论文部分内容阅读
针对混响环境中语音识别率相对安静环境下急剧下降的问题，提出了一种将语音视觉信息与音频特征相结合的方法。通过快速检测和定位包含说话人唇部的感兴趣区域（ROI），获得ROI图像序列。首先对ROI图像进行离散余弦变换，提取反映说话人唇动的视觉特征。音频特征的提取，则采用较为成熟的Mel频率倒谱系数（MF—CC）方法。对所获取的视、音特征采用隐马尔可夫模型作为训练识别算法。测试实验结果证明，采用视、听特征相结合的方法，有效地提高了混响环境中的语音识别率。