摘要：介紹了一種應用于微機器人控制平臺的語音識別算法，可實現(xiàn)簡單命令詞語的識別，控制微機器人的移動。利用K均值分段法，在每次計算完觀察值最佳狀態(tài)序列后，插入一個重估過程，隨時調(diào)整參數(shù)以識別下一個句子。實驗結果表明，這種實時學習的語音識剮算法適合嵌入式應用。

關鍵詞：微機器人語音識別隱式馬爾可夫模型嵌入式系統(tǒng)

本文基于毫米級全方位無回轉半徑移動機器人課題。微系統(tǒng)配置示意圖如圖1所示。主要由主機Host(配有圖像采集卡)、兩個CCD攝像頭(其中一個為顯微攝像頭)、微移動裝配平臺、微機器人本體和系統(tǒng)控制電路板等組成。計算機和攝像機組用于觀察微機器人的方位，控制系統(tǒng)控制微機器人的移動。

本文在系統(tǒng)控制電路中嵌入式實現(xiàn)語音識別算法，通過語音控制微機器人。

微機器人控制系統(tǒng)的資源有限，控制方法比較復雜，并且需要有較高的實時性，因此本文采用的語音識別算法必須簡單、識別率高、占用系統(tǒng)資源少。

HMM(隱馬爾可夫模型)的適應性強、識別率高，是當前語音識別的主流算法。使用基于HMM非特定人的語音識別算法雖然借助模板匹配減小了識別所需的資源，但是前期的模板儲存工作需要大量的計算和存儲空間，因此移植到嵌入式系統(tǒng)還有一定的難度，所以很多嵌入式應用平臺的訓練部分仍在PC機上實現(xiàn)。

為了使訓練和識別都在嵌入式系統(tǒng)上實現(xiàn)，本文給出了一種基于K均值分段HMM模型的實時學習語音識別算法，不僅解決了上述問題，而且做到了智能化，實現(xiàn)了真正意義上的自動語音識別。

1增量K均值分段HMM的算法及實現(xiàn)

由于語音識別過程中非特定的因素較多，為了提高識別的準確率，針對本系統(tǒng)的特點，采用動態(tài)改變識別參數(shù)的方法提高系統(tǒng)的識別率。

訓練算法是HMM中運算量最大、最復雜的部分，訓練算法的輸出是即將存儲的模型。目前的語音識別系統(tǒng)大都使用貝斯曼參數(shù)的HMM模型，采取最大似然度算法。這些算法通常是批處理函數(shù)，所有的訓練數(shù)據(jù)要在識別之前訓練好并存儲。因此很多嵌入式系統(tǒng)因為資源有限不能達到高識別率和實時輸出。

本系統(tǒng)采用了自適應增量K均值分段算法。在每次輸入新的語句時都連續(xù)地計算而不對前面的數(shù)據(jù)進行存儲，這可以節(jié)約大量的時間和成本。輸入語句時由系統(tǒng)的識別結果判斷輸入語句的序號，并對此語句的參數(shù)動態(tài)地修改，真正做到了實時學習。

K均值分段算法是基于最佳狀態(tài)序列的理論，因此可以采用Viterbi算法得到最佳狀態(tài)序列，從而方便地在線修改系統(tǒng)參數(shù)，使訓練的速度大大提高。

為了達到本系統(tǒng)所需要的功能，對通常的K均值算法作了一定的改進。在系統(tǒng)無人監(jiān)管的情況下，Viterbi解碼計算出最大相似度的語音模型，根據(jù)這個假設計算分段K均值算法的輸入?yún)?shù)，對此模型進行參數(shù)重估。首先按照HMM模型的狀態(tài)數(shù)進行等間隔分段，每個間隔的數(shù)據(jù)段作為某一狀態(tài)的訓練數(shù)據(jù)，計算模型的初始參數(shù)λ=f(a，A，B)。采用Viterbi的最佳狀態(tài)序列搜索，得到當前最佳狀態(tài)序列參數(shù)和重估參數(shù)θ，其中概率密度函數(shù)P(X，S|θ)代替了最大似然度算法中的P(X，θ)，在不同的馬爾科夫狀態(tài)和重估之間跳轉?；贙均值算法的參數(shù)重估流程如下：

為了使參數(shù)能更快地收斂，在每幀觀察語音最佳狀態(tài)序列的計算結束后，加入一個重估過程，以求更快地響應速度。

可以看到，增量K均值算法的特點為：在每次計算完觀察值最佳狀態(tài)序列后，插入一個重估過程。隨時調(diào)整參數(shù)以識別下一個句子。

由于采用混合高斯密度函數(shù)作為輸出概率分布可以達到較好的識別效果，因此本文采用M的混合度對數(shù)據(jù)進行訓練。

對λ重估，并比較收斂性，最終得到HMM模型參數(shù)訓練結果。

可見，用K均值法在線修改時，一次數(shù)據(jù)輸入會有多次重估過程，這使系統(tǒng)使用最近的模型估計后續(xù)語句的最佳狀態(tài)序列成為可能。但是對于在線修改參數(shù)要求，快速收斂是很重要的。為了得到更好的Viterbi序列，最佳狀態(tài)序列使用了漸增的算法模型，即快速收斂算法。

語音識別的具體實現(xiàn)過程為：數(shù)字語音信號通過預處理和特征向量的提取，用戶通過按鍵選擇學習或者識別模式；如果程序進入訓練過程，即用戶選擇進行新詞條的學習，則用分段K均值法對數(shù)據(jù)進行訓練得到模板；如果進入識別模式，則從Flash中調(diào)出聲音特征向量，進行HMM算法識別。在識別出結果后，立即將識別結果作為正確結果與前一次的狀態(tài)做比較，得到本詞條更好的模板，同時通過LED數(shù)字顯示和語音輸出結果。系統(tǒng)軟件流程如圖2所示。

對采集到的語音進行16kHz、12位量化，并對數(shù)字語音信號進行預加重：

L選擇為320個點，用短時平均能量和平均過零率判斷起始點，去除不必要的信息。

對數(shù)據(jù)進行FFT運算，得到能量譜，通過24通道的帶通濾波輸出X(k)，然后再通過DCT運算，提取12個MFCC系數(shù)和一階二階對數(shù)能量，提取38個參數(shù)可以使系統(tǒng)識別率得到提高。

為了進行連接詞識別，需要由訓練數(shù)據(jù)得到單個詞條的模型。方法為：首先從連接詞中分離出每個孤立的詞條，然后再進行孤立詞條的模型訓練。對于本系統(tǒng)不定長詞條的情況，每個詞條需要有一套初始的模型參數(shù)，然后按照分層構筑的HMM算法將所有詞串分成孤立的詞條。對每個詞條進行參數(shù)的重估，判斷是否收斂。如果差異小于某個域值就判斷為收斂；否則將得到的參數(shù)作為新的初始參數(shù)再進行重估，直到收斂。

2實驗結果

實驗采用30個人(15男，15女)的聲音模型進行識別。首先由10人(5男，5女)對5個命令詞(前進、后退、左移、右移、快速)分別進行初始數(shù)據(jù)訓練，每人每詞訓練10次，得到訓練模板。然后再由這30人隨機進行非特定人語音識別。采用6狀態(tài)的HMM模型，高斯混合度選為14，得到圖3的實驗結果。[!--empirenews.page--]

由圖3可以看出，由于本系統(tǒng)實時學習的特點，系統(tǒng)的識別率隨著訓練數(shù)據(jù)的增加而逐步上升(誤識率下降)。但是當實驗數(shù)據(jù)繼續(xù)增多時，系統(tǒng)的識別率和實時性都有下降趨勢。這是由于系統(tǒng)處于無人監(jiān)管狀態(tài)，根據(jù)判斷結果進行參數(shù)重估。如果判斷結果錯誤，勢必將錯誤帶人參數(shù)重估步驟中。

逐步增加高斯混合度數(shù)目，可以得到圖4的實驗結果?？梢姼咚够旌隙仍?8的時候達到較好的識別效果，混合度太高識別率反而會有所下降，這是由于嵌入式系統(tǒng)的資源有限，運算復雜度的增長超過了嵌入式設備的限制所造成的。

為了使微機器人能夠正確地執(zhí)行人的聲音指令，本文將語音識別的過程嵌入微機器人的控制系統(tǒng)中，根據(jù)微機器人控制系統(tǒng)資源有限、對實時性要求高的特點，使用增量K均值分段HMM的算法，簡化計算節(jié)省了所需的硬件資源，實現(xiàn)了實時學習的語音識別，能方便地對微機器人進行控制。

本系統(tǒng)的識別率達到了較高的標準，又由于加入了智能化的用戶選擇部分，用戶可隨時選擇學習新的語句，使其有更廣闊的應用前景。

由于嵌入式平臺受到處理速度、存儲空間的限制，所以能夠對微機器人發(fā)出的指令十分有限，識別率還有待提高。因此，研究語音識別算法，比較各種算法的優(yōu)缺點，進而在嵌入式微機器人控制系統(tǒng)上實現(xiàn)大詞匯量非特定人的語音識別，實現(xiàn)真正意義上的人機交流是今后進一步的工作。