语音识别-mfcc特征

mfcc（梅尔频率倒谱系数）

简单的说就是用来描述人的声道的特征，也就是人的声音特征。
我查了好多网上资料，写的都不错，但是缺少一些中间的过程和可视化的解释，因为声音，频率这些光用文字描述很难理解的，所以我研究了下中间的一些结果，并截图展示出来，便于理解。

预加重

目的：提升高频部分，使信号的频谱变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱。同时，也是为了消除发生过程中声带和嘴唇的效应，来补偿语音信号受到发音系统所抑制的高频部分，也为了突出高频的共振峰。

分帧

一般音频信号都是时域的，如果要分析具体音频频率信息，要转换到频域，就需要用到傅里叶变换，但是傅里叶变换的要求是平稳信号，而音频信号是不稳定的，但是在很短时间内(50ms以下)，可以假设是稳定的，在比较短的时间内，嘴巴动得是没有那么快的，语音信号就可以看成平稳的，就分成很多段，也叫做帧，做傅里叶变换了。那怎么截取呢，所以需要有长度，间隔，长度较做帧长，一般25ms，间隔较帧跳跃，一般10ms，然后转换到相应的采样点上，进行分帧处理。比如采样率16khz，帧长=16000x0.025=400点 帧间隔=16000x0.01=160点。

加窗

目的是平滑信号，使用汉明窗加以平滑,尽量保持分帧后的帧连续性。一般是加汉明窗。


我们可以看到，以正弦函数sin为例，不加窗和矩形窗的效果，帧之间的断层很明显，而加了汉明窗的，先对平缓很多。

快速傅里叶变换

由于信号在时域上的变换通常很难看出信号的特性，所以通常将它转换为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。所以在乘上汉明窗后，每帧还必须再经过快速傅里叶变换以得到在频谱上的能量分布。对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱。并对语音信号的频谱取模平方得到语音信号的功率谱，具体公式什么的很多文章有，我就不打了。

梅尔滤波器组滤波并取对数

在获得音频的能量谱的同时，还需要构造一个梅尔滤波器组，并与能量谱进行点积运算。梅尔滤波器的作用是将能量谱转换为更接近人耳机理的梅尔频率。MEL刻度是仿照人耳进行设计的，更符合人耳的听觉特性。

将能量谱通过一组Mel尺度的三角形滤波器组，定义一个有M个滤波器的滤波器组（滤波器的个数和临界带的个数相近），采用的滤波器为三角滤波器，中心频率为f(m) 。M通常取22-26。各f(m)之间的间隔随着m值的减小而缩小，随着m值的增大而增宽。

三角带通滤波器主要目的：
对频谱进行平滑化，以 MFCC 为特征的语音辨识系统，并不会受到输入语音的音调不同而有所影响） 此外，还可以降低运算量。

对于滤波器组的能量，我们对它取log,对微小的声音，只要响度稍有增加人耳即可感觉到，但是当声音响度已经大到一定程度后，即使再有较大的增加，人耳的感觉却无明显变化。我们把人耳对声音响度的这种听觉特性称为“对数式”特性。因此，对梅尔频谱图取对数的原因就是为了模拟人耳的“对数式”特性。

离散余弦变换(DCT)

最后一步是对这些能量进行DCT变换。因为不同的Mel滤波器是有交集的，因此它们是相关的，我们可以用DCT变换去掉这些相关性.为什么只取低13个系数呢？因为后面的能量表示的是变化很快的高频信号，在实践中发现它们会使识别的效果变差。

好了，今天就到这里了，希望对学习理解有帮助，部分图片来自网络，侵删，大神看见勿喷，仅为自己的学习理解，能力有限，请多包涵。