阅读说明：本技术 声音识别方法、装置、计算机装置及存储介质 (Voice recognition method, voice recognition apparatus, computer apparatus, and storage medium ) 是由 林忠亿 于 2019-03-14 设计创作，主要内容包括：本发明提供一种声音识别方法、声音识别装置、计算机装置及计算机可读存储介质,所述方法包括：获取原始音频信息后,将所述音频信息转换成数字化的时频图；对所述时频图进行压缩分段整理后得到所述时频图对应的声音图像；使用图像识别的方法识别所述声音图像,得到图像信息增强后的声音图像,在预设数据库中查找与图像信息增强后的声音图像对应的声音信息。本发明声音识别方法使得声音信息在转换成图像的过程中,图像信息的损失降低,提高声音识别的转换率,从而提高了声音识别的准确率。(The invention provides a voice recognition method, a voice recognition device, a computer device and a computer readable storage medium, wherein the method comprises the following steps: after original audio information is obtained, converting the audio information into a digital time-frequency graph; compressing, segmenting and arranging the time-frequency graph to obtain a sound image corresponding to the time-frequency graph; and identifying the sound image by using an image identification method to obtain the sound image with enhanced image information, and searching the sound information corresponding to the sound image with enhanced image information in a preset database. The voice recognition method of the invention reduces the loss of image information in the process of converting the voice information into the image, and improves the conversion rate of voice recognition, thereby improving the accuracy rate of voice recognition.)

声音识别方法、装置、计算机装置及存储介质

技术领域

本发明涉及语音识别技术领域，具体涉及一种声音识别方法、声音识别装置、计算机装置及计算机可读存储介质。

背景技术

随着电子设备的普及，为了提高控制电子设备的便利性，越来越多的电子设备加载了语音控制功能，可以使电子设备的使用更加便利。例如，智能手机、智能家居、智能车载系统，用户可以通过语音来控制电子设备并执行相应的功能。因此，对语音识别的准确性有很高的要求，传统的语音识别方法是将收集到的声音信息转换为声音信息的时频图，然后将声音信息的时频图利用图像处理的方法，将时频图直接压缩调整到图像处理模型要求的长宽比，图像在压缩的过程中，图像信息损失严重，导致声音信息的丢失。因此需要提供一种新的声音识别方法，使得声音信息在转换成图像在进行压缩处理的过程中，图像信息损失降低，提高声音识别的转换率。

发明内容

鉴于以上内容，有必要提出一种声音识别方法及装置、计算机装置和计算机可读存储介质，使得声音识别在转换成图像的过程中，图像信息的损失降低，提高声音识别的转换率，从而提高了声音识别的准确率。

本申请的第一方面提供声音识别方法，所述方法包括：

获取原始音频信息后，将所述音频信息转换成数字化的时频图；

对所述时频图进行压缩分段整理后得到所述时频图对应的声音图像；

使用图像识别的方法识别所述声音图像，得到图像信息增强后的声音图像，在预设数据库中查找与图像信息增强后的声音图像对应的声音信息。

所述获取原始音频信息后，将所述音频信息转换成数字化的时频图的方法为：

获取音频信息后，将所述音频信息进行取样得到数字声音文件，再经过傅里叶变换得到声音信号时频图。

对所述时频图进行压缩分段整理的方法包括：

获取声音信号时频图后，截取预设频率范围和预设时间范围内的时频图，获取时频图上不同频率对应的声音强度信息，将不同频率对应的声音强度信息进行数据整理，将整理后的声音强度为向量元素组成一个一维向量，所述一维向量的长度与所述预设频率范围相同；

将所述一维向量以预设间隔进行切分，得到多段一维向量；

将切分后的所有一维向量组合为一个二维向量，将所述二维向量组成的二维矩阵用图像表示；

判断所述图像大小是否和预设图像大小一致，如果一致则使用图像识别方法进行识别，如果不一致，则通过补白的方式将所述图像补成与预设图像相同的大小。

所述预设频率范围与所述预设图像大小以及人耳能辨别的声音频率范围相关，预设频率范围为F，所述预设图像大小为L×L，人耳能辨别的声音频率的最大值为20000Hz，最小值为20Hz，所述预设频率范围的计算方程为：

其中人耳所能感觉到的声音范围为人耳能辨别的声音频率的最大值减去最小值，若人耳能感觉到的声音范围除以图像尺寸L不能整除，则取商的整数部分加1。

所述将不同频率对应的声音强度信息进行数据整理的方法为：将相同频率上的声音强度进行统计学整理，使用的统计学整理的方法包括算数平均数、加权平均、取最大值的方法中的任一方法。

通过补白的方式将所述图像补成与预设图像相同的大小的方法为：所述图像为由声音强度为元素组成的二维矩阵，所述矩阵的大小为N×L，所述预设图像的大小为L×L，若N和L不相等，则将所述矩阵扩充成L×L大小的矩阵，扩充后矩阵中的空白元素用0补齐。

所述使用图像识别的方法识别所述声音图像，在预设数据库中查找与图像信息增强后的声音图像对应的声音信息包括：

所述图像识别方法为卷积神经网络识别方法；

将所述声音图像导入卷积神经网络经过卷积层、池化层和全连接层的处理后，得到图像信息增强后的声音图像；

将增强后的声音图像与预设数据库中的图像进行比对，所述预设数据库中的每张图像信息都代表一种声音；

通过与预设数据库中的图像进行比对得到所述声音图像对应的声音信息。

本申请的第二方面提供一种声音识别装置，所述装置包括：

声音获取模块：获取原始音频信息后，将所述音频信息转换成数字化的时频图；

声音处理模块：对所述时频图进行压缩分段整理后得到所述时频图对应的声音图像；

声音识别模块：使用图像识别的方法识别所述声音图像，得到图像信息增强后的声音图像，在预设数据库中查找与图像信息增强后的声音图像对应的声音信息。

本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前所述声音识别方法。

本申请的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述声音识别方法。

本发明声音识别方法使得声音信息在转换成图像的过程中，图像信息的损失降低，提高声音识别的转换率，从而提高了声音识别的准确率。

附图说明

图1是本发明实施例一提供的声音识别方法的应用环境架构示意图。

图2是本发明实施例二提供的声音识别方法流程图。

图3是本发明实施例三提供的声音识别装置的结构示意图。

图4是本发明实施例四提供的计算机装置示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

实施例一

参阅图1所示，为本发明实施例一提供的声音识别方法的应用环境架构示意图。

本发明中的声音识别方法应用在计算机装置1中，所述计算机装置1和至少一个用户终端2通过网络建立通信连接。所述网络可以是有线网络，也可以是无线网络，例如无线电、无线保真(Wireless Fidelity，WIFI)、蜂窝、卫星、广播等。

所述计算机装置1可以为安装有声音识别软件的电子设备，所述计算机装置中存储有预设数据库，所述预设数据中存储有每个声音对应的图像信息。例如个人电脑、服务器等，其中，所述服务器可以是单一的服务器、服务器集群或云服务器等。

所述用户终端2是语音识别功能的各种智能电子设备，包括但不限于智能手机、平板电脑、膝上型便捷计算机、台式计算机、智能家居、智能车载系统等。

通过用户终端2获取原始声音后，将所述原始声音发送至计算机装置1中转换成时频图后进行压缩分段整理后得到声音图像，使用图像识别的方法识别所述声音图像，在预设数据库中查找与图像信息增强后的声音图像对应的声音信息，然后将所述声音发送给用户终端2.

在本发明的其他实施方式中，所述计算机装置1进行的所有步骤全部放在用户终端2中完成。

实施例二

请参阅图2所示，是本发明第二实施例提供的声音识别方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。

步骤S1，获取原始音频信息后，将所述音频信息转换成数字化的时频图。

本实施方式中，将音频信息转换成数字化的时频图的方法为：

获取音频信息后，将所述音频信息进行取样得到数字声音文件，再经过数学变换得到时频图。

所述音频信息为声音的原始文件，没有经过压缩转换。

所述数学变换为傅里叶转换。

在本发明一实施方式中，所述音频信息可以是从声音收集设备获取的，所述声音收集设备包括手机的麦克风，智能车载设备的语音收集装置，智能家居中的语音收集设备。所述声音收集设备在收集声音的过程中不能使用声音压缩合成软件，且由声音收集设备收集后的音频文件不能保存为有损压缩的音频格式，例如mp3格式、avi格式、divx格式，应该保存为wav格式。

将.wav格式的音频文件进行取样，将所述音频文件进行取样得到数字声音文件，再经过傅里叶变换转换成时频图的方法属于现有技术，在此不再详述。

其他实施例中，所述原始音频信息也可以是从预设存储器中获取的。

步骤S2，对所述时频图进行压缩分段整理后得到所述时频图对应的声音图像。

对所述时频图进行压缩分段整理的方法包括：

获取声音信号时频图后，截取预设频率范围和预设时间范围内的时频图，获取时频图上不同频率对应的声音强度信息，将不同频率对应的声音强度信息进行数据整理，将整理后的声音强度为向量元素组成一个一维向量，所述一维向量的长度与所述预设频率范围相同；

将所述一维向量以预设间隔进行切分，得到多段一维向量；

将切分后的所有一维向量组合为一个二维向量，将所述二维向量组成的二维矩阵用图像表示；

判断所述图像大小是否和预设图像大小一致，如果一致则使用图像识别方法进行识别，如果不一致，则通过补白的方式将所述图像补成与预设图像相同的大小。

所述预设频率范围与所述预设图像大小以及人耳能辨别的声音频率范围相关，预设频率范围为F，所述预设图像大小为L×L，人耳能辨别的声音频率的最大值为20000Hz，最小值为20Hz，所述预设频率范围的计算方程为：

其中人耳所能感觉到的声音范围为人耳能辨别的声音频率的最大值减去最小值，若人耳能感觉到的声音范围除以图像尺寸L不能整除，则取商的整数部分加1。

所述将不同频率对应的声音强度信息进行数据整理的方法为：将相同频率上的声音强度进行统计学整理，使用的统计学整理的方法包括算数平均数、加权平均、取最大值的方法中的任一方法。

所述图像为由声音强度为元素组成的二维矩阵，所述矩阵的大小为N×L，所述预设图像的大小为L×L，若N和L不相等，则将所述矩阵扩充成L×L大小的矩阵，扩充后矩阵中的空白元素用0补齐。

在本发明的一实施方式中，所述图像识别方法为基于卷积神经网络的VGGNet模型，所述数据模型的图像尺寸为224×224。按照所述数据模型的图像尺寸为224×224，人耳能辨别的声音频率的最大值为20000Hz，最小值为20Hz，以及预设频率范围的计算方程F＝L×(20000-20)/L，计算得到得到预设频率范围为20160。所述预设时间范围为3ms。

获取时间范围为3ms范围内的声音频率对应的声音强度信息，将相同频率上的声音强度进行统计学整理，在本实施方式中采用加权平均的统计学方法，将整理后的声音强度作为为向量元素组成一维向量，所述一维向量的长度为20160，所述一维向量中的元素为所述声音强度。

将所述一维向量以预设间隔，即图像尺寸L，进行切分，得到90段长度为224的一维向量。

将90段的长度为224的一维向量组合成一个维度为90×224的二维矩阵，将所述二维矩阵用图像表示。

所述图像的大小为90×224，与所述数据模型的图像尺寸为224×224不符，需要对图像边缘进行补白处理，所述补白处理方法为，将所述二维矩阵由90×224扩大成224×224，所述二维举证中缺少的元素用0补齐。

步骤S3，使用图像识别的方法识别所述声音图像，得到图像信息增强后的声音图像，在预设数据库中查找与图像信息增强后的声音图像对应的声音信息。

所述图像识别方法为卷积神经网络识别方法；

将所述声音图像导入卷积神经网络经过卷积层、池化层和全连接层的处理后，得到图像信息增强后的声音图像；

将增强后的声音图像与预设数据库中的图像进行比对，所述预设数据库中的每张图像信息都代表一种声音；

通过与预设数据库中的图像进行比对得到所述声音图像对应的声音信息。

在本发明的一实施方式中，将声音图像代入卷积神经网络，所述神经网络使用的模型为VGGNet，经过卷积层、池化层和全连接层的处理后，得到图像信息增强后的声音图像。将所述增强后的声音图像与声音图像数据中的图像进行比对，找到与所述声音图像对应的数据中的声音图像，查找所述数据库中的声音图像代表的声音信息。

上述图2详细介绍了本发明的声音识别方法，下面结合第3-4图，对实现所述声音识别方法的软件装置的功能模块以及实现所述声音识别方法的硬件装置架构进行介绍。

应所述了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

实施例三

图3为本发明声音识别装置较佳实施例的结构图。

在一些实施例中，声音识别装置10运行于计算机装置中。所述计算机装置通过网络连接了多个用户终端。所述声音识别装置10可以包括多个由程序代码段所组成的功能模块。所述声音识别装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述至少一个处理器所执行，以实现声音识别功能。

本实施例中，所述声音识别装置10根据其所执行的功能，可以被划分为多个功能模块。参阅图3所示，所述功能模块可以包括：声音获取模块101、声音处理模块102、声音识别模块103。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

声音获取模块101：由声音收集设备获取音频信息后，将所述音频信息转换成数字化的时频图。

将音频信息转换成数字化的时频图的方法为：

获取音频信息后，将所述音频信息进行取样得到数字声音文件，再经过数学变换得到时频图。

所述音频信息为声音的原始文件，没有经过压缩转换。

所述数学变换为傅里叶转换。

在本发明一实施方式中，所述音频信息可以是从声音收集设备获取的，所述声音收集设备包括手机的麦克风，智能车载设备的语音收集装置，智能家居中的语音收集设备。所述声音收集设备在收集声音的过程中不能使用声音压缩合成软件，且由声音收集设备收集后的音频文件不能保存为有损压缩的音频格式，例如mp3格式、avi格式、divx格式，应该保存为wav格式。

将.wav格式的音频文件进行取样，将所述音频文件进行取样得到数字声音文件，再经过傅里叶变换转换成时频图的方法属于现有技术，在此不再详述。

其他实施例中，所述原始音频信息也可以是从预设存储器中获取的。

声音处理模块102：将所述时频图进行压缩分段整理后得到所述时频图对应的声音图像；

对所述时频图进行压缩分段整理的方法包括：

获取声音信号时频图后，截取预设频率范围和预设时间范围内的时频图，获取时频图上不同频率对应的声音强度信息，将不同频率对应的声音强度信息进行数据整理，将整理后的声音强度为向量元素组成一个一维向量，所述一维向量的长度与所述预设频率范围相同；

将所述一维向量以预设间隔进行切分，得到多段一维向量；

将切分后的所有一维向量组合为一个二维向量，将所述二维向量组成的二维矩阵用图像表示；

判断所述图像大小是否和预设图像大小一致，如果一致则使用图像识别方法进行识别，如果不一致，则通过补白的方式将所述图像补成与预设图像相同的大小。

所述预设频率范围与所述预设图像大小以及人耳能辨别的声音频率范围相关，预设频率范围为F，所述预设图像大小为L×L，人耳能辨别的声音频率的最大值为20000Hz，最小值为20Hz，所述预设频率范围的计算方程为：

其中人耳所能感觉到的声音范围为人耳能辨别的声音频率的最大值减去最小值，若人耳能感觉到的声音范围除以图像尺寸L不能整除，则取商的整数部分加1。

所述将不同频率对应的声音强度信息进行数据整理的方法为：将相同频率上的声音强度进行统计学整理，使用的统计学整理的方法包括算数平均数、加权平均、取最大值的方法中的任一方法。

所述图像为由声音强度为元素组成的二维矩阵，所述矩阵的大小为N×L，所述预设图像的大小为L×L，若N和L不相等，则将所述矩阵扩充成L×L大小的矩阵，扩充后矩阵中的空白元素用0补齐。

在本发明的一实施方式中，所述图像识别方法为基于卷积神经网络的VGGNet模型，所述数据模型的图像尺寸为224×224。按照所述数据模型的图像尺寸为224×224，人耳能辨别的声音频率的最大值为20000Hz，最小值为20Hz，以及预设频率范围的计算方程F＝L×(20000-20)/L，计算得到得到预设频率范围为20160。所述预设时间范围为3ms。

获取时间范围为3ms范围内的声音频率对应的声音强度信息，将相同频率上的声音强度进行统计学整理，在本实施方式中采用加权平均的统计学方法，将整理后的声音强度作为为向量元素组成一维向量，所述一维向量的长度为20160，所述一维向量中的元素为所述声音强度。

将所述一维向量以预设间隔，即图像尺寸L，进行切分，得到90段长度为224的一维向量。

将90段的长度为224的一维向量组合成一个维度为90×224的二维矩阵，将所述二维矩阵用图像表示。

所述图像的大小为90×224，与所述数据模型的图像尺寸为224×224不符，需要对图像边缘进行补白处理，所述补白处理方法为，将所述二维矩阵由90×224扩大成224×224，所述二维举证中缺少的元素用0补齐。

声音识别模块103：使用图像识别的方法识别所述声音图像，得到图像信息增强后的声音图像，在预设数据库中查找与图像信息增强后的声音图像对应的声音信息。

所述图像识别方法为卷积神经网络识别方法；

将所述声音图像导入卷积神经网络经过卷积层、池化层和全连接层的处理后，得到图像信息增强后的声音图像；

将增强后的声音图像与预设数据库中的图像进行比对，所述预设数据库中的每张图像信息都代表一种声音；

通过与预设数据库中的图像进行比对得到所述声音图像对应的声音信息。

在本发明的一实施方式中，将声音图像代入卷积神经网络，所述神经网络使用的模型为VGGNet，经过卷积层、池化层和全连接层的处理后，得到图像信息增强后的声音图像。将所述增强后的声音图像与声音图像数据中的图像进行比对，找到与所述声音图像对应的数据中的声音图像，查找所述数据库中的声音图像代表的声音信息。

实施例四

图4为本发明计算机装置较佳实施例的示意图。

所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如声音识别程序。所述处理器30执行所述计算机程序40时实现上述声音识别方法实施例中的步骤，例如图2所示的步骤S1～S3。或者，所述处理器30执行所述计算机程序40时实现上述声音识别装置实施例中各模块/单元的功能，例如图3中的单元101-103。

示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图3中的声音获取模块101、声音处理模块102、声音识别模块103。各模块具体功能参见实施例三。

所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是计算机装置1的示例，并不构成对计算机装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。

所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。

所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

在本发明所提供的几个实施例中，应所述理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。