王家盛，郭其威，吴 松，马建敏

(1. 复旦大学航空航天系，上海200433；2. 上海宇航系统工程研究所，上海201109)

0 引 言

声纹识别技术是生物识别技术的一种，借助人体生物特征或者行为特征对身份进行识别。与其他生物识别技术相比，说话人识别具有简便经济，隐藏性高以及获取成本廉价等优势，可广泛应用于公共安全、金融服务、智能硬件等应用场景。

在声纹识别中，影响识别率最大的就是特征参数的提取与选择。目前主流的说话人特征主要是提取以梅尔倒谱系数(Mel Frequency Cepstrum Coefficient, MFCC)为代表的基于人耳听觉感知特性的特征参数，类似的特征还有伽马通频率倒谱系数(Gammatone Frequency Cepstral Coefficients, GFCC)、耳蜗滤波器特征参数(Cochlear Filter Cepstral Coefficients, CFCC)等。其中，在大量的实验中已证实MFCC具有优异的识别率表现，故对MFCC特征参数的优化与改进一直都是说话人识别研究中的重点。目前以优化特征的方式去改善声纹识别性能的研究，主要可分为三个方向，即针对特征提取过程的改进、特征融合以及差异化特征分量。

在MFCC的提取过程中，实际上存在许多的简单设定，并不能很好地模拟人耳听觉效应。如传统的傅里叶变换仅能提供2π/N等分的固定频率分辨率，单个三角带通滤波器呈中心对称分布等。张怡然等通过引入多窗谱估计代替传统的加汉明窗求频谱的操作，减少了频谱估计的方差值，能使特征更好地反映出声道的结构[1]。章熙春等将弯折傅里叶变换(Wrapped Discrete Fourier transform, WDFT)应用到MFCC特征中以提高低频段的频率分辨率[2]，邓蕾等采用弯折滤波器组(Warped Filter Banks,WFBS)基于人耳基底膜感知频率群在低频处密集、高频处宽松的分布特性，更好地模拟出人耳的听觉机理[3]。……