[发明专利]基于卡尔曼滤波的自适应去混响方法

说明书

本发明公开了一种基于卡尔曼滤波的自适应去混响方法。该方法包括以下步骤：(1)利用传声器获取信号，然后通过AD转换将模拟信号转换为数字信号；(2)对信号做短时傅里叶变换后，不同频带内的信号单独地利用卡尔曼滤波进行去混响；同时，采用声源定位方法判断声源位置是否改变，若声源位置发生改变，则将卡尔曼滤波的状态预测误差向量协方差矩阵重置为初始值；(3)将步骤2经卡尔曼滤波输出的时‑频域去混响信号通过短时傅里叶变换，得到时域去混响信号。本发明的方法能够有效提升卡尔曼滤波在声源突变场景下的去混响的性能。

技术领域

本发明属于语音增强的领域，具体涉及一种基于卡尔曼滤波的自适应去混响方法。

背景技术

使用传声器在房间内采集到的说话人的语音信号时，会同时采集到房间壁面的反射声，这些反射声被称为混响。当混响时间较长时，混响会影响语音通信中语音的清晰度，也会降低语音识别系统的识别率。

谱减法可以用来实现语音去混响(Lebart K,Boucher J M,Denbigh P N.A NewMethod Based on Spectral Subtraction for Speech Dereverberation[J].ActaAcustica United with Acustica,2001,87(3):359-366.)。中国专利CN102750956A中，利用短时傅里叶变换将单通道语音信号变换到时-频域，然后使用谱减法将当前帧的语音信号功率谱与估计的晚期混响功率谱相减，得到去混响信号的功率谱，最后通过短时傅里叶逆变换得到时域的去混响语音信号。然而，这种基于谱减法的去混响方法对语音音质有较大程度的损伤。

卡尔曼滤波是常用的自适应滤波方法。将卡尔曼滤波与多通道预测模型相结合，可以用来作为自适应去混响的方法。文献(Braun S,Habets E A P.OnlineDereverberation for Dynamic Scenarios Using a Kalman Filter With anAutoregressive Model[J].IEEE Signal Processing Letters,2016,23(12):1741-1745.)指出卡尔曼滤波具有较好的去混响性能。然而，由于该文中使用了单位矩阵作为状态转移矩阵，在声源位置发生突变之后，卡尔曼滤波的性能明显下降。文献(T.Dietzen,S.Doclo,A.Spriet,W.Tirry,M.Moonen,and T.van Waterschoot,“Low-ComplexityKalman filter for multi-channel linear-prediction-based blind speechdereverberation,”in 2017IEEE Workshop on Applications of Signal Processing toAudio and Acoustics(WASPAA),2017,pp.284–288.)使用了一个小于1的常数乘单位矩阵作为状态转移矩阵，没有出现声源位置改变前后算法性能相差显著的现象，但是算法总体的性能较差。

在实际的应用中，说话者在语音间隙的移动或者说话者的改变都会导致声源位置发生突变的场景的产生。因此，使用卡尔曼滤波去混响时，需要解决好声源位置发生突变带来的问题。

发明内容

现有技术在声源位置发生突变的场景中使用卡尔曼滤波的方法去混响时，难以保证在声源位置发生突变后算法具有较快的收敛速度的同时，还具有较好的稳态性能。本发明提出了一种基于卡尔曼滤波实现自适应去混响的方法，能够使得算法有效应对声源位置突变的场景，并保证算法在声源位置发生改变后的性能。

本发明采用的技术方案为：

基于卡尔曼滤波的自适应去混响方法，包括以下步骤：

步骤1，利用传声器获取信号，然后通过AD转换将模拟信号转换为数字信号；