何勇军 孙广路 付茂国 韩纪庆

（1.哈尔滨理工大学计算机科学与技术学院，哈尔滨，150080；2.哈尔滨工业大学计算机科学与技术学院，哈尔滨，150001）

引 言

说话人识别在过去的几十年里受到了广泛关注，吸引了大量学者进行深入研究。传统方法比如高斯混合-通用背景模型（Gaussian mixture model-Universal background model，GMM-UBM）［1］，高斯混合-支持向量机（Gaussian mixture model-sup-port vector machine，GMM-SVM）［2］和联合因素分析（Joint factor analysis，JFA）［3］等，在无噪的理想情况下取得了令人满意的识别率；然而在噪声环境［4］下其性能将急剧降低，这严重限制了说话人识别技术走向现实应用。

为解决这一问题，研究者们提出了大量方法，这些方法大致可分为两类。第一类是提取鲁棒特性，例如线性预测倒谱系数（Linear prediction cepstral coefficient，LPCC），梅尔倒谱系数（Mel-frequency cepstral coefficient，MFCC）［5］和感知线性预测系数（Perceptual linear predictions，PLPs）。特征类方法相对简单，计算复杂度低，可以集成在识别系统的前端，但其性能有限。因为目前还没有一种特征能有选择地只表示语音而不表示噪声。第二类方法则尝试首先去除语音中噪声，然后从增强后的语音中提取特征，典型的有谱减法和维纳滤波。然而，噪声常常是非平稳的，有些噪声甚至像语音，很难建模和估计。因此这类方法不可避免地会造成语音特征的进一步畸变。而现实情况是目前的说话人识别方法对这种畸变是非常敏感。因此，希望采用新技术来解决这个问题。

近年来，研究者们对稀疏编码［6］进行了广泛而深入的研究，为噪声环境下的说话人识别提供了可能的解决方案。稀疏编码用一组原子（基元信号）来表示信号，所有原子的集合称为原子字典。……