语音是人类进行信息交换的一种最便捷的方式, 近些年来随着计算机、通讯技术的发展, 语音识别技术的重要性进一步得以体现。与此同时, 在机器人研究领域, 智能机器人成为研究的热点。智能机器人系统综合运用了多种人工智能技术, 其目标是建立起一个 人 的模型, 让机器人听懂人的语言就是其中之一[ 1] 。语音识别是研究如何采用数字信号处理技术自动提取以及决定语音信号中最基本、最有意义的信息的一门新兴的边缘学科。目前, 常用的语音识别算法有: 基于模板匹配的动态时间规整法 (DTW) 、基于统计模型的隐马尔柯夫模型法(HMM) 以及基于神经网络的识别法等[ 2] 。进入 20 世纪 80 年代以后, 语音识别技术的研究更加活跃, 研究的重点也由小词汇量、特定人非连续的语音识别逐渐转向大词汇量、非特定人连续语音识别。在研究思路上也发生了重大变化, 即由传统的基于标准模板匹配的技术思路开始转向基于统计模型、特别是隐马尔柯夫模型( HMM) 的技术思路。但是, 在识别词汇量不是很大的应用场合中, 基于模板匹配的语音识别技术不但简单方便、实时性好, 而且有着较高的识别率, 所以仍然有着广泛的应用前景。本文将基于模板匹配的语音识别技术成功的应用于机器人控制系统, 实现了机器人的语音控制, 使机器人具有了听觉功能。
1 基于模板匹配的语音识别技术
语音信号一个极其重要的特点就是 短时性 , 即语音信号的特征是随时间而变化的, 但在一段较短的时间间隔中, 可以认为语音信号的特征基本保持不变, 这也是语音信号数字处理的一个重要出发点。
1. 1 语音识别的基本原理
语音信号的发声模型如图 1 所示。时变数字滤波器 H ( z ) 用来模拟声道的形状, 增益因子 G 给出声音的强度。在处理时, 常认为在一个短时段内声道形状基本保持不变, 即可设在短时段内数字滤波器是 时不变 的, 当设滤波器的 Z 传递函数H ( z ) 为全极点模型时( 实际并非全极点模型, 全极点模型是一个简化的模型, 但是它足以描述大多数情况下声音的产生) , H ( z ) 可表示为:
完整的word格式文档51黑下载地址：
机器人语音控制及其实现-罗志增.docx
(244.47 KB, 下载次数: 10)
|
