（信号与信息处理专业论文）基于麦克风阵列的声源定位算法研究.pdf

摘要 摘要 麦克风阵列已广泛应用于音视频会议、语音识别及增强等领域。声源定位是 阵列信号处理的主要任务之一，是实现空间滤波的基础。基于阵列的定位算法分 为超分辨算法和非超分辨算法。非超分辨类算法的定位精度受到阵列孔径的限制， 只能用于定位精度要求较低的情况。超分辨类算法定位精度可以突破瑞利限，在 一定条件下可以实现任意定位精度，具有极大的应用价值。传统的超分辨算法假 设信源为窄带远场平稳信号，而麦克风阵列处理主要针对宽带短时平稳的语音信 号，且声源可能位于阵列的近场，这导致d o a ( d i r e c t i o no f a r r i v e ) 估计算法不能通 用。基于麦克风阵列的声源多维定位与传统的信源定位相比，主要存在如下问题： 1 ) 宽带信号：在窄带条件下，阵元之间的相位差可以近似认为是信号源位置 的函数，频率为一常量；而语音信号为宽带非调制信号，阵元之间的相位 差为频率和信号源位置的复合函数。 2 ) 近场源信号：在麦克风阵列处理中，因为应用环境不同，声源可能位于阵 列的近场或远场，而传统的阵列信号处理均假设信源位于阵列的远场。 3 ) 空间干扰源：在室内环境中，空间干扰源和语音信号同时辐射到阵列上， 严重影响定位性能。 4 ) 多维定位：麦克风阵列应用一般需要二维z 维定位，传统的阵列处理算 法主要针对一维d o a 估计。 本文围绕这些问题，提出了几种声源定位算法，实现了声源多维定位，主要 工作如下： 1 1 提出了基于麦克风阵列的近场信号模型：根据语音的传播特性和阵列处理 的要求，提出了基于球面波前的近场信号模型，该模型综合考虑了阵元之 间的幅度衰减和时延两个因素。当信源与阵列的距离较远时，阵元接收信 号之间的幅度差异减小，该模型可以退化为远场信号模型。针对多维定位 问题，提出了麦克风阵列的一般设计原则，并设计三种麦克风阵列：二维 均匀圆环麦克风阵列、三维均匀直线麦克风阵列和三维均匀球面麦克风阵 黄i 页 电子科技大学博士论文 列。 2 1 提出了声源多维定位m u s i c 算法：把接收信号分成若干个窄带信号，根 据子空间分解原理，把这些窄带信号划分为信号子空间和噪声子空间，推 导出了声源多维定位m u s i c 算法。 3 ) 提出了声源多维定位聚焦算法：根据聚焦理论，以每个频率点的相关矩阵 和参考频率点的相关矩阵的均方误差最小为最优聚焦准则，提出了一种不 需要预估计和迭代的声源多维定位聚焦算法，减少了运算量，提高了定位 性能。 4 ) 提出了色噪声下的声源多维定位子阵算法和预白化算法：根据室内环境噪 声分布特点，把阵列分成两个位置不同的子阵，调节子阵的位置，使阵列 接收相同的语音信号和不相关的方向噪声，利用两个子阵的互相关矩阵， 实现声源定位，抑制方向噪声的影响。由于通道不一致以及回声等因素的 影响，使得阵列接收的噪声信号不满足空间白，本文提出了一种预白化算 法，来抑制色噪声对声源定位的影响。 采用= 维均匀圆环麦克风阵列、三维均匀直线麦克风阵列和三维均匀球面麦 克风阵列，通过m a t l a b 仿真，验证了本文提出的几种声源多维定位算法。 关键词：麦克风阵列信号处理，声源多维定位，子空间算法，语音信号处理。 第1 i 页 a b s t r a c t m i c r o p h o n ea r r a y s ( m a ) a r ew i d e l yu s e di n a u d i o v i d e oc o n f e r e n c e s ，s p e e c h r e c o g n i t i o n s ，a n ds p e e c he n h a n c e m e n t se t c t h el o c a l i z a t i o no f t h es p e e c hs o u r c ei st h e p r i m a r yt a s ko ft h ea r r a ys i g n a lp r o c e s s i n g ，a n dt h eb a s i so fs p a t i a lf i l t e rd e s i g n i n g t h e s o u r c el o c a l i z a t i o ns t r a t e g i e si n c l u d et h eh i l g h ( s u p e r ) 一r e s o l u t i o na l g o r i t h m sa n dt h e g e n e r a lr e s o l u t i o no n e s t ot h eg e n e r a lr e s o l u t i o nm e t h o d ，t h ep r e c i s i o no fl o c a l i z a t i o n i sl i m i t e db yt h ea r r a ya p e r t u r e ，a n dh a so n l yb e e nu s e di nl o wp r e c i s i o nc a s e u s e dt h e h i g hr e s o l u t i o na l g o r i t h m ，t h ep r e c i s i o no fl o c a l i z a t i o nc a l lg e tb e y o n dt h er a y l e i g h r e s o l u t i o nl i m i td e c i d e db yt h ea r r a ya p e r t u r e ，a n dc a r le v e ng a i na r b i t r a r yr e s o l u t i o na t s o m ec a s e t h e r e f o r e ，t h i st y p eo fm e t h o d si so fg r e a tv a l u e t h ec l a s s i c a l h i g h - r e s o l u t i o nm e t h o d ss u p p o s et h a tt h es i g n a ls o u r c e sa r en a r r o w - b a n da n ds t a t i o n a r y i nt h ef a rf i e l d h o w e v e r , t h es p e e c hs i g n a li sw i d e b a n da n ds h o r t t i m es t a t i o n a r yi nt h e n e a rf i e l d a n dt h e n ，t h ec l a s s i c a ld o a ( d i r e c t i o no fa r r i v a l ) e s t i m a t i o nm e t h o d sc a n t s o l v et h e s p e e c h s o u r c el o c a l i z a t i o np r o b l e m s s p e e c hs o u r c em u l t i d i m e n s i o n l o c a l i z a t i o n ( m d l ) m e t h o d sb a s e dm a ，v s c l a s s i c a ld o am e t h o d s ，h a v es o m e p r o b l e m sa sf o l l o w s ： 1 ) w i d e b a n ds i g n a l ：i nt h ec a s eo fn a r r o w - b a n ds i g n a l ，t h ep h a s e d i f f e r e n c e b e t w e e nt w oa d j a c e n te l e m e n t so fa r r a yi ss u p p o s e dt ob eaf u n c t i o no fs o u r c e s l o c a t i o n ，a n dt h e 行e q u e n c yo ft h es i g n a li sac o n s t a n t w h i l e ，s p e e c hs i g n a li s w i d e b a n da n dn o n m o d u l a t e d w h o s ep h a s e d i f f e r e n c ei sac o m p o u n df u n c t i o no f t h ef r e q u e n c ya n dt h el o c a t i o no f s o u r c e s 2 ) n e a r f i e l ds o u r c e ：i nt h em a p r o c e s s i n g ，s p e e c hs o u r c ei su s u a l l yt h en e a r f i e l do ft h ea r r a y 、h i l e t h es o u r c el i e si nt h ef a rf i e l do ft h ea i r a yi nt h ec l a s s i c a l a r r a yp r o c e s s i n g 3 1s p a t i a li n t e r f e r e n c es i g n a l ：劝es p a t i a li n t e r f e r e n c ea n ds p e e c hs i g n a la r c c a p t u r e ds i m u l t a n e o u s l yb yt h em a i nt h er o o me n v i r o n m e n t ，r e s u l t i n gi nt h eb a d p e r f o f i n a n c eo f t h es p e e c hs o u r c e1 0 c a l i z a t i o n 4 、m u l t i d i m e n s i o nl o c a l i z a t i o n ：i t r e q u i r e s t w o o rt h r e e d i m e n s i o n j o c a l i z a t i o ni nm aa p p l i c a t i o n b u to n l yo n e d i m e n s i o nl o c a l i z a t i o ni nt h ec l a s s i c a l a r r a yp r o c e s s i n g f o c u s i n go nt h e s ep r o b l e m s ，s e v e r a la l g o r i t h m so fs p e e c hs o u r c el o c a l i z a t i o na r e p r e s e n t e da sf o l l o w s ： 1 ) t h en e a rf i e l ds i g n a lm o d e lb a s e do nm a ：t om e e tt h ea r r a ys i g n a l 第1 i i 页 电子科技大学博士论文 p r o c e s s i n gr e q u i r e m e n t ，t h en e a r - f i e l ds i g n a lm o d e lb a s e do ns p h e r i c a lw a v ei s p r e s e n t e da c c o r d i n gt o t h es p e e c hp r o p a g a t i o nt h e o r y t h i sm o d e lc o m b i n e st h e a m p l i t u d ea t t e n u a t i o na n dt i m ed e l a yf a c t o rb e t w e e nt h ea d j a c e n te l e m e n t so fa r r a y w h i l et h es p e e c hs o u r c ei sf a rf r o mt h ea r r a y , t h i sa m p l i t u d ea t t e n u a t i o nf a c t o ri s s m a l l n l i sm o d e lc a r lb es i m p l i f i e dt ot h ef a r - f i e l ds i g n a lm o d e l t om d l p r o b l e m s t h r e et y p e so fm aa r ed e s i g n e d ：2 dp l a l i a - u n i f o r mc i r c l ea r r a y , 3 du n i f o r ml i n e a r r a ya n d3 du n i f o r ms p h e r i c a ls u r f a c ea r r a y 2 1s p e e c hs o u r c em d lm u s i ca l g o r i t h m ：t h es i g n a lc a p t u r e db yt h ea r r a yi s t r a n s f o r m e di n t os e v e r a ln a r r o w - b a n ds i g n a l sf s u b b a n d ) b yf f to rd f t t h e c o v a r i a n c em a t r i x e so ft h e s es u b b a n d sa r ed i v i d e di n t os i g n a ls u b s p a c ea n dn o i s e s u b s p a c ea c c o r d i n gt ot h es u b s p a c et h e o r y a n dt h e n ，t h es p e e c hs o u r c em d l m u s i cm e 也o di sd e v e l o p e db a s e do nt h em u s i ct h e o r y 3 ) s p e e c hs o u r c em d lf o c u s i n ga l g o r i t h m ：b a s e do n 、i d e b a n df o c u s i n g ，a s p e e c hs o u r c em d lf o c u s i n ga l g o r i t h mi sp r e s e n t e di nt h i sp a p e r , a n di td o e s n t r e q u i r ei n i t i a le s t i m a t e sa n di t e r a t i o n s t h eo p t i m a lc r i t e r i o no f t h i sa l g o r i t h mi st h e m m s e i e t h em i n i m i z e dm e a ns q u a r ee r r o ro ft h ec o r r e l a t i o nm a t r i xo ff o c a s e d 矗e q u e n c y a n dt h eo t h e r s t l l i s a l g o r i t h mh a s t h e a d v a n t a g e o ft h el o w c o m p u t a t i o n a lc o m p l e x i t yf o rt h er e a l - t i m ea p p l i c a t i o n s 4 ) s p e e c hs o u r c em d la l g o r i t h mi nt h ec o l o r e dn o i s e ：t h ea r r a yi sd i v i d e d i n t ot w os u b a r r a y sb yt h en o i s e sl o c a t i o n t h es u b a r r a y sl o c a t i o nc a nb ea d j u s t e d s ot h a tt h es p e e c hs i g n a l sc a p t u r e db yt h ea r r a y sa r et h es a m e ，a n dt h ed i r e c t i o n a l n o i s e sa r en o n c o r r e l a t i v e 1 1 1 ec r o s sc o r r e l a t i o nm a t r i xa b o u tt h et w os u b a r r a y s c a nb ec a l c u l a t e d t h es p e e c hs o u r c el o c a t i o ni ss o l v e da c c o r d i n gt om u s i co r f o c u s i n gm e t h o d sa n dt h ed i r e c t i o n a ln o i s e sc a i l b es u p p r e s s e d d u et ot h e c h a n n e l sn o nc o n s i s t e n c ya n dt h ee x i s t e n c eo fr e v e r b e r a t i o n si nr o o m t h en o i s e r e c e i v e db yt h ea r r a yi s n ts p a t i a lw h i t eg a u s so n e t h ep r e w h i t e n i n gm e t h o di s p r e s e n t e dt os u p p r e s sc o l o r e dg a u s sn o i s e s i m u l a t i o nb a s e do nm a t l a bs h o w st h eh i g hp e r f o r m a n c eo ft h es e v e r a lp r o p o s e d a l g o r i t h m si np l a n a ru n i f o r mc i r c l ea r r a y ，3 du n i f o r ml i n ea r r a ya n d3 du n i f o r m s p h e r i c a ls u r f a c ea r r a y k e y w o r d ：m i c r o p h o n ea r r a ys i g n a lp r o c e s s i n g ；s p e e c hs o u r c em u l t i d i m e n s i o n l o c a l i z a t i o n ；s u b s p a t i a lm e t h o d ；s p e e c hs i g n a lp r o c e s s i n g 第1 v 页 插图目录 图1 1 基于麦克风阵列的语音通信系统结构示意图 图1 2l i s e s i z a 公司的麦克风阵列产品 图1 3 声源1 的时域波形，采样频率1 6 k h z ，采样精度1 6 b i t 一 图1 4 声源2 的时域波形，采样频率1 6 k h z ，采样精度1 6 b i t 图1 5 声源1 的语谱图，采样频率1 6 k h z ，5 1 2 点f f t 变换，5 0 重叠， 图1 6 声源2 的语谱图，采样频率1 6 k h z ，5 1 2 点f f t 变换，5 0 重叠， 图1 8 宽带波束形成器 图1 。9 不同频率的m v d r 波束图，1 个信号，2 个干扰源 4 4 汉明窗5 汉明窗6 2 0 2 0 图2 1 脉动球源示意图2 6 图2 2 麦克风阵列接收信号模型2 8 图2 3 近场模型演化成远场模型3 2 图2 41 2 元均匀直线阵波束图，间距为8 厘米3 8 图2 51 2 元均匀圆阵波束图，半径为2 5 厘米3 9 图2 61 8 元均匀球面阵波束图，半径为2 5 厘米4 0 图2 。71 3 元三维均匀直线阵波束图，间距8 厘米4 1 图3 1 均匀直线阵列平均空间谱 图3 2 空间搜索点最大值( 均匀直线阵列) 图3 3 均匀圆环阵列平均空间谱 图3 4 空间搜索点最大值( 均匀圆环阵列) 图3 5 空间搜索点最大值( 均匀球面阵列) 图3 6 空间搜索点最大值( 三维均匀直线阵列) 图3 7 空间搜索点最大值( 圆阵，2 2 个频率点) 。 图3 8 空间搜索点最大值( 圆阵，1 1 个频率点) 图3 9 空间搜索点最大值( 圆阵，6 个频率点) 图3 1 0 估计误差与信噪比的关系曲线( 圆环阵、球面阵，三维直线阵) 图3 1 1 空间方向噪声时搜索点最大值 第1 x 页 ” 卯 鼹 鲫 们 配 甜 ：合 图3 1 2 均匀圆环阵平均谱峰( m u s i c 算法) 图3 1 3 三维均匀直线阵平均谱峰( m u s i c 算法) 图3 1 4 三维均匀球面阵平均谱峰( m u s i c 算法) 图3 1 5 均匀圆环阵定位误差与s n r 的关系曲线图 图3 一1 6 声源距离阵列1 0 米的平均谱峰( 均匀圆环阵，s n r - 一2 0 d b ) 图3 1 7 声源距离阵列5 米的平均谱峰( 均匀圆环阵，s n r = 2 0 d b ) 图3 1 8 声源距离阵列3 米的平均谱峰( 均匀圆环阵，s n r = 2 0 d b ) 图3 1 9 声源距离阵列1 米的平均谱峰( 均匀圆环阵，s n r = 2 0 d b ) 图3 2 0 声源距离阵列3 米的平均谱峰( 均匀圆环阵，s n r = 1 0 d b ) 图3 2 1 声源距离阵列l 米的平均谱峰( 均匀圆环阵，s n r = 1 0 d b ) 6 6 6 7 6 7 6 8 6 8 6 9 6 9 7 0 7 0 7 1 图4 1 距离搜索点的平均空间谱( 聚焦算法，均匀圆环阵) 8 3 图4 2 空间搜索点最大值( 聚焦算法，均匀圆环阵) 。8 4 图4 3 空间搜索点最大值( 聚焦算法，均匀球面阵) 。8 5 图4 4 估计误差与信噪比的关系曲线。8 6 图4 5 子带数与估计误差的关系曲线8 6 图4 6 二维聚焦算法平均谱峰( 均匀圆环阵，s n r = 1 0 d b ，1 0 个子带) 8 7 图4 7 二维聚焦算法平均谱峰( 均匀球面阵，s n r = 1 0 d b ，1 0 个子带) 8 7 图4 8 不同信噪比的仿真结果，信噪比分别为1 0 d b ，5 d b ，0 d b ，一5 d b ，子带数为1 0 8 8 图4 - 9 不同子带数仿真结果，( a ) ( b ) ( c ) 和( d ) 子带数分别为1 ，5 ，8 ，2 0 ，信噪比：1 0 d b 1 9 图4 1 02 d m u s i c 算法和t c t 算法的仿真结果，信噪比：1 0 d b ，均匀圆阵9 0 图5 1 搜索点的最大值( 子阵算法) 1 0 1 图5 2 子阵结构示意图1 0 2 图5 3 搜索点的最大值( 子阵算法) 1 0 3 图5 4 搜索点的最大值( 子阵算法) 1 0 4 图5 5 子阵算法和预白化算法的性能对比1 0 5 第x 页 主要符号表 1 1 | i 向量的范数 f ) “ 转置共轭运算 f 1 。 转置运算 f 1 共轭运算 ( r求逆运算 a 奇异值构成的对角阵 见矩阵的特征值 舅第i 个信源的俯仰角 痧第i 个信源水平角 。：( 国) 广义互相关加权函数 p ( f ) 信号的相位 f 。相对时延因子 织信号的中心角频率 a 阵列流形 a 阵列方向矢量 a 幅度衰减系数 口。相对幅度衰减因子 c 波速( 声波取3 4 3 米秒) d 信号源个数 d阵元间距 d i a g ，对焦矩阵 e f 统计平均 f ( t )阵列接收信号矢量 f ( t ) 第i 个阵元接收信号 厶 信号中心频率 g i ( ) 第i 个阵元接收到的干扰信号 i单位矩阵 m 阵列阵元个数 m a x ( 1 取最大值 m i n ( o 、取最小值 n阵列采集的噪声矢量 n 。 f f t 点数 m 子带数 n i ( r ) 第i 通道采集的噪声 p ( )空间谱矩阵 q 。 第k 子带噪声相关矩阵 t第i 个信号源与阵列的距离 r 阵列接收信号相关矩阵 r 。 信号源信号相关矩阵 s信号源信号矢量 j ，( ，) 第j 个信号源 第i 个声源的坐标 t ( c o k ) 聚焦变换矩阵 t r a c e ( ) 矩阵的迹 u 特征向量组成的矩阵 u 。噪声子空间 u 。信号子空间 。d 个大特征值组成的对角阵 。m d 个小特征值组成的对角阵 c r 2 自噪声能量 u ，第，个信号源的单位方向矢量 m第i 个阵元的权 第x i 页 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 签名 姐 日期：力繇年月日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后应遵守此规定) 签名：导师签名： 日期：出嘁 第章引言 1 1 研究背景 第一章 引言 语音是人类社会交流信息最古老、最自然、最有效、最方便的手段之一。语 音通信过程不可避免地受到周围环境和传输媒介引入的干扰，环境噪声的污染使 得许多语音处理系统的性能急剧恶化。例如，在演讲厅、多媒体教室或会议室中， 发言人要配备麦克风，并控制麦克风的位置，才能够得到比较好的语音质量【l 】。在 战场和工业环境下，这个问题就更加严重。又如，在安静环境下，现有的语音识 别技术已经能够达到很高的识别率。但如果受到干扰或说话人与麦克风的相对位 置发生了变化，识别率就会大大下降【2 j p j 。 由于这些干扰和噪声的空间分布特性，说话人的走动导致信号源空间位置的 变化，会导致语音拾取质量的下降，从而给语音信号处理提出了新的要求。基于 麦克风阵列的语音处理技术，在时域和频域的基础上增加空域处理，可以有效地 滤除空间噪声，并可以采用数字波束形成技术对准目标声源，大大提高语音拾取 质量【8 】- 【1 5 】。 声源定位( 声源位置参数估计) 技术，是实现基于阵列的空域滤波、声源位 置跟踪以及语音增强最核心的技术之一，本论文详细论述了基于麦克风阵列的声 源定位技术及相应的波束形成技术。 1 2 麦克风阵列的典型应用 阵列信号处理已经广泛用于雷达、声纳、医学、通讯、航空航天技术等诸多 领域中。将阵列技术用于语音信号处理的研究，源于二十世纪八十年代。近年来， 基于麦克风阵列的语音处理算法已经成为新的研究热点1 6 】。目前，麦克风阵列系 统已经广泛应用于音视频免提( h a n d s f r e e ) j l 髓信，会议系统【1 7 】 1 9 】、语音识别系统口m 、 第1 页 电子科技大学博士论文 语音控制系统、车载电话以及助听器等领域口”。本小节就麦克风阵列的典型应用 作一个简要介绍。 传统的音视频通信会议系统中，每位与会者在讲话时必须配备一个麦克风， 并且要保证麦克风与讲话者的相对位置基本不改变；一个视频采集设备对准讲话 者，音视频信息采集后通过通信网络传播。当改变讲话者时，必须进行手动音频 采集通道切换，手动调节视频设备，对准新的讲话者。如果讲话者需要在一定区 域内自由走动，必须采用手持式或头戴式麦克风。采用麦克风阵列作为语音采集 设备，可以实现讲话者自由切换，且讲话者可以在一定范围内自由走动，并利用 阵列输出的讲话者的位置信息自动调节视频采集设备，还可以消除背景噪声的干 扰，其典型结构如图1 1 所示。 近年来，音视频通信会议系统发展很快，p o l y c o m 、l i f e s i z e 等公司推出了基 于麦克风阵列的音视频会议产品。其中l i f e s i z e 公司的l i f e s i z ep h o n e 采用1 6 个 麦克风组成均匀圆环麦克风阵列【2 2 l ，1 6 k h z 采样，集成v o i p 、p s t n 等通信模块， 图1 2 所示。 针对个人计算机之间的语音通信系统，m i c r o s o f t 公司在新一代操作系统 w i n d o w sv i s t a 中集成了对麦克风阵列的支持【矧，采用恒定束宽波束形成技术 【2 4 】- 【”1 ，实现高质量的语音采集。i n t e l 公司提出h d a u d i o 规范，在个人p c 机上可 以实现1 6 通道，3 2 k h z 的语音采集【2 6 1 ，配合相应的软件，可以获得高质量的语音 信号。通过麦克风阵列采集到的高质量语音信号，结合语音识别系统，可以实现 语音同步自动记录，语音命令解释，构建智能化设备。 随着语音识别技术的快速发展，语音控制系统已经进入日常生活，实现了灯、 窗帘、中央空调系统、h i f i 系统的控制等。通过有限的语音控制命令，实现界面 友好的控制系统。要实现稳定可靠的语音控制，首先要有在各种环境下稳定可靠 的语音识别技术。现有的语音识别技术，在低信噪比以及回声环境下，识别性能 较差。这主要是因为需要事先在干净的语音环境下通过训练，为说话者建立语音 模型，然后进行语音识别。基于麦克风阵列的语音拾取技术，可以提高语音采集 质量，当环境发生变化时，采集到语音信号质量变化很小，从而可以达到稳定可 第2 页 靠的语音控制口7 1 。 图1 1 基于麦克风阵列的语音通信系统结构示意图 第3 页 图1 2l i s e s i z a 公司的麦克风阵列产品 1 3 语音信号和麦克风阵列处理信号环境的特点 语音信号的特性，主要指语音的声学特性、时域波形和频谱特性，以及语音 信号的统计特性等2 8 1 。本小节只讨论语音的时域波形、频谱特性和统计特性。 在时间域里，语音信号用它的时间波形来表示。语音信号属于短时平稳信号， 一般认为，在1 0 4 0 m s 内，语音信号的特性基本上不改变，或缓慢变化【2 8 1 。从而 可以截取一小段进行频谱分析。在本论文的仿真中采用了两个语音信号源，信号 源1 为中文标准普通话( 新闻) 男声，信号源2 为中文标准普通话( 新闻) 女声， 其时域波形分别如图1 3 和图1 4 所示。 s p e e c hs o u r c e l ：m a t ev o i c e 024681 01 2 1 4 1 6 t i m e s 图1 3 声源1 的时域波形，采样频率1 6 k h z ，采样精度1 6 b i t 第4 页 1 5 0 5 1 0 0 s p e e c hs o u r c e 2 ：f e m a l ev o i c e “扎 i t血i皿i“l j |诅盅虹皿 哪l i , f l q x n 1 i鄹， , f i r 阿啊”丌啊既 孵 佴 024 681 0 t i m e s 图1 4 声源2 的时域波形，采样频率1 6 k h z ，采样精度1 6 b i t 由于语音信号是短时平稳的，为了得到语音信号的频率特性，一般对语音信 号进行短时分析，求出其语谱图( s p e c t r o g r a m ) 。对两个语音信号进行短时傅立叶 变换( s t f t ，s h o r t t i m e f o u r i e r t r a n s f o r m ) ，5 1 2 点( 3 2 m s ) 数据输入，5 0 重叠， 加汉明窗( h a m m i n g ) ，得到两个信号源的语谱图，如图1 5 和图1 6 所示。 s p e e c hs o u r c e l ：m a l ev o i c e 24 681 01 21 4 t m e l s 图1 5 声源1 的语谱图，采样频率1 6 k h z ，5 1 2 点f f t 变换，5 0 重叠，汉明窗 第5 页 8 6 4 2 0 2 4 6 0 0 o 0 0 0 0 0 d 0 0 0 0 d 0 0 咖 硼 咖 蜘 蜘 | 寻 如啪 ( z e 言岳寻a j l s p e e c hs o u r c e 2 ：f e m a l ev o i c e 24681 01 21 41 6 t i m e s 图1 6 声源2 的语谱图，采样频率1 6 k h z ，5 1 2 点f f t 变换，5 0 重叠，汉明窗 采用麦克风阵列系统的主要目的是，声源参数估计以及语音去噪增强，提高 语音采集的质量。因此，噪声的特点决定了相应的处理方法，选择有针对性的算 法来处理相应的噪声【2 9 1 。语音通信时，常见的噪声主要有以下几种【3 0 1 【3 3 】： ( 1 ) 背景噪声：主要出现在会场，多媒体教室，高速行驶的汽车内部等场合。这 种噪声一般来说能量不是特别大，不会掩盖正常的语音，只是影响语音的清 晰度和可懂度。同时，背景噪声通常不具有空间方向性，或者说它是一个全 向噪声。在实际处理中，这种噪声通常看作空间白噪声来抑制。 ( 2 ) 方向性干扰 3 4 1 ：具有明确到达方向的干扰源，通常是点干扰源。它可能是固 定的，如风扇、键盘敲击、空调等；也可能是移动的，如电锯、吸尘器等。 方向性干扰的另一个特点是：它的能量有可能非常大，足以掩盖正常的语音 信号，如电锯。处理这种方向性干扰，需要用到波束形成( b f ，b e a m f o r m i n g ) 技术，在干扰源的到达方向上，形成一个很深的零点( n u l l i n g ) ，抑制强干扰， 并且能自动跟踪干扰源位置的变化。 ( 3 ) 模型噪声：严格来讲，模型噪声并不是语音通信环境中固有的噪声，而是人 们使用各种算法进行噪声处理过程中，人为引入的噪声。例如，使用麦克风 阵列处理噪声时，各个麦克风的实际位置与理论值之间存在误差：另外，各 个麦克风以及相应的处理通道的幅度相位响应也不可能完全相同；还有，在 计算各个统计量时，由于样本数有限，得到的估计值与真实值也有偏差等等。 所有这些，都使得真实的数据模型和算法设定的数据模型之间存在差异，因 第6 页 咖 咖 咖 咖 咖 咖 咖 啪 。 鲫 砌 劬 卯 加 加 们 一nh)。岳善竺l 第一章引言 而称为模型噪声。模型噪声的随机性很大，随着时间、地点的改变而改变 处理起来较为困难。模型噪声是影响算法处理性能的一个重要原因。 1 4 基于麦克风阵列的声源定位算法概述 基于麦克风阵列的定位问题，就是利用一组按一定几何位置摆放的麦克风， 定出声源的空间位置。基于麦克风阵列的声源定位方法，按照定位原理大体上可 分为三大类3 5 】： 基于最大输出功率的可控波束形成技术； 基于到达时间差( ( t d o a ) 技术； 一 基于高分辨率谱估计的定位技术； 1 4 1 基于最大输出功率的可控波束的声源定位算法 基于可控波束的定位算法，是早期的一种定位方法。该算法的基本思想是， 采用波束形成技术，调节麦克风阵列的接收方向，在整个接收空间内扫描，能量 最大的方位为声源的方位。采用不同的波束形成器可得到不同的算法。该方法在 满足最大似然准则的前提下，以搜索的方式，使麦克风阵列所形成的波束对准信 号源，从而获得最大输出功率。即，对麦克风所接收到的声源信号滤波，并加权 求和来形成波束，进而通过搜索声源可能的位置来引导该波束，波束输出功率最 大的点就是声源的位置。基于可控波束形成的定位算法，主要分为延迟累加波束 算法和自适应波束算法。前者运算量较小，信号失真小，但抗噪性能差，需要较 多的阵元才有比较好的效果。后者因为加了自适应滤波，所以运算量比较大，而 且输出信号有一定程度的失真，但需要的麦克风数目相对较少，在没有混响时有 比较好的效果。 文献【3 6 】- 【3 7 】最早提出该方法的理论基础，文献【3 8 进一步得出可控定位的理 论和实际上的方差，文献 3 9 将该方法应用于多声源的定位。波束形成技术已经广 泛应用于基于麦克风阵列的语音拾取领域，但要达到稳健有效的声源定位还十分 困难。这主要是由于该方法需要进行全局搜索，运算量极大，很难实时实现。虽 第7 页 电子科技大学博士论文 然可以采用一些迭代方法来减少运算量，但常常没有有效的全局峰值，收敛于几 个局部最大值，且对初始搜索值极度敏感。并且，可控波束定位技术依赖于声源 信号的频谱特性，其最优化准则绝大多数都基于背景噪声和声源信号的频谱特性 的先验知识。因此，该类方法在实际系统中性能差异很大，再加之计算复杂度高， 限制了该类算法的应用范围【4 0 】 4 2 1 。 1 4 2 基于时延估计的声源定位算法 基于时延估计的声源定位算法，在导航、声纳等领域有广泛的应用。该算法 首先估计各麦克风之间的相对时延，然后利用估计出的时延，确定声源的位置【4 3 】。 在现有的麦克阵列声源定位方法中，该方法运算量相对较小，实时性较好，硬件 成本较低，因而倍受关注。但是，该算法适合于单个声源的定位系统，如果用于 多声源定位，性能将会严重下降。基于时延估计的定位方法，主要由时延估计和 声源定位两部分组成m j 。 时延估计算法的方法很多，广义互相关函数法( g c c ，g e n e r a l i z e dc r o s s c o r r e l a t i o n ) 运用最为广泛。广义互相关法通过求两信号之间的互功率谱，并在频域 内给予一定的加权，来抑制噪声和反射的影响，再反变换到时域，得到两信号之 间的互相关函数。其峰值位置，即两信号之间的相对时延【4 5 】- 【4 6 1 ，时延估计过程如 图1 7 所示。 设 ，( n ) ，h 2 ( 门) 分别为声源信号s ( n ) 到两麦克风的冲激响应，则麦克风接收到 的信号为： ( n ) = h i ( n ) o s ( n ) + q ( n ) x 2 ( n ) = 壳2 ( n ) o s ( n ) + 伤( n ) 第8 页 ( 1 1 ) ( 1 2 ) 第一章引言 五( 肝) 心( n ) 一m ( n ) 一竺塑卜 ，、泪翱骨禁 囹_ 图1 7 广义互相关时延估计的流程 在( 1 1 ) 式和( 1 2 ) 式中，啊( n ) ， ：( n ) 为系统采集到的噪声。 对两路信号滤波。设葺( n ) 和x ：( n ) 的傅立叶变换为五( 珊) 和x ：( 甜) ，每路的滤 波器分别为q ( 0 9 ) 和h 2 ( ) ，则滤波后的信号为： k ( 国) = h 1 ( 国) 五( c o ) 艺( )