[发明专利]一种基于临界频带的双耳语音分离方法

说明书

技术领域

本发明涉及声源定位和语音分离领域，具体涉及一种基于临界频带的双耳语音分离方法。

背景技术

语音定位和分离技术是语音信号处理系统的前端，其性能对整个语音信号系统影响非常大。从数字通信时代开始，语音编解码、语音定位、语音分离、语音增强等语音处理技术都得到了迅速的发展，特别在当前的互联网浪潮中，语音助手将语音信号处理推向了一个新的高度。

未来多模态人机交互的发展，人机对话和语音识别离不开语音信号处理的研究和发展，所以语音分离技术作为语音处理系统的前端，直接关系到整个语音系统的性能和效果。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于临界频带的双耳语音分离方法，利用人耳听觉系统的分频处理机制，结合人耳的听觉掩蔽效应，模拟人耳的听觉特征，基于临界频带划分，对每一帧信号划分不同的子带获取准确的混合矩阵进行语音分离，改进了现有技术的不足。

技术方案：一种基于临界频带的双耳语音分离方法，其特征在于，该方法包括以下步骤：

1)参数训练阶段：

1.1)使用具有方向性的双耳白噪声信号进行训练，所述双耳白噪声信号为与头相关脉冲响应函数HRIR数据与单声道白噪声信号卷积生成的方位已知的双耳信号，声源方位角θ定义为方向矢量在水平面的投影与中垂面的夹角，其范围为[-90°,90°]，间隔为5°；

1.2)对已知方位信息的双耳白噪声信号进行预处理，所述预处理过程包括幅度归一化处理、分帧加窗，得到分帧后的单帧双耳声信号；

幅度归一化方法为：

x_L＝x_L/maxvalue

x_R＝x_R/maxvalue

其中x_L和x_R分别表示左耳声信号和右耳声信号；maxvalue＝max(|x_L|,|x_R|)表示左耳、右耳声信号幅度的最大值。

分帧加窗使用汉明窗对分帧后的语音信号进行加窗处理，加窗后的第τ帧信号可以表示为：

x_L(τ,n)＝w_H(n)x_L(τN+n) 0≤n＜N

x_R(τ,n)＝w_H(n)x_R(τN+n) 0≤n＜N

其中x_L(τ,n)、x_R(τ,n)分别表示第τ帧的左、右耳声信号；N为一帧采样数据长度。

1.3)对步骤1.2)中得到的单帧双耳语音信号进行互相关函数运算，利用互相关函数计算单帧信号的耳间时间差ITD估计值。同一方位所有帧ITD估计值的均值作为该方位的ITD训练值，记为δ(θ)。

建立方位角θ的ITD模型的方法如下：

第τ帧信号的ITD值为：

将该θ方位的双耳白噪声信号对应所有帧的ITD_τ求均值δ(θ)，作为θ方位的训练ITD参数：

其中frameNum表示θ方位的双耳白噪声信号分帧后的总帧数，

这样建立了方位角θ与训练IID参数之间的模型。

1.4)对步骤1.1)中得到的单帧双耳语音信号进行短时傅里叶变换，将其变换到频域，计算左耳声信号和右耳声信号在每个频点幅度谱的比值，即耳间强度差IID矢量，同一方位所有帧IID估计值的均值作为该方位的IID训练值，记为α(θ,ω)，ω表示傅里叶变换的频谱。

建立方位角θ的IID模型的方法如下：

第τ帧信号的IID值为：

其中，X_L(τ,ω)和X_R(τ,ω)分别x_L(τ,m)、x_R(τ,m)的频域表示，即短时傅里叶变换：

其中x(τ,n)表示第τ帧声信号，分别对左、右耳声信号进行傅里叶变换；ω表示角频率矢量，范围为[0,2π]，间隔为2π/512；

将该θ方位的双耳白噪声信号所有帧的IID(τ,ω)求均值α(θ,ω)，作为θ方位的训练IID参数：

其中frameNum表示θ方位的双耳白噪声信号分帧后的总帧数，

这样建立了方位角θ与训练IID参数之间的模型。