【VS开发】【智能语音处理】特定人语音识别算法—DTW算法

DTW（动态时间弯折）算法原理：基于动态规划（DP）的思想，解决发音长短不一的模板匹配问题。相比HMM模型算法，DTW算法的训练几乎不需要额外的计算。所以在孤立词语音识别中，DTW算法仍得到广泛的应用。

在训练和识别阶段，首先采用端点检测算法确定语音的起点和终点。对于参考模板{R(1),R(2),…,R(m),…,R(M)}，R(m)为第m帧的语音特征矢量。对于测试模板{T(1),T(2),…,T(n),…,T(N)}，T(n)为测试模板的第n帧的语音特征矢量。参考模板与测试模板一般采用类型的特征矢量、相同的帧长、相同的窗函数和相同的帧移。

对于测试和参考模板T和R，它们之间的相似度之间的距离D[T，R]，距离越小则相似度越高。在DTW算法中通常采用欧氏距离表示。对于N和M不相同的情况，需要考虑T(n)和R(m)对齐。一般采用动态规划（DP）的方法将实现T到R的映射。

将测试模板的各个帧号n=1~N在一个二维直角坐标系中的横轴上标出，参考模板的各帧号m=1~M在纵轴上标出，通过这些表示帧号的整数坐标画出一些纵横线即可形成一个网格，网格中的每一个交叉点(n,m)表示测试模式中某一帧与训练模式中某一帧的交汇点。DP算法可以归结为寻找一条通过此网格中若干格点的路径，路径通过的格点即为测试和参考模板中进行距离计算的帧号。所选的路径必定是从左下角出发，在右上角结束。

为了使路径不至于过分倾斜，可以约束斜率在0.5~2的范围内，如果路径已通过格点

搜索路径的方法如下：搜索从点出发，计算每条路径达到点时的总的积累距离，具有最小累积距离者即为最佳路径。若用代表此格点，并将通过该格点之路径延伸而通过，这些此路径的积累距离为：

这样就可以从=(1,1)出发搜索，再搜索，…..，对每个都存储相应的前一格点及相应的帧匹配距离。搜索到时，只保留一条最佳路径。如果有必要的话，通过逐点向前寻找就可以求得整条路径。这套DP算法便是DTW算法。

对0~9的数字语音进行测试和识别，识别结果如下：

正在进行模板匹配...

正在计算匹配结果...

测试模板1的识别结果为：1

测试模板2的识别结果为：8

测试模板3的识别结果为：3

测试模板4的识别结果为：4

测试模板5的识别结果为：5

测试模板6的识别结果为：6

测试模板7的识别结果为：7

测试模板8的识别结果为：8

测试模板9的识别结果为：9

测试模板10的识别结果为：10

由上可知，除测试模板2误判外，其它数字语音都能正确识别。

DTW算法的MATLAB程序：

function dist = dtw( t,r )

n=size(t,1);

m=size(r,1);

%%帧匹配距离距阵

d=zeros(n,m);

for i=1:n

for j=1:m

d(i,j)=sum((t(i,:)-r(j,:)).^2);

end

end

%%累积距离矩阵

D=ones(n,m)*realmax;

D(1,1)=d(1,1);

%%动态规划

for i=2:n

for j=1:m

D1=D(i-1,j);

if j>1

D2=D(i-1,j-1);

else

D2=realmax;

end

if j>2

D3=D(i-1,j-2);

else

D3=realmax;

end

D(i,j)=d(i,j)+min([D1,D2,D3]);

end

end

dist=D(n,m);

end

测试程序：

disp('正在计算参考模板的参数...')

for i=1:10

fname=sprintf('test1\\�.wav',i-1);

[x fs]=wavread(fname);

[x1 x2]=vad(x,fs);

m=mfcc(x);

m=m(x1-2:x2-2,:);

ref(i).mfcc=m;

end

disp('正在计算测试模板的参数...')

for i=1:10

fname=sprintf('train1\\�.wav',i-1);

[x fs]=wavread(fname);

[x1 x2]=vad(x,fs);

m=mfcc(x);

m=m(x1-2:x2-2,:);

test(i).mfcc=m;

end

disp('正在进行模板匹配...')

dist=zeros(10,10);

for i=1:10

for j=1:10

dist(i,j)=dtw(test(i).mfcc,ref(j).mfcc);

end

end

disp('正在计算匹配结果...')

for i=1:10

[d,j]=min(dist(i,:));

fprintf('测试模板%d的识别结果为：%d\n',i,j);

end