0 引 言
說話人身份識別屬于生物認證技術(shù)的一種，是一項根據(jù)語音中反映說話人生理和行為特征的語音參數(shù)來自動識別說話人身份的技術(shù)。近年來，說話人身份識別以其獨特的方便性、經(jīng)濟性和準(zhǔn)確性等優(yōu)勢受到矚目，在信息安全等領(lǐng)域的應(yīng)用逐漸增大，并成為人們?nèi)粘Ｉ詈凸ぷ髦兄匾移占暗陌踩炞C方式。目前，說話人身份識別在理論上和實驗室條件下已經(jīng)達到了比較高的識別精度，并開始走向?qū)嶋H應(yīng)用階段。AT&T、歐洲電信聯(lián)盟、ITT、Keyware、T-NETIX，Motorola和Vi-sa等公司相繼開展了相關(guān)實用化研究，國內(nèi)這方面研究主要在中科聲學(xué)所，中科院自動化所，清華大學(xué)等研究所和大學(xué)中進行。
基于嵌入式的說話人身份識別系統(tǒng)具有高精度，適時性好，低功耗，低費用，體積小等優(yōu)勢，逐漸成為說話人身份識別面向?qū)嶋H應(yīng)用的新熱點。而隨著DSP新技術(shù)的發(fā)展，DSP芯片無論在處理速度、精度、功耗或者體積等方面都取得了突破性的進展。DSP也越來越多的應(yīng)用于說話人身份識別。但目前這方面研究主要局限于小數(shù)據(jù)量、與PC機配套使用上，沒有太大的實用價值。在此介紹一種基于TMS320C6713 DSP芯片設(shè)計的嵌入式，10個人范圍的說話人身份識別系統(tǒng)。該系統(tǒng)可以自舉運行，并可靈活的選擇訓(xùn)練、識別或者更換訓(xùn)練者、識別者，識別率達98％以上。
1 系統(tǒng)的架構(gòu)及硬件構(gòu)成
系統(tǒng)總體實現(xiàn)流程如圖1所示。系統(tǒng)主要分為訓(xùn)練和識別兩部分，系統(tǒng)初始化后由操作者控制訓(xùn)練或識別。訓(xùn)練目的是提取說話人模型參數(shù)并將其存儲在FLASH ROM中。識別目的是讀取待識別者語音信息并將獲得的模型參數(shù)與訓(xùn)練的模型參數(shù)比較，從而獲得識別結(jié)果。
1．1 系統(tǒng)的主要硬件構(gòu)成
系統(tǒng)硬件構(gòu)成如圖2所示，主要包含語音采集模塊、數(shù)據(jù)處理模塊(DSP)、程序數(shù)據(jù)存儲及自舉FLASH模塊、數(shù)據(jù)存儲器RAM模塊、系統(tǒng)時序邏輯控制CPLD模塊、JTAG接口模塊。
語音采集模塊主要由TLV320AIC23音頻編解碼器來完成，該芯片是TI公司的一款高性能的立體聲音頻Codec芯片，內(nèi)置放大器，輸入／輸出增益可編程設(shè)置。模數(shù)，數(shù)／模轉(zhuǎn)換集成在一塊芯片中。采樣率8～96 kHz可編程實現(xiàn)。另外還具有低功耗，連接電路簡單，性價比高的特點。
語音處理DSP采用TI公司的TMS320C6713芯片，該芯片實現(xiàn)浮點運算，最高時鐘頻率225 MHz，使用該芯片外部存儲器接口可實現(xiàn)對外部存儲器(SDRAM)數(shù)據(jù)傳輸和程序存儲器(FLASH ROM)進行程序讀寫；依靠JTAG接口電路通過仿真器進行仿真調(diào)試，實現(xiàn)與主機數(shù)據(jù)交換；通過片內(nèi)外設(shè)McBSP完成串行數(shù)據(jù)的接收和發(fā)送，實現(xiàn)對音頻處理模塊的控制等工作。
FLASH ROM最大可提供512 KB空間，通常為前256 KB可用。SDRAM最大容量為16 MB，為該系統(tǒng)提供較大的數(shù)據(jù)存儲空間。CPLD為存儲器的擴展實現(xiàn)邏輯編碼。電源為TPS54310芯片，可為系統(tǒng)提供3．3 V和1．26 V兩種電壓。
1．2 選擇說話人
該系統(tǒng)要訓(xùn)練10個人的語音，每個人的語音存放在FLASH ROM的不同位置。在訓(xùn)練的開始階段，系統(tǒng)需確定當(dāng)前訓(xùn)練者的身份，以便對訓(xùn)練完成后說話者模型參數(shù)存儲位置有準(zhǔn)確的判斷。對當(dāng)前訓(xùn)練者身份的選擇由系統(tǒng)中的4個Switch實現(xiàn)。若把每個Switch的開關(guān)兩種狀態(tài)看成是二進制數(shù)的0，1，則最終可形成16種組合，代表16個人。該系統(tǒng)選取前10個組合。
1．3 AIC23語音采集
考慮到系統(tǒng)的實用性，語音的輸入由mic in接口輸入。語音采集若設(shè)為雙聲道，則采集的左右聲道數(shù)據(jù)差別不大，對識別沒有太大的幫助，而且采集到的語音會占用太大存儲器空間，故采用單聲道采樣；對于采樣精度要求，TLV320AIC23可實現(xiàn)8～96 kHz，16 b，20 b，24 b，32 b，的不同采樣，隨著采樣頻率的提高，采樣間隔將相應(yīng)的縮短，要求更大的內(nèi)存空間和更長的處理時間，實驗表明，采樣率由16 kHz下降到8 kHz，所造成的識別率的微乎其微，但是可以節(jié)省50％的動態(tài)存儲空間，并可減少大量的運算。對于采樣位數(shù)，16 b精度已能滿足該系統(tǒng)要求，故采樣精度設(shè)為8 kHz，16 b采樣。
