[发明专利]一种基于共振峰频率的数字语音感知哈希方法

说明书

本发明公开了一种基于共振峰频率的数字语音感知哈希方法，应用于大数据背景下的语音检索，分别提取能反映说话人音色特征的共振峰频率作为语音段的粗略特征和鲁棒性较强的时域能量差作为语音段的细节特征。匹配过程首先对语音的粗略特征进行匹配，筛选出与目标语音具有相似音色的语音片段，然后对筛选出的具有相似音色的语音进行细节特征匹配，最后获得精确匹配结果。应用于海量语音信号处理时可以省去大量不必要的匹配计算量，匹配效率将明显提高。

技术领域

本发明涉及一种新颖的针对大数据应用背景下如何提高海量语音信号处理效率的语音感知哈希方案。

背景技术

随着“互联网+”时代的到来，移动互联网，云计算，大数据和人工智能飞速发展，人们迫切希望能够直接通过语音与计算机进行交互，这使得语音的大规模存储和处理成为研究热点。感知哈希作为多媒体内容识别、检索、认证等信息服务的技术支撑，将面临如何降低计算复杂度和计算效率两大难题。目前的感知哈希算法主要关注特征提取方法和哈希构造方法的性能好坏，没有考虑在大数据背景下将感知哈希应用于实际中的效率和复杂度。同时语音和音频之间存在很大差异，针对音频的感知哈希方法并不完全适用于语音，所以需要专门针对语音信号的特征设计适用于语音的感知哈希算法。

现有的语音感知哈希算法大多是单独针对时域或频域的特性，选取某种鲁棒性强，区分性好的特征生成感知哈希，常见的主要是基于频域特征构造感知哈希序列，例如梅尔倒谱系数，离散余弦变换，小波变换等。文献“Robust audio hashing based ondiscrete-wavelet transform and non-negative matrix factorisation”(Chen N,WanW,Xiao H，IET Commun.2010,23(9)：1722-1731)提出了基于离散小波变换(DWT)和非负矩阵分解(NMF)的音频鲁棒哈希算法。文献“音频感知哈希算法研究”(焦玉华.哈尔滨工业大学博士学位论文.2009)给出了感知哈希各项性质的数学推导和定义，并提出了用熵率来评价算法区分性和压缩性的联合性能。现有的感知哈希算法虽然性能不断提升，但并没有从大数据应用背景的角度考虑，算法复杂度和实际应用效率之间无法达到平衡。

综上所述，目前的感知哈希算法主要关注特征提取方法和哈希构造方法的性能好坏，没有考虑在大数据背景下将感知哈希应用于实际中的效率和复杂度。同时语音和音频之间存在很大差异，针对音频的感知哈希方法并不完全适用于语音，所以需要专门针对语音信号的特征设计适用于语音的感知哈希算法。针对上述问题提出一种基于共振峰频率和时域能量差的语音感知哈希方案。

发明内容

本发明的目的是针对上述问题提出一种基于共振峰频率和时域能量差的语音感知哈希方案使之克服现有技术的以上不足。其具体手段如下：

一种基于共振峰频率的数字语音感知哈希算法，应用于大数据背景下的语音检索，分别提取能反映说话人音色特征的共振峰频率作为语音段的粗略特征和鲁棒性较强的时域能量差作为语音段的细节特征；将粗略特征和细节特征分别量化为感知哈希，匹配过程通过粗略特征的匹配初步确定目标语音所在的范围，筛选出与目标语音具有相似音色的语音段，然后对筛选出的相似语音片段进行细节特征匹配，最后获得精确匹配结果；包含如下主要步骤：

(1)基于共振峰频率的粗糙感知哈希生成：对语音进行频域分析，利用共振峰能够表征说话人音色特征这一特性，选取语音的共振峰频率作为粗略特征，采用不重叠分帧方法，提取每帧的前k个共振峰，这k个共振峰值分别与对应的k个共振峰频率的平均值进行比较，取差值最小的为每帧的第一共振峰，每帧的第一共振峰值分别与第一共振峰频率的中值进行比较，大于等于中值则当前帧的感知哈希值为1，小于中值则为0，将提取的感知哈希值按分帧的顺序排列，量化为反映语音粗略特征的粗糙感知哈希序列H₁；

(2)细节感知哈希序列的获得：细节感知哈希生成过程采用重叠分帧，计算每帧时域短时能量，相邻帧的短时能量差作为语音的细节特征，并量化为反映语音细节特征的细节感知哈希序列H₂；