曾金芳，白冰，徐林濤(湘潭大學物理與光電工程學院，湖南 湘潭 411105)
本文引用地址：http://www.eepw.com.cn/article/201908/404222.htm摘 要：針對低信噪比下的環境聲音識別效果不佳的情況，提出一種不同信噪比背景下的環境聲音識別方法。
以伽瑪通(Gammatone)變換的譜圖為對象提取特徵，生成灰度頻譜圖後映射成3種單色圖，分別提取各單色圖的扇形投影特徵，在對得到的各方向的投影特徵進行離散小波變換得到特徵矩陣，並結合改進的最小均方誤差(IMMSE)聲音增強算法作為前端處理以減小噪聲幹擾，最後，利用支持向量機對帶噪聲音進行分類識別。實驗結果表明：在-5dB的低噪背景下仍能取得較高識別率。
關鍵詞：最小均方誤差；聲音識別；聲音增強；譜圖特徵；扇形投影；支持向量機
*基金項目：湖南省自然科學基金（2018JJ3486）；湘潭大學校級科研項目(16XZX02)；湘潭大學博士啟動基金項目(15QDZ28)
0 引言
聲音信號與人類的生活密切相關，聲音信號不受光線和視野影響並且需要的存儲空間及處理難度低於視頻信號，通過對環境聲音信號進行識別可以獲取豐富的信息，公共場所的聲音事件識別可以有效地揭示該環境下的事件狀況，可以彌補光線不足、受遮擋情況下的監控效果，聲音識別技術廣泛應用於安全監控、聲音事件跟蹤定位等領域，提取魯棒性較好的聲音特徵 [1] ，有利於聲音識別技術在現實環境中的適用性，所以背景噪聲下的聲音識別研究具有較高的實用價值。
在聲音識別過程中，提取合適的特徵向量對識別效果起關鍵的作用，聲音識別的大多數的特徵提取方法來源於語音識別 [2] ，常用的提取方法有Mel頻率倒譜參數(MFCC)、短時能量、線性預測倒譜係數(LPCC) [3]等。近期的環境聲音識別的研究主要有利用匹配追蹤（MP）算法獲得有效的時頻特徵，在MFCC特徵的基礎上利用原子字典進行特徵選擇，產生靈活、直觀的特徵向量然後用支持向量機(SVM)進行分類識別 [4] 。以上方法雖然簡單有效，但真實的環境中存在各種背景噪聲導致其識別效果明顯變差。Dennis等提出子帶功率分布(SPD)的特徵提取來進行聲音事件分類 [5] ，在聲譜圖的基礎上提出子帶能量分布對聲音事件和噪聲進行區分，利用圖像處理的方法進行偽著色處理提取譜圖的中心矩特徵 [5] ，該方法在背景噪聲下的識別具有一定有效性但在信噪比較低的情況下的識別效果有待提高。
現實環境中普遍存在著各種背景噪聲，在前端處理中採用聲音增強算法能改善識別效果，本文提出聲譜圖的扇形投影特徵(Spectrogram Fan projection，SFP)算法。首先將環境聲音信號轉化為聲譜圖，然後將得到的聲譜圖進行扇形投影變換，得到各方向的投影係數組成特徵向量，最後利用SVM分類器對特徵向量進行分類識別。對於帶噪聲信號，提出改進的最小均方誤差估計(IMMSE)算法作為前端處理來達到聲信號的去噪效果。
1 聲音增強算法
1.1 改進的logM M SE算法
考慮到環境聲音噪聲是非平穩的，傳統的對數譜最小均方誤差(Log-spectral AmplitudeMMSE,LSA-MMSE)能有針對性的減小噪聲，其關鍵在於能否準確地估計先驗信噪比， 本文採用改進的最小遞歸平均算法來估計噪聲方差，結合logMMSE來達到聲音增強效果，實驗證明該方法對聲音增強和消除「音樂噪聲」有較好的效果。
建立加性噪聲模型，設帶噪聲信號為：
式中，y(n)表示帶噪聲信號； x(n) 表示無噪聲信號；d(n) 表示噪聲信號；該算法從帶噪聲信號 y(n) 中估計出無噪聲信號 x(n) 。純淨信號經短時傅立葉變換得到第k個頻譜分量：Ak和Y(k) 。
由文獻[6]中信號的估計可表示為帶噪信號與增益函數的乘積：
式中， λx(k) 、 λd(k) 分別表示無噪信號和噪聲信號的第k個頻譜分量的方差； ξ k 、 γ k 分別表示先驗信噪比和後驗信噪比，先驗信噪比是第k個頻譜分量的實際信噪比，後驗信噪比是加入噪聲後第k個頻譜分量所測得的信噪比。
1.2 IM M SE算法的實現
本文利用改進的最小值約束的遞歸平均（IMCRA）算法估計噪聲方差。該算法利用平滑參數對噪聲方差進行連續估計，平滑參數是時變參數，該算法是聲信號中聲音存在的概率的遞歸平均算法。聲音不存在： H 0k 和聲音存在：H 1k 的噪聲估計表示為：
式中，i、k分別表示幀數和頻點數，根據遞歸算法的通用形式 [7] ，可將噪聲估計表示為：
式(6)中的噪聲估計表示為前一幀的噪聲估計與當前帶噪頻譜的加權平均，式中， αd(i,k)=α+(1-α)p^(i,k)，表示時頻相關的平滑因子，利用存在聲音的條件概率 p∧( i,k ) 來計算平滑因子， 存在聲音的條件概率p(i,k) 利用聲信號功率譜與其局部最小值之比Sr (i,k) 作為閾值判斷，根據遞歸算法的通用形式同理可得聲信號的遞歸功率譜S(i ,k) 如下：
聲音存在概率的估計利用時域平滑遞歸求得：
因為所取聲音樣本頻率分布範圍較廣，故採用多閾值函數 δ ( k ) 採用頻率相關函數來表示：
式中，fs為採樣頻率。結合公式所求得平滑因子α d ( i,k ) ，利用式(6)，即可更新噪聲功率譜估計，得到更新的噪聲功率譜估計後，利用式(3)可求得增益函數，以此估計純淨聲信號。
將 提 出 的 I M M S E 增 強 算 法 與 多 頻 帶 譜 減 法(Multiband Spectral Subtraction,MSS)對比，各增強算法的時域波形圖如圖1所示。其中橫縱坐標分別表示信號採樣點數和幅值。圖1可了解IMMSE算法去噪效果較好。
為進一步檢驗不同增強算法的去噪效果，對各增強算法檢測其輸出信噪比，根據檢測帶噪聲音信號的指標定義：
式中，計算出SNR的值越大，表示聲音的質量越高，去噪效果越好，各增強算法的輸出信噪比如表1所示。
2 特徵提取
2.1 提取子帶能量譜圖
聲譜圖相比於傳統的時域特徵能表徵更加豐富的聲音信息，採用聲譜圖作為特徵能同時分析聲音的時域和頻域特徵，本文採用SPD譜圖並對其進行增強改進，使聲音的功率譜分布更明顯。採用 Gammatone濾波器組生成的聲譜圖作為時頻分析。參數設置為：100組中心頻率為50 Hz到fs/2 Hz。將SPD歸一化到對數域，表達式為：
對數域的功率譜壓縮了譜圖的動態範圍，以增強SPD中的頻譜功率較高的像素點。譜圖G(t,f)中像素點值的範圍是固定的，SPD可表示為：
式中，b表示頻譜功率；f表示頻率；t表示樣本的時間；實驗中取b的值為100，1 b 表示指示函數，基於「鍵盤敲擊聲」的SPD如圖2所示。
2.2 扇形投影特徵
扇形投影 [7] 特用於檢測物體圖像內部構造，計算圖像沿指定方向由一點發出點光束，發散成一個扇形區域的投影變換，投影變換是圖像沿x-y平面中指定方向的線積分。譜圖H(b,f)的扇形投影變換的原理如下：
式中，g (ρ,θ) 表示經過扇形投影變換後重構的圖像。
對每個聲音樣本的譜圖H(b,f)進行扇形投影變換，角度 α 表示扇形投影的旋轉角度，取值範圍為[0,360]，規定旋轉角度從x軸按逆時針的方向旋轉每個角度的投影能將圖像轉換成一維的投影係數，圖像各方向的投影係數組成的特徵矩陣保留了圖像的信息的同時降低了圖像的參數大小，能夠提高識別效率。
3 實驗設計與結果分析
3.1 聲音數據集
實驗採用16類環境聲音(鍵盤打字聲、腳步聲、鋸子聲等)，為確保實驗數據的獨立性，同類聲音取自不同聲音片段，一類包括20個樣本，總共320個樣本，具有較高信噪比，實驗將其作為純淨聲音樣本，聲音樣本均來自於Freesound [16] 聲音資料庫，樣本採樣率為44.1kHz，量化精度為16 bit，單個樣本長度2~3 s。實驗中，隨機選取每類樣本的一半作為訓練樣本，另一半作為測試樣本，按照信噪比20 dB、10 dB、0 dB、-5 dB作為測試。
3.2 實驗參數
聲音樣本的預處理環節，對各聲音樣本分幀加窗處理，取幀長20 ms、幀移10 ms、窗函數採用漢明窗。
1)本文提出的SFP算法，扇形投影的旋轉角度，在[0，360]中以15°為步長，取24個方向的投影變換。
2) MFCC算法，採用32組Mel濾波器組，每一幀提取13個倒譜係數構成MFCC特徵。
3)對於SPD [5] 算法，採用64組Gammatone濾波器，提取2、3階中心矩。
4)正交匹配追蹤(OMP) [7] 算法，對聲音信號進行稀疏重構，信號重構後提取MFCC特徵，組成OMP的複合特徵。
5)採用支持向量機(SVM)作為分類器，採用多分類的方式建立分類器。
3.3 實驗結果與分析
將SFP與SPD、MFCC、OMP、幾種常用的聲音識別算法進行實驗對比。4種聲音識別算法在不同噪聲背景下的識別率如表2所示。純淨背景下，識別率如表3所示。本文的SFP算法在4種噪聲下有較高識別率，特別是信噪比為-5 dB和0 dB的低噪條件下，在-5 dB的噪聲情況下，最高比SPD算法高17.51%，平均識別率最高高出7.9%，比OMP和MFCC高出27.63%以上，平均識別率如圖3所示。雖然文章算法在信噪比較高條件下的提升較少，但在低信噪比下相比其他算法能取得較高識別率。
將提出的IMMSE增強算法與其他常用的聲音增強算法進行比較，在4種不同的背景噪聲的低噪條件下，信噪比分別取-5 dB、0 dB、5 dB、10 dB。
如圖6所示為0dB的說話噪聲背景下不同聲音增強算法識別率。噪聲條件下，本文的IMMSE的識別率高於其他增強算法，在-5dB和0 dB的低信噪比條件下不增強方法的識別率比增強後的識別率低，所以低信噪比條件下採用增強算法是可行的，說明SFP算法本身具有較好的抗噪性，實驗證明SFP算法結合IMMSE增強算法在各種背景噪聲下能取得較好的識別效果，適用於真實環境下的聲音識別。
4 結論
針對真實環境的低噪條件下的聲音識別，提出SFP算法，將譜圖的扇形投影作為特徵提取方法結合IMMSE聲音增強算法，實驗表明，在無背景噪聲條件下，識別率達到96.72%；低噪條件下，平均識別率能達到73.05%；本文的方法噪聲條件下具有較好魯棒性，對比現有的SPD、OMP等算法，分類識別效果更好。
參考文獻
[1] REN J, JIANG X, YUAN J, et al. Sound-EventClassification Using Robust Texture Features for RobotHearing[J].IEEE Transactions on Multimedia,2017, (99):1-1.
[2] BRADLOW A R, ALEXANDER J A. Semantic andphonetic enhancements for speech-in-noise recognition bynative and non-native listeners[J].Journal of the AcousticalSociety of America,2016,121(4):2339-49.
[3] JIAN-Chao Y U, ZHANG R L. Speaker recognitionmethod using MFCC and LPCC features[J].ComputerEngineering & Design,2009,30(5):1189-1191.
[4] CHU S, NARAYANAN S, KUO C CJ. Environmentalsound recognition with time-frequency audio features[M].
Institute of Electrical and Electronics Engineers Inc. The,2009.
[5] DENNIS J, TRAN H D, CHNG E S. ImageFeature Representation of the Subband PowerDistribution for Robust Sound Event Classification[J].IEEE Transactions on Audio Speech & LanguageProcessing,2012,21(2):367-377.
[6] SHIH J L, CHEN L H. Colour image retrieval based onprimitives of colour moments[J].IEE Proceedings-Vision,Image and Signal Processing,2002,149(6):370-376.
[7] NARASIMHADHAN A V, SHARMA A, MISTRY D. ImageReconstruction from Fan-Beam Projections without Back-Projection Weight in a 2-D Dynamic CT: Compensationof Time-Dependent Rotational, Uniform Scaling andTranslational Deformations[J].Open Journal of MedicalImaging, 2013, 3(4):136-143.
[8] SOUSSEN C, GRIBONVAL R, IDIER J, et al.JointK-Step Analysis of Orthogonal Matching Pursuit andOrthogonal Least Squares[J].IEEE Transactions onInformation Theory,2013,59(5):3158-3174.
本文來源於科技期刊《電子產品世界》2019年第9期第34頁，歡迎您寫論文時引用，並註明出處。