作者：桂。
時間：2017-05-31 21:14:56
鏈接：http://www.cnblogs.com/xingshansi/p/6925955.html
前言
VQ（Vector Quantization）是一個常用的壓縮技術，本文主要回顧：
1）VQ原理
2）基於VQ的說話人識別（SR,speaker recognition）技術
〇、分類問題
說話人識別其實也是一個分類問題：
說話人識別技術，主要有這幾大類方法：
- 模板匹配方法
這類方法比較成熟，主要原理：特征提取、模板訓練、匹配。典型的有：動態時間規整DTW，矢量量化VQ等。
DTW利用動態規划的思想，但也有不足：1）過分依賴VAD技術；2）沒有充分利用語音的時序動態特性，所以被HMM取代也就容易理解了。
VQ算法是數據壓縮的方法。碼本簡歷、碼字搜索是兩個基本問題，碼本簡歷是從大量信號樣本中訓練出比較好的碼書，碼字搜索是找到一個和輸入最匹配的碼字，該方法簡單，對小系統、差別明顯的聲音較合適。
- 基於統計模型的分類方法
該類方法本質仍是模式識別系統，都需要提取特征，然后訓練分類器，最后分類決策，典型框架：
常用的模型有：GMM、HMM、SVM、ANN、DNN或者各種聯合模型等。
GMM基本框架：
類似的還有GMM-UBM(Universal background model)算法，其與GMM的區別在於：對L類整體樣本訓練一個大的GMM，而不像GMM對每一類訓練一個GMM模型。SVM的話MFCC作為特征，每一幀作為一個樣本，可以借助VAD刪除無效音頻段，直接訓練分類。近年來也有利用稀疏表達的方法：
一、VQ原理
此段摘自Pluskid博客。
Vector Quantization 這項技術廣泛地用在信號處理以及數據壓縮等領域。事實上，在 JPEG 和 MPEG-4 等多媒體壓縮格式里都有 VQ 這一步。
Vector Quantization 這個名字聽起來有些玄乎，其實它本身並沒有這么高深。大家都知道，模擬信號是連續的值，而計算機只能處理離散的數字信號，在將模擬信號轉換為數字信號的時候，我們可以用區間內的某一個值去代替着一個區間，比如，[0, 1) 上的所有值變為 0 ，[1, 2) 上的所有值變成 1 ，如此類推。其這就是一個 VQ 的過程。一個比較正式一點的定義是：VQ 是將一個向量空間中的點用其中的一個有限子集來進行編碼的過程。
一個典型的例子就是圖像的編碼。最簡單的情況，考慮一個灰度圖片，0 為黑色，1 為白色，每個像素的值為 [0, 1] 上的一個實數。現在要把它編碼為 256 階的灰階圖片，一個最簡單的做法就是將每一個像素值 x 映射為一個整數 floor(x*255) 。當然，原始的數據空間也並不以一定要是連續的。比如，你現在想要把壓縮這個圖片，每個像素只使用 4 bit （而不是原來的 8 bit）來存儲，因此，要將原來的 [0, 255] 區間上的整數值用 [0, 15] 上的整數值來進行編碼，一個簡單的映射方案是 x*15/255 。
不過這樣的映射方案頗有些 Naive ，雖然能減少顏色數量起到壓縮的效果，但是如果原來的顏色並不是均勻分布的，那么的出來的圖片質量可能並不是很好。例如，如果一個 256 階灰階圖片完全由 0 和 13 兩種顏色組成，那么通過上面的映射就會得到一個全黑的圖片，因為兩個顏色全都被映射到 0 了。一個更好的做法是結合聚類來選取代表性的點。
實際做法就是：將每個像素點當作一個數據，跑一下 K-means ，得到 k 個 centroids ，然后用這些 centroids 的像素值來代替對應的 cluster 里的所有點的像素值。對於彩色圖片來說，也可以用同樣的方法來做，例如 RGB 三色的圖片，每一個像素被當作是一個 3 維向量空間中的點。
用本文開頭那張 Rechard Stallman 大神的照片來做一下實驗好了，VQ 2、VQ 10 和 VQ 100 三張圖片分別顯示聚類數目為 2 、10 和 100 時得到的結果：
傳統LBG算法就是K-means,基於分裂的LBG稱為LBG-VQ，LBG-VQ算法以及K-means：
二、基於VQ的說話人識別技術
基於VQ方法：例如N個說話人，每個說話人建立一個碼本，共N個碼本。每個碼本如何建立呢？以MFCC為例，M幀的MFCC，每一幀都是一個多維N的樣本點，訓練數據量通常較大MxN，聚類成K類是容易實現的（K<<M），LBG-VQ的思路則是利用分裂的思想，通常按倍數遞增，知道碼本數量增加到：碼本的誤差達到預設值停止，最終的結果相當於降維：KxN,也就是碼本的維度。
總結一下基於VQ的說話人識別的基本思路：
1）訓練：分別針對每個說話人提取特征，利用特征訓練碼本（Kmeans/LBG-VQ等方法）;
2）識別：提取測試數據的特征，與碼本匹配，誤差距離歸一化並求和，最小值即為對應的說話人；
VQLBG代碼：
%% VQLBG Vector quantization using the Linde-Buzo-Gray algorithm
% VQLBG Vector quantization using the Linde-Buzo-Gray algorithm
%
% Inputs: d contains training data vectors (one per column)
% k is number of centroids required
%
% Output: r contains the result VQ codebook (k columns, one for each centroids)
function r = vqlbg(d,k)
e = .01;
r = mean(d, 2);
dpr = 10000;
for i = 1:log2(k)
r = [r*(1+e), r*(1-e)];
while (1 == 1)
z = disteu(d, r);
[m,ind] = min(z, [], 2);
t = 0;
for j = 1:2^i
r(:, j) = mean(d(:, find(ind == j)), 2); %#ok<FNDSB>
x = disteu(d(:, find(ind == j)), r(:, j)); %#ok<FNDSB>
for q = 1:length(x)
t = t + x(q);
end
end
if (((dpr - t)/t) < e)
break;
else
dpr = t;
end
end
end
end
%% DISTEU Function
% DISTEU Pairwise Euclidean distances between columns of two matrices
%
% Input:
% x, y: Two matrices whose each column is an a vector data.
%
% Output:
% d: Element d(i,j) will be the Euclidean distance between two
% column vectors X(:,i) and Y(:,j)
%
% Note:
% The Euclidean distance D between two vectors X and Y is:
% D = sum((x-y).^2).^0.5
function d = disteu(x, y)
[M, N] = size(x);
[M2, P] = size(y);
if (M ~= M2)
error('Matrix dimensions do not match.')
end
d = zeros(N, P);
% if (N < P)
% copies = zeros(1,P);
% for n = 1:N
% d(n,:) = sum((x(:, n+copies) - y) .^2, 1);
% end
% else
% copies = zeros(1,N);
% for p = 1:P
% d(:,p) = sum((x - y(:, p+copies)) .^2, 1)';
% end
% end
% d = d.^0.5;
for ii=1:N
for jj=1:P
%d(ii,jj)=sum((x(:,ii)-y(:,jj)).^2).^0.5;
d(ii,jj) = mydistance(x(:,ii),y(:,jj),2);
end
end
%--------------------------------------------------------------------------
%--------------------------------------------------------------------------
end
識別的主要code:
v = mfcc(str{classe},fstr{classe});
% Current distance and sound ID initialization
distmin = Inf;
k1 = 0;
for ii=1:sound_number
d = disteu(v, code{ii});
dist = sum(min(d,[],2)) / size(d,1);
if dist < distmin
distmin = dist;
k1 = ii;
end
end
min_index = k1;
參考
- http://blog.pluskid.org/?p=57
- http://blog.csdn.net/momosp/article/details/7626971