唇語識(shí)別系統(tǒng)使用機(jī)器視覺技術(shù)，從圖像中連續(xù)識(shí)別出人臉，判斷其中正在說話的人，提取此人連續(xù)的口型變化特征，隨即將連續(xù)變化的特征輸入到唇語識(shí)別模型中，識(shí)別出講話人口型對(duì)應(yīng)的發(fā)音，隨后根據(jù)識(shí)別出的發(fā)音，計(jì)算出可能性最大的自然語言語句。

唇語識(shí)別并非最近才出現(xiàn)的技術(shù)，早在 2003 年，Intel 就開發(fā)了唇語識(shí)別軟件 Audio Visual Speech Recognition（AVSR），開發(fā)者得以能夠研發(fā)可以進(jìn)行唇語識(shí)別的計(jì)算機(jī)；2016 年 Google DeepMind 的唇語識(shí)別技術(shù)就已經(jīng)可以支持 17500 個(gè)詞，新聞測(cè)試集識(shí)別準(zhǔn)確率達(dá)到了 50% 以上。

大家一定很好奇唇語識(shí)別系統(tǒng)要怎么實(shí)現(xiàn)。Amirsina Torfi 等人實(shí)現(xiàn)了使用 3D 卷積神經(jīng)網(wǎng)絡(luò)的交叉視聽識(shí)別技術(shù)進(jìn)行唇語識(shí)別，并將代碼托管到 GitHub 上開源：

傳送門：

https://github.com/astorfi/lip-reading-deeplearning

接下來就為大家介紹如何使用 3D 卷積神經(jīng)網(wǎng)絡(luò)的交叉視聽識(shí)別技術(shù)進(jìn)行唇語識(shí)別，完整的論文可參閱：

https://ieeexplore.ieee.org/document/8063416

下面是進(jìn)行唇語識(shí)別的簡(jiǎn)單實(shí)現(xiàn)方法。

用戶需要按照格式準(zhǔn)備輸入數(shù)據(jù)。該項(xiàng)目使用耦合 3D 卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了視聽匹配（audio-visual matching）。唇語識(shí)別就是這個(gè)項(xiàng)目的具體應(yīng)用之一。

概況

當(dāng)音頻損壞時(shí)，視聽語音識(shí)別（Audio-visual recognition，AVR）被認(rèn)為是完成語音識(shí)別任務(wù)的另一種解決方案，同時(shí)，它也是一種在多人場(chǎng)景中用于驗(yàn)證講話人的視覺識(shí)別方法。AVR 系統(tǒng)的方法是利用從某種模態(tài)中提取的信息，通過填補(bǔ)缺失的信息來提高另一種模態(tài)的識(shí)別能力。

▌問題與方法

這項(xiàng)工作的關(guān)鍵問題是找出音頻和視頻流之間的對(duì)應(yīng)關(guān)系。我們提出了一種耦合 3D 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，該架構(gòu)可以將兩種模式映射到一個(gè)表示空間中，并使用學(xué)到的多模態(tài)特征來判斷視聽流間的對(duì)應(yīng)關(guān)系。

▌如何利用 3D 卷積神經(jīng)網(wǎng)絡(luò)

我們提出的該架構(gòu)將結(jié)合時(shí)態(tài)信息和空間信息，來有效地發(fā)現(xiàn)不同模態(tài)的時(shí)態(tài)信息之間的相關(guān)性。我們的方法使用相對(duì)較小的網(wǎng)絡(luò)架構(gòu)和更小的數(shù)據(jù)集，并在性能上優(yōu)于現(xiàn)有的視聽匹配方法，而現(xiàn)有方法主要使用 CNN來表示特征。我們還證明了有效的對(duì)選擇（pair selection）方法可以顯著提高性能。

代碼實(shí)現(xiàn)

輸入管道須由用戶提供。其余部分的實(shí)現(xiàn)包含基于話語的特征提取的數(shù)據(jù)集。

▌唇語識(shí)別

就唇語識(shí)別來講，必須將視頻作為輸入。首先，使用 cd 命令進(jìn)入相應(yīng)的目錄：

運(yùn)行專用的python file如下：

運(yùn)行上述腳本，通過保存每個(gè)幀的嘴部區(qū)域來提取唇部動(dòng)作，并在畫框圈出嘴部區(qū)域來創(chuàng)建新的視頻，以便進(jìn)行更好的可視化。

所需的arguments由以下 Python 腳本定義，VisualizeLip.py文件中已定義該腳本：

一些已定義的參數(shù)有其默認(rèn)值，它們并不需要進(jìn)一步的操作。

▌處理

視覺部分，視頻通過后期處理，使其幀率相等，均為 30f/s。然后，使用 dlib 庫(kù)跟蹤視頻中的人臉和提取嘴部區(qū)域。最后，所有嘴部區(qū)域都調(diào)整為相同的大小，并拼接起來形成輸入特征數(shù)據(jù)集。數(shù)據(jù)集并不包含任何音頻文件。使用 FFmpeg 框架從視頻中提取音頻文件。數(shù)據(jù)處理管道如下圖所示：

▌?shì)斎牍艿?/p>

我們所提出的架構(gòu)使用兩個(gè)不相同的卷積網(wǎng)絡(luò)（ConvNet），輸入是一對(duì)語音和視頻流。網(wǎng)絡(luò)輸入是一對(duì)特征，表示從 0.3 秒的視頻中提取的唇部動(dòng)作和語音特征。主要任務(wù)是確定音頻流是否與唇部運(yùn)動(dòng)視頻在所需的流持續(xù)時(shí)間內(nèi)相對(duì)應(yīng)。在接下來的兩個(gè)小節(jié)中，我們將分別講解語音和視覺流的輸入。

語音網(wǎng)絡(luò)（Speech Net）

在時(shí)間軸上，時(shí)間特征是非重疊的 20ms 窗口，用來生成局部的頻譜特征。語音特征輸入以圖像數(shù)據(jù)立方體的形式表示，對(duì)應(yīng)于頻譜圖，以及 MFEC 特征的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。這三個(gè)通道對(duì)應(yīng)于圖像深度。從一個(gè) 0.3 秒的視頻剪輯中，可以導(dǎo)出 15 個(gè)時(shí)態(tài)特征集（每個(gè)都形成 40 個(gè) MFEC 特征），這些特征集形成了語音特征立方體。一個(gè)音頻流的輸入特征維數(shù)為 15x40x3。如下圖所示：

語音特征使用 SpeechPy 包進(jìn)行提取。

要了解輸入管道是如何工作的，請(qǐng)參閱：

code/speech_input/input_feature.py

視覺網(wǎng)絡(luò)（Visual Net）

在這項(xiàng)工作中使用的每個(gè)視頻剪輯的幀率是 30 f/s。因此，9 個(gè)連續(xù)的圖像幀形成 0.3 秒的視頻流。網(wǎng)絡(luò)的視頻流的輸入是大小為 9x60x100 的立方體，其中 9 是表示時(shí)態(tài)信息的幀數(shù)。每個(gè)通道是嘴部區(qū)域的 60x100 灰度圖像。

架構(gòu)

該架構(gòu)是一個(gè)耦合 3D 卷積神經(jīng)網(wǎng)絡(luò)，其中必須訓(xùn)練具有不同權(quán)重的兩個(gè)網(wǎng)絡(luò)。在視覺網(wǎng)絡(luò)中，唇部運(yùn)動(dòng)的空間信息和時(shí)態(tài)信息相結(jié)合，以此來利用時(shí)間相關(guān)性。在音頻網(wǎng)絡(luò)中，提取的能量特征作為空間維度，堆疊的音頻幀構(gòu)成了時(shí)間維度。在我們提出的 3D 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中，卷積運(yùn)算是在連續(xù)的時(shí)間幀上對(duì)兩個(gè)視聽流執(zhí)行的。

訓(xùn)練 / 評(píng)估

首先，克隆存儲(chǔ)庫(kù)。然后，用 cd 命令進(jìn)入專用目錄：

最后，必須執(zhí)行train.py文件：

對(duì)于評(píng)估階段，必須執(zhí)行類似腳本：

▌運(yùn)行結(jié)果

下面的結(jié)果表明了該方法對(duì)收斂準(zhǔn)確度和收斂速度的影響。

最好的結(jié)果，也就是最右邊的結(jié)果，屬于我們提出的方法。

所提出的在線對(duì)選擇方法的效果如上圖所示。

分析到這，希望大家可以到 Github 上找到源碼，開始練起！附上作者給的代碼演示。

DEMO 演示地址

1.Training/Evaluation ：

https://asciinema.org/a/kXIDzZt1UzRioL1gDPzOy9VkZ

2.Lip Tracking：

https://asciinema.org/a/RiZtscEJscrjLUIhZKkoG3GVm