基于MATLAB的多算法语音信号自动识别系统

资 源 简 介

本项目设计并实现了一套具备图形用户界面（GUI）的语音信号自动识别系统，旨在通过直观的操作流程完成语音信号的采集、训练与识别任务。系统集成了三种主流的模式匹配算法供用户根据具体应用场景自由选择：首先是动态时间规整（DTW）算法，主要解决发音时长不一的模板匹配问题，适用于小词汇量的孤立词识别；其次是矢量量化（VQ）算法，利用LBG算法生成码本进行特征压缩与匹配，计算效率较高；最后是隐马尔可夫模型（HMM），通过统计概型描述语音信号的时间演变规律，适用于更复杂的语音环境。系统处理流程包括：前端预处理（预加重、分帧、汉明窗）、端点检测（基于短时能量和过零率）、特征提取（重点提取MFCC梅尔频率倒谱系数或LPCC线性预测倒谱系数）。用户界面允许进行实时录音、语音库管理、模型训练以及识别测试，并能直观展示波形图、特征谱图以及最终的识别结果。

详 情 说 明

基于MATLAB的多算法语音信号自动识别系统

项目简介

本项目实现了一套完整的、基于MATLAB图形用户界面（GUI）的语音信号自动识别系统。系统旨在提供一个直观的实验平台，用于语音信号的采集、分析、模型训练及识别。系统核心集成了动态时间规整（DTW）、矢量量化（VQ）以及隐马尔可夫模型（HMM）三种主流的模式匹配算法，支持端到端的语音处理流程，包括前端预处理、端点检测、特征提取（主要是MFCC）以及后续的模式识别任务。

功能特性

• 图形化交互界面：提供可视化的操作面板，包含波形显示、特征谱图显示、控制按钮及状态反馈区域。
• 多源语音采集：支持通过麦克风实时录音（采样率8kHz，16位，单声道）以及加载外部WAV语音文件（自动重采样及单声道转换）。
• 实时可视化：在录音或加载完成后，系统会自动绘制时域波形图，并标记出检测到的有效语音端点；同时绘制MFCC特征谱图。
• 端点检测（VAD）：内置基于短时能量和过零率的双门限检测算法，自动剔除静音片段，截取有效语音。
• 特征提取：采用梅尔频率倒谱系数（MFCC）作为核心特征，包含预加重、分帧、加窗、FFT、梅尔滤波、DCT变换及倒谱提升等标准处理步骤。
• 动态训练库：支持用户输入标签并将当前语音特征加入内存中的训练数据库。
• 多算法识别：

* DTW (动态时间规整)：适用于匹配长度不一致的序列。 * VQ (矢量量化)：基于LBG算法生成码本，计算效率高。 * HMM (隐马尔可夫)：基于统计模型，计算对数似然概率。

• 结果反馈：实时显示识别结果（标签）以及对应的匹配得分（距离或似然度）。

系统要求

• MATLAB R2016a 或更高版本（建议）。
• MATLAB Audio Toolbox（用于录音和处理音频对象）。
• 支持音频输入的硬件设备（麦克风）。

使用方法

1. 启动系统：运行主脚本，系统界面将自动弹出。
2. 获取语音：

* 点击“录音”按钮开始说话，再次点击停止录音。 * 或点击“加载文件”选择本地WAV文件。

1. 观察信号：界面将显示预处理后的波形及红色虚线标记的有效端点，下方显示MFCC特征热力图。
2. 模型训练（注册）：

* 在“标签录入”框中输入当前语音的内容（如“前进”、“One”）。 * 点击“加入训练库”，系统会自动提取特征并根据三种算法分别建立模型存入内存数据库。

1. 语音识别（测试）：

* 录制或加载一段新的语音。 * 在“识别算法选择”下拉菜单中选择 DTW、VQ 或 HMM。 * 点击“开始识别”，系统将显示最匹配的标签及得分。

详细实现逻辑与关键算法

1. 全局数据管理

系统使用全局结构体 sys_data 管理运行时数据，包括：

• 音频原始数据及采样率（统一为8000Hz）。
• 提取后的特征矩阵。
• 内存数据库：以Cell数组形式存储，每个单元包含标签、原始MFCC特征、训练好的VQ码本以及HMM模型参数。

2. 音频预处理与端点检测

音频数据进入系统后，依次经过以下处理：

• 预加重：通过一阶高通滤波器 H(z) = 1 - 0.97z^{-1} 提升高频分量。
• 双门限端点检测 (VAD)：

* 计算每一帧的短时能量（Energy）和过零率（ZCR）。 * 设定高低两个能量门限（MH, ML）以及过零率门限。 * 采用三态机逻辑（静音、可能开始、语音段）进行搜索。首先利用高门限确定语音核心段，再向两侧利用低门限和过零率扩展边界，确保语音起止点的准确性。 * 若检测到的语音长度不足800个采样点，系统将判定为无效语音不予处理。

3. 特征提取 (MFCC)

系统核心特征提取函数 extract_mfcc 实现了以下流程：

• 分帧：帧长25ms，帧移10ms。
• 加窗：对每一帧信号乘以汉明窗（Hamming Window）以减少频谱泄露。
• 频谱计算：进行512点FFT变换并计算功率谱。
• 梅尔滤波：构建包含26个三角滤波器的梅尔滤波器组（Mel Filterbank），将线性频率映射到梅尔频标，模拟人耳听觉特性。
• 虽然域变换：对滤波器组输出取对数，再进行离散余弦变换（DCT）。
• 倒谱提升：选取DCT后的第2至13个系数（共12阶），并应用正弦窗函数进行倒谱提升（Liftering），以平滑倒谱系数。

4. 模式识别算法逻辑

在点击识别时，系统会将当前测试语音的特征与数据库中的模板逐一比较：

• DTW算法：计算测试特征序列与参考模板特征序列之间的动态时间规整距离，取距离最小者为结果。
• VQ算法：利用训练阶段生成的码本（Codebook，代码中设定为16阶），计算测试特征矢量与码本的平均量化失真/距离，取距离最小者为结果。
• HMM算法：利用训练阶段生成的隐马尔可夫模型（代码中设定的状态数为5），计算测试序列相对于该模型的对数似然概型（Log-Likelihood），取似然度最大者为结果。

5. 模型训练逻辑

当用户点击“加入训练库”时，系统会对当前提取的特征执行以下操作：

• 保存模板：直接保存特征矩阵用于DTW匹配。
• VQ训练：调用LBG算法（Linde-Buzo-Gray），将特征矢量聚类生成大小为16的码本。
• HMM训练：基于当前观测序列，训练一个简单的左-右型HMM模型（包含高斯混合参数），状态数预设为5。

代码结构说明

• 回调函数架构：主程序采用嵌套函数结构，所有的UI回调（录音、加载、训练、识别）共享父域中的数据，保证了数据流转的简便性。
• 绘图机制：通过 uipanel 和 axes 布局，使用 handle 对象实时更新波形线图和 imagesc 绘制的特征谱图。