[發明專利]語音提取方法、裝置、設備和存儲介質

在審

• 申請號: 202010158648.7
• 申請日: 2020-03-09
• 公開（公告）號: CN113450769A
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 童仁杰
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/24;G10L21/0216
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 徐靜;劉芳

本發明提供一種語音提取方法、裝置、設備和存儲介質。該方法包括：獲取目標聲源處的圖像；根據所述目標聲源在所述圖像中的像素位置，確定所述目標聲源的波達方向DOA；根據所述DOA，以及預設的N個波束的輸出信號，提取目標聲源的語音輸出信號；所述N個波束是以麥克風陣列為基準而預設的具有不同指向的各個波束，N≥2。本發明實施例在語音信號的信噪比較低的情況下，特別是遠距離悄悄話的情景下，根據目標聲源處的圖像的信息，確定目標聲源的波達方向DOA，可以提高DOA估計的準確性，進而能夠提高提取的語音信號的質量。

技術領域

本發明涉及音頻信號處理技術領域，尤其涉及一種語音提取方法、裝置、設備和存儲介質。

背景技術

目前，遠距離拾音的應用需求非常廣泛。例如某些監控場景下需要秘密拾音。但當前的遠距離拾音技術還無法達到近距離拾音的效果。

相關技術中，利用麥克風陣列技術，設計指向多個方位角的固定波束，并跟蹤各個波束內的能量最小值。綜合各個波束能量的最小值跟蹤的結果，檢測出聲源所在的目標波束。接著，利用波束形成算法抑制環境噪聲從而提取語音輸出信號，然而在遠距離、低信噪比的場景下，僅根據各個波束能量的最小值對目標波束的估計容易出現錯誤，并導致提取的語音輸出信號的質量不高。

發明內容

本發明提供一種語音提取方法、裝置、設備和存儲介質，以提高語音提取質量。

第一方面，本發明提供一種語音提取方法，包括：

獲取目標聲源處的圖像；

根據所述目標聲源在所述圖像中的像素位置，確定所述目標聲源的波達方向DOA；

根據所述DOA，以及預設的N個波束的輸出信號，提取目標聲源的語音輸出信號；所述N個波束是以麥克風陣列為基準而預設的具有不同指向的各個波束，N≥2。

第二方面，本發明提供一種語音提取裝置，包括：

獲取模塊，用于獲取目標聲源處的圖像；

確定模塊，用于根據所述目標聲源在所述圖像中的像素位置，確定所述目標聲源的波達方向DOA；

處理模塊，用于根據所述DOA，以及預設的N個波束的輸出信號，提取目標聲源的語音輸出信號；所述N個波束是以麥克風陣列為基準而預設的具有不同指向的各個波束，N≥2。

第三方面，本發明實施例提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現第一方面中任一項所述的方法。

第四方面，本發明實施例提供一種電子設備，包括：

處理器；以及

存儲器，用于存儲所述處理器的可執行指令；

其中，所述處理器配置為經由執行所述可執行指令來執行第一方面中任一項所述的方法。

本發明實施例提供的語音提取方法、裝置、設備和存儲介質，獲取目標聲源處的圖像；根據所述目標聲源在所述圖像中的像素位置，確定所述目標聲源的波達方向DOA；根據所述DOA，以及預設的N個波束的輸出信號，提取目標聲源的語音輸出信號；所述N個波束是以麥克風陣列為基準而預設的具有不同指向的各個波束，N≥2，在語音信號的信噪比較低的情況下，特別是遠距離悄悄話的情景下，根據目標聲源處的圖像的信息，確定目標聲源的波達方向DOA，可以提高DOA估計的準確性，進而根據DOA提取目標聲源的語音輸出信號，能夠提高提取的語音信號的質量。

附圖說明

此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本公開的實施例，并與說明書一起用于解釋本公開的原理。

圖1為本發明一實施例提供的原理實現示意圖；