《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于深度學(xué)習(xí)的詞語(yǔ)級(jí)中文唇語(yǔ)識(shí)別
基于深度學(xué)習(xí)的詞語(yǔ)級(jí)中文唇語(yǔ)識(shí)別
2022年電子技術(shù)應(yīng)用第12期
陳紅順1，陳觀明1，2
1.北京師范大學(xué)珠海分校 信息技術(shù)學(xué)院，廣東 珠海519087；2.珠海歐比特宇航科技股份有限公司，廣東 珠海519080
摘要： 在無(wú)聲或噪聲干擾嚴(yán)重的環(huán)境下，或?qū)τ诖嬖诼犛X障礙的人群，唇語(yǔ)識(shí)別至關(guān)重要。針對(duì)詞語(yǔ)級(jí)中文唇語(yǔ)識(shí)別的問(wèn)題，提出了SinoLipReadingNet模型，前端采用Conv3D+ResNet34結(jié)構(gòu)用于時(shí)空特征提取，后端分別采用Conv1D結(jié)構(gòu)和Bi-LSTM結(jié)構(gòu)用于分類預(yù)測(cè)，并引入Self-Attention、CTCLoss對(duì)Bi-LSTM后端進(jìn)行改進(jìn)。最終在新網(wǎng)銀行唇語(yǔ)識(shí)別數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，SinoLipReadingNet模型在識(shí)別準(zhǔn)確率上明顯優(yōu)于中科院D3D模型，多模型融合的預(yù)測(cè)準(zhǔn)確率達(dá)到了77.64%，平均字錯(cuò)率為21.68%。
中圖分類號(hào)： TP391.4
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.222903
中文引用格式： 陳紅順，陳觀明. 基于深度學(xué)習(xí)的詞語(yǔ)級(jí)中文唇語(yǔ)識(shí)別[J].電子技術(shù)應(yīng)用，2022，48(12)：54-58.
英文引用格式： Chen Hongshun，Chen Guanming. Chinese word-level lip reading based deep learning[J]. Application of Electronic Technique，2022，48(12)：54-58.
Chinese word-level lip reading based deep learning
Chen Hongshun1，Chen Guanming1，2
1.School of Information Technology，Beijing Normal University(Zhuhai)，Zhuhai 519087，China； 2.Zhuhai Orbita Aerospace Science & Technology Co.，Ltd.，Zhuhai 519080，China
Abstract： Lip reading is crucial in the silent environment or environments with serious noise interference, or for people with hearing impairment. For word-level Chinese lip reading problem, SinoLipReadingNet model is proposed, the front end of which with Conv3D and ResNet34 is used to extract temporal-spatial features, and the back end of which with Conv1D and Bi-LSTM are used for classification and prediction respectively. Also, self-attention and CTCLoss are added to improve the back end with Bi-LSTM. Finally,the SinoLipReadingNet model is tested on XWBank lipreading dataset and results show that the prediction accuracy is significantly better than that of D3D model, the prediction accuracy and avrage CER of multi-model fusion reaches 77.64% and 21.68% respectively.
Key words : lip reading；ResNet；Bi-LSTM；CTCLoss；self-attention

0 引言

    語(yǔ)言是人類溝通交流的主要方式，語(yǔ)音是人類語(yǔ)言交流的主要載體之一。在無(wú)聲或噪聲干擾嚴(yán)重的環(huán)境下，或?qū)τ诖嬖诼犛X障礙的人群，如何利用通過(guò)嘴唇運(yùn)動(dòng)進(jìn)行語(yǔ)言識(shí)別至關(guān)重要。唇語(yǔ)識(shí)別是指通過(guò)觀察和分析人說(shuō)話時(shí)唇部運(yùn)動(dòng)的特征變化，識(shí)別出人所說(shuō)話的內(nèi)容。唇語(yǔ)識(shí)別具有廣闊的應(yīng)用前景：在醫(yī)療健康領(lǐng)域，可以借助唇語(yǔ)識(shí)別輔助患有聽力障礙的病人溝通交流[1]；在安防領(lǐng)域，人臉識(shí)別同時(shí)通過(guò)唇語(yǔ)識(shí)別以提高活體識(shí)別的安全性[2]；在視頻合成領(lǐng)域, 利用唇語(yǔ)識(shí)別可以合成特定人物講話場(chǎng)景的視頻[3]，或者合成高真實(shí)感的虛擬人物動(dòng)畫等。

    唇語(yǔ)識(shí)別主要包含4個(gè)步驟[4]：人臉關(guān)鍵點(diǎn)檢測(cè)與跟蹤、唇語(yǔ)區(qū)域提取、時(shí)空特征提取和分類與解碼。其中，時(shí)空特征提取和分類與解碼是唇語(yǔ)識(shí)別的研究重點(diǎn)。近年來(lái)，隨著大規(guī)模數(shù)據(jù)集[5]的出現(xiàn)，基于深度學(xué)習(xí)的方法可以自動(dòng)抽取深層特征，逐漸成為唇語(yǔ)識(shí)別研究的主流方法[6]。如圖1所示，基于深度學(xué)習(xí)的唇語(yǔ)學(xué)習(xí)方法將一系列的唇部圖像送入前端以提取特征，然后傳遞給后端以進(jìn)行分類預(yù)測(cè)，并以端到端的形式進(jìn)行訓(xùn)練。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://theprogrammingfactory.com/resource/share/2000005040。




作者信息：

陳紅順1，陳觀明1，2

(1.北京師范大學(xué)珠海分校 信息技術(shù)學(xué)院，廣東 珠海519087；2.珠海歐比特宇航科技股份有限公司，廣東 珠海519080)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。