姜 囡 谢俊仪

（中国刑事警察学院声像资料检验技术系 辽宁 沈阳 110035）

1 引言

近年来，随着语音信号的端点检测技术的发展成熟，常用的方法也多种多样。小波分析（Wavelet Analysis，WA）在时域和频域都能够很好的表现信号的局部特征，且时频分辨率是可变的，能够满足语音信号提取特征量的需求，但是在信号的高频段分辨率较差，利用小波变换去噪的关键就是阈值的选取，阈值过小则重构信号中仍有噪声存在或信号中有效部分滤掉即信号失真[1-4]。小波包变换（Wavelet Packet Transform）突破了小波分析对信号频带划分的局限性，不仅对低通子带进行分析，也对高通分量进行分解，可以将频带进行多层次的划分，是一种更加精细的分析方法，但是在最优层级的选取上存在困难[5-8]。高阶累积量（Higherorder Cumulant）的一个重要特征是服从高斯分布信号的高阶累积量恒等于零，而非高斯信号的高阶累积量不为零，利用这一特点将非高斯的语音信号从高斯噪声中提取出来，但在实际应用中，也常会遇到非高斯的加性噪声，仅靠高阶累积量来提取语音信号会导致准确率下降[9-12]。

本文通过提出基于小波包和高阶累积量的语音端点检测技术，帮助提高语音端点检测的准确率。改进的算法通过结合小波包变换和高阶累积量，避免了小波变换在时间和频率方面对信号分析不全面以及高阶累积量在复杂噪声环境下只考虑高斯噪声的局限性。实验表明基于小波包和高阶积累的语音端点检测技术更具有优越性，在法庭科学实践领域具有重要的意义[13]。……