MFCC语音信号特征提取——主要知识点总结

MFCCs(Mel Frequency Cepstral Coefficents) 是一种常用语语音识别，说话人识别的特征提取方法。

一、提取特征的主要过程：

1. 对语音进行预加重、分帧和加窗；
2. 对每一个 短时分析窗，通过FFT 得到对应的 频谱；
3. 将上面的频谱通过 Mel滤波器组 得到 Mel频谱；
4. 在Mel 频谱上面进行倒谱分析，获得 MFCC【Mel频率倒谱系数】，这个MFCC就是这帧语音的特征；

1、预加重

对输入的语音信号进行高频部分的提升，使信号的频谱变得平坦，保持在低频到高频的整个频带重，能用同样的信噪比求频谱。此外，对发声过程中声带和嘴唇产生的影响进行消除。

2、分帧

帧时：（frame duration) 将N个采样点集合成一个观测单元，称为帧。
通常，设定N=256或者512；时间为20~30ms；
一般人说话的声音在10ms-30ms的时间段内被认为是短时平稳的，所以一般取10~25时间作为帧时；
帧移：（frame shift) 为了避免相邻两帧的变化过大，两个帧之间有一段重叠的区域，包含M个采样点。表示取下一帧时窗移动的距离（毫秒级）。
通常，设定M=1/2 N或者M=1/3N；
通常，语音识别语音识别的采样频率为8KHZ 或16KHZ，如果帧的长度为256个采样点，那么对应的帧移时间长度为256/8000 *1000 = 32ms;

通常，帧时取25ms或者20ms.帧移取10ms.

3、预加重系数（preemphasis coefficient)

相当于高通滤波器。
通常，取0.95-0.97.

speech = filter([1-alpha], 1, speech);

alpha 就是预加重系数，speech还是原来得到的语音信号。

4、加窗（Hamming Window) ——w(n)

将每一帧乘上汉明窗，增加帧左端和右端的连续性。
假设，分帧之后的信号为S（n）, n = 0 , 1 , . . .