基于主成分分析分类器的说话人识别

1.说话人分类常用算法

说话人分类是说话人识别中的一大主题，目前已经发展了很多方法，这些方法大致可以分为两类：
(1)基于概率分布的高复杂度的精确分类算法，如高斯混合模型（Gaussian Mixture Model，GMM）、隐马尔科夫 模型（Hidden Markov Model，HMM）和支持向量机（Support Vector Machine，SVM）模型；
(2)基于模板的低复杂度的分类算法，如向量量化方法（Vector Quantization，VQ）。
第一类说话人分类算法能取得不错的效果，但他们的高复杂度使得进行说话人识别需要很长时间，不适合于实时应用。 而第二类说话人匪类算法虽然复杂度低，但当系统中说话人的人数增加时，识别性能下降得很快。

Wu Junwen，Zhang Xuegong提出了一种基于PCA的分类器（即主成分子空间（Principal Component Subspace，PCS）分类器）， 作为一种线性分类器，其复杂度低于以上第一类算法，又表现出很好的分类能力。另外，我们还可以根据截断误差子空间来构造分类器， 称为TES（Truncation Error Subspace）分类器。这两种分类器反映了主成分分析方法的两个方面，结合两种分类器可得到混合分类器， 称其为P&T分类器。

2.主成分分析的分类依据

对语音信号进行特征提取后，将得到的数据进行主成分分析，经过训练确定主成分的个数m和经过主成分变换的特征数据（即主成分 子空间），同时也可得到截断误差子空间，主成分子空间或截断误差子空间即可作为描述说话人特征的模型。

PCS分类器的基本思路是，对于一个待分类样本$X$，将它向数据集中每个说话人模型（即PCS）投影，即 计算$U{k}^{T}(X-\mu {k})$，其中$U{k}$为数据集中第$k$个说话人的模型，$\mu {k})$为每个模型的中心向量，定义投影 量所保留的原向量的方差为：

$f(k)=\parallel U{k}^{T}(X-\mu {k})\parallel ^{2}，k=1，2，…，n$.
这个值即为投影量保留的方差之和。如果X投影到正确类的PCS，即同一说话人模型，那么该值将达到最大，而投影到其他说话人 模型上所保留的方差之和都比该值小。即有：
$x \in model${ $k|max(f(k)),1 < k \leq n $ }.

TES分类器与PCS分类器类似，只是说话人模型是用TES来表示的，对应的说话人模型相似度的度量标准为：

$g(k)=\parallel V{k}^{T}(X-\mu {k})\parallel ^{2}, k=1, 2, ..., n$.
其中$V_{k}$表示第$k$个说话人模型。而决策规则为： $x\in model$ { $k|min(g(k)),1 < k \leq n $ }.

P&T分类器是将以上两种分类器结合起来进行决策，最简单的结合方法是线性组合，可以设PCS分类器的 权重为$\lambda （0\leq \lambda \leq 1）$，而TES分类器的权重为1-λ，则衡量说话人模型相似度的标准为：
$h(k)=\lambda f(k) - (1-\lambda)g(k), k=1, 2, ..., n$.
而对应的决策规则为：
$x\in model$ { $k|min(h(k)),1 < k \leq n $ }.

在使用P&T分类器时要注意，在计算f(k)，g(k)之前，应先对PCS和TES进行归一化，以免某一个值太大而影响了另一个值的作用。

3.主成分分类器应用于说话人识别

根据说话人识别任务的特点，基于PCA的分类器需要解决两个问题：
(1)训练说话人模型；
(2)对测试音进行鉴别。

说话人鉴别的训练过程，就是训练每个说话人的模型参数，在此以PCS分类器为例进行说明。PCS分类器的模型参数由两部分组成， 即主成分主方向数m和主成分子空间$PCS=[U1，U2，…，Um]$。关于主成分的计算在前面的文章中讲过，就不在赘述，这里重点说说主方向 数确定的方法。为了使得PCS分类器的分类效果最好，我们可以选用少量的说话人以及他们的少量的测试语音，组成确定阈值的“验证 集（validation set）”，变动主方向数$m$，选取使得识别率最好时的主方向数$m$作为参数。为简单起见，我们令所有说话人的主成分 方向数取相同的值。

测试音鉴别：设数据库中共有M个说话人模型，${X(n)|n=1,2,…,N}$为某个测试语音上提取的特征向量序列，则模型相似度度量标准为：

$F(k) = \sum{n=1}^{N} \parallel U{k}^{T}(X(n)-\mu _{k}) \parallel ^{2}, k = 1,2,...,M$.
那么，使得这个值最大的说话人即为识别结果。

4.实验结果

分别在无噪语料库YOHO和有噪语料库PHONE做实验，得到如下结果：

5.复杂度分析

P&T分类器的复杂度
模型训练阶段：
$PTtrain = Nd+Nd+ddN+4/3d^{3}+O(d^{2})+O(dlogd) = O(Nd^{2})+O(d^{3})$ 模型测试阶段： $PTtest=MNtestPd+MNP+O(1) =O(MNtestP*d)$

6.小结

由实验结果及复杂度分析可知，基于PCA分类器的说话人识别不仅具有很好的识别率，而且时间复杂度较低， 是比较理想的说话人识别分类器。

参考文献

[1]《说话人识别模型与方法》吴朝辉 杨迎春 著 清华大学出版社
[2]基于PCA与LDA的说话人识别研究 章万峰 浙江大学硕士论文