基于分形特征的智能轮椅语音识别控制方法及系统

1.基于分形特征的智能轮椅语音识别控制方法，其特征在于：包括以下步骤：
S1：语音信号命令词输入；
S2：对语音信号进行预处理；
S3：提取经过预处理后语音信号的特征参数；
S4：将特征参数与模板库的模板进行模式匹配；
S5：选择匹配相似度最高的模板作为识别结果；
S6：将该识别结果转换成智能轮椅的运动命令；
S7：调用相应的控制函数，驱动智能轮椅按照语音信号进行运动。
2.根据权利要求1所述的基于分形特征的智能轮椅语音识别控制方法，其特征在于：
所述步骤S2中的预处理，包括语音的预加重滤波、加窗分帧处理与双门限端点检测。
3.根据权利要求1所述的基于分形特征的智能轮椅语音识别控制方法，其特征在于：
所述步骤S3中的特征提取包括以下步骤：
S31：提取语音信号的Mel频率倒谱系数MFCC参数；
S311：首先确定每一帧语音采样序列的点数，对每帧序列s(n)进行预加重滤波处理；
S312：再进行离散傅立叶变换FFT变换，取模的平方得到离散功率谱S(n)；
S313：在语音的频谱范围内设置若干个带通滤波器；在某一频谱范围内的语音可以通过此带通滤波器，而其它范围的语音频谱被衰减至极低值。此带通滤波器如下：
Hm(n)，m＝0，1，·，M-1，n＝0，1，·，N/2-1
其中Hm(n)为每个带通滤波器的传递函数，M为滤波器的个数，通常取24，N为一帧语音信号的点数；
S314：将离散功率谱转换为Mel频率下的功率谱S(n)；
计算S(n)通过M个Hm(n)后所得的功率值，即计算S(n)和Hm(n)在各离散频率点上乘积之和，得到M个参数Pm，m＝0，1，·，M-1，此处Pm为中心频率；
S315：计算Pm的自然对数，得到Lm，m＝0，1，·，M-1，此处Lm为对数频谱。
S316：对L0，L1，·，Lm-1计算其离散余弦变换，得到Dm，m＝0，1，·，M-1；
S317：舍去代表直流成分的D0，取D1，D2，·，DK作为MFCC参数；
S32：提取语音的动态特征，作为一帧语音信号的特征参数，
用差分倒谱参数来描述语音的动态特征，计算公式为：
其中c和d都表示一帧语音参数，k为常数，通常取2，差分参数就称为当前帧的前两帧和后两帧参数的线性组合；由此式计算得到的差分参数为一阶MFCC差分参数，实际使用中，将MFCC参数和各阶MFCC差分参数合并为一个矢量；
S33：提取语音信号的分形维数作为分形特征；
S331：将语音信号归一化到单位正方形区域，得到归一化信号x(t)；
S332：将正方形区域划分为边长为s的网格，计算出logN(s)，log(1/s)，N(s)表示用边长为s的网格覆盖x(t)所需要的最小正方形个数，改变s的大小，计算相应的logN(s)，log(1/s)；
S 333：令xi＝log(1/si)，yi＝logN(si)，i＝1，2，·，M，利用(xi，yi)最小二乘拟合直线y＝kx+b，k即为计盒维数DB，DB的计算公式为：
语音信号的分形特征由分形维数来定量表征；由此求出语音信号的分形特征值作为语音信号的特征参数；
S34：提取混合特征参数，
将分形维数DB和一阶MFCC差分参数合并到MFCC参数中组成混合的特征参数MFCC+ΔMFCC+D；
其中，ΔMFCC为一阶MFCC差分参数，D为分形维数。
4.根据权利要求1所述的基于分形特征的智能轮椅语音识别控制方法，其特征在于：
所述步骤S4中的模板库是经过特征训练形成的：对语音信号进行预处理后提取特征参数，得到每个语音信号命令词的特征参数模板，保存在模板库中形成该命令词在模板库中的参考模板。
5.根据权利要求1所述的基于分形特征的智能轮椅语音识别控制方法，其特征在于：
所述步骤S5包括以下步骤：
S51：从语音信号中提取特征参数生成测试模板；
S52：将测试模板与模板库中的参考模板进行模式匹配；
S53：选择匹配相似度最高的参考模板作为识别结果。
6.根据权利要求1所述的基于分形特征的智能轮椅语音识别控制方法，其特征在于：
所述模板库的特征训练训练和模式匹配采用隐马尔可夫模型方法。
7.基于分形特征的智能轮椅语音识别控制系统，其特征在于：包括
语音信号输入模块，用于输入语音信号命令词；
语音信号预处理模块，用于对语音信号进行预处理；语音的预加重滤波、加窗分帧处理与双门限端点检测；
语音信号的特征参数提取模块，用于提取经过预处理后语音信号的特征参数；
匹配模块，用于将特征参数与模板库的模板进行模式匹配；
判断模块，用于选择匹配相似度最高的模板作为识别结果；
命令转换模块，用于将该识别结果转换成智能轮椅的运动命令；
控制模块，用于调用相应的控制函数，驱动智能轮椅按照语音信号进行运动。
8.根据权利要求7所述的基于分形特征的智能轮椅语音识别控制系统，其特征在于：
所述语音信号的特征参数提取模块，包括MFCC参数提取模块、动态特征提取模块、分形特征提取模块和混合特征参数提取模块；
所述MFCC参数提取模块，用于执行以下步骤：
首先确定每一帧语音采样序列的点数，对每帧序列s(n)进行预加重滤波处理；
再进行离散FFT变换，取模的平方得到离散功率谱S(n)；
在语音的频谱范围内设置若干个带通滤波器；
Hm(n)，m＝0，1，·，M-1，n＝0，1，·，N/2-1
其中M为滤波器的个数，通常取24，N为一帧语音信号的点数；
将离散功率谱转换为Mel频率下的功率谱S(n)；
计算S(n)通过M个Hm(n)后所得的功率值，即计算S(n)和Hm(n)在各离散频率点上乘积之和，得到M个参数Pm，m＝0，1，·，M-1；
计算Pm的自然对数，得到Lm，m＝0，1，·，M-1
对L0，L1，·，Lm-1计算其离散余弦变换，得到Dm，m＝0，1，·，M-1；
舍去代表直流成分的D0，取D1，D2，·，DK作为MFCC参数；
所述动态特征提取模块，用于以下公式来计算：
其中c和d都表示一帧语音参数，k为常数，通常取2，差分参数就称为当前帧的前两帧和后两帧参数的线性组合；由此式计算得到的差分参数为一阶MFCC差分参数，实际使用中，将MFCC参数和各阶MFCC差分参数合并为一个矢量；
所述分形特征提取模块，用于提取语音信号的分形维数作为分形特征，执行以下步骤：
将语音信号归一化到单位正方形区域，得到归一化信号x(t)；
将正方形区域划分为边长为s的网格，计算出logN(s)，log(1/s)，N(s)表示用边长为s的网格覆盖x(t)所需要的最小正方形个数，改变s的大小，计算相应的logN(s)，log(1/s)；
令xi＝log(1/si)，yi＝logN(si)，i＝1，2，·，M，利用(xi，yi)最小二乘拟合直线y＝kx+b，k即为计盒维数DB，DB的计算公式为：
语音信号的分形特征由分形维数来定量表征；由此求出语音信号的分形特征值作为语音信号的特征参数；
所述混合特征参数提取模块，用于形成混合特征参数，将分形维数DB和一阶MFCC差分参数合并到MFCC参数中组成混合的特征参数MFCC+ΔMFCC+D；
其中，ΔMFCC为一阶MFCC差分参数，D为分形维数。
9.根据权利要求7所述的基于分形特征的智能轮椅语音识别控制系统，其特征在于：
所述匹配模块中的模板库是经过特征训练形成的：对语音信号进行预处理后提取特征参数，得到每个语音信号命令词的特征参数模板，保存在模板库中形成该命令词在模板库中的参考模板。
10.根据权利要求7所述的基于分形特征的智能轮椅语音识别控制系统，其特征在于：
还包括语音输入装置、信号处理装置、无线通信装置和智能轮椅本体，所述语音命令信号通过语音输入装置传输到信号处理装置进行信号处理得到控制智能轮椅本体的命令，该控制命令通过无线通信装置传输到智能轮椅本体实现智能轮椅本体的运动。

暂无