[发明专利]基于深度学习的麦克风阵列声源定位方法及声源识别方法

说明书

基于深度学习的麦克风阵列声源定位方法及声源识别方法，包括如下步骤：设置麦克风阵列，所述麦克风阵列包括两个以上的麦克风，且全部麦克风位于同一平面；对麦克风进行两两分组，利用每一组麦克风进行声源位置定位,具体为：以两个麦克风连线为X轴，连线中点为坐标原点构建三维坐标系；计算声源相对坐标原点的方位角θ；确认声源角度后，再得到声源位置信息。本发明通过利用语音到达麦阵中各个不同位置麦克风的时延相关性获取声源位置，然后结合深度神经网络对语音进行增强，在本地实现了快速确定声源为人声还是非人声，减少语音产品中的误识别和误触发。

技术领域

本发明属于人工智能技术领域，涉及语音识别中的声源定位,具体涉及一种基于深度学习的麦克风阵列声源定位方法及声源识别方法。

背景技术

近年来，随着物联网技术的突飞猛进，语音成为人机交互的一种自然、便捷的手段，但麦克风采集到的语音总是掺杂着不同的随机性噪声，如传输媒介、周围环境、人声干扰等外部噪声，接收到的语音质量受到不同程度的影响，从而导致语音识别效果变差，使用户的体验感差。目前市面上的语音产品根据采音麦克的数量分为单麦和多麦（双麦、四麦及八麦等），根据麦克风的排列方式分为矩形阵列和圆形阵列。单麦价格低、全方位拾音，安静下识别效果比较理想，但抗噪声能力差，在噪音条件下识别效果下降明显，虽然在特定的应用场景，如烟机、洗衣机等噪声下可通带噪语音与标准语音的映射来训练提高识别率，但各种噪音条件下的语音需要单独采集及训练，效率相对较低。

而麦克风阵列即麦阵不仅可以有效抑制噪声和混响的干扰，获得良好的音质，还可以得到声场的时空结构，在听觉场分析中可以解决或改善众多原本棘手的问题，例如音频去噪抗混响、语音增强以及说话人定位与跟踪。在音视频会议系统中，往往通过实时获取说话人的位置信息来控制摄像头自动对准该说话人，并利用波束成形等阵列信号处理手段对该方向的音频信号进行增强。在其他一些对音频信号质量有比较高要求的应用场景中，例如语音识别系统、车载电话系统、助听器设备等，也常常应用麦克风阵列得到的音频空间信息来放大说话人方向捕捉的音频信号，同时衰减其他方向的信号，进而提高音频质量；麦克风阵列在定位及跟踪精度具有较强的优势，且具有更强的稳健性。

发明内容

为克服现有技术存在的缺陷，本发明公开了一种基于深度学习的麦克风阵列声源定位方法及声源识别方法。

本发明所述基于深度学习的麦克风阵列声源定位方法，包括如下步骤：

S1. 设置麦克风阵列，所述麦克风阵列包括三个以上的麦克风；

S2. 对麦克风进行两两分组，利用每一组麦克风进行声源位置定位,具体为：

S21. 以两个麦克风连线为X轴，连线中点为坐标原点构建三维坐标系；利用下式计算声源相对坐标原点的方位角θ；

其中c为声速，m_i1 、m_i2表示两个麦克风在坐标系中的位置，τ_i为两个麦克风接收到声音信号的延时差；

S22. 对两个麦克风，求得麦克风接收到的频域信号X_i（k,l）；其中，下标i表示不同的麦克风，k表示第k个频点，l表示第l帧语音信号；

S3. 遍历各组麦克风求得各组麦克风对应的方位角θ和频域信号后，再进行以下处理：

将空间全方位角[-180°, 180°]均分为Q等份，定义每一个空间角索引i = 1，2，...，Q；则第i个空间角的波束S(i)为：

（4）

其中：为第k个频点的相位角，Fs为频域信号的采样率，τi为延时差，θ为空间划分的方位角，c为声音传播速度，*表示取复共轭，X_m1（k,l）、X_m2（k,l）分别表示同一组内两个麦克风的频域信号，M为麦克风阵列的麦克风数量，K表示频域信号的频点总数，j表示虚部，exp表示求自然对数；

遍历空间全部空间角，得到空间波束向量S_eng: