[发明专利]一种麦克风阵列声源空间实时定位方法

说明书

技术领域

本发明属于语音技术领域，特别涉及一种麦克风阵列声源空间实时定位方法。

背景技术

语音处理技术中通常需要掌握声源的空间位置信息，为声纹识别、语音内容识别等交互技术提供帮助。例如，当用户与智能机器人进行语音对话时，通常要确定人的空间位置并进行转向和靠近，即使在黑暗中也可以仅仅根据声音确定用户的具体方位，并自动靠近说话人附近，提供必要的服务和帮助；在视频会议中一般需要自动调整会议摄像头，朝向发言人，并能够对不同发言人进行视频切换。

常见的用于声源定位的设备是麦克风阵列，一般定义为：由多个(通常大于三个)麦克风按照指定的几何规则摆放并完全同步采集声音信号的设备。目前麦克风阵列定位的常用方法主要包括：基于到达时间差(Time Delay ofArrival，TDOA)的声源定位，定位首先通过时延估计得到声源信号到达不同阵元的时间差，再通过麦克风阵列的几何构造进行声源位置判断；基于可控功率响应(Steered Response Power，SRP)的声源定位以及基于高分辨率谱估计(High-resolution Spectral Estimation)的声源定位等。

1、到达时间差(Time Delay ofArrival，TDOA)法：

该方法首先通过时延估计得到声源信号到达不同阵元的时间差，再通过麦克风阵列的几何构造进行声源位置判断。常用的时延估计方法是基于广义互相关(Generalized Cross Correlation，GCC)法，其具体步骤为，设X_i(ω)和X_i(ω)分别代表第i个麦克风接收信号x_i(t)和第j个麦克风接收信号x_j(t)的傅里叶变换，则有如下等式：

其中Ψ_ij(ω)表示两个信号的互功率谱密度，R_ij表示两个信号的互相关函数，为声源到第i个麦克风与第j个麦克风之间的延时估计，W_ij(ω)是频域加权系数，当此加权系数为1时，就是基本互相关。常用的频域加权函数还有相位变换(PhAse Transform，PHAT)加权、ROTH加权、最大似然加权、SCOT加权等，其中PHAT加权较为常用，因为基于广义互相关的时延估计信息隐藏在互功率谱的相位信息中，与幅度无关，PHAT加权法则去除了幅度信息的影响，使得相关函数峰值更加尖锐。PHAT加权函数公式为W_ij(ω)＝1/|Ψ_ij(ω)|。

上述基于到达时间差的定位方法原理简单，计算效率高，但在较大的噪声或混响干扰下其时延估计性能急剧下降，因此不适用于低信噪比或高混响的声学场景。此外，还有一些时延估计方法，比如利用信息论中联合熵和互信息，使用迭代方法，或者考虑不同信道的非对称性等方法，但在强混响和噪声条件下，结果都不太理想，且部分方法计算速度缓慢，比如迭代法等。

2、可控功率响应-相位变换(Steered Response Power-PhAse Transform，SRP-PHAT)法

基于可控功率响应-相位变换的定位方法通过对全局空间进行搜索，找到最大可控功率输出的点，网格越小，搜索分辨率越高。其声源定位原理如下：

假定声源位于s处，τ_i表示声源到第i个麦克风的传输延迟。声源s的可控功率响应-相位变换输出P^PHAT(s)为：

其中表示两个信号的互功率谱密度，τ_ji表示s处声源到第j个麦克风和第i个麦克风的时延差。估计的声源位置为：

经过以上分析可以知道，SRP-PHAT算法的思路是假定空间中某一位置存在声源，然后求出该位置的基于相位加权的可控功率输出，最终选取使得P^PHAT(s)最大的空间位置s作为估计出的声源位置。但是SRP-PHAT的思路是先假定空间中某一位置有声源，为了精确定位出声源信息，一般需要用网格搜索法，遍历空间中所有的网格位置。假设搜索空间c长宽高分别为X，Y，Z，网格间隔为δ，则网格点数N为：

假定X＝3m，Y＝3m，Z＝2m，网格间隔δ＝0.01m，则网格点数N＝301*301*201＝18210801，也就是说要计算接近1800多万个点的即使只有二维，也要计算301*301＝90601次，因此效率很低。

3、随机区域收缩法