本发明涉及语音识别技术领域，具体涉及一种基于维特比算法的花洒语音识别系统及方法。

背景技术：

随着生活水平的提高和住房条件的改善，很多家庭都安装了沐浴设施，花洒是其中最常见的淋浴装置。目前花洒产品多为手动调节来控制水温和水流量大小，并不能十分智能的解放正常人的双手及帮方便残障人士来调控，导致用户体验不佳。

现有技术中：专利cn201710369098提供了一种根据人体位置自动调节智能花洒喷水的水量大小的装置，虽在一定程度上实现自动确定水量大小，但还是需要人手动调节温度。专利cn201820904890提供了一种可以测量温度的花洒，虽然不需要再用手去感应温度，但个体之间对于水温的冷热程度感受有差异，还是无法在不手动调节的前提下精确的得到一个适合自己的温度。

因此，实现智能控制花洒的水温和开关功能，以解放双手和帮助盲人，是本发明需要解决的技术问题。

技术实现要素：

本发明的目的是提供一种基于维特比算法的花洒语音识别系统及方法，来实现智能控制花洒的水温和开关功能，以解放双手和帮助盲人。

为达到上述目的，本发明提供了一种基于维特比算法的花洒语音识别方法，其包括以下步骤：

步骤1：采集用户发出的音频数据；

步骤2：基于维特比算法将所采集的音频数据识别为文字；

步骤3：将所识别的文字转化为包括开关花洒和控制水温的动作。

上述的基于维特比算法的花洒语音识别方法，其中，所述步骤2包括：

步骤2.1：对所采集的音频数据进行降噪预处理；

步骤2.2：对降噪处理后的音频数据进行特征提取，以提取一组或几组能够描述音频数据特征参数；

步骤2.3：基于维特比算法，对提取后的特征参数进行解码，获取最优的文字识别结果。

上述的基于维特比算法的花洒语音识别方法，其中，所述步骤2.1包括以下步骤：

步骤2.1.1：对所采集的音频数据进行首尾端的静音切除；

步骤2.1.2：对切除后的音频数据进行分帧处理；

步骤2.2.3：对分帧处理后的音频数据，从噪声背景中提取有用的语音信号，以抑制、降低噪声干扰。

上述的基于维特比算法的花洒语音识别方法，其中，步骤2.1.2中，使用移动窗函数进行分帧，各帧之间具有交叠。

上述的基于维特比算法的花洒语音识别方法，其中，步骤2.2中，所述特征参数包括平均能量、过零数、线性预测倒谱系数和梅尔频率倒谱系数。

上述的基于维特比算法的花洒语音识别方法，其中，步骤2.3中，解码过程中，基于维特比算法，利用声学模型、发音字典及语言模型构建wfst搜索空间，在加权有限状态转换器(weightedfinite-statetransducer，wfst)搜索空间内寻找匹配概率最大的最优路径，得到最优的文字识别结果。

上述的基于维特比算法的花洒语音识别方法，其中，所述声学模型所采用的训练方法为动态时间规整法、矢量量化法、隐马尔科夫模型法、人工神经网络法、支持向量机法或小波变换法。

本发明还提供了一种基于维特比算法的花洒语音识别系统，其包括：

数据采集模块，用于采集用户发出的音频数据；

语音识别模块，用于基于维特比算法将所采集的音频数据识别为文字；

控制模块，用于将所识别的文字转化为包括开关花洒和控制水温的动作。

上述的基于维特比算法的花洒语音识别系统，其中，所述语音识别模块包括：

信息预处理模块，用于对所采集的音频数据进行降噪预处理；

特征提取模块，用于对降噪处理后的音频数据进行特征提取，以提取一组或几组能够描述音频数据特征参数；

模型训练模块，用于通过训练得到声学模型、语言模型及预设发音字典；

模式匹配模块，基于维特比算法，对提取后的特征参数进行解码，解码过程中，利用声学模型、发音字典及语言模型构建wfst搜索空间，在wfst搜索空间内寻找匹配概率最大的最优路径，得到最优的文字识别结果。

上所述的基于维特比算法的花洒语音识别系统，其中，所述信息预处理模块包括：

静音切除模块，用于对所采集的音频数据进行首尾端的静音切除；

分帧处理模块，用于对切除后的音频数据进行分帧处理；

降噪处理模块，用于对分帧处理后的音频数据，从噪声背景中提取有用的语音信号，以抑制、降低噪声干扰。

相对于现有技术，本发明具有以下有益效果：

本发明基于维特比算法，将语音识别应用于花洒中，实现自动控制温度和花洒的开启和关闭，提高用户体验度，实用性强。

附图说明

图1为本发明基于维特比算法的花洒语音识别方法的流程图；

图2为本发明基于维特比算法的花洒语音识别方法步骤2的流程图；

图3为本发明基于维特比算法的花洒语音识别方法步骤2.1的流程图；

图4为本发明基于维特比算法的花洒语音识别系统的结构示意图；

图5为本发明基于维特比算法的花洒语音识别系统中语音识别模块的结构示意图；

图6为本发明基于维特比算法的花洒语音识别系统中信息预处理模块的结构示意图。

具体实施方式

以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。

如图1所示，本发明提供了一种基于维特比(viterbi)算法的花洒语音识别方法，其包括以下步骤：

步骤1：采集用户发出的音频数据(包括用户语音和背景噪音)。

步骤2：基于维特比算法将所采集的音频数据识别为文字，所谓viterbi算法，是指从开始状态之后每走一步，就记录下到达该状态的所有路径的概率最大值，然后以此最大值为基准继续向后推进，寻找全局最优路径。

进一步，如图2所示，所述步骤2包括：

步骤2.1：对所采集的音频数据进行降噪预处理。

进一步，如图3所示，所述步骤2.1包括以下步骤，以将语音信号进行简化处理：步骤2.1.1：对所采集的音频数据进行首尾端的静音切除，降低对后续步骤造成的干扰；步骤2.1.2：对切除后的音频数据进行分帧处理，也就是把声音切开成一小段一小段，每小段称为一帧，使用移动窗函数来实现，不是简单的切开，各帧之间一般是有交叠的；步骤2.2.3：对分帧处理后的音频数据，从噪声背景中提取有用的语音信号，以抑制、降低噪声干扰，实现语音增强。

步骤2.2：对降噪处理后的音频数据进行特征提取，以提取一组或几组能够描述音频数据特征参数。

进一步，步骤2.2中，所述特征参数包括平均能量、过零数、线性预测倒谱系数(lpcc)和梅尔频率倒谱系数(mfcc)。特征参数选取要计算方便，有高效的算法，以保证语音识别的实时实现。本发明优选mfcc特征参数，以便训练和识别。

步骤2.3：基于维特比算法，对提取后的特征参数进行解码，获取最优的文字识别结果。

进一步，步骤2.3中，解码过程中，基于维特比算法，利用声学模型(由语音训练数据和噪声数据训练得到)、发音字典及语言模型(由文本训练数据训练得到)构建wfst搜索空间，在wfst搜索空间内寻找匹配概率最大的最优路径，得到最优的文字识别结果。

进一步，声学模型主要的模式训练方法有：动态时间规整法(dtw)、矢量量化法(vq)、隐马尔科夫模型法(hmm)、人工神经网络法(ann)、支持向量机法(svm)、小波变换法(wt)等。本发明采用的是隐马尔科夫模型法(hmm)。

步骤3：将所识别的文字转化为包括开关花洒和控制水温的动作。

如图4所示，本发明还提供了一种基于维特比算法的花洒语音识别系统，其包括：

数据采集模块1，用于采集用户发出的音频数据，具体可以使用麦克风进行采集。

语音识别模块2，用于基于维特比算法将所采集的音频数据识别为文字。

控制模块3，用于将所识别的文字转化为包括开关花洒和控制水温的动作。

进一步，如图5所示，所述语音识别模块2包括：

信息预处理模块21，用于对所采集的音频数据进行降噪预处理。

特征提取模块22，用于对降噪处理后的音频数据进行特征提取，以提取一组或几组能够描述音频数据特征参数。

模型训练模块23，用于通过训练得到声学模型、语言模型及预设发音字典。

模式匹配模块24，基于维特比算法，对提取后的特征参数进行解码，解码过程中，利用声学模型、发音字典及语言模型构建wfst搜索空间，在wfst搜索空间内寻找匹配概率最大的最优路径，得到最优的文字识别结果。

进一步，如图6所示，所述信息预处理模块21包括：静音切除模块211，用于对所采集的音频数据进行首尾端的静音切除；分帧处理模块212，用于对切除后的音频数据进行分帧处理；降噪处理模块213，用于对分帧处理后的音频数据，从噪声背景中提取有用的语音信号，以抑制、降低噪声干扰。

综上所述，本发明基于维特比算法，将语音识别应用于花洒中，实现自动控制温度和花洒的开启和关闭，提高用户体验度，实用性强。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。