<Desc/Clms Page number 1>
Die Erfindung betrifft ein Verfahren zur Unterdrückung von Störrauschen in einem Signalfeld enthaltend eine Vielzahl von Signalkomponenten, welche jeweils einen Wert eines Signalpegels annehmen und über einem Ordinatenbereich auftragbar sind, bei welchem aus dem Signalfeld eine Verteilungsfunktion bestimmt wird, welche als Funktion des Signalpegels zu jedem seiner möglichen Signalpegel-Argumentwerte angibt, wie gross der Anteil jener Signalkomponenten ist, deren Signalpegel niedriger als der Argumentwert ist.
Signalfelder, auf die das erfindungsgemässe Verfahren sich bezieht, werden beispielsweise in Mustererkennungssystemen zur Beschreibung der zu erkennenden Muster verwendet. Der bei der Erkennung eines Musters ablaufende Vorgang kann gewöhnlich grob in die folgenden Schritte aufgeteilt werden : des Musters, Vorverarbeitung und Klassifizierung.
Der erste Schritt, die Mustererfassung, dient der Umwandlung des originalen Musters, z. B. eine gesprochene Äusserung eines Benutzers oder ein mit Text beschriebenes Schriftstück, in ein für die Verarbeitung geeignetes Format, z. B. in Form eines elektronischen Signals, das analog oder digital codiert sein kann, oder einer Datei vorgegebenen Formats. Hierher gehört auch die Umwandlung eines Signal/Dateiformats, z. B. einer Rasterbildaufnahme, in ein für die weitere Verarbeitung geeignetes Format. Im Falle einer Spracherkennung beispielsweise wird die vom Benutzer gesprochene Äusserung über eine akustische Eingabe, wie z.
B. ein Mikrophon, aufgenommen, gegebenenfalls vorverstärkt und in ein elektrisches Sprachsignal in analoger oder digitalisierter Form umgesetzt
Das so erfasste Muster wird der Vorverarbeitung zugeführt, die eine Reduktion der zu verarbeitenden Daten sowie eine bessere Unterscheidbarkeit der zu bestimmenden Muster erreicht. Ergebnis der Vorverarbeitung ist ein Signalfeld, im Beispiel der Spracherkennung ein Spektrum der Äusserung, das dem Klassifizierungssystem zugeführt werden kann. Häufig ist ein wesentlicher Schritt der Vorverarbeitung eine Signalanalyse des Mustersignals, z.
B. kann für das elektrische Sprachsignal der Benutzer-Äusserung eine Signalanalyse in Form einer Aufteilung in Zeitrahmen (Diskretisierung) und einer nachfolgenden, jeweils innerhalb eines Zeitrahmens durchgeführten Fourier-Transformation mit Zerlegung in Frequenzbänder erfolgen, aus der ein Zeit-FrequenzSpektrum gewonnen wird. Damit ist zugleich eine - im allgemeinen beträchtliche - Datenreduktion verbunden. Ein weiterer, unter Umständen wesentlicher Schritt der Vorverarbeitung ist die Verringerung von Störrauschen in dem Mustersignal bzw. dem daraus gewonnen Signalfeld
Das Signalfeld umfasst eine Vielzahl von Signalkomponenten, die jeweils einen eigenen, hier als Signalpegel bezeichneten Wert gleichen Typs annehmen.
Die Signalkomponenten sind naturgemäss innerhalb des Signalfelds geordnet, wobei diese Ordnung mit Hilfe eines oder mehrerer Ordinatenparameter ausgedrückt ist. Beispielsweise besteht ein als Zeit-Frequenz-Spektrum realisiertes Signalfeld aus vielen Spektralkomponenten, die jeweils einen eigenen Energiepegel annehmen ; die Spektralkomponenten sind nach Zeitrahmen und Frequenzband geordnet Jeder Signalkomponente kann somit in dem Ordinatenbereich, über den sich das Signalfeld erstreckt, ein eigener Bereichselement des Ordinatenbereichs zugeordnet werden, sodass die Bereichselemente insgesamt den Ordinatenbereich des Signalfeld abdecken. In Abhängigkeit von der Anzahl der Ordinatenparameter kann der Ordinatenbereich ein-, zwei- oder mehrdimensional sein; dementsprechend sind die Bereichselemente Linien-, Flächen- oder (n-dimensionale) Volumselemente.
Das durch die Vorverarbeitung erhaltene Signalfeld wird dem Klassifizierungssystem zugeführt Dieses ermittelt, zu welcher Erkennungsklasse - d. i. im Falle der Spracherkennung ein Wort eines vorgegebenen Wortschatzes oder eine Wortkette - eine Übereinstimmung gegeben ist. Das Erkennungsresuttat wird dann Ausgabe zugeführt, beispielsweise auf einer Anzeige, oder zur weiteren Verarbeitung genutzt, z. B. bei einer Befehlseingabe einer sprachorientierten Einrichtung.
Die Ausführung einer Mustererkennung wird oftmals durch Störrauschen erschwert, das die zu erkennenden Muster überlagert. Beispielsweise kann die Leistungsfähigkeit eines Spracherkennungssystems durch akustischen Hintergrundlärm stark herabgesetzt oder ganz vereitelt werden.
Bei bekannten Verfahren zur Rauschunterdrückung wird in der Vorverarbeitung eine Abschätzung der dem Signal unterliegenden Rauschparameter durchgeführt und aufgrund dieser Abschätzung ein Referenzrauschsignal abgezogen wird. Derartige Verfahren der spektrale Subtraktion für Sprachsignale werden von S. V. Vaseghi und B. P Milner in 'Noise Compensation Models for Hidden Markov Model Speech Recognition in Adverse Environments', IEEE Transactions on Speech and Audio Processing, Vol. 5, No. 1, Januar 1997, S. 11-21 beschrieben. Hierbei wird von
<Desc/Clms Page number 2>
dem Energiepegel E jeweils einer Spektralkomponente des Spektrums die entsprechende Komponente eines Referenzrauschsignals Er gemäss dem Ausdruck
E' = ss(E, Er) = (Eb - αErb)1/b "subtrahiert".
Das Referenzrauschsignal Er wird aufgrund vorgegebener oder abgeschätzter Rauschparameter simuliert. Die Subtraktion der Energiepegel kann hierbei z. B. in Bezug auf die linearen Energiepegel durchgeführt werden oder "konvolutiv" im logarithmischen Bereich, d. h. in der genannten Formel stehen anstelle der Energiepegel E, Er, E' die entsprechenden Logarithmen log E, etc.
Der Subtraktionsansatz hat jedoch den Mangel, dass die zur Beschreibung des Rauschens notwendigen Parameter nicht mit der erforderlichen Genauigkeit und Vollständigkeit bekannt sein können. Beispielsweise ist für eine korrekte Rauschkompensation nicht nur die Kenntnis der Rauschamplituden, sondern auch der Phasenbeziehungen erforderlich, was - wenn überhaupt nur mit sehr grossem Aufwand möglich ist. Störungen, die keine additive oder konvolutive Überlagerung darstellen, wie z. B. Mischformen aus additiven und konvolutiven Störungen, sind noch schwieriger zu behandeln.
Die EP 0 062 519 A1 lehrt die Beseitigung von Störungen in Radarsignalen, wobei die Verteilung der Störungen bekannt, wenn auch beliebig ist, im Gegensatz zu vorher bekannten Verfahren, die eine Rayleigh- oder Weibull-verteilte Störung verlangen. Die Kenntnis der Verteilung oder zumindest der zugehörenden Wahrscheinlichkeitsdichte, aus der man sie ableiten kann, ist notwendige Voraussetzung für die Anwendung des Verfahrens dieses Dokuments. Ohne Kenntnis einer solchen Verteilung ist eine Störungsbeseitigung nach diesem Verfahren somit nicht durchführbar.
Die EP 0 548 527 A2 lehrt ein Verfahren zur Erzeugung einer Transformation der Pegelskala eines digitalen radiographischen Bildes, z.B Röntgenbildes, in welchem eine kumulative Verteilungsfunktion des Bildes verwendet wird, um die Pegelverteilung des Bildes dahingehend zu modifizieren, dass sie im interessierenden Bereich im wesentlichen linear ist. Die diesem Verfahren zugrundeliegende Aufgabenstellung, nämlich eine Darstellung des Bildes in einer für die weitere Untersuchung durch Betrachtung des Bildes geeigneten Form, unterscheidet sich freilich wesentlich von jener der Erfindung.
Die EP 0 720 358 A2 betrifft die Kompression von Videosignaldaten. Dabei wird die Pegelverteilung eines Bildes so modifiziert, dass jedem Eingangspegelbereich ein um so grösserer Ausgangspegelbereich zugeordnet wird, je mehr Eingangspegel in ersteren Bereich fallen, wobei der gesamte Ausgangspegelbereich begrenzt ist. Auch in diesem Fall ist die Aufgabenstellung, nämlich eine gleichmässigere Signalkompression, von jener der Erfindung wesentlich verschieden. Dem entsprechend wird bei der Kompression nach dieser Schrift eine Zielverteilung nicht angestrebt; vielmehr verwendet die Kompressionsvorschrift lediglich aus dem Eingangssignal abgeleitete Parameter.
Aus keinen der genannten Dokumente geht die Verwendung einer aus Trainings- oder Referenzdaten gewonnenen Referenzverteilungsfunktion hervor.
Es ist daher Aufgabe der Erfindung, ein Verfahren zur Rauschunterdrückung aufzuzeigen, das die Beeintrachtigung des Signalfelds durch das Störrauschen hinsichtlich der nachfolgenden Auswertung, insbesondere einer Klassifizierung, zuverlässig verringert. Weiters soll die Rauschunterdrückung ohne nähere Kenntnis der Eigenschaften des Rauschens und ohne eine Simulation eines Hintergrundrauschens durchführbar sein.
Die Aufgabe wird von einem Verfahren der eingangs genannten Art gelöst, bei welchem erfindungsgemäss aus dem Signalfeld eine Verteilungsfunktion bestimmt wird, welche als Funktion des Signalpegels zu jedem seiner möglichen Signalpegel-Argumentwerte angibt, wie gross der Anteil jener Signalkomponenten ist, deren Signalpegel niedriger als der Argumentwert ist, und sodann aufgrund eines Vergleiches der Verteilungsfunktion mit einer vorbestimmten Referenzverteilungsfunktion die Signalpegelwerte des Signalfeldes modifiziert werden, wobei die Abfolge der Signalkomponenten hinsichtlich ihrer Energiepegel ungeändert bleibt sowie Signalkomponenten, deren ursprüngliche Signalpegel gleich sind, gleiche modifizierte Signalpegel zugewiesen werden, wobei als Referenzverteilungsfunktion eine aus einer Verteilungsfunktion,
die für einen Satz von
<Desc/Clms Page number 3>
Referenzmustern bestimmt worden ist, gewonnene Funktion verwendet wird.
Diese Lösung ermöglicht eine Rauschunterdrückung sowohl für additiven bzw. konvolutiven Rauschhintergrund als auch für Mischformen oder noch kompliziertere Störungen. Durch das erfindungsgemässe Verfahren kann die Auswirkung der Störung auf die Signalparameter des Signalfelds beträchtlich reduziert werden, auch ohne nähere Kenntnis von Rauschparametern.
Die Forderung, dass die Abfolge der Signalkomponenten hinsichtlich ihrer Energiepegel unge- ändert bleibt, bedeutet, dass für jedes (beliebige) Paar von Signalkomponenten, für weiche der ursprüngliche Pegel der ersten Komponente kleiner als jener der zweiten ist, nach der Zuweisung modifizierter Pegel zu den Signalkomponenten der modifizierte Pegel der ersten Komponente nicht grösser (also gleich oder kleiner) als der modifizierte Pegel der zweiten Komponente ist.
Der für das erfindungsgemässe Verfahren wesentliche Parameter, die Referenzverteilungsfunktion, kann im vorhinein z. B. mit Hilfe von Versuchen bestimmt werden. Wenn ein Trainingsoder Vergleichssatz von Mustern vorliegt, können diese oder eine ausgewählter Teil dieser Muster zur Erzeugung der Referenzverteilungsfunktion dienen. Vorteilhafterweise kann dann als Referenzverteilungsfunktion eine aus einer Verteilungsfunktion, die für einen Satz von Referenzmustern bestimmt worden ist, gewonnene Funktion verwendet werden. Dabei kann die Verteilungsfunktion des Referenzmustersatzes selbst als Referenzverteilungsfunktion genutzt werden, oder eine aus ihr, z. B. durch Vereinfachung des Kurvenverlaufs, gewonnene Funktion des Pegels.
Günstigerweise erfolgt die Modifizierung der Signalpegelwerte dadurch, dass ausgehend von einer Aufteilung des Wertebereichs der Signalpegel in eine Anzahl von Pegelbereichen für jeden Pegelbereich - zu einem diesen Pegelbereich repräsentierenden, ersten Pegel unter Anwendung der Verteilungsfunktion und des Werts der Referenzverteilungsfunktion an dem ersten Pegel ein zweiter Pegel ausgewählt wird, für welchen der Wert der Verteilungsfunktion dem genannten Wert der Referenzverteilungsfunktion möglichst nahe kommt, und - jenen Signalkomponenten, deren Signalpegel zwischen dem ersten und dem zweiten Pegel fällt, der Wert des ersten Pegels zugewiesen wird.
Dies erlaubt eine möglichst weitgehende Anpassung des Signals an die Referenzverteilungsfunktion. Im einfachsten Falle der Aufteilung des Signalpegel-Wertebereichs in Pegelbereiche wird für jeden auftretenden Signalpegel ein eigener Bereich zugeordnet, sodass jeder Pegelbereich mit dem zugehörenden Signalpegel identifiziert werden kann.
Des weiteren wird eine besonders zweckmässige Realisierung der Erfindung für ein als zeitund/oder frequenzabhängiges Spektrum eines akustischen Signals realisiertes Signalfeld ausgeführt.
Die Erfindung wird im folgenden anhand eines Ausführungsbeispiels erläutert, das die Spracherkennung eines gesprochenen Wortes in einem Kraftfahrzeugwagen betrifft. Dabei werden die beigefügten Figuren herangezogen, welche zeigen-
Fig. 1 ein Spektrogramm einer Äusserung unter geräuschfreien Bedingungen ;
Fig. 2 die Energieverteilungsfunktion zu dem Spektrogramm der Fig. 1;
Fig. 3 und 4 ein Spektrogramm und die zugehörende Energieverteilungsfunktion einer Äusse- rung mit Geräuschhintergrund;
Fig. 5 und 6 ein Spektrogramm und die zugehörende Energieverteilungsfunktion, welche sich durch spektrale Subtraktion aus dem Spektrogramm der Fig. 3 ergeben;
Fig. 7 eine Referenzverteilungsfunktion zur Anwendung der Erfindung;
Fig. 8 und 9 ein Spektrogramm und die zugehörende Energieverteilungsfunktion, welche sich aus dem Spektrogramm der Fig. 3 mittels der erfindungsgemässen Rauschreduk- tion anhand der Referenzverteilungsfunktion der Fig. 7 ergeben.
Sprachsignale, welche vor einem Geräuschhintergrund, wie z. B. jenem im Inneren eines Kraftfahrzeugwagens in Betneb, gesprochen werden, werden durch Geräusche beeinträchtigt, die von verschiedenen Quellen, z B. dem Fahrzeugmotor, anderen Fahrzeugen, Wind usw., stammen können und oftmals eine Mischung von Schallkomponenten hoher Energie mit nicht vorhersehbarer Statistik hinsichtlich ihres Zeitablaufs und ihrer Frequenz darstellen. Die Leistungsfähigkeit von Spracherkennungssystemen nimmt daher schnell ab, wenn der Geräuschhintergrund zunimmt, beispielsweise weil die Fahrzeuggeschwindigkeit grösser wird.
Das im folgenden dargestellte Ausführungsbeispiel der Erfindung betrifft die Erkennung der englischen Wörter 'zero', 'one', 'two',
<Desc/Clms Page number 4>
usw bis 'nine'für die Ziffern 0 bis 9 mittels eines Spracherkennungssystems in einem Wagen vom KFZ-Kleinwagentyp.
Fig. 1 zeigt ein Spektrogramm S1 eines Spektrums zu einer Äusserung des englischen Wortes 'seven', gesprochen von einem männlichen Sprecher in dem Wagen unter geräuschfreien Bedingungen.
In den in dem Ausführungsbeispiel behandelten Spektren erfasst die Zeitachse einen Zeitraum von 0. 992 s, die in 31 Rahmen T gleicher Zeitdauer (sogenannte 'frames') aufgeteilt ist. Der Frequenzbereich erstreckt sich von f = 200 Hz bis 3. 4 kHz und ist in 9 Bänder F mit ungefähr logarithmisch abgestufter Bandbreite und-abstand aufgeteilt. Die spektrale Energie ist in allen Figuren logarithmisch als Energiepegel E, mit der Einheit dB und bezogen auf einen allen Figuren gemeinsamen Grundpegel, dargestellt.
Spektren dieser Art wurden in Spracherkennungsversuchen der Anmelderin für Äusserungen über den genannten Wortschatz verwendet. In dem verwendeten Spracherkennungssystem erfolgt nach einer Vorverarbeitung des zu erkennenden Äusserung mittels einer Rauschunterdrückung wie weiter unten näher erläutert eine Klassifizierung, bei welcher ein geschichtetes neuronales Netzwerk, weiches mit einem Trainingswortschatz trainiert worden war, als Mustererkennungssystem dient. Für den Trainingswortschatz wurde der Wortschatz von einer Anzahl von Sprechern - vorteilhafterweise sowohl männliche als auch weibliche Personen - in einer Umgebung, die der Sprechumgebung des Wagens entspricht, gesprochen, und zwar für jedes Wort jeweils mehrere Male unter rauschfreien Bedingungen des Rauschhintergrunds (Ruhe des Wagens).
Fig. 2 zeigt die Energieverteilungsfunktion P1(E) zu dem in Fig 1 dargestellten Spektrum S1.
Eine einem Spektrum S zugeordnete Energieverteilungsfunktion P (E) gibt als Funktion des Ener- giepegels E an, wie viele der spektralen Komponenten S (T,F) betreffenden Spektrums S einen Energiepegel aufweisen, der niedriger als der angegebene Energiepegel E ist, wobei diese Zahl als Wert zwischen 0 und 1 bezogen auf die Gesamtzahl der spektralen Komponenten ausgedrückt ist. Beispielsweise hat die Energieverteilungsfunktion P1 bei 48 dB den Wert 0.6, denn 60 % der Energiepegel des Spektrums S1 liegen unter 48 dB. Eine grosse (kleine) Steigung in der Energieverteilungsfunktion P (E) entspricht einem Energiepegel, dessen Wert in einer grossen (kleinen) Anzahl von Komponenten des zugehörenden Spektrums S auftritt.
Eine Energieverteilungsfunktion kann auch für eine Vielzahl von Spektren bestimmt werden und gibt dann den Anteil der Komponenten sämtlicher Spektren mit Energiepegel unter dem angegeben Pegel E, geteilt durch die Gesamtzahl der Komponenten aller dieser Spektren, an.
Fig. 3 zeigt das Spektrogramm S2 zu einer Äusserung des Wortes von demselben Sprecher bei einer Wagengeschwindigkeit von 113 km/h (70 mph). Wie aus dem Vergleich der Spektrogramme S1 und S2 (Fig. 1 bzw. 3) ersichtlich, bleiben lediglich die Sprachanteile hoher Energie wenig beeinträchtigt, während die übrigen Anteile von den Geräuschen maskiert sind. Der HintergrundEnergiepegel steigt von ungefähr 25 dB auf ungefähr 65 dB, die Spitzen der Äusserung sind bei 85 dB, die Sprachanteile unterhalb 70 dB gehen im Geräuschhintergrund unter. Die zugehörende Energieverteilungsfunktion P2 (E) ist in Fig. 4 dargestellt.
Die Energieverteilungsfunktionen P1 und P2 (Fig. 2 bzw 4) zeigen, dass die spektrale Verteilung des rauschfreien Signals S1 deutlich verschieden von jener des geräuschbehafteten Signals S2 ist, in dem die Hintergrundenergie um ungefähr 40 dB höher liegen als im Falle des rauschfreien Signals.
Mittels der eingangs erwähnten spektralen Subtraktion nach S. V. Vaseghi und B. P. Milner ist eine Rauschreduktion des verrauschten Signals erreichbar. Entsprechend dem weiter oben Gesagten, wird das Spektrum S unter Verwendung eines Referenzrauschsignals Sr dadurch transformiert, dass in jeder Spektralkomponente S(T,F) die jeweils entsprechende Komponente Sr(T,F) des Referenzrauschens gemäss dem Ausdruck
S'(T,F) = EO = ss(E,Er) = (Eb - a Erb)1/b, wobei E = S(T,F) und
Er = Sr (T,F) "subtrahiert" wird.
Die Rauschreduktion nach der spektralen Subtraktion wurde im Rahmen der weiter unten beschriebenen Versuche der Anmelderin für das Spektrum S2 durchgeführt In Fig. 5 und 6 sind das Spektrum S3 = ss(S2, Sr), das sich bei der Anwendung der spektralen Subtraktion
<Desc/Clms Page number 5>
auf das Spektrogramm S2 ergibt, und die zugehörende Energieverteilungsfunktion P3 dargestellt; dabei wurden jene Parameter b und a verwendet, bei denen die Ergebnisse von durchgeführten Spracherkennungstests für verschiedene Parameter b und a am besten waren, sowie ein aus der Aufnahme der Äusserung S2 gewonnenes Referenzrauschen Sr. Wie aus Fig. 5 und 6 ersichtlich ist, ist das Hintergrundrauschen ist um ca. 10 dB niedriger als im unbehandelten Signal S2, jedoch ist ein beträchtlicher Anteil der Sprachanteile niedriger Energie immer noch vom restlichen Rauschen verdeckt.
Daher verbessert sich die Erfolgsquote bei der Spracherkennung nur geringfügig.
Da das als Referenzrauschsignal Sr verwendete Signal nur statistisch mit dem Rauschen übereinstimmt, welches als Hintergrund des verrauschten Signals S2 vorliegt, erzielt die spektrale Subtraktion eine Reduktion des Rauschpegels nur an einzelnen Komponenten des sich ergebenden Spektrums S3. Denn in Abhängigkeit von der relativen Phasenlage des Referenzrauschens und des tatsächlichen Hintergrunds kommt es nur für einen Teil der Komponenten des Spektrums zu einer Auslöschung des Rauschanteils der betreffenden Komponente, in anderen Komponenten bleibt der Pegel ungefähr gleich, in manchen ergibt sich sogar eine Verstärkung (wenngleich deren Auswirkung aufgrund der logarithmischen Darstellung der Energiepegel gemildert ist). Dies ist in Fig. 5 besonders an den Niedrigpegel-Anteilen ca. ab Zeitrahmen 20 zu erkennen.
Gemäss der Erfindung erfolgt die Rauschunterdrückung für das vorliegende Sprachsignal S2 unter Verwendung einer vorgegebenen "Vorlagefunktion", nämlich einer als Referenz dienenden Energieverteilungsfunktion. Vorteilhafterweise geschieht dies derart, dass die Pegel der Spektralkomponenten des Sprachsignal-Spektrums S2 an die Vorlagefunktion angepasst werden. Die Energieverteilungsfunktion des sich ergebenden Spektrums stimmt dann im wesentlichen mit der Vorlagefunktion überein.
Idealerweise würde als Vorlagefunktion die Energieverteilungsfunktion der Summe jener Spektren verwendet werden, welche beim Training des Spracherkennungssystems für das betref- fende Wort (hier 'seven') verwendet werden ; das zu erkennende Wort dem Spracherkennungs- system naturgemäss nicht im vorhinein bekannt ist, ist dies nicht möglich. Es wird stattdessen eine Energieverteilungsfunktion als Vorlagefunktion gewählt, weiche in Bezug auf die Gesamtheit der Worte des zu erkennenden Wortschatzes zweckmässig ist. Beispielsweise kann jene Energieverteilungsfunktion als Vorlagefunktion PO verwendet werden, welche aus den Spektren des gesamten Trainingswortschatzes abgeleitet wurde.
Die erfindungsgemässe Rauschunterdrückung durch Anpassung der Pegel an eine Vorlagefunktion erfolgt derart, dass Spektralkomponenten, deren Pegel E = S(T,F) ursprünglich gleich ist, auch nach der Anpassung einen gemeinsamen Pegel EO = S'(T,F) aufweisen, d. h für alle Spektralkomponenten gilt die Anpassungsbedingung S'(T1,F1) = S'(T2,F2) wenn S(T1,F1) = S(T2,F2)- (1)
Des weiteren soll die Abfolge der Komponenten hinsichtlich ihrer Energiepegel nicht geändert werden, d.h S'(T1,F1) # S'(T2,F2) wenn S(T1,F1) < S(T2,F2); (2) diese Monotoniebedingung bewahrt bei der Rauschunterdrückung des Spektrums S in ein modifiziertes Spektrum S' die Strukturen des Spektrums zumindest in qualitativer Hinsicht.
Die Rauschunterdrückung kann als Konsequenz der Anpassungsbedingung (1) durch eine Anpassungsfunktion R(E) vollständig beschrieben werden, die jedem ursprünglichen Pegel E einen modifizierten Pegel EO = R (E) auf welchen jene Spektralkomponenten gesenkt (oder gehoben) werden, die ursprünglich den Pegel E aufwiesen Die Anpassungsfunktion ist wegen der Monotoniebedingung (2) monoton, d.h. R(E1) # R(E2) wenn E1 < E2. Erfindungsgemäss erfolgt dies Anpassung des Spektrums derart, dass für die zugeordnete Energieverteilungsfunktion gilt PO(EO) = P(E). Daher ist die Anpassungsfunktion R (E) durch den Vergleich der Energie- verteilungsfunktion P2 des vorliegenden Signals mit der Vorlagefunktion PO bestimmt.
Da die Energieverteilungsfunktionen P,PO gleichfalls monoton wachsende Funktionen sind, kann formal daraus die Anpassungsfunktion mittels Umkehrung der Vorlagefunktion PO ermittelt werden.
<Desc/Clms Page number 6>
Tabelle 1 zeigt einen beispielhaften Programm-Pseudocode, durch den die erfindungsgemässe Anpassung eines Spektrums erfolgt. Das anzupassende Spektrum S ist hierbei in der Feldvariablen S gespeichert, das über die Intervalle Tmin..Tmax sowie Fmin.. Fmax des Zeit- { PS/S } for E = Emin to Emax :
PS [E] = 0; end for; for T = Tmin to Tmax : for F = Fmin to Fmax . for E = S[T,F] to Emax : inc(PS[E]); end for; end for ; for; { REDIS } for EO = Emin to Emax : if PO[EO] > PS[EO] : dE = 0; while EO+dE < =Emax and abs( PO[EO]-PS[EO+dE] ) < =abs( PO[EO]-PS[EO+dE-1] ) : inc (dE); end while; dec (dE); if dE > 0 : for T = Tmin to Tmax : for F = Fmin to Fmax . if S[T,F] > EO and S [T,F] < =EO+dE :
S[T,F] = EO; end if; end for ; for; end if; end if, end for;
Tabelle 1 Frequenz-Raumes definiert ist.
Die Energiepegel des Spektrums können diskrete Werte in dem Wertebereich zwischen den Energiepegeln Emin in und Emax annehmen. In der Feldvariablen PO ist eine Referenz-Energieverteilungsfunktion als Vorlagefunktion vorgegeben. Die Energieverteilungsfunktionen sind als Felder über das genannte Intervall Emin..Emax definiert.
Zunächst (ab der Marke PS/S) wird die zugehörende Energieverteilungsfunktion ermittelt und in der Feldvariablen PS abgelegt. Hierzu wird für jede Komponente S[T,F] des Spektrums der Pegelwert ermittelt, und sämtliche Komponenten der Energieverteilungsfunktion PS, deren zugeordneter Energiepegel über diesem Pegelwert liegt, werden inkrementiert. Hierbei bezeichnet inc die Inkrementierfunktion.
Sodann (ab der Marke RED/S) wird in einer for-Schleife für jeden der diskreten Werte EO, sofern an diesem Pegel die Energieverteilungsfunktion PS[EO] kleiner als die Vorlagefunktion PO[EO] ist, die folgenden Schritte ausgeführt : wird zunächst ein dem Pegelwert EO zugeordneter Energiepegel EO+dE bestimmt. Dies geschieht dadurch, dass der Abstand dE dieser Pegel ausgehend von dem Wert 0 solange inkrementiert wird (while-Schleife), bis der Wert der Energieverteilungsfunktion am zugeordneten Pegel PS[E0+dE] dem Wert der Vorlagefunktion am gegebenen Pegelwert PO[EO] am nächsten kommt. Hierzu wird die Funktion abs zur Ermittlung des Absolutbetrages verwendet.
Der nach der while-Schleife stattfindende Dekrementierschntt dec (dE) dient der Korrektur auf jenen Wert, für welchen die genannte Bedingung tatsächlich zutrifft Nun
<Desc/Clms Page number 7>
stellt der Pegelwert EO den modifizierten Pegel zu dem Energiepegel EO+dE dar. Sodann wird geprüft, ob der Pegelabstand dE positiv (grösser als 0) ist ; indiesem Fall werden sämtliche Komponenten S [T,F] Spektrums, deren Energiepegel in das Intervall zwischen EO und EO+dE fällt, auf den Energiepegel EO gestellt. Nach dem letzten Durchlauf der äusseren for-Schleife enthält das Feld S das erfindungsgemäss rauschunterdrückte Spektrum S'.
Fig. 7 zeigt die in dem Ausführungsbeispiel verwendete Vorlagefunktion PO (EO), nämlich die Energieverteilungsfunktion für den oben genannten Trainingswortschatz, d. s. die englischen Zahlwörter 'zero' bis 'nine'. Für die verrauschte Äusserung S2 ergibt die erfindungsgemässe Rauschunterdrückung mit Hilfe der genannten Vorlagefunktion PO das als Spektrogramm S4 in Fig. 8 gezeigte Spektrum ; zugehörende Energieverteilungsfunktion P4 ist in Fig. 9 wiedergegeben.
Zur Verringerung des Aufwands bei der Durchführung des erfindungsgemässen Verfahrens kann jeweils ein Pegelbereich des ursprünglichen Spektrums derart gemeinsam behandelt werden, dass den zugehörenden Spektralkomponenten ein einheitlicher modifizierter Pegel zugewiesen wird. Dieser modifizierte Pegel wird in Bezug auf einen repräsentativen Pegelwert des betreffenden Pegelbereichs, z. B. den Mittelwert des Pegelbereichs oder den Median der Pegel über die in den in den Pegelbereich fallenden Komponenten, wie oben beschrieben bestimmt, beispielsweise mittels der Anpassungsfunktion
Bei von der Anmelderin durchgeführten ersten Spracherkennungsversuchen mit dem oben beschriebenen Spracherkennungssystem wurde das erfindungsgemässe Verfahren getestet und zugleich mit dem Verfahren der spektralen Subtraktion verglichen.
Die zu erkennenden Äusserungen wurden unter verschiedenen Bedingungen des Rauschhintergrunds gesprochen, nämlich Fahrt bei 80 km/h (50 mph) und bei 113 km/h (70 mph). Es wurden hierbei die Ereignisse gezählt, bei denen das Spracherkennungssystem die Äusserung falsch erkannt hat, wobei nur Substitutionsfehler berücksichtigt wurden. Bei einer Kontrollreihe, in der die Signale ohne Rauschreduktion der Mustererkennung zugeführt wurden, wurden 30 % der Äusserungen falsch erkannt. Bei Einsatz der spektralen Subtraktion als Rauschreduktionsverfahren ging der Anteil der fehlerhaften Erkennungen auf 23. 3 % zurück. Mit dem erfindungsgemässen Verfahren verringerte sich der Fehleranteil auf 13. 3 %, also eine Reduktion der Fehlerrate um fast die Hälfte im Vergleich zum bekannten Verfahren.
Das erfindungsgemässe Verfahren eignet sich insbesondere zur Unterdrückung überlagernder Störungen, welche die Monotonierelation der Spektralkomponenten der Äusserung nicht oder nur geringfügig stören. Zu derartigen Störungen gehören z. B. weisses Rauschen, eine lineare oder nichtlineare Verstärkung oder Abschwächung des gesamten Spektrums sowie verschiedene Phänomene des Lombard-Effekts, der bekanntermassen eine Änderung der Stimme und der Aussprache in Abhängigkeit von dem psychischen Zustand des Sprechers, z. B. Stress, beschreibt.
In dem Spektrogramm S4 der Fig. 8 ist um Zeitrahmen 16 bei den oberen Frequenzbandern ein Artefakt erkennbar, welches in der eigentlichen Äusserung (Fig. 1) nicht enthalten ist und von dem erfindungsgemassen Verfahren nicht beseitigt wurde. Derartige Artefakte können in den meisten Fällen z. B. mit Hilfe einer der Rauschunterdrückung nachgeschalteten Medianfilterung eliminiert werden.
Das erfindungsgemässe Verfahren der Rauschunterdrückung verändert das zu verarbeitende Signal auch bei Abwesenheit von Rauschen, da die Vorlagefunktion PO im allgemeinen von der Energieverteilungsfunktion der ungestörten Äusserung verschieden ist. Hierdurch kann unter Umständen eine Quelle für Erkennungsfehler im rauschfreien Fall entstehen. Um dies zu vermeiden, kann beispielsweise das Training des Spracherkennungssystems mit Hilfe von Spektren durchgeführt werden, die bereits mit dem erfindungsgemässen Verfahren an die verwendete Vorlagefunktion angepasst worden sind. Der Trainingswortschatz kann diese Spektren anstelle von oder gemeinsam mit den ursprünglichen Spektren enthalten.
Ein anderer Ansatz besteht darin, das erfindungsgemässe Verfahren nur dann einzusetzen, wenn das Vorliegen von Rauschen festgestellt wird, z. B. im Zeitraum kurz vor der Äusserung; anderenfalls wird das Sprachsignal der Spracherkennung ohne Rauschunterdrückung zugeführt Dieser Ansatz benötigt keine Abschatzung des Rauschens, die über die blosse Detektion von Rauschen hinausginge.
In einer vereinfachten Variante des erfindungsgemässen Verfahrens kann die Anpassung des Spektrums dadurch deutlich vereinfacht werden, dass nur eine festgelegte Anzahl von Parametern
<Desc/Clms Page number 8>
der Vorlagefunktion verwendet werden, und die Anpassung im Hinblick auf diese Parameter erfolgt. Beispielsweise könnten Mittelwert und Streuung der Verteilung der Vorlagefunktion verwendet werden. Zur Anpassung werden gleichfalls Mittelwert und Streuung der Verteilung der Energieverteilungsfunktion ermittelt, und aus dem Vergleich dieser Parameter mit denen der Vorlagefunktion wird eine lineare Transformation für die Energiepegel des Spektrums bestimmt. Durch die Anwendung dieser linearen Transformation ergibt sich ein modifiziertes Spektrum, in welchem der störende Effekt des Hintergrundrauschens deutlich verringert ist.
Sofern die Anwendung einer linearen Transformation nicht genügt, kann z. B. eine Transformation höherer Ordnung verwendet werden, die aus dem Vergleich einer entsprechenden Anzahl von Parametern der Energieverteilungsfunktion und der Vorlagefunktion, z. B. höherer Momente der Verteilungen, bestimmt wird.
Das erfindungsgemässe Verfahren eignet sich nicht nur für die Störungsverringerung für akustische Signale, wie z.B. Sprachsignale; vielmehr kann es ebenso für Muster anderer Art verwendet werden, welches sich durch eine über einem ein- oder mehrdimensionalen Feld aufgetragene Merkmalsgrösse beschreiben lässt. Mögliche Einsatzgebiete sind demgemäss z. B. die Zeichenerkennung in geschriebenem Text od.dgl., Rekonstruktion und/oder Auswertung von Bildern usf.
PATENTANSPRÜCHE:
1 Verfahren zur Unterdrückung von Störrauschen in einem Signalfeld (S2) enthaltend eine
Vielzahl von Signalkomponenten, welche jeweils einen Wert eines Signalpegels annehmen und über einem Ordinatenbereich (T, F) auftragbar sind, bei welchem aus dem Signalfeld (S2) eine Verteilungsfunktion (P2(E)) bestimmt wird, welche als Funktion des Signalpegels zu jedem seiner möglichen Signalpegel-Argument- werte (E) angibt, wie gross der Anteil jener Signalkomponenten ist, deren Signalpegel niedriger als der Argumentwert (E) ist, dadurch gekennzeichnet, dass aufgrund eines Vergleiches der Verteilungsfunktion (P2(E)) mit einer vorbestimmten Refe- renzverteilungsfunktion (PO(E)) die Signalpegelwerte des Signalfeldes modifiziert werden,
wobei die Abfolge der Signalkomponenten hinsichtlich ihrer Energiepegel ungeändert bleibt sowie Signalkomponenten, deren ursprüngliche Signalpegel gleich sind, gleiche modifizierte Signalpegel zugewiesen werden, wobei als Referenzverteilungsfunktion (PO) eine aus einer Verteilungsfunktion, die für einen Satz von Referenzmustern bestimmt worden ist, gewonnene Funktion verwendet wird.