混響環(huán)境中的麥克風(fēng)陣列語音聲源定位與跟蹤算法研究.pdf

1、麥克風(fēng)陣列已在諸多領(lǐng)域得到廣泛應(yīng)用，包括視頻會議、智能機器人、語音增強、語音識別、說話人識別和監(jiān)控監(jiān)聽系統(tǒng)等。語音聲源定位與跟蹤在麥克風(fēng)陣列應(yīng)用中起著至關(guān)重要的作用。然而由于混響、噪聲等不利因素的影響，實時的、魯棒的語音聲源定位與跟蹤是一項非常困難的工作。本文以在含噪的混響環(huán)境中實現(xiàn)實時的、魯棒的、較高精度的語音聲源定位與跟蹤為出發(fā)點，結(jié)合陣列信號處理和語音信號處理的特點，對基于麥克風(fēng)陣列的語音聲源定位與跟蹤算法進(jìn)行了深入地研究。論文的

2、主要研究成果歸納如下:
　　(1)基于聚類搜索的快速相位變換加權(quán)可控響應(yīng)功率(SRP-PHAT:SteeredResponse Power-Phase Transform)聲源定位算法。SRP-PHAT算法因其在混響環(huán)境中有較強的魯棒性而成為目前最為流行的聲源定位算法之一。然而巨大的計算量是SRP-PHAT算法被運用于實時定位系統(tǒng)的一個最大障礙。對于一個麥克風(fēng)陣列系統(tǒng)，每個候選位置都對應(yīng)于一組達(dá)到時間差（TDOA: Time Di

3、fferences of Arrival），我們將這組TDOA表示為矢量的形式。利用相鄰區(qū)域的TDOA矢量相似度比較大的特點，本文提出一種基于聚類搜索的快速SRP-PHAT聲源定位算法，該算法包括訓(xùn)練和定位兩個階段。在訓(xùn)練階段，采用聚類的方法將搜索空間劃分為若干類別（子區(qū)域），屬于同一類別的方位角所對應(yīng)的TDOA矢量具有較高的相似度，訓(xùn)練過程離線完成，將聚類結(jié)果存儲于查詢表中。在定位階段，采取由粗到細(xì)的搜索策略，首先計算并比較各聚類中心

4、的可控響應(yīng)功率，確定聲源所屬的類別，然后計算并比較該類別內(nèi)所有候選位置的可控響應(yīng)功率，確定聲源的具體方位角。仿真實驗和真實環(huán)境實驗的結(jié)果均表明，基于聚類搜索的SRP-PHAT聲源定位算法能大幅度地減少計算量，并且能基本保持原算法的魯棒性和定位精度。
　　(2)基于三線快速搜索的SRP-PHAT算法。為降低SRP-PHAT算法的計算量，提出基于三線快速搜索的SRP-PHAT算法，該算法適用于未知聲源處于陣列的遠(yuǎn)場或近場的情形?；谌?/p>

5、線快速搜索的SRP-PHAT算法受啟發(fā)于柱坐標(biāo)系下的空間功率譜分布規(guī)律，采取由粗到細(xì)的搜索策略，包括兩個步驟:首先粗略地估計聲源的水平方位角并判斷聲源是位于遠(yuǎn)場還是近場;然后根據(jù)判斷結(jié)果采取不同的精細(xì)搜索方案，確定聲源位置的最終估計結(jié)果。仿真數(shù)據(jù)和實際數(shù)據(jù)的實驗結(jié)果均表明，本文算法在有效減少計算量的同時具有與原算法相近的定位性能。
　　(3)基于壓縮感知的聲源定位算法。SRP-PHAT定位算法在混響環(huán)境中有較強的魯棒性，然而在很惡

6、劣的噪聲和混響環(huán)境下，SRP-PHAT算法的定位性能急劇惡化。本文提出一種基于壓縮感知的聲源定位算法。該算法將聲源定位問題轉(zhuǎn)化稀疏信號的重構(gòu)問題，利用房間沖激響應(yīng)構(gòu)建字典，將每個位置的房間沖激響應(yīng)作為區(qū)別于其它位置的特征。基于壓縮感知的聲源定位算法首先將麥克風(fēng)接收信號轉(zhuǎn)換至頻域，采用正交匹配追蹤算法從接收信號的低頻分量中求得一組擴展的頻域聲源信號矢量，該矢量中包含了聲源的位置信息;然后在頻域上整合這些擴展的聲源信號矢量使聲源的位置信息更

7、突出，獲得更為魯棒的聲源位置估計。仿真實驗結(jié)果表明，基于壓縮感知的聲源定位算法在強混響、低信噪比的環(huán)境中的定位成功率明顯高于SRP-PHAT算法的定位成功率。
　　(4)基于相位差復(fù)指數(shù)變換的多聲源定位算法。在混響環(huán)境中實現(xiàn)多聲源定位是一項復(fù)雜且具有挑戰(zhàn)性的工作，為提高多聲源定位的性能并且避免針對高頻段相位差的去卷繞處理，本文提出了一種基于相位差復(fù)指數(shù)變換的多聲源定位算法。首先，挑選出信噪比較大的頻點以提高算法對噪聲的魯棒性，并對

8、這些頻點作相位差復(fù)指數(shù)變換;然后，根據(jù)語音信號在時-頻域的稀疏特性，將被挑選出的頻點聚類到各聲源;最后，對各聲源包含的頻點構(gòu)建代價函數(shù)，最小化代價函數(shù)以估計TDOA。本文算法通過迭代來實現(xiàn)。該算法充分利用了高頻段的相位信息，無需對高頻段相位差進(jìn)行去卷繞處理。仿真實驗結(jié)果表明，相比廣義硬聚類算法，本文算法的收斂速度更快，定位成功率更高，均方根誤差更小。
　　(5)基于粒子群優(yōu)化的聲源跟蹤算法。雖然基于粒子濾波的目標(biāo)跟蹤算法是解決說話

9、人跟蹤問題的一類常用方法，但是bootstrap粒子濾波算法存在粒子采樣效率不高的缺陷，而且該算法在低信噪比、高混響的惡劣聲學(xué)環(huán)境中的跟蹤性能急劇惡化。近年來，粒子群優(yōu)化算法受到越來越多的關(guān)注。本文提出一種基于粒子群優(yōu)化的聲源跟蹤算法，可以實現(xiàn)在集中式小型麥克風(fēng)陣列上的聲源跟蹤。該算法采用粒子群優(yōu)化框架，為保持粒子的多樣性，當(dāng)進(jìn)行新一幀的聲源跟蹤時，根據(jù)聲源動態(tài)模型將前一幀優(yōu)化收斂后的個體最優(yōu)粒子隨機地傳播到當(dāng)前幀。在優(yōu)化過程中，選擇S

10、RP-PHAT定位函數(shù)作為適應(yīng)值函數(shù)。為了利用相鄰幀之間的時間連續(xù)性信息，該算法根據(jù)先驗狀態(tài)轉(zhuǎn)移概率密度函數(shù)為每個粒子分配一個權(quán)重，將權(quán)重歸一化后，對所有粒子的個體最優(yōu)位置加權(quán)求和，得到當(dāng)前幀的聲源方位估計值。仿真數(shù)據(jù)和實際數(shù)據(jù)的實驗結(jié)果均表明，本文算法在處理聲源跟蹤問題上具有很大的優(yōu)越性。相比基于粒子濾波的聲源跟蹤算法，基于粒子群優(yōu)化的聲源跟蹤算法具有更好的跟蹤精度以及更強的抗混響和抗噪聲能力，尤其在低信噪比、強混響的惡劣聲學(xué)環(huán)境中，