基于FastICA盲源分離算法的語音增強系統*

劉紅梅

(湖南鐵道職業技術學院 株洲 412001)

基于FastICA盲源分離算法的語音增強系統*

劉紅梅

(湖南鐵道職業技術學院 株洲 412001)

論文在分析現有語音增強系統中采用的傳統算法的缺點基礎上,提出了一種基于FastICA盲源分離算法設計的語音增強算法,并將其移植到嵌入式語音增強系統上。該系統實時增強語音,通過四元麥克風陣列采集空間中的聲音信號,并通過內置語音增強算法將其中的語音源信號和噪聲源信號分離,能夠抑制有同聲道噪聲在內的有源噪聲和殘余背景噪聲。算法在PC平臺上的測試結果分析表明本系統達到設計要求,效果好。

盲源分離算法; 語音增強系統; 有源噪聲; 噪聲抑制

Class Number TP334.3

1 引言

目前,語音增強是多媒體技術的一個重要研究課題。傳統的語音增強方法:譜減法、自適應濾波法、最小均方誤差等大多是針對語音和同聲道噪聲以外的噪聲的參數特征、統計特性等特點進行噪聲抑制的,對有源的噪聲,尤其是同聲道噪聲(目標語音信號外的語音信號)的抑制顯然無能為力。

因此,本文設計一個基于麥克風陣列和盲源分離算法的語音增強系統,相比于單個麥克風和一般語音增強算法構成的語音增強系統有以下優點:

1) 麥克風陣列具有空間濾波作用,能抑制背景噪聲。

2) 麥克風陣列由盲源分離算法采集到后,其混合信號可分離出多路獨立信號分量。再使用LPC復倒譜(LPCC)參數特征等方法能將目標信號分量分離,從而抑制有源噪聲,實現語音增強。

根據項目需要和對盲源分離算法的比較,采用FastICA算法作為本系統的盲源分離算法。易在嵌入式系統中實現。

2 系統硬件框圖及原理

本系統的主要模塊如圖1所示。

圖1 系統硬件框圖

硬件設計主要包括麥克風陣列、模數轉換器、DSP模塊、數模轉換器、音響設備接口、顯示模塊與鍵盤模塊等。

3 主要系統硬件單元電路設計

1) 麥克風陣列模塊:由四個麥克風陣元構成,用運放ne5532作為前級跟隨,降低輸出阻抗。設計如圖2所示。

2) 模數轉換模塊設計:采用PCM3000,實現兩路信號同時采樣和轉換,內置有濾波器,最高精度達18位。

3) 音響設備接口模塊:使用3.5雙聲道耳機插座輸出音頻信號,針對選用的信號頻帶對于音頻的編解碼器輸出制作了4KHz的無源低通濾波器,再選用低噪運放OP07接上3.5雙聲道耳機插座輸出信號。設計如圖3所示。

圖2 麥克風陣列模塊框圖

圖3 音響設備接口圖

4) 顯示模塊:選用LCD1602,能顯示32個字符,滿足本系統的性能需求。

5) 鍵盤模塊:六個按鍵開關構成的1X6鍵盤。顯示模塊和鍵盤模塊的電路設計如圖4所示。

4 系統軟件設計

本設計的軟件設計主要分為靜音檢測器、前置濾波器、FastlCA盲源分離器設計、LPCC參數特征分析器、后置濾波器、數據輸出。其流程圖如圖5所示。

1) 靜音檢測器

背景噪聲信號和語音信號的自相關特性存在顯著不同:語音信號的自相關函數隨著相關系數的增大而下降;靜音檢測器則是根據其下降的速度,檢測出信號中是否包含有系統需求的語音信號,檢測一個陣元的信號,如果連續多幀信號滿足語音信號的自相關特性,便對該信號進行語音增強算法,若無則使系統靜音。

2) 前置濾波器

前置濾波器采用Matlab中中心頻率為3000Hz的FIR低通濾波器。在對陣列信號進行進一步處理前,前置濾波器先對每個陣元采集的信號進行濾波,過濾掉語音頻率外的成分,減少語音頻率外的成分的干擾,以使后續的算法的效果更好。

3) FastICA盲源分離器

本文選取FastICA盲源分離器是選取足夠分析長度的麥克風陣列信號,在選取錢經過前置濾波,對其進行去均值和白化,白化的陣列信號可以通過FastICA算法從中得到估計的分離矩陣,乘以經過處理的麥克風陣列信號向量,根據其結果估計出其中的獨立聲源分量。

圖4 顯示模塊和鍵盤模塊原理圖

圖5 語音增強算法流程圖

4) LPCC參數特征分析器

LPCC參數特征分析器對之前分離出的多路獨立信號分量逐一進行特征分析,選出與目標LPCC參數特征吻合的一路信號分量作為目標信號。也可根據應用場合的不同,人工直接選定第幾路信號分量作為目標信號。

5) 后置濾波器

后置濾波器對得到的目標信號進行卡曼濾波,以進一步抑制殘留的背景噪聲,提高語音質量。

5 測評與結論

根據系統設計,將算法在PC平臺上進行測試,模擬測試結果如下:

1) 靜音檢測器測試

選取一段加入了白噪聲的語音信號作為待測信號,通過靜音檢測器檢測,結果如圖6。

圖6 帶噪語音靜音檢測

純白噪聲的信號通過靜音檢測的結果如圖7所示。通過比較,可以得出,靜音檢測器對語音信號能夠進行準確的判斷。

2) FastICA盲源分離測試

選取三個語音文件,讀出其中三組語音信號,按直線陣組成語音矩陣,陣元距離設置為20cm,其入射方向假定分別設置為10°、20°、50°,生成陣列流形后與信號矩陣相積后得到一組麥克風陣列信號。經FastICA盲源分離后結果如圖所示。

圖7 白噪聲靜音檢測

圖8 原始信號

圖9 陣元所采集的信號

圖10 分離陣列信號得到的獨立聲源分量

從結果可見,FastICA盲源分離器成功地對混合信號進行分離了。且獨立聲源分量1、2、3分別對應信號2、3、1。

3) 后置濾波器測試

對采樣率為9375Hz的200Hz的正弦信號加入高斯噪聲,經過后置濾波器濾波處理后,其結果如圖11所示,后置濾波器有較好的噪聲抑制能力,可以較大提高信號的信噪比。

圖11 后置濾波器效果

[1] 蔣夕平,吳鳳凰,修連存.基于FastICA算法的高光譜礦物豐度反演[J].吉林大學學報,2013,43(5):1681-1685. JIANG Xiping, WU Fenghuang, XIU Liancun. Inversion of hyperspectral mineral abundance based on FastICA algorithm[J]. Journal of Jilin University,2013,43(5):1681-1685.

[2] 高巧玲,劉輝.一種峭度FastICA改進算法[J].湖南師范大學學報,2010,20(11):114-116. GAO Qiaoling, LIU Hui. An improved kurtosis FastICA algorithm[J]. Journal of Hunan Normal University,2010,20(11):114-116.

[3] 胡志冰,蔡國偉.蔣鋮.基于FastICA和Prony算法的低頻振蕩參數辨識[J].電測與儀表,2014,51(18):39-42. HU Zhibing, CAI Guowei, JIANG Cheng. Parameter identification of low frequency oscillation and FastICA based on Prony algorithm[J]. Electrical Measurement and Instrumentation,2014,51(18):39-42.

[4] 王永娟.基于改進FastICA算法的地震信號去噪研究[D].成都:成都理工大學,2012. WANG Yongjuan. Seismic signal denoising based on improved FastICA algorithm[D]. Chengdu: Chengdu University of Technology,2012.

[5] 江華根,楊斌紅,敖春來,等.基于快速獨立分量分析的自電測井信號去噪[J].水文地質工程地質,2013,40(1):29-33. JIANG Hua, YANG Binhong, AO Chunlai, et al. Electrical logging signal denoising based on fast independent component analysis[J]. Hydro Geology Engineering Geology,2013,40(1):29-33.

[6] 趙治棟.基于改進FastICA的胎兒心電提取算法研究[J].傳感技術學報,2015,28(9):1275-1280. ZHAO Zhidong. Study on fetal electrocardiogram extraction algorithm based on improved FastICA[J]. Journal of Sensing Technology,2015,28(09):1275-1280.

[7] 吳微,彭華,周正康.一種改進的FastICA算法及其在含噪盲源分離中的應用[J].信息工程大學學報,2013,34(6):708-712. WU Wei, PENG Hua, ZHOU Zhengkang. An improved FastICA algorithm and its application in the separation of noisy blind source[J]. Journal of Information Engineering University,2013,34(6):708-712.

[8] Zarzoso V, Comon P. Robust Independent Component Analysis by Iterative Maximization of the Kurtosis Contrast with Algebra-ic Optimal Step Size[J]. IEEE Transactions on Neural Networks,2010,21(2):248-261.

[9] 張海龍.基于FastICA的風電機組增速箱振動信號分析技術的研究[D].沈陽：沈陽工業大學,2013. ZHANG Hailong. Research on vibration signal analysis technology of wind turbine gearbox based on FastICA[D]. Shenyang: Shenyang University of Technology,2013.

[10] 符成山.一種改進譜減法語音增強算法的研究[J].信息通信,2016(6):21-22. FU Chengshan. Research on an improved spectral subtraction speech enhancement algorithm[J]. Information & Communication,2016(6):21-22.

Speech Enhancement System Design Based on FastICA Blind Source Separation Algorithm

LIU Hongmei

(Hunan Railway Professional Technology College, Zhuzhou 412001)

Based on analyzing the drowbacks of troditional algorithm of existing speech enhancement system, a speech enhancement algorithm is proposed based on FastICA blind source separation algorithm design, and it is transplanted to embedded speech enhancement system. The system has real-time speech enhancement, four element microphone array is used to sample the space of sound signal and the built-in speech enhancement algorithm is used to separate the voice source signal and noise source signal, capable of suppressing co channel noise, active noise and residual background noise. Based on the test results of the algorithm on PC platform, the system meets the design requirements and the effect is good.

blind source separation algorithm, speech enhancement system, active noise, noise suppression

2016年9月3日,

2016年10月27日

劉紅梅,女,碩士,講師,研究方向:計算機應用,軟件工程。

TP334.3

10.3969/j.issn.1672-9722.2017.03.016