[發明專利]一種基于深度神經網絡的聲源定位方法及系統

有效

• 申請號: 202010050760.9
• 申請日: 2020-01-17
• 公開（公告）號: CN111239687B
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 張巧靈;唐柔冰;馬晗
• 申請（專利權）人: 浙江理工大學
• 主分類號: G01S5/22
• 分類號: G01S5/22
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

本發明公開了定位方法，包括：S1.獲取麥克風接收的語音信號，并生成語音數據集；S2.對語音數據集內的語音信號進行預處理；S3.計算語音信號對應的聲源信號的相位加權廣義互相關函數；S4.獲取相位加權廣義互相關函數波峰對應的時延信息，將時延信息作為聲源信號到達麥克風的TDOA觀測值；獲取時延信息對應的幅值；S5.將TDOA觀測值與幅值結合作為輸入向量，將聲源信號對應的三維空間位置坐標作為輸出向量，結合輸入向量和輸出向量生成特征向量；S6.對特征向量進行預處理；S7.設置深度神經網絡相關的參數，并用訓練集的特征向量訓練深度神經網絡，得到訓練好的深度神經網絡；S8.將測試集的輸入向量傳入訓練好的深度神經網絡進行預測，得到聲源信號的三維空間坐標。

技術領域

本發明涉及室內聲源定位技術領域，尤其涉及一種基于深度神經網絡的聲源定位方法及系統。

背景技術

近年來，智能服務型產品(如智能音箱，智能家居等)在現實生活中得到廣泛應用，為了獲得良好的用戶體驗，產品的人機交互能力得到越來越多人的關注。在人機交互中，語音溝通是不可或缺的一部分，人們可以直接下達語音口令命令機器提供相應的服務，機器對語音口令進行識別并提供相應的服務，勿需手動操作。目前，在近場語音識別應用場景下(如手機端)，麥克風接收的語音信號質量很高，語音識別率已滿足實際要求。然而，在智能家居等遠場語音識別應用場景下，麥克風捕捉到的語音信號質量較差，語音識別率低，無法滿足實際要求。因此，解決遠場語音識別應用落地日益成為近年來國內外機構的研究熱點。目前，在語音識別前端利用聲源定位算法估計聲源位置，增強該位置方向的聲源信號，同時削弱其他方向的干擾信號的方法能提高語音信號質量，提高語音識別率，該方法能有效解決遠場語音識別應用落地。其中，在語音識別之前進行有效的聲源定位，在實際中具有重要意義。

經典的定位算法主要是二維空間的聲源定位算法，這類算法主要分為三大類：一是基于時延估計(Time Difference of Arrival,TDOA)的算法。時延估計算法，又稱到達時間差算法，根據兩個不同位置麥克風接收同一聲源信號的時間差確定聲源的位置。它將兩個麥克風接收聲音信號的廣義互相關函數(Generalized Cross Correlation,GCC)的最大波峰對應的時延作為時間延遲估計，進而利用麥克風陣列的幾何約束得到聲源位置估計。這類方法容易受環境噪聲以及室內混響的影響，當噪聲較大或者混響嚴重時，GCC函數出現多個偽峰(Spurious Peaks)，容易估計出錯誤的TDOA值，進而導致錯誤的聲源位置估計。二是基于空間譜估計的算法。基于空間譜估計的算法的基本思想是根據空間譜確定方向角以及聲源的位置。由于空間信號的估計與時域信號的頻率估計相似，空間譜的估計方法可由時域非線性譜推廣而成，但是這類算法的前提是信號源是連續分布且空間平穩，因此此類算法的運用就大大受到限制。空間譜算法代表性算法之一是特征子空間類算法，特征子空間類算法又可分為子空間分解類算法以及子空間擬合類算法，前者的主要算法為多信號分類(Multiple Signal Classification，MUSIC)算法以及旋轉不變子空間算法(EstimatingSignal Parameter via Rotational Invariance Techniques,ESPRIT)，后者的算法主要為最大似然算法(Maximum Likelihood,ML)以及加權子空間擬合算法(Weighted SubspaceFitting,WSF)等。三是基于可控波束響應的算法。基于可控波束響應的算法是在麥克風陣列中全局搜索能量最大的位置，該位置即聲源位置。通常，先對麥克風收集的語音信號濾波并加權求和形成波束，然后再求出波束輸出功率最大的點，該點即聲源位置。基于可控波束響應的算法具體又可分為延遲累加波束算法和自適應波束算法。延遲累加算法雖然信號失真小且計算量小但是抗干擾能力弱，容易受到噪聲的影響。自適應算法計算量大，信號有一定的失真但是抗干擾能力強。