[发明专利]一种分频段切换CMN非线性函数的频域语音盲分离方法

说明书

技术领域

本发明涉及一种语音增强方法，特别是涉及一种频域语音盲分离方法。

背景技术

语音识别和内容理解是计算机感知与决策、无人驾驶等国家关键技术中的重要功能。然而，由于自然环境下的语音常常受到环境噪声、多人多方对话等干扰，其信噪比和可懂度大为降低，严重时可造成语音识别和内容理解失败。所以，消除各种语音干扰(即语音增强)是语音信号处理的首要环节。因为语音和噪声特性复杂多变，人们一直在探索稳定、有效的语音增强方法，但至今仍面临巨大挑战。

传统的语音增强方法包括自适应滤波、谱减法、波束形成等。这些方法通常需要准确的先验信息(如噪声特性)，有时因难于精确获得这些信息而导致性能下降。为此，对先验信息要求很低的盲源分离(简称盲分离)方法近年来已成为语音增强的研究热点。盲分离方法几乎不需要语音信号及其混合方面的任何信息，即能从多路语音混合信号(来自麦克风)中分离出各个语音信号，实现语音增强功能。现有研究结果表明，在强混响环境中，语音和麦克风之间的响应是一个高阶FIR滤波器。因此，实际语音混合信号需要用卷积混合模型进行描述，语音增强问题也就变成了盲分离解卷积问题。

目前，盲分离解卷积有时域和频域两种方法。顾名思义，时域方法在时域内学习FIR混合滤波器的逆，当滤波器阶数较低时分离性能较好。但在实际应用中，混合滤波器的阶数较高(如几千阶)，逆滤波器的阶数也就很高，众多的学习参数致使时域方法计算量繁重、收敛困难。相比之下，频域方法通过短时傅里叶变换(short time Fourier transform，STFT)将时域卷积混合信号转化为各个频点的复数瞬时混合信号，这样只需对各频点语音混合信号进行瞬时盲分离，就可以实现解卷积。因此，频域方法具有运算量小、收敛速度快等优势，已成为语音增强的热点方法之一，也是本发明所采用的处理方法。

频域语音盲分离的一种常用做法包括三步：(1)在各频点对复数语音混合信号进行盲分离，(2)在各频点对各个语音分离信号进行排序，(3)对排序后各语音信号进行傅里叶反变换(inverse discrete Fourier transform，IDFT)得到时域语音分离信号。其中，第一步的复数语音混合信号盲分离最为关键，其性能好坏直接决定后续两步的成败。如果分离效果好，第二步的排序易于进行且正确率高，第三步获取的分离语音信噪比就高；如果分离不好，将造成排序错误和分离失败。目前，实现第一步频域语音分离的复数盲分离算法主要有，适于分离环形(circular)信号的CfastICA(complex fastICA)，适于分离非环形(noncircular)信号的SUT(strongly uncorrelating transform)，适于分离环形和非环形混合信号的JADE(joint approximate diagonalization of eigenmatrices)、KM(kurtosis maximization)、CMN(complex maximization of non-Gaussianity)、ACMN(adaptable CMN)等算法。非环形度测量结果表明，各频点语音信号为环形和非环形混合信号，因此，JADE、KM、CMN、ACMN等算法在分离语音信号时性能明显优于CfastICA和SUT。

然而，JADE、KM、CMN、ACMN等算法并非专门为分离频域语音信号而开发，也就是说，这些算法并未考虑语音的各种特性及其变化，所以尚不能直接提供令人满意的语音分离结果。例如，ACMN可针对源信号分布自适应调整非线性函数与之匹配，但仅限于对称分布源信号，而大多数语音为非对称分布信号，所以ACMN在分离语音时性能并不理想。同样，JADE和KM因为目标函数与语音特性不匹配，语音分离性能也不够好。最具潜力的分离算法当属CMN，其非线性函数较多，有的适合对称分布信号，有的适合非对称分布信号，所以可提供与语音分布相匹配的非线性函数，分离性能高于ACMN、JADE和KM等算法。但是，CMN算法存在的最大问题是，采用了单一非线性函数，不能适应不同语音在高斯性和对称性方面发生的变化，致使其在分离频域语音时性能存在较大波动。具体表现为，单一非线性函数CMN算法对有些语音混合信号的分离效果较好，但对另外一些语音混合信号的分离效果却较差。而且，即使在分离效果较好的情况下，单一非线性函数也不能适应语音信号在全频段发生的特性改变，致使分离性能上限受到限制。

发明内容