基于FastICA盲源分离算法的语音增强系统*

刘红梅

(湖南铁道职业技术学院 株洲 412001)

基于FastICA盲源分离算法的语音增强系统*

刘红梅

(湖南铁道职业技术学院 株洲 412001)

论文在分析现有语音增强系统中采用的传统算法的缺点基础上,提出了一种基于FastICA盲源分离算法设计的语音增强算法,并将其移植到嵌入式语音增强系统上。该系统实时增强语音,通过四元麦克风阵列采集空间中的声音信号,并通过内置语音增强算法将其中的语音源信号和噪声源信号分离,能够抑制有同声道噪声在内的有源噪声和残余背景噪声。算法在PC平台上的测试结果分析表明本系统达到设计要求,效果好。

盲源分离算法; 语音增强系统; 有源噪声; 噪声抑制

Class Number TP334.3

1 引言

目前,语音增强是多媒体技术的一个重要研究课题。传统的语音增强方法:谱减法、自适应滤波法、最小均方误差等大多是针对语音和同声道噪声以外的噪声的参数特征、统计特性等特点进行噪声抑制的,对有源的噪声,尤其是同声道噪声(目标语音信号外的语音信号)的抑制显然无能为力。

因此,本文设计一个基于麦克风阵列和盲源分离算法的语音增强系统,相比于单个麦克风和一般语音增强算法构成的语音增强系统有以下优点:

1) 麦克风阵列具有空间滤波作用,能抑制背景噪声。

2) 麦克风阵列由盲源分离算法采集到后,其混合信号可分离出多路独立信号分量。再使用LPC复倒谱(LPCC)参数特征等方法能将目标信号分量分离,从而抑制有源噪声,实现语音增强。

根据项目需要和对盲源分离算法的比较,采用FastICA算法作为本系统的盲源分离算法。易在嵌入式系统中实现。

2 系统硬件框图及原理

本系统的主要模块如图1所示。

图1 系统硬件框图

硬件设计主要包括麦克风阵列、模数转换器、DSP模块、数模转换器、音响设备接口、显示模块与键盘模块等。

3 主要系统硬件单元电路设计

1) 麦克风阵列模块:由四个麦克风阵元构成,用运放ne5532作为前级跟随,降低输出阻抗。设计如图2所示。

2) 模数转换模块设计:采用PCM3000,实现两路信号同时采样和转换,内置有滤波器,最高精度达18位。

3) 音响设备接口模块:使用3.5双声道耳机插座输出音频信号,针对选用的信号频带对于音频的编解码器输出制作了4KHz的无源低通滤波器,再选用低噪运放OP07接上3.5双声道耳机插座输出信号。设计如图3所示。

图2 麦克风阵列模块框图

图3 音响设备接口图

4) 显示模块:选用LCD1602,能显示32个字符,满足本系统的性能需求。

5) 键盘模块:六个按键开关构成的1X6键盘。显示模块和键盘模块的电路设计如图4所示。

4 系统软件设计

本设计的软件设计主要分为静音检测器、前置滤波器、FastlCA盲源分离器设计、LPCC参数特征分析器、后置滤波器、数据输出。其流程图如图5所示。

1) 静音检测器

背景噪声信号和语音信号的自相关特性存在显著不同:语音信号的自相关函数随着相关系数的增大而下降;静音检测器则是根据其下降的速度,检测出信号中是否包含有系统需求的语音信号,检测一个阵元的信号,如果连续多帧信号满足语音信号的自相关特性,便对该信号进行语音增强算法,若无则使系统静音。

2) 前置滤波器

前置滤波器采用Matlab中中心频率为3000Hz的FIR低通滤波器。在对阵列信号进行进一步处理前,前置滤波器先对每个阵元采集的信号进行滤波,过滤掉语音频率外的成分,减少语音频率外的成分的干扰,以使后续的算法的效果更好。

3) FastICA盲源分离器

本文选取FastICA盲源分离器是选取足够分析长度的麦克风阵列信号,在选取钱经过前置滤波,对其进行去均值和白化,白化的阵列信号可以通过FastICA算法从中得到估计的分离矩阵,乘以经过处理的麦克风阵列信号向量,根据其结果估计出其中的独立声源分量。

图4 显示模块和键盘模块原理图

图5 语音增强算法流程图

4) LPCC参数特征分析器

LPCC参数特征分析器对之前分离出的多路独立信号分量逐一进行特征分析,选出与目标LPCC参数特征吻合的一路信号分量作为目标信号。也可根据应用场合的不同,人工直接选定第几路信号分量作为目标信号。

5) 后置滤波器

后置滤波器对得到的目标信号进行卡曼滤波,以进一步抑制残留的背景噪声,提高语音质量。

5 测评与结论

根据系统设计,将算法在PC平台上进行测试,模拟测试结果如下:

1) 静音检测器测试

选取一段加入了白噪声的语音信号作为待测信号,通过静音检测器检测,结果如图6。

图6 带噪语音静音检测

纯白噪声的信号通过静音检测的结果如图7所示。通过比较,可以得出,静音检测器对语音信号能够进行准确的判断。

2) FastICA盲源分离测试

选取三个语音文件,读出其中三组语音信号,按直线阵组成语音矩阵,阵元距离设置为20cm,其入射方向假定分别设置为10°、20°、50°,生成阵列流形后与信号矩阵相积后得到一组麦克风阵列信号。经FastICA盲源分离后结果如图所示。

图7 白噪声静音检测

图8 原始信号

图9 阵元所采集的信号

图10 分离阵列信号得到的独立声源分量

从结果可见,FastICA盲源分离器成功地对混合信号进行分离了。且独立声源分量1、2、3分别对应信号2、3、1。

3) 后置滤波器测试

对采样率为9375Hz的200Hz的正弦信号加入高斯噪声,经过后置滤波器滤波处理后,其结果如图11所示,后置滤波器有较好的噪声抑制能力,可以较大提高信号的信噪比。

图11 后置滤波器效果

[1] 蒋夕平,吴凤凰,修连存.基于FastICA算法的高光谱矿物丰度反演[J].吉林大学学报,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,刘辉.一种峭度FastICA改进算法[J].湖南师范大学学报,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,蔡国伟.蒋铖.基于FastICA和Prony算法的低频振荡参数辨识[J].电测与仪表,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.基于改进FastICA算法的地震信号去噪研究[D].成都:成都理工大学,2012. WANG Yongjuan. Seismic signal denoising based on improved FastICA algorithm[D]. Chengdu: Chengdu University of Technology,2012.

[5] 江华根,杨斌红,敖春来,等.基于快速独立分量分析的自电测井信号去噪[J].水文地质工程地质,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] 赵治栋.基于改进FastICA的胎儿心电提取算法研究[J].传感技术学报,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] 吴微,彭华,周正康.一种改进的FastICA算法及其在含噪盲源分离中的应用[J].信息工程大学学报,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] 张海龙.基于FastICA的风电机组增速箱振动信号分析技术的研究[D].沈阳：沈阳工业大学,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.一种改进谱减法语音增强算法的研究[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

刘红梅,女,硕士,讲师,研究方向:计算机应用,软件工程。

TP334.3

10.3969/j.issn.1672-9722.2017.03.016