hào)采集就是將外部模擬的語(yǔ)音信號(hào),，轉(zhuǎn)換為MCU可處理和識(shí)別的數(shù)字信號(hào)的過(guò)程,。在本設(shè)計(jì)中，通過(guò)MCU內(nèi)部的定時(shí)器,、模數(shù)轉(zhuǎn)換器以及DMA控制器實(shí)現(xiàn)了對(duì)音頻信號(hào)采集模塊輸入語(yǔ)音信號(hào)的數(shù)字化。其處理流程如下圖所示,。

圖2.9 語(yǔ)音信號(hào)數(shù)字化流程圖

在程序中,，控制語(yǔ)音信號(hào)采集的函數(shù)如下。

分幀就是將采集到的語(yǔ)音數(shù)據(jù)分割成相同長(zhǎng)度的片段，以用于短時(shí)分析,。本設(shè)計(jì)中取20ms即160點(diǎn)為一幀,，幀移10ms即80點(diǎn)。為了適應(yīng)MCU存儲(chǔ)空間有限的實(shí)際情況,，分幀并沒(méi)有被單獨(dú)設(shè)計(jì)和占用單獨(dú)的空間,，而是在讀語(yǔ)音數(shù)據(jù)緩沖區(qū)的時(shí)候按照幀長(zhǎng)幀移的順序依次讀取。

由于端點(diǎn)檢測(cè)屬于時(shí)域分析,，并不需要加窗和預(yù)加重,，所以本設(shè)計(jì)中，分幀和預(yù)加重都加在端點(diǎn)檢測(cè)之后提取MFCC之前,。

2.2.2 端點(diǎn)檢測(cè)算法設(shè)計(jì)

本設(shè)計(jì)采用短時(shí)幅度和短時(shí)過(guò)零率相結(jié)合的端點(diǎn)檢測(cè)算法,。

首先去緩沖區(qū)前300ms作為背景噪聲，提取背景噪聲參數(shù),。用于后續(xù)端點(diǎn)檢測(cè),。背景噪聲參數(shù)由以下結(jié)構(gòu)體定義。

提取函數(shù)為void noise_atap(const u16* noise,u16 n_len,atap_tag* atap),，其提取過(guò)程如下。

圖2.10 背景噪聲參數(shù)提取流程

然后根據(jù)提取到的短時(shí)過(guò)零率和短時(shí)幅度計(jì)算有效語(yǔ)音起始和結(jié)束點(diǎn),。有效語(yǔ)音端點(diǎn)由以下結(jié)構(gòu)體定義,。

端點(diǎn)檢測(cè)函數(shù)為void VAD(const u16 *vc, u16 buf_len, valid_tag *valid_voice, atap_tag *atap_arg)。其流程圖如下,。

圖2.11 端點(diǎn)檢測(cè)流程

2.2.3 特征提取算法設(shè)計(jì)及優(yōu)化

本設(shè)計(jì)選用12階MFCC作為語(yǔ)音特征,。此步是整個(gè)算法流程中最耗時(shí)也是優(yōu)化空間最大的部分。因此,，在程序設(shè)計(jì)中,，沿用經(jīng)典算法的同時(shí)做了大量的針對(duì)STM32嵌入式平臺(tái)的優(yōu)化工作。優(yōu)化的中心思想是：盡量少使用或不使用浮點(diǎn)運(yùn)算,；使用整型數(shù),，其運(yùn)算結(jié)果應(yīng)盡量大以減少舍入噪聲,，但必須保證數(shù)據(jù)不會(huì)溢出；空間換時(shí)間,。

FFT函數(shù)是u32* fft(s16* dat_buf, u16 buf_len),。它封裝了了ST提供的STM32固件庫(kù)里的void cr4_fft_1024_stm32(void *pssOUT, void *pssIN, u16 Nbin)函數(shù)。cr4_fft_1024_stm32()輸入?yún)?shù)是有符號(hào)數(shù),，包括實(shí)數(shù)和虛數(shù),，但語(yǔ)音數(shù)據(jù)只包括實(shí)數(shù)部分，虛數(shù)用0填充,，fft點(diǎn)數(shù)超出輸入數(shù)據(jù)長(zhǎng)度時(shí),，超過(guò)部分用0填充。cr4_fft_1024_stm32()輸出數(shù)據(jù)包括實(shí)數(shù)和虛數(shù),，應(yīng)該取其絕對(duì)值,，即平方和的根。

語(yǔ)音特征用如下結(jié)構(gòu)體定義,。

獲取MFCC的函數(shù)是void get_mfcc(valid_tag *valid, v_ftr_tag *v_ftr, atap_tag *atap_arg),。獲取MFCC的一般步驟在上一章已有論述，在此介紹移植到MCU上需做的優(yōu)化,。

預(yù)加重的高通濾波系數(shù)為0.95,，如果直接使用，則需要進(jìn)行浮點(diǎn)運(yùn)算,，盡量避免,，故使用y(n)=x(n)-x(n-1)×95/100。加漢明窗窗函數(shù)值如果每次都要重新計(jì)算,，則需要進(jìn)行三角函數(shù)運(yùn)算,，耗時(shí)嚴(yán)重，效率低下,。但其數(shù)值是一定的,，因此事先計(jì)算好160點(diǎn)的漢明窗值。存于數(shù)組中const u16 hamm[],，使用時(shí)直接讀取,。FFT函數(shù)直接輸入ADC轉(zhuǎn)換過(guò)的值-2048~2047，其輸出頻譜幅值過(guò)小,，舍入誤差較大,。數(shù)據(jù)輸入前需作放大處理。vc_temp[i]=(s16)(temp*hamm[i]/(hamm_top/10));此句代碼在實(shí)現(xiàn)加窗的同時(shí),，將語(yǔ)音數(shù)據(jù)放大10倍,。Mel三角濾波器的中心頻率和數(shù)值的計(jì)算涉及到對(duì)數(shù)運(yùn)算，不宜直接計(jì)算,，也實(shí)現(xiàn)計(jì)算好的數(shù)值存于Flash中，使用時(shí)直接讀取。還有其他的優(yōu)化措施,，詳見(jiàn)附件代碼,。

void get_mfcc(valid_tag *valid, v_ftr_tag *v_ftr, atap_tag *atap_arg)函數(shù)流程如下。

圖2.12 特征提取流程

2.2.4模板訓(xùn)練算法設(shè)計(jì)

本設(shè)計(jì)模板訓(xùn)練采用冗余模板算法,，即每個(gè)語(yǔ)音指令存儲(chǔ)4個(gè)特征模板,，識(shí)別時(shí)輸入特征分別與每個(gè)特征模板相比較，匹配距離最小的,，就是識(shí)別結(jié)果,。這4個(gè)特征模板存儲(chǔ)于MCU Flash后端，模板訓(xùn)練時(shí),，將模板存于指定的Flash地址,。為了保證保存的特征模板不被擦除或被其他代碼或數(shù)據(jù)占用，需設(shè)置編譯器的地址范圍,。

2.2.5特征匹配算法設(shè)計(jì)

本設(shè)計(jì)特征匹配算法采用 DTW（動(dòng)態(tài)時(shí)間彎折）,。其原理在上一章已有論述，在此不再贅述,。其流程如下,。

圖2.13 特征匹配流程

2.2.6顯示界面設(shè)計(jì)

本設(shè)計(jì)在觸摸式LCD上實(shí)現(xiàn)了簡(jiǎn)單的GUI操作界面。能夠顯示中英文文本框,、按鈕,。

最基本元素為GUI_Area，定義如下,。

在此基礎(chǔ)上實(shí)現(xiàn)了以下函數(shù),。

配合顯示界面，主函數(shù)流程如下,。

圖2.14 主程序流程

第三章 系統(tǒng)制作及調(diào)試結(jié)果

3.1系統(tǒng)制作與調(diào)試

本系統(tǒng)的制作調(diào)試主要分為Matlab仿真,、硬件調(diào)試、軟件調(diào)試,。

經(jīng)過(guò)初步的分析設(shè)計(jì)后,，Matlab中仿真算法。調(diào)節(jié)算法細(xì)節(jié),，直至能夠較好地實(shí)現(xiàn)所需功能,，再將其移植到MCU平臺(tái)上。在設(shè)計(jì)制作硬件電路的同時(shí),，調(diào)試穿插進(jìn)行,，應(yīng)用系統(tǒng)的硬件調(diào)試和軟件調(diào)試是分不開(kāi)的，許多硬件故障是在調(diào)試軟件時(shí)才發(fā)現(xiàn)的,。但通常是先排除系統(tǒng)中明顯的硬件故障后才和軟件結(jié)合起來(lái)調(diào)試,，如此有利于問(wèn)題的分析和解決,，不會(huì)造成問(wèn)題的積累，從而可以節(jié)約大量的調(diào)試時(shí)間,。軟件編程中,，首先完成單元功能模塊的調(diào)試，然后進(jìn)行系統(tǒng)調(diào)試,，整體上采用硬件調(diào)試的調(diào)試方法,。

3.2制作與調(diào)試結(jié)果

經(jīng)過(guò)制作與調(diào)試，實(shí)現(xiàn)了系統(tǒng)預(yù)設(shè)功能,。實(shí)物圖如下,。

圖3.1 實(shí)物圖 歡迎界面

圖3.2 實(shí)物圖 模板訓(xùn)練界面

圖3.3 實(shí)物圖 語(yǔ)音識(shí)別界面

結(jié) 論

原理樣機(jī)經(jīng)過(guò)設(shè)計(jì)方案論證，設(shè)計(jì)了相應(yīng)的硬件電路和系統(tǒng)軟件,，制作了電路原理樣機(jī)并進(jìn)行單機(jī)調(diào)試,，結(jié)果表明，所設(shè)計(jì)的電路和軟件能完成基本的測(cè)試功能,。

采用STM32F103VET6單片機(jī)構(gòu)建語(yǔ)音識(shí)別系統(tǒng),，通過(guò)此系統(tǒng)對(duì)語(yǔ)音信號(hào)進(jìn)行采集、前端放大,、AD轉(zhuǎn)換,、預(yù)處理、MFCC特征提取,、模板訓(xùn)練,、DTW特征匹配的一系列步驟，完成孤立詞語(yǔ)音識(shí)別的預(yù)期目標(biāo),。

本設(shè)計(jì)目前也存在一些不足,，例如語(yǔ)音信號(hào)采集模塊的動(dòng)態(tài)范圍不足，當(dāng)說(shuō)話(huà)聲音較大或較小時(shí),，會(huì)出現(xiàn)無(wú)法識(shí)別的現(xiàn)象,，需加上自動(dòng)增益控制功能。語(yǔ)音識(shí)別時(shí),，錄音控制不方便,，最好能夠改進(jìn)為完全通過(guò)語(yǔ)音控制。特征模板僅僅用12階MFCC略顯不足,，可添加MFCC一階差分,。