[发明专利]一种基于实时人脸辅助的语音端点检测方法

说明书

本发明公开了一种基于实时人脸辅助的语音端点检测方法，具体涉及语音识别技术领域，包括以下步骤：通过实时图像录取设备，获取用户面部的实时影像信息，并将影像信息传输至后台的控制中心，利用图像处理技术，对影像信息进行特征提取，获取影像信息中与用户面部相关的动作帧；提取用户面部特征，根据面部特征，确定数量不同的基准点，利用基准点构建用户的面部动作数据库，每个特定的面部动作由数个基准点组成，将上述获取的动作帧与面部动作数据库中的面部特征进行对比。本发明极大的降低了进行语音端点检测过程中的操作程序，也使进行处理的语音信息总量得到了减少，从而提升了语音端点检测的速率，提高了实用性。

技术领域

本发明涉及语音识别技术领域，更具体地说，本发明涉及一种基于实时人脸辅助的语音端点检测方法。

背景技术

在语音信号处理中，强噪声环境下准确的语音端点检测(VoiceActivityDetection,VAD)对后期的信号处理尤为重要。VAD用于从一段语音信号中检测出语音段的起止点，是语音识别系统中一个关键的预处理步骤，也被广泛应用于语音定位、去噪增强等方面。

端点检测时语音识别的重要环节之一，是其不可或缺的一部分，并且其好坏会直接影响到语音识别的准确率。一个表现好且优秀的端点检测技术，既不能检测过少，也不能检测过多。检测的少了，会使得语音信息丢失，造成漏识别；检测的多了，会使得语音首位包含噪声，在可能造成误识别或多识别的同时也会增加语音识别的实时率。由此可见端点检测对于语音识别的整体流程是至关重要的。

现有的语音的端点检测一般是提取语音的特征对提取得到的特征进行判断进而判断其中的语音或者非语音，或者建立声学模型对声音进行二分类或者进行解码得到的全局信息来判断其中的语音或者非语音。但是这两种方法在进行语音处理时效率低，需要处理的语音信息量大，获取语音端点的速率差。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种基于实时人脸辅助的语音端点检测方法，通过在用户出现面部语言动作时启动，在用户停止面部语言动作时停止，减少了获取语音信息中不必要的语音帧，极大的降低了进行语音端点检测过程中的操作程序，也使进行处理的语音信息总量得到了减少，从而提升了语音端点检测的速率，提高了实用性。

为实现上述目的，本发明提供如下技术方案：一种基于实时人脸辅助的语音端点检测方法，包括以下步骤：

步骤一，通过实时图像录取设备，获取用户面部的实时影像信息，并将影像信息传输至后台的控制中心，利用图像处理技术，对影像信息进行特征提取，获取影像信息中与用户面部相关的动作帧；

步骤二，提取用户面部特征，根据面部特征，确定数量不同的基准点，利用基准点构建用户的面部动作数据库，每个特定的面部动作由数个基准点组成，将步骤一中获取的动作帧与面部动作数据库中的面部特征进行对比，获取用户是否进行语言动作的信息；

步骤三，当获取用户进行语言动作的确定信息后，实时计算用户开始进行语言动作的时间和结束语言动作的时间，从而获取语言动作的两个时间端点和时间累计信息；

步骤四，设定语音获取设备的工作时限，将语音获取设备的启动单元与后台的控制中心连接，控制中心基于步骤三中语言动作的两端时间端点对语音获取设备进行启动和关闭，获取与用户相关的语音信息；

步骤五，将步骤四中获取的语音信息分割为多段语音帧段，并预设语音帧段的短时能量和过零率，然后计算每一帧的短时能量和过零率，根据计算结果判定语音端点。

在一个优选地实施方式中，所述步骤五中分割的语音帧段包括静音段、过度段、语音段和结束段。

在一个优选地实施方式中，将语音帧段的短时能量预设两个门限值α₁和α₂，将语音帧段的过零率预设两个门限值β₁和β₂；