| 摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 插图索引 | 第11-12页 |
| 附表索引 | 第12-13页 |
| 第1章 绪论 | 第13-24页 |
| ·课题研究背景及意义 | 第13-15页 |
| ·说话人识别技术介绍 | 第13-14页 |
| ·说话人识别的优势及应用前景 | 第14-15页 |
| ·音视频说话人识别的国内外研究现状 | 第15-18页 |
| ·国外研究现状 | 第15-17页 |
| ·国内研究现状 | 第17-18页 |
| ·智能环境、会议室研究项目及语料库介绍 | 第18-21页 |
| ·智能环境介绍 | 第18-20页 |
| ·会议环境项目介绍 | 第20-21页 |
| ·语料库介绍 | 第21页 |
| ·音视频多说话人识别的关键性技术 | 第21-22页 |
| ·本文主要研究工作及组织结构 | 第22-24页 |
| 第2章 多说话人识别 | 第24-39页 |
| ·音频特征的多说话人识别系统结构 | 第24-25页 |
| ·特征参数 | 第25-29页 |
| ·Mel倒谱系数 | 第25-27页 |
| ·线性预测及线性预测倒谱系数 | 第27-28页 |
| ·子倒谱系数 | 第28页 |
| ·感知线性预测系数 | 第28-29页 |
| ·说话人分割和聚类 | 第29-34页 |
| ·说话人分割 | 第29-31页 |
| ·说话人聚类 | 第31-34页 |
| ·说话人识别的主要模型 | 第34-37页 |
| ·高斯混合模型方法 | 第35-36页 |
| ·隐马尔可夫模型方法 | 第36-37页 |
| ·音视频多模态融合技术 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 改进的说话人聚类初始化的多说话人识别 | 第39-47页 |
| ·说话人聚类初始化算法 | 第39-42页 |
| ·常用聚类初始化方法 | 第39-41页 |
| ·改进的聚类初始化算法 | 第41-42页 |
| ·改进的聚类初始化和 G M M 多说话人识别 | 第42-46页 |
| ·系统原理描述 | 第42-43页 |
| ·实验数据 | 第43-44页 |
| ·实验结果与分析 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 音频和视频特征融合的多说话人识别 | 第47-60页 |
| ·常用视频特征提取 | 第47-49页 |
| ·压缩域视频特征提取 | 第47-49页 |
| ·像素域视频特征提取 | 第49页 |
| ·基于MFCC和运动强度聚类初始化的多说话人识别 | 第49-56页 |
| ·实验过程简介 | 第51-52页 |
| ·实验环境及数据 | 第52-53页 |
| ·实验结果及分析 | 第53-56页 |
| ·音频和视频特征融合的多说话人识别 | 第56-59页 |
| ·音频、视频特征参数 | 第56-57页 |
| ·音频视频特征模型级融合 | 第57-58页 |
| ·实验结果及分析 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 结论与展望 | 第60-62页 |
| 参考文献 | 第62-69页 |
| 致谢 | 第69-70页 |
| 附录 攻读学位期间参与科研项目和发表的学术论文目录 | 第70页 |