9、语音情感与面部识别技术解析

语音情感与面部识别技术解析

语音情感识别

语音情感识别在自然交互和智能服务领域具有重要意义。传统方法存在一定局限性，如Deng等人提出的方法虽有较好的情感分类率，但在连续变化的情感识别上表现滞后；Badshah等人的模型因使用最少标注数据训练，难以确保正确的情感识别。

MFCC模型特征提取

MFCC（Mel频率倒谱系数）是基于人类听觉能力计算的，用于提取语音信号中识别情感所需的不同特征。其特征提取过程如下：
1. 预处理 ：对所有.wav格式的语音文件，以16k样本的采样频率确定每个文件的强度，通过加权平均和零填充使所有文件长度一致。
2. 预加重 ：将语音信号通过滤波器，增加信号能量，提供更多数据。
3. 分帧 ：将语音信号划分为20 - 40ms的帧，确保语音大小一致，虽语音信号非平稳，但短时间内可视为平稳信号。
4. 加窗 ：在分帧后进行，减少每帧开始和结束处的语音信号不一致性，帧移动范围为10ms，使每帧包含前一帧的部分内容。
5. FFT ：将所有帧从时域转换为频域，得到频率谱，用于发现特定帧中存在的所有频率。
6. Mel尺度通道银行 ：将每帧语音信号通过20 - 30个三角滤波器，确定给定帧中的能量，普通频率X和Mel尺度Y的关系为：$Y = 2595 * log(1 + X/700)$。
7. 对数函数 ：基于人类听力能力，在确定