[发明专利]基于卷积神经网络和子带SRP-PHAT空间谱的声源定位方法

说明书

本发明公开了一种基于卷积神经网络和子带SRP‑PHAT空间谱的声源定位方法，包括：麦克风阵列采集语音信号，对采集的语音信号进行分帧和加窗的预处理得到单帧信号；计算每帧信号的子带SRP‑PHAT空间谱矩阵；将所有帧信号的子带SRP‑PHAT空间谱矩阵输入训练完成的卷积神经网络，输出语音信号属于每个方位角的概率，取概率最大的方位角作为该语音信号的声源方位角估计值。本发明可提高麦克风阵列在复杂声学环境下的声源定位性能，提高对声源空间结构、混响和噪声的泛化能力；可离线完成卷积神经网络的训练过程，将训练好的卷积神经网络保存于内存中，测试时仅需要一帧信号就可以实现实时声源定位。

技术领域

本发明属于声源定位领域，具体涉及一种基于卷积神经网络和子带SRP-PHAT空间谱的声源定位方法。

背景技术

基于麦克风阵列的声源定位技术在语音识别、说话人识别、情感识别系统的前端处理中，以及视频会议、智能机器人、智能家居、智能车载设备、助听器等方面有着广泛的应用前景和潜在的经济价值。传统声源定位方法中以SRP-PHAT(Steered Response Power-Phase Transform)方法最为流行和常用，该方法通过检测空间谱的峰值实现声源定位，但噪声和混响常导致空间谱呈现多峰特性，尤其在强混响环境中，反射声产生的空间谱峰值可能大于直达声的峰值，导致声源位置检测错误。近年来，基于模型的声源定位方法被用来在复杂声学环境中进行定位，这类方法通过对空间特征参数建模，构建声源位置和空间特征参数之间的映射关系，从而实现声源定位，但目前该类算法对未知环境(噪声和混响)的泛化能力较低，性能还有待进一步提高。空间特征参数和建模方法是影响基于模型的声源定位方法性能的主要因素。

发明内容

发明目的：为了克服现有技术中存在的问题，本发明公开了一种基于卷积神经网络和子带SRP-PHAT空间谱的声源定位方法，采用子带SRP-PHAT空间谱作为空间特征参数，采用卷积神经网络(Convolutional Neural Network，CNN)对多种混响和噪声环境下的方向性语音数据的空间特征参数建模，可提高麦克风阵列在复杂声学环境下的声源定位性能，提高对声源空间结构、混响和噪声的泛化能力。

技术方案：为实现上述目的，本发明采用如下技术方案：一种基于卷积神经网络和子带SRP-PHAT空间谱的声源定位方法，其特征在于，包括如下步骤：

S1、麦克风阵列采集语音信号，对采集的语音信号进行分帧和加窗的预处理得到单帧信号；

S2、计算每帧信号的子带SRP-PHAT空间谱矩阵；

S3、将所有帧信号的子带SRP-PHAT空间谱矩阵输入训练完成的卷积神经网络，输出语音信号属于每个方位角的概率，取概率最大的方位角作为该语音信号的声源方位角估计值。

优选地，步骤S2中，计算每帧信号的子带SRP-PHAT空间谱矩阵包括如下步骤：

S21、对每帧信号进行离散傅里叶变换：

其中，x_m(i,n)为麦克风阵列中第m个麦克风的第i帧信号，m＝1,2,…,M，M为麦克风的数目，X_m(i,k)是x_m(i,n)的离散傅里叶变换，表示第m个麦克风第i帧的频域信号，k为频率点，K为离散傅里叶变换的长度，N为帧长，K＝2N，DFT(·)表示离散傅里叶变换；

S22、设计Gammatone滤波器组的脉冲响应函数：

其中，j表示Gammatone滤波器的序号；C是Gammatone滤波器的增益；t表示连续时间；a为Gammatone滤波器的阶数；表示相位；f_j表示第j个Gammatone滤波器的中心频率；b_j表示第j个Gammatone滤波器的衰减因子，b_j计算公式为：