[发明专利]人声定位方法及电子设备和存储介质

说明书

本发明公开一种人声定位方法及电子设备和存储介质，其中方法包括：将获取的音频信号转换为语谱图信号，对所述语谱图信号进行分离；通过神经网络分别滤除分离后的语谱图信号中每个方向的非人声信号，并判断所述语谱图信号中每个方向上人声信号的存在概率，确定人声信号存在概率最大的方向并输出人声信号存在概率最大的方向的掩码信号；至少基于所述人声信号存在概率最大的方向以及对应的掩码信号估计所述人声信号的方位信息。本发明实施例通过利用神经网络来输出概率最大的方向的掩码信号，根据概率最大的方向的掩码信号估计人声信号的方位信息，当外部噪声较大时，声源定位结果也能够准确地指向目标人声源，进一步提高了目标人声定位的精准度。

技术领域

本发明属于声源定位技术领域，尤其涉及一种人声定位方法及电子设备和存储介质。

背景技术

现有技术中，主要的人声定位方法有波束选择算法、通道间相位差IPD(Inter-channel Phase Difference)算法、广义互相关算法GCC(Generalized CrossCorrelation)、多信号分类MUSIC(Multiple Signal Classification)等经典声源定位估计方法。常用的波束选择算法为代表的经典声源定位方法:①.对麦克风接收到的语音做傅里叶变换，得到原始语音的语谱图信号；②.将原始语音的语谱图信号，通过固定波束形成算法，投影到多个备选方向上，输出多通道的语音语谱图信号，其中每个通道对应一个备选方向；③.分别计算各个方向语谱图的能量，将能量最大的语谱图的信号对应的方向，作为人声方向输出。

现有的传统算法在判断信号是否为人声时，通常仅以能量作为判断依据。当存在较大的外部噪声时，噪声能量往往占据主导地位，此时的声源定位结果非常容易错误地指向噪声源而非目标人声源。同时，由于波束成形算法算力、内存需求较大、且在同一方向附近的区分度小，不能支持过多的备选区域，导致精度较低。传统的算法中人声方向定位的精度不高时会使用IPD、GCC或MUSIC等算法，通过相位来辅助估计人声方位。但是IPD和GCC算法同样精度有限，而MUSIC算力需求较大，且不支持单帧声源定位，需要多帧估计，会引入额外的延时。对干扰的抗性较差时会使用能量来判断人声的起止时间，只在该起止时间内估计声源方位。但是该方案在有干扰场景下仍然不适用。

发明人发现：上述技术提供的能力是单一的，传统算法中声源定位的精度不高，一般定位的区域个数等于麦克风个数，同时对干扰的抗性较差，且易被环境噪声影响。

发明内容

本发明实施例旨在至少解决上述技术问题之一。

第一方面，本发明实施例提供一种人声定位方法，包括：将获取的音频信号转换为语谱图信号，对所述语谱图信号进行分离；通过神经网络分别滤除分离后的语谱图信号中每个方向的非人声信号频点，并判断所述语谱图信号中每个方向上人声信号的存在概率，确定人声信号存在概率最大的方向并输出人声信号存在概率最大的方向的掩码信号；至少基于所述人声信号存在概率最大的方向以及对应的掩码信号估计所述人声信号的方位信息。

第二方面，本发明实施例提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明上述任一项人声定位方法。

第三方面，本发明实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述任一项人声定位方法。

第四方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项人声定位方法。