Reconocimiento de comandos de voz utilizando técnicas de PDS aplicadas a robótica

Transcripción

1 Reconocimiento de comandos de voz utilizando técnicas de PDS aplicadas a robótica Villarreal Robles, G. Olivera Reyna, R. Unidad Académica de Ingeniería Eléctrica Universidad Autónoma de Zacatecas Campus Jalpa RESUMEN En el presente trabajo se creó una interfaz gráfica de usuario (GUI, Graphical User Interfaces) en MATLAB, para el reconocimiento de palabras aisladas (comandos), utilizando un micrófono multimedia y la tarjeta de audio de una computadora personal. Para la caracterización de las palabras, se aplicaron técnicas como: predicción lineal, coeficientes Cepstrum y polinomios ortogonales. INTRODUCCIÓN Un Sistema de Reconocimiento Automático del Habla (SRAH) es aquel sistema automático que es capaz de gestionar la señal de voz emitida por un individuo. Dicha señal ha sido pasada por un proceso de digitalización para obtener elementos de medición (muestras), las cuales permiten denotar su comportamiento e implementar procesos de tratamiento de la señal, enfocados al reconocimiento. Bajo este esquema, la señal de voz se ve inmersa en dos bloques importantes: entrenamiento y reconocimiento. El reconocimiento de voz generalmente es utilizado como una interfaz entre el ser humano y la computadora a través de algún software. Debe cumplir con las siguientes tareas: a) Preprocesamiento: convierte la entrada de voz a una forma que el reconocedor pueda procesar. 1

2 b) Reconocimiento: identifica lo que se dijo (traducción de señal a texto). c) Comunicación: envía lo reconocido al sistema (software/hardware) que lo requiere. Los procesos de preprocesamiento, reconocimiento y comunicación son invisibles al usuario. El usuario lo nota de manera indirecta como: certeza en el reconocimiento y velocidad. Estas características las utiliza para evaluar una interfaz de reconocimiento de voz. El objetivo fue crear un sistema de reconocimiento de palabras aisladas que sea capaz de reconocer 5 órdenes distintas, las cuales son: adelante, atrás, izquierda, derecha y alto, aplicando técnicas de reconocimiento de voz conocidas. Desarrollo Las técnicas utilizadas en el reconocimiento del habla dependen, en buena parte, del tipo de enunciado objeto de reconocimiento, del número de locutores, del vocabulario y del tipo de micrófono utilizado. En un sistema que sólo tenga que tratar palabras aisladas, la tarea se reduce, en esencia, a comparar la palabra de entrada con una plantilla almacenada previamente de la misma palabra, contemplando, no obstante, las posibles variaciones entre locutores o los cambios de duración debidos a diferentes velocidades de elocución. En el entorno doméstico, la incorporación del reconocimiento facilita el control de electrodomésticos, por ejemplo la programación de un video. En un coche, el reconocimiento de palabras aisladas puede resultar útil para ayudar a una conducción más segura, dado que permite, por ejemplo, encender la radio, seleccionar una emisora o poner en marcha la calefacción sin apartar las manos del volante ni la vista de la carretera. El desarrollo de este trabajo se realizó bajo el 2

3 seguimiento del algoritmo mostrado en la Figura 1. En los siguientes subtemas se detalla el desarrollo e implementación de cada una de estas etapas. Figura 1. Diagrama de bloques del sistema reconocedor de palabras. 1) Adquisición, Cuantificación y Muestreo La primera etapa consiste en la adquisición, la cuantificación y el muestreo. Para ello, MATLAB cuenta con librerías especialmente diseñadas para el trabajo con señales de audio. La librería o función utilizada para esta etapa es: WAVRECORD (N, FS, CH) donde graba N muestras de audio (*.wav) a una frecuencia de muestreo FS desde CH números de canales de entrada. Las tasas de muestreo estándar son: 8000, 11025, 22050, Hz. En este caso se tomó como FS = Hz. CH puede ser 1 o 2 dependiendo como se desee, (1=mono, 2=estéreo). Para este sistema se utiliza sólo una entrada (mono). Para la cuantificación, el valor por default es double = 16 bits por 3

4 muestra. Mediante la utilización de un micrófono multimedia se implementó la adquisición de las señales de voz, por medio de la tarjeta de sonido de una PC (Personal Computer, computadora personal) (Figura 2). Figura 2. Micrófono multimedia. 2) Cortar silencio A la hora de adquirir la señal, la mayoría de las veces existe al principio de la señal un tramo sordo. Para contrarrestar esto, se utiliza la función especialmente diseñada para obtener sólo los tramos donde la señal es sonora (función cort_sil(x)), dada la siguiente ecuación: N L E s = s ( n) y E x 2 T = ( l) (1) L N n= 1 l = 1 Donde Es es la energía promedio de cada segmento s de tamaño N; ET es la energía total promedio de la señal completa x de longitud L. Entonces, si la energía promedio del segmento es mayor que la energía promedio de la señal completa por un umbral, se dice que el segmento es sonoro sí se cumple la siguiente condición. E S > E T *umb. En la Figura 3, se ha tomado como muestra la palabra Adelante. 4

5 Figura 3. Gráfica de la palabra adelante antes y después de cortar el silencio. 3) Preénfasis El filtro de preénfasis (función filtro(x)) permite acentuar las frecuencias de la señal de voz, esto debido a que el modelo del tracto vocal no filtra de buena manera las señales de frecuencias altas (no sonoras, por ejemplo consonantes), a diferencia de las frecuencias bajas (sonoras, por ejemplo: vocales). El filtro de preénfasis esta dado por la función de transferencia: 1 H ( z) = z (2) En la Figura 4 se muestra a la derecha la señal filtrada. Figura 4. Señal de voz aplicando el filtro preénfasis. Segmentación enventanado mediante la ventana de Hamming 5

6 Se dice que la señal de voz es cuasi estacionaria a intervalos cortos de 20 a 30 ms. Se ha utilizado la función segmentos(x) para una segmentación de 20 ms, con un solapamiento de 10 ms (50 %), multiplicado por la ventana de Hamming también de 20 ms (220 muestras). En esta etapa se obtiene una matriz de: número de segmentos por 220 muestras (num_seg*220). Lo que significa que cada segmento consta de 220 muestras. 4) Predicción Lineal El método de predicción lineal o LP (Linear Prediction) es históricamente uno de los métodos más importantes para el análisis de la voz. Su fundamento se basa en establecer un modelo de filtro del tipo todo polo, para la fuente de sonido. Es equivalente a un modelo Auto regresivo (AR) que utiliza la función de autocorrelación de la señal para generar una función de transferencia racional que sólo tiene polos en el plano Z. H ( z) = G P (3) k 1 a k z k = 1 Donde G es la ganancia del filtro, P es el número de coeficientes deseados (de 10 15). 5) Coeficientes Cepstrum Se define como: la transformada inversa de Fourier del logaritmo de la magnitud de la transformada de Fourier. Esta técnica homomórfica sirve para separar la acción del tracto vocal (filtro lineal variable en el tiempo) de la señal de excitación. La señal de voz s(n) se descompone en una parte de excitación e(n) y en un filtro lineal H(e s ). Para la obtención de estos coeficientes se utilizó la función de MATLAB rceps(x), la cual devuelve los coeficientes Cepstrum de un vector dado. 6

7 6) Olinomios Ortogonales Esta técnica se utiliza para la caracterización de las palabras, la ecuación para la calcularlos es la siguiente: b 9 j= 1 = 9 x j= 1 j P P 2 1 j 1 j (4) Donde b son los coeficientes característicos de primer orden, xj es el vector de entrada, y P1j es una matriz igual a j 5 filas= ( 4:4) y columnas= tamaño del vector de entrada. P1j= 4 3 M M 4 L L O L 4 3 M 4 7) Clasificación de patrones El algoritmo utilizado para este fin es el «Alineamiento temporal dinámico, Dynamic Time Warping». En esta etapa se relacionan, la palabra de entrada (matriz de características) con las diferentes palabras almacenadas. Esta técnica es óptima cuando se trata de vocabularios reducidos, es decir, cuando se tienen pocos comandos por reconocer como es el caso. 8) Determinación y decisión En esta etapa final que es la que decide que palabra se pronunció, se plantean una serie de condiciones para obtener la menor distancia, que se obtuvieron al comparar. 7

8 9) Clasificación de patrones de voz Cada uno de los comandos existentes en la base de datos con el comando de entrada. La función [dmin,ind]=min([d0,d1,d2,d3,d4]), nos regresa el elemento mínimo del vector junto con su índice, éste es el que utilizamos para hacer la decisión y mostrar los resultados. DISCUSIÓN DE RESULTADOS Para el procesamiento y análisis de la voz se desarrolló la interfaz gráfica de usuario en MATLAB (GUI, Graphical User Interfaces) de MathWorks, Inc. Para utilizar la interfaz no es necesario que el usurario tenga conocimientos avanzados sobre procesamiento de voz. Como se puede observar en la Figura 4, la interfaz muestra las etapas antes mencionadas, cabe destacar que para probar físicamente este desarrollo, se utilizó el puerto paralelo (PP) de una computadora, a cada uno de los comandos (ordenes) se le asigno un bit del PP y a su vez se conecto un diodo emisor de luz (LED) para representar los cinco comandos. En la Tabla 1 se muestra la distribución antes mencionada. Un 1 significa orden reconocida (LED encendido), mientras que un cero LED apagado u orden no reconocida. Figura 5. Descripción de elementos de la interfaz. 8

9 TABLA 1 SALIDA POR EL PUERTO PARALELO Bit 8 Bit 7 Bit 6 Bit 5 Bit 4 Bit 3 Bit 2 Bit 1 Atrás Adelante Izquierda Derecha Alto Se capturaron 10 veces cada palabra para encontrar la siguiente tabla de confusión (Tabla 2). Cabe destacar que la prueba se hizo con cuatro usuarios diferentes y se obtuvieron los mismos resultados. TABLA 2 TABLA DE CONFUSIÓN PARA EL SISTEMA Atrás Adelante Izquierda Derecha Alto Atrás Adelante Izquierda Derecha Alto CONCLUSIONES El objetivo de reconocer comandos de voz utilizando diferentes técnicas de PDS se cumplió ampliamente; sin embargo, una aplicación futura de este trabajo puede estar encaminada a sistemas mecatrónicos activados por habla, tales como sillas de ruedas dirigidas por voz, el encendido y apagado de las luces de una habitación, el encendido de la radio, etc. El sistema al comparar con cada una de las palabras muestra el resultado por el PP como unos y ceros. Con las pruebas que se hicieron queda demostrado que el sistema puede funcionar para cualquier locutor, ya que este sistema reconoce sólo palabras no locutores. 9

10 BIBLIOGRAFÍA E. J. Keogh., M. J. Pazzani, Derivative Dynamic Time Warping. Departamento de Informática y Ciencias de la Computación de la Universidad de California, Irvine, California, USA. M. A. Martí Antonin, Tecnologías del Lenguaje, UOC, Barcelona España, 271,