利用Python通过频谱分析和KNN完成iphone拨号的语音识别

最新推荐文章于 2023-08-24 10:18:31 发布

王大宝的CD

最新推荐文章于 2023-08-24 10:18:31 发布

阅读量4.5k

点赞数 10

CC 4.0 BY-SA版权

分类专栏：数据挖掘文章标签： python 机器学习数据挖掘数据

本文链接：https://blog.youkuaiyun.com/sinat_22594309/article/details/77773504

最近这段时间，学校里的事情实在太多了，从七月下旬一直到八月底实验室里基本天天十二点或者通宵，实在是没有精力和时间来写博客。这周老师出国开会，也算有了一个短暂的休息机会，刚好写点有意思的东西。

上周在天津的会议上碰到一个北交的姐们儿，她想利用小波变换来处理失超信号，刚好之前自己就有这个想法，所以回来后就想着把相关的内容好好复习复习，最相关的就是傅里叶分析和小波变换了。数学推导固然重要，但写那个实在是太乏味了，然后想到之前网上一个新闻，说一个同学通过新闻里记者拨号的声音反推出了周鸿祎的手机号码，就想着能不能自己也做一个这样的号码识别程序呢？

说做就做，首先整理一下思路，我觉得大概的流程应该包括一下几步：

1 单键声音的采集与分析

这是后面号码识别的基础，针对每个按键音分析其在频域上的分布规律进而得到一个基准，后面再采集到的声音可据此进行判定。

2 声音的降噪

自己录的这些声音总不会太完美，直接进行频谱分析，会得到一个非常杂乱的结果，所以有效的声音降噪可以帮助我们更加精确地进行判断。

3 号码识别思路

我想的方案主要是两种，刚好也符合我最近复习的这两种变换

A 对声音文件进行有效区域划分，然后对每个区域单独进行频谱分析，然后比对训练数据，推断每一处对应的号码，最后输出。

B 采用小波分析，输出对应声音文件的小波时频图，观察其在不同时刻频域各处强度的变化，进而确定所拨的号码。

两种方案我感觉应该都可以，不过第一种感觉相对要简单一点，所以我们就先来试试第一个。

Ok，那第一步我们得先找到合适的单个按键音数据，这个上网一搜iphone按键音就找到了，下载下来发现刚好又是wav文件，可以用Python自带的wave库直接处理，简直美滋滋。

简单说一下wave库，用它读取一个wave文件后，我们可以获取四个参数，包括通道数目，样本宽度，采样率以及采样数目。根据通道数目，你可以确定是单通道和双通道，如果是单通道你直接读取采样文件就行，但如果是双通道，采样是一左一右轮着来的，所以到时候你还得把它分成两列，然后选择其中一列来读。从网上下载的这些音源刚好是单声道的，所以直接读取就行了，下面以0为例，读取它的波形并画出来。

import numpy as np
import wave
from matplotlib import pyplot as plt
file_path='C:\Users\**\Desktop\iphone\dtmf-0.wav'
f=wave.open(file_path,'rb')
num=file_path[-5] 
params=f.getparams()
nchannels,samplewidth,framerate,nframes=params[:4]
str_data=f.readframes(nframes)
f.close()
wave_data=np.fromstring(str_data,dtype=np.short)
wave_data.shape=-1,1
if nchannels==2:
    wave_data.shape=-1,2
else:
    pass
wave_data=wave_data.T
time=np.arange(0,nframes)*(1.0/framerate)
plt.subplot(211)
plt.plot(time,wave_data[0],'r-')
plt.xlabel('Time/s')
plt.ylabel('Ampltitude')
plt.title('Num '+num+' time/ampltitude')
plt.show()

结果如下

其实波形看起来还是比较规律的，但明显是有不同频率的波叠加在一起，所以下一步我们采用傅里叶分析，看看它在频域上是什么样的。Python中进行傅里叶分析是十分方便的，直接利用numpy中的fft就行，分解完成后，考虑到高频的成分不需要，所以选择4000做个阈值，超出这个区域的都舍掉。另外，因为目前我并不考虑信号的重构，所以我直接把对应频率的幅值去了绝对值，这样方便我下一步寻找波峰。完成这些操作后，画个频谱图看看有什么规律。

df=framerate/(nframes-1)
freq=[df*n for n in range(0,nframes)]
transformed=np.fft.fft(wave_data[0])
d=int(len(transformed)/2)
while freq[d]>4000:
    d-=10
freq=freq[:d]
transformed=transformed[:d]
for i,data in enumerate(transformed):
    transformed[i]=abs(data)
plt.subplot(212)
plt.plot(freq,transformed,'b-')
plt.xlabel('Freq/Hz')
plt.ylabel('Ampltitude')
plt.title('Num '+num+' freq/ampltitude')
plt.show()

结果如下

哎呀我去，这也太完美了吧……我都怀疑下的这些波形文件是电脑写的，也太规整了，仅在两个频率处出现了峰值，其余处为0，感觉事情并不简单，上网查了一圈发现Iphone的按键音采用的是DTMF，双音多频，每个按键音都是一个高频加一个低频信号的叠加。原来如此，那我就放心继续做下去了。那么下一步是提取这两个频率值，上面我已经说了，为了方便我寻找这两个波峰，我已经将平率对应幅度全部取绝对值，现在其实就是找到两个局部极值对应的频率就好。那首先找到两个极大值，然后确定它们的位置再对应到频域上就OK，代码如下

local_max=[]
for i in np.arange(1,len(transformed)-1):
    if transformed[i]>transformed[i-1] and transformed[i]>transformed[i+1]:
        local_max.append(transformed[i])
local_max=sorted(local_max)
loc1=np.where(transformed==local_max[-1])
max_freq=freq[loc1[0][0]]
loc1=np.where(transformed==local_max[-2])
min_freq=freq[loc1[0][0]]
print 'Two freq ',max_freq,min_freq

结果如下

Two freq 1278 900