引言

據(jù)統(tǒng)計,人類日常生活中的溝通大約有75%左右是通過語言來完成的。語言作為人類特有的功能,不但是相互傳遞信息的主要手段,也是人們最理想的人機交互方式之一。在現(xiàn)代社會機器人這個詞語已經(jīng)不再新鮮。有些機器人已經(jīng)走進(jìn)了我們的生活，成為我們生活的組成部分。在下文我們要講的是基于毫米級全方位無回轉(zhuǎn)半徑移動機器人課題。我們微系統(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。

與機器進(jìn)行語音交流，讓機器明白你說什么，這是人們長期以來夢寐以求的事情。語音識別技術(shù)就是讓機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。語音識別技術(shù)主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個方面。 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。也就是說可以通過你的話微型機器人做出相應(yīng)的動作。

微機器人控制系統(tǒng)的資源有限，控制方法比較復(fù)雜，并且需要有較高人的實時性，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。畢竟微型機器人里面能放的東西有限，放多了東西雖然提高了語音識別率或者工作效率，但是也加大了微型機器人的體積，說不定就不能做有些工作。

隱馬爾可夫模型（Hidden Markov Model，HMM）作為一種統(tǒng)計分析模型，創(chuàng)立于20世紀(jì)70年代。80年代得到了傳播和發(fā)展，成為信號處理的一個重要方向，現(xiàn)已成功地用于語音識別，行為識別，文字識別以及故障診斷等領(lǐng)域。HMM（隱馬爾可夫模型）的適應(yīng)性強、識別率高，是當(dāng)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(yīng)用平臺的訓(xùn)練部分仍在PC機上實現(xiàn)。

為了使訓(xùn)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(xué)習(xí)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(zhǔn)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。

語音識別方法主要是模式匹配法。 在訓(xùn)練階段，用戶將詞匯表中的每一詞依次說一遍，并且將其特征矢量作為模板存入模板庫。 在識別階段，將輸入語音的特征矢量依次與模板庫中的每個模板進(jìn)行相似度比較，將相似度最高者作為識別結(jié)果輸出。

訓(xùn)練算法是HMM中運算量最大、最復(fù)雜的部分，訓(xùn)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(xùn)練數(shù)據(jù)要在識別之前訓(xùn)練好并存儲。因此很多嵌入式系統(tǒng)因為資源有限不能達(dá)到高識別率和實時輸出。

本系統(tǒng)采用了自適應(yīng)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(jìn)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(jié)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(xué)習(xí)。

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(xùn)練的速度大大提高。

為了達(dá)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(jìn)。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(shè)計算分段K均值算法的輸入?yún)?shù)，對此模型進(jìn)行參數(shù)重估。首先按照HMM模型的狀態(tài)數(shù)進(jìn)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(xùn)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(dāng)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(zhuǎn)?；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(jié)束后，加入一個重估過程，以求更快地響應(yīng)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(dá)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(jìn)行訓(xùn)練。

對λ重估，并比較收斂性，最終得到HMM模型參數(shù)訓(xùn)練結(jié)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(yù)處理和特征向量的提取，用戶通過按鍵選擇學(xué)習(xí)或者識別模式；如果程序進(jìn)入訓(xùn)練過程，即用戶選擇進(jìn)行新詞條的學(xué)習(xí)，則用分段K均值法對數(shù)據(jù)進(jìn)行訓(xùn)練得到模板；如果進(jìn)入識別模式，則從Flash中調(diào)出聲音特征向量，進(jìn)行HMM算法識別。在識別出結(jié)果后，立即將識別結(jié)果作為正確結(jié)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(jié)果。系統(tǒng)軟件流程如圖2所示。

對采集到的語音進(jìn)行16kHz、12位量化，并對數(shù)字語音信號進(jìn)行預(yù)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(jìn)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(jìn)行連接詞識別，需要由訓(xùn)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(jìn)行孤立詞條的模型訓(xùn)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(gòu)筑的HMM算法將所有詞串分成孤立的詞條。對每個詞條進(jìn)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(jìn)行重估，直到收斂。

當(dāng)然本系統(tǒng)還要對語音進(jìn)行前端處理工作。主要是指在特征提取之前，先對原始語音進(jìn)行處理，部分消除噪聲和不同說話人帶來的影響，使處理后的信號更能反映語音的本質(zhì)特征。最常用的前端處理有端點檢測和語音增強。端點檢測是指在語音信號中將語音和非語音信號時段區(qū)分開來，準(zhǔn)確地確定出語音信號的起始點。經(jīng)過端點檢測后，后續(xù)處理就可以只對語音信號進(jìn)行，這對提高模型的精確度和識別正確率有重要作用。語音增強的主要任務(wù)就是消除環(huán)境噪聲對語音的影響。目前通用的方法是采用維納濾波，該方法在噪聲較大的情況下效果好于其它濾波器。

2 實驗結(jié)果

實驗采用30個人（15男，15女）的聲音模型進(jìn)行識別。首先由10人（5男，5女）對5個命令詞（前進(jìn)、后退、左移、右移、快速）分別進(jìn)行初始數(shù)據(jù)訓(xùn)練，每人每詞訓(xùn)練10次，得到訓(xùn)練模板。然后再由這30人隨機進(jìn)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(jié)果。

逐步增加高斯混合度數(shù)目，可以得到圖4的實驗結(jié)果?？梢姼咚够旌隙仍?8的時候達(dá)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(fù)雜度的增長超過了嵌入式設(shè)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(xué)習(xí)的語音識別，能方便地對微機器人進(jìn)行控制。

本系統(tǒng)的識別率達(dá)到了較高的標(biāo)準(zhǔn)，又由于加入了智能化的用戶選擇部分，用戶可隨時選擇學(xué)習(xí)新的語句，使其有更廣闊的應(yīng)用前景。

結(jié)論

本文介紹了一種應(yīng)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(jié)果表明，這種實時學(xué)習(xí)的語音識別算法適合嵌入式應(yīng)用。當(dāng)然由于嵌入式平臺受到處理速度、存儲空間的限制，所以能夠?qū)ξC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(jìn)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(jìn)一步的工作。相信在科學(xué)技術(shù)的發(fā)展迅速社會背景下，這個語音控制微型機器人的技術(shù)會逐漸發(fā)展起來，最終達(dá)到人機交流與人人交流一般。讓微型機器人的應(yīng)用更加廣泛。